用于AI/ML使能的CSI压缩的基于超分辨率神经网络的性能增强的制作方法

摘要: 本公开的示例实施例总体涉及通信领域,尤其涉及用于对ai/ml使能的信道状态信息(csi)压缩进行基于超分辨率(sr)神经网络的性能增强的网络设备、方法、装置和计...
用于AI/ML使能的CSI压缩的基于超分辨率神经网络的性能增强的制作方法

本公开的示例实施例总体涉及通信领域,尤其涉及用于对ai/ml使能的信道状态信息(csi)压缩进行基于超分辨率(sr)神经网络的性能增强的网络设备、方法、装置和计算机可读介质。

背景技术:

1、通信网络可以被视为使两个或更多通信设备之间能够进行通信或者为通信设备提供对数据网络的接入的设施。移动或无线通信网络是通信网络的一个示例。

2、这种通信网络根据诸如由第三代合作伙伴计划(3gpp)或欧洲电信标准协会(etsi)发布的标准进行操作。这种标准的示例包括所谓的第五代(5g)标准或由3gpp发布的其他标准。

技术实现思路

1、总体而言,本公开的示例实施例提供针对训练框架的解决方案,尤其是针对用于对ai/ml使能的csi压缩进行基于超分辨率(sr)神经网络的性能增强的训练框架的解决方案。

2、在第一方面,提供了一种网络设备。该网络设备包括至少一个处理器和至少一个存储器,该至少一个存储器存储指令,该指令在由至少一个处理器执行时,使得网络设备:在包括高分辨率(hr)信道数据的训练数据集上,训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

3、在第二方面,提供了一种方法。该方法包括:在包括高分辨率(hr)信道数据的训练数据集上,训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

4、在第三方面,提供了一种装置。该装置包括:用于在包括高分辨率(hr)信道数据的训练数据集上,训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型的装置,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

5、在第四方面,提供了一种非暂时性计算机可读存储介质,该非暂时性计算机可读存储介质存储指令。该指令在由装置执行时,使得装置至少执行:在包括高分辨率(hr)信道数据的训练数据集上,训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

6、在第五方面,提供了一种计算机程序,包括指令,该指令在由装置执行时,使得装置至少:在由装置执行时,使得装置至少执行:在包括高分辨率(hr)信道数据的训练数据集上训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

7、在第六方面,提供了一种网络设备。该网络设备包括:训练电路系统,被配置为当由装置执行时,使得该装置至少执行:在包括高分辨率(hr)信道数据的训练数据集上训练基于人工智能/机器学习(ai/ml)的信道状态信息(csi)解码器和超分辨率神经网络(srnn)模型,其中基于ai/ml的csi解码器被配置为向srnn模型输出经解码的低分辨率(lr)信道数据,并且其中srnn模型被配置为基于经解码的lr信道数据输出hr信道数据。

8、应理解, 技术实现要素: 部分并非旨在标识本公开的实施例的关键或必要特征,也并非旨在用于限制本公开的范围。通过以下描述,本公开的其他特征将变得易于理解。

1. 一种网络设备,包括:

2.根据权利要求1所述的网络设备,其中为了训练所述基于ai/ml的csi解码器和所述srnn模型,所述网络设备被使得:

3.根据权利要求2所述的网络设备,其中所述基于ai/ml的csi编码器是所述网络设备处的假设csi编码器。

4. 根据权利要求2所述的网络设备,其中用于所述联合训练的损失函数包括以下至少一项:

5.根据权利要求2所述的网络设备,其中所述网络设备还被使得:

6. 根据权利要求2所述的网络设备,其中所述网络设备还被使得:

7.根据权利要求6所述的网络设备,其中所述网络设备还被使得:

8.根据权利要求1所述的网络设备,其中所述网络设备还被使得:

9.根据权利要求1所述的网络设备,其中为了输出所述hr信道数据,所述srnn模型被配置为使用上采样因子对经解码的所述lr信道数据进行上采样。

10.根据权利要求9所述的网络设备,其中所述上采样因子为2或4。

11.根据权利要求1所述的网络设备,其中所述训练数据集的所述hr信道数据包括合成hr信道数据。

12.根据权利要求1所述的网络设备,其中所述网络设备还被使得:

13. 根据权利要求12所述的网络设备,其中为了生成所述合成hr信道数据,所述网络设备被使得:

14.根据权利要求1所述的网络设备,其中所述网络设备还被使得:

15.根据权利要求12所述的网络设备,其中所述prg捆绑大小包括以下至少一项:

16.根据权利要求12所述的网络设备,所述网络设备还被使得:

17.根据权利要求14所述的网络设备,其中为了配置所述ue以针对与pmi子带相关联的多个prg中的至少一个prg报告csi,所述网络设备被使得:

18.一种方法,包括:

19.一种装置,包括:

20.一种非暂时性计算机可读介质,包括程序指令,所述程序指令在由装置执行时,使得所述装置至少执行: