CN119487805A 装置、方法和计算机程序 （上海诺基亚贝尔股份有限公司）

2025.01.03PCT/CN2022/1036162022.07.04WO2024/007109EN2024.01.11于对所述接收到的输入信号执行去预编码的装23.根据权利要求1或2所述的设备，包括5.根据权利要求3或4所述的设备，包括用于6.根据权利要求1或2所述的设备，其中，所述设7.根据权利要求6所述的设备，其中，所述另一机器学习模型的所述输出为2xNfxNt，用于使得触发被发送到用于训练所述机器学习模型且如果存在训练另一机器学习模用于将所述训练数据提供给用于训练所述机器学习模型以及如果存在训练另一机器13.根据权利要求12所述的设备，包括用于基于所述回退指示符来确定不部署所述机3提供所述去预编码信号作为机器学习模型的输入，其中所述机器学至少一个存储器和计算机程序代码被配置为利用所述至少一个处理器来使所述设备在接提供所述去预编码信号作为机器学习模型的输入，其中所述机器学提供所述去预编码信号作为机器学习模型的输入，其中所述机器学4叶变换(DFT)扩频正交频分多址(OFDM[0002]通信系统可被视为通过在通信路径中涉及的各种实体之间提供载波来实现两个[0003]在无线通信系统中，至少两个站之间的通信会话的至少一部分通过无线链路发是通用移动电信系统(UMTS)无线电接入技术的长期演进(LTE)和所谓的5G或新空口(NR)网[0010]所述设备可包括用于将所述去预编码信号与所述频域信号的原始信道估计分支5[0011]所述设备可包括用于在去预编码之前将所述输入信号提供给另一机器学习模型[0014]所述设备可包括用于使触发(trigger)被发送到用于训练所述机器学习模型以及于基于所述部署配置信息来确定是否部署机器[0018]所述设备可包括用于基于所述回退指示符来确定不部署机器学习模型和所述另[0023]所述方法可包括将所述去预编码信号与所述频域信号的原始信道估计分支级联[0024]所述方法可包括在去预编码之前将所述输入信号提供给另一机器学习模型以用[0027]所述方法可包括使触发被发送到用于训练所述机器学习模型和另一机器学习模接收训练数据，并将所述训练数据提供给用于6[0031]所述方法可包括基于回退指示符来确定不部署机器学习模型以及所述另一机器[0036]可使所述装置将所述去预编码信号与所述频域信号的原始信道估计分支级联起[0037]可使所述装置在去预编码之前将所述输入信号提供给另一机器学习模型以用于[0040]可使得所述装置使触发被发送到用于训练机器学习模型以及另一机器学习模型收训练数据，并将所述训练数据提供给用于训练机器学习模型和所述另一机器学习模型[0044]可使所述装置基于所述回退指示符来确定不部署所述机器学习模型以及所述另7[0049]可使所述装置将所述去预编码信号与所述频域信号的原始信道估计分支级联起[0050]可使所述装置在去预编码之前执行将所述输入信号提供给另一机器学习模型以署配置信息来确定是否部署所述机器学习模型以及所述另一机器学习模型(如果存在的[0057]可使所述装置执行基于所述回退指示符来确定不部署机器学习模型以及所述另8[0076]图16显示了用于常规接收器和根据第一和第二示例实施例的接收器的未编码误[0081]合适的通信系统的示例是5G系统(5GS)。5GS中的网络架构可类似于先进LTE的网为中心的网络(ICN)和以用户为中心的内容交付网络(UC_CDN)方法有关。NR可使用多输入拟化网络功能(VNF)可包括使用标准或通用类型的服务器而不是定制硬件来运行计算机程功能(AF)108和一个或多个数据网络(DN[0084]示例5G核心网(CN)包括功能实体。5GCN106可包括一个或多个接入和移动[0085]CN经由无线电接入网络(RAN)连接到终端设备。5GRAN可包括连接到一个或多个[0086]其角色被称为PSA(协议数据单元(PDU)会话锚)的UPF(用户平面功能)可负责在DN[0087]现在将参考图2更详细地描述可能的移动通信设备，图2显示了通信设备200的示9由能够发送和接收无线电信号的任何设备提供。非限制性示例包括移动站(MS)或移动设加密狗)的计算机、个人数据助理(PDA)或被提供有无线通信功能的平板电脑、IP语音音乐存储和播放设备、车载无线终端设备、无线端点、移动站、笔记本电脑嵌入式设备[0089]移动设备200可经由用于接收信号的适当装置通过空中或无线电接口20来接收信[0090]图3显示了用于通信系统的控制装置300的示例，其例如耦接到和/或用于控制接也可跨超过一个控制装置来实现。所述控制装置可与核心网或RAN的节点或模块集成或位站可具有这样的控制装置以及在无线网络控制器中提供的控制装置。控制装置300可被布[0091]被称为DeepRx(深度学习接收器)的技术旨在利用定制的AI/ML技术来增强物理层[0092]图4描绘了具有多个数字信号处理(DSP)框402的常规上行链路(UL)接收器架构，[0093]图5显示了用于正交频分多址(OFDM)系统的DeepRx结构示例。该结构包括为OFDM输出用于解码的比特似然比(LLR)。通过利用频域_时域相关性和发射码元的分布模式，[0095]图6显示了用于OFDM系统和DFTS_OFDM系统的发射器(Tx)和接收器(Rx)信号处理链。DFTS_OFDMTx信号处理链包含DFT预编码，且DFTS_OFDMRx信号处理链则包含逆DFT[0098]已显示了DeepRx在单输入单输出(SISO)或多输入多输出(MIMO)OFDM系统上的成[0105]信号去预编码是信号预编码的逆操作。如果信号预编码是借助于DFT预编码实现[0109]图8显示了根据第一选项的示例结构。DeepRx803的输入支是基于稀疏导频的原始估计信道响应。引入iDFT去预编码功能802以应用于接收到的数时隙中的OFDM码元的数量(根据3GPP定义为14)。分支1和2分别是接收码元的实部和虚部。[0112]输入数据还包括分支3和4，其包括原始信道估计分支，其中非解调参考信号[0117]在图9中所示的示例结构中，NN结构803(也被称为DeepRx)包括2个卷积层和其间[0124]图10显示了根据第二个选项的示例的总体结构。去预编码功能块1002嵌入在[0128]在训练阶段中，用比特LLR输出来计算具有用于计算模型训练的发射比特的损失[0130]嵌入式去预编码是固定操作，且在反向传播中是不可学习的。PreDeepRx和Post[0135]DeepRx1003b的输出和PostDeepRx1003a的输入(2×Nf×Nt)的设计[0136]一种是强制DeepRx1003b的输出符合iDFT去预编码，其输出可顺序地耦接到估计器和均衡化器。因此，在某种程度上，它允许根据学习到的星座模式的中间结果对[0138]在如上所述的第一和第二示例实施例两者中，二进制交叉熵可被用作损失函部署)、发射器(准备训练数据并通过空中发送)和可执行所有相关过程的其他平台中的功号、MCS、秩、变换预编码启用指示(DFT预编码)、序列随机种子和发射时间间隔的数量模型和另一机器学习模型的实体可以是本地数据接收部署配置信息，并基于部署配置信息来[0169]用于第一选项和第二选项的DeepRx模型的调度分别如图14和15中所示。调度器[0171]调度器还可在相对应的场景中调度OFDM和DFTS_OFDM之间的模型切换，以及模型回退到常规接收器。所述方法可包括基于回退指[0172]回退到常规接收器的模型也可触发模型训练(如上文参考图12所述的更新或细[0174]如果接收器决定回退到常规方法，则RRM平面调度器会通知用户平面回退到常规[0181]所提出的方案在启用DFT预编码的条件下进行了测试，并将它们在25RB(300个子[0184]可清楚地观察到，在10％的未编码BER水平下，第一选项DeepRx显示出高于实用[0186]如图19中所示出的星座类图案1900可由来自iDFT嵌入式混合DeepRx解决方案的转。由图19中黑色轮廓1901标记的膨胀形状反映了测试台硬件功率放大器引起的非线性。[0188]第二示例实施例可提供第二星座类输出，其可揭示硬件等中的非线性，并使[0200]电路的此定义适用于该术语在包括在任何权利要求在内的本申请中的所有使[0201]本公开的各实施例可通过可由移动设备(诸如处理器实体中)的数据处理器执行不属于独立权利要求范围的实施例和特征(如果有的话)将被解释为有助于理解本公开的[0206]上述描述已通过非限制性示例提供了本公开的示例性实施例的完整和信息性描何其他实施例的组合的实施例。