[发明专利]发送设备、接收设备、发送方法和接收方法

说明书

本公开提供一种发送设备、接收设备、发送方法和接收方法。该发送设备，包括：处理单元，用于确定学习参考信号序列，其中所述学习参考信号序列包括关于星座图中的星座点和非星座点的信号；以及发送单元，用于发送关于所述学习参考信号序列的信息。

技术领域

本公开涉及无线通信领域，并且更具体地涉及一种学习参考信号序列的发送方法和接收方法及相应的发送设备和接收设备。

背景技术

基于深度神经网络的接收机(DNN-receiver)是B5G/6G的重要研究方向。传统的深度神经网络的接收机或接收设备采用离线训练的方式，这使得当离线训练与在线部署的传输环境相同时，传统的深度神经网络的接收机可以获得较好的性能，而当在线部署传输环境发生变化时，传统深度神经网络的接收机性能会发生损失。

为了提高DNN对不同环境适配能力，在离线训练时，引入了不同训练环境，以提升对在线部署时的环境的适应能力。具体地，在离线训练时可引入更大的数据集，然而这需要在训练时产生大量数据，提升了训练复杂度。此外，还可针对不同的训练环境引入多任务或迁移学习，然而，网络在迁移到多个环境时会牺牲对单个环境下的性能。

另一方面，提出了使用在线获得的样本对模型进行在线训练，可以提升对不同环境的适应能力。使用在线获得的样本对模型进行在线训练可包括基于增量学习的在线训练、基于元学习的在线训练。具体地，基于增量学习的在线训练是指将在线获得的样本加入训练集中，作为增量样本，以此更新网络权重，然而由于在线样本是作为增量，因此需要较大量的在线样本以实现对新环境的适配。而基于元学习的在线训练是指通过网络模型设计或优化算法设计，使网络模型更容易适配新的任务，同时于在线部署时采用在线样本更新网络。与其他训练方式相比，在模型设计或优化算法设计之初，基于元学习的在线训练考虑了在线训练的效率，所以对新环境的适应能力强，对在线样本的需求小，且在线学习后的性能更好。

在基于元学习的在线训练中，接收端使用发送端发送的在线训练样本来学习动态环境，其中，该在线训练样本也可称为学习参考信号(Learning reference signal,LRS)序列。目前缺乏LRS序列设计准则以及在该准则下LRS序列的设计方法，这导致在现有方案中，LRS序列采用启发式设计，换言之，LRS序列由发射端随机选取星座点构成。而随机选取星座点构成的LRS无法最优化在线更新后的性能。

发明内容

根据本公开的一个方面，提供了一种发送设备，该发送设备包括：处理单元，用于确定学习参考信号序列，其中所述学习参考信号序列包括关于星座图中的星座点和非星座点的信号；以及发送单元，用于发送关于所述学习参考信号序列的信息。

根据本公开的另一方面，提供了一种接收设备，该接收设备包括：接收单元，用于接收关于学习参考信号序列的信息，其中所述学习参考信号序列包括关于星座图中的星座点和非星座点的信号；处理单元，用于根据所接收的关于学习参考信号序列的信息更新所述接收设备的网络参数，以进行数据检测。

根据本公开的另一方面，提供了一种发送方法，包括：确定学习参考信号序列，其中所述学习参考信号序列包括关于星座图中的星座点和非星座点的信号；以及发送关于所述学习参考信号序列的信息。

根据本公开的另一方面，提供了一种接收方法，包括：接收关于学习参考信号序列的信息，其中所述学习参考信号序列包括关于星座图中的星座点和非星座点的信号；以及根据所接收的关于学习参考信号序列的信息更新所述接收设备的网络参数，以进行数据检测。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是示出根据本公开一个实施例的发送设备的示意性框图。