用于无线信道估计和跟踪的神经网络扩增的制作方法

用于无线信道估计和跟踪的神经网络扩增
1.相关申请的交叉引用
2.本技术要求于2021年6月16日提交的题为“neural network augmentation for wireless channel estimation and tracking(用于无线信道估计和跟踪的神经网络扩增)”的美国专利申请no.17/349,744的优先权，其要求于2020年6月19日提交的题为“neural network augmentation for wireless channel estimation and tracking(用于无线信道估计和跟踪的神经网络扩增)”的美国临时专利申请no.63/041,637的权益，这些申请的公开内容通过援引整体明确纳入于此。
3.公开领域
4.本公开的各方面一般涉及无线通信，尤其涉及用于通过神经网络扩增来进行信道估计的技术和装置。
5.背景
6.无线通信系统被广泛部署以提供诸如电话、视频、数据、消息接发、和广播等各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发射功率等)来支持与多个用户通信的多址技术。此类多址技术的示例包括码分多址(cdma)系统、时分多址(tdma)系统、频分多址(fdma)系统、正交频分多址(ofdma)系统、单载波频分多址(sc-fdma)系统、时分同步码分多址(td-scdma)系统、以及长期演进(lte)。lte/高级lte是对由第三代伙伴项目(3gpp)颁布的通用移动电信系统(umts)移动标准的扩增集。
7.无线通信网络可包括能支持数个用户装备(ue)通信的数个基站(bs)。ue可经由下行链路和上行链路与bs进行通信。下行链路(或即前向链路)指从bs到ue的通信链路，而上行链路(或即反向链路)指从ue到bs的通信链路。如将更详细描述的，bs可以被称为b节点、gnb、接入点(ap)、无线电头端、传送接收点(trp)、新无线电(nr)bs、5g b节点等等。
8.以上多址技术已经在各种电信标准中被采纳以提供使得不同的用户装备能够在城市、国家、地区、以及甚至全球级别上进行通信的共同协议。新无线电(nr)(其还可被称为5g)是对由第三代伙伴项目(3gpp)颁布的lte移动标准的扩增集。nr被设计成通过在下行链路(dl)上使用具有循环前缀(cp)的正交频分复用(ofdm)(cp-ofdm)、在上行链路(ul)上使用cp-ofdm和/或sc-fdm(例如，也被称为离散傅里叶变换扩展ofdm(dft-s-ofdm))以及支持波束成形、多输入多输出(mimo)天线技术和载波聚集以改善频谱效率、降低成本、改善服务、利用新频谱、以及更好地与其他开放标准进行整合，来更好地支持移动宽带因特网接入。
9.人工神经网络可以包括诸群互连的人工神经元(例如，神经元模型)。人工神经网络可以是计算设备或表示为要由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种前馈人工神经网络。卷积神经网络可以包括可以在平铺感受野中配置的各神经元层。将神经网络处理应用于无线通信以达成更高的效率可以是合乎需要的。
10.概述
11.在本公开的一方面，一种由通信设备执行的方法包括基于在该通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步(time step)生成对信道的初始信道估计。该
方法进一步包括用神经网络来推断对当前时步的初始信道估计的残差。该方法进一步包括基于该残差来更新对当前时步的初始信道估计。
12.本公开的另一方面涉及一种通信设备处的装备。该装备包括用于基于在该通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计的装置。该装备进一步包括用于用神经网络来推断对当前时步的初始信道估计的残差的装置。该装备进一步包括用于基于该残差来更新对当前时步的初始信道估计的装置。
13.在本公开的另一方面，公开了一种通信设备处的其上记录有非瞬态程序代码的非瞬态计算机可读介质。程序代码由处理器执行并且包括用于以下操作的程序代码：基于在该通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计。程序代码进一步包括用于用神经网络来推断对当前时步的初始信道估计的残差的程序代码。程序代码进一步包括用于基于该残差来更新对当前时步的初始信道估计的程序代码。
14.本公开的另一方面涉及一种通信设备处的装置。该装置包括处理器；与该处理器耦合的存储器；以及存储在该存储器中的指令，这些指令在被处理器执行时可操作用于使该装置：基于在该通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计。指令的执行还使该装置用神经网络来推断对当前时步的初始信道估计的残差。指令的执行还使该装置基于该残差来更新对当前时步的初始信道估计。各方面一般包括如基本上在本文参照附图和说明书描述并且如附图和说明书所解说的方法、装置(设备)、系统、计算机程序产品、非瞬态计算机可读介质、用户装备、基站、无线通信设备和处理系统。
15.前述内容已较宽泛地勾勒出根据本公开的示例的特征和技术优势以力图使下面的详细描述可被更好地理解。附加的特征和优势将在此后描述。所公开的概念和具体示例可容易地被用作修改或设计用于实施与本公开相同目的的其他结构的基础。此类等效构造并不背离所附权利要求书的范围。所公开的概念的特性在其组织和操作方法两方面以及相关联的优势将因结合附图来考虑以下描述而被更好地理解。每一附图是出于解说和描述目的来提供的，而非定义对权利要求的限定。
16.附图简述
17.为了可以详细地理解本公开的特征，可以参照各方面进行更具体的描述，其中一些方面在附图中解说。然而应注意，附图仅解说了本公开的某些方面，故不应被认为限定其范围，因为本描述可允许有其他等同有效的方面。不同附图中的相同附图标记可标识相同或相似的元素。
18.图1是概念性地解说根据本公开的各个方面的无线通信网络的示例的框图。
19.图2是概念性地解说根据本公开的各个方面的无线通信网络中基站与用户装备(ue)处于通信的示例的框图。
20.图3解说了根据本公开的某些方面的使用片上系统(soc)(包括通用处理器)来设计神经网络的示例实现。
21.图4a、4b和4c是解说根据本公开的各方面的神经网络的示图。
22.图4d是解说根据本公开的各方面的示例性深度卷积网络(dcn)的示图。
23.图5是解说根据本公开的各方面的示例性深度卷积网络(dcn)的框图。
24.图6是解说根据本公开的各方面的递归神经网络(rnn)的示意图。
25.图7是解说根据本公开的各方面的在多个时步处通过神经扩增单元来扩增卡尔曼滤波器(kf)的输出的示例的框图。
26.图8是解说根据本公开的各方面的被配置成用经神经扩增的卡尔曼滤波器来估计信道和跟踪信道的无线通信设备的示例的框图。
27.图9是解说根据本公开的各个方面的例如由接收方设备执行的示例过程的示图。
28.详细描述
29.以下参照附图更全面地描述本公开的各个方面。然而，本公开可用许多不同形式来实施并且不应解释为被限于本公开通篇给出的任何具体结构或功能。确切而言，提供这些方面是为了使得本公开将是透彻和完整的，并且其将向本领域技术人员完全传达本公开的范围。基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可使用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所阐述的本公开的各个方面的补充或者另外的其他结构、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，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。
30.现在将参照各种装置和技术给出电信系统的若干方面。这些装置和技术将在以下详细描述中进行描述并在附图中由各种框、模块、组件、电路、步骤、过程、算法等(统称为“元素”)来解说。这些元素可使用硬件、软件、或其组合来实现。此类元素是实现成硬件还是软件取决于具体应用和加诸于整体系统上的设计约束。
31.应当注意到，虽然各方面以下可使用通常与5g和后代无线技术相关联的术语来描述，但本公开的各方面可以在基于其他代的通信系统，诸如并包括3g和/或4g技术中应用。
32.在无线通信系统中，传送方可处理(例如，编码和调制)数据以生成数据码元。在一些示例中，传送方将导频码元与数据码元复用并经由无线信道传送经复用信号。在一些此类示例中，无线信道可以用信道响应来使该经复用信号畸变。附加地，干扰(诸如信道噪声)可降低信号质量。在此类无线通信系统中，接收方接收经复用信号并处理接收到的信号以解调并解码数据。具体而言，在一些示例中，接收方可基于接收到的导频码元来估计信道。接收方可基于信道估计来获取数据码元估计。数据码元可以是对由传送方发送的数据码元的估计。接收方可处理(例如，解调和解码)数据码元估计以获取原始数据。
33.接收方的检测数据的能力、数据码元估计的质量以及经解码数据的可靠性可基于信道估计的质量。在一些示例中，接收方的检测数据的能力、数据码元估计的质量以及经解码数据的可靠性随着信道估计质量的提高而提高。因此，推导出高质量信道估计可以是合乎需要的。信道估计在无线信道状况可随时间变化的情况下可以是有挑战性的。例如，无线信道在一个时刻可以是相对静态的，而在另一时刻可以是动态的。作为示例，信道可由于传送方和/或接收方的移动性而变化。
34.在一些示例中，接收方和传送方之间的信道可通过离散的随机过程来估计，其中每一个时步对应于一个正交频分复用(ofdm)码元。该离散的随机过程可生成表示信道估计的向量或张量。在一些情形中，卡尔曼滤波器(kf)随时间跟踪信道估计。
35.卡尔曼滤波器采取隐马尔可夫模型(hmm)，其中真实信道是隐藏过程，并且观测到的导频是观测到的过程。卡尔曼滤波器可基于该隐马尔可夫模型来跟踪信道。附加地，卡尔
曼滤波器假设信道的线性过渡动态和线性观测动态。用于卡尔曼滤波器的参数可基于所跟踪的信道数据来推导出。在一些情形中，参数可基于附加假设(诸如用于多普勒频谱的jakes模型)来推导出。
36.卡尔曼滤波器的假设可能偏离信道的实际演变动态，由此降低信道估计准确性。本公开的各方面涉及经神经扩增的kf(na-kf)。该na-kf可结合卡尔曼滤波器中封装的信道演进的物理学。附加地，na-kf可通过向卡尔曼滤波器的估计添加残差来校正实际信道动态与卡尔曼滤波器的假设之间的失配。可跟踪残差，而不是跟踪信道，以提高可传递性。
37.图1是解说可以在其中实践本公开的各方面的网络100的示图。网络100可以是5g或nr网络或某一其他无线网络，诸如lte网络。无线网络100可包括数个bs 110(示为bs 110a、bs 110b、bs 110c、以及bs 110d)和其他网络实体。bs是与用户装备(ue)通信的实体并且还可被称为基站、nr bs、b节点、gnb、5g b节点(nb)、接入点、传送接收点(trp)等等。每个bs可为特定地理区域提供通信覆盖。在3gpp中，术语“蜂窝小区”可以指bs的覆盖区域和/或服务该覆盖区域的bs子系统，这取决于使用该术语的上下文。
38.bs可以为宏蜂窝小区、微微蜂窝小区、毫微微蜂窝小区、和/或另一类型的蜂窝小区提供通信覆盖。宏蜂窝小区可覆盖相对较大的地理区域(例如，半径为数千米)，并且可允许由具有服务订阅的ue无约束地接入。微微蜂窝小区可覆盖相对较小的地理区域，并且可允许由具有服务订阅的ue无约束地接入。毫微微蜂窝小区可覆盖相对较小的地理区域(例如，住宅)，并且可允许由与该毫微微蜂窝小区有关联的ue(例如，封闭订户群(csg)中的ue)有约束地接入。用于宏蜂窝小区的bs可被称为宏bs。用于微微蜂窝小区的bs可被称为微微bs。用于毫微微蜂窝小区的bs可被称为毫微微bs或家用bs。在图1中示出的示例中，bs 110a可以是用于宏蜂窝小区102a的宏bs，bs 110b可以是用于微微蜂窝小区102b的微微bs，并且bs 110c可以是用于毫微微蜂窝小区102c的毫微微bs。bs可支持一个或多个(例如，三个)蜂窝小区。术语“enb”、“基站”、“nr bs”、“gnb”、“trp”、“ap”、“b节点(nb)”、“5g nb”和“蜂窝小区”可以可互换地使用。
39.在一些方面，蜂窝小区可不必是驻定的，并且蜂窝小区的地理区域可根据移动bs的位置而移动。在一些方面，bs可通过各种类型的回程接口(诸如直接物理连接、虚拟网络等等)使用任何合适的传输网络来彼此互连和/或互连至无线网络100中的一个或多个其他bs或网络节点(未示出)。
40.无线网络100还可以包括中继站。中继站是能接收来自上游站(例如，bs或ue)的数据的传输并向下游站(例如，ue或bs)发送该数据的传输的实体。中继站也可是能为其他ue中继传输的ue。在图1中示出的示例中，中继站110d可与宏bs 110a和ue 120d进行通信以促成bs 110a与ue 120d之间的通信。中继站还可被称为中继bs、中继基站、中继、等等。
41.无线网络100可以是包括不同类型的bs(例如，宏bs、微微bs、毫微微bs、中继bs等)的异构网络。这些不同类型的bs可具有不同的发射功率电平、不同的覆盖区域、以及对无线网络100中的干扰的不同影响。例如，宏bs可具有高发射功率电平(例如，5到40瓦)，而微微bs、毫微微bs和中继bs可具有较低发射功率电平(例如，0.1到2瓦)。
42.网络控制器130可耦合至bs集合并且可提供对这些bs的协调和控制。网络控制器130可以经由回程来与各bs进行通信。这些bs还可例如经由无线或有线回程直接或间接地彼此通信。
43.ue 120(例如，120a、120b、120c)可分散遍及无线网络100，并且每个ue可以是驻定或移动的。ue还可被称为接入终端、终端、移动站、订户单元、站、等等。ue可以是蜂窝电话(例如，智能电话)、个人数字助理(pda)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(wll)站、平板、相机、游戏设备、上网本、智能本、超级本、医疗设备或装备、生物测定传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能首饰(例如，智能戒指、智能手环))、娱乐设备(例如，音乐或视频设备、或卫星无线电)、交通工具组件或传感器、智能仪表/传感器、工业制造装备、全球定位系统设备、或者被配置成经由无线或有线介质通信的任何其他合适的设备。
44.一些ue可被认为是机器类型通信(mtc)ue、或者演进型或扩增型机器类型通信(emtc)ue。mtc和emtc ue例如包括机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等等，其可与基站、另一设备(例如，远程设备)或某个其他实体通信。无线节点可以例如经由有线或无线通信链路来为网络(例如，广域网(诸如因特网)或蜂窝网络)提供连通性或提供至该网络的连通性。一些ue可被认为是物联网(iot)设备，和/或可被实现为nb-iot(窄带物联网)设备。一些ue可被认为是客户端装备(cpe)。ue 120可被包括在外壳的内部，该外壳容纳ue 120的组件，诸如处理器组件、存储器组件、等等。
45.一般而言，在给定的地理区域中可部署任何数目的无线网络。每个无线网络可支持特定的无线电接入技术(rat)，并且可在一个或多个频率上操作。rat还可被称为无线电技术、空中接口、等等。频率还可被称为载波、频率信道、等等。每个频率可在给定的地理区域中支持单个rat以避免不同rat的无线网络之间的干扰。在一些情形中，可部署nr或5g rat网络。
46.在一些方面，两个或更多个ue 120(例如，被示为ue 120a和ue 120e)可使用一个或多个侧链路信道来直接通信(例如，不使用基站110作为中介来彼此通信)。例如，ue 120可使用对等(p2p)通信、设备到设备(d2d)通信、交通工具到万物(v2x)协议(例如，其可包括交通工具到交通工具(v2v)协议、交通工具到基础设施(v2i)协议等等)、网状网络等等进行通信。在该情形中，ue 120可执行调度操作、资源选择操作、和/或在本文中他处描述为由基站110执行的其他操作。例如，基站110可以经由下行链路控制信息(dci)、无线电资源控制(rrc)信令、媒体接入控制-控制元素(mac-ce)或经由系统信息(例如，系统信息块(sib))来配置ue 120。
47.如以上所指示的，图1仅仅是作为示例来提供的。其他示例可以不同于关于图1所描述的内容。
48.图2示出了基站110和ue 120的设计200的框图，基站110和ue 120可以是图1中的各基站之一和各ue之一。基站110可装备有t个天线234a到234t，并且ue 120可装备有r个天线252a到252r，其中一般而言t≥1且r≥1。
49.在基站110处，发射处理器220可从数据源212接收给一个或多个ue的数据，至少部分地基于从每个ue接收到的信道质量指示符(cqi)来为该ue选择一种或多种调制和编码方案(mcs)，至少部分地基于为每个ue选择的(诸)mcs来处理(例如，编码和调制)给该ue的数据，并提供针对所有ue的数据码元。减少mcs会降低吞吐量，但会提高传输的可靠性。发射处理器220还可处理系统信息(例如，针对半静态资源划分信息(srpi)等)和控制信息(例如，cqi请求、准予、上层信令等)，并提供开销码元和控制码元。发射处理器220还可生成用于参
考信号(例如，因蜂窝小区而异的参考信号(crs))和同步信号(例如，主同步信号(pss)和副同步信号(sss))的参考码元。发射(tx)多输入多输出(mimo)处理器230可在适用的情况下对数据码元、控制码元、开销码元、和/或参考码元执行空间处理(例如，预编码)，并且可将t个输出码元流提供给t个调制器(mod)232a到232t。每个调制器232可处理各自的输出码元流(例如，针对ofdm等)以获得输出采样流。每个调制器232可进一步处理(例如，转换至模拟、放大、滤波、及上变频)输出采样流以获得下行链路信号。来自调制器232a到232t的t个下行链路信号可分别经由t个天线234a到234t被传送。根据以下更详细描述的各个方面，可利用位置编码来生成同步信号以传达附加信息。
50.在ue 120处，天线252a到252r可接收来自基站110和/或其他基站的下行链路信号并且可分别向解调器(demod)254a到254r提供收到信号。每个解调器254可调理(例如，滤波、放大、下变频、及数字化)收到信号以获得输入采样。每个解调器254可进一步处理输入采样(例如，针对ofdm等)以获得收到码元。mimo检测器256可获得来自所有r个解调器254a到254r的收到码元，在适用的情况下对这些收到码元执行mimo检测，并且提供检出码元。接收处理器258可处理(例如，解调和解码)这些检出码元，将针对ue 120的经解码数据提供给数据阱260，并且将经解码的控制信息和系统信息提供给控制器/处理器280。信道处理器可确定参考信号收到功率(rsrp)、收到信号强度指示符(rssi)、参考信号收到质量(rsrq)、信道质量指示符(cqi)等等。在一些方面，ue 120的一个或多个组件可被包括在外壳中。
51.在上行链路上，在ue 120处，发射处理器264可接收和处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如，针对包括rsrp、rssi、rsrq、cqi等的报告)。发射处理器264还可生成用于一个或多个参考信号的参考码元。来自发射处理器264的码元可在适用的情况下由tx mimo处理器266预编码，由调制器254a到254r进一步处理(例如，针对dft-s-ofdm、cp-ofdm等)，并且被传送到基站110。在基站110处，来自ue 120和其他ue的上行链路信号可由天线234接收，由解调器254处理，在适用的情况下由mimo检测器236检测，并由接收处理器238进一步处理以获得经解码的由ue 120发送的数据和控制信息。接收处理器238可将经解码数据提供给数据阱239并将经解码控制信息提供给控制器/处理器240。基站110可包括通信单元244并且经由通信单元244与网络控制器130通信。网络控制器130可包括通信单元294、控制器/处理器290、以及存储器292。
52.基站110的控制器/处理器240、ue 120的控制器/处理器280、和/或图2的(诸)任何其他组件可执行与用于非线性的机器学习相关联的一种或多种技术，如在他处更详细地描述的。例如，基站110的控制器/处理器240、ue 120的控制器/处理器280、和/或图2的(诸)任何其他组件可执行或指导例如图6-8的过程和/或如所描述的其他过程的操作。存储器242和282可分别为基站110和ue 120存储数据和程序代码。调度器246可调度ue以进行下行链路和/或上行链路上的数据传输。
53.在一些方面，ue 120可包括用于以下操作的装置：用卡尔曼滤波器来生成对当前时步的信道估计；基于对当前时步的信道估计来推断残差；以及基于该残差来更新对当前时步的信道估计。此类装置可包括结合图2所描述的ue 120或基站110的一个或多个组件。
54.如以上所指示的，图2仅仅是作为示例来提供的。其他示例可以不同于关于图2所描述的内容。
55.在一些情形中，支持不同类型的应用和/或服务的不同类型的设备可以共存于蜂
窝小区中。不同类型的设备的示例包括ue手持机、客户端装备(cpe)、交通工具、物联网(iot)设备等等。不同类型的应用的示例包括超可靠低等待时间通信(urllc)应用、大规模机器类型通信(mmtc)应用、扩增型移动宽带(embb)应用、交通工具到万物(v2x)应用等等。此外，在一些情形中，单个设备可同时支持不同的应用或服务。
56.图3解说了根据本公开的某些方面的片上系统(soc)300的示例实现，其可包括被配置成用于扩增卡尔曼滤波器估计的中央处理单元(cpu)302或多核cpu。soc 300可被包括在基站110或ue 120中。变量(例如，神经信号和突触权重)、与计算设备(例如，带有权重的神经网络)相关联的系统参数、延迟、频率槽信息、以及任务信息可被存储在与神经处理单元(npu)308相关联的存储器块、与cpu 302相关联的存储器块、与图形处理单元(gpu)304相关联的存储器块、与数字信号处理器(dsp)306相关联的存储器块、存储器块318中，或可跨多个块分布。在cpu 302处执行的指令可从与cpu 302相关联的程序存储器加载或者可从存储器块318加载。
57.soc 300还可包括为具体功能定制的附加处理块，诸如gpu 304、dsp 306、连通性块310(其可包括第五代(5g)连通性、第四代长期演进(4g lte)连通性、wi-fi连通性、usb连通性、蓝牙连通性等)以及例如可检测和识别姿势的多媒体处理器312。在一种实现中，npu实现在cpu、dsp、和/或gpu中。soc 300还可包括传感器处理器314、图像信号处理器(isp)316、和/或导航模块320(其可包括全球定位系统)。
58.soc 300可基于arm指令集。在本公开的一方面，被加载到通用处理器302中的指令可包括用于以下操作的代码：用卡尔曼滤波器来生成对当前时步的信道估计；基于对当前时步的信道估计来推断残差；以及基于该残差来更新对当前时步的信道估计。
59.深度学习架构可通过学习在每一层中以逐次更高的抽象程度来表示输入、藉此构建输入数据的有用特征表示来执行对象识别任务。以此方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习办法可能严重依赖人类工程设计的特征，或许与浅分类器相结合。浅分类器可以是两类线性分类器，例如，其中可将特征向量分量的加权和与阈值作比较以预测输入属于哪一类。人类工程设计的特征可以是由拥有领域专业知识的工程师针对具体问题领域定制的模版或内核。相反，深度学习架构可学习以表示与人类工程师可能会设计的相似的特征，但它是通过训练来学习的。此外，深度网络可以学习以表示和识别人类可能还没有考虑过的新类型的特征。
60.深度学习架构可以学习特征阶层。例如，如果向第一层呈递视觉数据，则第一层可学习以识别输入流中的相对简单的特征(诸如边)。在另一示例中，如果向第一层呈递听觉数据，则第一层可学习以识别特定频率中的频谱功率。取第一层的输出作为输入的第二层可以学习以识别特征组合，诸如对于视觉数据识别简单形状或对于听觉数据识别声音组合。例如，更高层可学习以表示视觉数据中的复杂形状或听觉数据中的词语。再高层可学习以识别常见视觉对象或口述短语。
61.深度学习架构在被应用于具有自然阶层结构的问题时可能表现特别好。例如，机动交通工具的分类可受益于首先学习以识别轮子、挡风玻璃、以及其他特征。这些特征可在更高层以不同方式被组合以识别轿车、卡车和飞机。
62.神经网络可被设计成具有各种连通性模式。在前馈网络中，信息从较低层被传递到较高层，其中给定层中的每个神经元向更高层中的神经元进行传达。如上所述，可在前馈
网络的相继层中构建阶层式表示。神经网络还可具有回流或反馈(也被称为自顶向下(top-down))连接。在回流连接中，来自给定层中的神经元的输出可被传达给相同层中的另一神经元。回流架构可有助于识别跨越不止一个按顺序递送给该神经网络的输入数据组块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自顶向下)连接。当高层级概念的识别可辅助辨别输入的特定低层级特征时，具有许多反馈连接的网络可能是有助益的。
63.神经网络的各层之间的连接可以是全连通的或局部连通的。图4a解说了全连通神经网络402的示例。在全连通神经网络402中，第一层中的神经元可将它的输出传达给第二层中的每个神经元，从而第二层中的每个神经元将从第一层中的每个神经元接收输入。图4b解说了局部连通神经网络404的示例。在局部连通神经网络404中，第一层中的神经元可连接到第二层中有限数目的神经元。更一般化地，局部连通神经网络404的局部连通层可被配置成使得一层中的每个神经元将具有相同或相似的连通性模式，但其连接强度可具有不同的值(例如，410、412、414和416)。局部连通的连通性模式可能在更高层中产生空间上相异的感受野，这是由于给定区域中的更高层神经元可接收到通过训练被调谐为到网络的总输入的受限部分的性质的输入。
64.局部连通神经网络的一个示例是卷积神经网络。图4c解说了卷积神经网络406的示例。卷积神经网络406可被配置成使得与针对第二层中每个神经元的输入相关联的连接强度被共享(例如，408)。卷积神经网络可能非常适合于其中输入的空间位置有意义的问题。
65.一种类型的卷积神经网络是深度卷积网络(dcn)。图4d解说了被设计成从自图像捕捉设备430(诸如车载相机)输入的图像426识别视觉特征的dcn 400的详细示例。可对当前示例的dcn 400进行训练以标识交通标志以及在交通标志上提供的数字。当然，dcn 400可被训练用于其他任务，诸如标识车道标记或标识交通信号灯。
66.可以用受监督式学习来训练dcn 400。在训练期间，可向dcn 400呈递图像(诸如限速标志的图像426)，并且随后可计算“前向传递(forward pass)”以产生输出422。dcn 400可包括特征提取区段和分类区段。在接收到图像426之际，卷积层432可向图像426应用卷积核(未示出)，以生成第一组特征图418。作为示例，卷积层432的卷积核可以是生成28x28特征图的5x5内核。在本示例中，由于在第一组特征图418中生成四个不同的特征图，因此在卷积层432处四个不同的卷积核被应用于图像426。卷积核还可被称为过滤器或卷积过滤器。
67.第一组特征图418可由最大池化层(未示出)进行子采样以生成第二组特征图420。最大池化层减小了第一组特征图418的大小。即，第二组特征图420的大小(诸如14x14)小于第一组特征图418的大小(诸如28x28)。减小的大小向后续层提供类似的信息，同时降低存储器消耗。第二组特征图420可经由一个或多个后续卷积层(未示出)被进一步卷积，以生成后续的一组或多组特征图(未示出)。
68.在图4d的示例中，第二组特征图420被卷积以生成第一特征向量424。此外，第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可包括与图像426的可能特征(诸如，“标志”、“60”和“100”)相对应的数字。softmax(软最大化)函数(未示出)可将第二特征向量428中的数字转换为概率。如此，dcn 400的输出422是图像426包括一个或多个特征的概率。
69.在本示例中，输出422中关于“标志”和“60”的概率高于输出422的其他特征(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，由dcn 400产生的输出422很可能是不正确的。由此，可计算输出422与目标输出之间的误差。目标输出是图像426的真值(例如，“标志”和“60”)。dcn 400的权重可随后被调整以使得dcn 400的输出422与目标输出更紧密地对齐。
70.为了调整权重，学习算法可为权重计算梯度向量。该梯度可指示在权重被调整情况下误差将增加或减少的量。在顶层，该梯度可直接对应于连接倒数第二层中的活化神经元与输出层中的神经元的权重的值。在较低层中，该梯度可取决于权重的值以及所计算出的较高层的误差梯度。权重可随后被调整以减小误差。这种调整权重的方式可被称为“反向传播”，因为其涉及在神经网络中的反向传递(“backward pass”)。
71.在实践中，权重的误差梯度可能是在少量示例上计算的，从而计算出的梯度近似于真实误差梯度。这种近似方法可被称为随机梯度下降法。随机梯度下降法可被重复，直到整个系统可达成的误差率已停止下降或直到误差率已达到目标水平。在学习之后，可向dcn呈递新图像(例如，图像426的限速标志)并且通过网络前向传递可产生输出422，其可被认为是该dcn的推断或预测。
72.深度置信网络(dbn)是包括多层隐藏节点的概率性模型。dbn可被用于提取训练数据集的阶层式表示。dbn可通过堆叠多层受限波尔兹曼机(rbm)来获得。rbm是一类可在输入集上学习概率分布的人工神经网络。由于rbm可在没有关于每个输入应该被分类到哪个类的信息的情况下学习概率分布，因此rbm经常被用在无监督式学习中。使用混合无监督式和受监督式范式，dbn的底部rbm可按无监督方式被训练并且可以用作特征提取器，而顶部rbm可按受监督方式(在来自先前层的输入和目标类的联合分布上)被训练并且可用作分类器。
73.深度卷积网络(dcn)是卷积网络的网络，其配置有附加的池化和归一化层。dcn已在许多任务上达成现有最先进的性能。dcn可以使用受监督式学习来训练，其中输入和输出目标两者对于许多典范是已知的并被用于通过使用梯度下降法来修改网络的权重。
74.dcn可以是前馈网络。另外，如上所述，从dcn的第一层中的神经元到下一更高层中的神经元群的连接跨第一层中的各神经元被共享。dcn的前馈和共享连接可被用于进行快速处理。dcn的计算负担可比例如类似大小的包括回流或反馈连接的神经网络的计算负担小得多。
75.卷积网络的每一层的处理可被认为是空间不变模版或基础投影。如果输入首先被分解成多个通道，诸如彩色图像的红色、绿色和蓝色通道，则在该输入上训练的卷积网络可被认为是三维的，其具有沿着该图像的轴的两个空间维度以及捕捉颜色信息的第三维度。卷积连接的输出可被认为在后续层中形成特征图，该特征图(例如，220)中的每个元素从先前层(例如，特征图218)中一定范围的神经元以及从该多个通道中的每个通道接收输入。特征图中的值可以用非线性(诸如矫正，max(0,x))进一步处理。来自毗邻神经元的值可被进一步池化(这对应于降采样)并可提供附加的局部不变性以及维度缩减。还可通过特征图中神经元之间的侧向抑制来应用归一化，其对应于白化。
76.深度学习架构的性能可随着有更多被标记的数据点变为可用或随着计算能力提高而提高。现代深度神经网络用比仅仅十五年前可供典型研究者使用的计算资源多数千倍的计算资源来例行地训练。新的架构和训练范式可进一步推升深度学习的性能。经矫正的
线性单元可减少被称为梯度消失的训练问题。新的训练技术可减少过度拟合(over-fitting)并因此使更大的模型能够达成更好的普遍化。封装技术可抽象出给定的感受野中的数据并进一步提升总体性能。
77.图5是解说根据本公开的各方面的深度卷积网络550的框图。深度卷积网络550可包括多个基于连通性和权重共享的不同类型的层。如图5中示出的，深度卷积网络550包括卷积块554a、554b。卷积块554a、554b中的每一者可配置有卷积层(conv)356、归一化层(lnorm)558、和最大池化层(max pool)560。
78.卷积层556可包括一个或多个卷积过滤器，其可被应用于输入数据以生成特征图。尽管仅示出了两个卷积块554a、554b，但本公开不限于此，而是代之以根据设计偏好可将任何数目的卷积块554a、554b包括在深度卷积网络550中。归一化层558可对卷积过滤器的输出进行归一化。例如，归一化层558可提供白化或侧向抑制。最大池化层560可提供在空间上的降采样聚集以实现局部不变性以及维度缩减。
79.例如，深度卷积网络的并行过滤器组可被加载到soc 300的cpu 302或gpu 304上以达成高性能和低功耗。在替换实施例中，并行过滤器组可被加载到soc 300的dsp 306或isp 316上。另外，深度卷积网络550可访问其他可存在于soc 300上的处理块，诸如分别专用于传感器和导航的传感器处理器314和导航模块320。
80.深度卷积网络550还可包括一个或多个全连通层562(fc1和fc2)。深度卷积网络550可进一步包括逻辑回归(lr)层564。深度卷积网络550的每一层556、558、560、562、564之间是要被更新的权重(未示出)。每一层(例如，556、558、560、562、564)的输出可以用作深度卷积网络550中一后续层(例如，556、558、560、562、564)的输入以从第一卷积块554a处供应的输入数据552(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习阶层式特征表示。深度卷积网络550的输出是针对输入数据552的分类得分566。分类得分566可以是概率集，其中每个概率是输入数据包括来自特征集的特征的概率。
81.图6是解说根据本公开的各方面的递归神经网络(rnn)600的示意图。递归神经网络600包括输入层602、具有递归连接的隐藏层604、以及输出层606。给定具有多个输入向量x
t
(例如，x＝{x0,x1,x2…
x
t
})的输入序列x，递归神经网络600将预测输出序列z(例如，z＝{z0…zt
})中的每一个输出向量z
t
的分类标签y
t
。如图6所示，具有m个单元(例如，ho…ht
)的隐藏层604被指定在输入层602和输出层606之间。隐藏层604的m个单元存储关于输入序列x的先前值(t’《t)的信息。这m个单元可以是计算节点(例如，神经元)。在一个配置中，递归神经网络600接收输入x
t
并通过迭代以下各式来生成输出z
t
的分类标签y
t
：
[0082][0083]ht
＝f(s
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0084]ot
＝w
yhht
byꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0085]yt
＝g(o
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0086]
其中w
hx
、w
hh
和w
yh
是权重矩阵，bh和by是偏置，s
t
和o
t
分别是对隐藏层604和输出层606的输入，且f和g是非线性函数。函数f可包括矫正线性单元(relu)并且在一些方面，函数g可包括线性函数或softmax函数。另外，隐藏层节点被初始化为固定偏置bi以使得在t＝0，ho＝bi。在一些方面，bi可被设为零(例如，bi＝0)。用于具有单个训练对(x,y)的递归神经网络的目标函数c(θ)被定义为c(θ)＝∑
t
l
t
(z，t(θ))，其中θ表示该递归神经网络中的参数
集(权重和偏置)。
[0087]
如以上所指示的，图3-6是作为示例来提供的。其他示例可以不同于关于图3-6所描述的内容。
[0088]
如所描述的，接收方和传送方之间的信道可通过离散的随机过程来估计，其中每一个时步对应于一个正交频分复用(ofdm)码元。该离散的随机过程可生成表示信道估计的向量或张量。在一些实现中，信道可以是无线通信信道。在一些示例中，无线通信信道可由卡尔曼滤波器(kf)来跟踪。在一些此类示例中，卡尔曼滤波器可随时间跟踪对无线通信信道的估计。
[0089]
附加地，如所描述的，卡尔曼滤波器采取隐马尔可夫模型(hmm)，其中真实信道对应于隐藏过程，并且观测到的导频对应于观测到的过程。卡尔曼滤波器可基于该隐马尔可夫模型来跟踪信道。用于卡尔曼滤波器的参数可被推导出或基于观测到的数据，诸如观测到的导频。在一些情形中，参数可基于附加假设(诸如用于多普勒频谱的jakes模型)来分析地推导出。
[0090]
在一些示例中，卡尔曼滤波器可假设信道的线性过渡动态以及线性观测过程。在一些此类示例中，卡尔曼滤波器的假设可能偏离信道的实际演变动态，由此降低信道估计的准确性。例如，信道估计的准确性在某些信道状况(诸如高多普勒频移或不同多普勒频移的组合)下可能降低。作为另一示例，信道估计的准确性在对各种通信场景使用单个跟踪函数时可能降低。因此，提高从卡尔曼滤波器导出的信道估计的准确性可以是合乎需要的。
[0091]
本公开的各方面涉及用人工神经网络(诸如递归神经网络)来扩增卡尔曼滤波器以改进信道估计。为了便于解释，经扩增的卡尔曼滤波器可被称为经神经扩增的卡尔曼滤波器(na-kf)。附加地，神经网络可被称为神经扩增单元。在一些示例中，na-kf可纳入封装在卡尔曼滤波器的输出中的粗糙信道动态。多普勒值是粗糙信道动态的示例。在一些示例中，na-kf可提供多普勒值作为附加输出。附加地，na-kf可通过向卡尔曼滤波器的估计添加残差来校正实际信道动态与卡尔曼滤波器的假设之间的失配。在一些示例中，可跟踪残余误差，而不是跟踪信道，以提高可传递性。在一些实现中，神经扩增单元的模式学习函数可以与由卡尔曼滤波器生成的信道分析相组合以改进信道估计。
[0092]
如所描述的，卡尔曼滤波器可以用神经扩增单元(例如，递归神经网络)来扩增。在一些实现中，在每一时步处，神经扩增单元可基于卡尔曼滤波器的输出来生成残差。在一些示例中，在每一时步，卡尔曼滤波器可基于前一时步的均值和协方差估计来输出均值和协方差估计。残差可以与卡尔曼滤波器相组合以生成经残差校正估计，诸如经残差校正均值和经残差校正协方差。在一些示例中，卡尔曼滤波器的输出还可基于信道观测。在一些此类示例中，信道观测可以从接收到的导频码元(例如，参考信号)获取。在一些示例中，在缺少导频码元的情况下，神经扩增单元可以在缺少从接收到的导频码元推导出的实际导频观测的情况下生成合成导频观测。
[0093]
根据本公开的各方面，神经扩增单元不修改卡尔曼滤波器的直接输入或直接输出。在一些示例中，神经扩增单元可被禁用以提供独立的卡尔曼滤波器。在此类示例中，独立的卡尔曼滤波器可以与常规通信系统(诸如常规无线通信系统)向后兼容。
[0094]
在一些示例中，卡尔曼滤波器可采取以下隐马尔可夫模型(hmm)：
[0095][0096]
其中参数h
t
表示离散时步t处的真实信道状态的向量(例如，扁平向量)，参数w
t
表示过程噪声，并且参数v
t
表示观测噪声，并且参数a和b表示系数。在一些情形(诸如多输入多输出信道)中，参数h
t
可表示离散时步t处的信道状态的张量。附加地，参数o
t
表示从导频码元确定的信道h
t
的一部分的噪声观测。参数o
t
可被称为导频观测。
[0097]
如所描述的，接收方可基于在该信道上接收到的导频码元来估计信道。例如，信道估计可用于最大比率组合、均衡、经匹配滤波、数据检测或解调。在一些示例中，传送方(诸如参照图1描述的基站110)可以在一区间(诸如周期性区间)传送导频码元。在一些其他示例中，导频码元还可被异步地传送。在一些情形中，发射波形可基于经解码数据或控制有效载荷来重构。发射波形可用作导频以用于信道估计。卡尔曼滤波器假设处于当前状态的信道状态h
t
取决于处于一个或多个先前信道状态(诸如信道状态h
t-1
到h
t-n
)的信道状态。在式5中，当前信道状态h
t
可基于前一信道状态h
t-1
和过程噪声w
t
的线性变换。附加地，对导频观测o
t
的合成估计可基于当前信道状态h
t
和观测到的噪声v
t
的线性变换来获取。
[0098]
卡尔曼滤波器的参数可包括矩阵a和b、过程噪声w
t
以及观测噪声v
t
。参数可以从模型(诸如jakes模型)中学习或导出。卡尔曼滤波器可基于该观测o
t
(当可用时)以及对前一信道状态h
t-1
的均值和协方差估计来生成对信道状态h
t
的均值和协方差估计。估计过程可以是两步过程，其中每一步可以是线性的。
[0099]
在一些示例中，对当前信道状态h
t
的当前信道估计(诸如均值和协方差估计)可基于来自先前信道状态的均值到和协方差和估计。例如，前一信道状态h
t-1
的向量可以用多个先前信道状态h
t-1
到h
t-n
的级联向量来替代。在一个配置中，更高阶自递归信道模型可通过用表示针对多个先前时步的信道向量的级联的参数s
t
来替代式5中的参数h
t
来跟踪。在一些示例中，信道估计可以在时域中执行，因此可引入进一步的限制以包括进一步的先验信息，诸如独立的信道抽头。在一个示例中，矩阵a可被限于对角矩阵。
[0100]
图7是解说根据本公开的各方面的在多个时步处通过神经扩增单元704来扩增卡尔曼滤波器(kf)702的输出的示例700的框图。在图7的示例中，卡尔曼滤波器702和神经扩增单元704可以是ue(诸如参照图1和2描述的ue 120)的组件。在一些此类示例中，信道估计可由如参照图2描述的控制器/处理器280、发射处理器264和/或解调器254a-254r中的一者或多者来使用。在一些其他示例中，卡尔曼滤波器702和神经扩增单元704可以是基站(诸如参照图1和2描述的基站110)的组件。在一些此类示例中，信道估计可由如参照图2描述的控制器/处理器240、发射处理器220和/或解调器232a-232t中的一者或多者来使用。图7的卡尔曼滤波器702和神经扩增单元704可以是经神经扩增的卡尔曼滤波器(na-kf)的示例。
[0101]
如图7所示，在当前时步t，卡尔曼滤波器702接收前一信道估计的均值和协方差以及对当前时步t的观测o
t
。如所描述的，该时步t处的观测o
t
可基于在时步t处接收到的导频码元来生成。在一些示例中，观测o
t
可被称为即时信道估计。在图7的示例中，基于这些输入，卡尔曼滤波器702生成针对当前时步t的均值和协方差。均值和协方差可表示对当前时步t的初始信道估计。
[0102]
在每一时步处，来自卡尔曼滤波器702的均值和协方差可被输入到神经扩增单元704。如图7所示，神经扩增单元704还可从当前时步t接收观测o
t
。神经扩增单元704可以是递归网络，诸如长短期记忆(lstm)网络、门控递归单元(gru)或其他类型的递归神经网络。神经扩增单元704可生成针对当前时步t的均值残差和协方差残差。如图7所示，均值残差和协方差残差可更新卡尔曼滤波器702的均值和协方差以获取对当前时步处的信道状态的均值和协方差的实际估计。在一些示例中，均值残差可被加至卡尔曼滤波器的均值以获取对均值的实际估计。附加地，协方差残差可被加至卡尔曼滤波器702的协方差以获取对协方差的实际估计。
[0103]
在常规系统中，由卡尔曼滤波器702针对一个时步生成的均值和协方差可被输入到卡尔曼滤波器702以确定对后一时步的信道估计。作为对比，本公开的各方面用均值残差和协方差残差来扩增当前时步的均值和协方差以校正卡尔曼滤波器702的估计。即，卡尔曼滤波器702的输出与神经扩增单元704的输出交织。经校正的估计可用于卡尔曼滤波器702的后续估计。图7的示例700解说了针对多个时步t-1、t和t 1的过程。多个卡尔曼滤波器702和神经扩增单元704是出于解说目的而示出的，以示出多个时步上的时间线。本公开的各方面可以针对每一时步使用单个卡尔曼滤波器702和单个神经扩增单元704。替代地，多个卡尔曼滤波器702和神经扩增单元704可被指定用于接收方设备。
[0104]
如图7所示，参照当前时步t描述的过程可以针对后续时步(诸如下一时步t 1)重复。在一个配置中，当未接收到导频码元(例如，错过观测)时，神经扩增单元704可使用由该神经扩增单元704在前一时步t-1处生成的对当前时步t的合成观测。例如，如图7所示，在当前时步t，神经扩增单元704生成对下一时步t 1的合成观测。在一些实现中，在每一时步处，神经扩增单元704可以为用于卡尔曼滤波器702的残差进行建模并且还为对下一时步的合成观测进行建模。在错过观测的情形中，神经扩增单元704将由其自身在上一时步期间建模的对当前时步的合成观测取作输入。替代地，在观测到真实导频的情形中，神经扩增单元704可将真实观测o用作输入。在图7的示例中，可选步骤用虚线解说。合成观测可由卡尔曼滤波器702或神经扩增单元704中的一者或多者使用。在一些实现中，神经扩增单元704可被训练以基于信道状态h
t
的真值或实际观测o
t
的真值来生成合成观测。
[0105]
在一些实现中，神经扩增单元704可维护一个或多个内部状态(例如，如在lstm网络中执行的)。在一些示例中，附加信息(诸如独立的信道抽头)可以对神经扩增单元704习得的参数施加额外限制。
[0106]
在一些实现中，卡尔曼滤波器702和神经扩增单元704可被同时训练。即，卡尔曼滤波器702和神经扩增单元704可被认为是一个系统(例如，函数)并且卡尔曼滤波器702和神经扩增单元704的参数可被一起训练。参数可包括卡尔曼参数以及神经网络参数。
[0107]
在另一实现中，卡尔曼滤波器702可被单独训练。在训练卡尔曼滤波器后，卡尔曼滤波器702和神经扩增单元704的组合(例如，na-kf)可作为整体来训练。在该实现中，卡尔曼滤波器702的参数在卡尔曼滤波器702和神经扩增单元704的组合被作为整体训练时可以
是固定的。训练数据可以在卡尔曼滤波器702和神经扩增单元704的组合在单独训练卡尔曼滤波器702之后被训练时训练神经网络参数。在一个配置中，神经网络参数可基于信道估计和实际真实信道之间的损失来训练。在这一示例中，信道估计可以是卡尔曼滤波器702的估计与从神经扩增单元704输出的残差的合计。残余误差然后可被用作神经扩增单元704的真值。替代地，如所描述的，在作为整体训练卡尔曼滤波器702和神经扩增单元704的组合时，卡尔曼滤波器702的参数可以是固定的，并且神经扩增单元704的参数可被训练。即，该训练可以是两步过程，其中卡尔曼滤波器702被单独训练并且然后被插入到卡尔曼滤波器702和神经扩增单元704的组合中以学习神经网络参数(例如，权重)。
[0108]
合成观测在训练期间可以是可任选的。微调步骤可以在线或离线执行。微调过程可基于所描述的训练过程来应用。
[0109]
图8是解说根据本公开的各方面的被配置成用经神经扩增的卡尔曼滤波器来估计信道和跟踪信道的无线通信设备800的示例的框图。无线通信设备800可以是参照图1和2描述的基站110或者参照图1和2描述的ue 120的各方面的示例。无线通信设备800可包括接收机810、通信管理器815和发射机820，它们可彼此通信(例如，经由一条或多条总线)。在一些实现中，接收机810和发射机820。在一些示例中，无线通信设备800被配置成执行操作，包括以下参照图9所描述的过程900的操作。
[0110]
在一些示例中，无线通信设备800可以包括芯片、片上系统(soc)、芯片组、封装或包括至少一个处理器和至少一个调制解调器(例如，5g调制解调器或其他蜂窝调制解调器)的设备。在一些示例中，通信管理器815或其子组件可以是单独且不同的组件。在一些示例中，通信管理器815的至少一些组件被至少部分地实现为存储在存储器中的软件。例如，通信管理器815的一个或多个组件的各部分可被实现为可由处理器执行以执行相应组件的功能或操作的非瞬态代码。
[0111]
接收机810可以经由包括控制信道(例如，物理下行链路控制信道(pdcch)和数据信道(例如，物理下行链路共享信道(pdsch)))的各种信道从一个或多个其他无线通信设备诸如以分组形式接收一个或多个参考信号(例如，周期性配置的csi-rs、非周期性配置的csi-rs、或因多波束而异的参考信号)、同步信号(例如，同步信号块(ssb))、控制信息和/或数据信息)。其他无线通信设备可包括但不限于参照图1和2描述的另一基站110或另一ue 120。
[0112]
接收到的信息可被传递到无线通信设备800的其他组件。接收机810可以是参照图2所描述的接收处理器258或238的各方面的示例。接收机810可包括耦合到或以其他方式利用一组天线(例如，该组天线可以是参照图2描述的天线252a到252r或天线234a到234t的各方面的示例)的一组射频(rf)链。
[0113]
发射机820可传送由通信管理器815或无线通信设备800的其他组件生成的信号。在一些示例中，发射机820可与接收机810共处于收发机中。发射机820可以是参照图2所描述的发射处理器264的各方面的示例。发射机820可以耦合到或以其他方式利用一组天线(例如，该组天线可以是参照图2描述的天线252a到252r或天线234a到234t的各方面的示例)，该组天线可以是与接收机810共享的天线元件。在一些示例中，发射机820被配置成在物理上行链路控制信道(pucch)中传送控制信息并在物理上行链路共享信道(pusch)中传送数据。
[0114]
通信管理器815可以是参照图2所描述的控制器/处理器240或280的各方面的示例。通信管理器815包括卡尔曼滤波器825和神经扩增单元830。在一些示例中，与接收机810协同工作地，卡尔曼滤波器825可基于在该通信设备处接收到的第一信号来针对当前时步生成对信道的初始信道估计。在一些示例中，信道可以是无线通信信道。附加地，与卡尔曼滤波器825和接收机810协同工作地，神经扩增单元830推断对当前时步的初始信道估计的残差。神经扩增单元830可以是递归神经网络，诸如参照图7描述的神经扩增单元704。与卡尔曼滤波器825和神经扩增单元830协同工作地，通信管理器815可基于该残差来更新对当前时步的初始信道估计。
[0115]
图9是解说根据本公开的各方面的支持用经神经扩增的卡尔曼滤波器来估计信道和跟踪信道的无线通信的示例过程900的流程图。在一些实现中，过程900可以由作为ue(诸如以上参照图1和2描述的ue 120中的一者)或者在ue内操作的无线通信设备来执行，或者由作为基站(诸如以上参照图1和2描述的基站110中的一者)或者在基站内操作的无线通信设备来执行。
[0116]
如图9所示，过程900开始于框902，基于在该通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计。在一些示例中，信道可以是无线通信信道。在框904，过程900用神经网络来推断对当前时步的初始信道估计的残差。该神经网络可以是递归神经网络，诸如参照图7描述的神经扩增单元704。在一些示例中，对当前时步的初始信道估计可包括均值和协方差。在此类示例中，残差可包括基于初始信道估计的均值的残差均值以及基于初始信道估计的协方差的残差协方差。在框906，该过程基于该残差来更新对当前时步的初始信道估计。在一些示例中，过程900可基于更新该初始信道估计来生成实际信道估计，并且还基于实际信道估计来解码在该信道上接收到的第二信号。附加地，对当前时步的初始信道估计可基于来自前一时步的实际信道估计。
[0117]
在以下经编号条款中描述了各实现示例。
[0118]
1.一种由通信设备执行的方法，包括：
[0119]
基于在所述通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计；
[0120]
用神经网络来推断对所述当前时步的所述初始信道估计的残差；以及
[0121]
基于所述残差来更新对所述当前时步的所述初始信道估计。
[0122]
2.如条款1所述的方法，其中：
[0123]
对所述当前时步的所述初始信道估计包括均值和协方差；并且
[0124]
所述残差包括基于所述初始信道估计的所述均值的残差均值以及基于所述初始信道估计的所述协方差的残差协方差。
[0125]
3.如条款1-2中的任一项所述的方法，进一步包括生成对所述当前时步的所述初始信道估计并基于对所述当前时步的信道观测来推断所述残差。
[0126]
4.如条款3所述的方法，进一步包括从导频码元或数据码元生成所述信道观测，其中所述导频码元或数据码元的波形是通过解码前一导频码元或前一数据码元来知晓的。
[0127]
5.如条款3所述的方法，进一步包括在缺少接收到的导频码元的情况下基于合成导频估计来生成所述信道观测。
[0128]
6.如条款1-5中的任一项所述的方法，进一步包括：
[0129]
基于更新所述初始信道估计来生成实际信道估计；以及
[0130]
基于所述实际信道估计来解码在所述信道上接收到的第二信号。
[0131]
7.如条款1-6中的任一项所述的方法，进一步包括基于来自前一时步的实际信道估计来生成对所述当前时步的所述初始信道估计。
[0132]
8.如条款1-7中的任一项所述的方法，其中所述神经网络是递归神经网络。
[0133]
9.一种通信设备处的装置，包括：
[0134]
处理器；
[0135]
与所述处理器耦合的存储器；以及
[0136]
指令，所述指令被存储在所述存储器中并且在由所述处理器执行时能操作用于使所述装置：
[0137]
基于在所述通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计；
[0138]
用神经网络来推断对所述当前时步的所述初始信道估计的残差；以及
[0139]
基于所述残差来更新对所述当前时步的所述初始信道估计。
[0140]
10.如条款9所述的装置，其中：
[0141]
对所述当前时步的所述初始信道估计包括均值和协方差；并且
[0142]
所述残差包括基于所述初始信道估计的所述均值的残差均值以及基于所述初始信道估计的所述协方差的残差协方差。
[0143]
11.如条款9或10所述的装置，其中所述指令的执行进一步使所述装置生成对所述当前时步的所述初始信道估计并基于对所述当前时步的信道观测来推断所述残差。
[0144]
12.如条款11所述的装置，其中所述指令的执行进一步使所述装置从导频码元或数据码元生成所述信道观测，其中所述导频码元或数据码元的波形通过解码前一导频码元或前一数据码元来知晓。
[0145]
13.如条款11所述的装置，其中所述指令的执行进一步使所述装置在缺少接收到的导频码元的情况下基于合成导频估计来生成所述信道观测。
[0146]
14.如条款9-13中的任一项所述的装置，其中所述指令的执行进一步使所述装置：
[0147]
基于更新所述初始信道估计来生成实际信道估计；以及
[0148]
基于所述实际信道估计来解码在所述信道上接收到的第二信号。
[0149]
15.如条款9-14中的任一项所述的装置，其中所述指令的执行进一步使所述装置基于来自前一时步的实际信道估计来生成对所述当前时步的所述初始信道估计。
[0150]
16.如条款9-15中的任一项所述的装置，其中所述神经网络是递归神经网络。
[0151]
17.一种通信设备处的其上记录有程序代码的非瞬态计算机可读介质，所述程序代码由处理器执行并且包括：
[0152]
用于基于在所述通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计的程序代码；
[0153]
用于用神经网络来推断对所述当前时步的所述初始信道估计的残差的程序代码；以及
[0154]
用于基于所述残差来更新对所述当前时步的所述初始信道估计的程序代码。
[0155]
18.如条款17所述的非瞬态计算机可读介质，其中：
[0156]
对所述当前时步的所述初始信道估计包括均值和协方差；并且
[0157]
所述残差包括基于所述初始信道估计的所述均值的残差均值以及基于所述初始信道估计的所述协方差的残差协方差。
[0158]
19.如条款17或18所述的非瞬态计算机可读介质，其中所述程序代码进一步包括用于生成对所述当前时步的所述初始信道估计并基于对所述当前时步的信道观测来推断所述残差的程序代码。
[0159]
20.如条款19所述的非瞬态计算机可读介质，其中所述程序代码进一步包括用于从导频码元或数据码元生成所述信道观测的程序代码，其中所述导频码元或数据码元的波形通过解码前一导频码元或前一数据码元来知晓。
[0160]
21.如条款19所述的非瞬态计算机可读介质，其中所述程序代码进一步包括用于在缺少接收到的导频码元的情况下基于合成导频估计来生成所述信道观测的程序代码。
[0161]
22.如条款17-21中的任一项所述的非瞬态计算机可读介质，其中所述程序代码进一步包括：
[0162]
用于基于更新所述初始信道估计来生成实际信道估计的程序代码；以及
[0163]
用于基于所述实际信道估计来解码在所述信道上接收到的第二信号的程序代码。
[0164]
23.如条款17-22中的任一项所述的非瞬态计算机可读介质，其中所述程序代码进一步包括用于基于来自前一时步的实际信道估计来生成对所述当前时步的所述初始信道估计的程序代码。
[0165]
24.如条款17-23中的任一项所述的非瞬态计算机可读介质，其中所述神经网络是递归神经网络。
[0166]
25.一种通信设备处的装备，包括：
[0167]
用于基于在所述通信设备处接收到的第一信号用卡尔曼滤波器来针对当前时步生成对信道的初始信道估计的装置；
[0168]
用于用神经网络来推断对所述当前时步的所述初始信道估计的残差的装置；以及
[0169]
用于基于所述残差来更新对所述当前时步的所述初始信道估计的装置。
[0170]
26.如条款25所述的装备，其中：
[0171]
对所述当前时步的所述初始信道估计包括均值和协方差；并且
[0172]
所述残差包括基于所述初始信道估计的所述均值的残差均值以及基于所述初始信道估计的所述协方差的残差协方差。
[0173]
27.如条款25或26所述的装备，进一步包括用于生成对所述当前时步的所述初始信道估计并基于对所述当前时步的信道观测来推断所述残差的装置。
[0174]
28.如条款27所述的装备，进一步包括用于从导频码元或数据码元生成所述信道观测的装置，其中所述导频码元或数据码元的波形是通过解码前一导频码元或前一数据码元来知晓的。
[0175]
29.如条款27所述的装备，进一步包括用于在缺少接收到的导频码元的情况下基于合成导频估计来生成所述信道观测的装置。
[0176]
30.如条款25-29中的任一项所述的装备，进一步包括：
[0177]
用于基于更新所述初始信道估计来生成实际信道估计的装置；以及用于基于所述实际信道估计来解码在所述信道上接收到的第二信号的装置。
[0178]
前述公开提供了解说和描述，但不旨在穷举或将各方面限于所公开的精确形式。修改和变体可以鉴于以上公开内容来作出或者可通过实践各方面来获得。
[0179]
如所使用的，术语“组件”旨在被宽泛地解释为硬件、固件和/或硬件与软件的组合。如所使用的，处理器用硬件、固件、和/或硬件与软件的组合来实现。
[0180]
一些方面与阈值相结合地描述。如所使用的，取决于上下文，满足阈值可以指值大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值等。
[0181]
所描述的系统和/或方法可以按硬件、固件、和/或硬件与软件的组合的不同形式来实现将会是显而易见的。用于实现这些系统和/或方法的实际的专用控制硬件或软件代码不限制各方面。由此，这些系统和/或方法的操作和行为在不参照特定软件代码的情况下描述——理解到，软件和硬件可被设计成至少部分地基于该描述来实现这些系统和/或方法。
[0182]
尽管在权利要求书中叙述和/或在说明书中公开了特定特征组合，但这些组合不旨在限制各个方面的公开。事实上，许多这些特征可以按权利要求书中未专门叙述和/或说明书中未公开的方式组合。尽管以下列出的每一项从属权利要求可以直接从属于仅仅一项权利要求，但各个方面的公开包括每一项从属权利要求与这组权利要求中的每一项其他权利要求相组合。引述一列项目“中的至少一个”的短语指代这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”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)。
[0183]
所使用的元素、动作或指令不应被解释为关键或必要的，除非被明确描述为这样。而且，如所使用的，冠词“一”和“某一”旨在包括一个或多个项目，并且可以与“一个或多个”互换地使用。此外，如所使用的，术语“集(集合)”和“群”旨在包括一个或多个项目(例如，相关项、非相关项、相关和非相关项的组合等)，并且可以与“一个或多个”可互换地使用。在旨在仅有一个项目的场合，使用短语“仅一个”或类似语言。而且，如所使用的，术语“具有”、“含有”、“包含”等旨在是开放性术语。此外，短语“基于”旨在意指“至少部分地基于”，除非另外明确陈述。