用于无线通信的神经网络形成配置反馈的制作方法

背景技术：

无线通信系统的发展通常源于对数据吞吐量的需求。例如，随着越来越多的设备可以访问无线通信系统，对数据的需求也随之增加。不断发展的设备还执行利用比传统应用(诸如数据密集型流媒体视频应用、数据密集型社交媒体应用、数据密集型音频服务等)更多数据的数据密集型应用。该增加的需求有时会耗尽无线通信系统的数据资源。由此，为了适应增加的数据使用，不断发展的无线通信系统利用日益复杂的架构，作为相对于老式的无线通信系统提供更多数据吞吐量的方式。

例如，第五代(5g)标准和技术使用更高的频率范围(诸如6以上千赫(ghz)频段)传输数据，以增加数据容量。然而，使用这些较高频率范围传输和恢复信息带来了挑战，例如，相对于较低频率信号，较高频率信号更容易受到多径衰落、散射、大气吸收、衍射、干扰等的影响。当在接收器处恢复信息时，这些信号失真通常导致错误。作为另一示例，能够传输、接收、路由和/或以其他方式使用这些较高频率的硬件可能复杂且昂贵，这增加了无线联网设备的处理成本。

技术实现要素：

本文档描述了用于无线通信的神经网络形成配置反馈的技术和装置。各方面描述了一种网络实体，该网络实体确定一组深度神经网络参考信号，以在物理信号上发送用于测量无线通信系统中的深度神经网络的性能。替选地或附加地，网络实体确定一组神经网络形成配置。网络实体将该组神经网络形成配置和该组深度神经网络参考信号的指示传送到用户设备。在此之后，网络实体启动该组中的每个深度神经网络参考信号的传输，并且引导用户设备测量使用该组神经网络形成配置形成的一组深度神经网络的性能，并且选择该组神经网络形成配置中的一个来处理无线通信系统中的通信。

一个或多个方面描述了一种用户设备，该用户设备接收一组深度神经网络参考信号的第一指示和一组神经网络形成配置的第二指示。在一些实施方式中，该组深度神经网络参考信号对应于一组下行链路深度神经网络参考信号，并且该组神经网络形成配置对应于一组下行链路深度神经网络参考信号。用户设备接收包括该组下行链路深度神经网络参考信号的物理信道，并且使用利用该组下行链路深度神经网络形成配置形成的一组下行链路深度神经网络来处理该组下行链路深度神经网络参考信号。然后，用户设备基于该处理来选择该组下行链路神经网络形成配置中的一个，并且将该组下行链路神经网络形成配置中的所选择的一个传送到网络实体。在实施方式中，然后，用户设备使用由下行链路神经网络形成配置中的所选择的一个形成的深度神经网络来处理下行链路通信。

在一些实施方式中，该组深度神经网络参考信号对应于一组上行链路深度神经网络参考信号，并且该组神经网络形成配置对应于一组上行链路深度神经网络参考信号。在实施方式中，用户设备接收一组上行链路神经网络形成配置的指示，并且使用该组上行链路神经网络形成配置来形成一组上行链路深度神经网络。之后，用户设备接收发送该组上行链路深度神经网络参考信号的请求。进而，用户设备使用物理信道，利用处理该组上行链路深度神经网络参考信号的该组上行链路深度神经网络传送该组中的每个上行链路深度神经网络参考信号。

在附图和以下描述中阐述了用于无线通信的神经网络形成配置反馈的一个或多个实施方式的细节。其他特征和优点根据说明书和附图以及根据权利要求书将显而易见。提供本发明内容以介绍在具体实施方式和附图中进一步描述的主题。因此，不应当将本发明内容描述为描述必要特征，也不应当将其用于限制要求保护的主题的范围。

附图说明

在下文中，描述了用于无线通信的神经网络形成配置反馈的一个或多个方面的细节。在说明书和附图中的不同实例中使用相同的附图标记表示相似的元素：

图1示出了可以实现无线通信中的神经网络形成配置反馈的各个方面的示例性环境。

图2示出了可以实现无线通信中的神经网络形成配置反馈的各个方面的设备的示例性设备图。

图3示出了可以实现无线通信中的神经网络形成配置反馈的各个方面的设备的示例性设备图。

图4示出了可以实现无线通信中的神经网络形成配置反馈的各个方面的示例性机器学习模块。

图5示出了设备用来处理无线通信系统上传输的通信的处理链的示例性框图。

图6示出了在无线通信系统中利用多个深度神经网络的示例性操作环境。

图7示出了使用神经网络形成配置来配置神经网络的各个设备之间的示例性事务图。

图8示出了使用神经网络形成配置来更新神经网络的各个设备之间的示例性事务图。

图9-1和9-2示出了使用神经网络形成配置来配置神经网络的各个设备之间的示例性事务图。

图10示出了用于配置用于处理在无线通信系统上传输的通信的神经网络的示例性方法。

图11示出了用于基于神经网络形成配置来形成神经网络的示例性方法。

图12示出了生成多个神经网络形成配置的示例。

图13示出了用于传送神经网络形成配置的各个设备之间的示例性事务图。

图14示出了用于传送神经网络形成配置的各个网络实体之间的示例性事务图。

图15示出了用于传送神经网络形成配置的各个网络实体之间的示例性事务图。

图16-1和16-2示出了用于使用一组候选神经网络形成配置来传送神经网络形成配置的示例性环境。

图17示出了用于传送神经网络形成配置的各个网络实体之间的示例性事务图。

图18示出了用于在无线通信系统上传送神经网络形成配置的示例性方法。

图19示出了用于在无线通信系统上传送神经网络形成配置的示例性方法。

图20-1和20-2示出了使用参考信号生成神经网络形成配置反馈的示例性环境。

图21-1和21-2示出了使用参考信号生成神经网络形成配置反馈的示例性环境。

图22示出了用于神经网络形成配置反馈的各个网络实体之间的示例性事务图。

图23示出了用于神经网络形成配置反馈的各个网络实体之间的示例性事务图。

图24示出了用于神经网络形成配置反馈的各个网络实体之间的示例性事务图。

图25示出了用于神经网络形成配置反馈的各个网络实体之间的示例性事务图。

图26示出了用于神经网络形成配置反馈的示例性方法。

图27示出了用于神经网络形成配置反馈的示例性方法。

具体实施方式

在常规的无线通信系统中，发射器和接收器处理链包括复杂的功能。例如，处理链中的信道估计块估计或预测传输环境如何使通过传输环境传播的信号失真。作为另一示例，信道均衡器块反转由信道估计块从信号中识别的失真。当处理较高频率范围(诸如6ghz范围处或附近的5g频率)时，这些复杂的功能通常会变得更加复杂。例如，相对于较低频率范围，传输环境对较高频率范围增加了更多的失真，从而使信息恢复更加复杂。作为另一示例，能够处理和路由较高频率范围的硬件通常会增加成本并增加复杂的物理约束。

dnn为复杂的处理——诸如无线通信系统中使用的复杂功能提供解决方案。通过在发射器和/或接收器处理链操作上训练dnn，dnn可以以多种方式——诸如通过替换用在无线通信信号的端对端处理中的一些或全部常规处理块，替换单个处理链块等——替换常规的复杂功能。dnn的动态重新配置——诸如通过修改各个参数配置(例如，系数、层连接、内核大小)——还提供了适应变化的操作条件的能力。

该文档描述了用于无线通信的神经网络形成配置反馈的各个方面，该用于无线通信的神经网络形成配置反馈允许系统处理通信，并且当操作条件变化时，动态地重新配置dnn。可以由在无线通信系统中操作的网络实体(例如，基站、核心网络服务器、用户设备)来实现各个方面。

各方面描述了一种网络实体，该网络实体确定一组深度神经网络参考信号以在物理信道上发送来测量无线通信系统中的深度神经网络的性能。替选地或附加地，网络实体确定一组神经网络形成配置。该网络实体将该组神经网络形成配置和该组深度神经网络参考信号的指示传送给用户设备。之后，网络实体启动该组中的每个深度神经网络参考的传输。有时，网络实体指示用户设备测量使用该组神经网络形成配置形成的、处理该组深度神经网络参考信号的深度神经网络的性能，并且选择该组神经网络形成配置中的一个以处理无线通信系统中的下行链路通信。在其他时间，网络实体指示用户设备使用物理信道传送上行链路深度神经网络参考信号。网络实体有时可以测量使用该组神经网络形成配置形成的、处理参考信号的深度神经网络的性能，并且选择用于处理无线通信系统中的上行链路通信的神经网络形成配置。

通过使用深度神经网络参考信号以及神经网络形成配置的组，网络实体为用户设备提供了测量深度神经网络性能的能力。进而，用户设备诸如通过以下方式来选择与提高在设备之间交换的下行链路通信的整体性能的深度神经网络相对应的神经网络形成配置：选择减少误码并改善信号质量的神经网络形成配置。替选地或附加地，网络实体测量处理由用户设备传送的上行链路深度神经网络参考信号的深度神经网络的性能，并且选择改善系统中的上行链路通信交换(例如，更低误码、改善的信号质量)的神经网络形成配置。

一个或多个方面描述了一种用户设备，该用户设备接收一组深度神经网络参考信号的第一指示和一组神经网络形成配置的第二指示。在一些实施方式中，该组深度神经网络参考信号对应于一组下行链路深度神经网络参考信号，并且该组神经网络形成配置对应于一组下行链路深度神经网络参考信号。用户设备接收包括该组下行链路深度神经网络参考信号的物理信道，并且使用一组下行链路深度神经网络来处理该组下行链路深度神经网络参考信号，该组下行链路深度神经网络是使用该组下行链路深度神经网络形成配置形成的。然后，用户设备基于该处理来选择该组下行链路神经网络形成配置中的一个，并且将该组下行链路神经网络形成配置中的所选择的一个传送给网络实体。在实施方式中，然后，用户设备使用利用下行链路神经网络形成配置中的所选择的一个形成的深度神经网络来处理下行链路通信。

通过利用不同深度神经网络处理和/或测量下行链路深度神经网络参考信号，用户设备选择下行链路神经网络形成配置，该配置提高用户设备处的下行链路通信的整体性能(例如，更低误码、更高信号质量)。此外，用户设备将所选择的深度神经网络形成配置的指示传送给网络实体，从而提高了网络实体处的下行链路通信的整体性能。

在一些实施方式中，该组深度神经网络参考信号对应于一组上行链路深度神经网络参考信号，并且该组神经网络形成配置对应于一组上行链路深度神经网络参考信号。在实施方式中，用户设备接收一组上行链路神经网络形成配置的指示，并且使用该组上行链路神经网络形成配置来形成一组上行链路深度神经网络。之后，用户设备接收发送该组上行链路深度神经网络参考信号的请求。进而，用户设备通过使用物理信道来利用该组上行链路深度神经网络传送该组中的每个上行链路深度神经网络参考信号，以处理该组上行链路深度神经网络参考信号。

通过与不同深度神经网络一起生成上行链路参考信号，用户设备为网络实体提供以下能力：接收包括上行链路深度神经网络参考信号的物理信道，测量上行链路深度神经网络处理上行链路深度神经网络参考信号的性能，以及选择与提高该网络实体处的上行链路通信的整体性能(例如，较低误码、较高信号质量)的上行链路深度神经网络相对应的神经网络形成配置。此外，用户设备从网络实体接收所选择的(上行链路)深度神经网络形成配置的指示，从而提高了用户设备处的上行链路通信的整体性能。

短语“在...上传输”、“交换的通信”和“与…相关联的通信”包括生成将在无线通信系统上传输的通信(例如，处理预传输通信)和/或处理在无线通信系统上接收的通信。因此，“处理在无线通信系统上传输的通信”、“在无线通信系统上交换的通信”以及“与无线通信系统相关联的通信”包括生成传输(例如，预传输处理)，处理所接收的传输或其任何组合。

示例性环境

图1示出了示例性环境100，其包括可以通过示为无线链路131和132的一个或多个无线通信链路130(示为无线链路130)，与基站120(示为基站121和122)通信的用户设备110(ue110)。为简单起见，ue110被实现为智能电话，但也可以被实现为任何合适的计算或电子设备，诸如移动通信设备、调制解调器、蜂窝电话、游戏设备、导航设备、媒体设备、膝上型电脑、台式计算机、平板电脑、智能设备、基于车辆的通信系统或物联网(iot)设备(诸如传感器或致动器)。可以在宏小区、微小区、小型小区、微微小区等或其任何组合中实现基站120(例如，演进的通用陆地无线接入网络节点b、e-utran节点b、演进的节点b、enodeb、enb、下一代节点b、gnodeb、gnb、ng-enb等)。

基站120使用无线链路131和132(其可以被实现为任何合适类型的无线链路)与用户设备110通信。无线链路131和132包括控制和数据通信，诸如从基站120传送到用户设备110的数据和控制信息的下行链路、从用户设备110传送到基站120的其他数据和控制信息的上行链路，或两者。无线链路130可以包括使用任何适当的通信协议或标准，或者通信协议或标准的组合(诸如第三代合作伙伴计划长期演进(3gpplte)、第五代新无线电(5gnr)等)实现的一个或多个无线链路(例如，无线电链路)或承载。可以在载波聚合中聚合多个无线链路130以为ue110提供更高的数据速率。可以为与ue110的多点协作(comp)通信配置来自多个基站120的多个无线链路130。

基站120共同作为无线电接入网140(例如，ran、演进的通用陆地无线电接入网、e-utran、5gnrran或nrran)。ran140中的基站121和122被连接到核心网络150。基站121和122通过用于控制平面信号传递的ng2接口并且当连接到5g核心网络时将ng3接口用于用户平面数据通信，或当连接到演进分组核心(epc)网络时将s1接口用于控制平面信号传递和用户平面数据通信，在102和104处分别连接到核心网络150。基站121和122可以使用通过xn接口的xn应用协议(xnap)，或使用通过x2接口的x2应用协议(x2ap)通信，以在106处交换用户平面和控制平面数据。用户设备110可以经由核心网络150连接到公共网络，诸如与远程服务170交互的因特网160。

示例性设备

图2示出了用户设备110和基站120之一的示例性设备图200。图3示出了核心网络服务器302的示例性设备图300。为清楚起见，用户设备110、基站120和/或核心网络服务器302可以包括图2或图3中省略的附加功能和接口。

用户设备110包括用于与ran140中的基站120通信的天线202、射频前端204(rf前端204)、无线收发器(例如，lte收发器206和/或5gnr收发器208)。用户设备110的rf前端204可以将lte收发器206和5gnr收发器208耦合或连接到天线202，以促进各种类型的无线通信。用户设备110的天线202可以包括被配置为彼此相似或彼此不同的多个天线的阵列。天线202和rf前端204可以被调谐到和/或可调谐到由3gpplte和5gnr通信标准定义并且由lte收发器206和/或5gnr收发器208实现的一个或多个频带。另外，天线202、rf前端204、lte收发器206和/或5gnr收发器208可以被配置为支持用于发射和接收与基站120的通信的波束成形。举例而非限制，可以将天线202和rf前端204实现为在由3gpplte和5gnr通信标准定义的低于千兆赫兹频带、低于6ghz频带和/或高于6ghz频带中实现。

用户设备110还包括处理器210和计算机可读存储介质212(crm212)。处理器210可以是由多种材料，诸如硅、多晶硅、高k电介质、铜等构成的单核处理器或多核处理器。本文所述的计算机可读存储介质不包括传播信号。crm212可以包括可用于存储用户设备110的设备数据214的任何合适的存储器或存储设备，诸如随机存取存储器(ram)、静态ram(sram)、动态ram(dram)、非易失性ram(nvram)、只读存储器(rom)或闪存。设备数据214包括可由处理器210执行的用户数据、多媒体数据、波束成形码本、应用、神经网络表和/或用户设备110的操作系统以启用用户平面通信、控制平面信号传递以及与用户设备110的用户交互。

在一些实施方式中，计算机可读存储介质212包括神经网络表216，该神经网络表216存储形成神经网络的各种架构和/或参数配置，诸如，作为示例而非限制，指定全连接层神经网络架构的参数、卷积层神经网络架构、递归神经网络层、多个连接的隐藏神经网络层、输入层架构、输出层架构、神经网络利用的多个节点、神经网络利用的系数(例如权重和偏差)、内核参数、神经网络利用的滤波器数量、神经网络利用的步幅/池化配置、每个神经网络层的激活函数、神经网络层之间的互连、要跳过的神经网络层等。因此，神经网络表216包括nn形成配置元素(例如，架构和/或参数配置)的任意组合，该nn形成配置元素可以被用来创建定义和/或形成dnn的nn形成配置(例如，一个或多个nn形成配置元素的组合)。在一些实施方式中，神经网络表216的单个索引值映射到单个nn形成配置元素(例如1：1对应)。替选地或附加地，神经网络表216的单个索引值映射到nn形成配置(例如，nn形成配置元素的组合)。在一些实施方式中，神经网络表包括用于每个nn形成配置元素和/或nn形成配置的输入特性，其中，输入特性描述有关被用来生成nn形成配置元素和/或nn形成配置的训练数据的属性，如进一步所述。

在一些实施方式中，crm212还可以包括用户设备神经网络管理器218(ue神经网络管理器218)。替选地或附加地，ue神经网络管理器218可以全部或部分地实现为与用户设备110的其他组件集成或与之分离的硬件逻辑或电路。ue神经网络管理器218访问神经网络表216，诸如通过索引值，并且使用由nn形成配置指定的nn形成配置元素形成dnn。在实施方式中，ue神经网络管理器形成多个dnn以处理无线通信(例如，与基站120交换的下行链路通信和/或上行链路通信)。

图2所示的基站120的设备图包括单个网络节点(例如，gnodeb)。基站120的功能可以分布在多个网络节点或设备上，并且可以以适合于执行本文描述的功能的任何方式分布。基站120包括天线252、射频前端254(rf前端254)、一个或多个无线收发器(例如，一个或多个lte收发器256和/或一个或多个5gnr收发器258)，用于与ue110通信。基站120的rf前端254可以将lte收发器256和5gnr收发器258耦合或连接到天线252，以促进各种类型的无线通信。基站120的天线252可以包括彼此相似配置或彼此不同配置的多个天线的阵列。天线252和rf前端254可以被调谐到和/或可调谐到由3gpplte和5gnr通信标准定义并且由lte收发器256和/或5gnr收发器258实现的一个或多个频带。另外，天线252、rf前端254、lte收发器256和/或5gnr收发器258可以被配置为支持波束成形(诸如，massive-mimo)，用于发射和接收与ue110的通信。

基站120还包括处理器260和计算机可读存储介质262(crm262)。处理器260可以是由多种材料(诸如硅、多晶硅、高k电介质、铜等)组成的单核处理器或多核处理器。crm262可以包括可用于存储基站120的设备数据264的任何合适的存储器或存储设备，诸如随机存取存储器(ram)、静态ram(sram)、动态ram(dram)、非易失性ram(nvram)、只读存储器(rom)或闪存。设备数据264包括可以由处理器260执行以实现与用户设备110的通信的网络调度数据、无线电资源管理数据、波束成形码本、应用和/或基站120的操作系统。

crm262还包括基站管理器266。替选地或附加地，基站管理器266可以全部或部分地实现为与基站120的其他组件集成或分离的硬件逻辑或电路。在至少一些方面中，基站管理器266配置lte收发器256和5gnr收发器258以与用户设备110通信以及与诸如核心网络150的核心网络通信。

crm262还包括基站神经网络管理器268(bs神经网络管理器268)。替选地或附加地，bs神经网络管理器268可以全部或部分地实现为与基站120的其他组件集成或分离的硬件逻辑或电路。在至少一些方面中，bs神经网络管理器268选择由基站120和/或ue110利用的nn形成配置来配置深度神经网络以处理无线通信，诸如通过选择nn形成配置元素的组合。在一些实施方式中，bs神经网络管理器从ue110接收反馈，并且基于该反馈来选择神经网络形成配置。替选地或附加地，bs神经网络管理器268通过核心网络接口276或基站间接口274，从核心网络150元素接收神经网络形成配置指示，并且将神经网络形成配置指示转发给ue110。

crm262包括训练模块270和神经网络表272。在实施方式中，基站120管理并将nn形成配置部署到ue110。替选地或附加地，基站120维护神经网络表272。训练模块270使用已知的输入数据教导和/或训练dnn。例如，训练模块270训练dnn以用于不同目的，诸如处理无线通信系统上传输的通信(例如，编码下行链路通信、调制下行链路通信、解调下行链路通信、解码下行链路通信、编码上行链路通信、调制上行链路通信、解调上行链路通信、解码上行链路通信)。这包括离线(例如，当dnn未活动地参与处理通信时)和/或在线(例如，当dnn活动地参与处理通信时)地训练dnn。

在实施方式中，训练模块270从dnn提取学习的参数配置以识别nn形成配置元素和/或nn形成配置，然后在神经网络表272中添加和/或更新nn形成配置元素和/或nn形成配置。所提取的参数配置包括定义神经网络的行为，诸如节点连接、系数、活动层、权重、偏差、池化等的信息的任何组合。

神经网络表272存储使用训练模块270生成的多个不同的nn形成配置元素和/或nn形成配置。在一些实施方式中，神经网络表包括用于每个nn形成配置元素和/或nn形成配置的输入特性，其中，输入特性描述有关用于生成nn形成配置元素和/或nn形成配置的训练数据的属性。例如，输入特性包括但不限于功率信息、信号与干扰加噪声比(sinr)信息、信道质量指示符(cqi)信息、信道状态信息(csi)、多普勒反馈、频带、块错码率(bler)、服务质量(qos)、混合自动重发请求(harq)信息(例如，第一传输错误率、第二传输错误率、最大重传)、时延、无线电链路控制(rlc)、自动重发请求(arq)度量、接收信号强度(rss)、上行链路sinr、定时测量、误差度量、ue能力、bs能力、功率模式、互联网协议(ip)层吞吐量、端对端(end2end)时延、端对端分组丢失率等。因此，输入特性有时包括层1、层2和/或层3度量。在一些实施方式中，神经网络表272的单个索引值映射到单个nn形成配置元素(例如1：1对应)。替选地或附加地，神经网络表272的单个索引值映射到nn形成配置(例如，nn形成配置元素的组合)。

在实施方式中，基站120将神经网络表272与神经网络表216同步，使得在第二神经网络表中复制存储在一个神经网络表中的nn形成配置元素和/或输入特性。替选地或附加地，基站120使神经网络表272与神经网络表216同步，使得存储在一个神经网络表中的nn形成配置元素和/或输入特性表示第二神经网络表中的互补功能(例如，在第一神经网络表中，nn形成配置元素用于发射器路径处理，第二神经网络表中，nn形成配置元素用于接收器路径处理)。

基站120还包括基站间接口274，诸如xn和/或x2接口，基站管理器266将其配置为在其他基站120之间交换用户平面、控制平面和其他信息，以管理基站120与用户设备110的通信。基站120包括核心网络接口276，基站管理器266将其配置为与核心网络功能和/或实体交换用户平面、控制平面和其他信息。

在图3中，核心网络服务器302可以在核心网络150中提供功能、实体、服务和/或网关的全部或一部分。核心网络150中的每个功能、实体、服务和/或网关可以被提供为分布在多个服务器上或体现在专用服务器上的服务核心网络150中的服务。例如，核心网络服务器302可以提供用户平面功能(upf)、接入和移动性管理功能(amf)、服务网关(s-gw)、分组数据网络网关(p-gw)、移动性管理实体(mme)、演进的分组数据网关(epdg)等的全部或部分服务或功能。核心网络服务器302被示为体现在包括处理器304和计算机可读存储介质306(crm306)的单个服务器上。处理器304可以是由多种材料，诸如硅、多晶硅、高k电介质、铜等组成的单核处理器或多核处理器。crm306可以包括可用于存储核心网络服务器302的设备数据308的任何合适的存储器或存储设备，诸如随机存取存储器(ram)、静态ram(sram)、动态ram(dram)、非易失性ram(nvram)、只读存储器(rom)、硬盘驱动器或闪存。设备数据308包括可由处理器304执行的支持核心网络功能或实体的数据、和/或核心网络服务器302的操作系统。

crm306还包括一个或多个核心网络应用310，在一种实施方式中，其被体现在crm306上(如所示)。一个或多个核心网络应用310可以实现诸如upf、amf、s-gw、p-gw、mme、epdg等的功能。替选地或附加地，一个或多个核心网络应用310可以全部或部分地实现为与核心网络服务器302的其他组件集成或分离的硬件逻辑或电路。

crm306还包括核心网络神经网络管理器312，其管理用于处理在ue110和基站120之间交换的通信的nn形成配置。在一些实施方式中，核心网络神经网络管理器312分析各种参数，诸如(例如，如由基站120报告的、如由其他无线接入点报告的、如(经由基站或其他无线接入点)由ue110报告的)当前信号信道状况、基站120处的能力(例如，天线配置、小区配置、mimo能力、无线电能力、处理能力)、ue110的能力(例如，天线配置、mimo能力、无线电能力、处理能力)等等。例如，基站120在与ue通信期间获得各种参数，并且将参数转发给核心网络神经网络管理器312。核心网络神经网络管理器基于这些参数，选择提高dnn处理通信的精度的nn形成配置。相对于配置有另一种nn形成配置的神经网络，提高精度标示神经网络生成的输出精度提高，诸如更低误码。然后，核心网络神经网络管理器312将所选择的nn形成配置传送到基站120和/或ue110。在实施方式中，核心网络神经网络管理器312从基站120接收ue和/或bs反馈并且基于该反馈选择更新的nn形成配置。

crm306包括训练模块314和神经网络表316。在实施方式中，核心网络服务器302管理和将nn形成配置部署到无线通信系统中的多个设备，诸如ue110和基站120。替选地或附加地，核心网络服务器在crm306的外部维护神经网络表316。训练模块314使用已知的输入数据教导和/或训练dnn。例如，训练模块314训练dnn以处理通过无线通信系统发射的不同类型的导频通信。这包括离线和/或在线训练dnn。在实施方式中，训练模块314从dnn提取学习的nn形成配置和/或学习的nn形成配置元素，并将学习的nn形成配置元素存储在神经网络表316中。因此，nn形成配置包括定义或影响dnn的行为的架构配置(例如，节点连接、层连接)和/或参数配置(例如，权重、偏差、池化)的任何组合。在一些实施方式中，神经网络表316的单个索引值映射到单个nn形成配置元素(例如，1：1对应)。替选地或附加地，神经网络表316的单个索引值映射到nn形成配置(例如，nn形成配置元素的组合)。

在一些实施方式中，核心网络神经网络管理器312的训练模块314生成与存储在ue110处的神经网络表216和/或基站121处的神经网络表272中的那些互补的nn形成配置和/或nn形成配置元素。作为一个示例，训练模块314通过nn形成配置和/或nn形成配置元素生成神经网络表316，相对于用于生成神经网络表272和/或神经网络表216的中等和/或低变化，nn形成配置和/或nn形成配置元素在架构和/或参数配置方面具有大的变化。例如，由训练模块314生成的nn形成配置和/或nn形成配置元素对应于全连接层、完整的内核大小、频繁的采样和/或池化、高加权精度等。因此，神经网络表316有时包括以在增加处理复杂性和/或时间的权衡下的高精度神经网络。

由训练模块270生成的nn形成配置和/或nn形成配置元素有时相对于训练模块314生成的那些，具有更固定的架构和/或参数配置(例如，固定连接层、固定内核大小等)，并且更少变化。训练模块270相对于训练模块314生成的那些，例如生成流线化的nn形成配置(例如，更快的计算时间、更少的数据处理)，以优化或提高基站121和/或ue110处的端对端网络通信的性能。替选地或附加地，相对于存储在神经网络表316和/或神经网络表272中的那些，存储在ue110的神经网络表216处的nn形成配置和/或nn形成配置元素包括更固定的架构和/或参数配置，其相对于基站121和/或核心网络服务器302，减少ue110处的需求(例如，计算速度、更少的数据处理点、更少的计算、更少的功耗等)。在实施方式中，每个神经网络从的固定(或灵活)架构和/或参数配置的变化均基于针对形成对应的dnn的设备的处理资源(例如，处理能力、存储器约束、量化约束(例如8位与16位)、定点与浮点计算、电力供应)。因此，相对于核心网络服务器或基站，具有较少处理资源的ue或接入点接收为可用处理资源优化的nn形成配置。

神经网络表316存储使用训练模块314生成的多个不同的nn形成配置元素。在一些实施方式中，神经网络表包括用于每个nn形成配置元素和/或nn形成配置的输入特性，其中，输入特性描述有关用于生成nn形成配置的训练数据的属性。例如，输入特性可以包括功率信息、sinr信息、cqi、csi、多普勒反馈、rss、误差度量、最小端到端(e2e)时延、期望的e2e时延、e2eqos、e2e吞吐量、e2e分组丢失率、服务成本等。

核心网络服务器302还包括用于与核心网络150、基站120或ue110中的其他功能或实体通信用户平面、控制平面和其他信息的核心网络接口318。在一些实施方式中，核心网络服务器302使用核心网络接口318，将nn形成配置传送到基站120。核心网络服务器302使用核心网络接口318，替选地或附加地从基站120和/或通过基站120从ue110接收反馈。

已经描述了可用于无线通信中的神经网络形成配置反馈的示例性环境和示例性设备，现在考虑讨论根据一个或多个实施方式的可配置机器学习模块。

可配置的机器学习模块

图4示出了示例性机器学习模块400。机器学习模块400实现了一组自适应算法，其学习和识别数据内的模式。可以使用软件、硬件和/或固件的任何组合来实现机器学习模块400。

在图4中，机器学习模块400包括深度神经网络402(dnn402)，该深度神经网络402具有被组织为三层或更多层的连接节点(例如，神经元和/或感知器)的组。层之间的节点可以通过多种方式进行配置，诸如部分连接配置，其中，第一层中的第一节点子集与第二层的第二节点子集连接；全连接配置，其中，第一层中的每个节点连接到第二层中的每个节点等等。神经元处理输入数据以产生连续输出值，诸如0和1之间的任何实数。在一些情况下，输出值指示输入数据有多接近所需的类别。感知器对输入数据执行线性分类，诸如二元分类。无论是神经元还是感知器，这些节点都可以使用各种算法来基于自适应学习生成输出信息。使用dnn，机器学习模块400执行各种不同类型的分析，包括单线性回归、多线性回归、逻辑回归、逐步回归、二元分类、多类分类、多元自适应回归样条、局部估计散点图平滑等。

在一些实施方式中，机器学习模块400基于监督学习自适应地学习。在监督学习中，机器学习模块将各种类型的输入数据接收为训练数据。机器学习模块处理训练数据，以学习如何将输入映射到所需的输出。作为一个示例，机器学习模块400将信号的数字样本接收为输入数据，并且学习如何将信号样本映射到反映嵌入信号中的信息的二进制数据。作为另一示例，机器学习模块400将二进制数据接收为输入数据，并且学习如何将二进制数据映射到信号的数字样本，其中，二进制数据嵌入信号中。在训练过程中，机器学习模块400将标记的或已知的数据用作dnn的输入。dnn使用节点分析输入并生成相应的输出。机器学习模块400将相应的输出与真实数据进行比较，并且调整由节点实现的算法以提高输出数据的准确性。之后，dnn将调整过的算法应用于未标记的输入数据，以生成相应的输出数据。

机器学习模块400使用统计分析和/或自适应学习来将输入映射到输出。例如，机器学习模块400使用从训练数据中学到的特性来将未知输入与在统计上可能在阈值范围或阈值内的输出相关联。这允许机器学习模块400接收复杂的输入并识别相应的输出。一些实施方式在无线通信系统上传输的通信的特性(例如，时间/频率交织、时间/频率解交织、卷积编码、卷积解码、功率电平、信道均衡、符号间干扰、正交幅度调制/解调、频分复用/解复用、传输信道特性)上训练机器学习模块400。这允许训练过的机器学习模块400将信号的样本接收为输入，诸如在用户设备处接收的下行链路信号的样本，并且由下行链路信号，诸如嵌入下行链路信号中的二进制数据中恢复信息。

在图4中，dnn包括输入层404、输出层406和位于输入层与输出层之间的一个或多个隐藏层408。每个层具有任意数量的节点，其中，层之间的节点数可以相同或不同。换句话说，输入层404可以具有与输出层406相同数量和/或不同数量的节点，输出层406可以具有与隐藏层408相同数量和/或不同数量的节点等等。

节点410对应于包括在输入层404中的若干节点之一，其中，节点执行彼此独立的计算。如进一步所述，节点接收输入数据，并且使用算法处理该输入数据以产生输出数据。有时，算法包括基于自适应学习而改变的权重和/或系数。因此，权重和/或系数反映了由神经网络学习的信息。在一些情况下，每个节点可以确定是否将处理过的输入数据传递到下一节点。为了例示，在处理输入数据之后，节点410可以确定是否将处理过的输入数据传递到隐藏层408的节点412和/或节点414。替选地或附加地，节点410将处理过的输入数据传递给基于层连接架构的节点。该过程可以在多层中重复，直到dnn使用输出层406的节点生成输出为止。

神经网络还可以采用各种架构，这些架构确定神经网络内的哪些节点被连接、在神经网络中如何推进和/或保留数据、使用什么权重和系数来处理输入数据、如何处理数据等等。这些各种因素共同描述了nn形成配置。为了例示，递归神经网络(诸如长短期记忆(lstm)神经网络)在节点连接之间形成循环，以便保留来自输入数据序列的前一部分的信息。然后，递归神经网络将保留的信息用于输入数据序列的后续部分。作为另一示例，前馈神经网络将信息传递给前向连接，而不会形成循环来保留信息。尽管在节点连接的场境(context)中进行了描述，但是应当理解到，nn形成配置可以包括影响神经网络如何处理输入数据的各种参数配置。

神经网络的nn形成配置可以通过各种架构和/或参数配置来表征。为了例示，考虑dnn实现卷积神经网络的示例。通常，卷积神经网络对应于一种dnn，其中，各层使用卷积运算对数据进行处理以过滤输入数据。相应地，卷积nn形成配置可以例如但不限于通过池化参数、内核参数、权重和/或层参数来表征。

池化参数对应于指定卷积神经网络内的池化层的参数，这些参数可减小输入数据的维数。为了例示，池化层可以将第一层的节点输出组合为第二层的节点输入。替选地或附加地，池化参数指定神经网络在数据处理层中如何以及在何处池化数据。指示“最大池化”的池化参数例如配置神经网络以通过从由第一层的节点生成的数据群组中选择最大值来进行池化，并且将该最大值用作第二层的单个节点的输入。指示“平均池化”的池化参数配置神经网络以由通过第一层的节点生成的数据群组生成平均值，并且将该平均值用作第二层的单个节点的输入。

内核参数指示将用在处理输入数据中的滤波器大小(例如，宽度和高度)。替选地或附加地，内核参数指定用在过滤和处理输入数据中的内核方法的类型。支持向量机例如对应于使用回归分析来识别和/或分类数据的内核方法。其他类型的内核方法包括高斯过程、典型相关分析、谱聚类法等。因此，内核参数可以指示在神经网络中应用的滤波器大小和/或内核方法的类型。

权重参数指定节点内算法用来分类输入数据的权重和偏差。在实施方式中，权重和偏差是学习的参数配置，诸如从训练数据生成的参数配置。

层参数指定层连接和/或层类型，诸如表示将第一层(例如输出层406)中的每个节点连接到第二层(例如，隐藏层408)的每一个节点的全连接层类型、指示第一层中的哪些节点与第二层断开连接的部分连接层类型、指示神经网络内的哪些滤波器和/或层要激活的激活层类型等等。替选地或附加地，层参数指定节点层的类型，诸如归一化层类型、卷积层类型、池化层类型等。

尽管在池化参数、内核参数、权重参数和层参数的场境中进行了描述，但是应当理解到，在不脱离所要求保护的主题的范围的情况下，可以使用其他参数配置来形成dnn。因此，nn形成配置可以包括可以应用于dnn的任何其他类型的参数，该参数影响dnn如何处理输入数据以生成输出数据。

一些实施方式基于当前操作环境配置机器学习模块400。为了例示，考虑被训练以从信号的数字样本生成二进制数据的机器学习模块。传输环境时常会修改在环境中传播的信号的特性。传输环境时常会发生变化，这会影响环境如何修改信号。第一传输环境例如以第一方式修改信号，而第二传输环境以与第一传输环境不同的方式修改信号。这些差异会影响由机器学习模块生成的输出结果的准确性。例如，被配置为处理在第一传输环境上传输的通信的神经网络在处理在第二传输环境上传输的通信时可能产生错误(例如，超过阈值的误码)。

各种实施方式生成并存储用于不同传输环境的nn形成配置和/或nn形成配置元素(例如，各种架构和/或参数配置)。例如，基站120和/或核心网络服务器302使用bs神经网络管理器268、训练模块270、核心网络神经网络管理器312和/或训练模块314的任何组合来训练机器学习模块400。当没有活动通信交换发生时离线发生训练，或者在活动通信交换期间在线发生训练。例如，基站120和/或核心网络服务器302可以数学地生成训练数据、访问存储训练数据的文件、获得真实世界通信数据等。然后，基站120和/或核心网络服务器302提取各种学习的nn形成配置并将其存储在神经网络表中。一些实施方式将输入特性与每一nn形成配置一起存储，其中，输入特性描述了对应于相应的nn形成配置的传输环境的各种特性。在实施方式中，神经网络管理器通过将当前传输环境和/或当前操作环境与输入特性相匹配来选择nn形成配置和/或nn形成配置元素。

已经描述了可配置的机器学习模块，现在考虑讨论根据一个或多个实施方式的无线通信系统中的深度神经网络。

无线通信系统中的深度神经网络

无线通信系统包括各种复杂的组件和/或功能，诸如参考图1的示例性环境100、图2的示例性设备图200以及图3的示例性设备图300所描述的各个设备和模块。在一些实施方式中，参与无线通信系统的设备将一系列功能链接在一起，以实现通过无线连接交换信息。

为了演示，现在考虑图5，其示出了示例性框图500和示例性框图502，每个图描绘了由无线通信系统中的设备所利用的示例处理链。为了简单起见，框图示出了高级功能，并且应当理解到，为了清楚起见，框图可以包括从图5中省略的附加功能。

在图5的上半部分，框图500包括发射器块504和接收器块506。发射器块504包括从上到下进行的发射器处理链。发射器处理链从输入数据开始，该输入数据前进到编码级，然后是调制级，接着是射频(rf)模拟发射(tx)级。编码级可以包括设备用来在无线通信系统上传输数据的任何类型和数量的编码级。

为了例示，示例性编码级接收二进制数据作为输入，并使用各种编码算法处理二进制数据以将诸如帧信息的信息附加到二进制数据。替选地或附加地，编码级诸如通过应用前向纠错变换二进制数据，该前向纠错添加了冗余以帮助接收器处的信息恢复。作为另一示例，编码级将二进制数据转换为符号。

示例调制级接收由编码级生成的输出作为输入，并将该输入嵌入到信号上。例如，调制级生成嵌入来自编码级的输入的信号的数字样本。因此，在发射器块504中，编码级和调制级代表了高级发射器处理链，该链通常包括低级复杂功能，诸如卷积编码、串行到并行转换、循环前缀插入、信道代码化、时间/频率交织等。rf模拟tx级接收来自调制级的输出，基于调制级输出生成模拟rf信号，并将模拟rf信号发送到接收器块506。

接收器块506使用接收器处理链，相对于收发机块504执行互补处理。接收器块506中所示的接收器处理链从上到下进行，并且包括rf模拟接收(rx)级，接着是解调级和解码级。

rf模拟rx级接收由发射器块504发射的信号，并生成由解调级使用的输入。作为一个示例，rf模拟rx级包括下变频组件和/或模数转换器(adc)，以生成所接收的信号的样本。解调级处理来自rf模拟rx级的输入，以提取嵌入在信号上的数据(例如，由发射器块504的调制级嵌入的数据)。例如，解调级恢复符号和/或二进制数据。

解码级接收来自解调级的输入，诸如恢复的符号和/或二进制数据，并处理该输入以恢复所发送的信息。为了例示，解码级基于在发射器块处应用的前向纠错来校正数据错误，从帧和/或时隙中提取有效载荷数据等等。因此，解码级生成所恢复的信息。

如所指出的，为清楚起见，简化了发射器块504和接收器块506所示的发射器和接收器处理链，并且可以包括多个复杂的模块。有时，这些复杂的模块专用于特定的功能和/或条件。例如，考虑处理正交频分调制(ofdm)传输的接收器处理链。为了从ofdm传输中恢复信息，接收器块通常包括多个处理块，每个处理块专用于特定功能，诸如校正接收信号中的失真的均衡块、估计传输信道属性以识别散射、功率衰减等等对传输的影响的信道估计块等。在诸如6ghz频带的高频下，这些块可能在计算和/或金钱上都是昂贵的(例如，需要大量的处理能力、需要昂贵的硬件)。此外，实现产生具有期望阈值内的精度的输出的块常常需要更特定和更不灵活的组件。作为示例，用于6ghz频带中的信号的均衡块在其他频带可能无法以相同的精度执行，因此对于不同频带需要不同的均衡块，因此对相应的设备增加了复杂性。

一些实施方式在传输和/或接收器处理链中包括dnn。在框图502中，发射器块508在发射器处理链中包括一个或多个深度神经网络510(dnn510)，而接收器块512在接收器处理链中包括一个或多个深度神经网络514(dnn514)。

为了简单起见，发射器块508中的dnn510对应于发射器块504的编码级和调制级。然而，应当理解到，dnn可以执行在发射器处理链中发现的任何高级和/或低级操作。例如，第一dnn执行低级发射器侧前向纠错，第二dnn执行低级发射器侧卷积编码等等。替选地或附加地，dnn510执行高级处理，诸如对应于发射器块508的编码级和调制级的端到端处理。

以类似的方式，接收器块512中的dnn514执行接收器处理链功能(例如，解调级、解码级)。dnn514可以执行在接收器处理链中发现的任何高级和/或低级操作，诸如低级接收器侧误码校正、低级接收器侧符号恢复、高级端到端解调和解码等。因此，无线通信系统中的dnn可以被配置为替代发射器和接收器处理链中的高级操作和/或低级操作。有时，如进一步所述，可以基于当前操作环境来配置和/或重新配置执行高级操作和/或低级操作的dnn。相对于更特定和更不灵活的组件，这为处理链提供了更大的灵活性和适应性。

一些实施方式使用多个dnn来处理无线通信系统上的通信交换，其中，每个dnn具有相应的目的(例如，上行链路处理、下行链路处理、上行链路编码处理、下行链路解码处理等)。为了演示，现在考虑示出了包括ue110和基站121的示例性操作环境600的图6。尽管图6示出了基站121，但是可以利用替选基站，如图2所示。

ue110和基站121通过使用多个dnn处理通信来在无线通信系统上彼此交换通信。

在图6中，基站121的基站神经网络管理器268包括下行链路处理模块602，用于处理下行链路通信，诸如用于生成传输到ue110的下行链路通信。为了例示，如进一步所述，基站神经网络管理器268使用nn形成配置，形成下行链路处理模块602中的深度神经网络604(dnn604)。在一些示例中，dnn604对应于图5的dnn510。换句话说，dnn604执行用于生成下行链路通信的一些或全部发射器处理功能。

类似地，ue110的ue神经网络管理器218包括下行链路处理模块606，其中，下行链路处理模块606包括用于处理(所接收的)下行链路通信的深度神经网络608(dnn608)。在各种实施方式中，ue神经网络管理器218使用nn形成配置来形成dnn608。在图6中，dnn608对应于图5的dnn514，其中，ue110的深度神经网络606执行用于(所接收的)下行链路通信的一些或全部接收器处理功能。因此，dnn604和dnn608执行彼此互补的处理(例如，编码/解码、调制/解调)。

dnn604和/或dnn608可以包括多个深度神经网络，其中，每个dnn专用于相应的信道、相应的目的等等。作为一个示例，基站121使用dnn604的第一dnn来处理下行链路控制信道信息、使用dnn604的第二dnn来处理下行链路数据信道信息等等。作为另一示例，ue110使用dnn608的第一dnn处理下行链路控制信道信息、使用dnn608的第二dnn处理下行链路数据信道信息等。

基站121和/或ue110还使用dnn来处理上行链路通信。在环境600中，ue神经网络管理器218包括上行链路处理模块610，其中，上行链路处理模块610包括用于生成和/或处理上行链路通信(例如，编码、调制)的深度神经网络612(dnn612)。换句话说，上行链路处理模块610将预传输通信处理为处理上行链路通信的一部分。ue神经网络管理器218例如使用nn形成配置来形成dnn612。有时，dnn612对应于图5的dnn510。因此，dnn612执行用于生成从ue110传输到基站121的上行链路通信的一些或全部发射器处理功能。

类似地，基站121的上行链路处理模块614包括用于处理(所接收的)上行链路通信的深度神经网络616(dnn616)，其中，基站神经网络管理器268使用nn形成配置来形成dnn616，如进一步所述。在示例中，基站121的dnn616对应于图5的dnn514，并且对(所接收的)上行链路通信，诸如从ue110接收的上行链路通信执行一些或全部接收器处理功能。有时，dnn612和dnn616执行彼此的互补功能。替选地或附加地，上行链路处理模块610和/或上行链路处理模块614包括多个dnn，其中，每个dnn具有专用的目的(例如，处理相应的信道、执行相应的上行链路功能等等)。图6将dnn604、608、612和616图示为驻留在相应的神经网络管理器内，以标示该神经网络管理器形成了dnn，并且应当理解到，dnn可以在不同组件、处理链、模块等内在神经网络管理器(例如，ue神经网络管理器218和基站神经网络管理器268)外部形成。

已经描述了无线通信系统中的深度神经网络，现在考虑讨论根据一种或多种实施方式的无线通信系统上的信令和控制事务，其被用来配置用于下行链路和上行链路通信的深度神经网络。

配置深度神经网络的信号传递和控制事务

图7、8和9示出了根据关于深度神经网络的无线通信中的神经网络形成配置反馈的一个或多个方面的，基站、用户设备和/或核心网络服务器之间的示例性信号传递和控制事务图。信号传递和控制事务可以由图1的基站120和ue110，或图3的核心网络服务器302使用图1-6的元素执行。例如，在一些实施方式中，核心网络服务器302执行由基站120执行的各种信号传递和控制动作，如图7和8所示。

用于无线通信中的神经网络形成配置反馈的信号传递和控制事务的第一示例由图7的信号传递和控制事务图700示出。如所示，在705，基站121确定神经网络形成配置。在确定神经网络形成配置时，基站分析信息的任何组合，诸如由深度神经网络处理的信道类型(例如，下行链路、上行链路、数据、控制等)、传输介质属性(例如，功率测量、信号与干扰加噪声比(sinr)测量、信道质量指示符(cqi)测量)、编码方案、ue能力、bs能力等等。

例如，基站121从ue110(未示出)接收指示ue的一个或多个能力的消息，例如，但不限于，连通性信息、双连通性信息、载波聚合能力、下行链路物理参数值、上行链路物理参数值、支持的下行链路/上行链路类别、频率间切换等。基站121从消息中识别影响ue如何处理通信和/或基站如何处理来自ue的通信的ue能力，并且选择相对于其他神经网络形成配置，具有提高的输出精度的神经网络形成配置。

在一些实施方式中，基站121从多个神经网络形成配置中选择神经网络形成配置。替选地或附加地，基站121通过选择神经网络表中的神经网络架构形成元素的子集来选择神经网络形成配置。有时，基站121分析包括在神经网络表中的多个神经网络形成配置和/或多个神经网络形成配置元素，并且通过以下来确定神经网络形成配置：选择和/或创建与当前信道条件一致的神经网络形成配置，诸如通过将信道类型、传输介质特性等例如与输入特性进行匹配，如进一步所述。替选地或附加地，基站121基于网络参数，诸如调度参数(例如，用于下行链路通信的调度多用户多进多出(mu-mimo)、用于上行链路通信的调度mu-mimo)来选择神经网络形成配置。

在710，基站121将神经网络形成配置传送给ue110。在一些实施方式中，基站诸如通过传送包括索引值的消息来传送指定神经网络形成配置的消息，该索引值映射到诸如图2的神经网络表216的神经网络表中的条目。替选地或附加地，基站传送包括神经网络参数配置(例如，权重值、系数值、滤波器数量)的消息。在一些情况下，基站121在消息中指定目的和/或处理指派，其中，处理指派指示所配置的神经网络应用于哪些信道和/或处理链中的哪个位置，诸如下行链路控制信道处理、上行链路数据信道处理、下行链路解码处理、上行链路编码处理等。因此，基站可以与神经网络形成配置一起传送处理指派。

在一些实施方式中，基站121将多个神经网络形成配置传送给ue110。例如，基站发送指示ue将第一神经网络形成配置用于上行链路编码的第一消息，以及指示ue将第二神经网络形成配置用于下行链路解码的第二消息。在一些情况下，基站121在单个消息中传达多个神经网络形成配置以及相应的处理指派。作为又一示例，基站使用不同的无线电接入技术(rat)来传达多个神经网络形成配置。基站可以例如使用第一rat和/或载波，将用于下行链路通信处理的第一神经网络形成配置传送到ue110，并且可以使用第二rat和/或载波，将用于上行链路通信处理的第二神经网络形成配置传送到ue110。

在715，ue110基于神经网络形成配置来形成第一神经网络。例如，ue110使用由基站传送的索引值来访问神经网络表，以获得神经网络形成配置和/或神经网络形成配置元素。替选地或附加地，ue110从消息中提取神经网络架构和/或参数配置。然后，ue110使用神经网络形成配置、所提取的架构和/或参数配置等来形成神经网络。在一些实施方式中，ue使用第一神经网络处理所有通信，而在其他实施方式中，ue基于处理指派，使用第一神经网络处理选择通信。

在720，基站121基于神经网络形成配置来传送信息。例如，参考图6，基站121使用被配置为具有与第一神经网络互补的功能的第二神经网络来处理下行链路通信。换句话说，第二神经网络使用与神经网络形成配置互补的第二神经网络形成配置。继而，在725，ue110使用第一神经网络来恢复信息。

图8的信号传递和控制事务图800示出了关于深度神经网络的无线通信中的神经网络形成配置反馈的信号传递和控制事务的第二示例。在一些实施方式中，信号传递和控制事务图800表示图7的信号传递和控制事务图700的延续。

如所示，在805处，基站121基于第一神经网络形成配置与ue110通信。类似地，在810，ue110基于第一神经网络形成配置与基站121通信。例如，基站121通过使用图6的dnn604处理一个或多个下行链路通信来与ue110通信，而ue110通过使用图6的dnn608处理从基站121接收到的下行链路通信来与基站121通信。

在实施方式中，如所述，基于第一神经网络形成配置来形成dnn604和dnn608。作为示例为了例示，dnn604和dnn608彼此执行互补功能，其中，第一神经网络形成配置指定每个深度神经网络的互补功能(例如，基站使用第一神经网络形成配置来形成第一神经网络，ue通过使用与第一神经网络形成配置互补的神经网络形成配置来形成与第一神经网络互补的第二神经网络)。深度神经网络执行的互补功能允许双方交换通信以保持同步(例如，准确地恢复信息)。因此，第一神经网络形成配置指定基站侧神经网络形成配置、互补用户设备侧神经网络形成配置和/或参与通信交换的每个设备使用的通用神经网络形成配置的任意组合。

作为另一示例，ue110使用图6的dnn612，处理到基站121的一个或多个上行链路通信，而基站121使用图6的深度神经网络614，处理从ue110接收的上行链路通信。类似于下行链路通信，一些实施方式基于第一神经网络形成配置来形成dnn612和深度神经网络614(例如，ue使用第一神经网络形成配置来形成第一神经网络，基站通过与第一神经网络形成配置互补的神经网络形成配置来形成第二神经网络)。因此，基站121和ue110基于第一神经网络形成配置，通过基于第一神经网络形成配置形成深度神经网络，并且利用该深度神经网络处理通信来彼此通信。

在815，基站生成基站度量，诸如基于从ue110接收的上行链路通信的度量。类似地，在820，ue110生成ue度量，诸如基于从基站121接收的下行链路通信的度量。可以由基站121和/或ue110生成任何类型的度量，诸如功率测量(例如，rss)、误差度量、定时度量、qos、时延等。

在825，ue110将度量传送到基站121。在实施方式中，ue110使用基于第一神经网络形成配置的深度神经网络来处理度量通信。替选地或附加地，ue110使用利用第二神经网络形成配置形成的神经网络来处理度量通信。因此，如进一步所述，在一些实施方式中，ue110维护多个深度神经网络，其中，每个深度神经网络具有指定的目的和/或处理指派(例如，用于下行链路控制信道处理的第一神经网络、用于下行链路数据信道处理的第二神经网络、用于上行链路控制信道处理的第三神经网络、用于上行链路数据信道处理的第四神经网络)。有时，基站121将用于形成多个深度神经网络的多个神经网络形成配置传达给ue110。

在830，基站121基于在830的度量来识别第二神经网络形成配置。在一些实施方式中，基站121基于ue度量、基站度量或其任何组合来识别第二神经网络形成配置。这包括识别如进一步所述的、神经网络形成配置的架构变更和/或参数变更的任何组合，诸如神经网络形成配置的小变更，其中涉及更新系数参数以解决返回度量的变化(例如，sinr变更、多普勒反馈变更、功率电平变更、bler变更)。替选地或附加地，识别第二神经网络形成配置包括基于诸如功率状态的改变(例如，从无线电资源连接状态到空闲的转变)的度量的大的改变，诸如重新配置节点和/或层连接。

在一些实施方式中，基站121将部分和/或增量神经网络形成配置识别为第二神经网络形成配置，其中，部分和/或增量神经网络形成配置指示完整的神经网络形成配置的改变。完整的神经网络形成配置例如包括神经网络的架构配置和参数配置，而部分和/或增量神经网络形成配置则基于使用在完整的神经网络形成配置中指示的相同的架构配置来指定参数配置的变更和/或更新。

在一些实施方式中，基站通过识别神经网络表中的神经网络形成配置来识别第二神经网络形成配置，该神经网络形成配置提高了ue的能力和/或基站的能力，以从通信中恢复数据(例如，提高所恢复信息的准确性)。为了例示，基站121通过图2的基站神经网络管理器268来识别补偿由ue度量和/或基站度量识别的问题的神经网络形成配置。作为另一示例，基站121识别具有一个或多个输入特性的神经网络形成配置，该输入特性与由ue度量和/或基站度量识别的变化的操作条件一致。替选地或附加地，诸如对ue移动到低功率状态的情况，基站121识别通过更少处理产生类似结果的神经网络形成配置。

在840，基站121引导ue110使用第二神经网络形成配置来更新第一神经网络。基站例如生成包括图2的神经网络表216中的第二神经网络形成配置的索引值的更新消息。在一些实施方式中，基站121在消息中指示时间实例，该时间实例指示ue110何时应用第二神经网络形成配置。换句话说，时间实例指示ue110在该时间实例中指定的时间，从使用第一神经网络形成配置处理通信切换到使用第二神经网络形成配置处理通信。在实施方式中，基站使用第一载波或rat，传送对下行链路神经网络的更新，并且使用第二载波或rat，传送对上行链路神经网络的更新。

在845处，基站121基于第二神经网络形成配置来更新基站神经网络，诸如基于第一神经网络形成配置形成并用来在805处与ue110通信的深度神经网络(例如，用于处理下行链路通信的深度神经网络、用于处理上行链路通信的深度神经网络)。类似地，在850处，ue110基于第二神经网络形成配置来更新用户设备神经网络，诸如执行与在845处更新的基站神经网络互补的功能的深度神经网络。作为一个示例，ue从在840处，由基站传送的更新消息中提取索引值和/或时间值。ue110获得第二神经网络形成配置，并且在更新消息中指定的时间修改用户设备神经网络。因此，ue110使用第一神经网络形成配置来处理通信，直到更新消息中的指定时间为止，此时ue110切换到使用第二神经网络形成配置来处理通信。

在实施方式中，基站121和/或ue110迭代地执行在图8中，用虚线标示的、信号传递和控制事务图800中描述的信号传递和控制事务。这些迭代允许基站121和/或ue110基于改变的操作条件来动态地修改通信处理链，如进一步所述。

图9-1和图9-2的信号传递和控制事务图900示出了用于无线通信中的神经网络形成配置反馈的信号传递和控制事务的第三示例。如图9-1所示，在905，核心网络服务器302基于各种度量和/或参数，诸如来自ue110的度量、来自基站121的度量、ue能力等，确定神经网络形成配置。例如，核心网络服务器从基站121和/或ue110接收度量和/或参数的任何组合，诸如功率信息、sinr信息、cqi、csi、多普勒反馈、qos、时延、ue能力、基站类型(例如，enb、gnb或ng-enb)、协议版本、误差度量、ue能力、bs能力、功率模式等等。然后，核心网络服务器302基于度量、参数等，确定神经网络形成配置。

在一些实施方式中，核心网络服务器302确定多个不同的神经网络形成配置，每一个特定于相应的基站和/或相应的ue。替选地或附加地，核心网络服务器302确定由多个基站和/或ue使用的神经网络形成配置。有时，核心网络服务器302确定由基站和/或ue使用的默认的神经网络形成配置，以初始地彼此连接。如进一步所述，默认神经网络形成配置对应于配置深度神经网络以在阈值范围或值内的精度来处理各种输入数据和/或信道条件的一般神经网络形成配置。但是，专用的神经网络形成配置对应于针对特定类型的输入数据和/或特定信道条件而调整的深度神经网络。在确定神经网络形成配置时，核心网络服务器的一些实施方式确定互补的神经网络形成配置(例如，与用户设备侧神经网络形成配置互补的基站侧神经网络形成配置)。

在910，核心网络服务器302将神经网络形成配置传送到基站121。例如，核心网络服务器302通过图3的核心网络接口318，将索引值传送到基站121，其中，索引值映射到图2的神经网络表272中的条目。替选地或附加地，核心网络服务器302传送各种参数配置，诸如系数、权重、层连接值等。

在915，基站121将神经网络形成配置转发给ue110。例如，基站将索引值无线地传送到ue、将参数配置无线地传送到ue等等。在传送神经网络形成配置时，核心网络服务器302和/或基站121有时指示对神经网络形成配置的处理指派(例如，下行链路数据信道处理、上行链路控制信道处理、解码处理、上行链路编码处理、上行链路调制处理、下行链路解调处理)。

在一些实施方式中，基站121在转发神经网络形成配置到ue110之前，添加对神经网络形成配置的修改。例如，基站121可以诸如通过从ue110接收到的ue能力，访问比核心网络服务器更更新的信息。有时，基站121诸如通过以下来基于更新的信息(例如，ue110特有的ue能力)来调整神经网络形成配置：基于ue处的可用处理能力、电池余量、可用无线电等，去除层和/或节点来减少ue110处的深度神经网络的相应复杂度。作为另一示例，基站121基于更新的信息，将卷积层添加到神经网络形成配置。之后，基站121将所修改的神经网络形成配置转发给ue110，以代替从核心网络服务器302接收的神经网络形成配置。

在920处，基站121使用神经网络形成配置来形成第一深度神经网络，诸如通过识别基站侧神经网络形成配置并且通过基站侧神经网络形成配置形成第一深度神经网络。为了例示，基站121通过使用索引值访问图2的神经网络表272来获得神经网络形成配置。类似地，在925处，ue110使用神经网络形成配置来形成第二深度神经网络，诸如通过识别互补的和/或用户设备侧神经网络形成配置并利用互补的和/或用户设备侧神经网络形成配置来形成第二神经网络。在一些实施方式中，ue110通过使用索引值访问图2的神经网络表216来获得互补的和/或用户设备侧神经网络形成配置。相应地，第一深度神经网络和第二深度神经网络是基于在905和910处，由核心网络服务器确定并传送的神经网络形成配置的同步神经网络。

在图9-2中，在930，基站121使用第一深度神经网络与ue110通信，诸如通过生成和/或处理到ue110的下行链路通信、通过接收和/或处理来自ue110的上行链路通信等。类似地，在935，ue110在935处使用第二深度神经网络与基站121进行通信。换句话说，如进一步所述，ue110使用基于神经网络形成配置的互补深度神经网络(例如，第二深度神经网络)，与基站121进行通信。

在940，基站生成基站度量，其中，基站121基于在930和/或935处的通信生成度量。因此，基站度量可以基于从ue110接收的上行链路通信。例如，基站121生成上行链路接收功率、上行链路sinr、上行链路分组错误、上行链路吞吐量、定时测量等等。在一些实施方式中，基站在基站度量中包括基站能力(bs能力)，诸如处理能力(例如，宏基站、小小区基站)、功率状态等。

类似地，在945处，ue110基于来自基站121的下行链路通信来生成ue度量(例如，功率信息、sinr信息、cqi、csi、多普勒反馈、qos、时延)，并在950处，将ue度量传达给基站121。

在955处，基站121诸如通过核心网络接口318，将度量转发到核心网络服务器302。这包括在940和/或945处生成的基站度量和ue度量的任意组合。之后，核心网络服务器302在960确定对神经网络形成配置的更新。这可以包括架构结构改变(例如，重新配置节点连接、重新配置活动层/非活动层)、改变所应用的处理参数(例如系数、内核)等等的任何组合。因此，核心网络服务器302有时识别诸如在图8的830处，参考基站121所描述的那些小改变和/或大改变。通过经由基站121接收由ue110生成的度量，核心网络服务器302接收关于基站与ue之间的通信信道的反馈和/或神经网络处理在通信信道上传输的通信的情况的指示。核心网络服务器302分析反馈以识别对神经网络形成配置的调整，这些调整在应用于神经网络时，可以提高深度神经网络处理通信的方式的准确性(例如，更准确的数据恢复、更少的错误数据)和/或神经网络处理通信的效率(例如，选择减少深度神经网络处理时间的配置)。

在实施方式中，核心网络服务器302、基站121和/或ue110迭代地执行在图9-1和9-2中用从960返回到910的虚线标示的信号传递和控制事务图900中所述的信号传递和控制事务。这些迭代允许核心网络服务器302、基站121和/或ue110基于改变的操作条件来动态地修改通信处理链，如进一步所述。

在一些实施方式中，核心网络服务器302从无线通信系统中的多个ue和/或基站接收反馈。这为核心网络服务器提供了无线通信系统执行的情况、什么设备在无线通信系统进行通信、设备通信的情况等等的更大见解。在各种实施方式中，核心网络服务器302基于优化多个设备的通信和/或整体系统性能而不是优化特定设备的通信来确定对神经网络形成配置的更新。

已经描述了可用于配置用于处理通信的神经网络的信号传递和控制事务，现在考虑根据一个或多个实施方式的一些示例性方法。

示例性方法

根据无线通信中的神经网络形成配置反馈的一个或多个方面，参考图10和11描述示例性方法1000和1100。描述方法框的顺序不旨在被解释为限制，并且可以跳过或以任何顺序组合任何数量的所述方法框以实现方法或替选方法。通常，可以使用软件、固件、硬件(例如，固定逻辑电路)、手动处理或其任意组合来实现本文描述的组件、模块、方法和操作的任何一个。可以在存储在计算机处理系统本地和/或远程的计算机可读存储器上的可执行指令的一般场境中描述示例性方法的一些操作，并且实施方式可以包括软件应用、程序、函数等。替选地或附加地，本文描述的任何功能可以至少部分地由一个或多个硬件逻辑组件执行，诸如但不限于现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)等。

图10示出了用于配置神经网络以处理在无线通信系统上交换的通信的示例性方法1000。在一些实施方式中，方法1000的操作由诸如基站120或核心网络服务器302中的任何一个的网络实体执行。

在1005，网络实体确定用于深度神经网络的神经网络形成配置，以处理在无线通信系统上传输的通信。例如，网络实体(例如，基站121、核心网络服务器302)至少部分地基于来自用户设备(例如ue110)的度量、反馈和/或其他类型的信息来确定神经网络形成配置。为了例示，基站121从ue110接收指示ue110的一个或多个能力的消息。然后，基站121至少部分地基于从ue110接收的能力来确定神经网络形成配置。替选地或附加地，基站121将ue能力转发给核心网络服务器302，并且核心网络服务器302基于ue110的能力来确定神经网络形成配置。作为另一示例，基站121基于无线通信系统中的调度mu-mimo下行链路和/或上行链路传输，确定神经网络形成配置。在确定神经网络形成配置时，网络为用户设备侧深度神经网络、基站侧深度神经网络和/或与用户设备侧深度神经网络和基站侧深度神经网络二者均相对应的深度神经网络，选择神经网络形成配置元素的任意组合。

在确定神经网络形成配置时，网络实体(例如，基站121、核心网络服务器302)有时会选择默认的神经网络形成配置。替选地或附加地，网络实体分析多个神经网络形成配置，并从多个神经网络形成配置中选择与当前信道条件、特定ue的能力等保持一致的神经网络形成配置。

在1010，网络实体生成包括用于深度神经网络的神经网络形成配置的指示的消息。网络实体(例如，基站121、核心网络服务器302)例如生成包括映射到神经网络表(例如，神经网络表216、神经网络表272、神经网络表316)的一个或多个条目的索引值的消息。在一些实施方式中，网络实体包括用于深度神经网络的处理指派的指示，其中，该处理指派指定用于由神经网络形成配置形成的深度神经网络的处理链功能。替选地或附加地，网络实体在消息中指定时间实例，该时间实例指示开始利用深度神经网络处理通信的时间和/或位置。

在1015，网络实体将消息传送到用户设备，以引导用户设备使用神经网络形成配置来形成深度神经网络，并且使用深度神经网络来处理通过无线通信系统传送的通信。网络实体(例如，核心网络服务器302)例如通过将消息传送到将该消息传送到用户设备的基站121来将该消息传送到用户设备(例如，ue110)。替选地或附加地，网络实体(例如，基站121)将消息传送到用户设备(例如，ue110)。在实施方式中，深度神经网络对应于用户设备侧深度神经网络。

在一些实施方式中，网络实体(例如，基站121)基于深度神经网络的处理指派，使用特定的rat和/或载波来传送消息。例如，基站121使用第一rat和/或载波来传送具有第一处理指派(例如，下行链路数据信道处理)的第一神经网络形成配置，以及使用第二rat和/或载波来传送具有第二处理指派(例如，下行链路控制信道处理)的第二神经网络形成配置。

在一些实施方式中，在1020，网络实体分析从用户设备接收的反馈。作为一个示例，网络实体(例如，基站121)从用户设备(例如，ue110)接收度量，并且分析该度量以确定是否以不同的神经网络形成配置来更新和/或重新配置神经网络。替选地或附加地，基站将反馈转发给网络实体(例如，核心网络服务器302)，并且网络实体分析该反馈以确定是否以不同的神经网络形成配置来更新和/或重新配置神经网络。

在1025，网络实体基于该反馈来更新深度神经网络。例如，网络实体(例如，基站121、核心网络服务器302)分析包括在神经网络表(例如，神经网络表216、神经网络表272、神经网络表316)中的多个神经网络形成配置，以及选择与反馈指示的新信道条件一致的第二神经网络形成配置。网络实体生成包括第二神经网络形成配置的指示的第二消息，并将第二消息传送给用户设备。这包括如在1010和/或1015处所描述的配置和传送第二消息。在实施方式中，网络实体迭代地执行方法1000的各种操作，在此用从1025返回到1010的虚线表示。

图11示出了用于基于神经网络形成配置来形成神经网络的示例性方法1100。在一些方面中，方法1100的操作由诸如ue110的ue实现。

在1105，用户设备接收指示用于深度神经网络的神经网络形成配置以处理在无线通信系统上传输的通信的消息。用户设备(例如，ue110)例如从基站(例如，基站121)接收消息，该消息指示神经网络形成配置和/或用于使用神经网络形成配置形成的深度神经网络的处理指派。在一些实施方式中，用户设备接收多个消息，每个消息属于不同的神经网络形成配置(例如，指示用于处理下行链路通信的第一深度神经网络的第一神经网络形成配置的第一消息、指示用于处理上行链路通信的第二深度神经网络的第二神经网络形成配置的第二消息)。在实施方式中，用户设备接收该消息作为来自基站的广播消息，或者作为ue专用消息。

在1110，用户设备使用消息中指示的神经网络形成配置来形成深度神经网络。为了例示，用户设备(例如，ue110)从消息中提取参数配置，诸如系数、权重、层连接等，并且使用所提取的参数配置来形成深度神经网络。作为另一示例，用户设备(例如，ue110)从消息中提取索引值，并且从神经网络表获得参数配置，如进一步所述。替选地或附加地，用户设备从消息中提取时间实例，其中，该时间实例指示使用由神经网络形成配置形成的深度神经网络来开始处理通信的时间和/或位置。

在1115，用户设备从基站接收通信。例如，用户设备(例如，ue110)从基站(例如，基站121)接收下行链路数据信道通信、从基站接收下行链路控制信道通信等。在1120，用户设备使用深度神经网络处理通信以提取在通信中传输的信息。作为一个示例，用户设备(例如，ue110)基于消息中包括的处理指派，使用深度神经网络来处理通信，诸如通过使用深度神经网络解调和/或解码来自基站(例如，基站121)的下行链路通信、编码和/或调制到基站的上行链路通信等等。

在一些实施方式中，在1125处，用户设备基于通信可选地传送反馈。例如，用户设备(例如，ue110)基于通信生成度量(例如，误差度量、sinr信息、cqi、csi、多普勒反馈)，并将度量作为反馈传送到基站(例如，基站121)。

已经描述了可用于使用深度神经网络来实现基站-用户设备消息传递的各方面的一些示例性方法，现在考虑讨论根据一个或多个实施方式的生成和传送神经网络形成配置。

生成和传送神经网络形成配置

在监督学习中，机器学习模块处理标记的训练数据以生成输出。机器学习模块接收有关所生成的输出的准确性的反馈，并且修改处理参数以提高输出的准确性。图12示出了描述生成多个nn形成配置的方面的示例1200。有时，示例1200的各个方面通过图2和图3的训练模块270、基站神经网络管理器268、核心网络神经网络管理器312和/或训练模块314的任何组合来实现。

图12的上半部分包括图4的机器学习模块400。在实施方式中，神经网络管理器确定以生成不同的nn形成配置。为了例示，考虑基站神经网络管理器268通过从神经网络表中选择nn形成配置元素的组合来确定生成nn形成配置的情况，其中，nn形成配置对应于ue解码和/或解调下行链路通信。换句话说，nn形成配置(通过nn形成配置元素的组合)形成dnn，其处理由ue接收的下行链路通信。然而，传输信道条件经常变化，这进而影响下行链路通信的特性。例如，第一传输信道通过引入频率偏移来使下行链路通信失真，第二传输信道通过引入多普勒效应来使下行链路通信失真，第三传输信道通过引入多径信道效应来使下行链路通信失真等等。为了准确地处理下行链路通信(例如，减少误码)，各种实施方式选择多个nn形成配置，其中，每个nn形成配置(以及nn形成配置元素的相关联的组合)对应于相应的输入条件，诸如第一传输信道、第二传输信道等。

训练数据1202表示到机器学习模块400的示例输入。在图12中，训练数据表示与下行链路通信相对应的数据。训练数据1202例如可以包括下行链路通信信号的数字样本、恢复的符号、恢复的帧数据等。在一些实施方式中，训练模块以数学方式生成训练数据或访问存储训练数据的文件。其他时候，训练模块获取真实的通信数据。因此，训练模块可以使用数学上生成的数据、静态数据和/或真实世界数据来训练机器学习模块。一些实施方式生成描述训练数据的各种质量——诸如传输信道度量、ue能力、ue速度等等的输入特性1204。

机器学习模块400分析训练数据，并生成输出1206，其在此表示为二进制数据。一些实施方式使用相同的训练数据集和/或具有相同输入特性的附加训练数据来迭代地训练机器学习模块400，以提高机器学习模块的准确性。在训练期间，机器学习模块修改包括在机器学习模块中的神经网络的部分或全部架构和/或参数配置，诸如节点连接、系数、内核大小等。在训练的某些时刻，训练模块确定以提取神经网络的架构和/或参数配置1208(例如，池化参数、内核参数、层参数、权重)，诸如当训练模块确定精度满足或超过期望阈值、训练过程满足或超过迭代次数等等时。然后，训练模块从机器学习模块中提取架构和/或参数配置，以用作nn形成配置和/或nn形成配置元素。架构和/或参数配置可以包括固定架构和/或参数配置和/或可变架构和/或参数配置的任意组合。

图12的下半部分包括表示nn形成配置元素的集合的神经网络表1212，诸如图2和图3的神经网络表216、神经网络表272和/或神经网络表316。神经网络表1212存储架构配置、参数配置和输入特性的各种组合，但是替选的实施方式从该表中排除输入特性。随机器学习模块学习附加信息，各种实施方式更新和/或维护nn形成配置元素和/或输入特性。例如，在索引1214处，神经网络管理器和/或训练模块更新神经网络表1212以包括当分析训练数据1202时，由机器学习模块400生成的架构和/或参数配置1208。

神经网络管理器和/或训练模块替选地或附加地将输入特性1204添加到神经网络表，并将输入特性链接到架构和/或参数配置1208。这允许与架构和/或参数配置同时获得输入特性，诸如通过使用引入到神经网络表的索引值(例如，引用nn形成配置、引用nn形成配置元素)。在一些实施方式中，神经网络管理器通过将输入特性与当前操作环境匹配，诸如通过将输入特性与当前信道条件、ue能力、ue特性(例如，速度、位置等)等等匹配来选择nn形成配置。

已经描述了生成和传送神经网络形成配置，现在考虑讨论根据一个或多个实施方式的，可用于传送神经网络形成配置的无线通信系统上的信号传递和控制事务。

传送神经网络形成配置的信号传递和控制事务

图13-15示出了根据传送神经网络形成配置，诸如传送nn形成配置的一个或多个方面的，基站、用户设备和/或核心网络服务器之间的示例性信号传递和控制事务图。在实施方式中，信号传递和控制事务可以由图1的基站120和ue110、或图3的核心网络服务器302中的任何一个使用图1-12的元素执行。

图13的信号传递和控制事务图1300示出了用于传送神经网络形成配置的信号传递和控制事务的第一示例。在实施方式中，参考信号传递和控制事务图描述的部分或全部信号传递和控制事务对应于参考图7和/或图8描述的信号传递和控制事务。

如所示，在1305，基站121维护神经网络表。例如，基站121的基站神经网络管理器和/或训练模块(例如，基站神经网络管理器268、训练模块270)使用数学上生成的训练数据、从真实通信中提取的数据、文件等的任意组合，生成和/或维护神经网络表(例如，神经网络表272)。在各种实施方式中，基站121维护多个神经网络表，其中，每个神经网络表都包括用于指定目的的多个神经网络形成配置和/或神经网络形成配置元素，诸如指定用于数据信道通信的第一神经网络表、指定用于控制信道通信的第二神经网络表等等。

在1310，基站121将神经网络表传送到ue110。作为一个示例，基站使用层3消息传递(例如，无线电资源控制(rrc)消息)传送神经网络表。在传送神经网络表中，基站传送可用于形成深度神经网络的架构和/或参数配置的任何组合，在本公开中提供了其示例。替选地或附加地，基站与神经网络表一起传送为神经网络表指定处理指派的指示。因此，基站向ue传送多个神经网络表，与为每个神经网络表指定的相应的处理指派一起。在一些实施方式中，基站121将神经网络表广播到一组ue。其他时候，基站121将ue专用的神经网络表传送给ue110。

在1315，基站121识别用在处理通信中的神经网络形成配置。例如，基站通过以下来确定用在处理通信中的神经网络形成配置：通过选择诸如在图7的705处所描述的神经网络形成架构元素的组合、通过分析信息的任意组合，诸如由深度神经网络处理的信道类型(例如，下行链路、上行链路、数据、控制等)、传输介质属性(例如，功率测量、信号与干扰加噪声比(sinr)测量、信道质量指示符(cqi)测量)、编码方案、ue能力、bs能力等等。因此，在一些实施方式中，基站121基于诸如在图8的815、820和830处描述的接收各种度量和/或参数来识别神经网络形成配置。在一些实施方式中，基站121识别默认的神经网络形成配置以用作神经网络形成配置。因此，识别神经网络形成配置可以包括识别默认的神经网络形成配置和/或对神经网络形成配置的更新。

在识别神经网络形成配置中，基站121确定在神经网络表中，对应于所确定的神经网络形成配置的神经网络形成配置。换句话说，基站121诸如通过关联和/或匹配输入特性，识别图2的神经网络表272和/或神经网络表216中，与所确定的神经网络形成配置一致的神经网络形成配置和/或神经网络形成配置元素。在识别神经网络表中的神经网络形成配置和/或神经网络形成配置元素时，基站识别神经网络形成配置和/或神经网络形成配置元素的索引值。

在1320，基站121传送引导ue110使用来自神经网络表的神经网络形成配置来形成深度神经网络的指示。例如，类似于图7的710和/或图8的840处所述，基站121将索引值传送给ue110，并且引导ue110使用索引值指示的神经网络形成配置来形成深度神经网络。基站可以以任何合适的方式将指示传送给ue。作为一个示例，基站使用层2消息(例如，无线电链路控制(rlc)消息、介质访问控制(mac)控制元素)来传送与神经网络形成配置相对应的索引值。在一些实施方式中，基站将当前操作环境(例如，信道条件、ue能力、bs能力、度量中的一个或多个)与存储在神经网络表内的输入特性进行比较，并且识别与当前操作环境一致的所存储的输入特性。进而，基站获得所存储的输入特性的索引值，该索引值又提供了神经网络形成配置和/或神经网络形成配置元素的索引值。然后，基站121将索引值传送为指示。有时，基站121包括处理指派以指示要应用深度神经网络的处理链中的位置。在一些实施方式中，基站使用下行链路控制信道，传送索引值和/或处理指派。

有时，基站向ue传送指定与应用神经网络形成配置有关的操作参数的规则。在一个示例中，规则包括时间实例，该时间实例指示何时利用使用神经网络形成配置形成的深度神经网络处理通信。替选地或附加地，规则指定时间阈值，该时间阈值指示ue当数据信道和控制信道在时间阈值内时，使用默认的神经网络形成配置而不是指定的神经网络形成配置。附加地或替选地，当数据信道和控制信道在时间阈值内时，规则可以指示用户设备将相同的神经网络形成配置用于数据信道通信和控制信道通信。为了例示，考虑ue使用(使用第一神经网络形成配置形成的)第一深度神经网络处理数据信道通信，并且使用(使用第二神经网络形成配置形成的)第二深度神经网络处理控制信道通信的示例。如果数据信道通信和控制信道通信落在时间实例指定的时间阈值之内，则ue使用(由默认的神经网络形成配置形成的)默认的深度神经网络和/或相同的深度神经网络处理两个信道，因为可能没有足够的时间在第一深度神经网络和第二深度神经网络之间切换。

有时，基站使用下行链路控制信道传送默认的神经网络形成配置向ue指定默认神经网络形成配置，其中，默认神经网络形成配置形成处理各种输入数据的深度神经网络。在一些实施方式中，默认神经网络形成配置形成以阈值范围内的精度处理各种输入数据的深度神经网络。默认神经网络形成配置可以包括通用神经网络形成配置。

为了例示，一些实施方式针对特定的操作条件生成或选择神经网络形成配置，诸如特定于具有当前操作环境“x”的ue下行链路控制信道处理(例如，解调和/或解码)的第一神经网络形成配置、特定于具有当前操作环境“y”的ue下行链路控制信道处理的第二神经网络形成配置等等。例如，第一神经网络形成配置可以与所检测的干扰水平高的当前操作环境相关联，第二神经网络形成配置可以与所检测的干扰水平低的当前操作环境相关联，第三神经网络形成配置可以与所连接的ue看起来静止的当前操作环境相关联，第四神经网络形成配置可以与所连接的ue看起来在以特定速度运动的当前操作环境相关联等等。

当处理对应于特定操作条件的输入数据时，使用用于特定操作条件的神经网络形成配置来形成深度神经网络(相对于通过其他神经网络形成配置来形成深度神经网络)提高了由深度神经网络生成的输出的精度。但是，这会引入折衷，因为在处理与其他操作条件相关联的输入时，由用于特定操作条件的神经网络形成配置形成的深度神经网络生成精度较低的输出。相反，默认神经网络形成配置对应于处理多种输入——诸如跨越更多工作条件的多种输入——的神经网络形成配置。换句话说，相对于针对特定操作条件的神经网络形成配置，配置有默认神经网络形成配置的深度神经网络处理更多样的通信。

在1325，ue110使用神经网络形成配置来形成深度神经网络。作为一个示例，ue提取由基站121传送的索引值，并且通过使用索引值访问神经网络表来获得神经网络形成配置和/或神经网络形成配置元素。替选地或附加地，ue110提取处理指派，并且如由处理指派所指定来在处理链中形成深度神经网络。

在1330，基站121将诸如下行链路数据信道通信的通信传送给ue110。在1335，ue110使用深度神经网络来处理通信。例如，ue110使用深度神经网络来处理下行链路数据信道通信以恢复数据。作为另一示例，处理通信包括处理对通信的回复，其中，ue110使用深度神经网络处理上行链路通信作为对下行链路通信的回复。

图14的信号传递和控制事务图1400示出了用于传送神经网络形成配置的信号传递和控制事务的第二示例。如所示，在1405，核心网络服务器302维护神经网络表。核心网络服务器302的核心网络神经网络管理器312和/或训练模块314例如使用数学上生成的训练数据、从真实世界通信中提取的数据、文件等的任意组合，生成和/或维护神经网络表316。在各种实施方式中，核心神经网络服务器302维护多个神经网络表，其中，每个神经网络表包括用于指定处理指派的多个神经网络形成配置元素(例如，指定用于数据信道通信的第一神经网络表、指定用于控制信道通信的第二神经网络表)。

在1410，核心网络服务器302诸如通过使用图3的核心网络接口318，将神经网络表传送到基站121。在一些实施方式中，核心网络服务器将多个神经网络表传送给基站。在1415，基站121将神经网络表传送到ue110，诸如通过使用层3消息传递来传送神经网络表、通过使用下行链路控制信道来传送神经网络表、通过广播神经网络表、通过使用ue专用消息传送神经网络表等等。

在1420，核心网络服务器302选择神经网络形成配置。作为一个示例，核心网络服务器302将当前操作环境与存储在神经网络表内的输入特性进行比较，并且识别与当前操作环境(例如，信道条件、ue能力、bs能力、度量中的一个或多个)一致的存储的输入特性。然后，核心网络服务器获得一致的输入特性的索引值，该索引值进而提供神经网络形成配置和/或神经网络形成配置元素的索引值。然后，诸如通过使用核心网络接口318传送索引值，核心网络服务器302在1425处将所选择的神经网络形成配置传送给基站。在一些实施方式中，核心网络服务器将处理指派与神经网络形成配置一起传送。

在1430处，基站121将神经网络形成配置转发给ue110。作为示例，基站121诸如通过层2消息传递(例如，rlc消息、mac控制元素)，将索引值传送给ue110，以指示ue使用神经网络形成配置来形成深度神经网络，诸如图13的1320所述。在实施方式中，基站121另外基于神经网络形成配置(在此未示出)形成互补的深度神经网络，诸如在图6中、图7的720处、图8的845处和/或图9-1的920处所述。有时，基站将从核心网络服务器接收的处理指派与索引值一起传送。响应于接收到神经网络形成配置，ue110在1435处形成深度神经网络，并在1440处使用深度神经网络来处理从基站121接收的通信，诸如在图7的725处、图8的810处、图9的935处和/或图13的1335处所述。

在一些实施方式中，当在无线通信系统中存在相似性时，ue从第二神经网络形成配置导出第一神经网络形成配置。为了例示，考虑准对应信道的例子。准对应信道是无线通信系统中具有共享或相同属性(诸如相同的延迟扩展、相同的多普勒扩展、相同的空间特征、相同的空间波束、相同的空间方向、相同的数据速率等等)的信道。替选地或附加地，准对应信道在阈值范围或值内具有相关的物理属性。在各种实施方式中，响应于识别出这些相似性，ue从第二神经网络形成配置导出第一神经网络形成配置。

为了例示，现在考虑图15通过信号传递和控制事务图1500示出的用于传送神经网络形成配置的信号传递和控制事务的第三示例。在第三示例中，ue基于所识别的相似性来导出神经网络形成配置。尽管信号传递和控制事务图1500示出了图1的基站121和ue110，替选实施方式包括核心网络服务器，诸如图3的核心网络服务器302，执行由基站121执行的一些或全部功能。

在1505，基站121识别为准对应信道的两个或更多个信道。基站121或核心网络服务器302(使用图2的基站神经网络管理器268或图3的核心网络神经网络管理器312)例如比较两个或更多个信道的各种波束特性，诸如方向、强度、发散、简档、质量等。当在预定义阈值内任意数量的属性彼此匹配和/或相互关联时，基站121确定两个或更多个信道是准对应的。

在1510，基站121诸如通过使用层2消息传递、层3消息传递和/或层1信号传递来传送准对应信道的指示，向ue110传送准对应信道的指示。该指示将任意数量的信道表示为彼此准对应，其中，所述信道可以是物理信道和/或逻辑信道。作为一个示例，该指示表示当信道具有相似的数据速率时，下行链路控制信道与下行链路数据信道准对应。作为另一示例，该指示表示处于不同载波频率的两个物理信道基于物理信道具有相似空间波束而是准对应的。

在1515，基站121传送用于准对应信道之一的神经网络形成配置的指示。例如，基站传送指定用于处理诸如下行链路控制信道的第一信道的所形成的深度神经网络的索引值和处理指派。

在1520，ue110使用用于第一信道(例如，下行链路控制信道)的神经网络形成配置来形成第一深度神经网络。在1525，ue110将第一信道识别为准对应信道之一。ue例如将第一信道与由基站121识别并从基站121接收的准对应信道进行比较。响应于将第一信道识别为准对应信道之一，ue确定将神经网络形成配置应用于与第一信道准对应的其他信道。因此，在1530，ue110使用神经网络形成配置来为其他准对应信道形成深度神经网络。通过将信道识别为准对应信道，只需为准对应信道之一更改神经网络形成配置，这将导致对所有准对应信道更改神经网络形成配置，无需对每个其他准对应信道单独地更改神经网络形成配置。

已经描述了可用于传送神经网络形成配置的信号传递和控制事务，现在考虑根据一个或多个实施方式的，可以用来通过使用一组候选神经网络形成配置来传送神经网络形成配置的示例性环境。

传送一组候选神经网络形成配置

在一些实施方式中，网络实体将一组候选nn形成配置元素传送给ue，并且ue从该组候选nn形成配置元素中选择一个nn形成配置。为了例示，考虑图16-1和16-2，其示出了用于使用一组候选神经网络形成配置元素来传送神经网络形成配置的示例性环境1600。图16-1和16-2示出了不同时间点的示例性环境1600，分别被标记为环境1600-1、环境1600-2、环境1600-3和环境1600-4。因此，环境1600-1、环境16002、环境1600-3和环境1600-4在一系列事件中共同表示环境1600。

在环境1600-1中，基站121的基站神经网络管理器268从图12的神经网络表1212中选择至少一组候选nn形成配置元素。例如，基站神经网络管理器268接收各种度量、参数和/或其他类型的反馈，诸如在图8的815和825处所述。然后，基站神经网络管理器268分析神经网络表1212以识别与反馈一致的nn形成配置元素、校正由反馈识别的问题等等。

在实施方式中，基站神经网络管理器识别多组nn形成配置元素，诸如通过识别具有落入阈值范围内的输入特性的nn形成配置。在环境1600-1中，基站神经网络管理器268识别并选择三组nn形成配置元素：nn形成配置元素集1602、nn形成配置元素集1604和nn形成配置元素集1606。在一些实施方式中，每个nn形成配置元素集对应于相应的nn形成配置。

在环境1600-1中，nn形成配置元素集1602包括索引值1608、1610和1612，nn形成配置元素集1604包括索引值1614、1616和1618，以及nn形成配置元素集1606包括索引值1620、1622和1624。尽管环境1600-1示出了基站121的基站神经网络管理器268选择候选nn形成配置元素的集合，但是替代实施方式使用核心网络服务器302的核心网络神经网络管理器312或同时使用这两者选择候选nn形成配置元素的集合。替选地或附加地，基站神经网络管理器和/或核心网络神经网络管理器选择映射到nn形成配置元素的群组划分的单个索引值。

在环境1600-2中，基站121向ue110传送指示1608，该指示1608引用候选nn形成配置元素中的每一组(例如nn形成配置元素集1602、nn形成配置元素集1604、nn形成配置元素集1606)。例如，该指示包括索引值1608、1610、1612、1614、1616、1618、1620、1622和1624，以将三组候选nn形成配置元素传送给ue110。替选地或附加地，指示包括从一组候选nn形成配置中选择nn形成配置的指令。尽管环境1600-1和环境1600-2图示了与候选nn形成配置相对应的nn形成配置元素的集合，但是替选实施方式为每个候选nn形成配置选择了映射到元素的群组划分的单个索引，如进一步所述。

在图16-2的环境1600-3中，ue110的ue神经网络管理器218分析候选nn形成配置元素的各个组，以确定哪组用于处理特定通信(例如，用于处理传输通信、用于处理所接收的通信)。在一个示例中，ue神经网络管理器基于第一nn形成配置元素集1602(例如，索引值1608、1610、1612)形成第一候选深度神经网络1628(候选dnn1628)、基于第二nn形成配置元素集1604(例如，索引值1608、1610、1612)形成第二候选深度神经网络1630(候选dnn1630)、基于第三nn形成配置元素集1606(例如，索引值1614、1616、1618)形成第三候选深度神经网络1632(候选dnn1632)等等。换句话说，ue神经网络管理器218使用索引值，从神经网络表(例如，神经网络表216)中获得每个nn形成配置，并且使用一组候选nn形成配置元素形成至少一个候选深度神经网络。

然后，ue神经网络管理器218获得与一组候选深度神经网络相关联的一个或多个度量，并且基于一个或多个度量来选择神经网络形成配置。一些实施方式为该组候选神经网络形成配置中的每个候选神经网络形成配置获得相应的误差度量，以生成一组误差度量。然后，ue神经网络管理器将该组误差度量中的每个误差度量与阈值进行比较，并且基于该组误差度量来选择神经网络形成配置。为了例示，在一些示例中，ue神经网络管理器识别相对于该组误差度量中的其他误差度量，该组误差度量中、指示更少误差的特定误差度量(例如crc通过)，并且从该组候选神经网络形成配置中，选择对应于特定误差度量的特定候选神经网络形成配置，作为该神经网络形成配置。在示例性实施方式中，ue神经网络管理器218分析每个候选dnn，诸如通过向每个候选dnn提供已知输入1634并比较来自每个候选深度神经网络的相应输出(例如，输出1636、输出1638、输出1640)。替选地或附加地，ue神经网络管理器提供其他类型的输入，本文提供其示例。

为了例示，考虑每个候选dnn对应于生成发射器通信的示例。ue神经网络管理器可以比较输出1636、输出1638、输出1640的各种传输度量，诸如输出功率水平、调制质量度量、互调制产物度量等。作为另一示例，考虑每个候选dnn对应于处理接收器通信的情况。然后，ue神经网络管理器可以比较输出1636、输出1638、输出1640的各种接收器度量，诸如crc、信噪比(snr)、相邻/替选信道度量、ber、符号间干扰(isi)度量。然后，ue神经网络管理器218基于该分析来选择候选神经网络形成配置之一。

在环境1600-4中，ue110使用由所选择的候选神经网络形成配置形成的深度神经网络1644(dnn1644)来处理通信1642。在环境1600-4中，dnn(其对应于候选dnn1632)处理从基站121接收的下行链路通信，但是在替选实施方式中，dnn1644处理上行链路通信，诸如通过生成ue110传送到基站121的传输通信。

现在考虑图17，其通过信号传递和控制事务图1700示出了如在图17中所示的、用于传送神经网络形成配置的信号传递和控制事务的第四示例。在第四示例中，基站(例如，基站120中的任何一个)向ue提供多个候选神经网络形成配置，并且ue选择候选神经网络形成配置之一以形成处理通信的深度神经网络。尽管信号传递和控制事务图1700示出了图1的基站121和ue110，但替选实施方式包括核心网络服务器，诸如图3的核心网络服务器302，执行由基站121执行的一些或全部功能。

在1705，基站121确定一组候选神经网络形成配置。例如，基站121或核心网络服务器302(使用图2的基站神经网络管理器268或图3的核心网络神经网络管理器312)分析神经网络表以识别链接到指定范围和/或阈值内的输入特性的候选神经网络形成配置(例如，神经网络结构配置元素的组)。为了例示，基站分析输入特性以识别具有落入“x”+/-阈值内的操作条件的候选神经网络形成配置。在识别候选神经网络形成配置时，基站替选或附加地识别为相应候选神经网络形成配置选择的每个候选神经网络形成配置元素的索引值，诸如参考图16-1的环境1600-1所述(例如，nn形成配置元素集1602、nn形成配置元素集1604、nn形成配置元素集1606)。

在1710，基站121将该组候选神经网络形成配置的指示传送到ue110。例如，参考图16-1的环境1600-2，基站将与该组候选神经网络形成配置相关联的每个索引值传送到ue(例如，对应于一组神经网络形成配置和/或配置元素的一组索引值)。在一些情况下，基站在单个消息中发送索引值，而在其他情况下，基站在相应的消息中发送每个索引值。

在1715，ue110基于无线通信系统上传输的通信(诸如，基站121传输的通信)来分析该组候选神经网络形成配置。在一些实施方式中，ue110通过以下来处理通信：诸如通过从神经网络表中提取相应的nn形成配置元素，用每个候选神经网络形成配置形成相应的深度神经网络，并利用每个相应的深度神经网络处理通信，。作为一个示例，ue通过使用相应的深度神经网络中的每一个来处理通信以尝试解码通信内的期望数据模式来执行对神经网络形成配置的盲识别，诸如参考图16-2的环境1600-3所述。然后，ue诸如通过分析每个相应的深度神经网络的输出并生成相应的度量(例如，精度、误码等)来分析每个相应的深度神经网络。

在1720，ue110从该组候选神经网络形成配置中选择候选神经网络形成配置。例如，ue选择候选神经网络形成配置，该候选神经网络形成配置形成相应的深度神经网络，该相应的深度神经网络相对于其他候选神经网络形成配置，以最小的误码解码期望的数据模式。在1725，ue110使用所选择的候选神经网络形成配置来形成深度神经网络，并且利用该深度神经网络处理通信，诸如参考图16-2的环境1600-4所述。

已经描述了可以通过使用一组候选神经网络形成配置来传送神经网络形成配置的示例性环境以及信号传递和控制事务，现在考虑根据一个或多个实施方式的一些示例性方法。

示例性方法

根据传送神经网络形成配置的一个或多个方面，参考图18和图19描述示例性方法1800和1900。描述方法框的顺序不旨在被解释为限制，并且可以跳过或以任何顺序组合任何数量的所述方法框以实现方法或替代方法。通常，可以使用软件、固件、硬件(例如，固定逻辑电路)、手动处理或其任意组合来实现本文描述的任何组件、模块、方法和操作的任何一个。可以在存储在计算机处理系统本地和/或远程的计算机可读存储器上的可执行指令的一般场境中描述示例性方法的一些操作，并且实施方式可以包括软件应用、程序、功能等。替选地或附加地，本文描述的任何功能可以至少部分地由一个或多个硬件逻辑组件执行，诸如但不限于现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)等。

图18示出了用于传送神经网络形成配置以处理在无线通信系统上传输的通信的示例性方法1800。在一些实施方式中，方法1800的操作由诸如基站120和/或核心网络服务器302中的一个的网络实体执行。

在1805，网络实体发送包括多个神经网络形成配置元素的神经网络表，其中，多个神经网络形成配置元素中的每个神经网络形成配置元素配置深度神经网络的至少一部分以处理通过无线通信系统传输的通信。例如，网络实体(例如，基站121)使用向一组ue广播或多播消息，向ue(例如，ue110)发送神经网络表(例如，神经网络表272、神经网络表316)。作为另一示例，网络实体(例如，基站121)使用ue专用消息，将神经网络表发送到ue(例如，ue110)。在一些实施方式中，网络实体(例如，核心网络服务器302)将神经网络表传达给基站(例如，基站121)，并且指示基站将神经网络表发送给ue(例如，ue110)。有时，网络实体使用层3层消息传递来传输神经网络表。替选地或附加地，网络实体发送多个神经网络表，其中，每个神经网络表具有指定的处理指派，如进一步所述。

在1810，网络实体从多个神经网络形成配置元素中选择一个或多个神经网络形成配置元素以创建神经网络形成配置。例如，网络实体(例如，基站121、核心网络服务器302)通过以下来选择神经网络形成配置元素：通过将当前操作环境与存储在神经网络表中的输入特性进行比较，并且通过将输入特性与当前操作环境关联或匹配来选择神经网络形成配置。在一些实施方式中，网络实体选择一组候选神经网络形成配置。

在1815，网络实体将指示发送给用户设备，以引导用户设备使用神经网络形成配置来形成深度神经网络，并使用该深度神经网络来处理通信。作为一个示例，网络实体(例如，基站121)确定与神经网络形成配置和/或一组神经网络形成配置元素相对应的神经网络表的索引值，并将该索引值传送到ue110，诸如通过使用下行链路控制信道来发送索引值、通过在层2消息中发送索引值等。作为另一示例，网络实体(例如核心网络服务器302)将指示传达给基站(例如，基站121)，并指示基站将指示发送给用户设备(例如，ue110)。网络实体替选地或附加地指示用于由神经网络形成配置形成的深度神经网络的处理指派，诸如通过指示引导用户设备利用深度神经网络处理下行链路控制信道通信的处理指派。在一些实施方式中，网络实体指示一组候选神经网络形成配置，诸如参考图16-1和16-2所述。

在传输索引值时，网络实体有时会指定关于何时利用对应的深度神经网络处理通信的规则。作为一个示例，网络实体(例如，基站121、核心网络服务器302)确定数据信道通信与控制信道通信之间的时间阈值。当发送索引值以指导用户设备(例如，ue110)形成深度神经网络时，网络实体发送时间值阈值和规则，该规则当数据信道通信和控制信道通信之间的定时低于时间阈值时，指示用户设备使用默认形成配置来形成深度神经网络。附加地或替选地，规则可以指导用户设备在数据信道和控制信道均在时间阈值内时，将相同的神经网络形成配置用于数据信道通信和控制信道通信，因此没有足够的时间来在不同的dnn之间切换。

图19示出了示例性方法1900，该方法用于传送神经网络形成配置以处理通过无线通信系统传输的通信，诸如通过处理一组候选神经网络形成配置并且选择特定的候选神经网络形成配置，如参考图17所述。在一些实施方式中，方法1900的操作由诸如ue110的用户设备执行。

在1905，用户设备接收神经网络表，该神经网络表包括多个神经网络形成配置元素，其为用户设备提供配置深度神经网络以处理通过无线通信系统发送的通信的能力。用户设备(例如，ue110)例如在层3消息传递中，从基站(例如，基站121)接收神经网络表(例如，神经网络表272)。作为另一示例，用户设备在多播或广播消息中接收神经网络表。替选地或附加地，用户设备在ue专用消息中接收神经网络表。在一些情况下，用户设备接收多个神经网络表，其中，每个神经网络表都具有指定的处理指派。

在1910，用户设备接收消息，该消息引导用户设备基于多个神经网络形成配置元素中的一个或多个神经网络形成配置元素，使用神经网络形成配置来形成深度神经网络。例如，用户设备(例如，ue110)在消息中接收指向神经网络表的一组索引值，其中，该组索引值对应于一组候选神经网络形成配置和/或配置元素，诸如图16-1的环境1600-2中的通信1626、在图17的1710处由基站121发送的指示等。在实施方式中，用户设备(例如，ue110)接收下行链路控制信道消息，该下行链路控制信道消息包括与神经网络表中的一个条目(或多个条目)相对应的索引值。在一些实施方式中，消息包括用于由神经网络形成配置形成的深度神经网络的处理指派的指示，诸如通信信道处理指派、处理链处理指派等。

在1915，用户设备通过访问神经网络表以获得神经网络形成配置元素，利用神经网络形成配置形成深度神经网络。在一个示例中，用户设备(例如ue110)使用索引值访问神经网络表。替选地或附加地，用户设备通过使用一组索引值访问神经网络表来获得该组候选神经网络形成配置，并且使用每个候选神经网络形成配置来形成候选深度神经网络，诸如参考图16-1的环境1600-2和图16-2的环境1600-3所述。例如，ue110使用每个候选神经网络形成配置和/或配置元素来形成相应的候选深度神经网络，并且利用每个候选的相应深度神经网络处理通信来获得关于每个候选深度神经网络的相应度量，如图17的1715处述，并且基于一个或多个度量来选择神经网络形成配置，诸如图17的1720处所述。

作为一个示例，用户设备(例如，ue110)获得用于该组候选神经网络形成配置中的每个候选神经网络形成配置的误差度量，以生成一组误差度量，诸如crc度量。用户设备将该组crc度量中的每个crc度量与阈值进行比较。进而，用户设备识别出该组crc度量中，超过阈值的特定crc度量，并且从该组候选神经网络形成配置中选择对应于特定crc度量的特定候选神经网络形成配置，作为该神经网络形成配置。尽管在crc度量的场境中进行了描述，但也可以利用其他误差度量，诸如ber、arq、harq、帧错误率(fer)等。

在一些实施方式中，当形成深度神经网络时，用户设备(例如，ue110)确定使用由神经网络形成配置形成的第一深度神经网络来处理第一通信信道，并且识别与第一通信信道准对应的第二通信信道。响应于识别出第二通信信道是准对应的，用户设备(例如，ue110)确定使用由神经网络形成配置形成的第二深度神经网络来处理第二通信信道。

响应于形成深度神经网络，用户设备在1920，使用深度神经网络，处理在无线通信系统上传输的通信。例如，用户设备(例如ue110)使用深度神经网络，处理下行链路通信信道。

已经描述了可用于通过使用一组候选神经网络形成配置来传达神经网络形成配置的示例性方法，现在考虑讨论根据一个或多个实施方式的，用于无线通信的神经网络形成配置反馈。

无线通信的神经网络形成配置反馈

在实施方式中，设备交换参考信号以测量各种深度神经网络在当前操作环境中的性能如何。为了例示，基站向ue发送参考信号，其中，ue期望参考信号具有特定的属性(例如，载波频率、频率带宽、功率水平等)。当接收到参考信号时，ue测量所接收的参考信号如何偏离预期(理想)参考信号，以作为确定传输环境如何影响参考信号的方式。然后，该信息可被用来调整在传输环境中传播的其他通信，以补偿通过测量识别的不利影响。各种实施方式使用深度神经网络来处理在物理信道上发送的深度神经网络参考信号、测量每个深度神经网络的性能，并且选择用于形成处理通过无线通信系统传输的通信的深度神经网络的神经网络形成配置。在下文中，将通过基站执行的步骤来描述各方面。然而，将认识到，各方面可以由除基站以外的在无线通信系统中操作的网络实体(例如，核心网络服务器)来实现。

为了演示，考虑图20-1和20-2，其示出了用于使用参考信号选择神经网络形成配置的示例性环境2000。图20-1和20-2示出了不同时间点的示例性环境2000，分别被标记为环境2000-1、环境2000-2、环境2000-3和环境2000-4。因此，环境2000-1、环境20002、环境2000-3和环境2000-4共同表示事件序列中的环境2000。

在环境2000-1中，基站120的基站神经网络管理器268选择要在物理信道上发送的一组下行链路深度神经网络参考信号(dl-dnn-rs)2002，以及一组神经网络形成配置(nn形成配置)2004。作为一个示例，基站神经网络管理器268分析当前操作环境，并且基于参考信号的属性(诸如载波频率、频率带宽、持续时间等等)选择dl-dnn-rs的组。为了例示，基站神经网络管理器268通过选择这样的参考信号来选择dl-dnn-rs的组：该参考信号具有有助于在当前操作环境中成功传输信息的信号属性。例如，如图8的815、820和825处所述，基站和/或用户设备生成指示当前操作环境的度量。进而，基站120使用这些度量来确定该组深度神经网络参考信号。

为了例示，dl-dnn-rs2006对应于具有属性2008的参考信号，dl-dnn-rs2010对应于具有属性2012的参考信号，dl-dnn-rs2014对应于具有属性2016的参考信号等等。虽然将属性2008、属性2012和属性2016图示为时间和频率属性，但是可以传达替选属性。替选地或附加地，基站神经网络管理器选择单个dl-dnn-rs，并且通过使用配置有不同nn形成配置的深度神经网络的变体来处理参考信号，发送单个dl-dnn-rs的变体。为了清楚起见，组2002示出了选择为在物理信道上发送的三个下行链路深度神经网络参考信号，但是应当理解到，可以选择任何数量的参考信号。

基站神经网络管理器268基于当前的操作环境，替选地或附加地选择该组神经网络形成配置2004，诸如参考图4、图12、图13和/或图16-1所述。例如，基站神经网络管理器268从ue(未示出)接收各种度量、参数和/或其他类型的反馈，诸如在图8的815和825处所述。然后，基站神经网络管理器268分析神经网络表(例如，神经网络表272)以识别与反馈一致的nn形成配置元素、校正由反馈识别出的问题等等。为了例示，在组2004中，nn形成配置2018可以被用来形成dnn2020，nn形成配置2022可以被用来形成dnn2024，nn形成配置2026可以被用来形成dnn2028等等。为了清楚起见，组2004示出了三种nn形成配置，但是应当理解到，可以选择任何数量的nn形成配置。

在一些实施方式中，基站神经网络管理器268基于对应的dl-dnn-rs，选择包括在组2004中的每个nn形成配置。例如，参考环境2000-1，基站神经网络管理器268选择用于处理dl-dnn-rs2006的nn形成配置2018、用于处理dl-dnn-rs2010的nn形成配置2022、用于处理dl-dnn-rs2014的nn形成配置2026等等。有时，选择该组nn形成配置包括选择形成用于生成与dl-dnn-rs相对应的发射器通信的dnn的基站侧nn形成配置和/或形成用于与处理dl-dnn-rs相对应的处理接收器通信的dnn的互补用户设备侧nn形成配置。

在环境2000-2中，基站120向ue110发送一个或多个指示2030，该一个或多个指示2030传达dl-dnn-rs2002的组和/或nn形成配置2004的组。例如，指示2030包括每个dl-dnn-rs的信号属性(例如，属性2008、属性2012、属性2016)和/或每个nn形成配置(例如，nn形成配置2018、nn形成配置2022、nn形成配置2026)的索引值。尽管指示2030示出了传送信号属性，诸如频率和时间，以及索引值，但是该指示也可以传送替选或附加的信息，诸如引用特定(预定)dl-dnn-rs的标识(id)号(例如，dl-dnn-rs“1”、dl-dnn-rs“2”、dl-dnn-rs“3”)。在一些实施方式中，指示2030请求针对每个处理的dl-dnn-rs生成的度量，诸如功率信息、sinr信息、cqi、csi、多普勒反馈、qos、时延等。在一些实施方式中，指示2030包括该组dl-dnn-rs与该组nn形成配置之间的链接，诸如指定哪个nn形成配置用于哪个dl-dnn-rs的链接(例如，指定将nn形成配置2018用于处理dl-dnn-rs2006的第一链接、指定将nn形成配置2022用于处理dl-dnn-rs2010的第二链接、指定将nn形成配置2026用于处理dl-dnn-rs2014的第三链接)。在一些实施方式中，指示2030包括时频资源配置信息，该时频资源配置信息指示指派给参考信号(例如，指派用于发送参考信号)的一个或多个通信资源。作为一个示例，时频资源配置信息向ue110提供关于何时(在时间上)以及何处(在频谱上)定位dl-dnn-rs的指示。

在一些实施方式中，基站120发送指示2030作为dl-dnn-rs的组和/或nn形成配置的组的ue特定指示，诸如rrc消息，其中，dl-dnn-rs和/或nn形成配置特定于ue110。替选地或附加地，基站诸如通过使用系统信息块(sib)，将指示2030作为广播和/或多播消息发送给多个ue。

在图20-2的环境2000-3中，ue110诸如通过ue神经网络管理器218，基于在图20-1的指示2030中接收的nn形成配置来形成每个dnn。例如，ue110的ue神经网络管理器218使用nn形成配置2018来形成dnn2020、使用nn形成配置2022来形成dnn2024、使用nn形成配置2026来形成dnn2028。在实施方式中，ue神经网络管理器218访问图2的神经网络表216以获得nn形成配置和/或用于每个nn形成配置的nn形成配置元素，如本文所述。替选地或附加地，ue神经网络管理器218基于在指示2030中接收到的相应信号属性和/或时频资源配置信息，诸如指示dl-dnn-rs传输的预期时间、dl-dnn-rs传输的预期频率等等的时间和频率属性来形成每个dnn。

在环境2000-3中，dnn2020处理dl-dnn-rs2006以生成输出2032，dnn2024处理dl-dnn-rs2010以生成输出2034，以及dnn2028处理dl-dnn-rs2014以生成输出2036。输出2032、2034和2036有时包括度量，诸如基站120通过指示2030请求的度量。度量可以包括一个或多个度量，诸如接收功率、下行链路sinr、下行链路分组错误、下行链路吞吐量、定时测量等。虽然度量在环境2000-3中被示为dnn的输出，但是替选实施方式可以包括度量模块(未示出)，该度量模块处理dnn的输出以生成度量，诸如通过使用处理器可执行指令、硬件、固件等的任何组合。有时，dnn2020、dnn2024和dnn2028对应于执行接收器通信处理的用户设备侧dnn，但替选或附加的实施方式包括一个或多个基站侧dnn(在此未示出)，其执行发射器通信处理以生成dl-dnn-rs2006、dl-dnn-rs2010和dl-dnn-rs2014，诸如图6的下行链路处理模块602的dnn604。

然后，ue神经网络管理器选择dnn之一，诸如通过分析每个相应的度量以识别满足性能条件的度量并且选择与所识别的度量相关联的相应的nn形成配置。满足性能条件可以对应于任何类型的条件，诸如对应于满足或超过阈值的条件(例如，满足或超过阈值的功率水平度量)、对应于低于阈值的条件(例如，低于阈值的ber/bler度量)等。作为又一个示例，满足性能条件有时可以对应于一组度量中的最佳度量(例如，一组度量中、指示最佳性能的度量)。因此，在2038，ue神经网络管理器218基于度量和/或性能条件的任意组合，诸如满足或超过第一阈值的第一度量、低于阈值的第二度量等来选择dnn2028。在环境2000-3中，ue神经网络管理器218基于识别相对于其他dnn，哪个dnn性能最佳(例如，更低错误率、更高信号质量)来选择dnn2028和对应的nn形成配置。

在环境2000-4中，ue110向基站120指示所选择的nn形成配置(例如，dnn2028的所选择的nn形成配置)。指示2040例如包括映射到神经网络表中的一个或多个条目的nn形成配置2026的索引值。之后，ue110和基站120基于所选择的nn形成配置，形成用于处理下行链路通信的互补dnn。替选地或附加地，ue110传送由输出2032、输出2034和输出2036生成的一个或多个度量，以为基站120和/或核心网络服务器(未示出)提供选择dnn之一的能力。在传达所选择的nn形成配置和/或度量时，一些实施方式使用专用于指示2040的物理信道来发送信息。替选地或附加地，ue110使用更高层的消息传递(例如，层2消息、层3消息)来发送信息。

各种实施方式替选地或附加地处理上行链路深度神经网络参考信号，以确定和选择用于处理上行链路通信的nn形成配置。为了演示，现在考虑图21-1和21-2，其示出了用于使用参考信号选择神经网络形成配置的示例性环境2100。图21-1和21-2示出了在不同时间点的示例性环境2100，分别被标记为环境2100-1、环境2100-2、环境2100-3和环境2100-4。因此，环境2100-1、环境2100-2、环境2100-3和环境2100-4共同表示事件序列中的环境2100。

在环境2100-1中，基站120向ue110发送一个或多个指示2102，该一个或多个指示2102传送将在物理信道上发送的一组上行链路深度神经网络参考信号(ul-dnn-rs)2104，和/或将用在处理ul-dnn-rs中的一组nn形成配置2106。例如，类似于参考图20-1所述，指示2102可以包括组中的每个ul-dnn-rs的信号属性(例如，每个ul-dnn-rs的相应信号属性、参考信号id)、该组中的每个nn形成配置的指示(例如，索引值)、每个ul-dnn-rs与相应的nn形成配置之间的链接等等。在一些实施方式中，基站120发送指示2102作为ue专用指示，其中，ul-dnn-rs和/或nn形成配置专用于ue110(例如，基于ue110特定的能力)。替选地或附加地，基站诸如通过使用sib，将指示2102作为广播和/或多播消息发送到多个ue。

之后，在环境2100-2中，基站120发送指示2108，该指示2108指示ue110发送由指示2102传送的ul-dnn-rs。在一些实施方式中，指示2108包括时频资源配置信息，其向ue110提供指派给ul-dnn-rs的一个或多个通信资源的指示。

在图21-2的环境2100-3中，ue110发送ul-dnn-rs的组，其中，根据在指示2102和/或2108中接收的信息来形成ul-dnn-rs。为了例示，ue神经网络管理器218基于该组nn形成配置2106来形成dnn2110，以执行生成ul-dnn-rs2112的(上行链路)发射器通信处理。类似地，ue神经网络管理器218基于该组nn形成配置2106来形成dnn2114，以执行生成ul-dnn-rs2116的(上行链路)发射器通信处理，并且基于该组nn形成配置2106来形成dnn2118，以执行生成ul-dnn-rs2120的(上行链路)发射器通信处理。这包括根据时间/频率信号属性和/或时间-频率资源配置信息来生成ul-dnn-rs的处理。在实施方式中，dnn2110、2114和2118对应于用户设备侧dnn。

基站120替选地或附加地形成基站侧dnn以处理ul-dnn-rs。例如，基站神经网络管理器268形成处理ul-dnn-rs2112并且生成输出2124的dnn2122。类似地，基站神经网络管理器268形成dnn2126以处理ul-dnn-rs2116并生成输出2128，以及形成dnn2130以处理ul-dnn-rs2120并生成输出2132。在实施方式中，dnn2122、dnn2126和dnn2130执行与在ue110处形成的dnn互补的功能。此外，并且类似于参考图20-2所述，输出2124、2128和2132有时可以包括一个或多个度量，诸如接收功率、上行链路sinr、上行链路分组错误、上行链路吞吐量、定时测量等等。尽管度量在环境2100-3中被示为dnn的输出，但替选实施方式包括度量模块(未示出)，该度量模块处理dnn的输出以生成度量，诸如通过使用处理器可执行指令、硬件、固件等的任何组合实现的度量模块。

在2134，基站神经网络管理器268分析度量并选择该组nn形成配置之一(例如，使用组2106中的nn形成配置形成的dnn2122)以用在处理上行链路通信中。例如，类似于参考图20-2所述，基站神经网络管理器268识别满足性能条件的度量，并且选择与所识别的度量相对应的nn形成配置。

在环境2100-4中，基站120传送所选择的nn形成配置的指示2136。例如，基站120将索引值2138传送给ue110，其中，索引值映射到神经网络表(例如，神经网络表216)中的条目，如进一步所述。响应于接收到指示2136，ue110使用所选择的nn形成配置来形成dnn以处理上行链路通信。

已经描述了用于无线通信的神经网络形成配置反馈的示例，现在考虑根据一种或多种实施方式的，用于神经网络形成配置反馈的一些示例性信号传递和控制事务。

传送神经网络形成配置的信号传递和控制事务

图22-25示出了根据用于无线通信的神经网络形成配置反馈的一个或多个方面的，在基站、用户设备和/或核心网络服务器之间的示例性信号传递和控制事务图。在实施方式中，信号传递和控制事务可以由图1的基站120和ue110或图3的核心网络服务器302，使用图1至图21-2的元素执行。

图22的信号传递和控制事务图2200示出了用于无线通信的神经网络形成配置反馈的信号传递和控制事务的第一示例。如所示，在2205，基站120确定将在物理信道上发送的一组深度神经网络参考信号(例如，组2002、组2104)。例如，基站120的基站神经网络管理器(例如，基站神经网络管理器268)诸如通过如在图800的825处所述的、由ue110接收的度量来识别当前操作条件，并且诸如通过识别具有有助于在当前操作环境中成功传输信息的信号属性的参考信号，基于当前操作环境，确定一组深度神经网络参考信号。所确定的该组深度神经网络参考信号可以包括上行链路深度神经网络参考信号(例如，组2104)或下行链路深度神经网络参考信号(例如，组2002)。

替选地或附加地，在2210，基站120确定一组神经网络形成配置(例如，组2004、组2106)，其中，该组神经网络形成配置可以被用来形成用于处理与参考信号相关联的发射器通信和/或处理与参考信号相关联的接收器通信(例如，生成参考信号、处理所接收的参考信号)的深度神经网络。在确定该组神经网络形成配置时，基站120有时将当前操作环境与输入特性进行比较，诸如在图1300的1315处所述。

为了例示，基站120分析信息(例如，信道类型、传输介质属性、编码方案、ue能力、bs能力等等)的任何组合来确定神经网络形成配置，诸如图8的815、820和830所述。然后，基站120分析神经网络表(例如，神经网络表272)以识别与所确定的神经网络形成配置相对应的条目。为了例示，基站120通过关联和/或匹配输入特性以识别条目，识别该组神经网络形成配置(和/或神经网络表272中，对应于所确定的神经网络形成配置的神经网络形成配置元素)。例如，类似于对应于候选nn形成配置的图16-1的nn形成配置元素集1602、nn形成配置元素集1604和nn形成配置元素集1606，基站120选择索引值的组，其中，每个组对应于用于处理参考信号的神经网络形成配置。

在2215，基站120发送该组深度神经网络参考信号的指示。类似地，在2220，基站120发送该组神经网络形成配置的指示。该指示可以在同一消息/同一通信中发送，也可以在单独的消息/单独的通信中发送。在实施方式中，基站在广播和/或多播消息中发送指示，而在其他实施方式中，基站120使用ue专用消息来发送指示。

在2225，ue110基于在2220传送的该组神经网络形成配置，形成一组深度神经网络。在一些实施方式中，ue110形成用于处理下行链路通信的用户设备侧dnn(例如，dnn2020、dnn2024、dnn2028)。在其他实施方式中，ue110形成用于处理上行链路通信的用户设备侧dnn(例如，dnn2110、dnn2114、dnn2118)。

信号传递和控制事务图2200中包括的图2230是指在ue和基站120之间执行的信号和事务的任意组合(例如，在2205、在2210、在2215、在2220和/或在2225)。因此，对图2230的引用对应于图2200所描述的信号和事务的任何一个。

图23的信号传递和控制事务图2300示出了用于无线通信的神经网络形成配置反馈的信号传递和控制事务的第二示例。如所示，在2305，核心网络服务器302确定将在物理信道上发送的一组深度神经网络参考信号(例如，组2002、组2104)。例如，核心网络服务器的核心网络神经网络管理器(例如，核心网络神经网络管理器312)诸如通过如在图900的940、945、959、955处所述，由ue110和/或基站120接收的度量来识别当前操作环境，并且诸如通过识别具有有助于在当前操作环境中成功传输信息的信号属性的参考信号，基于当前操作环境，确定将在物理信道上发送的一组深度神经网络参考信号。所确定的该组深度神经网络参考信号可以包括上行链路深度神经网络参考信号或下行链路深度神经网络参考信号。

替选地或附加地，在2310，核心网络服务器302确定一组神经网络形成配置(例如，组2004、组2106)，其中，该组神经网络形成配置可以被用来形成用于处理与参考信号相关联的发射器通信和/或处理与参考信号相关联的接收器通信(例如，生成参考信号、处理所接收的参考信号)的深度神经网络。在确定该组神经网络形成配置时，核心网络服务器302有时会将当前操作环境与输入特性进行比较，诸如图1400的1420处所述。

作为一个示例，核心网络服务器302将当前操作环境与存储在神经网络表内的输入特性进行比较，并且识别与当前操作环境一致的所存储的输入特性(例如，信道条件、ue能力、bs能力、度量)。然后，核心网络服务器获得具有一致的输入特性的条目的索引值，其中，索引值对应于该组神经网络形成配置和/或神经网络形成配置元素。例如，类似于对应于候选nn形成配置的图16-1的nn形成配置元素集1602、nn形成配置元素集1604和nn形成配置元素集1606，核心网络服务器302选择索引值集，其中，每个组对应于神经网络形成配置。

在2315处，核心网络服务器302传送要在物理信道上发送的该组深度神经网络参考信号的指示。这包括将该指示传送给基站120和/或ue110(通过基站120)。类似地，在2320处，核心网络服务器302将该组神经网络形成配置的指示传达给基站120和/或ue110(通过基站120)。可以在与该组神经网络形成配置相同的消息/相同的通信中和/或在单独的消息/单独的通信中发送该组深度神经网络参考信号的指示。

在2325，基站120基于该组神经网络形成配置，诸如通过形成用于处理下行链路通信和/或用于处理上行链路通信(例如，生成下行链路深度神经网络参考信号、处理上行链路深度神经网络参考信号)的一组基站侧dnn来形成一组深度神经网络。替选地或附加地，在2330，ue110基于该组神经网络形成配置，诸如通过形成用于处理下行链路通信的一组用户设备侧dnn和/或通过形成用于处理上行链路通信的一组用户设备侧dnn(例如，处理下行链路深度神经网络参考信号、生成上行链路深度神经网络参考信号)来形成一组深度神经网络。

在2335，核心网络服务器302通过与基站120进行通信来发起深度神经网络参考信号的传输。在一些实施方式中，核心网络服务器302通过基站120来发起下行链路深度神经网络参考信号的传输。在其他实施方式中，核心网络服务器302通过ue110(通过基站120)发起上行链路深度神经网络参考信号的传输。

信号传递和控制事务图2300中包括的图2340是指在核心网服务器302、基站120和/或ue110之间执行的信号和事务的任意组合(例如，在2305、2310、2315、2320、2325、2330和/或2335处)。因此，对图2340的引用对应于图2300所述的任何信号和事务。

图24的信号传递和控制事务图2400示出了用于神经网络形成配置反馈的信号传递和控制事务的第三示例。有时，图2400部分地或全部地与图22的图2200和/或图23的图2300一起工作。

信号传递和控制事务图2400开始于图22的图2230或图23的图2340。例如，在一些实施例中，基站120和/或ue110执行各种信号传递和控制事务以传达深度神经网络参考信号的组和/或神经网络形成配置的组(例如，在图22的2210、2215、2220和2225处)。这可以包括传送dl-dnn-rs的组、ul-dnn-rs的组、用于下行链路处理的nn形成配置的组、用于上行链路处理的nn形成配置的组等。在其他实施方式中，核心网络服务器302执行与基站120和/或ue110(通过基站120)的一些信号传递和控制事务，以传达深度神经网络参考信号的组和/或神经网络形成配置的组。换句话说，核心网络服务器302传送dl-dnn-rs的组、ul-dnn-rs的组、用于下行链路处理的nn形成配置的组、用于上行链路处理的nn形成配置的组等(例如，在图23的2305、2310、2315、2320、2325、2330和2335处)。因此，尽管图24未示出核心网络服务器302，但是图2400的实施方式可以包括与核心网络服务器302的信号传递和控制事务。在图2400中，深度神经网络参考信号的组和神经网络形成配置的组对应于下行链路通信，诸如参考图20-1和20-2所述。

在2405，基站120在物理信道上发送下行链路深度神经网络参考信号。例如，如参考环境2000-3所述，基站120发送多个dl-dnn-rs(例如，dl-dnn-rs2006、dl-dnn-rs2010、dl-dnn-rs2014)，其中，基站使用处理(下行链路)发射器通信的相应基站侧深度神经网络来生成每个相应的dl-dnn-rs。在一些实施方式中，基站120确定何时开始发送下行链路深度神经网络参考信号，而在其他实施方式中，基站120响应于从核心网络服务器接收到命令来发送下行链路深度神经网络参考信号(例如，在图23的2335处)。在实施方式中，基站120使用相应的基站侧深度神经网络来生成每个dl-dnn-rs。

在2410，ue110使用由该组神经网络形成配置形成的深度神经网络来处理下行链路深度神经网络参考信号。例如，ue110使用相应的深度神经网络(例如，dnn2020、dnn2024、dnn2028)来处理所接收的dl-dnn-rs，其中，基于该组神经网络形成配置来形成相应的dnn，诸如图22的2225或图23的2330处所述。

在2415，ue110基于该处理生成度量。如参考图8在820处所述，可以生成任何合适类型的度量。例如，参考图20-2的环境2000-3，ue110针对由处理参考信号的每个深度神经网络生成的输出生成功率电平、sinr、bler、ber等。之后，在2420，ue110从该组神经网络形成配置中选择神经网络形成配置。ue110(通过ue神经网络管理器218)通过分析度量的任意组合，诸如通过将第一度量与阈值进行比较、将第二度量与一系列值进行比较等等来选择神经网络形成配置。

在2425，ue110传达所选择的神经网络形成配置。替选地或附加地，ue110传送在2425处计算的一个或多个度量。在一些实施方式中，ue110使用专用物理信道和/或更高层消息传递(例如，层2消息、层3消息)来发送信息。

在2430，ue110使用所选择的神经网络形成配置来形成下行链路深度神经网络。替选地或附加地，ue110开始使用下行链路深度神经网络来处理下行链路通信，诸如参考下行链路处理模块606的dnn608所述。类似地，在2435，基站120使用所选择的神经网络形成配置，形成下行链路深度神经网络，诸如执行与ue110形成的dnn互补的功能的dnn(例如，下行链路处理模块602的dnn604)。

在一些实施方式中，该过程迭代地重复，如在2440处用返回到图22的图2230和/或图23的图2340的虚线所示。为了例示，考虑当前操作环境连续改变的示例，诸如具有改变传输环境的速度和/或方向的ue110的运动(例如，以快速速率运动、以缓慢速率运动、向基站运动、远离基站运动)、ue110的位置(例如，在无线覆盖区域的中心、在无线覆盖区域的边缘处)或操作环境中的任何其他类型的动态变化。在评估这些变化时，诸如通过从ue110接收到的度量(例如，在图8的825处)，基站120和/或核心网络服务器302确定选择新的下行链路nn形成配置以提高系统性能(例如，降低误码、提高信号质量)。例如，基于当前操作环境，基站120和/或核心网络服务器302确定修改当前正用于(基于先前确定的操作环境)处理下行链路通信的dnn以提高系统性能。为了提高系统性能，基站和/或核心网络服务器重复由图2400所述的信号传递和控制事务，该事务选择一组dl-dnn-rs、选择一组下行链路nn形成配置、将选择传达给ue110、发送该组dl-dnn-rs、从该组中选择特定的下行链路nn形成配置，并且基于新选择的nn形成配置来重新配置下行链路dnn。在实施方式中，信号传递和控制事务重复的频率有时可以取决于当前操作环境中的变化。因此，在静态操作环境中，相对于用在动态操作环境中的迭代，这些迭代可以更低的频率重复。

图25的信号传递和控制事务图2500示出了用于神经网络形成配置反馈的信号传递和控制事务的第四示例。有时，图2500部分或全部地与图22的图2200和/或图23的图2300一起工作。

信号传递和控制事务图2500以图22的图2230或图23的图2340开始。在一些实施方式中，基站120和/或ue110执行各种信号传递和控制事务以传达深度神经网络参考信号的组和/或神经网络形成配置的组(例如，在图22的2210、2215、2220和2225处)。这可以包括传送dl-dnn-rs的组、ul-dnn-rs的组、用于下行链路处理的nn形成配置的组、用于上行链路处理的nn形成配置的组等。在其他实施方式中，核心网络服务器302执行各种信号传递和控制事务以将深度神经网络参考信号的组和/或神经网络形成配置的组传达给基站120和/或ue110(例如，在图23的2305、2310、2315、2320、2325、2330和2335)。因此，尽管图25未示出核心网络服务器302，但是图2500的实施方式可以包括利用核心网络服务器302的信号传递和控制事务。在图2500中，深度神经网络参考信号的组和神经网络形成配置的组对应于上行链路通信，诸如参考图21-1和21-2所述。

在2505，基站120通过向ue110发送通信来在物理信道上发起上行链路深度神经网络参考信号的传输。在一些实施方式中，基站120确定何时发起上行链路深度神经网络参考信号的传输，而在其他实施方式中，基站120响应于从核心网络服务器接收到命令而发起上行链路深度神经网络参考信号的传输(例如，在图23的2335处)。

之后，在2510处，并且响应于从基站接收到通信，ue110开始发送上行链路深度神经网络参考信号，诸如通过使用图22的2215，或图23的2320处所示的配置。在实施方式中，ue110使用上行链路dnn(例如，上行链路处理模块610的dnn612、dnn2110、dnn2114、dnn2118)处理参考信号来发送上行链路深度神经网络参考信号。

在2515，基站120使用利用该组神经网络形成配置形成的深度神经网络来处理上行链路深度神经网络参考信号。例如，基站120使用相应的深度神经网络(例如，dnn2122、dnn2126、dnn2130))来处理所接收的ul-dnn-rs(例如，ul-dnn-rs2112、ul-dnn-rs2116、ul-dnn-rs2120)，其中，基于该组神经网络形成配置形成相应的dnn。

在2520，基站120基于该处理生成度量。可以生成任何合适类型的度量，诸如在图8的815处所述。为了例示，基站为每个深度神经网络处理参考信号(例如，输出2124、输出2128、输出2132)生成功率测量值(例如，rss)、误差度量、定时度量、qos、时延。之后，在2525，基站120从该组神经网络形成配置中选择神经网络形成配置。基站120(通过基站神经网络管理器268)通过分析度量的任意组合(诸如通过将第一度量与阈值进行比较、将第二度量与一系列值进行比较等)来选择神经网络形成配置。替选地或附加地，基站120将度量转发到核心网络服务器302，其中，核心网络服务器分析度量以选择神经网络形成配置(未示出)。

在2530，基站120将所选择的神经网络形成配置传达给ue110。在一些实施方式中，基站使用专用物理信道和/或更高层消息(例如，层2消息、层3消息)传送信息。

在2535，基站120使用所选择的神经网络形成配置来形成上行链路深度神经网络。替选地或附加地，基站120开始使用上行链路深度神经网络来处理上行链路通信，诸如参考图6的上行链路处理模块614的dnn616所述。类似地，在2540，ue110使用所选择的神经网络形成配置来形成上行链路深度神经网络，诸如执行与由基站120形成的dnn互补的功能的dnn(例如，上行链路处理模块610的dnn612)。

在一些实施方式中，过程迭代地重复，如在2545处用返回到图22的图2230和/或图23的图2340的虚线所示。为了例示，基站120和/或核心网络服务器302诸如通过从ue110接收和/或由基站120生成的度量来评估当前的操作环境，并且确定以选择新的上行链路nn形成配置来提高系统性能(例如，更低误码、更好信号质量)。例如，基于当前操作环境，基站120和/或核心网络服务器302确定修改当前正用于(基于先前确定的操作环境)处理上行链路通信的dnn以提高系统性能。为了选择新的上行链路nn形成配置，各种实施方式重复由图2500描述的信号传递和控制事务，其选择一组ul-dnn-rs、选择一组上行链路nn形成配置、将这些选择传送给ue110、发起该组ul-dnn-rs的传输、从该组中选择特定的上行链路nn形成配置，并且基于新选择的上行链路nn形成配置来重新配置上行链路dnn。在实施方式中，信号传递和控制事务重复的频率有时可以取决于当前操作环境中的变化。因此，在静态操作环境中，相对于动态操作环境中使用的迭代，这些迭代可以更小的频率重复。

已经描述了可用于神经网络形成配置反馈的示例性信号和控制事务，现在考虑根据一个或多个实施方式的一些示例性方法。

示例性方法

根据神经网络形成配置反馈的一个或多个方面，参考图26和图27，描述示例性方法2600和2700。描述方法框的顺序不旨在被解释为限制，并且可以跳过或以任何顺序组合任何数量的所描述的方法框以实现方法或替选方法。通常，可以使用软件、固件、硬件(例如，固定逻辑电路)、手动处理或其任意组合来实现本文描述的组件、模块、方法和操作的任何一个。可以在存储在计算机处理系统本地和/或远程的计算机可读存储器上的可执行指令的一般场境中描述示例性方法的一些操作，并且实施方式可以包括软件应用、程序、函数等。替选地或附加地，本文描述的任何功能可以至少部分地由一个或多个硬件逻辑组件执行，诸如但不限于现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)等。

图26示出了用于无线通信的神经网络形成配置反馈的示例性方法2600。在一些实施方式中，由诸如基站120和/或核心网络服务器302之一的网络实体执行方法2600的操作。

在2605，网络实体确定一组下行链路深度神经网络参考信号，以测量无线通信系统中的深度神经网络的性能。例如，网络实体(例如，基站120、核心网络服务器302)分析当前的操作环境，并基于当前的操作环境的变化来确定修改现有的深度神经网络。网络实体分析当前操作环境的度量，诸如从ue(例如，ue110)接收的度量，以基于属性(例如，有助于在当前操作环境下成功传输信息的信号属性)来识别一组深度神经网络参考信号。在一些实施方式中，网络实体替选地或附加地确定用于测量上行链路深度神经网络的性能的一组上行链路深度神经网络参考信号。

在2610，网络实体确定一组下行链路神经网络形成配置。在一些实施方式中，神经网络实体(例如，基站120、核心网络服务器302)将神经网络表(例如，神经网络表272、神经网络表316)的输入特性与当前操作环境进行比较，并且使用神经网络表的条目来识别该组下行链路神经网络形成配置，诸如参考图12、图16-1和16-2、图20-1和20-2、图21-1和21-2等等所述。在一些实施方式中，网络实体基于当前操作环境替选地或附加地确定一组上行链路神经网络形成配置。

在2615，网络实体向用户设备传送该组下行链路深度神经网络参考信号的第一指示和该组下行链路神经网络形成配置的第二指示。在实施方式中，网络实体使用该组下行链路神经网络形成配置，替选地或附加地指示用户设备形成一组下行链路深度神经网络，以处理该组下行链路深度神经网络参考信号。有时，网络实体(例如，核心网络服务器302)将第一指示和第二指示传达给基站(例如，基站120)。替选地或附加地，基站将第一指示和第二指示传送给ue(例如，ue110)，诸如由基站确定的那些和/或从核心网络服务器接收的那些。在指示该组下行链路神经网络形成配置时，一些实施方式传达映射到神经网络表的条目的一组索引值(例如，组2004、组2106)、与该组下行链路深度神经网络参考信号相关联的信号属性集(例如，组2002、组2104)、下行链路深度神经网络物理信号的标识号、时频资源配置信息等。尽管在2615处将第一指示和第二指示描述为对应于下行链路深度神经网络参考信号和下行链路神经网络形成配置，网络实体可以替选地或附加地发送对应于一组上行链路神经网络形成配置和/或一组上行链路深度神经网络参考信号的指示。

在2620，网络实体启动使用物理信道的、该组下行链路深度神经网络参考信号的传输，以引导用户设备利用该组下行链路深度神经网络处理该组深度神经网络参考信号。有时，网络实体(例如，核心网络服务器302)将发起命令传送到基站(例如，基站120)，诸如在图2300的2335处所述。响应于接收到该发起命令，基站要么开始传输一组下行链路深度神经网络参考信号(例如，dl-dnn-rs2006、dl-dnn-rs2010、dl-dnn-rs2014)，要么将发起命令转发到ue(例如，ue110)以发起上行链路深度神经网络参考信号(例如，ul-dnn-rs2112、ul-dnn-rs2116、ul-dnn-rs2120)的传输。替选地或附加地，基站在没有从核心网络实体接收命令的情况下发起下行链路和/或上行链路深度神经网络参考信号的传输，诸如在图2400的2405和/或在图2500的2505处所述。

图27示出了用于无线通信的神经网络形成配置反馈的示例性方法2700。在一些实施方式中，方法2700的操作由诸如图1的ue110的用户设备执行。

在2705处，用户设备接收一组下行链路深度神经网络参考信号的第一指示和一组下行链路神经网络形成配置的第二指示，诸如参考图2200或图2300所述。例如，用户设备(例如，ue110)接收与该组下行链路神经网络形成配置相对应的一组索引值(例如，组2004)，以及与该组下行链路深度神经网络参考信号相对应的一组信号属性和/或标识(例如组2002)。用户设备以任何合适的方式接收第一指示和第二指示，诸如在单个消息中、在多个消息中、通过专用物理信道等。在随后的任意时间点，用户设备在2710，在物理信道上接收该组下行链路深度神经网络参考信号。

在2715处，用户设备使用利用该组下行链路神经网络形成配置形成的一组下行链路深度神经网络来处理该组下行链路深度神经网络参考信号。为了例示，用户设备(例如，ue110)使用该组下行链路神经网络形成配置(例如，组2004)形成一组深度神经网络(例如，dnn2020、dnn2024、dnn2028)，并且处理该组下行链路深度神经网络参考信号(例如，dl-dnn-rs2006、dl-dnn-rs2010、dl-dnn-rs2014)。在实施方式中，用户设备使用在2705处的指示中接收的时间/频率资源配置信息来处理该组下行链路深度神经网络参考信号，以识别指派给该组下行链路深度神经网络参考信号的一个或多个通信资源。

在2720，用户设备基于该处理来选择该组下行链路神经网络形成配置中的一个。用户设备(例如，ue110)例如生成度量(例如，输出2032、输出2034、输出2036)，并且分析度量以选择该组下行链路神经网络形成配置之一(例如，在2038处)。

之后，并且响应于选择该组下行链路神经网络形成配置中的一个，用户设备在2725处传达该组下行链路神经网络形成配置中所选择的一个。在实施方式中，用户设备(例如，ue110)通过指示映射到神经网络表中的一个或多个条目的一个或多个索引值，将该组下行链路神经网络形成配置中的所选择的一个传达给基站(例如，基站120)。替选地或附加地，用户设备传达在2715处生成的度量。

在2730，用户设备使用由该组下行链路神经网络形成配置中所选择的一个形成的深度神经网络来处理下行链路通信。为了例示，用户设备(例如，ue110)形成用于处理从基站(例如，基站120)接收到的(所接收的)下行链路通信的下行链路深度神经网络(例如，dnn608)。在实施方式中，基站形成互补的下行链路深度神经网络(例如，dnn604)，用于处理(发射器)下行链路通信，如进一步所述。

尽管已经以特定于特征和/或方法的语言描述了用于无线通信的神经网络形成配置反馈的各方面，但是所附权利要求书的主题不必限于所述的特定特征或方法。相反，特定的特征和方法被公开为用于无线通信的神经网络形成配置反馈的示例性实施方式，并且其他等效的特征和方法旨在落入所附权利要求书的范围内。此外，描述了各种不同的方面，并且应当理解到，可以独立地或结合一个或多个其他所述的方面来实现每个所述的方面。

在下文中，描述几个示例。

示例1：一种由与无线通信系统相关联的网络实体执行的、用于选择神经网络形成配置的方法，所述方法包括：由所述网络实体确定一组下行链路深度神经网络参考信号，以在物理信道上发送来测量所述无线通信系统中的深度神经网络的性能；确定一组下行链路神经网络形成配置，每个下行链路神经网络形成配置对应于所述组下行链路深度神经网络参考信号中的相应下行链路深度神经网络参考信号；向所述用户设备传送所述组下行链路深度神经网络参考信号的第一指示和所述组下行链路神经网络形成配置的第二指示，以引导所述用户设备使用所述组下行链路神经网络形成配置来形成一组下行链路深度神经网络，以用于处理所述组下行链路深度神经网络参考信号；以及启动使用所述物理信道的、所述组下行链路深度神经网络参考信号的传输，以引导所述用户设备利用所述组下行链路深度神经网络来处理所述组下行链路深度神经网络参考信号，并且基于所述组下行链路深度神经网络的性能来选择所述组下行链路神经网络形成配置中的一个。

示例2：如示例1所述的方法，进一步包括：基于所述启动，从所述用户设备接收响应，所述响应选择所述组下行链路神经网络形成配置中的下行链路神经网络形成配置中的一个；以及基于所述响应，形成下行链路深度神经网络以用于处理下行链路通信。

示例3：如示例2所述的方法，其中，所述组下行链路深度神经网络参考信号具有第一组下行链路深度神经网络参考信号，所述物理信道为第一物理信道，所述组下行链路神经网络形成配置具有第一组下行链路神经网络形成配置，所述响应包括第一响应，所述方法进一步包括：基于当前操作环境，确定修改用于处理所述下行链路通信的所述下行链路深度神经网络；确定第二组下行链路深度神经网络参考信号以在第二物理信道上发送，所述第二组下行链路深度神经网络参考信号中的每个下行链路深度神经网络参考信号对应于第二组下行链路神经网络形成配置中的下行链路神经网络形成配置；向所述用户设备传送所述第二组下行链路深度神经网络参考信号的第三指示和所述第二组下行链路神经网络形成配置的第四指示；启动所述第二组下行链路深度神经网络参考信号中的每个下行链路深度神经网络参考信号的传输；基于启动所述第二组下行链路深度神经网络参考信号中的每个下行链路深度神经网络参考信号的传输来接收第二响应，所述第二响应选择所述第二组下行链路神经网络形成配置中的下行链路神经网络形成配置中的一个；以及基于所述第二响应来重新配置所述下行链路深度神经网络。

示例4：如示例3所述的方法，其中，确定修改用于处理所述下行链路通信的所述下行链路深度神经网络进一步包括基于下述中的至少一个来确定修改所述下行链路深度神经网络：所述用户设备的运动；或所述用户设备的位置。

示例5：如前述示例中的任一项所述的方法，其中，确定所述组下行链路神经网络形成配置包括：对于所述组下行链路神经网络形成配置，选择适用于多个用户设备的下行链路神经网络形成配置，所述多个用户设备包括所述用户设备，并且其中，传送所述组下行链路神经网络形成配置的所述第二指示包括广播或多播所述第二指示。

示例6：如示例5所述的方法，其中，广播或多播所述第二指示包括：使用系统信息块来广播所述第二指示。

示例7：如示例1至4中的任一项所述的方法，其中，确定该组下行链路神经网络形成配置包括基于所述用户设备的能力，确定该组下行链路神经网络形成配置。

示例8：如前述示例中的任一项所述的方法，其中，传送所述第一指示包括：对该组下行链路深度神经网络参考信号中的每个下行链路深度神经网络参考信号传送相应的时频资源配置。

示例9：如前述示例中的任一项所述的方法，其中，所述网络实体包括基站，所述方法进一步包括：接收一组上行链路深度神经网络参考信号，每个上行链路深度神经网络参考信号对应于用于处理上行链路通信的一组上行链路神经网络形成配置中的相应上行链路神经网络形成配置；使用利用所述相应上行链路神经网络形成配置所形成的相应深度神经网络，处理所述组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号；基于所述处理，选择所述组上行链路神经网络形成配置中的上行链路神经网络形成配置中的一个；使用利用所述上行链路神经网络形成配置中的所选择的一个形成的深度神经网络，处理所述上行链路通信。

示例10：一种由与无线通信系统相关联的用户设备执行的方法，所述方法包括：由所述用户设备接收一组下行链路深度神经网络参考信号的第一指示和一组下行链路神经网络形成配置的第二指示；在物理信道上接收所述组下行链路深度神经网络参考信号；使用一组下行链路深度神经网络处理所述组下行链路深度神经网络参考信号，所述组下行链路深度神经网络是使用所述组下行链路神经网络形成配置来形成的；基于所述处理来选择所述组下行链路神经网络形成配置中的一个；向网络实体传送所述组下行链路神经网络形成配置中的所选择的一个；以及使用利用下行链路神经网络形成配置中的所选择的一个形成的深度神经网络来处理下行链路通信。

示例11：如示例10所述的方法，其中，接收所述第一指示包括接收时频资源配置信息，所述时频资源配置信息指示指派给该组下行链路深度神经网络参考信号的一个或多个通信资源，以及其中，处理每个下行链路深度神经网络参考信号包括使用该组下行链路深度神经网络中的相应下行链路深度神经网络，处理每个下行链路深度神经网络参考信号。

示例12：如示例10或示例11所述的方法，其中，使用相应下行链路深度神经网络来处理每个下行链路深度神经网络参考信号包括：为该组下行链路深度神经网络中的每个相应的深度神经网络生成相应的度量；以及其中，选择该组下行链路神经网络形成配置中的一个包括：分析每个相应的度量以识别满足性能条件的度量；以及从该组下行链路神经网络形成配置中选择与所识别的度量相关联的相应下行链路神经网络形成配置，作为该组下行链路神经网络形成配置中的一个。

示例13：如示例10至12中的任一项所述的方法，其中，传送所述组下行链路神经网络形成配置中的所选择的一个包括传输映射到神经网络表中的一个或多个条目的一个或多个索引值，所述神经网络表中的条目对应于所述下行链路神经网络形成配置中的所选择的一个。

示例14：如示例10至13中的任一项所述的方法，其中，所述物理信道包括第一物理信道，所述方法进一步包括：由所述用户设备接收发送一组上行链路深度神经网络参考信号的请求；以及使用用于处理上行链路发射器通信的一组上行链路深度神经网络，使用第二物理信道来传输所述组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号。

示例15：如示例14所述的方法，其中，接收发送该组上行链路深度神经网络参考信号的请求进一步包括：接收一组上行链路神经网络形成配置的第三指示；以及使用该组上行链路神经网络形成配置来形成该组上行链路深度神经网络。

示例16：如示例15所述的方法，其中，接收发送该组上行链路深度神经网络参考信号的请求进一步包括：接收上行链路时频资源配置信息，所述上行链路时频资源配置信息指示指派给该组上行链路深度神经网络参考信号的一个或多个通信资源，以及其中，传输每个上行链路深度神经网络参考信号包括基于所述上行链路时频资源配置信息，传输每个上行链路深度神经网络参考信号。

示例17：一种网络实体，包括：处理器；以及计算机可读存储介质，计算机可读存储介质，所述计算机可读存储介质包括用于实现深度神经网络管理器模块的指令，所述指令响应于所述处理器的执行而引导所述网络实体执行如示例1至9所述的方法中的任何一个。

示例18：一种用户设备，包括：无线收发器；处理器；以及包括指令的计算机可读存储介质，所述指令响应于所述处理器的执行，引导所述用户设备执行如示例10至16所述的方法中的任何一个。

示例19：一种由与无线通信系统相关联的网络实体执行的、用于选择神经网络形成配置的方法，所述方法包括：由网络实体确定用于测量无线通信系统中的深度神经网络的性能的一组上行链路深度神经网络参考信号；确定一组上行链路神经网络形成配置，每个上行链路神经网络形成配置对应于该组上行链路深度神经网络参考信号中的相应上行链路深度神经网络参考信号；向用户设备传送该组上行链路神经网络形成配置的第一指示和该组上行链路深度神经网络参考信号的第二指示；以及引导所述用户设备使用物理信道传送该组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号以测量该组上行链路神经网络形成配置，并且选择该组上行链路神经网络形成配置中的一个以用于处理所述无线通信系统中的上行链路通信。

示例20：如示例19所述的方法，其中，所述网络实体包括基站，所述方法进一步包括：基于该组上行链路神经网络形成配置来形成一组上行链路深度神经网络；以及使用该组上行链路深度神经网络来处理该组上行链路深度神经网络参考信号以生成测量所述上行链路深度神经网络的性能的一个或多个度量。

示例21：如示例20所述的方法，进一步包括：分析所述度量以识别满足性能条件的度量之一；以及从该组上行链路神经网络形成配置中选择与所述度量中的所识别的一个相关联的上行链路神经网络形成配置，作为该组上行链路神经网络形成配置中的一个。

示例22：如示例21所述的方法，进一步包括：传送该组上行链路神经网络形成配置中的所选择的一个，以引导所述用户设备将该组上行链路神经网络形成配置中的所选择的一个用于处理所述上行链路通信。

示例23：如示例19所述的方法，其中，所述物理信道包括第一物理信道，该组上行链路深度神经网络参考信号包括第一组上行链路深度神经网络参考信号，该组上行链路神经网络网络形成配置包括第一组上行链路神经网络形成配置，所述方法进一步包括：基于当前操作环境，确定修改用于处理所述上行链路通信的上行链路深度神经网络；确定第二组上行链路深度神经网络参考信号，所述第二组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号对应于第二组上行链路神经网络形成配置中的上行链路神经网络形成配置；向用户设备传送所述第二组上行链路神经网络形成配置的第三指示和所述第二组上行链路深度神经网络参考信号的第四指示；以及引导所述用户设备使用第二物理信道，传送所述第二组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号以测量所述第二组上行链路神经网络形成配置，并且选择所述第二组上行链路神经网络形成配置中的一个，以用于处理所述无线通信系统中的上行链路通信。

示例24：如示例23所述的方法，其中，所述网络实体包括基站，所述方法进一步包括：使用由所述第二组上行链路神经网络形成配置形成的所述第二组上行链路深度神经网络来处理所述第二组上行链路深度神经网络参考信号以生成测量由所述第二组上行链路深度神经网络执行的处理的一个或多个度量；基于所述一个或多个度量，选择所述第二组上行链路神经网络形成配置中的一个；并且重新配置基站侧上行链路深度神经网络，所述基站侧上行链路深度神经网络用于利用所述第二组上行链路神经网络形成配置中的所选择的一个来处理所述上行链路通信。

示例25：如示例24所述的方法，进一步包括：将所述第二组上行链路神经网络形成配置中的所选择的一个的第四指示传送到所述用户设备；以及引导所述用户设备重新配置用户设备侧上行链路深度神经网络，所述用户设备侧上行链路深度神经网络用来处理与所述第二组上行链路神经网络形成配置中的所选择的一个的上行链路通信。

示例26：一种由与无线通信系统相关联的用户设备执行的方法，所述方法包括：由所述用户设备接收一组上行链路神经网络形成配置的第一指示和一组上行链路深度神经网络参考信号的第二指示以在物理信道上发送；接收使用所述物理信道传输该组上行链路深度神经网络参考信号的命令；以及通过下述操作来传输该组上行链路深度神经网络参考信号：使用该组上行链路神经网络形成配置来形成一组上行链路深度神经网络；以及使用该组上行链路深度神经网络来执行生成该组上行链路深度神经网络参考信号的发射器处理。

示例27：如示例26所述的方法，进一步包括：接收引导所述用户设备将该组上行链路神经网络形成配置中的一个用于处理上行链路通信的第三指示；基于该组上行链路神经网络形成配置中的一个，形成用户设备侧深度神经网络；以及使用所述用户设备侧深度神经网络来处理上行链路通信。

示例28：如示例26或示例27所述的方法，进一步包括：接收时频资源配置信息，所述时频资源配置信息指示指派给该组上行链路深度神经网络参考信号的一个或多个通信资源，以及其中，传输该组上行链路深度神经网络参考信号包括基于所述时频资源配置信息，传输该组上行链路深度神经网络参考信号中的每个上行链路深度神经网络参考信号。

示例29：一种网络实体，包括：无线收发器；处理器；以及计算机可读存储介质，所述计算机可读存储介质包括用于实现深度神经网络管理器模块的指令，所述指令响应于所述处理器的执行而引导所述网络实体执行如示例19至25所述的方法中的任何一个。

示例30：一种用户设备，包括：无线收发器；处理器；以及包括指令的计算机可读存储介质，所述指令响应于所述处理器的执行而引导所述用户设备执行如示例26至28所述的方法中的任何一个。