用于在支持波束成形的无线通信网络中传输下行链路信号的无线通信系统、无线电网络节点、机器学习单元及其中的方法与流程

本文的实施例总体上涉及无线通信系统、无线电网络节点、机器学习单元及其中的方法。具体地，实施例涉及在支持波束成形的无线通信网络中传输下行链路信号。

背景技术：

在典型的无线通信网络中，无线设备(也称作无线通信设备、移动站、站点(sta)和/或用户设备(ue))经由局域网(例如，wifi网络)或无线电接入网(ran)与一个或多个核心网(cn)进行通信。ran覆盖被划分为服务区域或小区区域(其也可以被称为波束或波束组)的地理区域，每个服务区域或小区区域由无线电网络节点来提供服务，该无线电网络节点例如是无线电接入节点(如，wi-fi接入点或无线电基站(rbs))，在一些网络中，该无线电网络节点还可以称为例如nodeb、enodeb(enb)或如5g中所表示的gnb。服务区域或小区区域是其中无线电覆盖由无线电网络节点提供的地理区域。无线电网络节点通过在无线电频率上操作的空中接口与无线电网络节点范围内的无线设备进行通信。

演进分组系统(eps)(也称为第四代(4g)网络)的规范已经在第三代合作伙伴计划(3gpp)内完成，并且这项工作在即将到来的3gpp版本中继续进行，例如将第五代(5g)网络(也被称为5g新无线电(nr))规范化。eps包括演进通用陆地无线电接入网(e-utran)(又称为长期演进(lte)无线电接入网)以及演进分组核心(epc)(又称为系统架构演进(sae)核心网)。e-utran/lte是3gpp无线电接入网的变型，其中，无线电网络节点与epc核心网(而不是3g网络中使用的rnc)直接相连。一般地，在e-utran/lte中，3grnc的功能分布在无线电网络节点(例如，lte中的enodeb)和核心网之间。因此，eps的ran具有基本“扁平”的架构，其包括直接连接到一个或多个核心网的无线电网络节点，即它们不连接到rnc。为了补偿这一点，e-utran规范定义了无线电网络节点之间的直接接口，该接口被表示为x2接口。

在高级天线系统(aas)中使用的多天线技术可以显著提高无线通信系统的数据速率和可靠性。如果发射机和接收机均配备多个天线(导致多输入多输出(mimo)通信信道)，则性能尤为提高。这种系统和/或相关技术通常被称为mimo系统。

除了更快的峰值互联网连接速度之外，5g规划的目标是比现有的4g更高的容量，从而允许每个区域单元具有更多数量的移动宽带用户，并允许每月和每用户以千兆字节消耗更多数据量或无限数据量。这样，大部分人都可以在wi-fi热点无法访问时使用其移动设备每天流式传输高清媒体数小时。5g研发还旨在改进对机器到机器通信(也称为物联网)的支持，旨在比4g设备更低成本、更低电池消耗和更低时延。

下一代广域通信网络的开发正在进行中。下一代广域通信网络可以被称为下一代(nx)通信网络、nr通信网络或5g通信网络。5g无线通信网络正在考虑的设计原则是基于超精简设计。这意味着在通信网络中应尽可能避免使用“始终在线的信号”，例如，在lte中使用的参考信号。该设计原则的预期益处包括例如显著地降低网络能耗、更好的可扩展性、更高的前向兼容性程度、在低负载情况下来自系统开销信号的更低的干扰以及因此导致的更高的吞吐量，并且还改善了对无线设备(或所谓的用户)中心波束成形的支持。表述“无线设备中心波束成形”是指基于无线设备的需求或需要选择波束成形。

高级天线系统是近年来技术进步显著并且预见到在未来几年技术快速发展的领域。一般的高级天线系统以及大规模mimo传输和接收可能会在未来的无线通信网络和5g无线通信网络中使用。

传统上，波束通常通过相位可调的或相控的天线阵列与使用所谓的波束成形的传输相关联，相同的基础技术同样适用于接收。波束成形或空间滤波可以被描述为用于定向信号发送和/或接收的信号处理技术。这通常是通过组合相控天线阵列(通常简称为相控阵列)中的元素来实现的，以这样的方式，使特定角度的信号经受相长干扰，而其他信号经受相消干扰。波束成形可以在发射端和接收端使用，以实现空间选择性。因此，由于方向性，与全向接收/发送相比，可以实现改进。例如，除了包括相移和幅度因子的每个元素权重之外，发射机可以通过在相控阵列的所有元件上发射相同的信号来执行发射波束成形。类似地，具有相控阵列的接收机(其可以与发射机相同和/或以与发射器相同的方式配置)可以通过应用每个元素权重并在进一步处理之前添加所产生的信号来执行接收波束成形。因此，选择性和方向性可以在发送和接收中相同。对于发送，这意味着信号将在一个方向或多个方向上较强而在其他方向上较弱。对于接收，这意味着相对于彼此，来自某个方向或多个方向的信号放大，而来自其他方向的信号则被衰减。同一天线可以用于(即，被操作用于)发送和接收，尽管通常不同时发送和接收。

可以在上行链路和/或下行链路中以及在两个通信端或仅在一个通信端应用波束和波束成形。例如，在关于无线通信网络和通信设备之间的通信的下行链路中，无线通信网络可以使用发射波束成形和/或通信设备可以使用接收波束成形。相应地，在关于无线通信网络和通信设备之间的通信的上行链路中，无线通信网络可以使用接收波束成形和/或通信设备可以使用发射波束成形。发射波束成形的同义词可以是传输波束成形或发送波束成形，而接收波束成形的同义词可以是接受波束成形或接纳波束成形。常规地，当提及波束时，是指发射波束，即，通过发射波束成形形成和/或生成的无线电波束。但是，如从上面可以认识到的，参考接收波束(即，与接收波束成形相关的波束)也很有意义。在本文，本领域技术人员应当认识到，如果没有其他指示，则“波束”通常是指发射波束。

由网络节点提供的波束通常用于同时与一个或几个(与小区相比)通信设备通信(例如，用于同时服务于一个或几个通信设备)，并且可以专门被设置用于与它们通信。可以通过波束成形来动态地改变波束，以为使用该波束进行通信的(例如，由该波束服务的)一个或几个通信设备提供期望的覆盖范围。由通信设备提供的波束通常用于与无线通信网络进行通信，具体是与无线通信网络的一个或几个无线电网络节点进行通信，其通常是该波束的主要目标之一或至少之一。

发射波束可以与一个或多个标识符和/或标识相关联，这可以通过固定和/或动态分配。可能存在对于例如与小区标识对应的波束集合或波束组(即，多个波束)相同的标识符和/或标识，该小区标识对于所有所述多个波束(例如，小区内的波束)都相同，和/或可能存在识别单个波束(例如，小区或波束组中的单个波束)的其他标识。波束标识符和/或波束标识可以直接识别该波束，并且例如可以在波束中被发送，和/或可以例如通过参考使用波束发送的接收参考信号的时间和/或频率来间接地识别该波束。

波束成形可以通过以下两者来改善性能：增加接收信号强度，从而改善覆盖，以及减少不必要的干扰，从而改善容量。波束成形可以被应用在无线电网络节点和/或无线设备的发射机和接收机中。在发射机中，波束成形可以等同于配置发射机以在特定方向或几个方向上发送信号，而不在其他方向上发送信号。在接收机中，波束成形可以等同于配置接收机以仅接收来自某个方向或几个方向的信号，而不接收来自其他方向的信号。当波束成形应用于给定通信链路的发射机和接收机两者中时，波束对可以被称为在两端选择的波束。通常，波束成形增益与所使用波束的宽度有关，其中，相对较窄的波束比较宽的波束提供更多的增益。

5g通信网络支持的一个重要特征是极高等级的空间传输和处理，即，对大规模mimo的支持。

为了支持大规模mimo上的波束成形，3gpp定义了用于波束成形的复杂码本，该码本包括数百个预编码器矩阵指示符(pmi)。因此，3gpp定义了可能的预编码器(例如，向量)的集合，并将其收集为“码本”。此外，3gpp使用整数来索引码本中的每个预编码器，该整数通常在零到几十或几百的范围内。在标准中，该整数被称为pmi。

每个预编码器可以映射有特定方向加上极化之间的相位。如果无线设备位于给定方向并且在极化之间的相位匹配，则该无线设备将向服务于该无线设备的enb报告对应的pmi。enb(例如，gnb)通常遵循无线设备的报告，并对其传输进行波束成形，以在给定方向上并以正确的极化相位向该无线设备发送信号。

dl波束成形的备选方法是基于一个或多个上行链路测量。例如，在基于时分双工(tdd)的通信系统中，ul和dl信号在同一载波频率上但在相邻时隙中发送。因此，enb可以假设测量的上行链路信道与dl信道完全相同，并且对于该dl信道，可以基于enb对该ul信道的测量来计算或选择波束成形预编码器。这是所谓的“基于信道互易性的方法”，与基于dl波束成形的无线设备测量和报告相对，在本公开中有时将其称为“基于enb测量的dl波束成形”。

技术实现要素：

根据无线通信系统的发展，需要改善的波束成形过程以改善无线通信系统的性能。

因此，本文的实施例的目的是克服上述缺点以及其他缺点并改进无线通信系统的性能。

根据本文的实施例的一方面，该目的通过一种在无线通信系统中执行以用于在支持波束成形的无线通信网络中传输下行链路信号的方法来实现。

该系统在无线电网络节点中估计从无线设备到无线电网络节点的无线电链路的上行链路信道信息，其中，该无线设备在无线通信网络中包括的无线电小区扇区内操作。

此外，系统从机器学习单元获得与所估计的上行链路信道信息有关的下行链路波束成形信息。该机器学习单元包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。

此外，系统使用所获得的下行链路波束成形信息从无线电网络节点向无线设备发送经波束成形的下行链路信号。

根据本文的实施例的另一方面，该目的通过一种用于在被配置为支持波束成形的无线通信网络中传输下行链路信号的无线通信系统来实现。

该系统被配置为在无线电网络节点中估计从无线设备到该无线电网络节点的无线电链路的上行链路信道信息，其中，该无线设备被配置为在该无线通信网络中包括的无线电小区扇区内操作。

此外，该系统被配置为：从机器学习单元获得与所估计的上行链路信道信息有关的下行链路波束成形信息。机器学习单元被配置为：包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。

此外，系统被配置为：使用所获得的下行链路波束成形信息从无线电网络节点向无线设备发送经波束成形的下行链路信号。

根据本文的实施例的另一方面，该目的通过一种在无线网络节点中执行以用于在支持波束成形的无线通信网络中传输下行链路信号的方法来实现。

无线电网络节点估计从无线设备到该无线电网络节点的无线电链路的上行链路信道信息，其中，该无线设备在无线通信网络中包括的无线电小区扇区内操作。

此外，无线电网络节点从机器学习单元获得与所估计的上行链路信道信息有关的下行链路波束成形信息，该机器学习单元包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。

此外，无线电网络节点使用所获得的下行链路波束成形信息向无线设备发送经波束成形的下行链路信号。

根据本文的实施例的另一方面，该目的通过一种用于在被配置为支持波束成形的无线通信网络中传输下行链路信号的无线电网络节点来实现。

无线电网络节点被配置为：估计从无线设备到无线电网络节点的无线电链路的上行链路信道信息，其中，该无线设备被配置为在无线通信网络中包括的无线电小区扇区内操作。

此外，无线电网络节点被配置为：从机器学习单元获得与所估计的上行链路信道信息有关的下行链路波束成形信息，该机器学习单元包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。

此外，无线电网络节点被配置为：使用所获得的下行链路波束成形信息向无线设备发送经波束成形的下行链路信号。

根据本文的实施例的另一方面，该目的通过一种在机器学习单元中执行以用于在支持波束成形的无线通信网络中支持下行链路信号传输的方法来实现。

机器学习单元通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

此外，机器学习单元检索与接收到的无线设备和无线电网络节点之间的无线电链路的所估计的上行链路信道信息有关的下行链路波束成形信息。基于所确定的关系来检索下行链路波束成形信息，并且其中，该下行链路波束成形信息适用于无线通信网络中包括的无线电小区扇区。

此外，机器学习单元向无线电网络节点提供所获得的下行链路波束成形信息，从而支持该无线电网络节点使用下行链路波束成形信息向在该无线电小区扇区内操作的无线设备发送经波束成形的下行链路信号。

根据本文的实施例的另一方面，该目的通过一种用于在被配置为支持波束成形的无线通信网络中支持下行链路信号传输的机器学习单元来实现。

机器学习单元被配置为：通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

此外，机器学习单元被配置为：检索与接收到的无线设备和无线电网络节点之间的无线电链路的所估计的上行链路信道信息有关的下行链路波束成形信息。基于所确定的关系来检索下行链路波束成形信息，并且其中，该下行链路波束成形信息适用于无线通信网络中包括的无线电小区扇区。

此外，机器学习单元被配置为：向无线电网络节点提供所获得的下行链路波束成形信息，从而支持该无线电网络节点使用下行链路波束成形信息向在该无线电小区扇区内操作的无线设备发送经波束成形的下行链路信号。

根据本文实施例的另一方面，该目的通过一种计算机程序来实现，该计算机程序包括指令，所述指令在至少一个处理器上执行时，使所述至少一个处理器执行由无线通信系统执行的方法。

根据本文实施例的另一方面，该目的通过一种计算机程序来实现，该计算机程序包括指令，所述指令在至少一个处理器上执行时，使所述至少一个处理器执行由无线电网络节点执行的方法。

根据本文实施例的另一方面，该目的通过一种计算机程序来实现，该计算机程序包括指令，所述指令在至少一个处理器上执行时，使所述至少一个处理器执行由机器学习单元执行的方法。

根据本文的实施例的另一方面，该目的通过包括计算机程序的载体来实现，其中，该载体是电信号、光信号、无线电信号或计算机可读存储介质之一。

由于系统从机器学习单元获得与所估计的上行链路信道信息有关的下行链路波束成形信息，该机器学习单元包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系(例如，训练后的关系)，因此将减少发送下行链路参考信号以用于确定下行链路波束成形信息所需的无线电资源。因此，提供了对无线电频谱的更有效利用。这导致了无线通信网络中的改进的性能。

本文实施例的优点在于，对于高性能ue和传统ue二者，以及对于ran处的越来越多的天线阵列，它们可以被扩展到不同代的ran(例如，4.5g、5g和下一代ran)中的大规模mimo应用场景。

本文实施例的另一优点在于，良好训练的机器学习单元可以帮助无线通信系统(例如,无线电网络节点)避免来自无线设备的一些下行链路波束成形报告，并避免来自所有对应的下行链路参考信号的开销。至少对于dl业务繁忙时段可以是这种情况。训练数据可以被重新收集、存储并用于可能的定期离线训练。

本文实施例的另一优点在于，可能需要高计算复杂度的训练执行可以在无线电网络节点的空闲时间段期间，在无线电网络节点的外部(例如，在外部节点或云中)或在无线电网络节点内部完成。

附图说明

将参考附图更详细地描述本文的实施例的示例，在附图中：

图1是示出了无线通信系统的实施例的示意框图；

图2是描绘了由无线通信系统执行的方法的实施例的流程图；

图3是描绘了由无线电网络节点执行的方法的实施例的流程图；

图4是示出了无线电网络节点的实施例的示意框图；

图5是描绘了由机器学习单元执行的方法的实施例的流程图；

图6是示出了机器学习单元的实施例的示意框图；

图7示意性地示出了与理想pmi相比的机器学习的pmi波束成形增益损失；

图8示意性地示出了经由中间网络被连接至主机计算机的电信网络。

图9是主机计算机通过部分无线连接经由基站与用户设备进行通信的总体框图。

图10至图13是示出在包括主机计算机、基站和用户设备的通信系统中实现的方法的流程图。

具体实施方式

贯穿以下描述，类似的附图标记视情况可以用于表示类似的元件、单元、模块、电路、节点、部件、项目或特征。在附图中，仅在一些实施例中出现的特征通常用虚线来指示。

在下文中，本文的实施例通过示例性实施例示出。应注意的是这些实施例并不互相排斥。来自一个实施例的组件可以默认地假定存在于另一个实施例中，并且可以如何在其它示例性实施例中使用这些组件对本领域技术人员来说是显而易见的。

作为本文开发实施例的一部分，将首先识别识和讨论现有技术通信网络的一些缺点。基于pmi的dl波束成形和基于enb测量的dl波束成形都具有特定的缺点。

例如，基于pmi的波束成形受到无线设备能力的限制，因为一些无线设备可能无法针对一些高级传输模式报告pmi。例如，一些传统lte无线设备(例如，版本8无线设备)将无法针对基于版本13/14的大规模mimo4.5g通信网络报告pmi。其原因是，在版本13或14中，3gpp定义了一些将由enb发送并由无线设备用来确定pmi的高级csi-rs，但是这些高级csi-rs不可见(例如，传统无线设备不可理解)。当在本文中使用时，表述“传统无线设备”是指版本8、9、10、11或12的无线设备。

一个更具挑战性的问题是，基于pmi的波束成形通常需要许多dl参考信号，例如，信道状态信息参考信号(csi-rs)，该dl参考信号给通信网络带来了大量开销。因此，当enb天线的数量增加时，该缺点的后果变得严重，这是5g和下一代无线通信网络的特征。

作为另一示例，基于enb测量的dl波束成形具有的缺点是，它只能以与ul中完全相同的方式来针对dl工作，而在现实世界中，这并不总是真实的或可实现的。例如，在fdd-lte中，ul和dl位于不同的频带中。从统计角度来看，ul和dl完全独立分布，因此ul和dl可能不相同。

本文的实施例所解决的目的是如何改善无线通信系统中的性能。

根据本文的实施例，提供了一种改善无线通信系统中的性能的方式。

为了克服上述缺点，本文公开的一些实施例提供了充分利用下行链路波束成形信息和对应的上行链路信道信息上的enb扇区特定的数据日志的方式，以最小化否则将要发送的参考信号的dl资源成本。

例如，本文公开的一些实施例采用机器学习方法来捕捉上行链路信道信息和下行链路波束成形信息之间的关系，以充分利用下行链路波束成形信息和对应的上行链路信道信息上的enb扇区特定的数据日志，来最小化否则将要发送的参考信号的dl资源成本。上行链路信道信息可以是csi，并且下行链路波束成形信息可以是pmi。

这对于大规模mimo情况和/或在具有大量下行链路业务的时间段期间尤其有利。该学习是特定于小区的，并且整个学习网络根据不同的训练数据针对不同小区是自适应的(例如,不同的和可变的)。训练数据可以是用于不同无线电环境的历史数据日志。

在本公开中，有时参考多层感知器(mlp)神经网络来作为机器学习方法的实现示例。mlp神经网络是一类前馈人工神经网络。mlp包括至少三层节点。除输入节点外，每个节点都是使用非线性激活函数的神经元。然而，应当理解的是，实施例不限于这种神经网络，而是应当理解，其仅作为示例给出。机器学习方法的其他示例可以基于径向基函数(rbf)或支持向量机(svm)等。

现在，将简要描述一些实施例以给出一般理解。随后将进行更详细的描述。

可以定义和设置神经网络或另一种类型的机器学习器，以学习下行链路波束成形信息(例如，pmi)和上行链路信道信息之间的关系。可以通过单独的网络环境来训练神经网络。每个无线电网络节点、每个无线电扇区、无线电网络节点的每个责任功能单元、或用于每个无线电扇区的相关服务ran云可以触发无线设备以报告下行链路波束成形信息(例如，pmi)，并同时测量上行链路信道信息。然后，通过这种报告和测量收集的数据被存储用于以后的神经网络训练和/或并行的神经网络训练。神经网络训练可以在线或离线进行。在线训练可以是在无线通信系统的操作期间的训练，而离线训练可以是在将机器学习单元安装在无线通信系统中之前执行的训练。

例如，良好训练的基于神经网络的机器学习单元帮助无线电网络节点避免来自无线设备的频繁pmi报告，并至少在dl业务繁忙时段，减少用于pmi计算的所有对应dlrs开销。

在过程方面，数据日志可以用于例如在部署或安装之前在工厂中对系统进行离线训练。然后，实时数据可以用于在线训练，以将站点特定的学习网络更新和完善到该特定站点(例如，无线电扇区)。

图1是示意性地描绘了与本文实施例有关并且可以在其中实现本文的实施例的无线通信系统10的示例的示意框图。

无线通信网络100被包括在无线通信系统10中。无线通信网络100可以包括无线电接入网(ran)101部分和核心网(cn)102部分。无线通信网络100通常是电信网络，例如，支持至少一种无线电接入技术(rat)(例如，也可以被称为5g的新无线电(nr))的蜂窝通信网络。

无线通信网络100包括通信互连的网络节点。该网络节点可以是逻辑的和/或物理的，并且位于一个或多个物理设备中。无线通信网络100包括一个或多个网络节点，例如，诸如第一无线电网络节点的无线电网络节点110和第二无线电网络节点111。无线电网络节点是通常被包括在ran(例如，ran101)中的网络节点，和/或是作为或包括无线电传输网络节点(例如，基站)的网络节点，和/或是作为或包括控制一个或多个无线电传输网络节点的控制节点的网络节点。

无线通信网络100，或者具体地是其一个或多个网络节点(例如，第一无线电网络节点110和第二无线电网络节点111)可以被配置为使用一个或多个波束来服务和/或控制和/或管理一个或多个通信设备(例如，无线设备120)和/或与一个或多个通信设备(例如，无线设备120)通信，该一个或多个波束例如是由无线通信网络100(例如，第一无线电网络节点110和/或第二无线电网络节点111)提供的下行链路波束115a和/或下行链路波束115b和/或下行链路波束116。所述一个或多个通信设备可以分别提供上行链路波束，例如，无线设备120可以提供用于与无线通信网络100通信的上行链路波束117。

每个波束可以与特定的无线电接入技术(rat)相关联。如本领域技术人员应认识到的，与通常是全向和/或提供更多静态无线电覆盖的常规小区相比，波束与更动态、相对狭窄和定向的无线电覆盖相关联。通常通过波束成形来形成和/或生成波束，和/或基于波束的一个或多个接收方(例如，接收方的多个特性之一)，例如基于接收方所在的方向，来动态地调整波束。例如，可以基于无线设备120的位置来提供下行链路波束115a，并且可以基于第一无线电网络节点110的位置来提供上行链路波束117。

此外，无线通信网络100可以包括一个或多个中央节点(例如，中央节点130)，即，一个或多个公共的或中央的并且与多个其他节点(例如，多个无线电网络节点)通信地连接并且可以用于管理和/或控制这些节点的网络节点。中央节点可以例如是核心网络节点，即，cn102的网络节点部分。

无线通信网络(例如，cn102)还可以与外部网络200(例如，互联网)通信地连接，从而例如向所述通信设备提供对外部网络200(例如，互联网)的接入。因此，无线设备120可以经由无线通信网络100与外部网络200或者更确切地说与一个或多个其他设备(例如，与其他无线通信网络连接并通过接入到外部网络200连接的服务器和/或其他通信设备)进行通信。

此外，可以存在用于与无线通信网络100及其节点通信的一个或多个外部节点(例如，外部节点201)。外部节点201可以例如是外部管理节点。这种外部节点可以被包括在外部网络200中或者可以与其分离。

此外，一个或多个外部节点可以对应于或被包括在用于经由通信接口向云外部提供某些服务的所谓的计算机或计算云中，该计算机或计算云也可以被称为服务器或计算机的云系统，或者被简称为云，例如，如图所示的计算机云202。为了提供所述服务，云中包括的节点等的确切配置可能在云外部是未知的。名称“云”通常被解释为一个比喻，该比喻涉及提供服务的实际设备或网络元素通常对于所提供服务的用户是不可见的，例如被云遮盖了。计算机云202，或者通常更确切地说是其一个或多个节点，可以与无线通信网络100或其某些节点通信地连接，并且可以提供一个或多个服务，该一个或多个服务例如可以提供或促进无线通信网络100的某些功能或功能性并涉及根据本文的实施例执行一个或多个动作。计算机云202可以被包括在外部网络200中或者可以与其分离。

需要注意的是，图1仅是示意性的并且用于示例目的，并且对于本领域技术人员来说显而易见的是，并非本文所有实施例都需要图中所示的所有内容。此外，如本领域技术人员所了解的，实际上，与无线通信网络100相对应的无线通信网络通常将包括若干其它网络节点(诸如核心网络节点(例如，基站)、无线电网络节点，其他波束、和/或小区等)，但是为了简化的目的本文中并未示出这些网络节点。

机器学习单元300被包括在无线通信系统10中。因此，应当理解，机器学习单元300可以被包括在无线通信网络100或外部网络200中。例如，机器学习单元300可以是在无线通信网络100或外部网络200内操作的单独的单元，或者可以被包括在在无线通信网络100或外部网络200内操作的节点中。在一些实施例中，机器学习单元300被包括在无线电网络节点110中。备选地，机器学习单元300可以被包括在核心网102中(例如，在中央节点130中)，或者可以被包括在外部节点201中或外部网络200的计算机云202中。

注意，在本公开中描述的动作可以以任何合适的顺序进行，和/或在可能和合适的时间内完全或部分地重叠进行。虚线尝试示出不是在所有实施例中都存在的特征。

当合适时，以下任何动作都可以完全或部分地涉及另一和/或由另一(例如，外部)实体或多个实体(例如，设备和/或系统)发起和/或触发，而不是以下指示的用于执行动作的实体。这样的启动例如可以是响应于例如来自设备和/或无线通信网络的请求和/或响应于在所述另一实体或多个实体中执行的程序代码所导致的某些事件而由所述另一实体触发的。所述另一实体或多个实体可以对应于或包括在所谓的计算机云(或简称云)中，和/或与所述另一实体或多个实体的通信可以借助于一个或多个云服务来实现。

现在将参考图2中所描绘的流程图来描述由无线通信系统10执行以用于在支持波束成形的无线通信网络100中传输下行链路信号的方法的示例。如上所述，无线电网络节点110和无线设备120在无线通信网络100中操作。

该方法包括以下一个或多个动作。应当理解的是，可以以任何合适的顺序来采取这些动作，并且可以组合一些动作。

动作201

在一些实施例中，无线通信系统10例如通过无线电网络节点110来触发无线设备120报告在由无线电网络节点110发送并由无线设备120接收的一个或多个下行链路信号的传输中使用的下行链路波束成形信息。例如，当系统10想要收集可用于训练机器学习单元300的数据时，可能就是这种情况。

动作202

在一些实施例中，当无线通信系统10已经触发无线设备120以报告下行链路波束成形信息时，系统10也应该接收所报告的信息。在这样的实施例中，无线通信系统10例如通过无线电网络节点110，从无线设备120获得所报告的下行链路波束成形信息。

动作203

在一些实施例中，无线通信系统10例如通过无线电网络节点110，基于使用无线电链路从无线设备120向无线电网络节点110发送的一个或多个上行链路信号，测量上行链路信道信息。

无线通信系统10可以与以上动作201中描述的触发同时执行上行链路信道信息的测量，但是不是必须同时执行。

然而，触发与测量之间的持续时间应优选地较小，以在所报告的下行链路波束成形信息与所测量的上行链路信道信息之间具有良好的相关性。这里使用的术语“较小持续时间”是指触发和测量之间的时间段应在信道相干时间内，例如，仅举例来说，在10ms内。换句话说，并且在一些实施例中，无线通信系统10在选定时间段期间执行动作201的触发和动作203的测量。

动作204

在一些实施例中，无线通信系统10存储所报告的下行链路波束成形信息和所测量的上行链路信道信息的对，其中，每对包括所报告的下行链路波束成形信息和无线电链路的对应的所测量的上行链路信道信息。

例如，这可以被完成，以便例如在稍后的时间点处训练机器学习单元300期间(参见以下动作205)，或在基于所估计的上行链路信道信息检索下行链路波束成形信息期间(参见以下动作206和动作207)，使用下行链路波束成形信息和所测量的上行链路信道信息的所存储的对。无线通信系统10可以将信息存储在存储器中，该存储器被包括在无线通信系统10中或与无线通信系统10通信地连接。

动作205

在一些实施例中，无线通信系统10通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练所述机器学习单元300，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定波束成形信息与上行链路信道信息之间的关系。

可以使用包括在机器学习单元300中的神经网络来执行神经网络方法。神经网络可以特定于无线电小区扇区或多个无线电小区扇区，并且其可以包括：输入层、输出层以及可能的一个或多个隐藏层。每一层可以包括与同一层或另一层的一个或多个其他人工神经元链接的一个或多个人工神经元。此外，一个或多个人工神经元均可以具有激活函数、输入加权系数、偏置和输出加权系数。此外，加权系数和偏置在训练神经网络期间可以是可变的(例如，变化的)。

无线通信系统10可以通过执行神经网络方法来执行机器学习单元300的训练，该神经网络方法包括：

-向神经网络提供已知的上行链路信道信息和已知的下行链路波束成形信息，其中，已知的上行链路信道信息和已知的下行链路波束成形信息被包括在波束成形信息和上行链路信道信息的已知对中；以及

-调整一个或多个人工神经元的加权系数和偏置，直到在上行链路信道信息作为针对神经网络的输入被给出时已知的下行链路波束成形信息作为来自神经网络的输出被给出为止。

备选地，并且在一些实施例中，无线通信系统10通过执行神经网络方法来执行机器学习单元300的训练，该神经网络方法包括：

-通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行反向传播算法或遗传算法，以计算一个或多个人工神经元的加权系数和偏置，来训练机器学习单元300。

如前所述，训练可以离线或在线执行。

例如，供应商可以通过执行仿真或信道测量，来基于典型的信道模型对波束成形神经网络进行预训练。典型的信道通常与实际的现场信道环境略有不同。因此，权重可能无法很好地调整，但也差不多。该预训练可以用于提供神经网络的初始(例如，默认)设置。

附加地或备选地，通信系统10(例如，无线电网络节点110)可以从诸如外部网络200之类的外部网络或者从无线通信网络100内的网络节点(例如，核心网络节点102)下载神经网络权重。这可以基于初始训练结果来执行，并且还可以用于提供神经网络的初始(例如，默认)设置。

此外，机器学习单元300的训练也可以基于单独的现场网络数据。如上所述，这可以通过触发无线设备120以报告下行链路波束成形信息并通过测量上行链路信道信息来完成。

动作206

无线通信系统10例如在无线电网络节点110中估计从无线设备120到无线电网络节点110的无线电链路的上行链路信道信息，其中，无线设备120在无线通信网络100中包括的无线电小区扇区内操作。这可以完成以便具有所估计的上行链路信道信息，应针对所估计的上行链路信道信息获得下行链路波束成形信息(参见以下动作207)。

所估计的上行链路信道信息可以是关于无线电链路的载波频率f0的上行链路信道信息。

如前所述，上行链路信道信息可以是csi，并且上行链路信道信息的估计可以基于接收到的csi-rs。

动作207

无线通信系统10从机器学习单元300获得与所估计的上行链路信道信息有关的下行链路波束成形信息，该机器学习单元300包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。这样做是为了让无线通信系统10(例如，无线电网络节点110)知道在无线电小区扇区中操作的无线设备120的传输中使用哪个下行链路波束成形信息。

所获得的输出下行链路波束成形信息可以是关于无线电链路的目标频率f1的波束成形信息。目标频率f1可以与用于无线电链路的载波频率f0相同或不同。

如前所述，下行链路波束成形信息可以是pmi。此外，还如前所述，机器学习单元300可以被包括在无线电网络节点110、核心网102(例如核心网络节点130)或外部网络200(例如外部节点201)或计算机云202中。

动作208

现在，无线通信系统10可以将所获得的下行链路波束成形信息用于传输。因此，无线通信系统10使用所获得的下行链路波束成形信息从无线电网络节点110向无线设备120发送经波束成形的下行链路信号。

现在将参考图3中所描绘的流程图来描述由无线电网络节点120执行以用于在支持波束成形的无线通信网络100中传输下行链路信号的方法的示例。如上所述，无线电网络节点110和无线设备120在无线通信网络100中操作。

该方法包括以下一个或多个动作。应当理解的是，可以以任何合适的顺序来采取这些动作，并且可以组合一些动作。

动作301

在一些实施例中，无线电网络节点110触发无线设备120以报告在由无线电网络节点110发送并由无线设备120接收的一个或多个下行链路信号的传输中使用的下行链路波束成形信息。例如，当无线电网络节点110想要从一个或多个无线设备(例如无线设备120)收集数据(其可以用于训练机器学习单元300)时，可能是这种情况。

无线电网络节点110可以触发无线设备120在低业务时段或空闲时间段期间报告下行链路波束成形信息。此外，无线电网络节点110可以触发选定的无线设备组以报告下行链路波束成形信息并测量来自选定的无线设备组的上行链路信道信息。简而言之，无线电网络节点110选择适当的时间段和/或无线设备组来获得这些神经网络训练集合是相对灵活的。

动作302

在一些实施例中，当无线电网络节点120已经触发无线设备120以报告下行链路波束成形信息时，无线电网络节点120也应该接收所报告的信息。在这样的实施例中，无线电网络节点110从无线设备120获得(例如，接收)所报告的下行链路波束成形信息。

动作303

在一些实施例中，无线电网络节点110基于使用无线电链路从无线设备120向所述无线电网络节点110发送的一个或多个上行链路信号，测量上行链路信道信息。

无线电网络节点120可以与以上动作301中描述的触发同时执行上行链路信道信息的测量，但是不是必须同时执行。

如前所述，触发与测量之间的持续时间应较小，以在所报告的下行链路波束成形信息与所测量的上行链路信道信息之间具有相关性。这里使用的术语“较小持续时间”是指触发和测量之间的时间段应在信道相干时间内，例如，在10ms内。换句话说，并且在一些实施例中，无线电网络节点120在选定时间段期间执行动作301的触发和动作303的测量。

动作304

在一些实施例中，无线电网络节点120存储所报告的下行链路波束成形信息和所测量的上行链路信道信息的对，其中，每对包括所报告的下行链路波束成形信息和无线电链路的对应的所测量的上行链路信道信息。

所报告的下行链路波束成形信息和所测量的上行链路信道信息的对被认为是在选定时间段内(例如在信道相干时间内)报告的下行链路波束成形信息和测量的上行链路信道信息。

无线电网络节点120可以将信息存储在存储器中，该存储器被包括在无线电网络节点120中或与无线电网络节点120通信地连接。

对于每个无线电波束扇区，可以在相对较长的时间(例如几天、几周或几个月)内存储所收集的数据(例如，所报告的下行链路波束成形信息和所测量的上行链路信道信息的对)，以供后续的机器学习过程针对每个特定站点捕捉上行链路信道信息与下行链路波束成形信息的关系。

动作305

在一些实施例中，例如当无线电网络节点120中包括机器学习单元300时，无线电网络节点120通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练所述机器学习单元300，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

可以使用包括在机器学习单元300中的神经网络来执行神经网络方法。神经网络可以特定于无线电小区扇区或多个无线电小区扇区，并且其可以包括：输入层、输出层以及可能的一个或多个隐藏层。每一层可以包括与同一层或另一层的一个或多个其他人工神经元链接的一个或多个人工神经元。此外，一个或多个人造神经元均可以具有激活函数、输入加权系数、偏置和输出加权系数。此外，加权系数和偏置在训练神经网络期间可以是可变的(例如，变化的)。

无线电网络节点120可以通过执行神经网络方法来执行机器学习单元300的训练，该神经网络方法包括：

-向神经网络提供已知的上行链路信道信息和已知的下行链路波束成形信息，其中，已知的上行链路信道信息和已知的下行链路波束成形信息被包括在波束成形信息和上行链路信道信息的已知对中；以及

-调整一个或多个人工神经元的加权系数和偏置，直到在上行链路信道信息作为针对神经网络的输入被给出时已知的下行链路波束成形信息作为来自神经网络的输出被给出为止。

备选地，并且在一些实施例中，无线电网络节点120通过执行神经网络方法来执行机器学习单元300的训练，该神经网络方法包括：

-通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行反向传播算法或遗传算法，以计算一个或多个人工神经元的加权系数和偏置，来训练机器学习单元300。

动作306

无线电网络节点120估计从无线设备120到无线电网络节点110的无线电链路的上行链路信道信息，其中，无线设备120在无线通信网络100中包括的无线电小区扇区内操作。

所估计的上行链路信道信息可以是关于无线电链路的载波频率f0的上行链路信道信息。

如前所述，上行链路信道信息可以是csi，并且上行链路信道信息的估计可以基于接收到的csi-rs。

动作307

为了在没有不必要的信令的情况下获得下行链路波束成形信息，无线电网络节点120从机器学习单元300获得与所估计的上行链路信道信息有关的下行链路波束成形信息。机器学习单元300包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系。所获得的下行链路波束成形信息适用于无线电小区扇区。

所获得的输出下行链路波束成形信息可以是关于无线电链路的目标频率f1的波束成形信息。目标频率f1可以与用于无线电链路的载波频率f0相同或不同。

动作308

无线电网络节点120使用所获得的下行链路波束成形信息向无线设备120发送经波束成形的下行链路信号。

为了执行用于在被配置为支持波束成形的无线通信网络100中传输下行链路信号的方法，可以根据图4中所描绘的布置来配置无线电网络节点110。如前所述，无线电网络节点110和无线设备120被配置为在无线通信网络100中操作。

在一些实施例中，无线电网络节点110包括输入和/或输出接口400，该输入和/或输出接口400被配置为与一个或多个无线设备和/或一个或多个网络节点(例如，第一无线电网络节点110和第二无线电网络节点111)通信。输入和/或输出接口400可以包括无线接收机(未示出)和无线发射机(未示出)。

无线电网络节点110被配置为接收(通过接收单元401，其被配置为接收)来自一个或多个网络节点和/或来自一个或多个其他无线设备(例如，无线设备120)的传输(例如，数据包、信号或信息)。接收单元401可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。下面将更详细地描述处理器410。

无线电网络节点110被配置为向一个或多个网络节点和/或向一个或多个其他无线设备(例如，无线设备120)发送(通过发射单元402，其被配置为发送)传输(例如，数据包、信号或信息)。发射单元402可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

无线电网络节点110被配置为使用所获得的下行链路波束成形信息向无线设备120发送经波束成形的下行链路信号。

无线电网络节点110可以被配置为触发(通过触发单元403，其被配置为触发)无线设备120报告下行链路波束成形信息。触发单元403可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

因此，无线网络节点110可以被配置为触发无线设备120报告在由无线电网络节点110发送并由无线设备120接收的一个或多个下行链路信号的传输中使用的下行链路波束成形信息。

如前所述，无线电网络节点110可以被配置为在选定时间段期间触发无线设备120报告下行链路波束成形信息。

无线电网络节点110被配置为获得(通过获得单元404，其被配置为获得)下行链路波束成形信息。获得模块404可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

在一些实施例中，例如当无线设备120被触发以报告接收到的下行链路波束成形信息时，无线电网络节点110被配置为获得(例如，接收)从无线设备120报告的下行链路波束成形信息。如前所述，当无线电网络节点120想要收集可以用于训练机器学习单元300的信息时，可能是这种情况。

为了在没有不必要的信令的情况下获得下行链路波束成形信息，无线电网络节点120被配置为从机器学习单元300获得与所估计的上行链路信道信息有关的下行链路波束成形信息。机器学习单元300包括基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对而确定的波束成形信息与上行链路信道信息之间的关系，其中，下行链路波束成形信息适用于无线电小区扇区。无线设备120在无线通信网络100中包括的无线电小区扇区内操作。

如前所述，所获得的输出下行链路波束成形信息可以是用于无线电链路的目标频率f1的波束成形信息。

无线电网络节点110可以被配置为测量(通过测量单元405，其被配置为测量)上行链路信道信息。测量模块405可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

为了收集可以用于训练机器学习单元300的数据，无线电网络节点110可以基于使用无线电链路从无线设备120向无线电网络节点110发送的一个或多个上行链路信号，测量上行链路信道信息。

如前所述，无线电网络节点110可以被配置为在选定时间段期间测量上行链路信道信息。

无线电网络节点110可以被配置为将数据或信息存储(通过存储单元406，其被配置为将数据或信息存储)在存储器中。存储模块406可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

在一些实施例中，无线电网络节点110被配置为存储所报告的下行链路波束成形信息和所测量的上行链路信道信息的对，其中，每对包括所报告的下行链路波束成形信息和无线电链路的对应的所测量的上行链路信道信息。

如前所述，所报告的下行链路波束成形信息和所测量的上行链路信道信息的对被认为是在选定时间段内(例如在信道相干时间内)报告的下行链路波束成形信息和测量的上行链路信道信息。

该信息可以被存储在无线电网络节点的存储器(例如，存储器409)中，和/或存储在与无线电网络节点110通信地连接的存储器中。如下所述，所存储的信息可以被用于训练机器学习单元300。

无线电网络节点110被配置为估计(通过估计单元407，其被配置为估计)上行链路信道信息。估计模块407可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

无线电网络节点110被配置为估计从无线设备120到无线电网络节点110的无线电链路的上行链路信道信息。无线设备120在无线通信网络100中包括的无线电小区扇区内操作。

如前所述，所估计的上行链路信道信息可以是关于无线电链路的载波频率f0的上行链路信道信息。

在一些实施例中，无线电网络节点110包括机器学习单元300。在这样的实施例中，无线电网络节点110被配置为训练(通过训练单元408，其被配置为训练)机器学习单元300。训练模块408可以由无线电网络节点110的处理器410实现，或者被布置为与无线电网络节点110的处理器410进行通信。

在这样的实施例中，无线电网络节点110可以被配置为通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练所述机器学习单元300，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

如前所述，神经网络可以特定于无线电小区扇区或多个无线电小区扇区，并且其可以包括：输入层、输出层以及可能的一个或多个隐藏层。每一层可以包括与同一层或另一层的一个或多个其他人工神经元链接的一个或多个人工神经元。此外，一个或多个人工神经元均可以具有激活函数、输入加权系数、偏置和输出加权系数。此外，加权系数和偏置在训练神经网络期间可以是可变的(例如，变化的)。

无线电网络节点110可以通过还被配置为执行以下操作来被配置为通过执行神经网络方法来训练机器学习单元300：

-向神经网络提供已知的上行链路信道信息和已知的下行链路波束成形信息，其中，已知的上行链路信道信息和已知的下行链路波束成形信息被包括在下行链路波束成形信息和上行链路信道信息的已知对中；以及

-调整一个或多个人工神经元的加权系数和偏置，直到在上行链路信道信息作为针对神经网络的输入被给出时已知的下行链路波束成形信息作为来自神经网络的输出被给出为止。

备选地，并且在一些实施例中，无线电网络节点110可以通过还被配置为执行以下操作来被配置为通过执行神经网络方法来训练机器学习单元300：通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行反向传播算法或遗传算法，以计算一个或多个人工神经元的加权系数和偏置来训练机器学习单元300。

无线电网络节点110还可以包括用于存储数据的装置。在一些实施例中，无线电网络节点110包括被配置为存储数据的存储器409。数据可以是经处理的或未经处理的数据和/或与其相关的信息。存储器409可以包括一个或多个存储单元。此外，存储器409可以是计算机数据储存设备或半导体存储器，例如计算机存储器、只读存储器、易失性存储器或非易失性存储器。存储器被布置为用于存储所获得的信息、数据、配置和应用等，以便在无线电网络节点110中被执行时执行本文的方法。

可以通过诸如图4中所描绘的布置中的处理器410之类的一个或多个处理器结合用于执行本文实施例的功能和/或方法动作的计算机程序代码来实现本文中用于在支持波束成形的无线通信系统100中传输下行链路信号的实施例。上述程序代码还可以被提供为例如数据载体形式的计算机程序产品，该数据载体携带当被加载至无线电网络节点110时执行本文的实施例的计算机程序代码。一个这样的载体可以具有电信号、光信号、无线电信号或计算机可读存储介质的形式。计算机可读存储介质可以是cdrom盘或记忆棒。

此外，计算机程序代码还可以被提供为存储在服务器上并被下载到无线电网络节点110的程序代码。

本领域技术人员还将理解的是，以上输入/输出接口400、接收单元401、发射单元402、触发单元403、获得单元404、测量单元405、存储单元406、估计单元407、训练单元408、一个或多个可能的其他单元可以是指模拟电路和数字电路的组合，和/或配置有例如存储在存储器409中的软件和/或固件的一个或多个处理器，该软件和/或固件当由诸如无线网络节点110中的处理器之类的一个或多个处理器执行时，如上所述地执行。这些处理器中的一个或多个以及其他数字硬件可以被包括在单个专用集成电路(asic)中，或者几个处理器和各种数字硬件可以分布在几个单独的组件中，无论是单独封装还是组装为片上系统(soc)。

现在将参考图5中所描绘的流程图来描述由机器学习单元300执行以用于在支持波束成形的无线通信网络100中传输下行链路信号的方法的示例。如上所述，无线电网络节点110和无线设备120在无线通信网络100中操作。

该方法包括以下一个或多个动作。应当理解的是，可以以任何合适的顺序来采取这些动作，并且可以组合一些动作。

动作501

为了在无线通信网络100中支持传输下行链路信号，机器学习单元300通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练，以以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

在一些实施例中，使用包括在机器学习单元300中的神经网络来执行神经网络方法。神经网络可以特定于无线电小区扇区或多个无线电小区扇区，并且包括：输入层、输出层以及可能的一个或多个隐藏层。每一层可以包括与同一层或另一层的一个或多个其他人工神经元链接的一个或多个人工神经元。此外，一个或多个人工神经元均可以具有激活函数、输入加权系数、偏置和输出加权系数，其中，加权系数和/或偏置在训练神经网络期间是可变的(例如，变化的)。

机器学习单元300可以通过执行神经网络方法来执行训练，该神经网络方法包括：

-向神经网络提供已知的上行链路信道信息和已知的下行链路波束成形信息，其中，已知的上行链路信道信息和已知的下行链路波束成形信息被包括在下行链路波束成形信息和上行链路信道信息的已知对中；以及

-调整一个或多个人工神经元的加权系数和偏置，直到在上行链路信道信息作为针对神经网络的输入被给出时已知的下行链路波束成形信息作为来自神经网络的输出被给出为止。

备选地，并且在一些实施例中，机器学习单元300可以通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行反向传播算法或遗传算法，以计算一个或多个人工神经元的加权系数和偏置，来执行训练。

动作502

机器学习单元300检索与接收到的无线设备120和无线电网络节点110之间的无线电链路的所估计的上行链路信道信息有关的下行链路波束成形信息。基于所确定的关系来检索下行链路波束成形信息，并且其中，该下行链路波束成形信息适用于无线通信网络100中包括的无线电小区扇区。机器学习单元300可以从存储器(例如，包括在无线通信系统10中或与其通信地连接的存储器，或包括在机器学习单元30中或与其通信地连接的存储器)中检索下行链路波束成形信息。

如前所述，所估计的上行链路信道信息可以是关于无线电链路的载波频率f0的上行链路信道信息，并且，所获得的输出下行链路波束成形信息可以是关于无线电链路的目标频率f1的波束成形信息。目标频率f1可以与无线电链路的载波频率f0相同或不同。

动作503

机器学习单元300向无线电网络节点110提供所获得的下行链路波束成形信息。换句话说，机器学习单元300可以向无线电网络节点110发送或传送所获得的下行链路波束成形信息。从而，机器学习单元300支持无线电网络节点110使用下行链路波束成形信息来向在无线电小区扇区内操作的无线设备120发送经波束成形的下行链路信号。

为了执行用于在被配置为支持波束成形的无线通信网络100中支持下行链路信号的传输的方法，可以根据图6中所描绘的布置来配置机器学习单元300。如前所述，无线电网络节点110和无线设备120被配置为在无线通信网络100中操作。

在一些实施例中，机器学习单元300包括输入和/或输出接口600，该输入和/或输出接口600被配置为与一个或多个无线设备和/或一个或多个网络节点(例如，第一无线电网络节点110和第二无线电网络节点111)通信。输入和/或输出接口600可以包括无线接收机(未示出)和无线发射机(未示出)。

机器学习单元300被配置为训练(通过训练单元601，其被配置为训练)以确定下行链路波束成形信息和上行链路信道信息之间的关系。训练单元601可以由机器学习单元300的处理器605实现，或者被布置为与机器学习单元300的处理器605进行通信。下面将更详细地描述处理器605。

机器学习单元300被配置为：通过对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行神经网络方法来训练，以基于所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对来确定下行链路波束成形信息与上行链路信道信息之间的关系。

如前所述，神经网络可以特定于无线电小区扇区或多个无线电小区扇区，并且其可以包括：输入层、输出层以及可能的一个或多个隐藏层。每一层可以包括与同一层或另一层的一个或多个其他人工神经元链接的一个或多个人工神经元。此外，一个或多个人工神经元均可以具有激活函数、输入加权系数、偏置和输出加权系数。此外，加权系数和偏置在训练神经网络期间可以是可变的(例如，变化的)。

机器学习单元300可以通过还被配置为执行以下操作来被配置为通过执行神经网络方法来训练：

-向神经网络提供已知的上行链路信道信息和已知的下行链路波束成形信息，其中，已知的上行链路信道信息和已知的下行链路波束成形信息被包括在下行链路波束成形信息和上行链路信道信息的已知对中；以及

-调整一个或多个人工神经元的加权系数和偏置，直到在上行链路信道信息作为针对神经网络的输入被给出时已知的下行链路波束成形信息作为来自神经网络的输出被给出为止。

备选地，并且在一些实施例中，机器学习单元300可以通过还被配置为执行以下操作来通过执行神经网络方法进行训练：对所报告的下行链路波束成形信息和所测量的上行链路信道信息的所存储的对执行反向传播算法或遗传算法，以计算一个或多个人工神经元的加权系数和偏置。

机器学习单元300被配置为检索(通过检索单元602，其被配置为检索)下行链路波束成形信息。检索单元602可以由机器学习单元300的处理器605实现，或者被布置为与机器学习单元300的处理器605进行通信。

机器学习单元300被配置为检索与接收到的无线设备120和无线电网络节点110之间的无线电链路的所估计的上行链路信道信息有关的下行链路波束成形信息。基于所确定的关系来检索下行链路波束成形信息，并且，该下行链路波束成形信息适用于无线通信网络100中包括的无线电小区扇区。

机器学习单元300可以从无线电网络节点110接收所估计的上行链路信道信息。

如前所述，所估计的上行链路信道信息可以是关于无线电链路的载波频率f0的上行链路信道信息，并且，所获得的输出下行链路波束成形信息可以是关于无线电链路的目标频率f1的波束成形信息。

机器学习单元300被配置为提供(通过提供单元603，其被配置为提供)检索到的下行链路波束成形信息。提供单元603可以由机器学习单元300的处理器604实现，或者被布置为与机器学习单元300的处理器604进行通信。

机器学习单元300被配置为向无线电网络节点110提供检索到的下行链路波束成形信息。从而支持无线电网络节点110使用检索到的下行链路波束成形信息来向在无线电小区扇区内操作的无线设备120发送经波束成形的下行链路信号。

机器学习单元300还可包括用于存储数据的装置。在一些实施例中，机器学习单元300包括被配置为存储数据的存储器604。数据可以是经处理的或未经处理的数据和/或与其相关的信息。存储器604b可以包括一个或多个存储器单元。此外，存储器604可以是计算机数据储存设备或半导体存储器，例如，计算机存储器、只读存储器、易失性存储器或非易失性存储器。存储器被布置为用于存储所获得的信息、数据、配置和应用等，以便在机器学习单元300中被执行时执行本文的方法。

可以通过诸如图6中所描绘的布置中的处理器605之类的一个或多个处理器结合用于执行本文实施例的功能和/或方法动作的计算机程序代码来实现本文中用于在支持波束成形的无线通信系统100中支持传输下行链路信号的实施例。上述程序代码还可以被提供为例如数据载体形式的计算机程序产品，该数据载体携带当被加载至机器学习单元300时执行本文的实施例的计算机程序代码。一个这样的载体可以具有电信号、光信号、无线电信号或计算机可读存储介质的形式。计算机可读存储介质可以是cdrom盘或记忆棒。

此外，计算机程序代码还可以被提供为存储在服务器上并被下载到机器学习单元300的程序代码。

本领域技术人员还将理解，上面的输入/输出接口600、训练单元601、检索单元602、提供单元603、一个或多个可能的其他单元可以指模拟和数字电路的组合，和/或配置有例如存储在存储器604中的软件和/或固件的一个或多个处理器，该软件和/或固件当由一个或多个处理器(例如，机器学习单元300中的处理器)执行时，如上所述地执行。这些处理器中的一个或多个以及其他数字硬件可以被包括在单个专用集成电路(asic)中，或者几个处理器和各种数字硬件可以分布在几个单独的组件中，无论是单独封装还是组装为片上系统(soc)。

为了验证一些实施例的有效性，已经进行了初始模拟。图7示意性地示出了与理想pmi相比的机器学习的pmi波束成形增益损失。图7示意性地示出了具有两个不同输入的基于机器学习的方法的实施例的性能评估：ul信道信息和dl信道信息。曲线表明，对于以ul信道作为输入的情况，对于90％的情况，与理想情况相比存在3db的波束成形增益损失，而对于73％的情况，则存在1db的损失。

换句话说，在用于波束成形目的的dl参考信号资源为零的情况下(在获得足够的数据日志之后)，通过使用基于机器学习的方法测量ul参考信号的实施例，该系统仍在大多数情况下以可接受的性能工作。通过增强本文公开的一些实施例，可以进一步改善性能。

在一些实施例中，可以使用标准化的当前的pmi信令，并且性能改善来自无线网络节点110(例如，enb或gnb)中的处理。这可以被用作专有性能改善。然而，如果实现其他信令机制以进一步改善性能，则这可能与nr的后续版本有关，该nr的后续版本与将其实现为c-ran或云ran的一部分以实现“精简载波”的dl参考资源精简有关。

进一步的扩展和变型

参照图8，根据实施例，通信系统包括诸如无线通信网络100(例如，wlan)之类的电信网络3210(例如，3gpp类型的蜂窝网络)，电信网络3210包括接入网3211(例如，无线电接入网(例如，ran101))和核心网3214(例如，cn102)。接入网3211包括多个基站3212a、3212b、3212c，例如，网络节点110、111、接入节点apsta、nb、enb、gnb或其他类型的无线接入点，每个基站定义了相应的覆盖区域3213a、3213b、3213c。每个基站3212a、3212b、3212c通过有线或无线连接3215连接到核心网3214。位于覆盖区域3213c中的第一用户设备(ue)3291(例如，诸如非apsta之类的无线设备120)被配置为无线连接到相应的基站3212c或被相应的基站3212c寻呼。覆盖区域3213a中的第二ue3292(例如，诸如非apsta之类的无线设备122)可以与对应的基站3212a无线地连接。虽然在该示例中示出了多个ue3291、3292，但所公开的实施例同等地适用于唯一的ue处于覆盖区域中或者唯一的ue正连接到对应基站3212的情形。

电信网络3210自身连接到主机计算机3230，主机计算机3230可以以独立服务器、云实现的服务器、分布式服务器的硬件和/或软件来实现，或者被实现为服务器集群中的处理资源。主机计算机3230可以处于服务提供商的所有或控制之下，或者可以由服务提供商或代表服务提供商来操作。电信网络3210与主机计算机3230之间的连接3221、3222可以直接从核心网3214延伸到主机计算机3230，或者可以经由可选的中间网络3220(例如，外部网络200)进行。中间网络3220可以是公共、私有或承载网络中的一个或多于一个的组合；中间网络3220(若存在)可以是骨干网或互联网；具体地，中间网络3220可以包括两个或更多个子网络(未示出)。

图8的通信系统作为整体实现了所连接的ue3291、3292之一与主机计算机3230之间的连接。该连接可被描述为过顶(over-the-top，ott)连接3250。主机计算机3230和所连接的ue3291、3292被配置为使用接入网3211、核心网3214、任何中间网络3220和可能的其他基础设施(未示出)作为中介，经由ott连接3250来传送数据和/或信令。在ott连接3250所经过的参与通信设备未意识到上行链路和下行链路通信的路由的意义上，ott连接3250可以是透明的。例如，可以不向基站3212通知或者可以无需向基站3212通知具有源自主机计算机3230的要向所连接的ue3291转发(例如，移交)的数据的输入下行链路通信的过去的路由。类似地，基站3212无需意识到源自ue3291向主机计算机3230的输出上行链路通信的未来的路由。

现将参照图9来描述根据实施例的在先前段落中所讨论的ue、基站和主机计算机的示例实现方式。在通信系统3300中，主机计算机3310包括硬件3315，硬件3315包括通信接口3316，通信接口3316被配置为建立和维护与通信系统3300的不同通信设备的接口的有线或无线连接。主机计算机3310还包括处理电路3318，其可以具有存储和/或处理能力。具体地，处理电路3318可以包括适用于执行指令的一个或多个可编程处理器、专用集成电路、现场可编程门阵列或它们的组合(未示出)。主机计算机3310还包括软件3311，其被存储在主机计算机3310中或可由主机计算机3310访问并且可由处理电路3318来执行。软件3311包括主机应用3312。主机应用3312可操作为向远程用户(例如，ue3330)提供服务，ue3330经由在ue3330和主机计算机3310处端接的ott连接3350来连接。在向远程用户提供服务时，主机应用3312可以提供使用ott连接3350来发送的用户数据。

通信系统3300还包括在电信系统中提供的基站3320，基站3320包括使其能够与主机计算机3310和与ue3330进行通信的硬件3325。硬件3325可以包括：通信接口3326，其用于建立和维护与通信系统3300的不同通信设备的接口的有线或无线连接；以及无线电接口3327，其用于至少建立和维护与位于基站3320所服务的覆盖区域(图9中未示出)中的ue3330的无线连接3370。通信接口3326可以被配置为促进到主机计算机3310的连接3360。连接3360可以是直接的，或者它可以经过电信系统的核心网(图9中未示出)和/或经过电信系统外部的一个或多个中间网络。在所示实施例中，基站3320的硬件3325还包括处理电路3328，处理电路3328可以包括适用于执行指令的一个或多个可编程处理器、专用集成电路、现场可编程门阵列或它们的组合(未示出)。基站3320还具有内部存储的或经由外部连接可访问的软件3321。

通信系统3300还包括已经提及的ue3330。其硬件3335可以包括无线电接口3337，其被配置为建立和维护与服务于ue3330当前所在的覆盖区域的基站的无线连接3370。ue3330的硬件3335还包括处理电路3338，其可以包括适用于执行指令的一个或多个可编程处理器、专用集成电路、现场可编程门阵列或它们的组合(未示出)。ue3330还包括软件3331，其被存储在ue3330中或可由ue3330访问并可由处理电路3338执行。软件3331包括客户端应用3332。客户端应用3332可操作为在主机计算机3310的支持下经由ue3330向人类或非人类用户提供服务。在主机计算机3310中，执行的主机应用3312可以经由端接在ue3330和主机计算机3310处的ott连接3350与执行客户端应用3332进行通信。在向用户提供服务时，客户端应用3332可以从主机应用3312接收请求数据，并响应于请求数据来提供用户数据。ott连接3350可以传送请求数据和用户数据二者。客户端应用3332可以与用户进行交互，以生成其提供的用户数据。

注意，图9所示的主机计算机3310、基站3320和ue3330可以分别与图8的主机计算机3230、基站3212a、3212b、3212c之一和ue3291、3292之一相似或相同。也就是说，这些实体的内部工作可以如图9所示，并且独立地，周围网络拓扑可以是图8的网络拓扑。

在图9中，已经抽象地绘制ott连接3350，以示出经由基站3320在主机计算机3310与用户设备3330之间的通信，而没有明确地提到任何中间设备以及经由这些设备的消息的精确路由。网络基础设施可以确定该路由，该路由可以被配置为向ue3330隐藏或向操作主机计算机3310的服务提供商隐藏或向这二者隐藏。在ott连接550活动时，网络基础设施还可以(例如，基于负载均衡考虑或网络的重新配置)做出其动态地改变路由的决策。

ue3330与基站3320之间的无线连接3370根据贯穿本公开所描述的实施例的教导。各种实施例中的一个或多个实施例改进了使用ott连接3350向ue3330提供的ott服务的性能，其中无线连接3370形成ott连接3350中的最后一段。更准确地，这些实施例的教导可以减少信令开销，从而提高数据速率。因此，提供了诸如减少用户等待时间、放松对文件大小的限制和/或更好的响应性之类的好处。

出于监控一个或多个实施例改进的数据速率、时延和其他因素的目的，可以提供测量过程。还可以存在可选的网络功能，用于响应于测量结果的变化而重新配置主机计算机3310与ue3330之间的ott连接3350。用于重新配置ott连接3350的测量过程和/或网络功能可以以主机计算机3310的软件3311或以ue3330的软件3331或以这二者来实现。在实施例中，传感器(未示出)可被部署在ott连接550经过的通信设备中或与ott连接550经过的通信设备相关联地来部署；传感器可以通过提供以上例示的监控量的值或提供软件511、531可以用来计算或估计监控量的其他物理量的值来参与测量过程。对ott连接550的重新配置可以包括消息格式、重传设置、优选路由等；该重新配置不需要影响基站520，并且其对于基站520来说可以是未知的或不可感知的。这种过程和功能在本领域中可以是已知的和已被实践的。在特定实施例中，测量可以涉及促进主机计算机3310对吞吐量、传播时间、时延等的测量的专有ue信令。该测量可以如下实现：软件3311、3331在其监控传播时间、差错等的同时使得能够使用ott连接3350来发送消息(具体地，空消息或“假”消息)。

图10是示出了根据一个实施例的在通信系统中实现的方法的流程图。该通信系统包括主机计算机、基站(例如，apsta)和ue(例如，非apsta)，其可以是参照图8和图9描述的主机计算机、基站和ue。为了本公开的简明，在本部分中将仅包括对图10的图引用。在方法的第一动作3410中，主机计算机提供用户数据。在第一动作3410的可选子动作3411中，主机计算机通过执行主机应用来提供用户数据。在第二动作3420中，主机计算机向ue发起携带用户数据的传输。在可选的第三动作3430中，根据贯穿本公开所描述的实施例的教导，基站向ue发送在主机计算机发起的传输中所携带的用户数据。在可选的第四动作3440中，ue执行与主机计算机所执行的主机应用相关联的客户端应用。

图11是示出了根据一个实施例的在通信系统中实现的方法的流程图。该通信系统包括主机计算机、基站(例如，apsta)和ue(例如，非apsta)，其可以是参照图8和图9描述的主机计算机、基站和ue。为了本公开的简明，在本部分中将仅包括对图11的图引用。在方法的第一动作3510中，主机计算机提供用户数据。在可选子动作(未示出)中，主机计算机通过执行主机应用来提供用户数据。在第二动作3520中，主机计算机向ue发起携带用户数据的传输。根据贯穿本公开描述的实施例的教导，该传输可以经由基站。在可选的第三动作3530中，ue接收传输中所携带的用户数据。

图12是示出了根据一个实施例的在通信系统中实现的方法的流程图。该通信系统包括主机计算机、基站(例如，apsta)和ue(例如，非apsta)，其可以是参照图8和图9描述的主机计算机、基站和ue。为了本公开的简明，在本部分中将仅包括对图12的图引用。在方法的可选的第一动作3610中，ue接收由主机计算机所提供的输入数据。附加地或备选地，在可选的第二动作3620中，ue提供用户数据。在第二动作3620的可选子动作3621中，ue通过执行客户端应用来提供用户数据。在第一动作3610的另一可选子动作3611中，ue执行客户端应用，该客户端应用回应于接收到的主机计算机提供的输入数据来提供用户数据。在提供用户数据时，所执行的客户端应用还可以考虑从用户接收的用户输入。无论提供用户数据的具体方式如何，ue在可选的第三子动作3630中都向主机计算机发起用户数据的传输。在第四动作3640中，根据贯穿本公开描述的实施例的教导，主机计算机接收从ue发送的用户数据。

图13是示出了根据一个实施例的在通信系统中实现的方法的流程图。该通信系统包括主机计算机、基站(例如，apsta)和ue(例如，非apsta)，其可以是参照图9和图10描述的主机计算机、基站和ue。为了本公开的简明，在本部分中将仅包括对图13的图引用。在所述方法的可选的第一动作3710中，根据贯穿本公开描述的实施例的教导，基站从ue接收用户数据。在可选的第二动作3720中，基站向主机计算机发起对接收到的用户数据的传输。在第三动作3730中，主机计算机接收由基站发起的传输中携带的用户数据。

当使用词语“包括”或“包含”时，其应当被解释为非限制性的，即意味着“至少由……构成”。

本文实施例不限于上述优选实施例。可使用各种备选、修改和等同物。

缩略语解释

ue用户设备

enb增强型节点b、基站

lte长期演进

3gpp第三代合作伙伴计划

dl下行链路

ul上行链路

4.5g第4.代无线电网络

pmi预编码矩阵指示符

mimo多输入多输出

tdd时分双工

csi-rs信道状态信息参考信号

rbs无线电基站

rbf径向基函数

svm支持向量机

ran无线电接入网。