使用机器学习网络处理通信信号的制作方法

使用机器学习网络处理通信信号
1.相关申请案的交叉参考
2.本技术案主张2019年4月23日申请的第62/837,631号美国临时申请案及2020年4月6日申请的第63/005,599号美国临时申请案的权利，其两者以引用的方式并入本文中。
技术领域
3.本说明书大体涉及使用机器学习的通信系统，并包含使用机器学习网络处理通信信号。


背景技术：

4.通信系统涉及发射和接收各种类型的通信媒体，例如在空中、通过光纤电缆或金属电缆、水下或通过外太空。在一些情况下，通信信道使用射频(rf)波形来发射信息，其中信息被调制到在rf频率下操作的一或多个载波波形上。在其它情况下，rf波形本身是信息，例如传感器或探针的输出。以rf波形或其它通信信道载送的信息通常通过其它形式的通信进行处理、存储和/或传输，例如通过计算机中的内部系统总线或通过局域网或广域网。


技术实现要素：

5.通常，本公开中描述的标的物可体现在用于训练和部署机器学习网络以替换通信信号系统内的处理元件的方法、设备和系统中。在一些实施方案中，所述通信信号包含数字通信信号。通过将发射器或接收器单元内的多个功能合并到通过具有不同自由参数的优化方法训练的近似网络中，与常规用于数字通信的现有基准方法相比，可在给定通信信道上获得更低的误码率性能、改进的误差矢量量值、误帧率、增强位率及其它改进。
6.在一个实施方案中，一种系统和方法包含用机器学习网络替换导频估计、插值和均衡化的任务。通过在适当的机器学习网络架构内合并和联合完成任务，与例如线性最小均方误差或最小均方误差(lmmse或mmse)的当今常用的方法相比，在处理给定数据信号时可获得更低的误差率、更低的复杂度或改进的用户密度及其它性能改进。
7.在其它实施方案中，用于处理数字通信的机器学习网络方法可扩展为包含在第3代合作伙伴计划(3gpp)、第4代(4g)、第5代(5g)和其它正交频分复用(ofdm)系统中使用的几个额外信号处理级，包含空间组合、多输入及多输出(mimo)处理以及波束成形(bf)、非线性补偿、符号检测或预编码权重生成。
8.在一个方面中，一种方法由至少一个处理器执行以训练至少一个机器学习网络来执行与通信系统中的数字信息的处理有关的一或多个任务。在一些情况下，所述通信信道可为射频(rf)通信信道的形式。所述方法包含：针对数据信号生成导频和数据信息中的一或多者，其中所述导频和数据信息中的一或多个元素每一者对应于时间频谱中的特定时间和特定频率；通过使用用于正交频分复用(ofdm)系统的调制器调制所述导频和数据信息来生成所述数据信号；通过通信信道发射所述数据信号以获得经修改导频和数据信息；使用机器学习网络处理所述经修改导频和数据信息；响应于使用所述机器学习网络的所述处
理，从所述机器学习网络获得对应于通过所述通信信道发射的所述数据信号的预测；通过将所述预测与一组真实数据进行比较来计算误差项；及基于所述误差项更新所述机器学习网络。
9.实施方案可包含以下特征中的一或多者。在一些实施方案中，机器学习网络执行对应于导频估计、插值和均衡化的操作。所述通信信道可为模拟信道，所述模拟信道包含加性高斯白噪声(awgn)或瑞利衰落信道模型、国际电信联盟(itu)或第3代合作伙伴计划(3gpp)衰落信道模型、仿真无线电发射、传播模型、在模拟几何形状或环境中产生信道效果的射线跟踪、或经训练以近似真实信道上的测量的机器学习网络中的一或多者。
10.在一些实施方案中，所述通信信道包含第一装置和第二装置之间的实际通信信道，且其中通过所述通信信道发射所述数据信号包含将所述数据信号从所述第一装置发射到所述第二装置，以及获得包含由所述第二装置接收的所述数据信号的版本的所述经修改导频和数据信息。
11.在一些实施方案中，所述导频和数据信息包含导频子载波、数据子载波、导频资源元素或数据资源元素中的一或多者。
12.在一些实施方案中，从所述机器学习网络获得的所述预测包含通过所述通信信道发射所述数据信号之前的所述通信信道的信道响应、所述通信信道的逆信道响应或所述导频和数据信息值中的一者。
13.在一些实施方案中，所述一组真实数据是从生成所述导频和数据信息的过程、决策反馈过程、导频子载波或带外通信中的一或多者确定的均衡化数据符号或信道估计值。
14.在一些实施方案中，基于所述误差项更新所述机器学习网络包含基于损失函数确定所述机器学习网络内的一或多个权重值的变化率；以及使用所述变化率执行优化过程以更新所述机器学习网络内的所述一或多个权重值。
15.在一些实施方案中，所述优化过程包含梯度下降、随机梯度下降(sgd)、adam、radam、adamw或lookahead神经网络优化中的一或多者。
16.在一些实施方案中，所述优化过程涉及最小化子载波或信道响应的预测值与实际值之间的损失值。
17.在一些实施方案中，所述机器学习网络是完全卷积神经网络或部分卷积神经网络。
18.在一些实施方案中，所述导频和数据信息表示在对应于一或多个射频或一或多个不同无线电的通信系统上发射的一或多个信号。
19.在一些实施方案中，所述正交频分复用(ofdm)系统包含循环前缀正交频分复用(cp-ofdm)、单载波频分复用(scfdm)、滤波器组多载波(fbmc)的一或多个元素，或正交频分复用(ofdm)的其它变体的元素。
20.上述技术的实施方案包含方法、系统、设备和计算机程序产品。一个此系统包含一或多个处理器，以及存储指令的存储器，所述指令在被执行时使所述一或多个处理器执行上述操作中的一些或全部。所述系统的特定实施方案包含一或多个用户设备(ue)或基站，或两者，其经配置以执行上述操作中的一些或全部。一个此计算机程序产品适当地体现在存储可由一或多个处理器执行的指令的一或多个非暂时性机器可读媒体中。所述指令经配置以使所述一或多个处理器执行上述操作中的一些或全部。
21.有利的实施方案可包含使用机器学习网络方法来将系统从少量发射或接收天线缩放到具有大量天线元件(例如32个、64个、128个、256个、512个、1024个或更多个)的大规模多输入、多输出(mimo)系统。所述机器学习网络方法可接近线性缩放，而替代的常规方法(包含用于估计、均衡化和预编码矩阵计算的线性最小均方误差(lmmse)或线性迫零(zf)方法)通常涉及随着用户(例如，移动用户设备终端)数量或天线数量增加具有更高阶，例如o(n3)(其中n是》0的整数)或指数复杂度的算法。与常规方法相比，本说明书中讨论的所述机器学习网络方法减小系统(例如具有相对大量元件的系统)的复杂度，同时提供改进的性能以增强当前无线标准并用于未来无线标准，例如3gpp第6代(6g)蜂窝网络或未来的wi-fi标准及其它。
22.在附图及下文描述中陈述本发明的一或多个实施例的细节。将从描述、图式及权利要求书明白本发明的其它特征及优点。
附图说明
23.图1是展示用于使用机器学习网络处理数字通信的系统的实例的图。
24.图2a是展示用于训练用于处理数字通信的机器学习网络的系统的实例的图。
25.图2b是展示在使用用于处理数字通信的机器学习网络时改进的误差矢量量值(evm)的实例的图。
26.图2c是展示在使用用于处理数字通信的机器学习网络时相对于信噪比(snr)改进的误码率(ber)的实例的图。
27.图3是说明用于训练用于处理数字通信的机器学习网络的方法的实例的流程图。
28.图4a和4b是分别展示用于在未使用机器学习网络和使用机器学习网络的情况下处理数字通信的系统的框图。
29.图5是展示通信系统内的处理级的图。
30.图6是展示通信系统的前传场景的图。
31.图7是说明用于使用机器学习网络处理数字通信的计算系统的实例的图。
32.各个图中的相似参考数字及标示指示相似元件。
具体实施方式
33.所公开的实施方案呈现用于使用机器学习网络处理通信信号的技术。使用所公开的技术，数字通信中涉及的多个处理级可经调适并合并成通过具有不同自由参数的优化方法训练的机器学习网络内的近似网络。与现有的基准方法相比，用于处理数字通信的机器学习网络方法实现同一通信信道上更低的误码率性能。例如，在常规无线电接收器中，估计、插值和均衡化可使用例如最小均方误差(mmse)、线性插值或各种其它的现有基准方法来执行。在此场景中，及其它场景中，机器学习网络可用于以改进的性能度量，例如误码率(ber)和误差矢量量值(evm)及其它执行与现有基准方法相同的任务。此外，机器学习网络或近似网络通常可运行在更并发且更节能的硬件上，例如脉动阵列或类似类别的处理器网格。网络也可以较低的精度运行，例如float16、int8、int4或其它精度，而不是常规系统的float32精度。可通过包含例如无线电变换器网络和神经架构搜索或网络修剪及若干其它技术的额外技术来在效率或性能方面进一步增强网络，所述额外技术通过修改处理网络或
图形来减小特定任务或近似信号处理功能的计算复杂度。
34.在此上下文中，数字通信包含ofdm无线电信号、ofdm变体信号(例如，循环前缀ofdm(cp-ofdm))、第4代(4g)长期演进(lte)通信信号、包含5g新无线电(5g-nr)物理(phy)信道信号的5g通信信号和其它类似的类3gpp无线电接入网络(ran)信号(例如，超5g和6g候选者)。数字通信还可包含wi-fi通信网络中的rf信号(例如，使用ieee 802.11协议的无线网络)或多个额外物联网(iot)或其它无线标准。
35.在一些实施方案中，机器学习网络方法应用于非ofdm系统中。例如，机器学习网络方法可在雷达系统的上下文中使用。用多天线处理进行信道估计、目标估计或空间估计的雷达系统目前面临当今在许多系统中使用的用于估计的常规方法(例如lmmse及其它)的高复杂度和模型不足特征的挑战。在此类非ofdm系统中，机器学习网络方法比常规使用的方法提供效率上的改进以及性能上的改进。
36.在一些实施方案中，如本说明书中描述的用于处理数字通信的系统使用机器学习网络来执行用于发射或接收rf信号或发射且接收rf信号的一或多个任务。在一些情况下，这些任务包含导频估计、插值和均衡化。一些实施方案包含使用机器学习网络执行的额外任务，例如空间组合、波束成形(bf)、非线性补偿、符号检测、预编码权重生成或5g和其它正交频分复用(ofdm)系统中使用的其它信号处理级。
37.在一些实施方案中，机器学习网络涵盖其它方面。例如，机器学习网络可涵盖例如误差校正解码、源和/或信道编码或解码、或同步或其它信号补偿或变换功能的方面。机器学习网络可在部署之前、部署之后使用一或多个通信信道来训练，或者所述两种情况的组合(例如，在部署之前训练和在部署之后更新)。在一些实施方案中，训练包含在部署之前训练机器学习网络的一或多个方面，以及在部署之后进一步训练所述一或多个方面或其它方面。例如，机器学习网络的模型和架构可在部署之前离线训练和优化，以创建起始条件。在部署后，机器学习网络可从起始条件进一步优化以基于一或多个操作条件改进。在一些情况下，一或多个操作条件可包含通信信道的效应。
38.在常规的通信系统中，数字通信的处理可分级进行。例如，许多系统使用例如ofdm的多载波信号调制方案来发射信息。ofdm网格内的一些时频子载波可被分配为参考音调或导频信号。导频信号可为具有已知值的资源元素；这些可称为导频资源元素。ofdm网格内的其它资源元素可载送数据；这些可称为数据资源元素。在一些情况下，可使用其它多路存取方案，包含与ofdm相比采用类似资源分配的变型。也可使用例如scfdma、cp-ofdm、wpm或其它基函数的变型。数据资源元素或数据子载波可用于载送经调制信息位。通过适当地分配子载波宽度和长度，使得可对单个时隙假定平坦衰落，即在一个子载波上的相干时间和频率，可通过信道反抽头与每个子载波值的复乘来执行均衡化。
39.可通过应用均衡化方法(例如，迫零(zf)或最小均方误差(mmse)及其它方法)，且然后应用插值方法(例如，线性插值、样条插值、快速傅立叶变换(fft)插值、正弦插值或维纳滤波及其它插值方法)来估计已知导频信号之间的每个子载波的信道响应值的稀疏集。在一些情况下，信道响应值的稀疏集可通过使用来自给定信号或以数据辅助方式接收的其它信号的数据来估计。然后，可在均衡化步骤中应用信道反抽头，所述均衡化步骤将逆信道响应与整个子载波集相乘，以估计修改之前的发射值。在一些情况下，信道的估计可不依赖于所发射数据而发生。例如，替代已知值，调制特性(例如常数模算法均衡器(cma)及其它)
可用于估计信道。在一些情况下，可从衰落信道的输出获得发射值的修改。上述均衡化、插值或估计及其它任务在常规通信系统中使用单独的模型在不同的级中执行，例如，使用单独的硬件或软件例程，或两者。在一些情况下，特定的算法是在此过程中开发和实现的。例如，可开发和实现用于在所估计或接所收信号内明确地消除干扰或调零的算法。
40.用于使用机器学习网络来处理数字通信的所公开的实施方案可替换用于例如ofdm信号发射和处理的应用的常规系统上使用的单独级。在一些实施方案中，机器学习网络不使用单独的模型进行估计、插值或均衡化，而是使用实际数据联合学习这些任务。通过采用端对端学习方法来替换或补充常规上分级执行的处理步骤，所公开的实施方案在减小复杂度和减小操作成本(例如，减小功耗)的同时实现改进的性能。
41.在一些实施方案中，机器学习网络通过利用用于处理的机器学习网络内的经学习关系来增强无线电信号的接收，例如ofdm信号或其它通信信号。例如，经学习解可利用经学习解中的数据辅助均衡器和非数据辅助均衡器的特征，利用解中的已知导频值和某些未知数据调制的分布两者。类似的解以闭式统计方法来完成将是相对具有挑战性的。此外，系统可执行考虑到例如干扰、失真或其它效应的常见现象的学习增强方案。在常规方法中，这些现象将需要在估计级内的特殊算法或逻辑，例如消除窄带音调或突发及其它，这可能负面影响(例如，破坏)使用常规统计方法的导频和插值步骤。相比之下，机器学习方法能够使用已知的导频值和某些未知数据调制的分布两者来确定解。
42.使用所公开的技术，可增强例如ofdm、4g、5g-nr、5g 、cp-ofdm、单载波频分多址(sc-fdma)、滤波器组多载波(fbmc)、离散傅里叶变换扩频-ofdm(dft-s-ofdm)及其它的系统。所公开的技术还使得此类系统能够增量地扩展，其中更大份额的信号处理功能经联合学习机器学习近似所取代，与目前部署的系统相比，所述经联合学习机器学习执行得更好并减小复杂度。增量扩展包含扩展更多的接收和发射过程，因为在每个过程中展现改进，从而证明改变的合理性。在一些实施方案中，所述过程是由给定方法中存在的缺陷驱动。例如，在实际系统中，信道的统计模型通常可具有一定程度的不精确性。在一些情况下，给定系统中的不精确度可用于将机器学习网络方法的使用扩展到不精确度中所涉及的给定系统的部分。在现有系统中，估计和均衡化以及空间处理级通常可为核心方面，其中与通常在涉及线性处理和系统建模的常规方法中所做的朴素假设相比，用于数据驱动学习的所公开的技术可增强性能。
43.(例如，合并在机器学习网络或近似网络中的处理级的)增量扩展的过程可跟随3gpp通信信号的rf信号波形的参数或信号处理功能的演变(例如，调制、编码、误差校正及其它的变化)，使得系统中可发生增量变化以改进性能。这些增量变化(例如成形、调制或预编码的发射器调适)可在包含机器学习网络的系统内作为反馈机制发生(例如，其中信道估计可被利用或变换以改进或实现这些功能)。反馈机制可涉及由通信系统的机器学习网络或可通信地连接到机器学习网络的另一通信系统的元件处理的信道状态信息反馈或压缩形式的信道状态信息。在一些例子中，反馈机制可实施例如5g-nr系统中的信道状态信息参考信号(csi-rs)的协议，所述协议通过无线系统中的ran协议发射信号质量或其它csi数据。反馈机制还可包含权重或参数修改，以改进一或多个通信系统内的一或多个机器学习网络的性能，或者发射例如误差矢量、误差量值、误码或误帧信息及其它的误差统计数据。
44.如本说明书中所公开的，由机器学习网络执行的任务可随着时间而增加。例如，与
通信信道或通过通信信道发送的通信相关的其它处理数据的反馈可由给定通信系统内的机器学习网络使用，以增加机器学习网络执行一或多个额外任务的能力，或增加由机器学习网络处理的流量。例如，随着时间的推移，某些小区部署、几何形状、特征、生活模式或信息流量可使其自身适合于特定的网络权重集或估计级或其它信号处理级近似。通过利用过去反馈数据的形式的这个信息来提高机器学习网络方法的性能。
45.在一些实施方案中，来自由一或多个机器学习网络处理的通信的数据用于通知一或多个机器学习网络中的至少一者的权重或参数的修改。例如，在共享系统内或以其它方式可通信地连接的一或多个机器学习网络可在一或多个先前处理的信号上发射数据。来自一或多个先前处理的信号的数据可由一或多个机器学习网络的成员或控制一或多个机器学习网络的成员的装置使用，以修改所述成员内的权重或参数，以利用由一或多个机器学习网络捕获的数据。在一些情况下，关于一或多个先前处理的信号的数据可为与跨通信信道的信号的衰落有关的信息。在一些情况下，来自一或多个通信系统的数据可用于建立跨一或多个小区的行为的模型或近似。例如，经历类似形式的干扰、衰落或其它信道效应的无线电可聚合以建立跨所述效应类别表现良好的近似信号处理功能，或者建立近似模型以便模拟那些无线电所经历的信道效应。
46.在以下段落中，主要针对蜂窝通信网络(例如3gpp 5g-nr蜂窝系统)来描述所公开的技术。但是，所公开的技术也适用于如上文所述的其它系统，包含例如4g lte、6g或wi-fi网络。这些技术进一步适用于其它领域。例如，所公开的技术可应用于光学信号处理，其中高速率光纤或其它系统可寻求以高位率和低误差率执行信号处理功能，同时最大化性能。使用机器学习网络方法的所公开的技术可用于实现改进的性能，同时能够处理难以建模的减损。
47.图1是展示用于使用机器学习网络处理数字通信的系统100的实例的图。系统100包含输入数据110，所述输入数据110被馈送到产生输出数据130的机器学习网络120中。机器学习网络120可执行例如信道估计、插值和均衡化的任务，替换用于执行在已部署的当今系统中使用的这些任务的单独组件，例如将在当今处理级组124中使用的用于信道估计121、插值122和均衡化123的组件。如上文讨论，在发射或处理信号时执行的其它任务也可为机器学习网络120的一部分。实例系统100和机器学习网络120在其中执行的任务并不意味着限制本公开的范围。稍后在本公开，例如参考图5和对应描述，讨论具有由机器学习网络取代的额外任务的系统的实施方案。
48.在一些实施方案中，输入数据110是ofdm或cp-ofdm信号(例如，在3gpp 5g-nr上行链路(ul)或下行链路(dl)phy中)，如图形地展示为输入图111，所述输入图111是ofdm信号块内的导频和数据子载波以及时隙的时间频率频谱网格。输入图111中的每个网格元素被称为图块，例如，图块111a和111b。图块111a和111b分别表示导频子载波和数据子载波。图例112描述表示在图1的实例中使用的导频子载波和数据子载波的可视符号。如图例112中所展示的可视符号仅用于说明目的。尽管图块111a是导频子载波，且图块111b是数据子载波，但图块111a和111b两者是通过通信信道载送信息的资源元素或子载波。输入图111还可被称为包含图块的非均衡化资源网格。子载波在导频图块中载送导频(参考)信号或音调，及在数据图块中载送数据信号或音调。导频图块包含带有字母“p”的填充图块，例如图块111a。数据图块被展示为带有字母“d”的非填充图块，例如图块111b。不表示导频或数据子
载波的未占用图块被展示为没有任何字母的非填充图块，例如，图块111c。在一些情况下，输入图111内的所有图块被(例如)导频或数据子载波或两者所占用。
49.在一些实施方案中，发射导频和数据信息(例如导频和数据子载波)或其它资源元素。在其它实施方案中，仅发射导频信息或仅发射数据信息，并且可使用非数据辅助经学习方法。在一些情况下，子载波在给定时隙内在导频与数据信息元素之间改变数次。在此上下文中，导频和数据信息是指导频子载波、数据子载波、导频资源元素或数据资源元素，或这些的任何组合。
50.在一些实施方案中，到机器学习网络120中的输入包含其它项。例如，掩码可作为输入发送到机器学习网络120中。掩码可向机器学习网络120指示哪些资源元素是导频，哪些资源元素是数据，并且在一些情况下，哪些元素来自不同的用户或分配，或者每个元素的任何已知值或调制类型是什么。在其它实施方案中，到机器学习网络120中的输入可不采取此单层或多层ofdm网格的形式，而是可采取原始时间序列样本数据的形式，所述原始时间序列样本数据取决于学习哪些近似级和变换可同步，或可不同步。
51.在3gpp蜂窝网络中，导频图块使用主同步信号和次同步信号或例如到ue的上行链路指令的其它协议信息以及可从例如小区标识(id)、物理小区id或其它发射器状态信息的小区信息计算或预测的其它信号来填充。数据图块通常载送与所发射信息相对应的符号值。在一些情况下，一或多个数据图块的符号值可能未知。符号值可为未知的，但是，调制和可能的离散星座点集以及资源元素中的布局可为已知的(例如，分配给突发的mcs或frc)。
52.在典型的ofdm接收过程中，使用导频块来估计每个时频图块的通信信道响应(例如，通过使用mmse或迫零(zf)算法来执行估计)。然后可跨数据图块对导频图块的估计进行插值，以同样获得数据图块的估计。最后，估计的信道值可与所接收符号值相除(或通常与信道求逆相乘)，以接收对所发射图块(其包含导频图块和数据图块两者)的估计。但是，通常，任务是获得正确的所发射符号值的准确估计，给定在所接收时频网格上可稀疏或不规则间隔的所接收导频图块和数据图块，并且其中所发射导频图块在ofdm信号块内的位置是已知的，且所发射数据图块的位置是部分未知的。例如，系统100可知道什么星座被发射，或者可能值的一些概率分布，但是系统当然不知道所发射的数据图块的值。如果已知所发射的确切值，那么所述所发射值将是参考音调。
53.与将接收过程分解成单独的信道估计121、插值122和均衡化123级的常规方法相反，系统100使用机器学习网络120来利用端对端学习。机器学习网络120学习紧凑联合估计器，所述紧凑联合估计器近似直接来自例如输入数据110的所接收值的稀疏网格的所发射值，以产生例如输出数据130的信道或所发射符号的估计。
54.机器学习网络120学习联合完成这些任务，并且在这样做时，学习补偿信道效应并跨稀疏网格适当地对信道响应估计进行插值，在一些情况下利用数据辅助(例如，参考)和非数据辅助(例如，非参考)资源元素两者。信道估计、插值和均衡化现在由机器学习网络120共同执行，这可实现在例如输出数据130的一或多个信号中所接收的基本传播现象的更精确匹配。
55.在一些实施方案中，机器学习网络120使用信道响应内的结构化信息(例如，导致估计和插值任务的稳定或简化的确定性、已知、高概率行为、结构或几何结构及其它)。使用信道响应内的结构化信息使机器学习网络120能够改进用单独的级或模型执行信道估计
121、插值122和均衡化123的常规方法。机器学习网络120能够提供比常规方法显著的性能改进。以下关于图2b和2c更详细地描述一些性能改进。
56.在一些实施方案中，可接收多层的图块。例如，可从不同天线、天线组合或空间模式接收用于多层的时频图块。然后，例如信道估计的估计任务可在时间、频率和空间上消耗例如三维(3d)阵列的多个输入值。从至少所述多个输入值，可产生用于任意数量的信息信道的估计发射符号或信道估计，例如到多输入、多输出(mimo)系统或代码的一或多个信息输入流，并跨一或多个通信信道发射。虽然这通常考虑“数字组合”，但在一些实施方案中，例如毫米波(mmwave)网络的模拟-数字组合方案也通过所公开的技术来解决。例如，机器学习网络方法可通过依据天线组合网络或阵列校准网络上的模拟组合分量或权重集调适并下推权重来应用。
57.在一些实施方案中，机器学习网络120经实施为多个完全连接层，如项126所图示。所说明的图形表示126的层意在传达机器学习网络120的两个或更多个层，而不是机器学习网络120的所有层或方面。
58.在一些实施方案中，机器学习网络120是卷积神经网络或另一形式的神经网络。本说明书稍后讨论不同的替代实施方案。
59.机器学习网络120处理输入数据110，以产生输出数据130。在输入数据110在图1的实例中是未均衡化的资源元素或子载波的集合的情况下，输出数据130是均衡化的资源元素或子载波的集合，其被展示为输出图131。在一些情况下，对于均衡化的资源元素，在已去除随机相位和振幅变化，或对这些元素添加可存在于未均衡化的网格中的其它干扰或信道效应的情况下，输出数据130中的每个网格元素的复数值与在信道上发射之前发射的值非常相似。输出数据130表示被描绘为输入数据111的所接收信号的估计。如本说明书稍后所讨论，资源元素或子载波的均衡化集合可用于通信信号的发射或接收所涉及的进一步过程中。在一些情况下，机器学习网络120的输出数据130可为信道反抽头的网格，其与输入数据110相乘以获得最初发射的ofdm符号网格的良好估计。在一些情况下，输出数据130中的信息可表示最初发射的信息中的位、硬位或经解码码字的软对数似然。在一些情况下，输出数据130可对应于特定网格区域或分配，但可不在所有例子中采取特定ofdm网格的形式。
60.在一些情况下，机器学习网络120可与系统内的其它类似计算一起运行。例如，在系统100中，用于信道估计121、插值122和均衡化123的常规级可与对应于机器学习网络120的处理一起执行。在一些情况下，通过常规级的计算可用于确定常规方法与机器学习网络技术之间的一或多个比较值。在一些情况下，通过常规级进行的计算可用于帮助训练机器学习网络120。在一些情况下，系统变量(例如，接收信号强度指示符(rssi)或csi稳定性的度量)、或其它参数或通知可实现机器学习网络方法优于常规方法的使用，或反之亦然。例如，在未经历大量数据流量或没有当前运行的机器学习网络代码库或硬件来执行机器学习网络方法的小型通信网络中，可使用常规方法。在一些情况下，所接收通信或信号的阈值数量或与常规的或经学习近似网络的性能相关的性能度量可触发一种方法优于另一种方法的使用。例如，当更大的天线阵列(例如64元件天线阵列)用于通信系统内(例如，在大量mimo蜂窝网络中)的发射或接收，或者经学习估计网络的evm或fer表现优于常规方法的evm或fer时，这可作为使用机器学习网络方法的触发器。
61.训练机器学习网络120以接收输入数据，例如输入数据110，并产生输出数据，例如
输出数据130。图2a是展示用于训练用于处理装置201与208之间的数字通信的机器学习网络212的系统200的实例的图。在一些实施方案中，机器学习网络212类似于图1的机器学习网络120。但是，在其它实施方案中，机器学习网络212也可不同于机器学习网络120。
62.机器学习网络212在一或多个通信信道207上或在通信信道的近似上训练或部署，或训练且部署，所述通信信道可为(例如)用于在蜂窝网络中发射或接收数据的5g-nr无线通信信道。在一些情况下，在部署机器学习网络212之后使用系统200。图2a的说明展示装置201向装置208和系统200发射信号。机器学习网络212在接收装置208中采用以检测或估计所发射信号的性质。但是，在其它情况下，装置201可从装置208接收信号；在此类情况下，类似的机器-学习网络可用于装置201中。在一些实施方案中，装置201或装置208是移动装置，例如蜂窝电话、平板或笔记本，而另一装置是网络基站。
63.在训练机器学习网络212的一个实例过程中，在级a到d中展示系统200的操作。级a展示要从发射装置201发射到接收装置208的给定数据信号的导频和数据插入202。然后使用调制处理204调制导频和数据信息。在一些实施方案中，使用例如ofdm的多载波发射方案来调制导频和数据信息。在一些情况下，5g-nr测试信号调制器替代地用于调制导频和数据信息。然后使用转换器206(例如，数-模转换器(dac))将经调制信息转换为模拟形式用于发射。然后，模拟信息作为rf信号通过通信信道207发射到接收装置208。模拟信息可通过各种rf组件，例如放大器、滤波器、衰减器或影响信号的其它组件。
64.级b展示由接收装置208接收的通过通信信道207发送的模拟rf信号，所述模拟rf信号可通过多个模拟rf组件，且然后使用转换器209(例如，模-数转换器(adc))将所接收信号转换为数字信号。在图2a的实例中，可使用从发射装置向接收装置发射和接收模拟信号的现有方法。然后，使用同步和提取过程210对经转换数字信息进行同步，并提取子载波。在一些情况下，同步级或额外线性补偿级也可由机器学习网络执行。在此情况下，子载波是在一或多个层或天线上的频率时间频谱内的非均衡化资源网格的形式。子载波由机器学习网络212处理。在此实例中，子载波也被发送到机器学习网络更新组件214，以用于训练机器学习网络212，如下文关于图2a的级c所描述。
65.在一些实施方案中，机器学习网络212是对输入矢量执行一组参数代数运算以产生输出的神经网络。机器学习网络212包含几个完全连接层(fc)，其中层执行输入矢量与权重矢量的矩阵乘法，然后求和以产生输出矢量。在一些实施方案中，机器学习网络212包含非线性，例如整流线性单元(relu)、s型函数、参数整流线性单元(prelu)、mish神经激活函数、swish激活函数或其它非线性。在一些情况下，机器学习网络212利用卷积层、跳跃连接、变换器层、递归层、残差层、上采样或下采样层，或用于例如通过实现改进的性能架构来改进机器学习网络212的性能的许多其它技术。在一些实施方案中，机器学习网络212是卷积神经网络。在一些情况下，这采取骨干网络、u-net或并入在减小计算复杂度的同时改进性能的适当变换器、不变性或有效层的其它类似网络的形式。
66.在一些实例中，机器学习网络212的层(包括fc层或卷积层)中的复数值乘法用于通过训练机器学习网络212来帮助训练系统200。在一些实施方案中，机器学习网络212包含将复数权重对与复数输入对相乘以反映以复数解析形式执行的复数值乘法任务(例如，输出(y0,y1)＝(x0*w0-x1*w1),(x0*w1 x1*w0))。这样，复数层有时可减小网络的参数复杂度和过拟合，导致结果的更快训练及更低计算、训练和数据复杂度。
67.在一些实施方案中，通过进行穿过由机器学习网络212执行的操作组的前向传递，对输出值进行预测，所述输出值可为对通信信道207的信道响应、信道207的逆信道响应、发射之前的rf信号的图块值或相关值(例如，发射码字或位及其它)的预测。相关值可用于计算信道207的信道响应、信道207的逆信道响应或发射之前的rf信号的图块值。在一些情况下，信道207的信道响应或逆信道响应从频率时间频谱内的信号的资源网格(例如由图1的输入图111所展示的资源网格)内按每图块预测。
68.装置208使用来自机器学习网络212的输出预测用于使用符号检测组件216检测符号，其中检测到的符号是使用由机器学习网络212输出的预测对从装置201发射的符号的估计。检测到的符号在性能分析218中使用。
69.图2a中的级c展示来自同步和提取210的数据和来自符号检测216的数据用于获得机器学习网络212的机器学习网络更新214。机器学习网络更新214计算损失函数，所述损失函数测量已知参考或数据子载波220与从符号检测216获得的发射符号的估计之间的距离(例如，差)。在一些情况下，此损失或差还可由l1损失或经缩放l1损失，以及l2损失或经缩放l2损失的最大值组成，从而组合多个距离度量以利用l1和l2两者损失收敛在其不同性能区域中的最佳性质。这个过程可称为分母损失中的转换值，或者星座值逆衰减损失。在一些情况下，损失函数的变化率用于更新机器学习网络212内的一或多个权重或参数。从已知发射确定用于计算损失函数的实际发射符号值，其中可预先确定已知参考和数据子载波220。例如，在一些情况下，已知或重复的数据通过空中发射，这使得能够预测数据值。在一些情况下，可发射测试序列(例如伪随机位序列(prbs))，使得发射器和接收器两者能够在链路的任一端无差错地计算相同位或符号值。在一些实施方案中，此类探测或已知数据训练操作是在模拟或链路探测场景中或在过剩小区容量内实现的。
70.在一些实施方案中，已知的参考和数据子载波220来自不同的源。例如，解调或解码，通过例如mmse或置信传播的常规统计方法，可估计基于所接收信号中的值所看到的最可能的位、符号或值，具有一定程度的误差校正或容错。此外，符号或位的估计也可在机器学习网络内发生。无论是通过常规方法还是mmse方法，或者通过机器学习网络，都可估计位、码字或其它信息。在一些情况下，用给定的误差校正能力(例如在5g-nr标准内使用的极性或低密度奇偶校验(ldpc)分组码解码器中)和循环冗余校验(crc)或简单地前向误差校正(fec)码字校验位(例如在ldpc中)来执行此估计，从而提供关于信息接收的快速指示，例如码字中的所有位是否已被正确接收。一旦知道正确的帧(例如，校验和通过，ldpc校验位正确)，位就可经重新调制以提供真实数据符号值，正确的位或对数似然比可从所接收和真实数据符号位置或信道估计中计算。这些真实数据符号值、正确位或对数似然比及其它可在距离度量内使用，以便更新机器学习模型及其权重。
71.作为另一实例，已知参考或数据子载波可源自来自其它用户设备(ue)、下一代nodeb(gnb)或其它基站、网络元件或内容的先验知识的带外协调。在一些情况下，关于这些项中的一或多者的应用数据或概率信息可用于推断发射的符号。由系统200获得的已知参考或数据子载波220可以可通信地连接到用于获得机器学习网络212的机器学习网络更新214的元件的数字数据存储器的形式存储。
72.由例如机器学习网络更新214的元件在系统200中计算的模型更新允许模型预测随时间而改进，并且在代表性信道条件下训练时迭代地提供所发射符号值的改进估计。在
一些实施方案中，基准模型用于提供估计。在其它实施方案中，机器学习网络212用于提供具有误差反馈形式的估计，以实现迭代训练。
73.训练机器学习网络212可使用一或多个所接收输入信号作为机器学习网络212的输入数据而发生。在一些实施方案中，给定输入数据用于两次或更多次迭代，并且机器学习网络212学习以基于给定输入数据对特定参数或权重进行建模。在其它实施方案中，新数据用于训练的每次迭代。在一些情况下，用于训练机器学习网络的数据可基于数据的方面来选择。例如，在通过通信信道发送的数据遭受特定类型的衰落或其它失真的场景中，机器学习网络212可学习特定失真，并将对应的输入数据转换为输出数据，与常规系统相比具有更小的位率误差和更小的复杂度和功率使用。在一些情况下，可进一步采用或聚合用于不同衰落或移动性或空间位置的用户的数据或模型，以训练用于不同扇区或小区内的用户或用户场景集的特定模型。
74.级d展示来自符号检测216的输出信号被发送用于进一步处理222，所述进一步处理222可表示符号检测216之后的任何其它过程。例如，进一步处理222可包含后续调制解调器级，例如误差校正解码、循环冗余校验、ldpc校验位、解帧、解密、完整性校验、源解码或其它过程。
75.在一些实施方案中，性能分析218用于计算与由机器学习网络212处理的一或多个通信相关联的值。例如，性能分析218可使用符号值或位来计算定量质量度量，例如误差矢量量值(evm)或误码率(ber)或误帧率(fer)或码块误差率(bler)。此类定量质量度量可帮助确定一或多个通信处理系统之间或一或多个不同的机器学习模型集、架构或权重集之间的比较测量。
76.在一些实施方案中，来自性能分析218的输出由机器学习更新214使用以帮助改进机器学习网络212。例如，通过性能分析218计算或获得的定量质量度量或其它数据可用于帮助改进机器学习网络212。在一些情况下，性能分析218可检测与由机器学习网络212执行的一或多个计算相关的趋势或其它数据。此数据可用于通知机器学习网络212内的特定权重或参数修改。例如，常见的目标和距离包含通过更新所测量的相同输入数据上的权重来最小化链路上的evm或ber。在一些情况下，可对输入数据应用增强，以便放大正在被优化的输入值的有效数量，例如，在输入到机器学习网络更新过程时，可更改应用于输入值的相位、振幅、衰落或其它效应，以加速对较少量数据的训练。
77.如由图2a所展示，在一些实施方案中，包含机器学习网络更新214、性能分析218、以及已知参考和数据子载波220以及级c中的相关操作的元件由接收装置208执行。在其它实施方案中，与级c相关的操作由其它元件执行。例如，可通信地连接到接收装置208的外部元件可用于获得已知参考和数据子载波220，以及从符号检测216执行对应性能分析218，作为获得机器学习网络更新214的手段。
78.类似地，在一些实施方案中，图2a的实例中所展示的在例如发射装置201和接收装置208的元件内的子元件不在发射装置201或接收装置208内。例如，机器学习网络212可存储在可通信地连接到接收装置208的单独装置内。作为另一实例，接收和数字转换209可执行接收装置208的主要操作，并且可通信地连接到接收装置208的单独装置可执行其它操作，包含(例如)同步和提取子载波，并且通常执行参考同步和提取210讨论的操作。可通信地连接到接收装置208的装置可存储和执行机器学习网络212的各个层，并且通常执行参考
机器学习网络212讨论的操作。可通信地连接到接收装置208的装置还可基于机器学习网络212的输出检测符号，并且通常执行参考符号检测216a讨论的操作。
79.在一些实施方案中，通过在发射装置201与接收装置208之间的实际物理通信信道207上发送rf信号，在空中执行训练机器学习网络212。可在系统部署之前执行空中训练或在线训练，或机器学习网络212及系统200可在载送通信流量的同时继续连续地或周期性地执行更新。
80.在一些实施方案中，一组配置文件(例如城市、农村、室内、宏观、微观、毫微微或与关联于部署场景或通过部署场景预测的信道行为相关的其它配置文件)用于确定被部署的机器学习网络212的初始模型，并用于配置用于确定机器学习网络212的增强或其它训练参数的过程。在一些例子中，数据或模型可在云环境或特定gnb小区之间的网络共享配置中共享，以改进初始机器学习网络模型，或者在具有共享现象的多个环境内联合改进模型。例如，共享类似干扰的小区网格内的小区、具有类似延迟扩展的小区或具有其它类似行为的小区可用于改进机器学习网络212的有效性、速度或性能。
81.在一些实施方案中，模拟通信信道207用于训练机器学习网络212。例如，信道模型(例如，5g-nr标准化延时线(tdl)模型、瑞利(rayleigh)或莱斯(rician)信道或具有标准化信道的标准算法，例如国际电信联盟(itu)或3gpp衰落信道模型，包含固定抽头、延迟扩展、多普勒速率或在良好定义的随机过程中的其它参数)可用于模拟通信信道207。
82.在一些实施方案中，预训练机器学习网络212。预训练可基于模拟。取决于实施方案，预训练可使用简化的统计模型(例如，瑞利或莱斯及其它)、cost 2100模型、抽头延迟线(tdl-a、tdl-b、tdl-x及其它)模型或标准lte或nr信道模型及其它模型。预训练还可使用用于部署的扇区的射线跟踪或几何模型或者经训练以基于先验测量或模拟再现一或多个小区的信道响应的信道生成对抗网络(gan)机器学习网络。
83.在一些情况下，训练可使用已知值以便在每一步骤计算信道响应。例如，前导值、导频值、已知参考、已知数据值可用于训练。在一些情况下，可使用决策反馈方法。例如，决策反馈方法可包含解调或解码数据以获得用于分配的估计符号或位。数据可为资源元素、数据包、突发、帧、资源单元(ru)分配、码字(例如，ldpc或极性码块)、物理下行链路共享信道(pdsch)分配或物理上行链路共享信道(pusch)分配中的一或多者，及其它形式的数据。在一些情况下，接着可例如通过校验crc字段、加密或hmac字段或奇偶校验信息(例如，ldpc奇偶校验位)来验证数据，且然后通过使用这些值以便提供用于更新机器学习模型的目标信息。
84.在一些情况下，训练可包含使用其它估计或均衡化方法。例如，线性mmse、最大似然、连续干扰消除(sic)或其它合适的方法可用于在某些例子中(例如，当机器学习网络模型未很好地训练时)产生信道响应的估计，或者训练可使用现有经学习估计或均衡化模型来产生估计，并使用例如决策或fec反馈的信息来在训练之前改进机器学习网络模型。在后一种情况下，当信干噪比(sinr)超过阈值时，或者在经学习模型的性能表现优于一般统计模型的另一点(例如，基于信道特性或输出性能度量)，可发生从一般统计模型到经学习模型的转变。
85.在一些情况下，增强用于改进或加速机器学习网络212的训练。在此类情况下，当训练机器学习网络212时，特定于训练的数据的多个副本可与不同的增强一起使用。例如，
例如噪声、相位旋转、到达角或衰落信道响应及其它的不同信道效应可应用于装置201或208或两者的一或多个发射或接收天线。数据的副本可用于将从有限或较小的测量数据集中可获得的有效可用训练数据的量增加到接近无限的增强测量或模拟数据集。这可帮助机器学习网络212的更快的模型训练，在少得多的数据和训练时间内训练用于机器学习网络212的更有弹性的、更可一般化的或更少过拟合的模型及其它。
86.如参考图1的实例中所展示的实施方案所讨论，一些性能改进在图2b和2c中展示。图2b和2c表示对应于图1的实施方案的机器学习网络方法的性能改进的两个实例。但是，图2b和2c中所展示的性能改进并不代表来自应用于与处理数字通信相关的其它任务或过程的机器学习网络方法的所有可能实施方案的所有可能改进。如本说明书中所描述，在使用机器学习网络处理数字通信时，其它改进也是可能的。
87.图2b是展示在使用机器学习网络处理数字通信时改进的误差矢量量值(evm)的实例的图。图呈现涉及mmse算法的用于估计和均衡化的常规方法(图230)与用于相同任务的机器学习网络方法(图240)之间的性能比较。图230说明通过使用mmse产生的恢复的数据符号图块，其涉及将来自网络的估计信道求逆与所接收符号值图块相乘。图240说明通过如关于图1和2a讨论的机器学习网络方法产生的恢复的数据符号图块。
88.涉及mmse算法的常规方法和机器学习网络方法两者正确地获得正交相移键控(qpsk)接收符号集。但是，图240展示机器学习方法产生围绕可能符号值的更集中的点估计集群。可通过比较表示由mmse均衡化产生的估计的项235和表示由机器学习网络均衡化产生的估计的项245来进行常规方法和机器学习网络方法的估计的可视化比较，此展示项245的集群与项235的集群相比更集中，从而指示当使用机器学习网络处理接收信号时更低的evm。与使用mmse相比，使用机器学习处理接收信号产生更低的集群方差和更低的evm。更低的集群方差和更低的evm与通信处理系统内较好的信号接收和较好的接收器性能相关。
89.图2c表示涉及mmse算法的估计和均衡化的常规方法与关于图1和2a所描述的机器学习网络方法之间的另一性能度量比较。图2c展示误码率(ber)相对于信噪比(snr)的图250，其说明与使用mmse(项252)相比，使用机器学习网络处理数字通信(项254)时所获得的改进。与项254中所展示的机器学习网络技术相比，项252中所展示的使用mmse的常规方法针对任何给定的snr导致更高的ber。换句话说，为了实现特定ber，与机器学习网络技术相比，涉及mmse的常规方法需要更大的snr。机器学习网络技术即使在给定信号中的更大噪声或低snr的情况下也产生较少的误码。
90.图2b和2c部分地展示在通信处理系统(例如系统100或系统200)内由机器学习网络方法的给定实施方案所提供的性能改进。通过与涉及单独计算和级处理的常规方法的比较，展现机器学习方法的性能改进。使用机器学习网络产生更精确和一致的信道响应估计、更低群集方差和更低的误差矢量量值，从而在通信处理系统内产生更好的性能。机器学习网络方法也比常规方法表现得更好，因为它针对给定的snr产生更低的ber，或者使用更低的snr来实现目标ber。在一些实施方案中，通过更好的估计和减小的计算复杂度(例如在涉及多用户mimo(mu-mimo)和有效的低成本部署和操作的情况下)，实现空间重用和计算效率方面的显著好处。
91.图3是说明用于训练用于处理数字通信的机器学习网络的方法300的实例的流程图。在一些实施方案中，方法300用于训练机器学习网络120或机器学习网络212，并且由系
统100或系统200中的一或多个计算装置执行，例如如关于图2描述的装置208。因此，以下段落相对于系统100或系统200描述方法300。但是，方法300也可由其它系统中的装置执行，以训练其它机器学习网络。
92.方法300包含针对数据信号生成导频和数据信息中的一或多者(302)。在一些实施方案中，导频和数据信息已经生成并且接收到所得信号。例如，在图1中，由系统100生成并获得具有数据信号的导频和数据信息的输入数据111，如所说明的实例中所展示。在其它实施方案中，例如，如参考图5所讨论，机器学习网络涉及于与导频和数据信息的发射相关的操作，包含导频和数据信息的生成。例如，导频和数据信息可为导频子载波、数据子载波、导频资源元素、数据资源元素，或这些的任何组合。
93.方法300包含通过通信信道发射数据信号以获得经修改信息(304)。例如，在一些实施方案中，通信信道是系统200中的通信信道207。如之前讨论，通信信道可为模拟信道，其中输入数据被一或多个随机或确定性受影响的过程修改成生成的经修改数据。例如，转换成模拟信号的数字信息通过加性高斯白噪声(awgn)信道或其它信道模拟来发射。然后，被视为模拟通信信道输出的经修改信息可用作到机器学习网络(例如，机器学习网络212)中的输入。或者，通信信道可为真实信道，其中输入数据由发射装置(例如装置201)转换为模拟rf ofdm信号，并发射到接收装置(例如装置208)。可基于发送、通过通信信道发射和接收数据信号的过程来修改在接收装置处接收的rf信号。
94.方法300包含将经修改信息输入到机器学习网络中(306)。例如，在系统200中，通过通信信道207发送的ofdm信号由接收装置208接收。接收装置对所接收信号执行额外处理，包含数字转换以及同步和提取。在信号已被转换为数字位并且信息已被同步和提取之后，机器学习网络212确定与从发射装置201发送到接收装置208的数据相对应的经修改信息或子载波的时频网格。
95.方法300包含从机器学习网络获得与输入的经修改信息相关的预测(308)。例如，预测可与用作机器学习网络的输入的经修改子载波有关。例如，如由使用机器学习网络120的系统100中的图111所展示，可针对信道的一或多个信道响应获得预测，或者针对子载波或资源网格中的每个图块获得预测。还可使用机器学习网络212针对通信信道(例如，系统200中的通信信道207)的逆信道响应获得预测。或者，预测可为在发射之前的所发射图块值或对应位、对数似然、码字或对应于所发射信息的类似值。
96.方法300包含通过将从机器学习网络获得的预测与一组真实数据进行比较来计算误差项(310)。例如，图2a，系统200中的已知参考和数据子载波220形成可从其计算误差项的一组真实数据。一组真实数据可从对来自生成过程的所发射符号的知识、从决策反馈过程(例如，fec、crc、ldpc及其它)、从参考音调或从值的一些带外通信获得。除了计算误差项之外，还可计算误差项的变化率，如关于系统200所描述。在一些情况下，误差项可从一或多个损失函数输出。
97.方法300包含基于误差项更新机器学习网络(312)。例如，在系统200中，从用于机器学习网络212的原始输入以及已知参考和数据子载波220计算的机器学习网络更新214可用于确定对机器学习网络212的一或多个参数、权重或其它方面的一或多个修改。
98.在一些情况下，可针对关于机器学习网络内的一或多个参数权重值的损失函数计算变化率。例如，可使用例如梯度下降、随机梯度下降(sgd)、adam、adamw、整流adam(radam)
或其它的优化过程来更新机器学习网络中的一或多个权重，以改进预测输出的精度或使通过损失函数计算的损失最小化。在一些情况下，可采用优化器的多个步骤和/或多组权重例如以不同的速率稳定和改进优化过程，在一些情况下，此通过使用lookahead神经网络优化技术来实现。
99.图4a和图4b是用于处理数字通信数据的系统的实例的框图。图4a是展示用于在不使用机器学习网络的情况下处理数字通信的第一实例系统400的框图。图4b是展示用于使用机器学习网络418处理数字通信的第二实例系统412的框图。第二系统412的机器学习网络418可用于替换表示常规方法的第一系统400的一或多个元件。例如，第一系统400包含通过估计信道元件404接收未均衡化资源网格402。在这种情况下，第一系统400使用如估计信道元件404中所展示的解调参考信号(dm-rs)方法。估计信道的其它方法在本领域中是已知的，并且也可在第一系统400中使用。
100.在估计用于未均衡化资源网格402的信道之后，第一系统400通过对未均衡化资源网格402插值而继续。在这种情况下，第一系统400使用如项406所展示的韦纳插值方法。尽管独立插值方法提供相对稳健的方法来寻找与插值网格上的每个点相关联的误差或置信度，但独立插值方法可为性能密集型的。在一些情况下，计算其大小为显著相关的数据点的数量的逆矩阵。当前和下一代通信系统引入越来越大数量的显著相关的数据点来求逆。图4b所展示的方法通过使用机器学习网络418来简化和改进计算。在机器学习网络418中执行如图4a所展示的常规分级执行的操作。如图4b所展示的机器学习网络方法可用于减小性能需求并减小通信设备、部署和操作的成本。
101.在插值之后，如项408所展示，第一系统400均衡化先前未均衡化的资源网格402的符号。在这种情况下，使用最小均方误差(mmse)方法。均衡化符号元素408可输出从未均衡化资源网格402提取的多个资源单元。在一些情况下，未均衡化网格402是k
×
l的网格，其中k表示子载波的数量，而l表示ofdm符号的数量，并且其中表示402和410内的多个天线元件、用户或层的额外网格可额外增加过程的复杂度。
102.在项410中展示针对用户或进一步处理步骤计算的最终均衡化的符号网格410。图4a在其它过程间引入大量时间密集的矩阵计算。第二系统412的机器学习网络418减轻由第一系统400中涉及的复杂计算引起的问题，并且在所述过程中改进性能。
103.在一些实施方案中，第一系统400的元件是针对瑞利或其它统计或简化信道或信道模型优化的一组刚性级联数字信号处理(dsp)操作。例如，包含专用集成电路的专用硬件可用于执行第一系统400中所说明的过程。
104.图4b展示计算经学习估计和均衡化过程的常规方法可由例如机器学习网络418的机器学习网络替换的方式的实例。在一些实施方案中，端对端机器学习网络(例如机器学习网络418)可用快速推断过程替换估计、插值、均衡化过程，所述快速推断过程可在跨n个天线提取和估计用户分配的符号时处理通信链路的许多不同的已知信道性质，或者信道状态信息(csi)模式。
105.图4b展示类似于在第一系统400中使用的非均衡化网格402的非均衡化资源网格414。非均衡化资源网格414用作机器学习网络418的输入。机器学习网络418可使用一或多个通信信道预训练或在空中训练。在一些实施方案中，机器学习网络418类似于系统100的机器学习网络120或系统200的机器学习网络212。
106.在一些情况下，可使用常规的mmse、lmmse或类似情况接收以正常物理下行链路共享信道(pdsch)或物理上行链路共享信道(pusch)形式在空中发射的64正交振幅调制(qam)5g-nr系统或其它固定或经学习调制方案，以便实现特定误码率(ber)或误差矢量量值(evm)。在另一种情况下，可使用密集或完全连接网络架构来训练经完全学习估计和均衡化网络，以实现较低的ber或evm。在一些情况下，这可产生大量参数，且因此引入过拟合问题。过拟合的结果是机器学习网络难以广泛使用或在不同的通信信道上使用。
107.为了减小过拟合，图4b中所展示的机器学习网络418经训练为u-net或不会导致如上文所讨论的大量参数和过拟合的其它形式的卷积网络。通过使用例如u-net或其它卷积网络的多尺度架构可减少用于描述机器学习网络418的参数的数量，这允许网络更好地一般化到不同的通信信道，对更少的数据更有效地训练，并且可导致对于某些硬件和处理器类型的更低的计算复杂度和更有效的算法。在实验室测试中，其也可表明u-net方法和类似的多尺度方法在总体上可实现比其它方法低得多的evm和ber。在一些情况下，这是因为参数搜索空间小得多，从而得到更好的性能和更好的一般化。
108.本说明书不限于u-net卷积网络。满足类似准则的其它架构也可适于此应用。例如，可使用w-net或提供一定程度的窄化或下采样卷积方案、稀疏表示或卷积上采样的其它架构。在一些情况下，可使用具有某种形式的跳跃连接或残差层的架构。
109.机器学习网络418接收未均衡化资源网格414，并基于机器学习网络418的一或多个连接层推断可由用户或在可通信地连接到第二系统412的相同(若干)元件中的进一步过程获得的正确均衡化符号420。被展示为从机器学习网络418输出的均衡化符号420之间的箭头的决策反馈可用于例如包含机器学习网络418的第二系统412的实施方案中。
110.决策反馈可用于在部署之前、期间或之后进一步改进机器学习网络。决策反馈或其它性能分析可用于更新机器学习网络418的网络权重或其它方面。更新机器学习网络418的过程在图4b的项422中展示。对机器学习网络418内的权重的更新可发送到机器学习网络418。机器学习网络418可接收更新并相应地修改机器学习网络的一或多个层内的一或多个权重。
111.更新网络权重过程可以各种速率运行。更新过程可在每次分配时运行，或在增强的情况下运行得更快。或者，它可更快或更慢地运行。在一些情况下，可根本不使用对网络权重的更新。可使用在线学习来获得更新，以在一或多个通信信道上更新网络权重，其中一或多个通信信道用于来回发送数据，导致机器学习网络418的网络权重或对网络权重或其它方面的修改产生并发送到机器学习网络418。在一些情况下，专用于更新的资源的程度可由可用资源以及机器学习网络和当时的其它处理任务用于前向推断(例如，估计、均衡化及其它)所需的资源来规定。
112.在一些情况下，这可发生在例如基带单元(bbu)或分布式单元(du)处理器的装置上，或者发生在小小区或分布式天线系统(das)系统内。在一些情况下，图4a或图4b中展示的更新过程或其它过程可对单元本身、对用于更新模型的云服务器或可通信地连接到图4a或图4b的元件的另一装置执行。更新过程可在给定时间利用来自一或多个扇区的数据。在一些情况下，这可有助于改进训练，并产生经训练或部分训练的机器学习网络的更大有效性。如此，一或多个网络元件可在具有不同数据集的多个元件之间执行网络权重共享或联合学习，以达成更全局最优的解决方案。
113.图5是展示通信系统500内的处理级的图。图5展示用于4g或5g无线基站的典型信号处理链以及如选项1到8所展示的可选分割点(例如，用于前传或中传)。在上游和下游两个方向上，无线电信号经过一系列的信号处理块。图5中的功能块之间的双指向箭头展示处理期间数据信号的上游和下游可能流两者。图5是通常发生在用于5g-nr、4g或5g 部署的o-ran或vran系统内的ru、du或cu内的信号处理级的实例，其中ru与du之间的分割的几个选项可由选项8、7*和6给出。7在图5中带有星号，因为选项7分割，如项520所展示，其通常包含3个不同的公共分割，标记为7-3、7-2和7-1。每个分割在元件之间具有不同的带宽和时延要求，并且每个频率带宽、天线元件的数量和其它参数都不同。由部署的虚拟ran(vran)系统采用分割7-2、7-3和类似者。机器学习方法可针对此分割内的所得du的要求和效率，但可类似地用于各种分割配置。phy层中的分割通常涉及将处理级分配给系统内的ru或du。图5展示机器学习网络如何适合于通信系统500。在一些情况下，机器学习网络可取而代之驻留在ru内，其中fft、逆fft(ifft)或包含同步的其它处理级之前或之后的处理级可由这些机器学习网络确定，并基于本地生成的或作为来自du或cu的反馈传递的信号质量度量来更新。
114.图5中所展示的选项表示du或集中式单元(cu)用于划分处理级的可能的分割点。包含高phy 516以及低phy 518和射频(rf)530的物理层常规由du执行，其中包含低mac 514、高mac 512、低rlc 510、高rlc 508和pdcp 506的处理的数据链路组件通常由cu执行。
115.在处理级中，信号处理链中的元素从rf级530流动到包含低phy 518和高phy 516的phy层。与由这些功能块执行的功能相关的方面在项520中展示。在右侧，展示从rf信号开始的过程流程。项520展示机器学习网络(如在前面的图中所讨论)可如何使用如图5所展示的类似处理级来适应现有系统。
116.如图5的实例中所展示，过程可开始于接收rf信号。预处理级(例如循环前缀去除、快速傅立叶变换(fft)、端口减少和资源元素解映射)可用来生成一种形式的非均衡化资源网格。来自预处理步骤的非均衡化资源网格可被发送到系统500的机器学习网络522。在这种情况下，机器学习网络522在于包含逆离散傅立叶变换(idft)的过程流程中将所得均衡化符号发送到其它元件之前执行信道估计、分集或其它天线组合和均衡化。在这种情况下，分集或其它天线组合可为从分集接收装置的一或多个所接收信号获得单个改进信号的过程。在一些情况下，这可为在具有不同特性的两个或更多个通信信道中发送的信号，或者是从两个或更多个用户发送的信号。在一些实施方案中，机器学习网络522类似于系统100的机器学习网络120或系统200的机器学习网络212。
117.图5说明机器学习网络522的其它可能处理级。虚线526展示可在机器学习网络522内组合以增加由机器学习网络522执行的处理级的数量或改变处理级的类型的其它可能元件。图5的实例展示作为机器学习网络522的可能添加的额外idft处理级、解调制级和解扰级，但本公开不限于此。在其它实施方案中，包含图5中所展示的其它处理级或在从rf 530到无线资源控制(rrc)504以及从rrc 504到rf 530的信号处理级内的其它过程可被包含在例如图5的机器学习网络522的一或多个机器学习网络中。
118.如项520中所展示的7-2分割是常用的，并且表示一种可能的分割，其中可使用通信处理内的机器学习网络的当前实施方案。展示机器学习网络522的放置的方框522也展示它可有效替换的常规统计信号处理算法。常规处理级内的此区域表示可将机器学习网络插入处理级所在的主要位置。
119.通过替换信道估计、分集组合器(或mu-mimo或更密集的mimo组合)和均衡化的常规处理级，机器学习网络522或学习模型更能够利用信道分布信息，并进一步能够减小通信处理系统的功耗。在多天线配置中尤其如此。在一些情况下，当学习这些任务时，机器学习网络522能够帮助抑制信号或频带内的任何非线性、失真或结构化干扰，而无需针对这些功能的额外专门处理。
120.但是，如上文讨论，在进一步例子中，机器学习网络可执行除了已经提到的常规任务之外的其它任务，或者代替已经提到的常规任务的其它任务。可执行的其它任务包含idft、解调、解扰、速率匹配、解码过程的任务或甚至级联的信源解码任务，例如在特殊情况下的视频解码过程，或者基于历史概率信息和训练的mac内容的额外概率学习和校正。这些其它任务可在机器学习网络内执行。在一些情况下，机器学习网络(例如图5的机器学习网络522)可针对项520右侧所展示的接收链侧的不同子集进行训练。在一些情况下，机器学习网络522可输出网格中每个元素的信道估计。在一些情况下，机器学习网络522可输出网格中每个元素的估计符号。在一些情况下，机器学习网络522可输出每符号或每位的软对数似然(llr)信息用于解码。在一些情况下，机器学习网络522可输出接收到哪些解码码字、帧或位的估计。
121.如图5中展示，机器学习网络方法可为渐进式方法，其中初始能力在元件522中展示，而随着时间的推移，由机器学习网络522执行的处理级可成为在处理链中以及例如在元件526中展示的通信处理的越来越大的百分比。这种渐进式方法允许随着时间的推移从常规算法转变到基于数据的完全经学习和端对端优化算法，从而允许以和端对端数据驱动的形式对通信堆叠中越来越大的区段进行迭代去风险、测试、部署和优化。在cu或更高层级内的进一步优化可发生以帮助辅助例如，由在du算法内具有更好性能的优选资源块进行的资源分配和调度任务，或重复出现以便提供更好的训练和推断一致性的资源分配，或者在调度优化过程内的信道估计过程内利用比现今在例如现有比例公平调度器(pf)的更简单的算法中利用的更多的信息，所述更简单的算法通常在关于分配的约束和优势的有限得多的知识下操作(例如，将事情简化为功率分配)。
122.单独地，在项520的左侧展示的发射侧上，如展示从mac开始在处理级中继续进行到rf，展示层映射和预编码器发射计算的问题。由于在下行链路多输入、多输出(mimo)预编码权重的预编码内使用详细的csi信息，所以如项520右侧的项522中所展示，用于接收和处理所接收信号的机器学习网络也可用于简单地通过学习过程产生单用户或多用户mimo方案的预编码权重值。这是有利的，因为它去除对可相对更耗电，且计算更慢的奇异值分解(svd)运算的线性矩阵求逆的需要。通过引入具有更小复杂度和更好性能的处理元件，还可减少网络运营商的运营费用和资本支出。这在mu-mimo的上下文中是有利的，其中预编码权重用于基于下行链路中的几个ue的csi信息来优化所述ue。csi是推理也可帮助更好地影响dl调度决策的情况。在mimo系统中，复杂度可依据ue数量和天线数量而迅速增长，这对于密集的城市部署场景，尤其是在低频段和中频段部署中可能成问题。在时分双工(tdd)系统的上下文中，csi通常可使用信道互易性以及来自ue的误差反馈直接推断，而在fdd系统中，可依赖于来自ue协议(例如，csi-rs)的反馈或者其它传感器输入(例如下行链路频带上的所接收值)可帮助基于ul接收csi优化fdd dl预编码权重的预测。
123.在一些实施方案中，处理可在du上运行。例如，du可为通用服务器平台，例如英特
尔服务器平台，其可采用一或多个加速器，例如其可使用现场可编程门阵列(fpga)卸载来进行误差校正解码。du可使用图形处理单元(gpu)或张量或矢量处理器或其它收缩阵列来执行神经网络操作，以便减小功耗并改进吞吐量，从而允许例如系统500的系统执行更多扇区、更多无线电单元、每扇区更多用户(例如，在mu-mimo配置中)、每扇区更多天线的解码，并且通常通过使用更有效的硬件和算法来更有效地缩放而支持网络内du功能的更高密度和更便宜操作。在一些情况下，使用机器学习网络(例如图5的机器学习网络522)来执行信号发射或接收的一或多个任务可实现如上文所讨论的对于处理通信的系统(例如系统500)的改进。
124.在一些实施方案中，5g-nr系统中定义的软件可改变时隙或帧中的突发分配性能，以便在宽范围的多用户分配和调度模式或配置上生成和验证所述方法。如所讨论，机器学习网络方法在设计特定通信信道中的信号的发射和接收方面提供优势，所述特定通信信道可对所发送数据信号具有特殊的衰落修改或其它效应。在一些情况下，在不同方向或不同空间路径上发送的信号可被分配帧或帧的部分。将多用户空间分配与资源块(rb)分配相关联的空间等效物可教导每个用户或rb分配的各种单独的信道响应区域。
125.在一些情况下，系统(包含系统内的元件)可经调谐以跨小区中的许多不同用户工作，每个所述用户具有唯一信道响应。可由基站调度器为小区中的每个用户分配用于每个上行链路发射的不同的资源元素(re)集。在一些情况下，机器学习网络可学习均衡化来自不同用户设备(ue)的许多不同信道响应，但所述响应都从整个扇区的某一分布得到。此分布可随着时间的推移依据其它方面(例如一天内的时间、一周内的一天、事件活动或其它物理现象)而改变或调节，此可改变小区内所有用户分配的信道统计数据的总体分布。
126.通过学习某些类型的神经网络或使用特定的结构，例如用于估计任务的卷积神经网络、u-net或采用卷积特征的其它类似架构，我们可学习用于每个分配的re的不变性。在这种情况下，所述架构有助于减小对特定用户的任何特定频率偏移的过拟合，从而允许所得算法一般化至每个用户的不同re分配。在一些例子中，信息可被传递到机器学习模型中(例如，在对应的控制信息资源网格中)，以便指定不同的分配在哪里发生，哪些元素是数据和导频，以及对于每个使用哪个调制或编码索引(mcs)，或者哪些元素被分配给多个ue。一般来说，重要的是模型对扇区中的许多ue收敛，其中许多ue的csi信息外的训练可收敛到小区中用于不同用途的所有行为和信道响应的良好解决方案。
127.在一些实施方案中，不同的rb分配对应于不同的空间位置，并相应地对应于不同的信道响应。此外，当rb分配逐帧或逐时隙变化时，ue分配可在时间/频率空间中四处移动。存在其中可使用csi信息和估计度量的质量来联合优化问题的许多方式，例如在何处为每个ue授予rb分配，哪些ue被共同分配在一个时隙内，ue是否被重复地分配相似的分配以帮助估计，或者可如何使用低级别l1和csi信息以及例如ber、evm和误帧率(fer)的质量度量和例如多用户吞吐量或这些的聚合的小区聚合度量来共同优化调度器内的其它过程以便改进小区性能。
128.在一些实施方案中，涉及csi的估计过程可用于修改机器学习网络。例如，某些信道特性或其它数据可被关联或用于确定特定信道特性和所得权重或要被应用到机器学习网络的一或多个权重的配置文件。在一些情况下，计算可涉及基于上行链路csi估计过程的下行链路发射的预编码权重。
129.在一些实施方案中，机器学习网络可与常规的mmse方法并行使用。例如，可针对ue或dl接收器以及gnb或ul接收器计算包含evm、ber和fer的性能分析。在基于比较均衡化和估计过程的测试中，可展示机器学习网络方法提供优于目前使用的算法方法的改进。在这种情况下，机器学习方法可广泛应用于ue和gnb接收器两者以及现代4g、5g、5g 和类似wifi系统中的预编码计算方案，所述系统利用多天线，且寻求跨多天线路径和多用户自由度高效优化并减小计算复杂度。
130.图6是展示通信系统600的前传场景的图。项620是与上述系统600相关的级的实例。图6的实例展示4g或5g-nr系统的典型前传场景，其中高phy或上phy运行在所展示的两个数字单元(du)(第一du 604和第二du 606)上。有时，du可为基带单元(bbu)的形式。在图6的实例中，选项7-2分割用于从两个du 604和606分割项610、612、614和616中所展示的多个无线电单元(ru)。项610、612、614和616中所展示的多个ru处理如项620中所展示的低phy的组件。如图6所展示的du与ru之间的分割是前传分割的实例。在这种情况下，在du对多个扇区执行高phy处理的情况下，du的计算效率越高，它可支持的扇区越多，与系统600需用来维持自身的资本支出相关的硬件越少，且与系统600需用来维持自身的操作支出相关的功率越少。
131.在图6的实例中，系统600包含可通信地连接到两个du 604和606的集中式单元(cu)602。如项620所展示，cu 602可向du 604和606供应如图5的过程中所描述的mac。在此实例中，du 604和606包含机器学习网络605。在此实例中，机器学习网络605处理来自所接收rf信号的估计、插值和均衡化过程。在一些实施方案中，机器学习网络605类似于相对于系统100描述的机器学习网络120或相对于系统200描述的机器学习网络212。
132.du 604和606使用机器学习网络605来替换高phy的部分。如前文提及，例如机器学习网络605的机器学习网络可取而代之响应于由du接收的命令、由可通信地连接到du的元件获得的数据或du本身来增强高phy的部分。系统600的实例中的du功能包含估计、插值和均衡化。通过使用允许对更多天线进行更有效的处理，减小计算复杂度并改进信号质量和ue密度的机器学习网络605，与常规方法相比，两个du 604和606可改进系统600的功能。
133.图6试图说明在例如系统600的系统内使用例如机器学习网络605的机器学习网络的有益效应。机器学习网络方法从少量天线(例如，1、2或4)按比例扩大到较大的大规模mimo系统(例如，具有32、64、256或更多的天线)。因为网络复杂度通常可随着元件的数量线性(或接近线性)缩放，这可导致对于较大数量元件的重大复杂度改进，这是当前用于估计、均衡化和预编码矩阵计算的线性mmse或线性迫零方法的主要问题，其中在许多情况下这些线性矩阵求逆算法以o(n3)阶(其中n是》0的整数)或指数复杂度缩放。
134.常规的方法导致每秒大量计算硬件的高资本费用，以及在用于操作硬件的瓦特/秒方面的高操作费用以及冷却、电池备份和此系统消耗的其它费用。以前展示的架构(例如u-net或类似的卷积架构)大大减小此复杂度，并允许在多天线配置中支持su和mu-mimo系统的多天线数字处理系统支持最新技术的多用户密度和容量，同时支持最新技术的能量效率和操作成本。
135.在一些实施方案中，发射配置值可作为输入提供到机器学习网络。例如，例如调制和编码信息(mci)或类似信息的发射配置可作为输入提供到机器学习网络或机器学习网络的各个部分。此信息可用于促进学习在给定多个可能的符号编码的情况下估计或解码如何
决定符号或位。例如，机器学习网络可能能够使用包含qpsk、16正交振幅调制(qam)、64qam、256qam的各种符号编码进行解码。通常，本说明书中定义的方法可应用于任何系统和任何对应的符号编码。
136.在一些实施方案中，机器学习网络方法可部署在各种系统内。实例部署系统包含分布式单元(du)内，特别是在vbbu和o-ran内、7-2分割前传配置内的4g、5g和超5g基带单元(bbu)。du尤其通常可在远程无线电头(rrh)或无线电单元(ru)与集中式单元(cu)之间提供l1信号处理，所述远程无线电头(rrh)或无线电单元(ru)包含无线电硬件且有时包含低级别l1处理，所述集中式单元(cu)可提供上层网络功能，且有时包含l2和l3处理的功能。机器学习网络方法也可部署在用户设备(ue)内，例如，其中ml可在移动单元上的基带处理和调制解调器内使用，其中它也可减小功耗和复杂度，改进恶劣条件下的信号保真度，并更好地实现对多天线元件的处理。它可用于o-ran bbu、du软件或固件实施方案中。它也可用于主要设备提供商(例如爱立信、诺基亚、华为及其它)du实施方案中，其可以更端对端的方式集成，所述方式可能不是o-ran或vran或前传兼容的，而是实施类似phy功能性。
137.在一些实施方案中，不仅所接收非均衡化资源网格，而且额外资源网格以及导频资源网格可作为输入提供到机器学习网络。例如，机器学习网络可接收和使用未均衡化资源网格和额外资源网格两者以及导频资源网格，以使用两组信息更好地恢复信道估计和均衡化符号值。
138.图7是说明用于使用机器学习网络处理数字通信的计算系统的实例的图。计算系统包含可用于实现在本文描述的技术的计算装置700和移动计算装置750。例如，系统100的一或多个组件可为计算装置700或移动计算装置750的实例，例如实施机器学习网络120的计算机系统、从机器学习网络120存取信息的装置、或存取或存储关于由机器学习网络120执行的操作的信息的服务器。作为另一实例，系统200的一或多个组件可为计算装置700或移动计算装置750的实例，例如实施机器学习网络212的装置201或装置208、从机器学习网络212存取信息的装置、或存取或存储关于由机器学习网络212执行的操作的信息的服务器。
139.计算装置700希望表示各种形式的数字计算机，例如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型主机和其它适当的计算机。移动计算装置750希望表示各种形式的移动装置，例如个人数字助理、蜂窝电话、智能电话、移动嵌入式无线电系统、无线电诊断计算装置和其它类似的计算装置。本文展示的组件、其连接和关系以及其功能意在仅作为实例，且不意在限制。
140.计算装置700包含处理器702、存储器704、存储装置706、连接到存储器704和多个高速扩展端口710的高速接口708，以及连接到低速扩展端口714和存储装置706的低速接口712。处理器702、存储器704、存储装置706、高速接口708、高速扩展端口710和低速接口712中的每一者使用各种总线互连，并且可安装在共同主板上或酌情以其它方式安装。处理器702可处理用于在计算装置700内执行的指令，包含存储在存储器704中或存储装置706上的指令，以在例如耦合到高速接口708的显示器716的外部输入/输出装置上显示用于gui的图形信息。在其它实施方案中，可酌情使用多个处理器和/或多个总线以及多个存储器和存储器类型。另外，可连接多个计算装置，其中每个装置提供操作的部分(例如，作为服务器库、一组刀片服务器或多处理器系统)。在一些实施方案中，处理器702是单线程处理器。在一些
实施方案中，处理器702是多线程处理器。在一些实施方案中，处理器702是量子计算机。
141.存储器704将信息存储于计算装置700内。在一些实施方案中，存储器704是易失性存储器单元。在一些实施方案中，存储器704是非易失性存储器单元。存储器704也可为另一种形式的计算机可读媒体，例如磁盘或光盘。
142.存储装置706能够为计算装置700提供大容量存储。在一些实施方案中，存储装置706可为或包含计算机可读媒体，例如软盘装置、硬盘装置、光盘装置或磁带装置、快闪存储器或其它类似固态存储器在，或者包含存储区域网或其它配置中的装置的装置阵列。指令可存储在信息载体中。当由一或多个处理装置(例如，处理器702)执行时，指令执行一或多个方法，例如上述那些方法。指令也可由例如计算机或机器可读媒体的一或多个存储装置(例如，存储器704、存储装置706或处理器702上的存储器)存储。高速接口708管理计算装置700的带宽密集型操作，而低速接口712管理较低带宽密集型操作。此功能分配只是一个实例。在一些实施方案中，高速接口708耦合到存储器704、显示器716(例如，通过图形处理器或加速器)，以及耦合到高速扩展端口710，所述高速扩展端口710可接纳各种扩展卡(未展示)。在实施方案中，低速接口712耦合到存储装置706和低速扩展端口714。可包含各种通信端口(例如，usb、蓝牙、以太网、无线以太网)的低速扩展端口714可(例如)通过网络适配器耦合到一或多个输入/输出装置，例如键盘、指向装置、扫描仪或网络装置(例如交换机或路由器)。
143.如图中展示，计算装置700可以许多不同的形式来实施。例如，其可被实施为标准服务器720，或者在一组此类服务器中实施多次。此外，它可在例如膝上型计算机722的个人计算机中实施。它也可被实施为机架服务器系统724的部分。或者，来自计算装置700的组件可与例如移动计算装置750的移动装置中的其它组件组合。此类装置中的每一者可包含计算装置700和移动计算装置750中的一或多者，并且整个系统可由相互通信的多个计算装置组成。
144.移动计算装置750包含处理器752、存储器764、输入/输出装置(例如显示器754)、通信接口766和收发器768及其它组件。移动计算装置750也可具备存储装置(例如微驱动器或其它装置)以提供额外存储。处理器752、存储器764、显示器754、通信接口766和收发器768中的每一者使用各种总线互连，并且几个组件可安装在共同主板上或酌情以其它方式安装。
145.处理器752可执行移动计算装置750内的指令，包含存储在存储器764中的指令。处理器752可被实施为包含单独的和多个模拟和数字处理器的芯片的芯片组。处理器752可(例如)提供移动计算装置750的其它组件的协调，例如用户界面的控制、由移动计算装置750运行的应用程序以及由移动计算装置750进行的无线通信。
146.处理器752可通过耦合到显示器754的控制接口758和显示接口756与用户通信。显示器754可为(例如)tft(薄膜晶体管液晶显示器)显示器或oled(有机发光二极管)显示器，或其它适当的显示技术。显示接口756可包含用于驱动显示器754以向用户呈现图形信息和其它信息的适当电路。控制接口758可从用户接收命令并转换它们以提交给处理器752。此外，外部接口762可提供与处理器752的通信，以使移动计算装置750能够与其它装置进行近区域通信。例如，外部接口762可在一些实施方案中提供有线通信，或者在其它实施方案中提供无线通信，并且也可使用多个接口。
147.存储器764将信息存储于移动计算装置750内。存储器764可被实施为计算机可读媒体、易失性存储器单元或非易失性存储器单元中的一或多者。也可提供扩展存储器774，且可通过扩展接口772将其连接到移动计算装置750，所述扩展接口772可包含(例如)simm(单列直插存储器模块)卡接口。扩展存储器774可为移动计算装置750提供额外的存储空间，或者也可为移动计算装置750存储应用程序或其它信息。具体地说，扩展存储器774可包含执行或补充上述过程的指令，并且还可包含安全信息。因此，例如，扩展存储器774可作为用于移动计算装置750的安全模块提供，并且可用允许移动计算装置750的安全使用的指令来编程。此外，可经由simm卡提供安全应用程序，以及额外信息，例如以不可骇入的方式将标识信息置于simm卡上。
148.存储器可包含(例如)快闪存储器和/或nvram存储器(非易失性随机存取存储器)，如下文所讨论。在一些实施方案中，指令存储在信息载体中，使得当由一或多个处理装置(例如，处理器752)执行时，指令执行一或多个方法，例如上述那些方法。指令也可由一或多个存储装置存储，例如一或多个计算机或机器可读媒体(例如，存储器764、扩展存储器774或处理器752上的存储器)。在一些实施方案中，指令可(例如)通过收发器768或外部接口762在传播信号中接收。
149.移动计算装置750可通过通信接口766无线通信，在一些情况下，所述通信接口766可包含数字信号处理电路。通信接口766可提供各种模式或协议下的通信，例如gsm语音呼叫(全球移动通信系统)、sms(短消息服务)、ems(增强消息传送服务)或mms消息传送(多媒体消息传送服务)、cdma(码分多址)、tdma(时分多址)、pdc(个人数字蜂窝)、wcdma(宽带码分多址)、cdma 2000或gprs(通用分组无线服务)、lte、5g/6g蜂窝及其它。此通信可(例如)通过使用射频的收发器768发生。此外，可发生短距离通信，例如使用蓝牙、wi-fi或其它此类收发器(未展示)。此外，gps(全球定位系统)接收器模块770可向移动计算装置750提供额外的导航和位置相关无线数据，所述数据可酌情由在移动计算装置750上运行的应用程序使用。
150.移动计算装置750也可使用音频编解码器760进行可听通信，所述音频编解码器760可从用户接收口语信息并将其转换为可用的数字信息。音频编解码器760同样可(例如)通过(例如)移动计算装置750的听筒中的扬声器为用户生成可听声音。此声音可包含来自语音电话呼叫的声音，可包含记录的声音(例如，语音消息、音乐文件及其它)，并且也可包含由在移动计算装置750上操作的应用程序生成的声音。
151.如图中展示，移动计算装置750可以许多不同的形式来实施。例如，它可实施为蜂窝电话780。它也可被实施为智能电话782、个人数字助理或其它类似移动装置的部分。
152.在一些实施方案中，本公开中所描述的通信系统(例如系统100或系统200，或两者)使用全卷积或部分卷积架构来改进性能。例如，通信系统在一些情况下使用u-net架构。其它情况使用替代架构，例如类似类别的全卷积网络。全卷积或部分卷积架构使系统能够更快地学习(例如，使用更少时间和实例)、使用更少的参数或更好地一般化(例如，不太可能与数据过拟合)。此类实施方案导致较低的计算复杂度。
153.在一些实施方案中，系统使用考虑时间的多个步长或时隙上的序列模型的时间步长架构，以对通信信道(例如通信信道207)的演进进行建模。取决于信道相干时间，这可有助于改进信道信息的平均、收敛以及估计精度。但是，跨导频的插值可使用额外的工作量。
154.一些实施方案可包含韦纳滤波器、正弦插值及其它。在一些情况下，这些实施方案不需要领域知识，例如衰落在通信信道中看起来像什么或者帧布局和导频间距如何影响信道估计的插值。
155.通过在估计和均衡化过程内学习插值(例如，直接从稀疏导频集估计通信信道，有效地使用导频导向稀疏估计和通过网络学习的非导频导向信息两者，并且以经学习、领域特定的和上下文感知的方式跨整个资源块(rb)分配有效地插值)，在通信系统中利用机器学习网络的方法可改进性能。在估计和均衡化过程内学习插值实现学习领域特定的插值方案，所述插值方案可提供稀疏信息点之间的改进插值。在一些情况下，领域特定的插值方案也可独立使用。例如，在一些情况下，在估计和均衡化例程的上下文内，机器学习网络仅可用于插值阶段。在其它实施方案中，机器学习网络可类似地在通信系统内承担一部分处理。例如，机器学习网络可仅处理估计过程。
156.在一些实施方案中，不对通信系统内的机器学习网络执行预训练。例如，机器学习网络(例如系统200中的机器学习网络212)可在不首先被训练的情况下部署。在一些情况下，通过部署机器学习网络而无需任何训练从头开始进行训练可为有利的。例如，在具有非常困难或唯一信道条件的情况下，以实际信道条件而不是预先训练条件开始训练可从机器学习网络产生更好结果。
157.已描述数种实施方案。但是，将理解，可在不脱离本公开的精神及范围的情况下做出各种修改。例如，可使用上面所展示的各种形式的流程，其中步骤被重新排序、添加或去除。
158.本发明的实施例和在本说明书中描述的所有功能操作可在数字电子电路中或在计算机软件、固件、硬件中实施，包含本说明书中揭示的结构和其结构等同物，或其的一或多者的组合。本公开的实施例可经实施为一或多个计算机程序产品，例如，在计算机可读载体上编码以用于由数据处理设备执行或控制所述设备的操作的计算机程序指令的一或多个模块。计算机可读媒体可为机器可读存储装置、机器可读存储衬底、存储器装置、实现机器可读传播信号的物质的组合物，或其的一或多者的组合。术语“数据处理设备”涵盖用于处理数据的所有设备、装置和机器，举例来说包含可编程处理器、计算机或多个处理器或计算机。除了硬件之外，设备可包含为所讨论计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统或其的一或多者的组合的代码。传播信号是人工生成的信号，例如，机器生成的电、光或电磁信号，生成所述信号以对信息进行编码用于发射到合适的接收器设备。
159.计算机程序(也称为程序、软件、软件应用程序、脚本或代码)可以任何形式的编程语言编写，包含编译或解译语言，且其可以任何形式部署，包括作为独立程序或作为模块、组件、子例程或适合用于计算环境中的其它单元。计算机程序不一定对应于文件系统中的文件。程序可存储在保存其它程序或数据(例如，存储在标记语言文档中的一或多个脚本)的文件的一部分中，存储在专用于所讨论程序的单个文件中，或者存储在多个协调文件中(例如，存储代码的一或多个模块、子程序或部分的文件)。可部署计算机程序以在一个计算机上或定位在一个站点处或跨多个站点分布且通过通信网络互连的多个计算机上执行。
160.本说明书中描述的过程和逻辑流程可由一或多个可编程处理器执行，所述一或多个可编程处理器执行一或多个计算机程序以通过对输入数据进行操作并产生输出而执行
功能。过程和逻辑流程也可由专用逻辑电路(例如，fpga(现场可编程门阵列)或asic(专用集成电路))执行，且设备也可实施为专用逻辑电路(例如，fpga(现场可编程门阵列)或asic(专用集成电路))。
161.举例来说，适合于执行计算机程序的处理器包含通用及专用微处理器两者，及任何种类的数字计算机的任何一或多个处理器。通常，处理器将从只读存储器或随机存取存储器或两者接收指令及数据。计算机的基本元件是用于执行指令的处理器及用于存储指令及数据的一或多个存储器装置。通常，计算机也将包含用于存储数据的一或多个大容量存储装置(例如磁盘、磁光盘或光盘)或可操作地耦合以从所述一或多个大容量存储装置接收数据或将数据传送到所述一或多个大容量存储装置或接收及传送两者。但是，计算机不需要具有此类装置。此外，计算机可嵌入到另一装置中，例如，平板计算机、移动电话、个人数字助理(pda)、移动音频播放器、全球定位系统(gps)接收器，仅举几个例子。适用于存储计算机程序指令和数据的计算机可读媒体包含所有形式的非易失性存储器、媒体或存储器装置，包含举例而言半导体存储器装置，例如，eprom、eeprom和快闪存储器装置；磁盘，例如，内部硬盘或可换式磁盘；磁光盘；和cd rom及dvd-rom光盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
162.为了提供与用户的交互，本发明的实施例可经实施于具有用于向用户显示信息的显示器装置(例如crt(阴极射线管)或lcd(液晶显示器)监视器)及用户可通过其将输入提供到计算机的键盘及指向装置(例如鼠标或轨迹球)的计算机上。其它种类的装置也可用于提供与用户的交互；例如，提供给用户的反馈可为任何形式的感觉反馈，例如，视觉反馈、听觉反馈或触觉反馈；且来自用户的输入可以任何形式接收，包含听觉、语音或触觉输入。
163.本发明的实施例可在计算系统中实施，所述计算系统包含后端组件(例如，作为数据服务器)，或包含中间件组件(例如，应用程序服务器)，或包含前端组件(例如，具有用户可通过其与本发明的实施方案交互的图形用户界面或网络浏览器的客户计算机)，或一或多个此类后端、中间件或前端组件的任何组合。系统的组件可通过任何形式或媒体的数字数据通信(例如通信网络)互连。通信网络的实例包含区域网(“lan”)和广域网(“wan”)，例如，因特网。
164.计算系统可包含客户端及服务器。客户端及服务器通常远离彼此且通常通过通信网络交互。客户端与服务器的关系借助于在相应计算机上运行且与彼此具有客户端-服务器关系的计算机程序产生。
165.虽然本说明书含有许多细节，但是这些不应被理解为对本发明的范围或者可要求保护内容的限制，而应当被理解为特定于本发明的特定实施例的特征的描述。在本说明书中在单独实施例的上下文中描述的特定特征也可在单个实施例组合实施。相反地，在单个实施例的上下文中描述的各种特征也可单独或者以任何合适的子组合实施在多个实施例中。而且，虽然特征可在上文被描述成以某个组合起作用并且甚至最初如此被要求保护，但是来自所要求保护的组合的一或多个特征在一些情况下可从组合删除，并且所要求保护的组合可涉及子组合或子组合的变型。
166.类似地，虽然在附图中以特定顺序描绘操作，但这不应当被理解为要求这类操作以所展示的特定顺序或以连续顺序来执行，或者所有说明操作被执行，以实现期望的结果。在特定情形中，多任务和并行处理可为有利的。而且，上文描述的实施例中的各种系统组件
的分离不应被理解为在所有实施例中都需要此分离，且应理解，所描述的程序组件和系统通常可一起集成在单个软件产品中或封装成多个软件产品。
167.已描述本发明的特定实施例。其它实施例在以下权利要求书的范围内。例如，在权利要求中陈述的步骤可以不同顺序执行但仍然实现期望的结果。