用于干扰抑制及相关智能网络管理的方法及设备与流程

1.本技术案的实施例大体上涉及无线通信技术，且特定来说涉及用于干扰抑制及相关智能网络管理的方法及设备。


背景技术：

2.在小规模的无线服务热点区域中，为了满足对服务及吞吐量的海量需求，网络运营商将部署大量网络装置并构建超密集网络(udn)。尽管udn可以带来可观的容量增长，但在实际部署中，udn可能面临巨大的挑战。例如，随着小区密度的增加，小区间干扰问题变得更加突出，而小区间干扰是限制udn性能的最重要因素。
3.因此，业界期望一种用以抑制5g及更高版本的udn中的干扰的改进技术。


技术实现要素：

4.本技术案的实施例提供一种用于上行链路干扰识别及sinr预测的技术解决方案。为简单起见，本技术案中仅介绍上行链路的情况。然而，所属领域的技术人员可理解，由本技术案所公开的技术解决方案也可应用于下行链路的情况。可类似地获得下行链路中的对应方法及设备。
5.根据本技术案的一些实施例，一种方法可包含：取决于由一或多个第二用户设备(ue)造成的干扰而接收包含与第一ue相关联的至少一个信道质量测量结果的第一信息；及基于所述至少一个信道质量测量结果来确定所述第一ue的干扰向量。
6.在本技术案的实施例中，所述方法可进一步包含：基于所述干扰向量来获得所述第一ue的至少一个经预测信干噪比sinr值，其中所述经预测sinr中的每一者对应于所述第一ue及所述一或多个第二ue的第二资源分配配置；基于所述至少一个经预测sinr值来选择所述第一ue及所述一或多个第二ue的所述至少一个第二资源分配配置中的一者；及传输在所述选定第二资源分配配置内的指示所述第一ue的第三资源分配配置的第二信息。
7.根据本技术案的一些实施例，一种方法可包含：从第一ue接收参考信号；基于所述参考信号来产生至少一个信道质量测量结果；及将包含所述至少一个信道质量测量结果的第一信息传输到集中式单元(cu)。
8.在本技术案的实施例中，所述方法可进一步包含：从所述cu接收所述第一ue的资源分配配置信息；及将所述资源分配配置信息传输到所述第一ue。
9.本技术案的一些实施例还提供一种设备，其包含：至少一个非暂时性计算机可读媒体，其中存储有计算机可执行指令；至少一个接收器；至少一个传输器；及至少一个处理器，其经耦合到所述至少一个非暂时性计算机可读媒体、所述至少一个接收器及所述至少一个传输器。所述计算机可执行指令经编程以利用所述至少一个接收器、所述至少一个传输器及所述至少一个处理器来实施如上文所陈述的任何方法。
10.本技术案的实施例提供一种用于上行链路干扰识别及sinr预测的技术解决方案。相应地，本技术案的实施例可抑制5g超密集网络(udn)中的干扰，且促进nr的部署及实施。
附图说明
11.为了描述可获得本技术案的优点及特征的方式，对本技术案的描述将通过参考附图中所说明的本技术案的特定实施例来呈现。这些附图仅描绘本技术案的实例实施例且因此不应被视为对其范围的限制。
12.图1说明根据本技术案的一些实施例的实例性无线通信系统；
13.图2a说明根据本公开的一些实施例的用于资源分配的方法；
14.图2b说明根据本公开的一些实施例的用于上行链路干扰识别的方法；
15.图3a-3c说明根据本技术案的一些实施例的与资源分配配置相关联的数据集；
16.图4说明根据本技术案的一些实施例的用于获得上行链路干扰识别的程序；
17.图5说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的方法；
18.图6说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的设备的简化框图；
19.图7说明根据本技术案的一些其它实施例的用于上行链路干扰识别及sinr预测的方法；
20.图8说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的设备的简化框图；
21.图9说明根据本技术案的一些其它实施例的用于上行链路干扰识别及sinr预测的设备的简化框图；
22.图10a-10b说明根据本技术案的一些其它实施例的关于干扰识别的性能的模拟结果；
23.图11a-11b说明根据本技术案的一些其它实施例的关于sinr预测的性能的模拟结果；及
24.图12a-12b说明根据本技术案的一些其它实施例的关于本公开中所提出的算法的效率及有效性的模拟结果。
具体实施方式
25.对附图的详细描述意在作为对本技术案的优选实施例的描述，且并不意在表示可实践本技术案的唯一形式。应理解，相同或等效功能可通过意在涵盖在本技术案的精神及范围内的不同实施例来实现。
26.现在将详细地参考本技术案的一些实施例，所述实施例的实例在附图中进行说明。
27.图1说明根据本技术案的一些实施例的实例性无线通信系统。
28.参考图1，无线通信系统100可包含核心网络、cu、多个分布式单元(du)及多个ue。cu及du可经共置在同一位点内，或可在物理上分开。如图1中所展示，cu可服务于多个du及多个ue经定位在其中的区域。多个du中的每一者可服务于du经定位在其中的子区域(例如，小小区或小区)中的一或多个ue。无线通信系统100可实现给定区域的完全覆盖或可在子区域覆盖范围中在地理上不连续，例如包含一或多个过道。每一ue可使用nr接口(例如，uu接口)连接到其服务du。多个du中的每一者可使用如3gpp ts 38.470中所定义的f1接口连接
到cu。
29.cu可包含计算系统。例如，计算系统可包含一或多个服务器或超级计算机。
30.du可包含接入点(例如，毫微微小区接入点)、节点b、演进节点b(enb)、gnb、本藉节点b、中继节点或可实施本技术案中的技术的其它网络装置的部分或全部协议及功能。
31.ue可包含计算装置，例如台式计算机、膝上型计算机、个人数字助理(pda)、平板计算机、智能电视(例如，连接到因特网的电视)、机顶盒、游戏控制台、安全系统(包含安全摄像机)、车载计算机、网络装置(例如，路由器、交换机及调制解调器)等。根据本公开的实施例，ue可包含便携式无线通信装置、智能电话、蜂窝电话、翻盖电话、具有订户身份模块的装置、个人计算机、选择性呼叫接收器或能够在无线网络上发送及接收通信信号的任何其它装置。在本公开的一些实施例中，ue可包含可穿戴装置，例如智能手表、健身手环、光学头戴式显示器等。此外，ue可被称为订户单元、移动装置、移动站、用户、终端、移动终端、无线终端、固定终端、订户站、用户终端或装置，或使用所属领域中所使用的其它术语进行描述。ue可经由上行链路(ul)通信信号直接与du进行通信。
32.如所属领域的技术人员所众所周知，由于有限的频谱资源，在蜂窝网络中，跨小区重用频率资源。自然，资源重用引起小区间干扰，尤其是在具有大小区密度的udn中。
33.在4g网络中，为了解决小区间干扰，利用具有一些增强技术的基站之间的协商及信令交互以满足协同资源管理的需要。例如，通过基站之间的x2接口交换信息，可使用icic及eicic来部分地抑制小区间干扰。
34.然而，4g网络中的这些方法仅可在局部优化资源分配，而如同icic/eicic的增强技术的性能很大程度上依赖于可用性、信息交换延迟、资源分配方案的稳定性等。这些方法可能不适合可在热点区域中部署大量网络装置的udn。
35.考虑到这一点，本技术案的一些实施例按实时方式以低计算复杂度提供上行链路干扰的准确模型，且因此可抑制udn中的干扰。
36.在上行链路干扰建模期间，上行链路干扰识别及sinr预测是关键问题。通过解决干扰识别问题构建的干扰模型可方便地用于资源分配算法中以预测信道质量，而sinr预测对预测在某一资源分配情况下每个用户的上行链路(即，从ue到du的链路)的可实现sinr更有用。
37.在上行链路的情况下，干扰识别可表示识别任何其它ue对当前ue的上行链路的干扰。例如，假设u是用户集，那么um∈u且um是由小区内的分割，其中jm是小区的索引。另外，假设针对多址方案选择单载波频分多址(sc-fdma)，即，在小区内，可将每一资源分配给不超过一个用户。基于以上假设，针对不在小区内但与um共享相同资源的任何其它ue un，um的上行链路的信干比(sir)可通过以下方程式来计算：
[0038][0039]
其中是由从um接收的信号功率，且是由从un接收的信号功率(也被称为对um的上行链路的干扰)。
[0040]
sinr预测可表示基于可能对当前ue的上行链路造成干扰的所有其它ue来预测当前ue的上行链路的sinr。在以上实例中，用户um的上行链路的sinr可通过以下方程式来计
算：
[0041][0042]
其中σ2是加性高斯白噪声(awgn)的功率，且是不在小区内但与um共享相同rb的用户集。
[0043]
本技术案的实施例可提供用于上行链路干扰识别及sinr预测的技术解决方案。下文中将结合附图说明有关本技术案的实施例的更多细节。
[0044]
图2a说明根据本公开的一些实施例的用于资源分配的方法。
[0045]
如图2a中所展示，如果ue可具有待传输到其服务du的数据，那么在步骤202中，ue可通过nr接口(例如，uu接口)将调度请求传输到其服务du。在du接收到调度请求之后，在步骤204处，ue可通过f1接口将来自ue的调度请求传输到cu。在一些情况下，除来自ue的调度请求之外，du还可接收来自由服务du服务的(若干)其它ue的(若干)调度请求，接着在步骤204处，du可将这些调度请求采集在一起且将这些调度请求传输到cu。
[0046]
在接收到来自du的调度请求之后，在步骤213中，cu可基于从上行链路干扰识别导出的至少一个经预测sinr值来产生ue的新资源分配配置。上行链路干扰识别可通过图2b中的步骤206-212来建立。
[0047]
图2b说明根据本公开的一些实施例的用于上行链路干扰识别的方法。在步骤206处，ue可通过nr接口(例如，uu接口)将参考信号(例如，信道状态指示参考信号(csi-rs))传输到du。可基于ue的当前资源分配配置来在资源集上传输参考信号。
[0048]
所述资源集的每一资源可由时域中的单元及频域中的单元来确定。时域中的单元可对应于以下中的至少一者：正交频分复用(ofdm)符号、小时隙、时隙、传输时间间隔(tti)、子帧及帧。频域中的单元可对应于以下中的至少一者：资源元素(re)、资源块(rb)、子信道、资源池(rp)、带宽部分(bwp)、频率载波及频带。
[0049]
ue的当前资源分配配置可经存储在cu中。例如，图3a展示存储在cu中的指示所述ue及共享与所述ue相同的资源的任何其它ue的当前资源分配配置的数据集。
[0050]
如图3a中所展示，将由cu服务的区域内的小区集表示为c＝{c1,c2,
…
,cj,
…
,cj}，将小区集中的用户集表示为u＝{u1,u2,
…
,ui,
…
,ui}，且将由小区集使用的资源块(rb)集表示为r＝{rb1,rb2,
…
,rb
k-2
,
…
,rbk}。此外，n1表示c1中的用户的索引集且|n1|表示集n1中的用户数目；n2表示c2中的用户的索引集且|n2|表示集n2中的用户数目，
…
；nj以此类推。为避免干扰，针对多址方案选择单载波频分多址(sc-fdma)。即，在小区内，仅将每一资源分配给不超过一个用户。
[0051]
图3a展示ue(例如，u1∈u且u1是由小区c1内的du1分割)及在c1以外的小区中的与u1共享相同资源的ue的当前资源分配配置。即，在多个tti(例如，tti#1、tti#2、
…
、tti#t)中，多个rb(例如，rb3、rb4、
…
、rb1)分别经分配给u1以用于上行链路传输。然而，这些rb也可经分配给c1以外的小区中的ue以用于上行链路传输。例如，图3a中的条目#1表示在tti#1中，rb3经分配给用户u1以用于上行链路传输且还经分配给u
i-1
及可能是图3a中未展示的表示为“1”的更多用户，图3a中的条目#2表示在tti#1中，rb4经分配给用户u1以用于上行链路传输且还经分配给及可能是图3a中未展示的表示为“1”的更多用户，
…
，条
目#t以此类推，其中t是大于0且不大于n的整数。
[0052]
请再次参考图2b。在根据当前资源分配配置在资源集上接收到参考信号之后，在步骤208中，du可产生至少一个信道质量测量结果，其中至少一个信道质量测量结果中的每一者可与由时域中的单元及频域中的单元定义的资源相关联。在一些实施例中，至少一个测量结果中的每一者对应于sinr值；在一些其它实施例中，至少一个测量结果中的每一者对应于与资源相关联的参考信号接收功率(rsrp)值。至少一个信道质量测量结果可通过测量资源集上的参考信号的sinr或rsrp来产生。例如，如图3b中所展示，du可测量到ue在tti#1中有关rb3上的sinr值(例如，u1∈u且u1是在小区c1内切割)是3.80497db。
[0053]
在步骤210处，du可将包含至少一个信道质量测量结果的信息传输到集中式单元(cu)。在一些实施例中，所述信息进一步包含分别对应于至少一个信道质量测量结果的至少一个时戳。所述时戳可对应于所述信道质量测量结果的产生时间。因此，cu可使用信道质量测量结果以产生干扰模型，即，步骤212。
[0054]
在一些其它实施例中，可由人工智能(ai)训练干扰模型。du可传输包含网络操作数据的信息，例如至少一个信道质量测量结果，及与网络操作数据相关联的特征数据。特征数据可连同网络操作数据一起收集或从网络操作数据提取且连同网络操作数据一起存储。特征数据可用于智能网络管理。智能网络管理表示自动管理网络，而少有人工干预或甚至无需人工干预。为此，特征数据应帮助智能网络管理实体确定网络操作实体应何时及如何操作以产生或更新输出且将输出递送到其它恰当实体或多个实体。因此，特征数据应至少包含：每一数据的产生时戳、数据类型、数据大小、数据质量、数据量等。
[0055]
根据本公开的一些实施例，所述信息还可包含隐式或显式指示时域中的单元的索引的指示符及隐式或显式指示频率中的单元的索引的另一指示符。这些指示符也可被称为网络操作数据。例如，如图3b中所展示，ue在tti#1中有关rb3的sinr值(例如，u1∈u且u1是在小区c1内切割)是3.80497db。在这个实例中，一个指示符可指示与3.80497db相关联的tti#1的索引，而另一指示符可指示与3.80497db相关联的rb3的索引。
[0056]
在接收到所述信息之后，cu可将至少一个信道质量测量结果映射到指示当前资源分配配置的数据集。如上文所陈述，cu可存储如图3a中所展示的日期集。如3a图中所展示的数据集是针对ue u1(例如，u1∈u且u1在小区c1内切割)。实际上，针对每一ue，cu可存储与图3a类似的指示资源分配配置的数据集。基于指示时域及频域两者中的资源的指示符，cu可知道信道质量测量结果与哪个资源相关联。例如，所述指示符可指示sinr值3.80497db与tti#1及rb3相关联，且接着cu可将sinr值3.80497db映射到tti#1及rb3，如图3b中所展示。
[0057]
参考图3b，其展示映射程序的某一中间状态。cu可重复接收及映射直到数据集完成，且接着cu可获得完整数据集，如图3c中所展示。
[0058]
所属领域的技术人员可理解，不完整的数据集也可用以训练干扰模型。然而，由于经训练干扰模型的精度很大程度上依赖于完整条目的数目，因此建议应在完成所述数据集的所有条目之后操作训练过程。
[0059]
请再次参考图2b。在步骤210中接收到包含至少一个信道质量测量结果的信息之后，在步骤212中cu可产生干扰模型。
[0060]
干扰模型可根据图4中的程序获得。具体来说，图4说明根据本技术案的一些实施例的通过呈一或多个干扰向量的形式获得一或多个上行链路干扰识别来训练干扰模型。
[0061]
如图4中所展示，在步骤401中，将用户um的数据集(例如，如图3c中针对u1所展示的数据集)输入到非线性最小乘方回归算法(例如，数据集)输入到非线性最小乘方回归算法(例如，如图4中所展示。非线性最小乘方回归算法如图4中所展示。非线性最小乘方回归算法可如下从方程式(3)-(7)导出。
[0062]
首先，ue um的数据集中的任意条目#k的sinr值可被表达为方程式(3)：
[0063][0064]
其中n是由cu服务的区域内的所有ue的索引集，且是包含由小区内的分割的ue um的ue的索引集，其中jm是小区的索引，表示um是否与条目#k中的un共享相同rb且可被称为资源分配配置，un是并非由小区内的服务的ue，是由从um接收的信号功率，且是由从un接收的信号功率(也被称为对um上行链路的干扰)。
[0065]
由于sinr及sir结果的连续值，干扰识别问题成为回归问题。然而，许多种类的回归问题需不同解决方案，因此需要进一步推导。取方程式(3)中的sinr表达式的反演，方程式(3)可被变换为以下方程式(4)：
[0066][0067]
其中是由um传输且由接收的信号的信噪比(snr)。
[0068]
表示其中在方程式(1)中定义γ
m,n
，方程式(4)再次被改写为以下方程式(5)：
[0069][0070]
似乎很明显，方程式(5)是线性最小乘方回归算法。然而，数据集中未直接提供为了在不转换的情况下直接利用来自数据集的数据，方程式(5)中的sinr值应在以下方程式(6)中呈分贝形式表达：
[0071][0072]
在以上变换之后，方程式(5)变成非线性最小乘方回归算法。在加入缺失误差项之后，方程式(6)可变成以下方程式(7)：
[0073][0074]
其中∈是通过及以外的变量捕获对的所有效应的误差项。
[0075]
利用非线性最小乘方回归算法，可解决上行链路干扰识别问题。即，通过针对每一干扰ue un训练及所述干扰识别问题被解决。输出是由所有及组成的干
扰模型。在图4中说明整个过程。
[0076]
如图4中所展示，在接收到ue um的数据集之后，在步骤402处，cu可使用数据集中的sinr值及wn，迭代计算及直到数据集中的sinr值与经计算之间的误差低于预设阈值。
[0077]
在步骤403处，cu可将及放在一起作为ue um的干扰向量。实际上，针对由cu服务的区域中的每一ue，cu可计算ue的干扰向量。在步骤404处，产生ue的干扰向量。此外，可利用相同操作来产生所述区域中的其它ue的干扰向量。因此，干扰模型是由上述干扰向量形成。
[0078]
如图4中所展示，干扰模型呈干扰矩阵的形式存储，其中行m表示ue um的上行链路的干扰向量，行m的列n中的元素(除最后一列之外)表示与由接收的来自ue um的信号及来自ue un的干扰的sir相关联的值(例如，sir的倒数)，行m的最后一列中的元素表示与ue um的上行链路的snr相关联的值(例如，snr的倒数)。
[0079]
请再次参考图2a。利用经产生干扰模型，在步骤213中cu可基于从干扰模型导出的至少一个经预测sinr值来产生新资源分配配置。例如，在获得及之后，cu可基于以下方程式(8)来获得ue um的上行链路的至少一个经预测sinr值
[0080][0081]
其中wn∈{0,1}可为ue um及其它ue un的新资源分配配置。cu可产生ue um及其它ue un的至少一个新资源分配配置wn。根据方程式(8)，经预测sinr中的每一者可对应于ue um及其它ue un的新资源分配配置。
[0082]
在获得至少一个经预测sinr值之后，cu可基于至少一个经预测sinr值来选择ue um及其它ue un的至少一个新资源分配配置中的一者。例如，可选择新资源分配配置使得基于选定新资源分配配置确定的经预测sinr值是最优值。在另一实例中，如果新资源分配配置的经预测sinr值大于阈值，那么可选择新资源分配配置。在又一实例中，可从通过其经预测sinr值可满足ue um的传输要求的所有新资源分配配置随机选择新资源分配配置。
[0083]
在选择至少一个新资源分配配置中的一者之后，在步骤214中，cu可将在选定新资源分配配置内的指示ue um的资源分配配置的信息传输到所属领域的技术人员可理解，ue um可指代由cu服务的区域内的任一ue。
[0084]
在接收到ue的资源分配配置之后，在步骤216中，du可将资源分配配置传输到ue。接着，ue可根据新资源分配配置传输数据。
[0085]
图5说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的方法。所述方法可由如图1中所展示的cu来执行。
[0086]
如图5中所展示，在步骤502中，cu可取决于由一或多个其它ue造成的干扰而传输包含与ue相关联的至少一个信道质量测量结果的信息。ue可指代由小区内的分割的um且一或多个其它ue可指代包含在小区中的ue之外的ue。
[0087]
所述信息可进一步包含特征数据，所述特征数据可包含以下中的至少一者：分别对应于至少一个信道质量测量结果的至少一个时戳；数据类型；数据大小；数据质量；及数
据量。所述时戳对应于所述信道质量测量结果的产生时间。
[0088]
根据本公开的一些实施例，至少一个信道质量测量结果中的每一者可与由时域中的单元及频域中的单元确定的资源相关联。时域中的单元可对应于以下中的至少一者：ofdm符号、小时隙、时隙、传输时间间隔(tti)、子帧及帧。频域中的单元对应于以下中的至少一者：资源元素(re)、资源块(rb)、子信道、资源池(rp)、带宽部分(bwp)、频率载波及频带。根据本公开的实施例，至少一个信道质量测量结果中的每一者可对应于与资源相关联的信干噪比(sinr)值或参考信号接收功率(rsrp)值。
[0089]
根据本公开的一些实施例，所述信息可包含隐式或显式指示时域中的单元的索引的指示符及隐式或显式指示频域中的单元的索引的另一指示符。
[0090]
在接收到所述信息之后，cu可基于至少一个信道质量测量结果来确定ue的干扰向量。根据本公开的实施例，干扰向量可包含一或多个sir值。根据本公开的另一实施例，干扰向量可进一步包含snr值。
[0091]
根据本公开的一些实施例，cu可进一步基于所述ue及一或多个其它ue的当前资源分配配置来确定干扰向量。当前资源分配配置是针对所述ue及一或多个其它ue。根据本公开的实施例，cu可通过根据至少一个信道质量测量结果及当前资源分配配置，利用非线性最小乘方回归算法确定包含一或多个sir值及snr值的干扰向量来确定干扰向量。
[0092]
在确定干扰向量之后，cu可基于干扰向量来获得ue的至少一个经预测sinr值，其中所述经预测sinr中的每一者对应于所述ue及一或多个其它ue的候选资源分配配置。从至少一个候选资源分配配置选择所述ue及一或多个其它ue的新资源分配配置。接着，cu可基于至少一个经预测sinr值来选择所述ue及一或多个其它ue的至少一个候选资源分配配置中的一者。此后，cu可将指示ue的新资源分配配置的另一信息传输到du。
[0093]
根据本公开的一些实施例，cu可确定干扰模型。干扰模型可呈包括所述ue的干扰向量及一或多个其它ue的一或多个干扰向量的干扰矩阵的形式。例如，如图4中所展示，干扰模型呈干扰矩阵的形式存储，其中行m表示ue um的干扰向量，行m的列n中的元素(除最后一列之外)表示与由接收的来自ue um的信号及来自ue un的干扰的sir相关联的值(例如，sir的倒数)，行m的最后一列中的元素表示与ue um的snr相关联的值(例如，snr的倒数)。
[0094]
图6说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的设备600的简化框图。设备600可为如图1中所展示的cu。
[0095]
参考图6，设备600可包含至少一个接收器602、数据库模块604、数据处理模块606、干扰估计模块608、资源分配模块610及至少一个传输器612。至少一个接收器602可接收如图5中所展示的信息，且将所述信息传输到数据库模块604。所述信息可包含网络操作数据及相关联特征数据。在接收到所述信息之后，数据库模块604可存储网络操作数据及相关联特征数据。数据处理模块606可从数据库模块604提取数据，操作数据预处理程序以产生图3c中所展示的数据集，且将所述数据集传送到干扰估计模型608。
[0096]
干扰估计模块608可从数据处理模块606接收数据集，对数据集操作如图4中所展示的训练算法以产生干扰模型，将干扰模型呈干扰向量或矩阵的形式存储到数据库模块604中。
[0097]
在接收到来自du的调度请求后，资源分配模块610可从数据库模块604提取干扰模
型，调用sinr预测算法以产生经预测sinr值，且接着基于经预测sinr值来产生新资源分配配置。在产生新资源分配配置之后，资源分配模块610可将新资源分配配置发送到所述设备的至少一个传输器612使得至少一个传输器612可将新资源分配配置传输到du。
[0098]
根据本公开的一些实施例，可将sinr预测模块与资源分配模块分离以从数据库模块604提取干扰模型且操作sinr预测算法以产生经预测sinr值。因此，资源分配模块可调用经预测sinr值以执行资源分配功能。
[0099]
针对智能网络管理，应将智能启用器添加到以上模块中的每一者。
[0100]
根据本技术案的一些实施例，应针对数据库模块添加ienabler。数据库模块的ienabler可跟踪网络状态更新信息，通过检查特征数据来检查数据库存储状态，通过确定及删除低质量数据及过期数据来维护数据库，验证其它实体对数据请求的隐私保护，向其它实体通知数据更新。
[0101]
根据本技术案的一些实施例，应针对数据处理模块添加ienabler。数据处理模块的ienabler可通过检查特征数据来跟踪数据库状态，跟踪网络状态更新信息，确定是否需要更新数据集，及如果需要那么触发数据处理模块的操作。
[0102]
根据本技术案的一些实施例，应针对干扰估计模块添加ienabler。干扰估计模块的ienabler可通过检查特征数据来跟踪数据库状态，跟踪网络状态更新信息，确定是否需要更新干扰模型，及如果需要那么触发干扰估计模块的操作。
[0103]
根据本技术案的一些实施例，应针对资源分配模块添加ienabler。资源分配模块的ienabler可通过检查特征数据来跟踪数据库状态，跟踪网络状态更新信息，确定是否应更新资源分配配置，及如果需要那么触发资源分配模块的操作。
[0104]
图7说明根据本技术案的一些其它实施例的用于上行链路干扰识别及sinr预测的方法。所述方法可由如图1中所展示的du来执行。
[0105]
如图7中所展示，在步骤702中，du可从ue接收参考信号。如2图中所说明，可根据当前资源分配配置在资源集上接收参考信号。ue可指代由小区内的分割的um。
[0106]
在步骤704中，du可基于参考信号来产生至少一个信道质量测量结果。
[0107]
根据本公开的一些实施例，至少一个信道质量测量结果中的每一者可与由时域中的单元及频域中的单元确定的资源相关联。时域中的单元可对应于以下中的至少一者：ofdm符号、小时隙、时隙、传输时间间隔(tti)、子帧及帧。频域中的单元可对应于以下中的至少一者：资源元素(re)、资源块(rb)、子信道、资源池(rp)、带宽部分(bwp)、频率载波及频带。根据本公开的实施例，至少一个信道质量测量结果中的每一者可对应于与资源相关联的信干噪比(sinr)值或参考信号接收功率(rsrp)值。
[0108]
在步骤706中，du可将包含至少一个信道质量测量结果的信息传输到其服务cu。
[0109]
根据本发明的一些实施例，所述信息可进一步包含特征数据，所述特征数据可包含以下中的至少一者：分别对应于至少一个信道质量测量结果的至少一个时戳；数据类型；数据大小；数据质量；及数据量。
[0110]
根据本公开的一些实施例，所述信息可包含隐式或显式指示时域中的单元的索引的指示符及隐式或显式指示单元频域中的索引的另一指示符。
[0111]
在传输所述信息之后，du可从cu接收ue的资源分配配置信息，且接着du可将所述资源分配配置信息传输到ue。
[0112]
图8说明根据本技术案的一些实施例的用于上行链路干扰识别及sinr预测的设备的简化框图。设备800可为如图1中所展示的cu。
[0113]
参考图8，设备800可包含至少一个非暂时性计算机可读媒体82、至少一个接收器84、至少一个传输器86及至少一个处理器88。在本技术案的一些实施例中，至少一个接收器84及至少一个传输器86且经集成到至少一个收发器中。至少一个非暂时性计算机可读媒体82可存储有计算机可执行指令。至少一个处理器88可经耦合到至少一个非暂时性计算机可读媒体82、至少一个接收器84及至少一个传输器86。计算机可执行指令可经编程以结合至少一个接收器84、至少一个传输器86及至少一个处理器88实施方法。所述方法可为根据本技术案的实施例的方法，例如图5中所展示的方法。
[0114]
图9说明根据本技术案的一些其它实施例的用于上行链路干扰识别及sinr预测的设备的简化框图。设备900可为如图1中所展示的du。
[0115]
参考图9，设备900可包含至少一个非暂时性计算机可读媒体92、至少一个接收器94、至少一个传输器96及至少一个处理器98。在本技术案的一些实施例中，至少一个接收器94及至少一个传输器96且经集成到至少一个收发器中。至少一个非暂时性计算机可读媒体92可存储有计算机可执行指令。至少一个处理器98可经耦合到至少一个非暂时性计算机可读媒体92、至少一个接收器94及至少一个传输器96。计算机可执行指令可经编程以结合至少一个接收器94、至少一个传输器96及至少一个处理器98实施方法。所述方法可为根据本技术案的实施例的方法，例如图7中所展示的方法。
[0116]
参考如图10a-12b中所展示的模拟结果，可很好地理解根据本技术案一些实施例的方法的优点。例如，图10a-10b说明根据本技术案的一些其它实施例的关于干扰识别的性能的模拟结果；图11a-11b说明根据本技术案的一些其它实施例的关于sinr预测的性能的模拟结果；及图12a-12b说明根据本技术案的一些其它实施例的关于本公开中所提出的算法的效率及有效性的模拟结果。
[0117]
以上模拟结果可基于模拟中使用的一些参数来获得。即，在模拟中，由cu分割的区域可包含每行4个毫微微小区及总共4行。即，udn中存在16个毫微微小区，即，j＝16。每一毫微微小区是具有10m的边长的正方形且毫微微小区不重叠。一个毫微微小区接入点(fap)及2个ue随机放在每一毫微微小区中，且因此i＝32。任何2个fap之间的距离不应短于8m。系统带宽经配置为5mhz，由25个rb组成，即，图3a-3c中的k等于25。另外，每一ue具有23dbm(即，200mw)的最大传输功率，且加性高斯白噪声(awgn)的功率密度是-174dbm/hz。信道模型是如tr 36.814中所定义的城市室内场景。所述参数仅用于模拟中，且所提出算法适合任何超密集网络模型。此外，每个用户使用500000条目数据集以训练其干扰模型，即，图3a-3c中的t等于50000。
[0118]
图10a说明关于经预测干扰值与理想干扰值之间的偏差的经验累积分布函数的模拟结果。如图10a中所展示，纵轴表示经验累积分布函数，横轴表示经预测干扰值与理想干扰值的偏差的绝对值。根据图10a中的模拟结果，经预测与理想干扰功率之间的几乎所有偏差均低于0.25db。即，所提出解决方案可非常精确地识别干扰。
[0119]
图10b说明在干扰识别的情况下关于每一用户的均方误差(mse)的模拟结果。如图10b中所展示，纵轴表示均方误差，横轴表示用户索引。根据图10a中的模拟结果，用户的平均mse低于0.1db。
[0120]
图11a说明关于经预测sinr值与实际sinr值之间的偏差的经验累积分布函数的模拟结果。如图11a中所展示，纵轴表示经验累积分布函数，横轴表示经预测sinr值与理想干扰值之间的偏差的绝对值。根据图11a中的模拟结果，超过80％的预测偏差小于0.25db。尽管仍存在超过15％的预测偏离从1db到1.75db的范围，但几乎所有预测均是snr预测(即，没有其它用户与选定用户共享相同rb)。由于snr通常足够大(在模拟中，大于70db)，因此小于1.75db的误差仍不显著。因此，所提出解决方案可很好地预测sinr。
[0121]
图11b说明在sinr预测的情况下关于每一用户的均方误差的模拟结果。如图11b中所展示，纵轴表示均方误差，横轴表示用户索引。根据图10a中的模拟结果，用户的平均mse是约0.55db。
[0122]
为了比较本技术案中的解决方案的效率及有效性，引入比较算法。一种算法是多层感知器神经网络(nn-mlp)算法，另一算法是线性最小乘方回归算法(lra)。本技术案中所提出的算法使用nlra作为缩写。
[0123]
图12a说明在各种数据集大小下每一算法的平均根mse(rmse)。如图12a中所展示，与nn-mlp相比，nlra在所有数据集大小下均实现至少10％的精度，而lra远差于其它算法。
[0124]
图12b说明在各种数据集大小下每一算法的每用户训练时间的总和。如图12b中所展示，nlra可以nn-mlp的十分之一的时间完成训练。考虑到其更高精度，nlra在所有方面均远好于nn-mlp。
[0125]
本技术案的实施例提供一种非线性最小乘方回归算法。通过利用干扰模型形成的理论推导，所述算法具有非常高的效率，而训练时间与经输入数据的时间跨度相当。因此，可通过使用根据本技术案的实施例的所提出方法来实现实时干扰关系建模。与因不准确模型表达式及噪声数据而产生误差的现存(神经网络)nn方法相比，根据本技术案的实施例的方法可能仅因噪声数据而产生误差。此外，nn方法需要训练模型表达式及参数两者，而根据本技术案的实施例的方法可能需要训练参数。另外，针对具有2个隐藏层的nn，使用相同数据集，训练时间将是我们根据本技术案的实施例所提出的方法的10倍。
[0126]
根据本技术案的实施例的方法也可在编程处理器上实施。然而，控制器、流程图及模块也可在通用或专用计算机、编程微处理器或微控制器及外围集成电路元件、集成电路、例如离散元件电路的硬件电子或逻辑电路、可编程逻辑装置等上实施。通常，其上驻留能够实施图中所展示的流程图的有限状态机的任何装置均可用以实施本技术案的处理器功能。例如，本技术案的实施例提供一种用于从语音辨识情感的设备，包含处理器及存储器。用于实施用于从语音辨识情感的方法的计算机可编程指令经存储在存储器中，且处理器经配置以执行计算机可编程指令以实施用于从语音辨识情感的方法。所述方法可为如上文所陈述的方法或根据本技术案的实施例的其它方法。
[0127]
替代实施例优选地在存储计算机可编程指令的非暂时性计算机可读存储媒体中实施根据本技术案的实施例的方法。所述指令优选地由优选地与网络安全系统集成在一起的计算机可执行组件来执行。非暂时性计算机可读存储媒体可经存储在任何合适的计算机可读媒体上，例如ram、rom、快闪存储器、eeprom、光学存储装置(cd或dvd)、硬盘驱动器、软盘驱动器或任何合适装置。计算机可执行组件优选地是处理器，但所述指令可替代地或另外由任何合适的专用硬件装置来执行。例如，本技术案的实施例提供一种存储有计算机可编程指令的非暂时性计算机可读存储媒体。计算机可编程指令经配置以实施如上文所陈述
的用于从语音辨识情感的方法或根据本技术案的实施例的其它方法。
[0128]
虽然本技术案已通过其特定实施例进行描述，但显然许多替代、修改及变动对于所属领域的技术人员来说可为显而易见的。例如，可在其它实施例中互换、添加或替换所述实施例的各种组件。而且，每一图的所有元件对于所公开实施例的操作来说不是必需的。例如，所公开实施例领域的一般技术人员将能够通过简单地采用独立权利要求的元件来制作及使用本技术案的教示。因此，如本文中所阐述的本技术案的实施例意在是说明性的，而不是限制性的。在不脱离本技术案的精神及范围的情况下可进行各种改变。