AI网络模型匹配方法及装置、存储介质、用户设备与流程

ai网络模型匹配方法及装置、存储介质、用户设备
技术领域
1.本发明涉及通信技术领域，尤其涉及一种ai网络模型匹配方法及装置、存储介质、用户设备。


背景技术：

2.在信道估计中，应用人工智能(artificial intelligence,ai)算法的目的是把信道估计过程，即由导频估计出所有信道值的过程类比为传统的图像恢复/去噪过程，用图像恢复/去噪的深度学习算法来完成信道估计。
3.目前，ai网络模型对数据输入输出的size(大小)有严格的要求，即输入ai网络模型的数据大小(如维度大小，每个维度的取值)需要与ai网络模型对应的输入size一致。
4.但是，在通信系统中，物理下行共享信道(physical downlink shared channel,pdsch)的尺寸(size)(如带宽/时域符号数)是由下行控制信息(downlink control information,dci)动态指示的。那么对于某个特定ai模型来讲，只能实现固定pdsch传输资源大小的信道估计。如何实现不同pdsch size能使用同一ai网络模型进行信道估计以减少所需ai模型的个数是目前ai应用到信道估计需要攻克的问题。


技术实现要素：

5.本发明解决的技术问题是如何实现不同pdsch资源尺寸能使用同一ai网络模型进行信道估计以减少所需ai模型的个数。
6.为解决上述技术问题，本发明实施例提供一种ai网络模型匹配方法，ai网络模型匹配方法包括：获取待输入至当前ai网络模型的初始信道估计矩阵，所述初始信道估计矩阵的尺寸为pdsch的传输资源尺寸；如果所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸，则根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
7.可选的，所述根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整包括：至少利用所述初始信道矩阵在时域和/或频域的边界数据进行扩充，以使得扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
8.可选的，所述至少利用所述初始信道矩阵在时域和/或频域的边界数据进行扩充包括：选取所述初始信道矩阵在时域和/或频域的边界数据，所述初始信道矩阵在时域的边界数据占用单个符号，所述初始信道矩阵在频域的边界数据占用单个子载波；利用所述边界数据对所述初始信道矩阵进行时域和/或时域扩充。
9.可选的，所述利用所述边界数据对所述初始信道矩阵进行时域和/或时域扩充包括：将位于时域的所述边界数据复制在所述初始信道矩阵在时域的边界位置，和/或，将位于频域的所述边界数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
10.可选的，所述利用所述边界数据对所述初始信道矩阵进行时域和/或时域扩充包括：如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将位于时域的所述边界数据复制在所述初始信道矩阵在时域的边界位置，再将位于频域的所述边界数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致；或者，如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将位于频域的所述边界数据复制在所述初始信道矩阵在时域的边界位置，再将位于时域的所述边界数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致。
11.可选的，所述至少利用所述初始信道矩阵在时域和/或频域的边界数据进行扩充包括：截取所述初始信道矩阵在时域和/或频域的数据，所述pdsch在时域和/或频域的传输资源尺寸与所述当前ai网络模型在时域和/或频域的输入尺寸的差值为截取的数据尺寸的整数倍；利用截取的时域和/或频域数据对所述初始信道矩阵进行时域和/或频域扩充。
12.可选的，所述利用截取的时域和/或频域数据对所述初始信道矩阵进行时域和/或频域扩充包括：如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将位于时域的所述截取的数据复制在所述初始信道矩阵在时域的边界位置，再将位于频域的所述截取的数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致；或者，如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将位于频域的所述截取的数据复制在所述初始信道矩阵在时域的边界位置，再将位于时域的所述截取的数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致。
13.可选的，所述至少利用所述初始信道矩阵在时域和/或频域的边界数据进行扩充包括：如果所述pdsch在时域和/或频域的传输资源尺寸与所述当前ai网络模型在时域和/或频域的输入尺寸的差值为所述初始信道矩阵的尺寸的整数倍，则利用所述初始信道矩阵本身对所述初始信道矩阵进行扩充。
14.可选的，所述根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整之前还包括：选取输入尺寸占用的符号数与所述pdsch的资源所占用的符号数最接近的一个或多个ai网络模型，以作为第一ai网络模型集合；在所述第一ai网络模型集合中选取输入尺寸占用的子载波数与所述pdsch的资源所占用的子载波数最接近的ai网络模型，以作为所述当前ai网络模型。
15.可选的，所述根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整之前还包括：选取输入尺寸占用的子载波数与所述pdsch的资源所占用的子载波数最接近的一个或多个ai网络模型，以作为第二ai网络模型集合；在所述第二ai网络模型集合中选取输入尺寸占用的符号数与所述pdsch的资源所占用的符号数最接近的ai网络模型，以作为所述当前ai网络模型。
16.可选的，所述根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整之前还包括：如果所述当前ai网络模型的输入尺寸与所述pdsch的传输资源尺
寸在时域的符号数差值大于第一预设阈值，和/或所述当前ai网络模型的输入尺寸与所述pdsch的传输资源尺寸在频域上的子载波数差值大于第二预设阈值，则使用传统信道估计方式进行信道估计。
17.可选的，所述使用传统信道估计方式进行信道估计之前还包括：接收来自基站的所述第一预设阈值和/或所述第二预设阈值，或者，根据所述当前ai网络模型的性能确定所述第一预设阈值和/或所述第二预设阈值。
18.为解决上述技术问题，本发明实施例还公开了一种ai网络模型匹配装置，ai网络模型匹配装置，包括：获取模块，用于获取待输入至当前ai网络模型的初始信道估计矩阵，所述初始信道估计矩阵的尺寸为pdsch的传输资源尺寸；调整模块，用于如果所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸，则根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
19.本发明实施例还公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行所述ai网络模型匹配方法的步骤。
20.本发明实施例还公开了一种用户设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行所述ai网络模型匹配方法的步骤。
21.与现有技术相比，本发明实施例的技术方案具有以下有益效果：
22.本发明技术方案中，获取待输入至当前ai网络模型的初始信道估计矩阵，所述初始信道估计矩阵的尺寸为pdsch的传输资源尺寸；如果所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸，则根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。本发明技术方案在初始信道估计矩阵的尺寸与当前ai网络模型的输入尺寸不匹配时，通过对初始信道估计矩阵的尺寸进行调整，能够使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致，从而实现不同pdsch资源尺寸能使用同一ai网络模型进行信道估计，进而减少所需ai模型的个数，节省用户设备侧的配置资源，并提升信道估计的准确性。
23.进一步地，本发明技术方案还可以在用户设备侧配置多个ai网络模型，多个ai网络模型的输入尺寸不同的情况下，利用pdsch的传输资源尺寸与所述当前ai网络模型的输入尺寸在时域和/或频域的差异选择最优的ai网络模型进行信道估计，从而提升信道估计的性能。
24.进一步地，在某些情况下，ue使用ai网络模型进行信道估计性能并不好，ue需要回退到传统信道估计方式，本发明针对该问题也设计了一套信道估计回退机制，即满足一定条件后,ue回退到传统信道估计算法。
附图说明
25.图1是本发明实施例一种ai网络模型匹配方法的流程图；
26.图2是本发明实施例一种具体应用场景的示意图；
27.图3是本发明实施例一种ai网络模型匹配方法的部分流程图；
28.图4是本发明实施例另一种ai网络模型匹配方法的部分流程图；
29.图5是本发明实施例另一种具体应用场景的示意图；
30.图6是本发明实施例又一种ai网络模型匹配方法的部分流程图；
31.图7是本发明实施例一种ai网络模型匹配装置的结构示意图。
具体实施方式
32.如背景技术中所述，在通信系统中，物理下行共享信道(physical downlink shared channel,pdsch)的尺寸(size)(如带宽/时域符号数)是由dci动态指示的。那么对于某个特定ai模型来讲，只能实现固定大小的pdsch传输资源的信道估计。如何实现不同pdsch size能使用同一ai网络模型进行信道估计以减少所需ai模型的个数是目前ai应用到信道估计需要攻克的问题。
33.本发明技术方案在初始信道估计矩阵的尺寸与当前ai网络模型的输入尺寸不匹配时，通过对初始信道估计矩阵的尺寸进行调整，能够使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致，从而实现不同pdsch资源尺寸能使用同一ai网络模型进行信道估计，进而减少所需ai模型的个数，节省用户设备侧的配置资源，并提升信道估计的准确性。
34.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
35.图1是本发明实施例一种ai网络模型匹配方法的流程图。
36.图1所示ai网络模型匹配方法可以用于用户设备(user equipment,ue)侧，也即可以由用户设备执行所述方法的各个步骤。所述ai网络模型匹配方法具体可以包括以下步骤：
37.步骤s101：获取待输入至当前ai网络模型的初始信道估计矩阵，所述初始信道估计矩阵的尺寸为pdsch的传输资源尺寸；
38.步骤s102：如果所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸，则根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
39.需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
40.所述当前ai网络模型用于根据输入的信道估计矩阵进行信道估计，其可以采用任何适当的ai网络模型来实现，例如可以是基于历史数据进行训练的得到的模型。本实施例中，用户设备侧可以仅设置单个ai网络模型，也即当前ai网络模型，以降低ai网络模型的开销以及用户设备的存储开销。或者，用户设备设置多个ai网络模型，不同的ai网络模型具有不同的输入尺寸。在需要进行信道估计时，用户设备从多个ai网络模型中选取一个ai网络模型作为所述当前ai网络模型。
41.关于当前ai网络模型具体的选取方式可以是随机选取，也可以是选取一个最优的ai网络模型。其中，用户设备从多个ai网络模型中选取最优的ai网络模型的具体实现方式可参照后续实施例，此处不再赘述。
42.需要说明的是，ai网络模型的输出尺寸和输入尺寸是一致的。
43.在步骤s101的具体实施中，输入ai网络模型的是初始信道估计矩阵，初始信道估计矩阵可以是基于最小二乘(least squares，ls)导频估计值经过线性插值获得的。初始信道估计矩阵的尺寸为pdsch的传输资源尺寸，也即初始信道估计矩阵的尺寸为n
×
t，其中n为调度的pdsch的子载波数，t为pdsch的时域符号数。ai网络模型的输出为最终信道估计矩阵，最终信道估计矩阵的尺寸与初始信道估计矩阵的尺寸一致，也即为n
×
t。
44.相对于传统的信道估计方式，通过ai网络模型对初始信道估计进行滤波/去噪等操作，使得输出的信道估计值更加的精确。
45.初始信道估计矩阵的尺寸与当前ai网络模型的输入尺寸均包括时域和频域两个维度。如果初始信道估计矩阵的尺寸与当前ai网络模型的输入尺寸不一致，如，时域符号数不一致，或频域子载波数不一致，或者时域符号数与频域子载波数均不一致，将会导致信道估计不准确，故而在步骤s102的具体实施中，需要根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
46.具体地，在所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸的情况下，可以是对初始信道估计矩阵的尺寸进行扩充。
47.本发明一个非限制性的实施例中，图1所示步骤s102可以包括以下步骤a：至少利用所述初始信道矩阵在时域和/或频域的边界数据进行扩充，以使得扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
48.本实施例中，所述边界数据是指边界资源单元(resource element,re)在所述初始信道矩阵中对应的估计值。边界资源单元可以是处于初始信道边界位置的re，例如，处于时域边界位置的re或者处于频域边界位置的re。
49.如果初始信道矩阵在时域的符号数小于当前ai网络模型的输入尺寸在时域所占的符号数，则可以利用初始信道矩阵在时域的边界数据对初始信道矩阵进行扩充。相应地，如果初始信道矩阵在频域的子载波数小于当前ai网络模型的输入尺寸在频域所占的子载波数，则可以利用初始信道矩阵在频域的边界数据对初始信道矩阵进行扩充。
50.初始信道矩阵在时域的边界数据可以是指初始信道矩阵在时域维度上处于边界位置的数据，边界数据可以占用一个或多个符号；相应地，初始信道矩阵在频域的边界数据可以是指初始信道矩阵在频域维度上处于边界位置的数据，边界数据可以占用一个或多个子载波。
51.结合图2，图中左右方向表示时域维度，上下方向表示频域维度。图中所示阴影部分为初始信道矩阵在频域的边界数据。
52.进一步而言，请参照图3，上述步骤a具体可以包括以下步骤：
53.步骤s301：选取所述初始信道矩阵在时域和/或频域的边界数据，所述初始信道矩阵在时域的边界数据占用单个符号，所述初始信道矩阵在频域的边界数据占用单个子载波；
54.步骤s302：利用所述边界数据对所述初始信道矩阵进行时域和/或时域扩充。
55.本实施例中，边界数据占用单个符号或单个子载波。在利用边界数据对所述初始信道矩阵进行扩充时，可以根据初始信道矩阵的尺寸与当前ai网络模型的输入尺寸的差值确定需要的边界数据的数量。如，初始信道矩阵在时域上的符号数为4，当前ai网络模型在
时域上的符号数为8，那么需要对初始信道矩阵在时域上扩充4个时域的边界数据；同理，如果初始信道矩阵在频域上的子载波数为8，当前ai网络模型在频域上的子载波数数为12，那么需要对初始信道矩阵在频域上扩充4个频域的边界数据。
56.最终，扩充后的初始信道矩阵的尺寸与当前ai网络模型的输入尺寸在时域和频域上均是一致的。
57.更进一步而言，步骤s302可以包括以下步骤：将位于时域的所述边界数据复制在所述初始信道矩阵在时域的边界位置，和/或，将位于频域的所述边界数据复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
58.本实施例中详细描述了利用边界数据对初始信道矩阵进行扩充的具体方式。也就是说，通过对边界数据的复制实现初始信道矩阵在时域或频域的扩充。
59.结合图2可知，边界数据占用单个子载波，初始信道矩阵在时域上与当前ai网络模型在时域上的子载波数差值为4，则在初始信道矩阵的时域边界位置，也即图2所示初始信道矩阵的上边界扩充4个边界数据。
60.进一步而言，请参照图4，上述步骤a具体可以包括以下步骤：
61.步骤s401：截取所述初始信道矩阵在时域和/或频域的数据，所述pdsch在时域和/或频域的传输资源尺寸与所述当前ai网络模型在时域和/或频域的输入尺寸的差值为截取的数据尺寸的整数倍；
62.步骤s402：利用截取的时域和/或频域数据对所述初始信道矩阵进行时域和/或频域扩充。
63.与前述实施例中边界数据仅占用单个符号/子载波不同的是，本发明实施例中所截取的数据可以占用多个符号或子载波。采用边界数据对初始信道矩阵进行扩充需要将边界数据重复多次，而采用截取的数据对初始信道矩阵进行扩充则可以减少重复复制的次数。
64.具体实施中，在时域所截取的数据可以位于初始信道矩阵的时域边界位置，在频域所截取的数据可以位于初始信道矩阵的频域边界位置。
65.一并参照图5，初始信道矩阵在时域上与当前ai网络模型在时域上的子载波数差值为4，则直接在初始信道矩阵的时域边界位置截取符号数为4的数据，并在初始信道矩阵的时域边界位置，也即图5所示初始信道矩阵的上边界扩充该截取的数据。
66.更进一步而言，如果所述pdsch在时域和/或频域的传输资源尺寸与所述当前ai网络模型在时域和/或频域的输入尺寸的差值为所述初始信道矩阵的尺寸的整数倍，则利用所述初始信道矩阵本身对所述初始信道矩阵进行扩充。
67.本实施例中，对初始信道矩阵进行扩充所采用的数据是初始信道矩阵本身，这是在pdsch的传输资源尺寸与所述当前ai网络模型的输入尺寸的差值为所述初始信道矩阵的尺寸的整数倍的前提下进行的。
68.具体实施中，扩充的次数可以是所述差值与初始信道矩阵的尺寸的整数倍。例如，所述差值是初始信道矩阵的尺寸的1倍，则利用所述初始信道矩阵本身对所述初始信道矩阵扩充1次；所述差值是初始信道矩阵的尺寸的2倍，则利用所述初始信道矩阵本身对所述初始信道矩阵扩充2次。
69.进一步而言，如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将所述初始信道矩阵本身复制在所述初始信道矩阵在时域的边界位置，再将所述初始信道矩阵本身复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致；或者，如果所述初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均不同，则先将所述初始信道矩阵本身复制在所述初始信道矩阵在时域的边界位置，再将所述初始信道矩阵本身复制在所述初始信道矩阵在频域的边界位置，直至扩充后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸在时域和频域均一致。
70.继续参照图5，初始信道矩阵在时域上与当前ai网络模型在时域上的子载波数差值为4，初始信道矩阵所占用的符号数也为4，则直接在初始信道矩阵的时域边界位置扩充该初始信道矩阵。当然，如果初始信道矩阵在时域上与当前ai网络模型在时域上的子载波数差值为8，则可以在初始信道矩阵的时域边界位置将该初始信道矩阵复制两次。
71.本发明一个非限制性的实施例中，请参照图6，图1所示方法还可以包括以下步骤：
72.步骤s601：选取输入尺寸占用的符号数与所述pdsch的资源所占用的符号数最接近的一个或多个ai网络模型，以作为第一ai网络模型集合；
73.步骤s602：在所述第一ai网络模型集合中选取输入尺寸占用的子载波数与所述pdsch的资源所占用的子载波数最接近的ai网络模型，以作为所述当前ai网络模型。
74.为了提升基于ai信道估计的性能，用户设备侧会保存多套ai网络模型。如果dci调度的pdsch size与ai网络模型对应的输入size差距越大，ai信道估计性能越差；pdsch size与ai网络模型对应的输入size差值指的是dci调度pdsch子载波数/时域符号数与ai网络模型对应的输入size差值。故而本实施例中，在用户设备设置多个ai网络模型的情况下，可以从中选取一个最优的ai网络模型作为所述当前ai网络模型。
75.本实施例中，ue首先根据dci调度pdsch时域符号数，选择输入尺寸占用的时域符号数最接近的ai网络模型子集，也即第一ai网络模型集合，第一ai网络模型集合可以包括一个或多个ai网络模型。然后，在第一ai网络模型集合包括多个ai网络模型的情况下，ue根据dci调度pdsch带宽(即频域子载波数)在第一ai网络模型集合内，选择输入尺寸占用的频域子载波数最接近的ai网络模型，作为所述当前ai网络模型。当然，如果第一ai网络模型集合仅包括一个ai网络模型，则不再执行步骤s602。
76.具体实施中，在选取最接近的ai网络模型时，可以是根据输入尺寸占用的符号数与所述pdsch的资源所占用的符号数的差值，或输入尺寸占用的子载波数与所述pdsch的资源所占用的子载波数的差值与预设门限比较确定的。例如，上述差值小于预设门限，则认为该ai网络模型为最接近的ai网络模型。
77.可以理解的是，预设门限的大小可以是根据实际的应用环境适应性设置的，本发明实施例对此不作限制。
78.在一个可选实施例中，图6所示步骤s601和步骤s602也可以分别替换为以下步骤：
79.选取输入尺寸占用的子载波数与所述pdsch的资源所占用的子载波数最接近的一个或多个ai网络模型，以作为第二ai网络模型集合；
80.在所述第二ai网络模型集合中选取输入尺寸占用的符号数与所述pdsch的资源所占用的符号数最接近的ai网络模型，以作为所述当前ai网络模型。
81.与前述实施例不同的是，ue是首先根据dci调度pdsch带宽(即频域子载波数)选择最接近的最接近的ai网络模型子集，也即第二ai网络模型集合。第二ai网络模型集合可以包括一个或多个ai网络模型。然后，在第二ai网络模型集合包括多个ai网络模型的情况下，在第一ai网络模型集合内，选择输入尺寸占用的符号数与pdsch占用的符号数最接近的ai网络模型，作为所述当前ai网络模型。当然，如果第二ai网络模型集合仅包括一个ai网络模型，则不再执行第二个步骤。
82.关于本发明实施例的工作原理、工作方式的更多内容，可以参照图6中的相关描述，这里不再赘述。
83.在一个非限制性的实施例中，如果所述当前ai网络模型的输入尺寸与所述pdsch的传输资源尺寸在时域的符号数差值大于第一预设阈值，和/或所述当前ai网络模型的输入尺寸与所述pdsch的传输资源尺寸在频域上的子载波数差值大于第二预设阈值，则使用传统信道估计方式进行信道估计。
84.如果dci调度的pdsch size与ai网络模型的输入size差距越大，那么即使通过前述扩充的方式使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致，也会导致基于ai的信道估计的方式性能会越差。在这种情况下，可以设置一套回退机制，即当dci调度的pdsch size与ai网络模型的输入size差距满足一定条件的时候，ue应该回退到传统算法进行信道估计。
85.本实施例中，如果网络调度的pdsch的时域符号数与配置的ai网络模型输入size对应的时域符号数差值大于第一预设阈值，则ue使用传统信道估计算法，或者如果网络调度的pdsch频域子载波数与配置的ai网络模型输入size对应的频域子载波数差值大于第二预设阈值，则ue使用传统信道估计算法。ue根据第一预设阈值以及第二预设阈值来判定是否采用ai网络模型进行信道估计。
86.进一步而言，接收来自基站的所述第一预设阈值和/或所述第二预设阈值，或者，根据所述当前ai网络模型的性能确定所述第一预设阈值和/或所述第二预设阈值。
87.本实施例中，第一预设阈值和/或所述第二预设阈值可以是由ue自行根据ai网络模型信道估计的性能确定的。或者，第一预设阈值和/或所述第二预设阈值也可以是由基站配置并下发给ue的，基站所配置的阈值应用于ue侧所有的ai网络模型。
88.请参照图7，本发明实施例还公开了一种ai网络模型匹配装置70。ai网络模型匹配装置70可以包括获取模块701和调整模块702。
89.其中，获取模块701用于获取待输入至当前ai网络模型的初始信道估计矩阵，所述初始信道估计矩阵的尺寸为pdsch的传输资源尺寸；调整模块702用于如果所述初始信道估计矩阵的尺寸小于所述当前ai网络模型的输入尺寸，则根据所述当前ai网络模型的输入尺寸对所述初始信道估计矩阵的尺寸进行调整，以使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致。
90.本发明实施例在初始信道估计矩阵的尺寸与当前ai网络模型的输入尺寸不匹配时，通过对初始信道估计矩阵的尺寸进行调整，能够使得调整后的初始信道估计矩阵的尺寸与所述当前ai网络模型的输入尺寸一致，从而实现不同pdsch资源尺寸能使用同一ai网络模型进行信道估计，进而减少所需ai模型的个数，节省用户设备侧的配置资源。
91.关于所述ai网络模型匹配装置70的工作原理、工作方式的更多内容，可以参照图1
至图6中的相关描述，这里不再赘述。
92.本发明实施例还公开了一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可以执行图1、3、4、6中所示方法的步骤。所述存储介质可以包括rom、ram、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
93.本发明实施例还公开了一种用户设备，所述用户设备可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序。所述处理器运行所述计算机程序时可以执行图1、3、4、6中所示方法的步骤。所述用户设备包括但不限于手机、计算机、平板电脑等终端设备。
94.虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。