机器学习辅助式用例分类和自适应天线调谐的制作方法

机器学习辅助式用例分类和自适应天线调谐
1.根据35 u.s.c.
§
119的优先权要求
2.本专利申请要求于2019年11月1日提交的题为“machine learning-assisted use case classification and adaptive antenna tuning(机器学习辅助式用例分类和自适应天线调谐)”的非临时申请no.16/671,721的优先权，该非临时申请已转让给本技术受让人并且由此通过援引被明确纳入于此。
3.引言
4.本公开的各方面涉及机器学习辅助式用例分类和自适应天线调谐。
5.无线设备(诸如智能电话)可具有多个天线以用于传达无线数据。使用此类设备的方式(例如，智能电话正在被如何握持)可影响天线的性能并由此影响数据无线传输的性能。例如，降级的性能可导致缓慢的无线数据传输、增加的电池使用、以及增加的无线网络干扰。
6.相应地，需要用于基于无线电子设备正在被如何使用来对移动设备的无线传输系统的使用进行适配的系统和方法。
7.简要概述
8.某些方面提供了一种生成用于电子设备的电子设备用例确定模型的方法，包括：生成第一类型的电子设备中的无线数据传输系统的多个测试测量，其中该多个测试测量中的每个测试测量与该第一类型的电子设备的预定义用例相关联；以及基于该多个测试测量来训练机器学习模型，以基于该第一类型的电子设备的多个操作值来确定该第一类型的电子设备的用例。
9.进一步方面提供了一种训练系统，包括：包括计算机可执行指令的存储器；处理器，其被配置成执行这些计算机可执行指令并使该训练系统：生成第一类型的电子设备中的无线数据传输系统的多个测试测量，其中该多个测试测量中的每个测试测量与该第一类型的电子设备的预定义用例相关联；以及基于该多个测试测量来训练机器学习模型，以基于该第一类型的电子设备的多个操作值来确定该第一类型的电子设备的用例。
10.进一步方面提供了一种用于自适应地调谐电子设备中的无线数据传输系统的方法，包括：生成该电子设备中的该无线数据传输系统的元件的多个测量；基于用例确定模型和该多个测量来生成该电子设备的所确定用例；确定与该所确定用例相关联的一个或多个天线设置；基于该一个或多个天线设置来调谐该无线数据传输系统；以及使用该一个或多个天线设置经由该无线数据传输系统来传送数据。
11.进一步方面提供了一种电子设备，包括：无线数据传输系统；包括计算机可执行指令的存储器；处理器，其被配置成执行这些计算机可执行指令并使该电子设备：生成该电子设备中的该无线数据传输系统的元件的多个测量；基于用例确定模型和该多个测量来生成该电子设备的所确定用例；确定与该所确定用例相关联的一个或多个天线设置；基于该一个或多个天线设置来调谐该无线数据传输系统；以及使用该一个或多个天线设置经由该无线数据传输系统来传送数据。
12.以下描述和相关附图详细阐述了一个或多个方面的某些解说性特征。
13.附图简述
14.附图描绘了该一个或多个方面中的某些方面，并且因此不被认为限制本公开的范围。
15.图1a描绘了针对无线电子设备的三种不同用例的测试结果的示例。
16.图1b描绘了基于所测得的测试结果的针对无线电子设备的示例用例决策边界。
17.图2描绘了用于确定用例并在无线电子设备中执行自适应孔径调谐的示例系统。
18.图3描绘了生成训练数据以训练用例确定模型的各方面。
19.图4描绘了用例确定模型的示例。
20.图5描绘了用于执行用例确定和自适应天线调谐的示例流程图。
21.图6描绘了生成无线电子设备用例确定模型并将其部署到无线电子设备的示例方法。
22.图7描绘了基于用例确定模型来执行自适应天线调谐的示例方法。
23.图8解说了可被配置成基于用例确定模型来执行自适应天线调谐方法的示例电子设备。
24.为了促成理解，在可能之处使用了相同的附图标记来指定各附图共有的相同要素。构想一个方面的要素和特征可有益地纳入其他方面而无需进一步引述。
25.详细描述
26.本公开的各方面提供了用于机器学习辅助式用例分类和自适应天线调谐的装置、方法、处理系统和计算机可读介质。
27.随着无线电子设备变得越来越小且功能越来越强，设计无线数据传输系统的挑战变得更加复杂，这至少部分地归因于在此类设备紧凑且复杂的内部范围内设计有效天线的复杂性。事实上，由于当代无线电子设备一次在许多无线频率上操作以进行传输和接收两者，因此不同设计的多个天线在单个设备中通常是必要的。
28.功能设计和封装挑战仅仅是为无线电子设备创建有效无线数据传输系统的整体挑战的一个方面。此类设备的不同使用模式或“用例”带来了另一挑战，因为不同用例会不同地影响(诸)无线数据传输系统的性能。
29.例如，相对于右手或用双手，左手握持无线电子设备(诸如智能电话或平板计算机)可能改变无线数据传输性能，因为不同手位会不同地影响不同天线。由此，用例(诸如：左手使用、右手使用、放置在表面(例如，用户的膝盖)、放置在一范围内(例如，口袋、汽车或飞机中)、(例如，经由usb或类似电缆)插入时使用等等)一般都会不同地影响无线数据传输性能。值得注意的是，这些仅是几个示例用例，并且一般而言，无线电子设备的用例可以是使用该设备的任何可标识方式。
30.由无线电子设备的不同用例引起的性能降级可以用各种方式来缓解和恢复。
31.例如，可以动态地执行阻抗匹配和调谐以改善电子设备中天线的性能。一般而言，阻抗是对能量流过系统的反抗。恒定的电子信号可具有恒定的阻抗，而变化的电子信号可具有随频率变化而变化的阻抗。阻抗一般具有复数值，其包括形成该值的“实”部的电阻分量以及形成该值的“虚”部的电抗分量。
32.天线阻抗与天线的输入处的电压和电流有关。天线阻抗的“实”部表示辐射出天线或在天线内被吸收的功率，而阻抗的“虚”部表示存储在天线近场中的功率，即，非辐射功
率。当系统的阻抗针对天线被优化时，天线一般更高效并且由此更有效。
33.阻抗匹配是指设计电负载的输入阻抗或其对应信号源的输出阻抗以最大化功率传输并最小化来自负载的信号反射。但由于阻抗随可变频率信号而变化，因此可使用动态阻抗调谐来调谐天线以匹配射频前端(rffe)，使得从rf前端到天线的功率传输被最大化。
34.阻抗调谐可在“开环”配置(其中使用(例如，用于预定用例的)预定参数来将天线调谐至系统)中或“闭环”配置(其中动态地调整参数以将天线调谐至系统)中执行。在这两种情形中，参数(无论是预定的还是动态确定的)都可以与用例匹配，以便在根据该用例使用无线电子设备时改善天线性能(例如，总辐射功率和回波损耗)。
35.孔径调谐是恢复由无线电子设备的不同用例引起的性能的另一方式。一般而言，天线孔径调谐是修改天线的谐振频率以匹配特定应用或频率的过程。通过针对特定应用或频率来调谐天线的谐振频率，针对该特定应用或在该特定频率处改善了天线的效率。孔径调谐由此可允许对多个频率处的多个应用使用相同的天线。
36.用于执行天线的孔径调谐的一种方式是修改天线的电气长度以调整其谐振频率。在一些方面，使用开关通过将天线连接到不同长度的接地路径来调整天线的谐振频率。还可以使用电容器或电感器来进一步调整谐振频率，以支持不同频带。它们可以连接在开关与辐射元件之间。
37.有益地，孔径调谐相比阻抗调谐可具有更少的损耗，并且相比阻抗调谐可甚至更能改善天线效率。但这两种方法并不互斥，并且这两种方法的组合相比单独任一种方法可以产生更好的结果。
38.孔径调谐一般可改善天线的性能，诸如其操作频带、回波损耗、带宽、增益、以及效率。在当代移动设备(诸如智能电话、平板计算机、智能可穿戴设备等等)中，孔径调谐可以有益地提高设备在不同时间在多个频带中操作的能力(在可被称为频带选择调谐的调谐中)。
39.在一些方面，可使用在天线馈送与天线之间并联(例如，分流型开关)或串联的一个或多个开关来执行孔径调谐。每个开关选择性地将天线连接到不同电气长度的接地路径，由此改变天线的谐振并从而改变天线的性能，而无需对天线的任何结构改变。
40.自适应孔径调谐器可使用各种测量来确定天线的最佳孔径设置。例如，反馈接收测量可被用于确定无线电子设备的当前用例。
41.常规地，可在数个不同用例中测试无线电子设备以生成用于查找表(或类似物)的用例表征数据，该查找表随后可以被用于在设备处于使用中时确定用例。
42.例如，图1a描绘了三种不同用例(自由空间、右手和左手)的测试结果以及每组测试结果的经计算平均值。基于测试结果，平均点可被称为用例的特征点或代表点。在该示例中，测试结果测量针对给定频率的实阻抗和虚阻抗，并且可基于无线电子设备的能力来在许多不同频率上执行测试。基于这些测量结果，可确定简单的用例决策边界，如图1b中所描绘的(如由弧线所描绘的)。
43.如图1b中进一步所示，“实时”测量102可被标绘并与不同用例的代表点和/或与用例决策边界进行比较，以确定无线电子设备当前正在被如何使用(例如，无线电子设备的当前用例)。
44.可惜的是，测量和用例之间的初始建模(诸如图1a中所示)是耗时、昂贵的并且通
常代表性不足，这是因为对投入生产的任何给定设备(例如，相对于各种用例)可被使用的无数种不同方式进行测试是不切实际的。例如，可以在几个不同位置对设备进行测试以确定几个不同用例，但该测试将很少能真正代表各个用户可对该设备进行处置的各种各样的不同方式。例如，如图1b中所描绘的，决策边界覆盖三种示例用例中的每种用例的代表点周围的广泛区域，并且这些大的区域可能过度代表特定用例。
45.进一步如图1b中所描绘的，存在用例决策边界交叠的许多区域，使得一个点可能落入多个用例的边界内，从而导致用例确定中的附加不确定性。因此，如在本示例中使用交叠的简单决策边界和代表点可能需要无线电子设备进行附加处理，这会减慢操作并使用更多功率。
46.更一般而言，常规测试的局限性导致有限的用例测试数据和模型，其具有基于实时数据测量来可靠地确定设备当前正在被如何使用(例如，相对于所定义用例集合)的有限能力。值得注意的是，用例误确定或误预测可导致错误的天线调谐器设置被应用，并导致设备的未臻最优的无线数据传输性能。
47.为了改善常规测试和用例确定，本文所描述的系统和方法实现经训练机器学习模型以基于测量数据来确定与设备正在被如何使用相关联的用例。机器学习模型(例如，神经网络模型)可基于测试测量数据以及合成数据来进行训练，以降低数据收集和测试要求并且由此简化用例确定。一般而言，用例确定可基于模型的连续数值输出，或者基于模型的类别或离散输出(诸如分类)。在一些方面，用例确定可被称为用例预测。
48.此外，本文所描述的经训练机器学习模型可实现过滤器或二级分类器以决定在任何给定的时间点是否有必要作出新用例确定，这在不需要新确定的许多情形中节省处理功率。
49.又进一步，本文所描述的经训练机器学习模型可被配置成自动忽略无法区分的用例，这避免了基于过度包含的常规决策边界的错误用例确定(诸如关于图1b所讨论的)。最后，本文所描述的机器学习模型可以按频率和/或孔径调谐器状态进行拆分，以缩减其维度，从而进一步降低处理功率要求。
50.用于执行自适应天线调谐的示例系统
51.图2描绘了用于在无线电子设备中执行自适应天线调谐的示例系统200。
52.系统200包括调制解调器210，调制解调器210在该方面包括测量组件212、用例确定模型214、自适应天线调谐组件216、以及用例设置数据库218。
53.测量组件212可被配置成从无线电子设备的其他方面接收测量数据，诸如阻抗和频率测量。例如，在一方面，测量组件212可从射频前端230接收测量。
54.附加地或替换地，测量组件212可从无线收发机220接收测量数据。例如，在一些方面，无线收发机220可包括反馈接收机(fbrx)，该反馈接收机是比较所传送信号沿传输链在不同点的测量的电路。在此类方面，可确定电压驻波比(vswr)，该电压驻波比提供对发射信号的复阻抗的测量。随后，调制解调器210的一方面(诸如自适应天线调谐216)可获取复阻抗并将其转换为天线处的阻抗。如上所述，该天线阻抗可被用于确定天线如何受到不同设备用例的影响。该过程类似于使用网络分析器来测量天线的阻抗和/或回波损耗。
55.用例确定模型214可被配置成经由测量组件212接收测量并确定无线电子设备的用例。用例确定模型214的示例在下文参照图4更详细地描述。
56.自适应天线调谐组件216可从用例确定模型214接收无线电子设备的所确定用例并从用例设置数据库218检索相关联的用例设置以确定一个或多个天线调谐参数，诸如孔径和/或阻抗调谐参数。自适应天线调谐组件216被进一步配置成：将调谐参数提供给射频前端230中的阻抗调谐器232和孔径调谐器234以改善天线250的性能。
57.为了传送和接收数据，调制解调器210连接到无线收发机220，无线收发机220进而连接到射频前端(rffe)230，rffe 230连接到天线250(其可代表多个天线)。注意，调制解调器210可包括为简单起见在该示例中未描绘的许多其他方面，诸如：处理核、只读存储器(rom)、随机存取存储器(ram)、安全组件、外围组件、高速缓存等等。
58.在该方面，射频前端230包括阻抗调谐器232和孔径调谐器234，阻抗调谐器232和孔径调谐器234分别被配置成执行阻抗调谐和孔径调谐。注意，射频前端230可包括为简单起见在该示例中未描绘的许多其他方面，诸如：功率放大器、功率跟踪器、双工器、六工器、开关、低噪声放大器、滤波器、天线开关、以及提取器，仅举几例。
59.射频前端230进一步连接到天线250。注意，在该示例中，为简单起见描绘了单个天线250，但射频前端230可连接到多个天线。此外，该示例描绘了单个射频前端，但其他方面可包括诸如用于不同无线电接入技术的多个射频前端。
60.实现用于在无线电子设备中使用基于机器学习的用例确定模型来执行自适应天线调谐的系统(诸如系统200)可以显著改善电子设备的(诸)无线数据传输系统的性能。例如，可达成3-5db的天线效率改善连同降低的功率使用、增加的电池寿命、以及减少的网络干扰。此类改善虽然一般是有益的，但可能与某些场景特别相关，诸如在室内和/或在蜂窝小区边缘使用、或者在按使得多个天线被覆盖的方式处置无线电子设备时。
61.值得注意的是，图2为简单起见仅描绘了无线电子设备的选定方面，并且许多其他方面是可能的，诸如其他处理器、存储器、传感器、输入和输出设备、外围系统等等。
62.用于为用例确定模型生成训练数据的示例方法
63.图3描绘了生成训练数据以训练被配置成确定电子设备正在被如何使用的用例确定模型的各方面。
64.具体而言，图3描绘了收集与不同用例相关联的测试数据的示例300，在该示例中这些用例包括：自由空间、右手使用和左手使用。在该示例中，如图1a中的示例一样，测试数据测量包括针对各种频率的虚阻抗和实阻抗。例如，这些测量可以是相对于无线电子设备的天线来进行的。
65.在一些方面，诸如图3中所描绘的(并且不同于图1a中所描绘的)，基于测试数据点的统计采样来生成附加的合成数据点。例如，在各方面可使用合成少数过采样技术(smote)和核密度估计(kde)。然而，可使用用于对分布进行过采样的任何统计方法。合成数据点通过增加可用于模型训练的被标记数据点的数目来提高训练机器学习模型的能力。
66.在一些方面，除了与用例相关联的合成数据点之外，还可生成不与用例相关联的附加合成数据点。此类数据点(其可被称为合成背景数据点)可在用例确定模型的训练期间改善用例决策边界稳健性。这些数据点可被放置成例如使得它们与任何其他测试数据点(包括其他合成背景数据点)维持最小距离，以使得测试区域的其余部分被填充有此类点。
67.测试数据点(以及在该方面还有合成测试数据点)被用作用于模型训练302的被标记测试数据。在该示例中，模型训练302可包括监督式机器学习训练技术以训练基于机器学
习的用例确定模型304。在一些方面，用例确定模型304是神经网络模型。例如，用例确定模型304可以是如图2中所描绘的用例确定模型214的示例。
68.在一些方面，可通过基于特定状态(例如，孔径调谐器状态或阻抗调谐器状态)以及基于不同频率将训练拆分成训练批次来降低模型训练步骤302的复杂性。这种批量训练可以将模型的训练时间减少到数分钟而不是数小时或数天。
69.在训练之后，用例确定模型304被配置成基于实时数据(诸如在图2中的测量组件212处接收的测量数据)来确定用例。
70.在一个方面，用例确定模型304可被配置成确定每个用例的用例决策边界，诸如用例决策边界306a-306c。在一些方面，决策边界306a-306c可通过以下方式来确定：跨宽范围的值模拟针对阻抗(在该示例中)的实分量和虚分量的测量并确定其中每个用例的概率高于阈值(诸如高于95％的概率)的边界点。然而，阈值对于不同场景是可调谐的。
71.图3中的决策边界306a-306c可被称为封闭且复杂的决策边界，这是因为边界包封测得值的特定区域，并且边界不一定与单个“代表点”相距固定距离(诸如图1b的示例中所描绘的)。确切而言，每个决策边界基于对用例确定模型的训练是复杂的。
72.决策边界的复杂性或“紧密性”可通过改变基于神经网络的用例确定模型中节点的数目来进行操纵。例如，一般而言增加节点数目往往会使决策边界更紧密且更复杂，而减少节点数目会使决策边界更松散或更简单。
73.实时数据(诸如点308a和308b)可被标绘并与决策边界(诸如306a-306c)进行比较，以确定无线电子设备正在被如何使用(例如，参照由决策边界定义的用例)。
74.例如，由于实时数据点308a落入决策边界306a内，因此可以为无线电子设备确定“自由空间”用例。相比之下，由于实时数据点308b落在所有经表征的决策边界306a-306c之外，因此无法可靠地确定当前用例。在此类情形中，可维持无线电子设备的现有用例并忽略实时数据，这是因为无法可靠地确定替换用例。值得注意的是，这与图1b中所描绘的简单决策边界(其中将基于被不那么良好地定义的用例决策边界来更频繁地确定新用例)形成对比。
75.在另一示例中，用例确定模型可输出与每个用例相对应的概率并选择超过概率阈值的最高概率。在此类示例中，截止阈值可以被视为不确信是任何经表征用例的测试数据点的过滤器。
76.示例用例确定模型架构
77.图4描绘了用例确定模型400架构的示例。用例确定模型400可以是图2中的用例确定模型214或图3中的用例确定模型304的示例。
78.用例确定模型400包括两个分类器404和406，这两个分类器404和406可被称为第一级分类器或第一阶段分类器以及第二级分类器或第二阶段分类器。具体而言，第一级分类器404可以是经训练机器学习模型(诸如神经网络模型)，其获取以下一者或多者作为输入：实阻抗测量、虚阻抗测量、频率、孔径调谐器状态、以及阻抗调谐器状态。值得注意的是，在其他方面，第一级分类器可获取图4中所描绘的那些输入的子集作为输入、或者图4中未示出的附加输入。图4仅是一个可能方面。
79.基于输入402，第一级分类器404可输出多个确定406之一。例如，第一级分类器404可确定无线电子设备应当保持其当前用例，这意味着孔径调谐器设置和阻抗调谐器设置可
以保留在其当前状态并且第二级分类器可以被绕过。
80.例如，在一个方面，第一级分类器404比较先前数据点和当前数据点，并确定差异。如果该差异小于差异阈值，则无线电子设备保持其当前用例。另一方面，如果该差异大于差异阈值，则第一级分类器404可确定无线电子设备处于“过渡中”。一旦差异回到低于差异阈值(即，在确定无线电子设备处于过渡中之后)，则第二级分类器408可被用来确定无线电子设备的新用例。
81.由此，第一级分类器404充当第二级分类器408的旁路过滤器。绕过第二级分类器节省处理资源。测试已显示，在一些情形中，少至1.4％的数据点需要第二级分类。
82.作为另一示例，第一级分类器404可确定无线电子设备处于过渡状态并且因此该无线电子设备还不应改变其天线调谐。例如，图3中的数据点308b可表示由决策边界306a指示的自由空间用例与由决策边界306c指示的左手用例之间的过渡状态。
83.作为另一示例，第一级分类器404可确定无线电子设备的用例已改变并且因此第二级分类器408应当被用来确定该新用例。在此类情形中，第二级分类器可获取相同的输入402(或其某个子集)并确定无线电子设备的新用例410。新用例可由自适应天线调谐组件(诸如图2中的组件216)使用，以便改变一个或多个天线的调谐以改善电子设备的无线数据传输系统的整体性能。
84.值得注意的是，图4仅是用例确定模型配置的一个示例，并且可以使用其他模型类型和配置。例如，在替换方面，可使用单级分类器来直接确定用例而无需过滤阶段。此外，可使用不同输入或输入的混合，并且第一级分类器的不同输出是可能的。
85.如图4的用例确定模型可针对无线电子设备的不同类型(例如，不同模型或配置)进行训练。在一些方面，基本用例确定模型可被加载到无线电子设备中并且随后特定无线电子设备的特定参数可经由例如配置文件被加载到无线电子设备上。例如，配置文件可包括用于一个或多个分类器(诸如图4的第一级分类器404和第二级分类器408)的一个或多个参数矩阵。
86.部署基于机器学习的用例确定模型可显著改善正确用例标识。例如，相较于常规系统和方法的用例确定准确率为67％，测试已显示本文所描述的系统和方法的用例确定准确率为95％。
87.示例用例确定和自适应天线调谐流程
88.图5描绘了用于执行用例确定和自适应天线调谐的示例流程图500。
89.流程500开始于502，其中射频前端(诸如图2中的230)进行与无线电子设备中一个或多个天线的性能相关的测量并将其转发到测量组件(诸如图2中的测量组件212)。在一些方面，测量可与以下一者或多者相关：发射链中元件(诸如天线)的虚阻抗、实阻抗、和/或频率。
90.在其他方面，测量可由收发机的元件执行，诸如上面参照图2中的反馈接收机222所讨论的。
91.测量组件212随后在步骤504将测量转发到用例确定模型，诸如图2中的用例确定模型214或图4中的用例确定模型400。
92.用例确定模型214随后在步骤506使用这些测量作为输入并确定无线电子设备的用例。注意，如在图4中一样，用例确定模型214作出的确定可以是不改变无线电子设备的用
例。在此类情形中，所确定的用例可以是当前用例。
93.当用例确定模型214在步骤506确定新用例(即，与无线电子设备的当前用例不同的一个用例)时，用例确定模型214随后在步骤508将所确定的用例转发到自适应天线调谐器，诸如图2中的自适应天线调谐组件216。
94.自适应天线调谐组件216随后在步骤510基于所确定的用例向用例设置数据库(例如，查找表或关系数据库)请求因用例而异的天线调谐设置。用例设置数据库218在步骤512返回因用例而异的天线设置。例如，因用例而异的天线设置可包括(诸如用于图2的阻抗调谐器232和孔径调谐器234的)阻抗调谐器设置和/或孔径调谐器设置。
95.自适应天线调谐组件216随后在步骤514将因用例而异的天线设置转发到射频前端230以供实现。
96.射频前端230随后在步骤516实现因用例而异的天线设置并使用该因用例而异的天线设置来传送数据。在一些方面，实现因用例而异的天线设置可涉及对多个天线进行阻抗和/或孔径调谐。
97.值得注意的是，图5仅是流程的一个示例，并且不同的流程是可能的。例如，在其他方面，流程500的各方面可通过将各种数据置于共享数据总线上而不是将其从无线电子设备的一个元件直接传送到该无线电子设备的另一元件来执行。
98.生成用例确定模型的示例方法
99.图6描绘了生成无线电子设备用例确定模型并将其部署到无线电子设备的示例方法600。
100.方法600开始于步骤602：生成第一类型的电子设备中的无线数据传输系统的多个测试测量。在一些方面，该多个测试测量中的每个测试测量与第一类型的电子设备的预定义用例相关联。
101.在一些方面，该多个测试测量包括以下一者或多者：该无线数据传输系统的元件的实阻抗；该无线数据传输系统的该元件的虚阻抗；该无线数据传输系统的频率；阻抗调谐器状态；和/或孔径调谐器状态。在一些方面，该元件是该无线数据传输系统的天线。
102.方法600随后行进至步骤604：基于该多个测试测量来训练机器学习模型，以基于第一类型电子设备的多个实时或操作数据值来确定第一类型的电子设备的用例。例如，操作数据值可以是与电子设备的无线数据传输系统相关联的实时测量。此外，电子设备类型可以是例如特定电子设备型号或者共享相同或相似无线数据传输系统或其组件的特定电子设备系列。
103.在一些方面，机器学习模型是神经网络模型。
104.在一些方面，训练机器学习模型进一步包括：训练机器学习模型的第一分类器以确定第一类型的电子设备是否不再处于第一用例，以及训练机器学习模型的第二分类器以确定第一类型的电子设备的第二用例，诸如上面参照图4所描述的。
105.方法600随后行进至步骤606：将机器学习模型部署到第一类型的电子设备。部署机器学习模型的电子设备可以是针对其进行了测试测量的同一设备、同一特定型号的不同设备、或与针对其进行了测试测量的设备共享相同或相似无线数据传输系统(或其组件)的同一特定电子设备系列中的一不同设备。
106.在一些方面，方法600进一步包括：基于该多个测试测量来生成多个合成测量，以
及基于该多个合成测量来训练机器学习模型。
107.在一些方面，方法600进一步包括：基于经训练的机器学习模型来确定多个封闭决策边界，其中该多个决策边界中的每个决策边界与第一类型的电子设备的预定义用例相关联，诸如上面参照图3所描述的。
108.执行自适应天线调谐的示例方法
109.图7描绘了基于用例确定模型来执行自适应天线调谐的示例方法700。
110.方法700开始于步骤702：生成电子设备中的无线数据传输系统的元件的多个测量。
111.在一些方面，该多个测量包括以下一者或多者：无线数据传输系统的元件的实阻抗、无线数据传输系统的元件的虚阻抗、无线数据传输系统的频率、阻抗调谐器状态、以及孔径调谐器状态。
112.方法700随后行进至步骤704：基于用例确定模型和该多个测量来确定电子设备的用例。
113.在一些方面，用例确定模型是神经网络模型。在一些方面，用例确定模型包括：第一分类器，其被配置成确定电子设备是否不再处于第一用例；以及第二分类器，其被配置成确定电子设备的第二用例，诸如上面参照图4所描述的。在一些方面，用例确定模型被存储在电子设备的调制解调器的存储器中。
114.在一些方面，确定电子设备的用例包括将测量与多个封闭决策边界进行比较，其中该多个决策边界中的每个决策边界与电子设备的预定义用例相关联，诸如上面参照图3所描述的。
115.方法700随后行进至步骤706：确定与所确定的用例相关联的一个或多个天线设置。
116.在一些方面，与所确定的用例相关联的该一个或多个天线设置包括以下一者或多者：阻抗调谐器设置；或孔径调谐器设置。
117.在一些方面，确定与所确定的用例相关联的该一个或多个天线设置包括：查询用例设置数据库；以及从用例设置数据库接收与所确定的用例相关联的该一个或多个天线设置，诸如上面参照图5所描述的。
118.方法700随后行进至步骤708：基于该一个或多个天线设置来调谐无线传输系统。
119.在一些方面，基于该一个或多个天线设置来调谐无线传输系统包括：向电子设备的孔径调谐器提供孔径调谐器设置。
120.在一些方面，基于该一个或多个天线设置来调谐无线传输系统进一步包括：向电子设备的阻抗调谐器提供阻抗调谐器设置。
121.方法700随后行进至步骤710：使用该一个或多个天线设置经由无线传输系统来传送数据。
122.图8解说了示例电子设备800。电子设备800可被配置成执行本文所描述的方法，包括参照图5-7所描述的方法。
123.电子设备700包括中央处理单元(cpu)802，其在一些实施例中可以是多核cpu。在cpu 802处执行的指令可例如从与cpu 802相关联的程序存储器加载或可从存储器块824加载。
124.电子设备800还包括为特定功能定制的附加处理块，诸如图形处理单元(gpu)804、数字信号处理器(dsp)806、神经处理单元(npu)808、多媒体处理块810、多媒体处理单元810、以及无线连通性块812。
125.在一种实现中，npu 808在cpu 802、gpu 804和/或dsp 806中的一者或多者中实现。
126.在一些实施例中，无线连通性块712可包括例如用于第三代(3g)连通性、第四代(4g)连通性(例如，4g lte)、第五代连通性(例如，5g或nr)、wi-fi连通性、蓝牙连通性、以及根据其他无线数据传输标准的其他连通性的组件。无线连通性处理块812进一步连接到一个或多个天线814。
127.电子设备800还可包括与任何方式的传感器相关联的一个或多个传感器处理器816、与任何方式的图像传感器相关联的一个或多个图像信号处理器(isp)816、和/或可包括基于卫星的定位系统组件(例如，gps或glonass)以及惯性定位系统组件的导航处理器820。
128.电子设备800还可包括一个或多个输入和/或输出设备822，诸如屏幕、触敏表面(包括触敏显示器)、物理按钮、扬声器、话筒等等。
129.在一些实施例中，电子设备800的一个或多个处理器可基于arm指令集。
130.电子设备800还包括存储器824，该存储器824代表一个或多个静态和/或动态存储器，诸如动态随机存取存储器、基于闪存的静态存储器等等。在该示例中，存储器824包括计算机可执行组件，其可由电子设备800的前述处理器中的一个或多个处理器执行。具体而言，在该实施例中，存储器824包括生成组件824a、确定组件824b、调谐组件824c、接收组件824d、以及传送组件824e。
131.一般而言，电子设备800或其组件可被配置成执行本文所描述的方法。
132.替换方面
133.替换方面在以下带编号条款中阐述。
134.条款1：一种生成用于电子设备的电子设备用例确定模型的方法，包括：生成第一类型的电子设备中的无线数据传输系统的多个测试测量，其中该多个测试测量中的每个测试测量与该第一类型的电子设备的预定义用例相关联；以及基于该多个测试测量来训练机器学习模型，以基于该第一类型的电子设备的多个操作值来确定该第一类型的电子设备的用例。
135.条款2：如条款1所述的方法，其中，该机器学习模型是神经网络模型。
136.条款3：如条款1或2中任一项所述的方法，其中，该多个测试测量包括：该无线数据传输系统的元件的实阻抗；该无线数据传输系统的该元件的虚阻抗；该无线数据传输系统的频率；以及以下一者或多者：阻抗调谐器状态；或者孔径调谐器状态。
137.条款4：如条款3所述的方法，其中，该元件是该无线数据传输系统的天线。
138.条款5：如条款1至4中任一项所述的方法，进一步包括：基于该多个测试测量来生成多个合成测量；以及基于该多个合成测量来训练该机器学习模型。
139.条款6：如条款1至5中任一项所述的方法，其中，训练该机器学习模型进一步包括：训练该机器学习模型的第一分类器以确定该第一类型的电子设备是否不再处于第一用例；以及训练该机器学习模型的第二分类器以确定该第一类型的电子设备的第二用例。
140.条款7：如条款1至6中任一项所述的方法，进一步包括：基于经训练的机器学习模型来确定多个封闭决策边界，其中该多个封闭决策边界中的每个封闭决策边界与该第一类型的电子设备的预定义用例相关联。
141.条款8：如条款1至7中任一项所述的方法，进一步包括：将该机器学习模型部署到该第一类型的电子设备。
142.条款9：一种训练系统，包括：包括计算机可执行指令的存储器；处理器，其被配置成执行这些计算机可执行指令并使该训练系统：生成第一类型的电子设备中的无线数据传输系统的多个测试测量，其中该多个测试测量中的每个测试测量与该第一类型的电子设备的预定义用例相关联；以及基于该多个测试测量来训练机器学习模型，以基于该第一类型的电子设备的多个操作值来确定该第一类型的电子设备的用例。
143.条款10：如条款9所述的训练系统，其中，该机器学习模型是神经网络模型。
144.条款11：如条款9至10中任一项所述的训练系统，其中，该多个测试测量包括：该无线数据传输系统的元件的实阻抗；该无线数据传输系统的该元件的虚阻抗；该无线数据传输系统的频率；以及以下一者或多者：阻抗调谐器状态；或者孔径调谐器状态。
145.条款12：如条款11所述的训练系统，其中，该元件是该无线数据传输系统的天线。
146.条款13：如条款9至12中任一项所述的训练系统，进一步包括：基于该多个测试测量来生成多个合成测量；以及基于该多个合成测量来训练该机器学习模型。
147.条款14：如条款9至13中任一项所述的训练系统，其中，为了训练该机器学习模型，该处理器被进一步配置成使该训练系统：训练该机器学习模型的第一分类器以确定该第一类型的电子设备是否不再处于第一用例；以及训练该机器学习模型的第二分类器以确定该第一类型的电子设备的第二用例。
148.条款15：如条款9至14中任一项所述的训练系统，其中：该处理器被进一步配置成使该训练系统基于经训练的机器学习模型来确定多个封闭决策边界，并且该多个封闭决策边界中的每个封闭决策边界与该第一类型的电子设备的预定义用例相关联。
149.条款16：如条款9至15中任一项所述的训练系统，其中，该处理器被进一步配置成使该训练系统：将该机器学习模型部署到该第一类型的电子设备。
150.条款17：一种包括计算机可执行指令的非瞬态计算机可读介质，这些计算机可执行指令在由处理系统的处理器执行时使该处理系统执行根据条款1至8中任一项所述的方法。
151.条款18：一种用于自适应地调谐电子设备中的无线数据传输系统的方法，包括：生成该电子设备中的该无线数据传输系统的元件的多个测量；基于用例确定模型和该多个测量来确定该电子设备的用例；确定与所确定的用例相关联的一个或多个天线设置；基于该一个或多个天线设置来调谐该无线数据传输系统；以及使用该一个或多个天线设置经由该无线数据传输系统来传送数据。
152.条款19：如条款18所述的方法，其中：该用例确定模型是神经网络模型。
153.条款20：如条款18或19中任一项所述的方法，其中，该用例确定模型被存储在该电子设备的调制解调器的存储器中。
154.条款21：如条款18至20中任一项所述的方法，其中，该多个测量包括：该无线数据传输系统的该元件的实阻抗；该无线数据传输系统的该元件的虚阻抗；该无线数据传输系
统的频率；以及以下一者或多者：阻抗调谐器状态；或者孔径调谐器状态。
155.条款22：如条款18至21中任一项所述的方法，其中，该用例确定模型包括：第一分类器，其被配置成确定该电子设备是否不再处于第一用例；以及第二分类器，其被配置成确定该电子设备的第二用例。
156.条款23：如条款18至22中任一项所述的方法，其中，确定该电子设备的该用例包括：将这些测量与多个封闭决策边界进行比较，其中该多个封闭决策边界中的每个封闭决策边界与该电子设备的预定义用例相关联。
157.条款24：如条款18至23中任一项所述的方法，其中，与所确定的用例相关联的该一个或多个天线设置包括以下一者或多者：阻抗调谐器设置；或者孔径调谐器设置。
158.条款25：如条款18至24中任一项所述的方法，其中，确定与所确定的用例相关联的该一个或多个天线设置包括：查询用例设置数据库；以及从该用例设置数据库接收与所确定的用例相关联的该一个或多个天线设置。
159.条款26：如条款18至25中任一项所述的方法，其中，基于该一个或多个天线设置来调谐该无线数据传输系统包括：向该电子设备的孔径调谐器提供孔径调谐器设置。
160.条款27：如条款18至26中任一项所述的方法，其中，基于该一个或多个天线设置来调谐该无线数据传输系统进一步包括：向该电子设备的阻抗调谐器提供阻抗调谐器设置。
161.条款28：一种电子设备，包括：无线数据传输系统；包括计算机可执行指令的存储器；处理器，其被配置成执行这些计算机可执行指令并使该电子设备：生成该电子设备中的该无线数据传输系统的元件的多个测量；基于用例确定模型和该多个测量来确定该电子设备的用例；确定与所确定的用例相关联的一个或多个天线设置；基于该一个或多个天线设置来调谐该无线数据传输系统；以及使用该一个或多个天线设置经由该无线数据传输系统来传送数据。
162.条款29：如条款28所述的电子设备，其中：该用例确定模型是神经网络模型。
163.条款30：如条款28或29中任一项所述的电子设备，其中：该无线数据传输系统包括调制解调器，该调制解调器包括该存储器，并且该用例确定模型被存储在该调制解调器的该存储器中。
164.条款31：如条款28至30中任一项所述的电子设备，其中，该多个测量包括：该无线数据传输系统的该元件的实阻抗；该无线数据传输系统的该元件的虚阻抗；该无线数据传输系统的频率；以及以下一者或多者：阻抗调谐器状态；或者孔径调谐器状态。
165.条款32：如条款28至31中任一项所述的电子设备，其中，该用例确定模型包括：第一分类器，其被配置成确定该电子设备是否不再处于第一用例；以及第二分类器，其被配置成确定该电子设备的第二用例。
166.条款33：如条款28至32中任一项所述的电子设备，其中，为了确定该电子设备的该用例，该处理器被进一步配置成使该电子设备：将这些测量与多个封闭决策边界进行比较，其中该多个封闭决策边界中的每个封闭决策边界与该电子设备的预定义用例相关联。
167.条款34：如条款28至33中任一项所述的电子设备，其中，与所确定的用例相关联的该一个或多个天线设置包括以下一者或多者：阻抗调谐器设置；或者孔径调谐器设置。
168.条款35：如条款28至34中任一项所述的电子设备，其中，为了确定与所确定的用例相关联的该一个或多个天线设置，该处理器被进一步配置成使该电子设备：查询用例设置
数据库；以及从该用例设置数据库接收与所确定的用例相关联的该一个或多个天线设置。
169.条款36：如条款28至35中任一项所述的电子设备，其中，为了基于该一个或多个天线设置来调谐该无线数据传输系统，该处理器被进一步配置成使该电子设备：向该电子设备的孔径调谐器提供孔径调谐器设置。
170.条款37：如条款28至36中任一项所述的电子设备，其中，为了基于该一个或多个天线设置来调谐该无线数据传输系统，该处理器被进一步配置成使该电子设备：向该电子设备的阻抗调谐器提供阻抗调谐器设置。
171.条款38：一种包括计算机可执行指令的非瞬态计算机可读介质，这些计算机可执行指令在由处理系统的处理器执行时使该处理系统执行根据条款18至27中任一项所述的方法。
172.提供先前描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。本文所讨论的示例并非是对权利要求中阐述的范围、适用性或者方面的限定。对这些方面的各种修改将容易为本领域技术人员所明白，并且在本文中所定义的普适原理可被应用于其他方面。例如，可以对所讨论的要素的功能和布置作出改变而不会脱离本公开的范围。各种示例可恰适地省略、替代、或添加各种规程或组件。例如，可以按与所描述的次序不同的次序来执行所描述的方法，并且可以添加、省略、或组合各种步骤。而且，参照一些示例所描述的特征可在一些其他示例中被组合。例如，可使用本文中所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为本文中所阐述的本公开的各个方面的补充或者不同于本文中所阐述的本公开的各个方面的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，本文中所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
173.如本文中所使用的，术语“示例性”意指“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
174.如本文中所使用的，引述一列项目中的“至少一者”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、和a-b-c，以及具有多重相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c，或者a、b和c的任何其他排序)。
175.如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可包括演算、计算、处理、推导、研究、查找(例如，在表、数据库或另一数据结构中查找)、查明及诸如此类。而且，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)及诸如此类。而且，“确定”可包括解析、选择、选取、建立及诸如此类。
176.本文中所公开的各方法包括用于实现方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。此外，上述方法的各种操作可由能够执行相应功能的任何合适的装置来执行。这些装置可包括各种硬件和/或软件组件和/或模块，包括但不限于电路、专用集成电路(asic)、或处理器。一般地，在存在附图中解说的操作的场合，这些操作可具有带相似编号的相应配对装置加功能组件。
177.以下权利要求并非旨在被限定于本文中示出的各方面，而是应被授予与权利要求
的语言相一致的全部范围。在权利要求内，对单数元素的引用不旨在意指“有且只有一个”(除非专门如此声明)，而是“一个或多个”。除非特别另外声明，否则术语“一些/某个”指的是一个或多个。权利要求的任何要素都不应当在35u.s.c.
§
112(f)的规定下来解释，除非该要素是使用短语“用于
……
的装置”来明确叙述的或者在方法权利要求情形中该要素是使用短语“用于
……
的步骤”来叙述的。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且旨在被权利要求所涵盖。此外，本文所公开的任何内容都不旨在捐献于公众，无论此类公开内容是否明确记载在权利要求书中。