[发明专利]基于深度学习的信道缓冲器压缩

说明书

本公开涉及基于深度学习的信道缓冲器压缩，具体地，提供了一种利用压缩的神经网络学习的方法和系统。该方法包括对参考信号(RS)执行信道估计，用神经网络对RS的信道估计进行压缩，用神经网络对经压缩的信道估计进行解压缩，以及对经解压缩的信道估计进行内插。

相关申请的交叉引用

本申请基于并根据35U.S.C.§119(e)要求于2020年9月25日提交的美国临时专利申请序列号63/083，296的优先权，其全部内容通过引用结合于此

技术领域

本公开一般地涉及利用压缩的神经网络深度学习。

背景技术

在相干检测中，接收器需要执行信道估计(CE)的块(即估计影响从发送器传送到接收器的信号的信道增益)。此外，在具有多个接收天线的系统中，CE对于干扰消除或分集合并是必要的。虽然非相干检测方法(例如差分相移键控)可以避免信道估计，但它们会导致3-4dB的信噪比(SNR)损失。

CE在导频信号(例如，解调参考信号(DMRS))的帮助下执行。在正交频分复用(OFDM)系统中，DMRS在发送器处被插入到符号的子载波中。接收器根据接收的信号估计DMRS符号位置处的信道，并将它们存储在缓冲器中。为了检测物理下行链路共享信道(PDSCH)，在时域中提取和内插CE缓冲器中的数据。随着子载波数量的增加，CE数据需要更大的存储器量。因此，当分配大带宽时，数据压缩通过节省存储器空间而发挥重要作用。

发明内容

根据一个实施例，一种利用压缩的神经网络学习的方法，包括对参考信号(RS)执行信道估计，用神经网络对RS的信道估计进行压缩，用神经网络对经压缩的信道估计进行解压缩，以及对经解压缩的信道估计进行内插。

根据一个实施例，一种利用压缩的神经网络学习的系统，包括存储器和处理器，所述处理器被配置为对RS执行信道估计，用神经网络对RS的信道估计进行压缩，用神经网络对经压缩的信道估计进行解压缩，以及对经解压缩的信道估计进行内插。

附图说明

从下面结合附图的描述中，本公开的某些实施例的上述和其他方面、特征、和优点将变得更加明显，其中：

图1示出了根据实施例的PDSCH-DMRS的示意图；

图2示出了根据实施例的自动编码器的示意图；

图3示出了根据实施例的自动编码器方案的示意图；

图4示出了根据实施例的自动编码器方案的示意图；

图5示出了根据实施例的网络的示意图；

图6示出了根据实施例的网络的示意图；

图7示出了根据实施例的分布的直方图；

图8示出了根据实施例的极坐标(polar coordinates)中的输入特征的直方图；

图9示出了根据实施例的信道估计的方法的流程图；和

图10示出了根据实施例的网络环境中的电子设备的框图。

具体实施方式

在下文中，将参考附图详细描述本公开的实施例。应当注意，尽管相同的元件在不同的附图中示出，但是它们将由相同的附图标记表示。在以下描述中，提供诸如详细配置和组件的具体细节仅仅是为了帮助全面理解本公开的实施例。因此，对于本领域技术人员来说，很明显，在不脱离本公开的范围的情况下，可以对本文描述的实施例进行各种改变和修改。此外，为了清楚和简明起见，省略了对众所周知的功能和结构的描述。下面描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或习惯而不同。因此，术语的定义应基于贯穿本说明书的内容来确定。