通信系统中的方法和设备技术方案

提供了一种通信系统中的方法和设备。一种通信系统中的设备可包括：接收器，被配置为使用信道来接收信号；发送器，被配置为发送与所述信道相关的信道信息的表示；以及至少一个处理器，被配置为基于所述信号确定所述信道的状况，并且使用机器学习模型基于所述信道的状况生成所述信道信息的表示。一种通信系统中的方法可包括：在无线设备处确定用于所述无线设备的物理层信息，使用机器学习模型生成所述物理层信息的表示，并且从所述无线设备发送所述物理层信息的表示。理层信息的表示。理层信息的表示。

【技术实现步骤摘要】
通信系统中的方法和设备
[0001]本申请要求于2021年10月19日提交的申请号为63/257,559的美国临时专利申请、2021年12月13日提交的申请号为63/289,138的美国临时专利申请、2022年1月11日提交的申请号为63/298,620的美国临时专利申请、2022年3月29日提交的申请号为63/325,145的美国临时专利申请、2022年3月30日提交的申请号为63/325,607的美国临时专利申请、2022年4月15日提交的申请号为63/331,693的美国临时专利申请、2022年7月18日提交的申请号为63/390,273的美国临时专利申请、以及2022年10月3日提交的申请号为17/959,291的美国非临时专利申请的优先权和权益，所有这些申请通过引用包含于此。


[0002]本公开总体上涉及通信系统，并且具体地涉及用于通信系统的物理层的人工智能和机器学习的系统、方法和设备。

技术介绍

[0003]在无线通信系统中，接收器可基于发送器与接收器之间的信道状况来向发送器提供信道状态信息或预编码信息。发送器可使用信道状态信息或预编码信息来执行到接收器的传输。
[0004]在此
技术介绍
部分中公开的上述信息仅用于增强对本专利技术的
技术介绍
的理解，并且因此其可包含不构成现有技术的信息。

技术实现思路

[0005]一种通信系统中的设备可包括：接收器，被配置为使用信道来接收信号；发送器，被配置为发送与所述信道相关的信道信息的表示；以及至少一个处理器，被配置为基于所述信号确定所述信道的状况，并且使用机器学习模型基于所述信道的状况生成所述信道信息的表示。所述信道信息可包括信道估计。所述信道信息可包括预编码信息。所述至少一个处理器可被配置为：执行对所述机器学习模型的选择。所述至少一个处理器可被配置为：基于所述信道的状况执行对所述机器学习模型的选择。所述至少一个处理器可被配置为：基于使用接收器接收到的模型标识信息来激活所述机器学习模型。该设备可被配置为：使用媒体访问控制(MAC)信号或无线电资源控制(RRC)信号中的一个或更多个来接收所述模型标识信息。所述至少一个处理器可被配置为：使用发送器指示对所述机器学习模型的选择。所述至少一个处理器可被配置为：接收所述机器学习模型。所述至少一个处理器可被配置为：接收与所述机器学习模型对应的量化函数。所述至少一个处理器可被配置为：训练所述机器学习模型。所述至少一个处理器可被配置为：使用量化函数来训练所述机器学习模型。所述量化函数可包括可微量化函数。所述量化函数可包括近似量化函数。所述至少一个处理器可被配置为：发送针对所述机器学习模型的配置信息。所述配置信息可包括权重或超参数中的一个或更多个。所述机器学习模型可以是生成模型，并且所述至少一个处理器可被配置为：使用重建模型来训练所述生成模型，其中，所述重建模型可被配置为：基于所述
表示来重建所述信道信息。所述生成模型可包括编码器，并且所述重建模型可包括解码器。所述至少一个处理器可被配置为：接收针对所述重建模型的配置信息，并且基于所述配置信息训练所述生成模型。所述配置信息可包括权重或超参数中的一个或更多个。所述至少一个处理器可被配置为：执行对所述生成模型和所述重建模型的联合训练。所述至少一个处理器可被配置为：基于所述联合训练来发送所述重建模型。所述至少一个处理器可被配置为：基于信道来收集用于所述机器学习模型的训练数据。所述至少一个处理器可被配置为：基于资源窗口来收集所述训练数据。所述资源窗口具有时间维度和频率维度。所述信道信息可包括信道矩阵。所述信道信息可包括与奇异值组合的奇异值矩阵。所述信道信息可包括酉矩阵。所述至少一个处理器可被配置为：对所述信道信息进行预处理以生成经变换的信道信息，并且基于所述经变换的信道信息来生成所述信道信息的表示。所述至少一个处理器可被配置为：基于变换来对所述信道信息进行预处理，并且基于训练数据来训练所述机器学习模型，其中，可基于变换来处理所述训练数据。所述至少一个处理器可被配置为：基于变换来对所述训练数据进行处理。所述至少一个处理器可被配置为：使用处理许可来训练所述机器学习模型。所述处理许可可以包括处理时间。所述处理许可可基于所述信号被发起。所述处理许可可基于控制信号被发起。所述控制信号可包括媒体访问控制(MAC)信号或无线电资源控制(RRC)信号中的一个或更多个。所述至少一个处理器可被配置为：将所述信道信息的表示作为链路控制信息来发送。所述至少一个处理器可被配置为：将所述链路控制信息作为上行链路控制信息(UCI)来发送。所述至少一个处理器可被配置为：对所述信道信息的表示进行量化以生成经量化的表示。所述至少一个处理器可被配置为：将编码方案应用于所述经量化的表示以生成经编码的表示。所述编码方案可包括极化编码方案，并且所述至少一个处理器可被配置为：使用物理控制信道来发送所述经编码的表示。所述编码方案可包括低密度奇偶校验(LDPC)编码方案，并且所述至少一个处理器可被配置为：使用物理共享信道来发送所述经编码的表示。
[0006]一种通信系统中的设备可包括：发送器，被配置为使用信道来发送信号；接收器，被配置为接收与所述信道相关的信道信息的表示；以及至少一个处理器，被配置为使用机器学习模型基于所述表示构建所述信道信息。所述机器学习模型可以是重建模型，并且所述至少一个处理器可被配置为：使用生成模型来训练所述重建模型，其中，所述生成模型可被配置为：生成所述信道信息的表示。所述至少一个处理器可被配置为：发送所述机器学习模型。所述至少一个处理器可被配置为：发送与所述机器学习模型对应的反量化函数。所述信道信息的表示可包括经变换的信道信息的表示，并且所述至少一个处理器可被配置为：对所述机器学习模型的输出进行后处理，以基于所述经变换的信道信息构建所述信道信息。所述经变换的信道信息的表示可基于变换，所述机器学习模型可以是重建模型，所述至少一个处理器可被配置为：使用生成模型来训练所述重建模型，其中，所述生成模型可被配置为：生成所述经变换的信道信息的表示，并且所述至少一个处理器可被配置为：使用可基于变换被处理的训练数据来训练所述重建模型。所述至少一个处理器可被配置为：执行对所述机器学习模型的选择，并且使用发送器指示对所述机器学习模型的选择。
[0007]一种通信系统中的方法可包括：在无线设备处确定用于所述无线设备的物理层信息，使用机器学习模型生成所述物理层信息的表示，并且从所述无线设备发送所述物理层信息的表示。所述机器学习模型可以是生成模型，所述方法还包括：使用重建模型训练所述
生成模型，其中，所述重建模型可被配置为：基于所述表示重建所述物理层信息。所述方法还可包括：由所述无线设备基于资源窗口收集用于所述机器学习模型的训练数据。所述物理层信息可包括信道矩阵。所述方法还可包括：对所述物理层信息进行预处理以生成经变换的物理层信息，并且基于所述经变换的物理层信息生成所述物理层信息的表示。可基于处理许可来执行生成步骤。所述方法还可包括：基于在所述无线设备处接收到的模型标识信息来激活所述机器学习模型。所述物理层信息的表示可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通信系统中的设备，包括：接收器，被配置为使用信道来接收信号；发送器，被配置为发送与所述信道相关的信道信息的表示；以及至少一个处理器，被配置为：基于所述信号确定所述信道的状况；并且使用机器学习模型基于所述信道的状况生成所述信道信息的表示。2.如权利要求1所述的设备，其中，所述至少一个处理器被配置为：执行对所述机器学习模型的选择。3.如权利要求2所述的设备，其中，所述至少一个处理器被配置为：基于所述信道的状况执行对所述机器学习模型的选择。4.如权利要求1所述的设备，其中，所述至少一个处理器被配置为：基于使用接收器接收到的模型标识信息来激活所述机器学习模型。5.如权利要求1所述的设备，其中，所述至少一个处理器被配置为：接收所述机器学习模型。6.如权利要求5所述的设备，其中，所述至少一个处理器被配置为：接收与所述机器学习模型对应的量化函数。7.如权利要求1所述的设备，其中，所述至少一个处理器被配置为：训练所述机器学习模型。8.如权利要求7所述的设备，其中，所述至少一个处理器被配置为：使用量化函数来训练所述机器学习模型。9.如权利要求7所述的设备，其中，所述机器学习模型是生成模型，并且所述至少一个处理器被配置为：使用重建模型来训练所述生成模型，其中，所述重建模型被配置为：基于所述表示来重建所述信道信息。10.如权利要求9所述的设备，其中：所述生成模型包括编码器；并且所述重建模型包括解码器。11.如权利要求9所述的设备，其中，所述至少一个处理器被配置为：接收...

【专利技术属性】
技术研发人员：哈米德，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：