1.一种在无线通信系统(10)中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，其中，所述方法包括：
在无线电网络节点(110)中估计(206)从无线设备(120)到所述无线电网络节点(110)的无线电链路的上行链路信道信息，其中，所述无线设备(120)在所述无线通信网络(100)中包括的无线电小区扇区内操作；
从机器学习单元(300)获得(207)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，所述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，其中，所获得的下行链路波束成形信息适用于所述无线电小区扇区；以及
使用所获得的下行链路波束成形信息从所述无线电网络节点(110)向所述无线设备(120)发送(208)经波束成形的下行链路信号。
2.根据权利要求1所述的方法，包括：
通过所述无线电网络节点(110)，触发(201)所述无线设备(120)报告在由所述无线电网络节点(110)发送并由所述无线设备(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；
通过所述无线电网络节点(110)，从所述无线设备(120)获得(202)所报告的下行链路波束成形信息；
通过所述无线电网络节点(110)，基于使用所述无线电链路从所述无线设备(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(203)上行链路信道信息；以及
存储(204)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所述无线电链路的对应的所测量的上行链路信道信息。
3.根据权利要求2所述的方法，其中，所述触发(201)和所述测量(203)是在选定时间段期间执行的。
4.根据权利要求1-3中任一项所述的方法，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神经网络方法来训练(205)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。
5.根据权利要求4所述的方法，其中，使用所述机器学习单元(300)中包括的神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
6.根据权利要求5所述的方法，其中，通过执行所述神经网络方法来训练(205)所述机器学习单元(300)包括：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到在所述上行链路信道信息作为针对所述神经网络的输入被给出时所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
7.根据权利要求5所述的方法，其中，通过执行所述神经网络方法来训练(205)所述机器学习单元(300)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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
8.根据权利要求1-7中任一项所述的方法，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
9.一种在无线电网络节点(110)中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，其中，所述方法包括：
估计(306)从无线设备(120)到所述无线电网络节点(110)的无线电链路的上行链路信道信息，其中，所述无线设备(120)在所述无线通信网络(100)中包括的无线电小区扇区内操作；
从机器学习单元(300)获得(307)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，所述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，其中，所获得的下行链路波束成形信息适用于所述无线电小区扇区；以及
使用所获得的下行链路波束成形信息向所述无线设备(120)发送(308)经波束成形的下行链路信号。
10.根据权利要求9所述的方法，包括：
触发(301)所述无线设备(120)报告在由所述无线电网络节点(110)发送并由所述无线设备(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；
从所述无线设备(120)获得(302)所报告的下行链路波束成形信息；
基于使用所述无线电链路从所述无线设备(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(303)上行链路信道信息；以及
存储(304)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所述无线电链路的对应的所测量的上行链路信道信息。
11.根据权利要求9或10所述的方法，其中，所述触发(301)和所述测量(303)是在选定时间段期间执行的。
12.根据权利要求9-11中任一项所述的方法，当所述机器学习单元(300)被包括在所述无线电网络节点(110)中时，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(305)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。
13.根据权利要求12所述的方法，其中，使用所述机器学习单元(300)中包括的神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
14.根据权利要求13所述的方法，其中，通过执行所述神经网络方法来训练(305)对所述机器学习单元(300)包括：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到所述上行链路信道信息作为针对所述神经网络的输入被给出时，所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
15.根据权利要求13所述的方法，其中，通过执行所述神经网络方法来训练(305)所述机器学习单元(300)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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
16.根据权利要求9-15中任一项所述的方法，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
17.一种在机器学习单元(300)中执行以用于在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，其中，所述方法包括：
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神经网络方法来训练(501)，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；
检索(502)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，其中，基于所确定的关系来检索所述下行链路波束成形信息，并且其中，所述下行链路波束成形信息适用于所述无线通信网络(100)中包括的无线电小区扇区；
向无线电网络节点(110)提供(503)所获得的下行链路波束成形信息，从而支持所述无线电网络节点(110)使用所述下行链路波束成形信息向在所述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。
18.根据权利要求17所述的方法，其中，使用所述机器学习单元(300)中包括的神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
19.根据权利要求17或18所述的方法，其中，通过执行所述神经网络方法来训练(501)包括：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到在所述上行链路信道信息作为针对所述神经网络的输入被给出时所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
20.根据权利要求17或18所述的方法，其中，通过执行所述神经网络方法来训练(501)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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
21.根据权利要求17-20中任一项所述的方法，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
22.一种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无线通信系统(10)，其中，所述无线通信系统(10)被配置为：
通过无线电网络节点(110)估计从无线设备(120)到所述无线电网络节点(110)的无线电链路的上行链路信道信息，其中，所述无线设备(120)在所述无线通信网络(100)中包括的无线电小区扇区内操作；
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，所述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，其中，所获得的下行链路波束成形信息适用于所述无线电小区扇区；以及
使用所获得的下行链路波束成形信息从所述无线电网络节点(110)向所述无线设备(120)发送经波束成形的下行链路信号。
23.根据权利要求22所述的无线通信系统(10)，被配置为：
通过所述无线电网络节点(110)，触发所述无线设备(120)报告在由所述无线电网络节点(110)发送并由所述无线设备(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；
通过所述无线电网络节点(110)，从所述无线设备(120)获得所报告的下行链路波束成形信息；
通过所述无线电网络节点(110)，基于使用所述无线电链路从所述无线设备(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；以及
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所述无线电链路的对应的所测量的上行链路信道信息。
24.根据权利要求23所述的无线通信系统(10)，被配置为在选定时间段期间触发所述无线设备(120)报告下行链路波束成形信息并测量上行链路信道信息。
25.根据权利要求22至24中任一项所述的无线通信系统(10)，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波束成形信息与上行链路信道信息之间的关系。
26.根据权利要求25所述的无线通信系统(10)，被配置为：使用所述机器学习单元(300)中包括的神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
27.根据权利要求26所述的无线通信系统(10)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练所述机器学习单元(300)：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到在所述上行链路信道信息作为针对所述神经网络的输入被给出时所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
28.根据权利要求26所述的无线通信系统(10)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练所述机器学习单元(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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
29.根据权利要求22-28中任一项所述的无线通信系统(10)，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
30.一种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无线电网络节点(110)，其中，所述无线电网络节点(110)被配置为：
估计从无线设备(120)到所述无线电网络节点(110)的无线电链路的上行链路信道信息，其中，所述无线设备(120)在所述无线通信网络(100)中包括的无线电小区扇区内操作；
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，所述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，其中，所述下行链路波束成形信息适用于所述无线电小区扇区；以及
使用所获得的下行链路波束成形信息向所述无线设备(120)发送经波束成形的下行链路信号。
31.根据权利要求30所述的无线电网络节点(110)，被配置为：
触发所述无线设备(120)报告在由所述无线电网络节点(110)发送并由所述无线设备(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；
从所述无线设备(120)获得所报告的下行链路波束成形信息；
基于使用所述无线电链路从所述无线设备(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；以及
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所述无线电链路的对应的所测量的上行链路信道信息。
32.根据权利要求30或31所述的无线电网络节点(110)，被配置为在选定时间段期间触发所述无线设备(120)报告下行链路波束成形信息并测量上行链路信道信息。
33.根据权利要求30-32中任一项所述的无线电网络节点(110)，包括所述机器学习单元(300)，并且所述无线电网络节点(110)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。
34.根据权利要求33所述的无线电网络节点(110)，被配置为：使用所述机器学习单元(300)中包括的神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
35.根据权利要求34所述的无线电网络节点(110)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练所述机器学习单元(300)：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到在所述上行链路信道信息作为针对所述神经网络的输入被给出时所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
36.根据权利要求34所述的无线电网络节点(110)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练所述机器学习单元(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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
37.根据权利要求30-36中任一项所述的无线电网络节点(110)，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
38.一种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机器学习单元(300)，其中，所述机器学习单元(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；
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，其中，基于所确定的关系来检索所述下行链路波束成形信息，并且其中，所述下行链路波束成形信息适用于所述无线通信网络(100)中包括的无线电小区扇区；以及
向无线电网络节点(110)提供所检索的下行链路波束成形信息，从而支持所述无线电网络节点(110)使用所检索的下行链路波束成形信息向在所述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。
39.根据权利要求38所述的机器学习单元(300)，包括神经网络，并且所述机器学习单元(300)被配置为使用所述神经网络来执行所述神经网络方法，其中，所述神经网络特定于所述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，其中，每一层都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，其中，所述一个或多个人工神经元均具有激活函数、输入加权系数、偏置和输出加权系数，并且其中，加权系数和偏置在所述神经网络的训练期间是可变的。
40.根据权利要求39所述的机器学习单元(300)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练：
向所述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，所述已知的上行链路信道信息和所述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
调整一个或多个所述人工神经元的加权系数和偏置，直到在所述上行链路信道信息作为针对所述神经网络的输入被给出时所述已知的下行链路波束成形信息作为来自所述神经网络的输出被给出为止。
41.根据权利要求39所述的机器学习单元(300)，通过还被配置为执行以下操作来被配置为通过执行所述神经网络方法来训练：
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，以计算一个或多个所述人工神经元的加权系数和偏置，来训练所述机器学习单元(300)。
42.根据权利要求38-41中任一项所述的机器学习单元(300)，其中，所估计的上行链路信道信息是关于所述无线电链路的载波频率f0的上行链路信道信息，并且其中，所获得的输出下行链路波束成形信息是关于所述无线电链路的目标频率f1的波束成形信息。
43.一种包括指令的计算机程序，所述指令当在至少一个处理器上执行时，使所述至少一个处理器执行根据权利要求1-21中任一项所述的方法。
44.一种包括根据权利要求43所述的计算机程序的载体，其中，所述载体是电信号、光信号、无线电信号或计算机可读存储介质之一。