传输方法及设备与流程

1.本发明实施例涉及通信技术领域，具体涉及一种传输方法及设备。


背景技术：

2.无线通信物理层设计已经历了数十年发展，目前呈现出高度模块化的特点：即传输链路由若干个相互独立并具有不同功能的模块级联构成，而每个模块负责完成专门的信号处理过程。
3.参见图1，原始消息(message)依次经过信源编码、信道编码、调制等过程后通过信道，到达接收端后再经历信道均衡(包含信道中各偏差(offsets)因素估计)、解调、信道译码、信源解码等过程得到最终的接收消息。在实际系统中，考虑到与上层的信令交互、资源映射、以及不同传输技术(例如多天线技术等)的使用，具体模块分布与功能会出现相应变化。
4.随着技术的演进，物理层链路的模块数量逐渐增多，这使得模块间接口及信号流程的复杂程度大幅增加，降低了系统结构的灵活性，增加了系统的部署成本。


技术实现要素：

5.本发明实施例的一个目的在于提供一种传输方法及设备，解决物理层链路的模块化导致系统结构灵活性较差以及增加系统部署成本的问题。
6.第一方面，本发明实施例提供一种传输方法，应用于第一设备，包括：
7.根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；
8.通过所述发送端或接收端神经网络模型与所述第二设备进行数据传输。
9.可选地，所述方法还包括：
10.获取信道类型和与所述信道类型对应的通信参数；
11.根据所述信道类型和通信参数，进行仿真信道训练，得到与所述信道类型对应的发送端或接收端神经网络模型集合。
12.可选地，所述信道类型包括以下之一：室内信道、室外信道、视距信道、非视距信道、低频段信道和高频段信道。
13.可选地，所述通信参数包括以下一项或多项：信噪比、支持速率、支持数据流个数和支持通道数。
14.可选地，所述第一设备为接收端，第二设备为发送端；
15.所述根据所述第一设备与第二设备的交互，确定所述第一设备的接收端神经网络模型，包括：
16.从所述第二设备接收第一信号；
17.根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择一组接收
端神经网络模型；
18.或者，
19.根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择多组接收端神经网络模型；
20.获取所述第二设备从所述第二设备的发送端神经网络模型集合中选择的一组发送端神经网络模型；
21.根据所述第二设备选择的一组发送端神经网络模型，从所述多组接收端神经网络模型中选择一组接收端神经网络模型。
22.可选地，所述方法还包括：
23.向所述第二设备发送第一信息；
24.其中，所述第一信息包括以下一项或多项：
25.所述第一设备基于所述第一信号选择的一组或多组接收端神经网络模型的信息；
26.所述第一设备配置所述第二设备是否调整发送端神经网络模型的信息；
27.用于调整接收端神经网络模型的损失函数的信息。
28.可选地，所述方法还包括：
29.从所述第二设备接收第二信息；
30.其中，所述第二信息包括以下一项或多项：
31.所述第二设备选择的一组发送端神经网络模型的信息；
32.所述第二设备配置所述第一设备是否调整发送端神经网络模型的信息；
33.用于调整接收端神经网络模型的参考信号的信息；
34.用于调整接收端神经网络模型的损失函数的信息。
35.可选地，所述第一设备为发送端，第二设备为接收端；
36.所述根据所述第一设备与第二设备的交互，确定所述第一设备的发送端神经网络模型，包括：
37.获取所述第二设备从所述第二设备的接收端神经网络模型集合中选择的一组或多组接收端神经网络模型；
38.根据所述第二设备选择的一组或多组接收端神经网络模型，从所述第一设备的发送端神经网络模型集合中选择一组发送端神经网络模型。
39.可选地，所述方法还包括：
40.向所述第二设备发送第三信息，所述第三信息包括以下一项或多项：
41.所述第一设备选择的一组发送端神经网络模型的信息；
42.用于调整接收端神经网络模型的参考信号的信息；
43.用于调整接收端神经网络模型的损失函数的信息；
44.所述第一设备配置所述第二设备是否调整接收端神经网络模型的信息。
45.可选地，所述通过所述发送端或接收端神经网络模型向所述第二设备传输数据，包括：
46.对选择的所述发送端或接收端神经网络模型进行调整；
47.通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
48.可选地，所述第一设备为接收端，所述第二设备为发送端，所述对选择的所述发送
端神经网络模型进行调整，包括：
49.从所述第二设备接收用于调整接收端神经网络模型的参考信号，所述参考信号是所述第二设备利用其选择的一组发送端神经网络模型发送的；
50.根据用于调整接收端神经网络模型的损失函数和所述参考信号，对所述第一设备选择的一组接收端神经网络模型进行调整；
51.其中，所述损失函数是所述第二设备提供的。
52.可选地，所述方法还包括：
53.如果所述第一设备配置所述第二设备调整发送端神经网络模型，则向所述第二设备发送损失函数值，所述损失函数值是所述第一设备根据所述损失函数和所述参考信号计算得到的。
54.可选地，所述第一设备为发送端，所述第二设备为接收端，所述对选择的发送端神经网络模型进行调整，包括：
55.从所述第二设备接收损失函数值；
56.根据所述损失函数值，对所述第一设备选择的一组发送端神经网络模型进行调整；
57.其中，所述损失函数值是所述第二设备根据用于调整收发机神经网络模型的损失函数和接收到的用于调整收发机神经网络模型的参考信号计算得到的；所述损失函数是所述第一设备提供的；所述参考信号是所述第一设备利用其选择的一组收发机神经网络模型发送给所述第二设备的。
58.可选地，所述通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输，包括：
59.在满足预设条件的情况下，通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
60.可选地，所述预设条件包括以下一项或多项：
61.所述发送端或接收端神经网络模型的调整次数达到预设值；
62.接收到停止所述发送端或接收端神经网络模型调整的指示；
63.调整后的发送端或接收端神经网络模型满足所述第一设备的传输需求。
64.第二方面，本发明实施例还提供一种通信设备，所述通信设备为第一设备，所述第一设备包括：
65.确定模块，用于根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；
66.传输模块，用于通过所述发送端或接收端神经网络模型与所述第二设备进行数据传输。
67.第三方面，本发明实施例还提供一种通信设备，所述通信设备为第一设备，所述第一设备包括：处理器；
68.所述处理器读取存储器中的程序执行以下操作：根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；通过所述发送端
或接收端神经网络模型与所述第二设备进行数据传输。
69.第四方面，本发明实施例还提供一种通信设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现包括如第一方面所述的传输方法的步骤。
70.第五方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现包括如第一方面所述的传输方法的步骤。
71.在本发明实施例中，通信系统中的发送端或接收端可以根据当前信道环境选择适合的神经网络模型进行数据传输，通过神经网络模型实现收发机的功能，提高系统结构的灵活性，降低系统的部署成本。
附图说明
72.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
73.图1为物理层链路模块示意图；
74.图2a和图2b为基于神经网络实现的端到端通信系统示意图；
75.图3为本发明实施例应用于的无线通信系统的示意图；
76.图4为本发明实施例的传输方法的流程示意图之一；
77.图5a和图5b为本发明实施例的传输方法的流程示意图之二；
78.图6为传统lte发送端信号处理流程示意图；
79.图7为本发明实施例中基于神经网络实现的物理层链路下行发送端信号处理流程示意图；
80.图8为本发明实施例中离线训练模型集合的示意图；
81.图9为本发明实施例的传输方法的流程示意图之三；
82.图10为本发明实施例的第一设备的示意图之一；
83.图11为本发明实施例的第一设备的示意图之二；
84.图12为本发明实施例的第一设备的示意图之三。
具体实施方式
85.参见图2a和图2b，示意出神经网络实现的端到端通信系统实现框架，其中图2a中发射机和接收机完全通过神经网络实现，图2b中发射机和接收机由神经网络与传统信号处理模块组合实现。
86.需要说明的是，在实际系统中并非一定要按图2a所示的用神经网络实现整个发射机(接收机)；或者，也可以仅利用神经网络实现部分物理层功能，比如信道编码-调制-mimo，而对于剩余功能，如ofdm调制等，按照传统方式实现，如图2b所示。利用神经网络实现物理层收发机的主要优点在于可以实现多个模块间的联合优化，并且神经网络天然具有高度并行特性，可以利用专用硬件进行计算加速。
87.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
88.本技术的说明书和权利要求书中的术语“包括”以及它的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，说明书以及权利要求中使用“和/或”表示所连接对象的至少其中之一，例如a和/或b，表示包含单独a，单独b，以及a和b都存在三种情况。
89.在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
90.本文所描述的技术不限于长期演进型(long time evolution，lte)/lte的演进(lte-advanced，lte-a)系统，并且也可用于各种无线通信系统，诸如码分多址(code division multiple access，cdma)、时分多址(time division multiple access，tdma)、频分多址(frequency division multiple access，fdma)、正交频分多址(orthogonal frequency division multiple access，ofdma)、单载波频分多址(single-carrier frequency-division multiple access，sc-fdma)和其他系统。
91.术语“系统”和“网络”常被可互换地使用。cdma系统可实现诸如cdma2000、通用地面无线电接入(universal terrestrial radio access，utra)等无线电技术。utra包括宽带cdma(wideband code division multiple access，wcdma)和其他cdma变体。tdma系统可实现诸如全球移动通信系统(global system for mobile communication，gsm)之类的无线电技术。ofdma系统可实现诸如超移动宽带(ultra mobile broadband，umb)、演进型utra(evolution-utra，e-utra)、ieee 802.11(wi-fi)、ieee 802.16(wimax)、ieee 802.20、flash-ofdm等无线电技术。utra和e-utra是通用移动电信系统(universal mobile telecommunications system，umts)的部分。lte和更高级的lte(如lte-a)是使用e-utra的新umts版本。utra、e-utra、umts、lte、lte-a以及gsm在来自名为“第三代伙伴项目”(3rd generation partnership project，3gpp)的组织的文献中描述。cdma2000和umb在来自名为“第三代伙伴项目2”(3gpp2)的组织的文献中描述。本文所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。
92.参见图3下面结合附图介绍本发明的实施例。本发明实施例提供的一种传输方法及设备可以应用于无线通信系统中。参考图3，为本发明实施例提供的一种无线通信系统的架构示意图。如图3所示，该无线通信系统可以包括：网络设备31和终端32，终端32可以记做ue32，终端32可以与网络设备31通信(传输信令或传输数据)。在实际应用中上述各个设备之间的连接可以为无线连接，为了方便直观地表示各个设备之间的连接关系，图3中采用实线示意。
93.本发明实施例提供的网络设备31可以为基站，该基站可以为通常所用的基站，也可以为演进型基站(evolved node base station，enb)，还可以为5g系统中的网络设备(例如，下一代基站(next generation node base station，gnb)或发送和接收点
(transmission and reception point，trp))等设备。
94.本发明实施例提供的终端32可以为手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)、移动上网装置(mobile internet device，mid)、可穿戴式设备(wearable device)或车载设备等。
95.参见图4，本发明实施例提供一种传输方法，该方法的执行主体可以是第一设备，该第一设备可以是发送端，或者第一设备也可以是接收端：
96.步骤401：根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；
97.在本发明实施例中，发送端或接收端神经网络模型是指利用神经网络实现发送端或接收端中的部分功能所建立的模型，例如部分功能包括但不限于：编码(coding)、加扰(scrambling)、调制映射(modulation mapper)、层映射(layer mapper)、预编码(precoding)。
98.发送端或接收端神经网络模型集合是第一设备基于不同通信场景下的仿真训练得到的，其中不同的通信场景对应不同的信道类型和/或通信参数，示例性地，发送端或接收端神经网络模型集合是第一设备通过离线训练的方式得到的。
99.步骤402：通过所述发送端或接收端神经网络模型与所述第二设备进行数据传输。
100.例如，在下行系统中，第一设备(例如基站)通过发送端神经网络模型向第二设备(例如终端)进行数据传输，或者，在上行系统中，第一设备(例如终端)通过发送端神经网络模型向第二设备(例如基站)进行数据传输。
101.在一些实施方式中，发送端或接收端神经网络模型集合是第一设备基于不同通信场景下的仿真训练得到的，其中不同的通信场景对应不同的信道类型和/或通信参数。
102.可选地，通过离线训练的方式得到发送端或接收端神经网络模型集合，具体包括：获取信道类型和与所述信道类型对应的通信参数；根据所述信道类型和通信参数，进行仿真信道训练，得到与所述信道类型对应的发送端或接收端神经网络模型集合。
103.例如，根据与所述信道类型对应的仿真信道模型和所述通信参数，进行仿真信道训练，可以理解的是，在训练过程中，可以对通信参数进行调整，从而可以得到对应信道类型的多个发送端或接收端神经网络模型(即发送端或接收端神经网络模型集合)。
104.其中，所述信道类型用于表示通信环境，该信道类型可以包括以下之一：室内信道、室外信道、视距信道、非视距信道、低频段信道和高频段信道等。
105.其中，所述通信参数用于表示通信环境的相关参数，该通信参数可以包括以下一项或多项：信噪比、支持速率、支持数据流个数、支持通道数等。
106.通过上述方式训练得到的发送端或接收端神经网络模型集合可以满足不同无线信道的传输性能的要求，可以应对复杂多变且快速变化的无线信道，通过在训练过程中对通信参数的调整获得发送端或接收端神经网络模型集合，减少训练开销，降低发送端或接收端神经网络模型集合部署的难度。
107.在本发明实施例中，第一设备可以根据与第二设备的交互，确定一组用于数据传输的发送端或接收端神经网络模型。
108.其中，交互包括：接收第二设备发送的信号，该信号是由发送端供给接收端用于信道估计或信道探测的信号，例如参考信号。或者，交互也可以包括：接收第二设备反馈的其选择发送端或接收端神经网络模型的结果。
109.(一)以第一设备为接收端，第二设备为发送端为例，介绍第一设备如何选择接收端神经网络模型。
110.在一些实施方式中步骤401可以包括：从所述第二设备接收第一信号；根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择一组接收端神经网络模型。
111.可选地，第一信号包括：系统广播消息和/或参考信号。
112.在另一些实施方式中，步骤401可以包括：根据所述第一信号，从所述第一设备的接收端神经网络模型集合，选择多组接收端神经网络模型，获取所述第二设备从所述第二设备的发送端神经网络模型集合中选择的一组发送端神经网络模型；根据所述一组发送端神经网络模型，从所述多组接收端神经网络模型中选择一组接收端神经网络模型。
113.在一些实施方式中，在第一设备选择一组或多组接收端神经网络模型之后，所述方法还包括：
114.向所述第二设备发送第一信息，所述第一信息包括以下一项或多项：
115.(1)所述第一设备基于所述第一信号选择的一组或多组接收端神经网络模型的信息，该信息可以是一组或多组接收端神经网络模型在集合中的索引。
116.可以理解的是，第二设备可以根据该信息从第二设备的发送端神经网络模型集合中选择对应的一组收发机神经网络模型。
117.(2)用于调整接收端神经网络模型的损失函数的信息，例如，该损失函数的信息可以是该损失函数本身，或者也可以是损失函数在集合中的索引。
118.可以理解的是，损失函数用于表示接收端神经网络模型进行调整的优化目标，可选地，损失函数包括但不限于：接收端比特级对数似然比(llr)；接收端符号级对数似然比等。
119.(3)所述第一设备配置所述第二设备是否调整发送端神经网络模型的信息
120.上述第一信息可以是控制信息，例如上行控制信息，当然并不限于此。
121.上述调整可以理解为微调或者优化，即根据实时信号的发送或接收情况，对之前选择的接收端神经网络模型进行微调或者优化，这样经过微调或优化后的接收端神经网络模型可以更好的满足发送端和接收端之间的信道传输。
122.在一些实施方式中，方法还可以包括：
123.从所述第二设备接收第二信息；其中，所述第二信息包括以下一项或多项：
124.(1)所述第二设备选择的一组发送端神经网络模型的信息，所述一组发送端神经网络模型是所述第二设备根据第一设备上报的接收端神经网络模型选择结果从所述第二设备的发送端神经网络模型集合中对应选择的。
125.可以理解的是，此步骤为可选步骤，只有当第一设备基于第一信号选择多组接收端神经网络模型时，该第一设备才需要获取第二设备的选择结果。
126.(2)用于调整接收端神经网络模型的参考信号的信息，该信息可以是参考信号的类型；
127.也就是，第二设备可以向第一设备指定调整接收端神经网络模型的参考信号。
128.(3)用于调整接收端神经网络模型的损失函数的信息，例如，该损失函数的信息可以是该损失函数本身，或者也可以是损失函数在集合中的索引。
129.可以理解的是，损失函数用于接收端神经网络模型进行调整的优化目标，可选地，损失函数包括但不限于：接收端比特级对数似然比(llr)；接收端符号级对数似然比等。
130.(4)所述第二设备配置所述第一设备是否调整接收端神经网络模型的信息。
131.也就是，第一设备可以允许第二设备调整接收端神经网络模型，或者禁止第二设备调整接收端神经网络模型，这样可以灵活调整第二设备的计算负担。
132.上述调整可以理解为微调或者优化，即根据实时信号的发送或接收情况，对之前选择的接收端神经网络模型进行微调或者优化，这样经过微调或优化后的接收端神经网络模型可以更好的满足发送端和接收端之间的信道传输。
133.可以理解的是，第二信息可以是控制信息，当然并不限于此。
134.为了使得第一设备和第二设备各自选择的接收端或发送端神经网络模型满足发送端和接收端之间的信道通信要求，在本发明实施例中，第一设备可以将其选择的结果反馈给第二设备，第二设备根据第一设备的选择结果，选择发送端神经网络模型。如果第一设备之前选择了多组接收端神经网络模型，则第二设备再将其选择的发送端神经网络模型反馈给第一设备，第一设备根据第二设备选择的一组发送端神经网络模型从多组接收端神经网络模型中选择一个。
135.(二)以第一设备为发送端，第二设备为接收端为例，介绍第一设备如何确定发送端神经网络模型。
136.在一些实施方式中，步骤401可以包括：获取所述第二设备从所述第二设备的接收端神经网络模型集合中选择的一组或多组接收端神经网络模型；根据所述一组或多组接收端神经网络模型，从所述第一设备的发送端神经网络模型集合，选择一组发送端神经网络模型。
137.可选地，在选择一组发送端神经网络模型之后，所述方法还包括：
138.向所述第二设备发送第三信息，所述第三信息包括以下一项或多项：
139.(1)所述第一设备选择的一组发送端神经网络模型的信息；
140.可以理解是，(1)属于可选项。
141.(2)用于调整接收端神经网络模型的参考信号的信息；
142.(3)用于调整接收端神经网络模型的损失函数的信息；
143.(4)所述第一设备配置所述第二设备是否调整接收端神经网络模型的信息。
144.上述第三信息可以为上行控制信息，当然并不限于此。
145.可以理解的是，第一设备选择了用于传输数据的发送端神经网络模型之后，可以通过其选择的发送端神经网络模型传输数据，或者第一设备也可以通过实时的数据对之前选择的发送端神经网络模型进行调整，然后通过调整后的发送端神经网络模型传输数据。
146.这样，在本发明实施例中，对发送端神经网络模型采取至少两阶段训练的方式，即先离线利用仿真信道模型训练出发送端神经网络模型集合，再利用实际信道数据对发送端神经网络模型进行微调优化。一方面在于减小线上训练的复杂度与所需的数据量，从而将线上训练的开销控制在可以承受的范围内；另一方面在于仿真信道模型的解析形式使得梯度传递能够进行。
147.(一)以第一设备为接收端，第二设备为发送端为例，介绍第一设备如何调整收发机神经网络模型。
148.可选地，第一设备对选择的接收端神经网络模型进行调整的方式包括：
149.从所述第二设备接收用于调整接收端神经网络模型的参考信号，所述参考信号是所述第二设备利用其选择的一组发送端神经网络模型发送的；根据用于调整接收端神经网络模型的损失函数和所述参考信号，对所述第一设备选择的一组接收端神经网络模型进行调整；
150.其中，所述损失函数包括调整接收端神经网络模型所需的目标函数，且所述损失函数是所述第二设备提供的。
151.可选地，如果所述第一设备配置所述第二设备调整发送端神经网络模型，则向所述第二设备发送损失函数值，所述损失函数值是所述第一设备根据损失函数和所述参考信号计算得到的；
152.如果所述第一设备配置所述第二设备不调整发送端神经网络模型，则不向所述第二设备反馈所述损失函数值或者反馈空值。
153.(二)以第一设备为发送端，第二设备为接收端为例，介绍第一设备如何调整收发机神经网络模型。
154.可选地，对选择的所述发送端神经网络模型进行调整，包括：
155.从所述第二设备接收损失函数值；
156.根据所述损失函数值，对所述第一设备选择的一组发送端神经网络模型进行调整；
157.所述损失函数值是所述第二设备根据用于调整接收端神经网络模型的损失函数和接收到的用于调整接收端神经网络模型的参考信号计算得到的；所述损失函数是所述第一设备提供的；所述参考信号是所述第一设备利用其选择的一组发送端神经网络模型发送给所述第二设备的。
158.需要说明的是，在本发明实施例中，第一设备调整发送端神经网络模型的次数不做限定，上述实施例中介绍第一设备根据实时发送或接收的参考信号调整发送端神经网络模型，如果调整后的发送端神经网络模型无法满足数据传输要求，则可以再次进行发送端神经网络模型调整的步骤。
159.在一些实施方式中，该方法还包括：判断是否满足预设条件；如果满足预设条件，则通过调整后的发送端或接收端神经网络模型进行数据传输；否则，继续对进行数据神经网络模型进行调整。
160.可选地，所述预设条件包括以下一项或多项：
161.(1)所述发送端或接收端神经网络模型的调整次数达到预设值；
162.(2)接收到停止调整的指示；
163.(3)所述调整后的发送端或接收端神经网络模型满足所述第一设备的传输需求。
164.在本发明实施例中，通信系统中的发送端或接收端可以根据当前信道环境选择适合的收发机神经网络模型进行数据传输，通过神经网络模型实现收发机的功能，提高系统结构的灵活性，降低系统的部署成本。
165.在本发明实施例中，依据当前信道环境选择适合的神经网络模型进行数据传输。
其具体流程分可以包括：发送端或接收端神经网络模型集合的离线训练和发送端或接收端神经网络模型选择和优化，下面将依次介绍：
166.(一)发送端或接收端神经网络模型集合的离线训练；
167.在本步骤中，发送端和接收端可以建立发送端或接收端神经网络模型集合，以供数据传输阶段使用。
168.该发送端或接收端神经网络模型集合是基于不同通信场景下的仿真信道训练得到的，例如事先将可能出现的无线信道按室内或室外，视距或非视距，高频段或低频段等参数分类，再利用不同通信场景下的仿真信道训练得到一系列神经网络模型，并将训练结果存储于存储设备中。
169.上述在不同通信场景下训练神经网络模型的过程可以采用已有方法进行，包括但不限于随机梯度下降法(sgd)等。
170.在线上数据传输阶段，发送端和接收端可从相应存储设备中读取离线训练得到的神经网络模型集合。
171.在离线训练模型集合时，需要调整不同通信参数(如信噪比、模型输入维数、模型输出维数、支持数据流个数、支持通道个数等)以达到训练多个收发机神经网络模型模型的目的。
172.在调整上述通信参数时，需要使得不同组参数适于不同的传输环境与传输要求。例如，当系统采用图2b中的结构，并用神经网络实现了编码-调制功能时，可以仅选用信噪比、所支持的传输速率两个参数区分各个元素。而当系统用神经网络实现了编码-调制-多天线功能时，可以选用信噪比、模型输入维数、模型输出维数、支持数据流个数、支持通道个数四个参数区分各个元素。对于利用神经网络实现的收发机来说，其所支持的传输速率实际上由模型的输出维数与输入维数之比换算得出。
173.上述方法训练得到的发送端神经网络模型和接收端神经网络模型存在一定对应关系，即一个发送端神经网络模型对应于一个接收端神经网络模型。当在接收端(发射端)选择某个接收端神经网络模型时，意味着发送端需在选择二元组中的另一个发送端神经网络模型。
174.可以理解的是，发送端和接收端神经网络模型集合内的元素个数可灵活调整，并同时设置默认值。最后，集合内元素确定后并非不再改变，而是可以依据历史传输结果灵活调整，但注意调整后仍需保持发送端和接收端集合元素之间的对应关系不变。
175.此外，离线训练的结果需要在不同厂家的基站与终端设备中统一。为了实现这一点，可以采用由第三方(例如3gpp等标准组织)统一进行离线模式并规定离线训练结果的方式保证。需要说明的是，由于收发机结构几乎不变，所以上述过程可以离线进行，并且离线训练结果可以在相当长的一段时间内使用，而不必快速调整。
176.在一些实施方式中，上述离线训练过程的结果并非直接用于线上的数据传输过程。从保证传输性能的角度出发，发送端和接收端神经网络模型可以基于实际信道产生的数据进行训练。
177.然而，现有的利用实际信道数据进行训练面临两大难点。首先，神经网络的训练过程往往需要大量数据且计算开销巨大，将其直接放在线上进行往往占据大量无线信道资源且延迟巨大。此外，线上训练需解决梯度在信道中的传递问题。具体来说，现有的神经网络
训练算法均采用梯度传递的方式，而真实环境中的无线信道非常复杂，其梯度是否可导甚至是否存在都无法保证，因此接收端侧的梯度无法直接经过信道反向传播至发送端侧。
178.为了应对上述问题，在本发明实施例中，可以采取一种两阶段训练的方式，即先离线利用仿真信道模型粗训练出发送端或接收端神经网络模型集合，再利用实际信道数据对发送端或接收端神经网络模型进行微调优化。一方面在于减小线上训练的复杂度与所需的数据量，从而将线上训练的开销控制在可以承受的范围内；另一方面在于仿真信道模型的解析形式使得梯度传递能够进行。此外，为了解决线上微调时的梯度传递问题，在本发明实施例中，设计了相关信令用于在发送端和接收端之间传递必要参数，详细内容参考流程图5a和图5b与相关步骤5～9中的内容。
179.(二)发送端或接收端神经网络模型选择和优化
180.在建立发送端或接收端粗糙优化后的神经网络模型集合后，系统将通过信令交互确定发送端或接收端采用的神经网络模型，并利用实时的数据进一步优化发送端或接收端的神经网络模型。在实现过程中，可以仅考虑利用神经网络实现数据信道的传输，而对于控制信道和其他部分则仍然采用传统方法实现，因此图5a和5b中存在两种发送参考信号的方式，即通过传统物理层流程发送与通过神经网络发送参考信号。其具体步骤如下(鉴于上下行信令流程有所区别，故将上下行情况分开描述)：
181.参见图5a，发送端是基站，接收端是终端，包括步骤1～步骤10。
182.步骤1：发送端向接收端发送系统广播消息或者参考信号。
183.该参考信号是由发送端供给接收端用于信道估计或信道探测的信号，示例性地，基站以发送系统广播消息或参考信号的方式使终端测量实时信道。
184.可以理解的是，系统广播消息或参考信号的格式与发送可以参考现有的方式进行。
185.步骤2：接收端选择接收端神经网络模型。
186.例如，终端依据接收到的系统广播消息或参考信号，在离线训练得到的接收端神经网络模型集合中选择一组或多组接收端神经网络模型。
187.可以理解的是，步骤2中接收端选择接收端神经网络模型的方法包括但不限于：
188.(1)遍历搜索，比如，接收端按照预定的顺序在离线训练得到的接收端神经网络模型集合搜索部分或所有的接收端神经网络模型，从中选择一组或多组接收端神经网络模型；
189.(2)参数匹配，比如，接收端按照预定的参数，在离线训练得到的接收端神经网络模型集合中匹配得到对应一组或多组接收端神经网络模型。
190.可以理解的是，步骤2中确定需要选择的接收端神经网络模型数量的方法包括但不限于：(1)接收端自主确定，例如接收端根据本地算法确定数量；(2)发送端指示，例如，发送端通过信令指示数量。
191.步骤3：接收端向发送端反馈该接收端选择的一组或多组接收端神经网络模型；
192.例如，终端向基站发送上行控制信息(uplink control information，uci)，该uci指示终端所选的一组或多组接收端神经网络模型。
193.可以理解的是，接收端向发送端反馈的内容包括但不限于：一组或多组接收端神经网络模型的标识，例如，一组或多组接收端神经网络模型在集合中的索引。
194.步骤4：发送端选择发送端神经网络模型；
195.例如，基站根据终端反馈的一组或多组接收端神经网络模型，在离线训练得到的发送端神经网络模集合中选择一组发送端神经网络模型。
196.可以理解的是，步骤4中发送端选择发送端神经网络模型的方法包括但不限于：
197.(1)遍历搜索，比如，发送端按照预定的顺序在离线训练得到的发送端神经网络模型集合搜索部分或所有的发送端神经网络模型，从中选择一组发送端神经网络模型；
198.(2)参数匹配，比如，发送端按照预定的参数，在离线训练得到的发送端神经网络模型集合中匹配得到对应一组发送端神经网络模型。
199.步骤5：发送端向接收端发送指示信息，该指示信息指示以下一项或多项：
200.(a)发送端选择的一组发送端神经网络模型；
201.例如，当终端反馈多组接收端神经网络模型时，基站告知终端其选择的一组发送端神经网络模型，该指示信息指示的内容包括但不限于发送端神经网络模型在集合中的索引。
202.(b)参考信号；
203.也就是，接收端调整接收端神经网络模型时使用的参考信号。
204.调整接收端神经网络模型也可以称为微调接收端神经网络模型，或者优化接收端神经网络模型，即接收端根据接收到的参考信号对选择的接收端神经网络模型进行调整(微调或优化)。
205.(c)损失函数的类型；
206.也就是，接收端调整接收端神经网络模型调整时使用的损失函数的类型。
207.(d)发送端配置接收端是否调整接收端神经网络模型。
208.可以理解的是，指示信息可以是下行控制信息(downlink control information，dci)，(a)为可选项，仅当接收端反馈多组接收端神经网络模型时含有。
209.上述损失函数是指发送端或接收端神经网络模型调整(微调或优化)过程所需要的目标函数。可选地，损失函数种类包括但不限于以下一项或多项：
210.i)接收端比特级对数似然比(like lihood rate，llr)；
211.ii)接收端符号级对数似然比。
212.可选地，指示损失函数的方式包括但不限于以下一项或多项：
213.i)下发具体的损失函数；
214.ii)下发损失函数在集合中的索引。
215.可以理解的是，上述的损失函数并非指调整时用的目标函数本身，只要发送端能够基于反馈的“损失函数”计算得到调整所用的目标函数即可。
216.步骤6：发送端通过选择的发送端神经网络模型向接收端发送参考信号。
217.例如，基站采用选择的发送端神经网络模型发送步骤5中确定的参考信号至终端。
218.步骤7：接收端对选择的接收端神经网络模型进行调整。
219.例如，终端根据步骤5中基站下发的损失函数为优化目标，以步骤6中接收到的反馈信号为数据调整终端接收端神经网络模型。
220.可以理解的是，如果步骤5中配置接收端不进行接收端神经网络模型调整，则本步骤中接收端仅计算所需反馈的损失函数，而不对自身接收端神经网络模型进行调整。
221.步骤8：接收端向发送端反馈损失函数值；
222.例如，终端通过uci反馈损失函数值至基站，该损失函数值由接收端依据步骤6中接收到的参考信号和损失函数计算得到的。
223.步骤9：发送端对发送端神经网络模型进行调整。
224.例如，基站依据终端反馈的损失函数值调整发送端神经网络模型。
225.可以理解的是，发送端和接收端的神经网络模型调整过程(步骤6到步骤9)可以进行多次，直至接收端确认不再需要进行接收端神经网络模型调整后(或达到最大调整次数)，接收端将反馈一个消息至发送端，表示可以或不可以进行正式的数据传输。
226.步骤10：发送端使用调整后的发送端神经网络模型进行数据传输。
227.例如，如果终端反馈可以进行数据传输，则基站采用调整后的发送端或接收端神经网络模型进行数据的发送与接收。
228.如果终端反馈不可以进行正式的数据传输，则表示信道可能无法满足传输要求，将返回步骤1，或等待一段时间后重新从步骤1开始执行发送端和接收端的神经网络模型选择过程。
229.参见图5b，发送端是终端，接收端是基站，包括步骤1～步骤10。
230.步骤1：发送端向接收端发送参考信号；
231.该参考信号是由发送端供给接收端用于信道估计或信道探测的信号，示例性地，终端以发送参考信号的方式使基站实时测量信道。可以理解的是，参考信号的格式与发送可以参考现有的方式进行。
232.步骤2：接收端根据步骤1中接收到的参考信号，在离线训练得到的接收端模型集合中选择一组或多组接收端神经网络模型。
233.例如，基站依据接收到的参考信号，在离线训练得到的接收端模型集合中选择一组或多组接收端神经网络模型。
234.可以理解的是，步骤2中接收端选择接收端神经网络模型的方法包括但不限于：
235.(1)遍历搜索，比如，接收端按照预定的顺序在离线训练得到的接收端神经网络模型集合搜索部分或所有的接收端神经网络模型，从中选择一组或多组接收端神经网络模型；
236.(2)参数匹配，比如，接收端按照预定的参数，在离线训练得到的接收端神经网络模型集合中匹配得到对应一组或多组接收端神经网络模型。
237.可以理解的是，步骤2中确定需要选择的接收端神经网络模型数量的方法包括但不限于：(1)接收端自主确定，例如接收端根据本地算法确定数量；(2)发送端指示。
238.步骤3：发送端向接收端发送指示信息，该指示信息指示以下一项或多项：
239.(a)发送端选择的一组或多组发送端神经网络模型；
240.该指示信息指示的内容包括但不限于选择的一组或多组发送端神经网络模型在集合中的索引。
241.(b)发送端配置接收端是否调整接收端神经网络模型；
242.例如，基站配置终端是否调整(微调或优化)收发机神经网络模型。
243.(c)损失函数类型；
244.如果(b)配置接收端调整接收端神经网络模型，则指示信息还指示损失函数类型。
245.可选地，基站通过dci发送该指示信息。
246.损失函数是指接收端神经网络模型调整(微调或优化)过程所需要的目标函数。可选地，损失函数种类包括但不限于以下一项或多项：
247.i)接收端比特级对数似然比；
248.ii)接收端符号级对数似然比。
249.可选地，指示损失函数的方式包括但不限于以下一项或多项：
250.i)下发具体的损失函数；
251.ii)下发损失函数在集合中的索引。
252.可以理解的是，上述的损失函数并非指调整时用的目标函数本身，只要发送端能够基于反馈的“损失函数”计算得到调整所用的目标函数即可。
253.步骤4：发送端选择一组发送端神经网络模型。
254.示例性地，终端依据基站反馈的一组或多组接收端神经网络模型，在离线训练得到的发送端神经网络模型集合中选择一组发送端神经网络模型。此处可以采用的模型选择方法包括但不限于：(1)遍历搜索；(2)参数匹配。
255.步骤5：发送端向接收端发送指示信息，该指示信息指示以下一项或多项：
256.(1)一组发送端神经网络模型；
257.比如，当基站下发多组接收端神经网络模型时，终端告知基站其所选择的一组发送端神经网络模型，该指示信息指示的内容包括但不限于该组发送端神经网络模型在集合中的索引。
258.上述(1)项为可选项，仅当基站下发多组接收端神经网络模型时含有。
259.(2)第一信号的类型，比如参考信号的类型。
260.接收端可以根据该第一信号调整其选择的接收端神经网络模型。
261.例如，终端通过uci向基站发送指示信息。
262.步骤6：发送端采用选择的发送端神经网络模型发送步骤5中指示的参考信号。
263.例如，终端采用选择的发送端神经网络模型发送步骤5中指定的参考信号至基站。
264.步骤7：接收端调整接收端神经网络模型；
265.例如，基站根据步骤5中下发的损失函数为优化目标，以步骤6中的参考信号为数据调整基站接收端神经网络模型。
266.步骤8：接收端向发送端发送损失函数值；
267.例如，基站通过dci反馈损失函数值至终端，该损失函数值由基站依据步骤6中接收到的参考信号计算。如果步骤3中基站配置终端不进行发送端神经网络模型调整，则本步骤不进行反馈或反馈空值。
268.步骤9：发送端调整发送端神经网络模型。
269.可以理解的是，步骤9为可选步骤。例如，当基站配置终端进行发送端神经网络模型调整时，终端依据基站反馈的损失函数值调整发送端神经网络模型。
270.可以理解的是，发送端和接收端的收发机神经网络模型调整过程(步骤6到步骤9)可以进行多次，直至接收端确认不再需要进行神经网络模型调整后(或达到最大调整次数)，接收端将反馈一个消息至发送端，表示可以或不可以进行正式的数据传输。
271.步骤10：发送端使用调整后的发送端神经网络模型进行数据传输。
272.例如，如果基站反馈可以进行数据传输，则终端采用调整后的发送端神经网络模型进行数据的发送与接收。如果基站反馈不可以进行正式的输出传输，则表示信道可能无法满足传输要求，将返回步骤1，或等待一段时间后重新从步骤1开始执行发送端和接收端的神经网络模型选择过程。
273.需要说明的是，图5a和图5b的区别在于，基站可以依据终端情况(如计算能力，耗电情况等)配置是否在终端侧进行模型微调。下行时，基站作为发射端在步骤5中通知终端侧是否进行神经网络模型微调。若设置终端侧不进行神经网络模型微调，则其在步骤7中仅计算所需反馈的损失函数，而不对自身神经网络模型做调整。上行时，基站作为接收端在步骤3中通知终端侧是否进行神经网络模型微调。若设置终端侧不进行神经网络模型微调，则在步骤8中基站不反馈损失函数或反馈空值至终端侧。设置此机制的目的在于可以灵活调整终端侧的计算负担。
274.下面结合实施例一介绍本发明实施例。
275.实施例一：
276.以lte系统为例，图6中示意了传统方法实现的发射机框图。将发射机传统链路中的coding、scrambling、modulation mapper、layer mapper、precoding(mimo processing)等功能由神经网络模型实现，参见图7，而后续的资源映射与ofdm波形产生等模块则按照传统方法实现。接收端采用与发射端对偶的形式实现，在此不再敷述。此外，下文中提到的参考信号等内容也可以采用传统方式实现。
277.步骤一、发送端或接收端神经网络模型离线训练过程。
278.在离线训练过程中，首先按室内或室外，视距或非视距，高频段或低频段等参数将无线信道分类，然后针对上述不同的信道类型，使用仿真信道模型产生数据，并调整信噪比、传输速率、支持数据流个数、支持通道个数等参数，离线训练得到多个发送端或接收端神经网络模型，并将离线训练结果按照仿真信道模型类型储存。在通信系统开机后，系统可以通过读取存取设备中的数据来获取上述离线训练的结果。图8中给出了个离线训练得到的模型集合结果示意图。
279.步骤二、发送端或接收端神经网络模型在线选择与优化。
280.系统在获取离线训练的发送端或接收端神经网络模型集合后，将在发送端和接收端选择合适的神经网络模型，利用实时数据优化，最后用于实际数据传输。以下行链路为例，图9给出上述步骤二的信令流程，主要包括：
281.步骤1：基站(发送端)发送小区参考信号(cell reference signal，crs)至终端。
282.步骤2：终端(接收端)根据接收的crs选择一组或多组接收端神经网络模型。
283.步骤3：终端通过uci信令上报一组或多组接收端神经网络模型至基站，反馈内容包括但不限于一组或多组接收端神经网络模型在集合中的索引。
284.步骤4：当终端上报一组接收端神经网络模型时，基站选择此模型对应的发送端神经网络模型；而当终端上报多组接收端神经网络模型时，基站依据多组接收端神经网络模型在收发机神经网络模型集合中选择一组发送端神经网络模型。
285.步骤5：基站通过dci向终端下发以下信息：
286.i)若步骤3中终端上报多组接收端神经网络模型时，则基站告知终端其所选择的一组发送端神经网络模型，反馈的内容包括但不限于：发送端神经网络模型在集合中的索
引；
287.ii)接收端神经网络模型调整时使用的参考信号；
288.iii)接收端神经网络模型调整时使用的损失函数；
289.iv)终端是否进行接收端神经网络模型调整的指示信息。
290.可选地，损失函数种类包括但不限于：a)接收端比特级对数似然比(llr)；b)接收端符号级对数似然比等。指示损失函数的方式包括但不限于：a)下发具体的损失函数；b)下发损失函数在集合中的索引等。
291.步骤6：基站采用步骤4中选择的发送端神经网络模型发送步骤5中确定的参考信号至终端，终端使用步骤3中选择接收端神经网络模型进行接收。
292.步骤7：终端依据步骤5中下发的损失函数与步骤6中接收的参考信号调整接收端神经网络模型，并计算需要反馈至基站的损失函数值。如果步骤5中基站配置终端不进行接收端神经网络模型调整，则本步骤中终端仅计算所需反馈的损失函数值，而不对自身接收端神经网络模型做调整。
293.步骤8：终端通过uci反馈损失函数值至基站。
294.步骤9：基站依据反馈的损失函数值优化微调发送端神经网络模型。
295.可以理解的是，基站与终端多次重复步骤6到步骤8的过程，直至终端确认不再需要进行微调后(或达到最大重复次数)，终端反馈一个确认消息至发送端，表示是否可以进行正式的数据传输。
296.步骤10：如果终端反馈可以进行数据传输，则终端或基站采用优化后的神经网络模型进行数据的发送与接收。如果终端反馈不能进行正式的输出传输，则退回步骤1，或等待一段时间后重新从步骤1开始执行收发端模型选择过程。
297.步骤11：基站与终端如果发现信道已发生变化，而先前使用的发送端或接收端神经网络模型不再适合当下数据传输时(或已传输了预设的数据量后)，可以重新激活上述选择过程直至可以进行新的数据传输。
298.在图7所示流程中，由于仅需在传输数据时确定收发两端的神经网络模型，crs、uci、dci的发送部分可以采用传统lte系统方式实现，而不会出现需要选定神经网络模型才能发送参考信号的“嵌套”实现的问题。此外，图8中通过uci信令反馈上报神经网络模型的时间颗粒度可以与mcs、pmi相同。
299.参见图10，本发明实施例提供一种通信设备，该通信设备是第一设备，该第一设备1000包括：
300.确定模块1001，用于根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；
301.传输模块1002，用于通过所述发送端或接收端神经网络模型与所述第二设备进行数据传输。
302.在一些实施方式中，第一设备1000还包括：
303.训练模块，用于获取信道类型和与所述信道类型对应的通信参数；根据所述信道类型和通信参数，进行仿真信道训练，得到与所述信道类型对应的发送端或接收端神经网络模型集合。
304.在一些实施方式中，所述信道类型包括以下之一：室内信道、室外信道、视距信道、非视距信道、低频段信道和高频段信道。
305.在一些实施方式中，所述通信参数包括以下一项或多项：信噪比、支持速率、支持数据流个数、支持通道数。
306.在一些实施方式中，确定模块1001进一步用于：从所述第二设备接收第一信号；根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择一组接收端神经网络模型；或者，根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择多组接收端神经网络模型；获取所述第二设备从所述第二设备的发送端神经网络模型集合中选择的一组发送端神经网络模型；根据所述第二设备选择的一组发送端神经网络模型，从所述多组接收端神经网络模型中选择一组接收端神经网络模型。
307.在一些实施方式中，第一设备1000还包括：第一发送模块，用于向所述第二设备发送第一信息；
308.其中，所述第一信息包括以下一项或多项：
309.(1)所述第一设备基于所述第一信号选择的一组或多组接收端神经网络模型的信息；
310.(2)所述第一设备配置所述第二设备是否调整发送端神经网络模型的信息；
311.(3)用于调整接收端神经网络模型的损失函数的信息。
312.在一些实施方式中，第一设备1000还包括：第一接收模块，用于从所述第二设备接收第二信息；
313.其中，所述第二信息包括以下一项或多项：
314.(1)所述第二设备选择的一组发送端神经网络模型的信息；
315.(2)所述第二设备配置所述第一设备是否调整接收端神经网络模型的信息；
316.(3)用于调整接收端神经网络模型的参考信号的信息；
317.(4)用于调整接收端神经网络模型的损失函数的信息。
318.在一些实施方式中，确定模块1001进一步用于：获取所述第二设备从所述第二设备的接收端神经网络模型集合中选择的一组或多组接收端神经网络模型；根据所述第二设备选择的一组或多组接收端神经网络模型，从所述第一设备的发送端神经网络模型集合中选择一组发送端神经网络模型。
319.在一些实施方式中，第一设备1000还包括：
320.第二发送模块，用于向所述第二设备发送第三信息，所述第三信息包括以下一项或多项：
321.(1)所述第一设备选择的一组发送端神经网络模型的信息；
322.(2)用于调整接收端神经网络模型的参考信号的信息；
323.(3)用于调整接收端神经网络模型的损失函数的信息；
324.(4)所述第一设备配置所述第二设备是否调整接收端神经网络模型的信息。
325.在一些实施方式中，传输模块1002进一步用于：对选择的所述发送端或接收端神经网络模型进行调整；通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
326.在一些实施方式中，传输模块1002进一步用于：从所述第二设备接收用于调整接
收端神经网络模型的参考信号，所述参考信号是所述第二设备利用其选择的一组发送端神经网络模型发送的；根据用于调整接收端神经网络模型的损失函数和所述参考信号，对所述第一设备选择的一组接收端神经网络模型进行调整；其中，所述损失函数是所述第二设备提供的。
327.在一些实施方式中，第一设备1000还包括：
328.第三发送模块，用于如果所述第一设备配置所述第二设备调整发送端神经网络模型，则向所述第二设备发送损失函数值，所述损失函数值是所述第一设备根据损失函数和所述参考信号计算得到的；如果所述第一设备配置所述第二设备不调整收发机神经网络模型，则不向所述第二设备反馈所述损失函数值。
329.在一些实施方式中，传输模块1002进一步用于：从所述第二设备接收损失函数值；根据所述损失函数值，对所述第一设备选择的一组发送端神经网络模型进行调整；其中，所述损失函数值是所述第二设备根据用于调整接收端神经网络模型的损失函数和接收到的用于调整接收端神经网络模型的参考信号计算得到的；所述损失函数是所述第一设备提供的；所述参考信号是所述第一设备利用其选择的一组发送端神经网络模型发送给所述第二设备的。
330.在一些实施方式中，传输模块1002进一步用于：在满足预设条件的情况下，通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
331.在一些实施方式中，所述预设条件包括以下一项或多项：
332.(1)所述发送端或接收端神经网络模型的调整次数达到预设值；
333.(2)接收到停止所述发送端或接收端神经网络模型调整的指示；
334.(3)调整后的发送端或接收端神经网络模型满足所述第一设备或第二设备的传输需求。
335.本发明实施例提供的第一设备，可以执行上述图4所示方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
336.参见图11，本发明实施例提供一种通信设备，该通信设备是第一设备，该第一设备1100包括：处理器1101。
337.所述处理器1101读取存储器中的程序执行以下操作：根据所述第一设备与第二设备的交互，确定所述第一设备的发送端或接收端神经网络模型，所述发送端或接收端神经网络模型为所述第一设备的发送端或接收端神经网络模型集合中的任意一组；通过所述发送端或接收端神经网络模型与所述第二设备进行数据传输。
338.在一些实施方式中，所述处理器1101读取存储器中的程序执行以下操作：获取信道类型和与所述信道类型对应的通信参数；根据所述信道类型和通信参数，进行仿真信道训练，得到与所述信道类型对应的发送端或接收端神经网络模型集合。
339.在一些实施方式中，所述信道类型包括以下之一：室内信道、室外信道、视距信道、非视距信道、低频段信道和高频段信道。
340.在一些实施方式中，所述通信参数包括以下一项或多项：信噪比、支持速率、支持数据流个数、支持通道数。
341.可选地，所述处理器1101读取存储器中的程序执行以下操作：从所述第二设备接收第一信号；根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择一组
接收端神经网络模型；或者，根据所述第一信号，从所述第一设备的接收端神经网络模型集合中选择多组接收端神经网络模型；获取所述第二设备从所述第二设备的发送端神经网络模型集合中选择的一组发送端神经网络模型；根据所述第二设备选择的一组发送端神经网络模型，从所述多组接收端神经网络模型中选择一组接收端神经网络模型。
342.可选地，所述处理器1101读取存储器中的程序执行以下操作：向所述第二设备发送第一信息；
343.其中，所述第一信息包括以下一项或多项：
344.(1)所述第一设备基于所述第一信号选择的一组或多组接收端神经网络模型的信息；
345.(2)所述第一设备配置所述第二设备是否调整发送端神经网络模型的信息；
346.(3)用于调整接收端神经网络模型的损失函数的信息。
347.可选地，所述处理器1101读取存储器中的程序执行以下操作：从所述第二设备接收第二信息；
348.其中，所述第二信息包括以下一项或多项：
349.(1)所述第二设备选择的一组发送端神经网络模型的信息；
350.(2)所述第二设备配置所述第一设备是否调整接收端神经网络模型的信息；
351.(3)用于调整接收端神经网络模型的参考信号的信息；
352.(4)用于调整接收端神经网络模型的损失函数的信息。
353.可选地，所述处理器1101读取存储器中的程序执行以下操作：获取所述第二设备从所述第二设备的接收端神经网络模型集合中选择的一组或多组接收端神经网络模型；根据所述第二设备选择的一组或多组接收端神经网络模型，从所述第一设备的发送端神经网络模型集合中选择一组发送端神经网络模型。
354.可选地，所述处理器1101读取存储器中的程序执行以下操作：向所述第二设备发送第三信息，所述第三信息包括以下一项或多项：
355.(1)所述第一设备选择的一组发送端神经网络模型的信息；
356.(2)用于调整接收端神经网络模型的参考信号的信息；
357.(3)用于调整接收端神经网络模型的损失函数的信息；
358.(4)所述第一设备配置所述第二设备是否调整接收端神经网络模型的信息。
359.可选地，所述处理器1101读取存储器中的程序执行以下操作：对选择的所述发送端或接收端神经网络模型进行调整；通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
360.可选地，所述处理器1101读取存储器中的程序执行以下操作：从所述第二设备接收用于调整接收端神经网络模型的参考信号，所述参考信号是所述第二设备利用其选择的一组发送端神经网络模型发送的；根据用于调整接收端神经网络模型的损失函数和所述参考信号，对所述第一设备选择的一组接收端神经网络模型进行调整；其中，所述损失函数是所述第二设备提供的。
361.可选地，所述处理器1101读取存储器中的程序执行以下操作：如果所述第一设备配置所述第二设备调整发送端神经网络模型，则向所述第二设备发送损失函数值，所述损失函数值是所述第一设备根据损失函数和所述参考信号计算得到的；如果所述第一设备配
置所述第二设备不调整收发机神经网络模型，则不向所述第二设备反馈所述损失函数值。
362.可选地，所述处理器1101读取存储器中的程序执行以下操作：从所述第二设备接收损失函数值；根据所述损失函数值，对所述第一设备选择的一组发送端神经网络模型进行调整；其中，所述损失函数值是所述第二设备根据用于调整接收端神经网络模型的损失函数和接收到的用于调整接收端神经网络模型的参考信号计算得到的；所述损失函数是所述第一设备提供的；所述参考信号是所述第一设备利用其选择的一组发送端神经网络模型发送给所述第二设备的。
363.可选地，所述处理器1101读取存储器中的程序执行以下操作：在满足预设条件的情况下，通过调整后的发送端或接收端神经网络模型与所述第二设备进行数据传输。
364.在一些实施方式中，所述预设条件包括以下一项或多项：
365.(1)所述发送端或接收端神经网络模型的调整次数达到预设值；
366.(2)接收到停止所述发送端或接收端神经网络模型调整的指示；
367.(3)调整后的发送端或接收端神经网络模型满足所述第一设备或第二设备的传输需求。
368.本发明实施例提供的第一设备，可以执行上述图4所示方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
369.请参阅图12，图12是本发明实施例应用的通信设备的结构图，如图12所示，通信设备1200包括：处理器1201、收发机1202、存储器1203和总线接口，其中：
370.在本发明的一个实施例中，通信设备1200还包括：存储在存储器上1203并可在处理器1201上运行的计算机程序，计算机程序被处理器1201执行时实现图4所示实施例中的步骤。
371.在图12中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1201代表的一个或多个处理器和存储器1203代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1202可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
372.处理器1201负责管理总线架构和通常的处理，存储器1203可以存储处理器1201在执行操作时所使用的数据。
373.本发明实施例提供的通信设备，可以执行上述图4所示方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
374.结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于ram、闪存、rom、eprom、eeprom、寄存器、硬盘、移动硬盘、只读光盘或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于核心网接口设备中。当然，处理器和存储介质也可以作为分立组件存在于核心网接口设备中。
375.本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功
能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能存取的任何可用介质。
376.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
377.本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
378.本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
379.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
380.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
381.显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。