用于基于机器学习的CSI压缩的方法和系统与流程

本公开涉及无线通信，尤其涉及用于使用机器学习压缩信道状态信息（channelstate information，csi）的方法和系统。

背景技术：

1、在5g新空口（new radio，nr）中，准确的信道状态信息（csi）对于实现波束成形和空间复用等高级技术至关重要。但是，5g nr系统中的大规模天线阵列和宽带信道会产生高维csi，如果不经过压缩直接上报，可能会导致过高开销。为解决这个问题，3gpp在版本r15（release 15）中对5g nr的csi压缩技术进行了标准化。5g nr版本r15中规定的压缩技术并非数据驱动的，其依赖于根据关于信道的数学模型和假设推导出的预定义码本和压缩矩阵。然而，随着人工智能（artificial intelligence，ai）和机器学习（machine learning，ml）技术的出现，探索用于csi压缩的数据驱动方法引起了广泛关注，这些方法可以通过适应实际的信道统计和动态变化来潜在地提高性能。

2、一种已被研究的方法是使用双侧ai/ml模型进行csi压缩。在该框架中，联合训练一对ai/ml模型（通常为深度神经网络）：用户设备（user equipment，ue）侧的编码器模型和gnodeb（gnb）侧的解码器模型。ue侧的编码器模型将高维csi（通常为预编码矩阵）压缩为低维表示，然后将其反馈给gnb。然后，gnb侧的解码器模型根据该压缩表示重建原始csi。但是，在厂商间协作、模型复杂度管理和部署考量等方面仍然面临诸多挑战。

3、因此，需要提供一种方案，能够改进不同厂商之间用于csi压缩的双侧ai/ml模型的互操作性，但这也颇具挑战。

技术实现思路

1、在各种示例中，本公开描述了用于使用机器学习压缩csi的方法、系统和计算机可读介质。特别地，本公开描述了使用基于机器学习的编码器和解码器模型来使csi（特别是预编码矩阵的向量）能够以压缩表示进行传输的方法、系统和计算机可读介质。本公开的示例提供了一种集中式数据中心，在该集中式数据中心处，可以存储用于训练神经网络以实现编码器和解码器模型的数据。ue获取的预编码向量可以使用稀疏表示存储在数据中心处，该稀疏表示使得能够更高效地训练编码器和解码器模型。

2、本公开的示例可以提供以下技术优势：使中央数据中心能够维护用于训练编码器模型或训练解码器模型的数据，而不要求编码器模型依赖于解码器模型的架构或复杂度（或反之亦然）。这有助于通过实现可以相互独立开发的编码器和解码器模型的更大灵活性和优化来提高整个通信系统的效率。另一个技术优势是，通过使用稀疏表示将预编码向量数据存储在数据中心处，可以实现内存资源的显著节省。

3、本公开的示例还可以提供以下技术优势：通过使部署在ue处的编码器模型更好地适应ue处的有限资源和感兴趣的特定空间特征，可以更高效地使用计算资源。同时，部署在具有更多资源、服务于更大空间区域的网络实体处的解码器模型可被开发为更复杂。通过这种方式，本公开的示例可以实现更好的ue侧和网络侧的效率和/或性能。

4、本公开的示例可以提供以下技术优势：可以针对比当前使用固定预编码器码本所允许的更复杂的场景传输csi。这可以有助于改进资源分配和其它网络操作。

5、本公开的一些实施例可以包括以下特征中的一个或多个特征，这些特征可以单独采用，也可以一起作为完整的方案。

6、在第一方面的示例中，本公开描述了一种方法，包括：接收数据，所述数据包括与用户设备（ue）相关联的预编码向量；将所述预编码向量转换为系数向量，所述系数向量表示来自表示集合的一个或多个选定代表向量的线性组合，所述表示集合由一个或多个代表向量定义，所述系数向量可用于训练神经网络以执行预编码向量编码任务或预编码向量解码任务。

7、在第一方面的上述示例的一个示例中，将所述预编码向量转换为所述系数向量可以包括：计算候选向量以将所述预编码向量表示为来自所述表示集合的一个或多个候选代表向量的线性组合；以及确定所述候选向量满足稀疏性阈值；其中，在确定所述候选向量满足所述稀疏性阈值之后，所述候选向量可以为所述系数向量，所述一个或多个候选代表向量可以为所述一个或多个选定代表向量。

8、在第一方面的上述示例的一个示例中，将所述预编码向量转换为所述系数向量可以包括：确定所述表示集合不能表示所述预编码向量；通过将所述预编码向量作为新代表向量包括在所述表示集合中来更新所述表示集合；在所述更新之后将所述预编码向量转换为所述系数向量。

9、在第一方面的上述示例的一个示例中，确定所述表示集合不能表示所述预编码向量可以包括：在所述更新之前，计算候选向量，以将所述预编码向量表示为来自所述表示集合的一个或多个候选代表向量的线性组合；以及确定所述候选向量不满足稀疏性阈值。

10、在第一方面的任一上述示例的一个示例中，所述方法还可以包括：跟踪所述表示集合中的每个代表向量的使用情况和/或存在时长；以及通过基于所述跟踪的使用情况和/或存在时长删除过时的代表向量来更新所述表示集合。

11、在第一方面的一些上述示例的一个示例中，所述方法还可以包括：发送控制消息，所述控制消息指示对所述表示集合的更新。

12、在第一方面的任一上述示例的一个示例中，所述方法还可以包括：发送控制消息，所述控制消息指示要由所述ue用于生成所述预编码向量的一个或多个参数；其中，所述预编码向量可以响应于所述控制消息接收。

13、在第一方面的任一上述示例的一个示例中，所述接收到的数据还可以包括辅助信息，所述辅助信息与所述ue为生成所述预编码向量而进行的数据采集相关，并且，对应于所述预编码向量的所述系数向量可以与所述辅助信息相关联。

14、在第一方面的上述示例的一个示例中，所述辅助信息可以包括以下各项中的一项或多项：关于所述数据采集中使用的频率子带的信息；关于所述数据采集中使用的资源块的信息；关于所述数据采集中使用的天线配置的信息；以及关于所述数据采集的过程中的地理位置的信息。

15、在第一方面的任一上述示例的一个示例中，所述方法还可以包括：将所述系数向量提供给所述神经网络用于训练以执行所述预编码向量编码任务或所述预编码向量解码任务。

16、在第一方面的任一上述示例的一个示例中，所述方法还可以包括：基于从预编码向量转换得到的一个或多个系数向量生成合成系数向量；其中，所述合成系数向量可以还可用于训练所述神经网络以执行所述预编码向量编码任务或所述预编码向量解码任务。

17、在第一方面的上述示例的一个示例中，所述方法还可以包括：将所述合成系数向量提供给所述神经网络用于训练以执行所述预编码向量编码任务或所述预编码向量解码任务。

18、在第一方面的任一上述示例的一个示例中：所述方法可以在包括所述ue的无线通信系统的数据中心处执行；所述一个或多个代表向量的集合可以维护在所述数据中心的存储器中；所述系数向量可以存储在数据集中，所述数据集维护在所述数据中心的所述存储器中，并可用于训练所述神经网络以执行所述预编码向量编码任务或所述预编码向量解码任务。

19、在第一方面的上述示例的一个示例中，所述方法可以包括：发送所述数据集中的系数向量，用于训练所述神经网络以执行所述预编码向量解码任务，其中，所述发送的系数向量是从整个数据集中采样的。

20、在第一方面的上述示例的一个示例中，所述方法可以包括：发送所述数据集中的系数向量，用于训练所述神经网络以执行所述预编码向量编码任务，其中，所述发送的系数向量是从所述数据集的选定子数据集中采样的，所述选定子数据集包含与感兴趣的空间特征相关联的系数向量，并且，所述发送的系数向量对应于选定表示子集，所述选定表示子集从所述表示集合中省略至少一个代表向量，并且与所述感兴趣的空间特征相关联。

21、在第一方面的上述示例的一个示例中，所述方法可以包括：发送用于在所述表示子集与所述表示集合之间进行映射的映射信息。

22、在第一方面的一些上述示例的一个示例中，所述发送的系数向量可以紧凑向量形式发送，所述紧凑向量形式小于用于在所述数据集中存储所述系数向量的扩展向量形式，所述紧凑向量形式省略了与从所述表示子集中省略的至少一个代表向量相对应的元素。

23、在第一方面的上述示例的一个示例中，所述映射信息还可以在所述紧凑向量形式与所述扩展向量形式之间进行映射。

24、在第二方面的一个示例中，本公开描述了一种方法，包括：从定义表示集合的一个或多个代表向量的集合中获取一个或多个代表向量的选定子集，所述一个或多个代表向量的选定子集定义小于所述表示集合的表示子集；获取系数向量，其中，每个系数向量表示来自所述表示子集的一个或多个选定代表向量的线性组合，所述线性组合对应于预编码向量；以及训练神经网络以执行预编码向量编码任务，其中，在训练期间，每个系数向量被转换为对应的预编码向量，并且所述对应的预编码向量用于训练所述神经网络。

25、在第二方面的上述示例的一个示例中，训练所述神经网络可以包括：将所述对应的预编码向量作为输入提供给所述神经网络并获取输出；以及训练所述神经网络，以最小化所述神经网络生成的所述输出与对应于所述预编码向量的所述系数向量之间的误差。

26、在第二方面的任一上述示例的一个示例中，所述系数向量可以从选定子数据集中采样的，所述选定子数据集包含与感兴趣的空间特征相关联的系数向量，所述子数据集中的每个系数向量可使用所述表示子集转换为相应的预编码向量。

27、在第二方面的上述示例的一个示例中，每个系数向量可以以对应于所述表示子集的紧凑向量形式获取，所述紧凑向量形式小于对应于所述表示集合的扩展向量形式。

28、在第二方面的任一上述示例的一个示例中，所述方法还可以包括：部署所述训练后的神经网络以执行所述预编码向量编码任务。

29、在第二方面的上述示例的一个示例中，所述训练后的神经网络可以部署在用户设备（ue）处。

30、在第二方面的任一上述示例的一个示例中，所述方法还可以包括：更新所述表示子集，以包括来自所述表示集合的新代表向量或从所述表示子集中排除过时的代表向量；获取对应于所述更新后的表示子集的另一组系数向量；以及使用所述另一组系数向量重新训练所述神经网络，以执行所述预编码向量编码任务。

31、在第三方面的一个示例中，本公开描述了一种方法，包括：获取定义表示集合的一个或多个代表向量的集合；获取系数向量，其中，每个系数向量表示来自所述表示集合的一个或多个选定代表向量的线性组合，所述线性组合对应于预编码向量；以及训练神经网络以执行预编码向量解码任务，其中，在训练期间，每个系数向量用于训练所述神经网络。

32、在第三方面的上述示例的一个示例中，训练所述神经网络可以包括：将所述系数向量作为输入提供给所述神经网络并获取输出；训练所述神经网络，以最小化所述神经网络生成的所述输出与对应于所述系数向量的所述预编码向量之间的误差。

33、在第三方面的任一上述示例的一个示例中，所述方法可以包括：接收对所述表示集合的更新，其中，所述神经网络响应于所述更新被重新训练。

34、在第三方面的任一上述示例的一个示例中，所述方法可以包括：接收与所述训练后的神经网络的性能相关的反馈；以及使用所述反馈进一步细化所述神经网络的训练。

35、在第三方面的任一上述示例的一个示例中，所述神经网络可以使用迁移学习进行训练，其中，经过预训练的神经网络可以进一步使用所述系数向量进行训练。

36、在第三方面的任一上述示例的一个示例中，所述方法可以包括：部署所述训练后的神经网络以执行所述预编码向量解码任务。

37、在第三方面的上述示例的一个示例中，所述方法可以包括：接收系数向量；以及使用所述训练后的神经网络从所述系数向量中解码预编码向量。

38、在第三方面的上述示例的一个示例中，所述方法可以包括：获取表示子集与所述表示集合之间的映射，所述表示子集由来自所述表示集合的一个或多个代表向量的选定子集定义；其中，所述系数向量可以以对应于所述表示子集的紧凑向量形式接收；以及所述系数向量可以使用所述映射从所述紧凑向量形式转换为对应于所述表示集合的扩展向量形式，所述解码是对呈所述扩展向量形式的所述系数向量执行的。

39、在第四方面的一个示例中，本公开描述了一种方法，所述方法包括：接收系数向量，所述系数向量表示来自表示集合的一个或多个选定代表向量的线性组合，所述表示集合由一个或多个代表向量定义，并且，所述线性组合对应于预编码向量；以及使用训练后的神经网络从所述系数向量中解码所述预编码向量，其中，所述训练后的神经网络已经过训练以执行预编码向量解码任务。

40、在第四方面的上述示例的一个示例中，所述方法可以包括：获取表示子集与所述表示集合之间的映射，所述表示子集由来自所述表示集合的一个或多个代表向量的选定子集定义；其中，所述系数向量可以以对应于所述表示子集的紧凑向量形式接收；以及所述系数向量可以使用所述映射从所述紧凑向量形式转换为对应于所述表示集合的扩展向量形式，所述解码是对呈所述扩展向量形式的所述系数向量执行的。

41、在第四方面的任一上述示例的一个示例中，所述方法可以包括：将所述解码后的预编码向量和对应的原始系数向量存储为数据对，用于对所述训练后的神经网络进行进一步分析/细化。

42、在第四方面的任一上述示例的一个示例中，所述方法可以包括：发送所述解码后的预编码向量以用于优化网络操作和/或资源分配。

43、在第五方面的一个示例中，本公开描述了一种方法，包括：获取预编码向量；使用训练后的神经网络将所述预编码向量编码为系数向量，所述系数向量表示来自表示子集的一个或多个选定代表向量的线性组合，所述表示子集由一个或多个代表向量定义，其中，所述线性组合对应于所述预编码向量；以及发送所述系数向量。

44、在第五方面的上述示例的一个示例中，所述系数向量可以作为预编码矩阵指示（precoding matrix indicator，pmi）发送。

45、在第五方面的任一上述示例的一个示例中，所述方法可以包括：从控制信号中获取所述训练后的神经网络的参数。

46、在第五方面的上述示例的一个示例中，所述方法可以包括：基于从网络实体接收的反馈更新所述训练后的神经网络。

47、在第五方面的任一上述示例的一个示例中，所述预编码向量可以基于来自网络实体的控制消息所指示的一个或多个参数获取。

48、在第五方面的任一上述示例的示例中，所述方法可以包括：随所述系数向量一起发送与所述预编码向量相关的辅助信息。

49、在另一个示例性方面中，本公开描述了一种网络实体或装置，包括：存储器；处理器，用于执行存储在所述存储器中的指令以使所述网络实体或装置执行所述方法的任一上述示例性方面。

50、在另一个示例性方面中，本公开描述了一种存储有机器可执行指令的非瞬时性计算机可读介质，其中，所述指令当由网络实体或装置执行时，使所述网络实体或装置执行所述方法的任一上述示例性方面。

51、在另一个示例性方面中，本公开描述了一种处理模块，用于控制网络实体或装置以使所述网络实体或装置执行所述方法的任一上述示例性方面。

52、在任一上述示例中，所述网络实体可以为数据中心。在任一上述示例中，所述网络实体可以为一个或多个用户设备（ue）提供服务。在任一上述示例中，所述网络实体可以为一个或多个基站（base station，bs）提供服务。

53、在另一个示例性方面中，本公开描述了一种计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使所述计算机执行所述方法的任一上述示例性方面。