用于确定高分辨率QoS预测图的装置和方法与流程

用于确定高分辨率qos预测图的装置和方法
技术领域
1.本描述涉及针对无线电通信网络的qos预测的增强。


技术实现要素：

2.现有技术的问题通过根据权利要求1的用于确定高分辨率qos预测图的装置、通过根据另外的权利要求的用于确定高分辨率qos预测图的方法、通过根据另一独立权利要求的用于训练神经网络的装置、通过根据另外的独立权利要求的用于训练神经网络的方法、以及通过根据另一独立权利要求的对前述装置或方法的使用来解决。
3.本描述的第一方面涉及一种用于确定第一环境的第一无线电通信网络的高分辨率qos预测图的装置，其中所述装置包括：第一输入单元，其被配置成确定或提供表征第一环境的环境信息；第二输入，其被配置成确定或提供与第一环境的第一无线电通信网络或第二环境的第二无线电通信网络相关联的低分辨率qos图；以及确定单元，其被配置成通过经训练的人工深度神经网络来传播低分辨率qos图和环境信息，其中在经训练的人工深度神经网络的输入部分中提供低分辨率qos图和环境信息作为输入参数，并且其中在经训练的人工深度神经网络的输出部分中提供第一无线电通信网络的高分辨率qos预测图。
4.qos预测图提供了用于移动业务应用的改进的细粒度qos预测。这些细粒度qos预测表示第一无线电通信网络的可靠蜂窝覆盖图。通过考虑环境信息，人工神经网络允许传输另一网络或相同网络、第二无线电通信网络的粗略测量结果、以及与第一无线电通信网络相关联的预测的细粒度表示。此外，可用的相关环境信息（诸如，高清晰度图，基站位置）可以被利用以便完成任务。换句话说，确定单元利用覆盖图与环境信息（诸如，地理属性和基础设施属性）之间的相关性以用于增强覆盖图的分辨率。确定单元解决转化任务，即，将低分辨率qos图的意义上的区域a的低分辨率图转化成高分辨率qos预测图的意义上的不同区域b的高分辨率图。
5.有利地，在很少或没有第一无线电通信网络的数据速率测量结果的情况下，创建第一无线电通信网络的数据速率或其他服务质量参数的综合图。经训练的人工神经网络使得从低分辨率到高分辨率的转化依赖于环境信息。经训练的模型能够将来自区域a的低分辨率图与来自区域b的环境信息一起取得，并且然后创建区域b的高分辨率图，区域b可能既没有低分辨率也没有高分辨率的覆盖测量结果可用。
6.根据有利的示例，所述装置包括：第三输入单元，其被配置成确定或提供表征第一无线电通信网络的至少一个无线电信道的测量信息；以及确定单元，其被配置成通过经训练的人工深度神经网络来传播低分辨率qos图、环境信息和测量信息，其中在经训练的人工深度神经网络的输入部分中提供低分辨率qos图、环境信息和测量信息作为输入参数，并且其中在经训练的人工深度神经网络的输出部分中提供第一无线电通信网络的高分辨率qos预测图。
7.有利地，表示第一无线电通信网络的当前无线电通信的一部分的稀疏测量结果允许在高分辨率qos预测图的意义上确定更精确的估计。
8.根据有利的示例，所述装置包括操作单元，操作单元被配置成取决于高分辨率qos预测图来操作第一无线电通信网络。
9.有利地，第一无线电通信网络的ue能够经由所提供的高分辨率qos图对所预测的无线电条件适当地做出反应。
10.根据有利的示例，所述装置包括上缩放（upscaling）部分，上缩放部分被配置成将低分辨率qos图上缩放为上缩放表示。
11.有利地，上缩放部分将低分辨率输入上采样成具有高分辨率qos预测图的分辨率的上缩放表示。有利地，上缩放部分提取qos的空间和时间特征。
12.根据有利的示例，经训练的神经网络包括特征提取部分，特征提取部分被配置成取决于所述上缩放表示来确定特征图，其中特征提取部分包括特征提取部分的层之间的至少一个跳过连接。
13.有利地，特征提取部分基于低分辨率图的上缩放版本来提取特征。跳过连接提供了捷径（shortcut），以便使确定加速。
14.根据有利的示例，经训练的神经网络包括卷积部分，卷积部分被配置成取决于由特征提取部分确定的特征图来确定高分辨率预测图，其中卷积部分不包括卷积部分的层之间的跳过连接。
15.根据有利的示例，确定单元包括预处理单元，预处理单元被配置成确定包括多个随机化噪声值的随机化噪声图，随机化噪声图也可以被称为随机化低分辨率qos，预处理单元被配置成取决于所确定的随机化噪声图并且取决于低分辨率qos图来确定随机化低分辨率qos图，并且被配置成将随机化低分辨率qos图提供给经训练的人工神经网络。随机化噪声图用于填充从低分辨率到高分辨率的缺失信息。由于传输不是确定性的映射，因此它受随机向量——这里我们将其称为噪声——所控制。
16.经训练的网络取得给定的低分辨率qos图，并且还具有一些附加的随机化噪声输入（可能在输入层或其他隐藏层处），并且然后输出高分辨率qos图。这种输出随噪声而变化。因此，利用了经训练的人工神经网络已经学习到的低分辨率与高分辨率图之间的随机关系。
17.根据本描述的第二方面，提供了一种用于确定第一环境的第一无线电通信网络的高分辨率qos预测图的方法。所述方法包括：确定或提供表征第一环境的环境信息；确定或提供与第一环境的第一无线电通信网络或与第二环境的第二无线电通信网络相关联的低分辨率qos图；以及通过经训练的人工深度神经网络来传播低分辨率qos图和环境信息，其中在经训练的人工深度神经网络的输入部分中提供低分辨率qos图和环境信息作为输入参数，并且其中在经训练的人工深度神经网络的输出部分中提供第一无线电通信网络的高分辨率qos预测图。
18.根据有利的示例，所述方法包括：确定或提供表征第一无线电通信网络的至少一个无线电信道的测量信息；以及通过经训练的人工深度神经网络来传播低分辨率qos图、环境信息和测量信息，其中在经训练的人工深度神经网络的输入部分中提供低分辨率qos图、环境信息和测量信息作为输入参数，并且其中在经训练的人工深度神经网络的输出部分中提供第一无线电通信网络的高分辨率qos预测图。
19.根据有利的示例，所述方法包括取决于高分辨率qos预测图来操作第一无线电通
信网络。
20.根据有利的示例，所述方法包括将低分辨率qos图上缩放为上缩放表示。
21.根据有利的示例，所述方法包括取决于所述上缩放表示来确定特征图，其中对应的特征提取部分包括特征提取部分的层之间的至少一个跳过连接。
22.根据有利的示例，所述方法包括取决于由特征提取部分确定的特征图来确定高分辨率预测图，其中卷积部分不包括卷积部分的层之间的跳过连接。
23.根据有利的示例，所述方法包括：确定包括多个随机化噪声值的随机化噪声图，所述确定包括：取决于所确定的随机化噪声图并且取决于低分辨率qos图来确定随机化低分辨率qos图，并且将随机化低分辨率qos图提供给经训练的人工神经网络。
24.根据本描述的第三方面，一种用于训练深度神经网络的装置包括：预备单元，其被配置成提供至少一个训练集，其中所述至少一个训练集ts包括与无线电通信网络相关联的低分辨率qos图、与无线电通信网络相关联的高分辨率qos图、以及表征无线电通信网络的环境的环境信息；确定单元，其被配置成通过深度神经网络来传播包括低分辨率qos图和环境信息的输入数据，其中在深度神经网络的输入部分中提供输入数据作为输入参数，并且其中在深度神经网络的输出部分中，提供至少一个基于神经网络的高分辨率qos预测图；鉴别器单元，其被配置成通过比较基于神经网络的高分辨率qos预测图和所述训练集的高分辨率qos图来确定比较；以及训练单元，其被配置成取决于所述比较利用所述训练集来训练深度神经网络。
25.所述模型是基于成对的低分辨率和高分辨率图、连同描述了环境的输入数据的多样集合来训练的。有利地，环境信息辅助学习过程，从而请求了减少数量的训练数据样本，即，成对的低分辨率和高分辨率覆盖测量结果。
26.根据本描述的第四方面，提供了一种用于训练深度神经网络的方法，其中所述方法包括：提供至少一个训练集，其中所述至少一个训练集ts包括与无线电通信网络相关联的低分辨率qos图、与无线电通信网络相关联的高分辨率qos图、以及表征无线电通信网络的环境的环境信息；通过深度神经网络来传播包括低分辨率qos图和环境信息的输入数据，其中在深度神经网络的输入部分中提供输入数据作为输入参数，并且其中在深度神经网络的输出部分中，提供至少一个基于神经网络的高分辨率qos预测图；通过比较基于神经网络的高分辨率qos预测图和所述训练集的高分辨率qos图来确定比较；以及取决于所述比较利用所述训练集来训练深度神经网络。
附图说明
27.图1描绘了用于确定高分辨率qos预测图的装置；图2描绘了用于训练人工神经网络的装置；图3和4均描绘了人工深度神经网络的结构；图5描绘了用于确定高分辨率qos预测图的布置的示意图；图6示意性地描绘了用于训练人工神经网络的布置；图7和图8均描绘了经训练的人工神经网络；以及图9和10均描绘了作为鉴别器的经训练的网络。
具体实施方式
28.图1示意性地描绘了用于确定第一环境e1的第一无线电通信网络rcn1的高分辨率qos预测图hrpm1的装置100。第一输入单元102被配置成确定或提供表征第一环境e1的环境信息ei1。第二输入104被配置成确定或提供与第一环境e1的第一无线电通信网络rcn1相关联或与第二环境e2的第二无线电通信网络rcn2相关联的预定低分辨率qos图lrm2。
29.第一环境e1是包括第一无线电通信网络rcn1的环境，该第一无线电通信网络rcn1具有被检查的基站bs1和两个用户设备ue1、ue2。因此，块101在运行时构成了该系统。另一方面，第二环境e2、以及包括基站bs2和两个用户设备ue3、ue4的第二无线电通信网络rcn2表示训练集生成环境。因此，低分辨率qos图lrm2以预定的形式来提供。
30.确定单元106被配置成通过经训练的人工深度神经网络gen来传播预定低分辨率qos图lrm2和环境信息ei1，其中在经训练的人工深度神经网络gen的输入部分中提供低分辨率qos图lrm2和环境信息ei1作为输入参数，并且其中在经训练的人工深度神经网络gen的输出部分中提供第一无线电通信网络rnc1的高分辨率qos预测图hrpm1。
31.环境信息ei1被用作用于创建qos预测的更准确的图的输入。环境信息ei1包括具有增加的细节水平的图（例如用于自动化驾驶目的）、高分辨率卫星图像、关于建筑物高度的信息、以及潜在的另外的输入（如基于基础设施的视频馈送或3d扫描）。结合基站位置和样本测量结果，学习到特征与数据速率之间的相关性。
32.至少在2维图尺度上，高分辨率qos预测图比低分辨率qos图提供了更高的分辨率。换句话说，与低分辨率qos图相比，高分辨率qos图在每个图区域的假想水平面中提供了更多等距数据点。
33.根据一示例，环境信息ei1包括以下各项中的至少一个：高清晰度图、基站位置、车辆交通流量信息、天气信息（如雨、湿度）。
34.根据一示例，低分辨率qos图和高分辨率qos预测图包括相同类型的qos参数。根据另一示例，低分辨率qos图和高分辨率qos预测图包括不同类型的qos参数。
35.qos参数的类型包括以下各项中的至少一个：数据速率、分组延迟、接收/可接收信号强度、分组丢失率、频谱占用等。
36.根据一示例，环境信息ei1包括地理图，地理图表征在相应空间位置处的环境的至少一个非暂时性属性。根据一示例，该属性是颜色。因此，地理图可以是卫星照片，其指示每个空间位置的颜色。根据另一示例，地理属性是海拔或高度，例如，表示建筑物的高度。
37.在又一示例中，地理属性是表面的类型，如金属、混凝土、木材、草等。该表面指示无线电波的反射和吸收属性。
38.根据一示例，环境信息ei1包括交通图，交通图表征交通图所指示的相应空间位置处的交通的至少一个流量属性。
39.根据一示例，环境信息ei1包括第一环境e1的一部分的视频流或透视摄影表示。
40.根据一示例，环境信息ei1包括用于服务于第一无线电通信网络的固定天线的空间位置。
41.该至少一个流量属性包括例如在一时间段期间在该空间位置处经过的车辆或人员或ue的数量。
42.根据一示例，环境信息ei1包括天气信息，天气信息表征第一环境e1的至少一个天
气属性。
43.第三输入单元108被配置成确定或提供表征第一无线电通信网络rcn1的至少一个无线电信道的测量信息mi1。
44.确定单元106被配置成通过经训练的人工深度神经网络gen来传播低分辨率qos图lrm、环境信息ei1和测量信息mi1，其中在经训练的人工深度神经网络gen的输入部分中提供低分辨率qos图lrm、环境信息ei1和测量信息mi1作为输入参数，并且其中在经训练的人工深度神经网络gen的输出部分中提供第一无线电通信网络rcn1的高分辨率qos预测图hrpm1。
45.根据一示例，测量信息mi1包括例如至少一个无线电参数的至少多个无线电测量结果，其中相应的无线电测量结果与空间位置相关联、或者与空间位置和时间指示符相关联。根据一示例，测量信息mi1包括以下各项中的至少一个：网络质量指示符，如具有位置和时间的基于ue的信号强度测量结果；或者qos参数，如具有位置和时间的数据速率的稀疏测量结果。
46.操作单元110被配置成取决于高分辨率qos预测图hrpm1来操作第一无线电通信网络rcn1。例如，操作单元110确定环境中的某个区域，该区域预期易于出现如低数据速率之类的不良服务质量。在进入该区域之前，低数据速率指示符警告ue，以便为用户平面功能进入安全操作状态做准备。根据另一示例，如果通信伙伴中的一个驻留在预期易于出现低数据速率的区域中，则网络实体增加传送功率和/或选择（一个或多个）最适当的网络和/或禁用至少一个另外的应用。
47.预处理单元116被配置成确定包括多个随机化噪声值的随机化噪声图。预处理单元116被配置成取决于所确定的随机化噪声图并且取决于预定低分辨率qos图lrm2来确定随机化低分辨率qos图。预处理单元116被配置成将随机化低分辨率qos图提供给经训练的人工神经网络gen，而不是未随机化的低分辨率qos图lrm2。
48.根据另一示例，预处理单元116被配置成对环境信息ei1（例如，所收集的测量结果）进行预处理。另外的经机器训练的模型决定如何进行预处理。
49.根据一示例，代替于具有预处理单元116，具有lrm2和噪声向量两者作为去往gen的输入可能就足够了。因此，预处理单元116是可选的。
50.图2示意性地描绘了用于训练深度神经网络gen的装置200。预备单元202被配置成提供至少一个训练集ts。该至少一个训练集ts包括与无线电通信网络rcn2相关联的低分辨率qos图lrm2、与无线电通信网络rcn2相关联的高分辨率qos图hrm2、以及表征无线电通信网络rcn2的环境e2的环境信息ei2。
51.确定单元204被配置成通过深度神经网络gen来传播包括低分辨率qos图lrm2和环境信息ei2的输入数据。在深度神经网络gen的输入部分中提供输入数据作为输入参数。在深度神经网络gen的输出部分中，提供至少一个基于神经网络的高分辨率qos预测图hrpm2。
52.鉴别器单元206被配置成通过比较基于神经网络的高分辨率qos预测图hrpm2和训练集ts的高分辨率qos图hrm2来确定比较c。鉴别器单元206利用经训练的深度神经网络dsc。神经网络gen和dsc表示生成性对抗网络。与鉴别器网络dsc相结合的深度生成器网络gen根据低分辨率图产生较高分辨率图。训练集ts由成对的低分辨率和高分辨率图组成。在训练阶段处，生成器网络gen取得环境e2的区域的低分辨率图和随机噪声向量z连同环境信
息ei2作为侧面输入，以生成相同区域的高分辨率图估计。这里，随机噪声向量z的作用是在低分辨率与高分辨率图之间创建随机关系。
53.鉴别器网络dsc取得高分辨率图作为输入。它被训练成对该输入是生成的还是测量的（即，基础真值）进行分类。比较c的意义上的鉴别器输出被用作生成器网络gen的参考信号，用以改进其输出，使得鉴别器网络dsc无法区分开生成的和测量的。该训练过程旨在让生成器网络gen学习上缩放低分辨率图。
54.根据一示例，使用条件环境信息ei2。鉴别器dsc将（hrpm2和ei2）与（hrm2和ei2）进行比较。除了该比较之外，还对hrpm2进行下缩放，并且将经下缩放的hrpm2与真实的低分辨率qos图lrm2进行比较。
55.训练单元208被配置成取决于比较c利用训练集ts来训练深度神经网络gen。例如，由训练单元208进行的训练如图6所例示的那样执行。
56.为了进行转化，生成器网络gen取得第二无线电通信网络rcn2的低分辨率qos图、随机噪声z、以及与第二无线电通信网络rcn2相关联的环境信息ei2。例如，低分辨率qos图和随机噪声z是逐元素/逐坐标添加的。该输出被馈送到鉴别器网络dsc中，该鉴别器网络dsc将其针对第二无线电通信网络rcn2的区域的所测量的高分辨率图以及环境信息ei2进行比较。在这样做的情况下，生成器网络gen学习基于侧面信息来转化低分辨率图。在测试时，生成器网络gen在使用中。利用z的多次抽取（draw），生成器网络gen能够关于输入低分辨率图来产生多个高分辨率qos预测图。
57.根据一示例，如果随着时间确定了与第二无线电通信网络相关联的所测量的低分辨率qos图和所测量的高分辨率qos图对，则随着时间生成具有对应时间戳的训练集序列。在这样做的情况下，可以利用时间信息。
58.图3描绘了神经网络gen的示例性结构。上缩放部分302被配置成将低分辨率qos图lrm2上缩放为上缩放表示ur。上缩放部分302包括多个块2a-2d，其中相应块2a-2d包括3d去卷积层，随后是批归一化层，随后是leaky relu激活层lrelu，随后是3d卷积层。每个3d卷积层增强了模型可表示性。每个批归一化层对输出进行归一化，并且使训练加速。lrelu层改进了该模型的非线性。lrelu层可以采取如下形式：针对x 》= 0，lrelux=x，并且针对x 《 0，lrelux=ax，其中x是输入，并且a是正常数，如0.05。
59.神经网络gen包括特征提取部分304，特征提取部分304被配置成取决于上缩放表示ur来确定特征图fm，其中特征提取部分304包括特征提取部分304的层之间的至少一个跳过连接sc1、sc2、scg。
60.特征提取部分304包括多个特征提取块4a、4b、4c、4d
……
4x。相应特征提取块4a-x包括卷积层、批归一化层和leaky relu激活层。相应特征提取块4a-x通过交错跳过连接sc1、sc2和全局跳过连接gsc而互连，交错跳过连接sc1、sc2允许跳过一个或多个随后的特征提取块4b和4c或4d，全局跳过连接gsc允许跳过特征提取部分304。跳过连接是捷径连接，并且可以被称为拉链（zipper）连接。
61.卷积部分306被配置成取决于由特征提取部分304确定的特征图fm来确定高分辨率预测图hrpm1，其中卷积部分306不包括卷积部分306的层之间的跳过连接。卷积部分306包括不具有跳过连接的多个块6a至6x。相应块6a至6x包括卷积层，随后是批归一化层，并且随后是leaky relu激活层。
62.图4描绘了用作鉴别器的深度神经网络dsc的结构的示例。深度神经网络dsc取决于根据先前图之一的网络gen的高分辨率qos预测图hrpm并且取决于经由现实生活无线电通信网络确定的高分辨率qos图hrm，以sigmoid函数sigm的输出的形式来确定比较c。多个块40a-40f中的相应一个包括卷积层，随后是批归一化层，随后是leaky relu激活层。
63.图5描绘了用于确定高分辨率qos预测图hrpm1的示意性布置。图6中示出了用于训练的布置。首先，涉及训练。
64.训练数据eitrain由输入接口602以输入数据的形式来提供。该布置包括具有输入层的人工神经网络gen。对于时间步长i，输入数据id的输入张量被传递到输入层。输入层是输入部分的一部分。对于输入数据id，输出o是以预测的形式来确定的或者是预先已知的。在时间步长i中，从输出o确定具有观测值oitrain的张量，这些观测值oitrain被指派给张量eitrain的观测值。输出o包括qos预测图。输入数据id的每一个时间序列被指派给三个输入节点之一。在人工神经网络gen的前向路径中，输入层随后是至少一个隐藏层。在该示例中，该至少一个隐藏层的节点数量大于输入节点数量。该数量将被认为是超参数。在该示例中，隐藏层中提供了四个节点。神经网络gen例如是通过梯度下降法以反向传播的形式来学习的。因此，对神经网络nn的训练被监督。
65.在该示例中的前向路径中，在至少一个隐藏层之后提供输出层604。在神经网络gen的输出部分的输出层604处输出预测值。在该示例中，输出节点被指派给每个预测值。
66.在每个时间步长i中，确定张量o'itrain，其中包含了针对该时间步长i的预测值。在该示例中，这与观测值oitrain的列向量一起被馈送到训练设施606。在该示例中，训练设备606被设计成借助于损失函数loss、特别是借助于均方误差来确定预测误差，并且利用它并借助于优化器、特别是adam优化器来训练该模型。在该示例中，损失函数loss是取决于与观测值o'itrain的张量以及预测值oitrain的张量的值的偏差、特别是均方误差来确定的。
67.一旦达到固定标准，该训练就结束。在该示例中，如果损失在若干个时间步长内没有降低、即特别是均方误差没有降低，则该训练中止。
68.然后，将测试数据录入到以这种方式训练的模型中。该模型是由该训练利用训练数据生成的。利用测试数据、特别是关于平均值
µ
和协方差σ来评估该模型。
69.根据图5中所示的布置，使用经训练的模型来提供qos预测图。如针对训练数据那样执行相同的数据预处理步骤。例如，对输入和输出数据的缩放和确定发生。在该示例中，该确定在图1的装置100的操作期间——即在第一无线电通信网络rcn1的操作期间发生。
70.输入数据被录入到经训练的人工神经网络gen中。取决于此，确定预测值。取决于此来确定确定得分。
71.图5示出了用于确定qos预测图的示意性布置。如针对训练所描述的，对于时间步长i，将列向量ei传递到输入数据id的输入层。然后，将列向量传递到输入层。在此之后，与训练形成对照，确定设备502取决于预测值y'i来确定高分辨率qos预测图hrpm1。
72.特别地，提供了实现所描述的神经网络gen的计算机程序的指令，以用于实现所描述的过程。也可以提供专用硬件，在其中映射经训练的模型。
73.图7描绘了超分辨率模式下的经训练的网络gen。经训练的网络gen将相同网络的低分辨率qos图lrpm1映射到高分辨率qos图hrpm1，这基于该网络的所提供的环境信息ei1。模式超分辨率要求训练集具有成对的示例，即我们具有相同网络的低分辨率和高分辨率测
量结果两者。为了训练超分辨率模式，我们可以将lrpm1与下缩放（由gen生成的hrpm1）之间的均方误差作为附加项添加到gen的训练损失。基本上，下缩放之后的gen输出应当与超分辨率模式的输入lrpm1相同。
74.图8描绘了转化模式下的经训练的网络gen。经训练的网络gen基于第二网络的所提供的环境信息ei1将第一网络的低分辨率qos图lrpm2映射到第二网络的高分辨率qos图hrpm1。模式转化涉及训练集具有一些低分辨率和高分辨率测量结果，它们不需要是成对的。附加地，我们应当知道高分辨率测量结果的环境图。为了训练转化模式，我们可以将周期一致性损失作为附加项添加到gen的训练损失。基本上，gen输出可以通过与转化网络联合训练的下缩放网络被映射回到低分辨率lrm2。
75.此外，为了更好地执行转化任务，lrpm2的ei2示出ei1的某种相似性（例如两者是城市或农村地区）将是有益的。简而言之，转化质量随着ei2和ei1彼此接近而改进。
76.图9描述了经训练的网络dsc，它是充当二元分类器的鉴别器。基于输入，经训练的网络dsc的输出为真/假。为了训练网络dsc，我们可以构建输入如下：1. 如果输入包括由网络gen生成的高分辨率qos图hrpm、以及所提供的环境信息，则结果为“假”。2. 如果输入包括已经测量的高分辨率qos图hrpm、以及所提供的环境信息，则结果为“真”。3. 如果输入包括已经测量的高分辨率qos图hrpm、以及错误的环境信息ei，则结果为“假”。4. 如果输入包括由经训练的网络gen生成的高分辨率qos图hrpm、以及错误的环境信息ei，则结果为“假”。
77.图10包括作为另外的鉴别器的另外的经训练的网络dsc2。为了进一步增强训练性能，经训练的网络dsc2在低分辨率qos图lrm上区分真/假。经训练的网络dsc2是二元分类器，其具有基于输入的输出真/假。为了训练另外的网络dsc2，我们可以构建输入如下：1. 将由神经网络gen生成的高分辨率qos图hrpm下缩放为低分辨率qos图lrpm和对应的环境信息，则结果为“假”。2. 如果输入包括已经测量的低分辨率qos图lrpm、以及对应的环境信息ei，则结果为“真”。
78.在架构侧上，神经网络gen和dsc可以是包括卷积层的深度神经网络。