本公开总体上涉及用于基于上行链路探测参考信号(srs)信道测量输入进行人工智能(ai)辅助的用户设备(ue)速度估计的方法和装置。特别地，方法和装置提取功率谱密度测量集合的特征、或ulsrs测量的经预处理的频域实部和虚部集合的特征，并将该特征馈送到ai分类器以用于ue速度估计。
背景技术：
为了满足自部署4g通信系统以来对无线数据流量增加的需求，已经做出努力来开发改进的5g或pre-5g通信系统。因此，5g或pre-5g通信系统也被称为“超4g网络”或“后lte系统”。
5g通信系统被认为是在更高的频率(毫米波)频段(例如，28ghz或60ghz频段)中实现的，以便实现更高的数据速率。为了减少无线电波的传播损耗并增加传输距离，在5g通信系统中讨论了波束成形、大规模多输入多输出(mimo)、全尺寸mimo(fd-mimo)、阵列天线、模拟波束成形、大规模天线技术。
此外，在5g通信系统中，基于高级小型小区、云无线电接入网(ran)、超密集网络、设备到设备(d2d)通信、无线回程、移动网络、协作通信、协调多点(comp)、接收端干扰消除等的系统网络改进开发正在进行中。
在5g系统中，作为高级编码调制(acm)已经开发了混合fsk和qam调制(fqam)以及滑动窗口叠加编码(swsc)，并且作为高级接入技术已经开发了滤波器组多载波(fbmc)、非正交多址(noma)和稀疏码多址(scma)。
有关终端速度或终端速度所落入的类别的知识对于优化各种无线电资源管理功能(诸如切换、移动性负载平衡和网络上的传输调度)至关重要。一个简单的例子可以是，对于传输调度，网络可以针对高速用户使用频率多样化调度，以使接收的鲁棒性最大化。另一方面，针对低速用户，对于网络而言最好提供局部频率调度，以使系统频谱效率最大化。作为移动性鲁棒性优化的一部分，网络可以基于终端的移动性不同地调整其切换参数。对于毫米波系统，考虑到终端使用的各种波束的信道属性的相关性，估计终端速度可能对波束预测(和信道预测技术)有用。这可以显著减少毫米波系统通常涉及的波束扫描和波束扫掠时间。
技术实现要素：
问题的解决方案
本公开提供了基于上行链路探测参考信号(srs)信道测量输入来分类或确定用户设备(ue)的速度的人工智能(ai)辅助方法。
在第一实施例中，提供了一种用于执行无线通信的装置。该装置包括：通信接口，被配置为测量从移动客户端设备发送的上行链路(ul)srs；以及处理器，被配置为缓冲从移动客户端设备的ulsrs传输导出的多个ulsrs测量，ulsrs测量的数量超过阈值，从ulsrs测量中提取特征，获得用于确定要被用于估计与移动客户端设备相关联的移动性的类别的机器学习(ml)分类器，并通过将所提取的特征应用于ml分类器来确定移动客户端设备的类别。
在第二实施例中，一种用于估计移动客户端设备的速度的方法，包括：测量从移动客户端设备发送的ulsrs；缓冲从移动客户端设备的ulsrs传输导出的多个ulsrs测量，ulsrs测量的数量超过阈值；从ulsrs测量中提取特征；获得用于确定要被用于估计与移动客户端设备相关联的移动性的类别的ml分类器；以及通过将所提取的特征应用于ml分类器来确定移动客户端设备的类别。
根据下面的附图、描述和权利要求，其他技术特征对本领域技术人员而言可以是容易理解的。
在进行下面的详细描述之前，对贯穿本专利文档所使用的某些词语和短语的定义进行阐述，可能是有利的。术语“耦接”及其派生词指代两个或更多个元件之间的任何直接或间接的通信，不管这些元件是否彼此物理接触。术语“发送”、“接收”和“通信”及其派生词包括直接通信和间接通信这二者。术语“包括”和“包含”及其派生词，意味着包含性的而不是限制。术语“或者”是包含性的，意味着和/或。短语“与...相关联”及其派生词意味着包括、被包括在内、与...互连、包含、被包含在内、连接到或与...连接、耦接到或与...耦接、可与...通信、与...协作、交织、并置、接近...、绑定到...或与...绑定、具有、具有...的属性、具有到...的关系或与...的关系等。术语“控制器”意味着控制至少一个操作的任何设备、系统或其部分。可以用硬件或硬件和软件和/或固件的组合来实现这样的控制器。与任何特定控制器相关联的功能可以是集中式或分布式的，不管本地还是远程。当与项目列表一起使用时，短语“...中的至少一项”意味着可以使用所列出的项目中的一个或更多个项目的不同组合，并且可能仅需要列表中的一个项目。例如，“a、b和c中的至少一个”可以被理解为“仅a”、“仅b”、“仅c”、“a和b二者”、“a和c二者”、“b和c二者”、“a、b和c的全部”或其变体。
此外，下文所描述的各种功能可以由一个或更多个计算机程序实现或支持，每个计算机程序由计算机可读程序代码形成并被实施在计算机可读介质中。术语“应用”和“程序”是指一个或更多个计算机程序、软件组件、指令集、过程、功能、对象、类、实例、相关数据或其适于在适当的计算机可读程序代码中实现的部分。短语“计算机可读程序代码”包括任何类型的计算机代码，包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够由计算机访问的任何类型的介质，诸如只读存储器(rom)、随机存取存储器(ram)、硬盘驱动器、高密度盘(cd)、数字视频盘(dvd)或任何其他类型的存储器。“非暂时性”计算机可读介质不包括传输暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质包括其中能够永久存储数据的介质和其中能够存储数据且随后能够被重写的介质，诸如可重写的光盘或可擦除的存储器设备。
贯穿本专利文档提供了对其他某些词语和短语的定义。本领域普通技术人员应该理解：在许多情况下(如果不是大多数情况)，这样的定义适用于这样定义的词语和短语的先前以及将来的使用。
附图说明
为了更完整理解本公开及其优点，现结合附图来参考以下描述，在附图中：
图1示出了根据本公开的各种实施例的示例计算系统；
图2a和图2b以及图3a和图3b示出了根据本公开的各种实施例的计算系统中的示例设备；
图4示出了根据本公开的实施例的用于解释移动无线电信道中的多普勒频移的示例性图400；
图5示出了根据本公开的实施例的从移动终端发送的lte探测参考信号(srs)的图；
图6a、图6b和图6c示出了根据本公开的实施例的上行链路(ul)srs传输；
图7示出了根据实施例的用于训练基于人工智能(ai)的用户设备(ue)速度分类器以估计ue的速度类的流程图；
图8示出了根据本公开的实施例的用于根据功率谱密度测量来估计速度类的流程图；
图9示出了根据本公开的实施例的凭经验导出的功率谱密度(psd)的示例图；
图10a示出了根据本公开的实施例的宽带srs传输的示例，并且图10b示出了根据本公开的实施例的跳频srs(fhsrs)传输的示例；
图11a和图11b示出了根据本公开的实施例的用于在fhsrs的情况下跨信道冲激响应(cir)进行相关的两种方法；
图11c示出了根据本公开的实施例的用于预处理深度神经网络架构的频域信道测量的示例性流程图；
图12示出了根据本公开的实施例的跟踪ue速度的基于滑动窗口的机制的示例；
图13a示出了根据本公开的实施例的用于基于多普勒功率谱测量来估计ue速度的卷积神经网络(cnn)分类器的示例，并且图13b示出了根据本公开的实施例的基于原始频域ulsrs测量的cnn速度分类器的示例；以及
图13c示出了根据本公开的实施例的将不同的神经网络层权重集合应用于多个cnn层中的每个层的深度神经网络架构的示例性流程图1320。
具体实施方式
以下讨论的图1至图13c和本专利文档中用于描述本公开的原理的各种实施例仅仅是说明性的，而不应以任何方式被解释为限制本公开的范围。本领域的技术人员应理解：本公开的原理可以在任何合适地布置的无线通信系统中实现。
图1示出了根据本公开的示例无线网络100。图1所示的无线网络100的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用无线网络100的其他实施例。
无线网络100包括enodeb(enb)101、enb102和enb103。enb101与enb102和enb103进行通信。enb101还与至少一个互联网协议(ip)网络130通信，例如互联网、专有ip网络或其他数据网络。
取决于网络类型，术语“基站”或“bs”可以指代被配置为提供对网络的无线接入的任何组件(或组件集合)，例如发送点(tp)、发送接收点(trp)、增强型基站(enodeb或enb或gnb)、宏小区、毫微微小区、无线保真(wi-fi)接入点(ap)或其他启用无线的设备。基站可以根据一个或更多个无线通信协议(例如，5g3gpp新无线电(nr)接口/接入、长期演进(lte)、高级lte(lte-a)、高速分组接入(hspa)、wi-fi802.11a/b/g/n/ac等)提供无线接入。为了方便起见，术语“bs”和“trp”在本专利文档中可互换使用，以指代提供对远程终端的无线接入的网络基础设施组件。此外，取决于网络类型，术语“用户设备”或“ue”可以指代任何组件，例如“移动站”、“用户站”、“远程终端”、“无线终端”、“接收点”或“用户设备”。为了方便起见，在本专利文档中使用术语“用户设备”和“ue”来指代无线接入bs的远程无线设备，不管ue是移动设备(例如，移动电话或智能电话)还是通常被认为是固定设备(例如，台式计算机或自动售货机)。
在蜂窝下行链路(dl)通信的假设下描述本公开的一些实施例。然而，相同/类似的原理以及相关的信令方法和配置也可以用于蜂窝上行链路(ul)和侧链路(sl)。
本文描述的移动速度分类方法依赖于通过估计底层移动无线电信道的多普勒扩展来获得速度类。
enb102针对在enb102的覆盖区域120内的第一多个用户设备(ue)提供对网络130的无线宽带接入。第一多个ue包括：ue111，其可以位于小型企业(sb)中；ue112，其可以位于企业(e)中；ue113，其可以位于wi-fi热点(hs)中；ue114，其可以位于第一住宅(r)中；ue115，其可以位于第二住宅(r)中；以及ue116，其可以是移动设备(m)，例如手机、无线笔记本电脑、无线pda等。enb103针对在enb103的覆盖区域125内的第二多个ue提供对网络130的无线宽带接入。第二多个ue包括ue115和ue116。在一些实施例中，enb101-103中的一个或更多个可以使用5g、长期演进(lte)、lte-a、wimax或其他高级无线通信技术彼此通信以及与ue111-116通信。
虚线示出了覆盖区域120和125的大致范围，仅出于说明和解释的目的将其示出为大致圆形。应当清楚地理解，与enb相关联的覆盖区域(例如，覆盖区域120和125)可以具有其他形状(包括不规则形状)，这取决于enb的配置和与自然和人为障碍物相关联的无线电环境的变化。
如以下更详细地描述的，bs101、bs102和bs103中的一个或更多个包括如本公开的实施例中所描述的2d天线阵列。在一些实施例中，bs101、bs102和bs103中的一个或更多个支持用于具有2d天线阵列的系统的码本设计和结构。
尽管图1示出了无线网络100的一个示例，但是可以对图1进行各种改变。例如，无线网络100可以以任何适当的布置包括任何数量的enb和任何数量的ue。此外，enb101可以直接与任何数量的ue通信，并向那些ue提供对网络130的无线宽带接入。类似地，enb102-103中的每一个可以直接与网络130通信，并且向ue提供对网络130的直接无线宽带接入。此外，cnb101、102和/或103可以提供对其他或附加外部网络(例如，外部电话网络或其他类型的数据网络)的接入。
图2a和图2b示出了根据本公开的示例无线发送和接收路径。在下面的描述中，发送路径200可以被描述为在enb(例如，enb102)中实现，而接收路径250可以被描述为在ue(例如，ue116)中实现。然而，将理解，接收路径250可以在enb中实现，并且发送路径200可以在ue中实现。在一些实施例中，如本公开的实施例中所描述的，接收路径250被配置为支持用于具有2d天线阵列的系统的码本设计和结构。
发送路径200包括信道编码和调制块205、串行到并行(s-to-p)块210、大小为n的快速傅立叶逆变换(ifft)块215、并行到串行(p-to-s)块220、加循环前缀块225和上变频器(uc)230。接收路径250包括下变频器(dc)255、去除循环前缀块260、串行到并行(s-to-p)块265、大小为n的快速傅立叶变换(fft)块270、并行到串行(p-to-s)块275以及信道解码和解调块280。
在发送路径200中，信道编码和调制块205接收信息比特集合，应用编码(例如，低密度奇偶校验(ldpc)编码)，并调制输入比特(例如，使用正交相移键控(qpsk)或正交幅度调制(qam))以生成频域调制符号序列。串行到并行块210将串行经调制的符号转换(例如，解复用)为并行数据，以生成n个并行符号流，其中n是在enb102和ue116中使用的ifft/fft大小。大小为n的ifft块215对n个并行符号流执行ifft操作以生成时域输出信号。并行到串行块220转换(例如，复用)来自大小为n的ifft块215的并行时域输出符号，以生成串行时域信号。加循环前缀块225将循环前缀插入到时域信号。上变频器230将加循环前缀块225的输出调制(例如，升频转换)到rf频率，以经由无线信道进行传输。在转换到rf频率之前，还可以在基带对信号进行滤波。
从enb102发送的rf信号在经过无线信道之后到达ue116，并且在ue116处执行与在enb102处的操作相反的操作。下变频器255将接收到的信号降频转换到基带频率，并且去除循环前缀块260去除循环前缀以生成串行时域基带信号。串行到并行块265将时域基带信号转换为并行时域信号。大小为n的fft块270执行fft算法以生成n个并行频域信号。并行到串行块275将并行频域信号转换为经调制的数据符号序列。信道解码和解调块280对经调制的符号进行解调和解码以恢复原始输入数据流。
enb101-103中的每一个可以实现类似于在下行链路中向ue111-116进行发送的发送路径200，并且可以实现类似于在上行链路中从ue111-116进行接收的接收路径250。类似地，ue111-116中的每一个可以实现用于在上行链路中向enb101-103进行发送的发送路径200，并且可以实现用于在下行链路中从enb101-103进行接收的接收路径250。
可以仅使用硬件或使用硬件和软件/固件的组合来实现图2a和图2b中的每个组件。作为特定示例，图2a和图2b中的至少一些组件可以以软件实现，而其他组件可以通过可配置硬件或软件和可配置硬件的混合来实现。例如，fft块270和ifft块215可以被实现为可配置软件算法，其中大小n的值可以根据实现进行修改。
此外，尽管被描述为使用fft和ifft，但这仅是说明性的，并且不应被解释为限制本公开的范围。可以使用其他类型的变换，例如离散傅立叶变换(dft)和离散傅立叶逆变换(idft)函数。将理解，对于dft和idft函数，变量n的值可以是任何整数(例如，1、2、3、4等)，而对于fft和ifft函数，变量n的值可以是为2的幂的任何整数(例如，1、2、4、8、16等)。
尽管图2a和图2b示出了无线发送和接收路径的示例，但是可以对图2a和图2b进行各种改变。例如，可以将图2a和图2b中的各种组件组合、进一步细分或省略，并且可以根据具体需要来添加附加组件。此外，图2a和图2b意在示出可以在无线网络中使用的发送和接收路径的类型的示例。可以使用任何其他适当的架构来支持无线网络中的无线通信。
图3a示出了根据本公开的示例ue116。图3a中示出的ue116的实施例仅用于说明，并且图1的ue111-115可以具有相同或类似的配置。然而，ue具有各种各样的配置，且图3a不将本公开的范围限制于ue的任何具体实现。
ue116包括天线305、射频(rf)收发器310、发送(tx)处理电路315、麦克风320和接收(rx)处理电路325。ue116还包括扬声器330、主处理器340、输入/输出(i/o)接口(if)345、键盘350、显示器355和存储器360。存储器360包括基本操作系统(os)程序361和一个或更多个应用362。
rf收发器310从天线305接收由网络100的enb发送的输入rf信号。rf收发器310对输入rf信号进行降频转换以生成中频(if)或基带信号。向rx处理电路325发送if或基带信号，rx处理电路325通过对基带或if信号进行滤波、解码和/或数字化来生成经处理的基带信号。rx处理电路325将经处理的基带信号发送给扬声器330(例如，针对语音数据)或主处理器340以进行进一步处理(例如，针对web浏览数据)。
tx处理电路315接收来自麦克风320的模拟或数字语音数据或来自主处理器340的其他输出基带数据(例如，web数据、电子邮件或交互式视频游戏数据)。tx处理电路315对输出基带数据进行编码、复用和/或数字化，以生成经处理的基带或if信号。rf收发器310从tx处理电路315接收经处理的输出基带或if信号，并将该基带或if信号升频转换为经由天线305发送的rf信号。
主处理器340可以包括一个或更多个处理器或其他处理设备，并执行存储器360中存储的基本os程序361，以便控制ue116的总体操作。例如，根据众所周知的原理，主处理器340可以控制通过rf收发器310、rx处理电路325和tx处理电路315对前向信道信号的接收和对反向信道信号的发送。在一些实施例中，主处理器340包括至少一个微处理器或微控制器。
如本公开的实施例中所描述的，主处理器340还能够执行驻留在存储器360中的其他进程和程序，例如本公开的实施例中所描述的用于针对具有2d天线阵列的系统的信道质量测量和报告的操作。主处理器340可以根据执行进程的要求将数据移入或移出存储器360。在一些实施例中，主处理器340被配置为基于os程序361或响应于从enb或操作者接收的信号来执行应用362。主处理器340还耦接到i/o接口345，i/o接口345向ue116提供连接到其他设备(例如，膝上型计算机和手持计算机)的能力。i/o接口345是这些附件与主控制器340之间的通信路径。
主处理器340还耦接到键盘350和显示单元355。ue116的操作者可以使用键盘350将数据输入到ue116中。显示器355可以是液晶显示器或能够渲染文本和/或诸如来自网站的至少有限图形的其他显示器。
存储器360耦接到主处理器340。存储器360的一部分可以包括随机存取存储器(ram)，并且存储器360的另一部分可以包括闪速存储器或其他只读存储器(rom)。尽管图3a示出了ue116的一个示例，但是可以对图3a进行各种改变。例如，可以将图3a中的各种组件组合、进一步细分或省略，并且可以根据具体需要来添加附加组件。作为具体示例，主处理器340可以被划分为多个处理器，诸如一个或更多个中央处理单元(cpu)和一个或更多个图形处理单元(gpu)。此外，虽然图3a示出了被配置为移动电话或智能电话的ue116，但是ue可以被配置为作为其他类型的移动或固定设备进行操作。
图3b示出了根据本公开的示例enb102。图3b中所示的enb102的实施例仅用于说明，并且图1的其他enb可以具有相同或类似的配置。然而，enb具有各种各样的配置，且图3b不将本公开的范围限制于enb的任何具体实现。注意，enb101和enb103可以包括与enb102相同或类似的结构。
如图3b所示，enb102包括多个天线370a-370n、多个rf收发器372a-372n、发送(tx)处理电路374和接收(rx)处理电路376。在某些实施例中，多个天线370a-370n中的一个或更多个包括2d天线阵列。enb102还包括控制器/处理器378、存储器380和回程或网络接口382。
rf收发器372a-372n从天线370a-370n接收输入rf信号，例如由ue或其他enb发送的信号。rf收发器372a-372n对输入rf信号进行降频转换以生成if或基带信号。向rx处理电路376发送if或基带信号，rx处理电路376通过对基带或if信号进行滤波、解码和/或数字化来生成经处理的基带信号。rx处理电路376向控制器/处理器378发送经处理的基带信号以进行进一步处理。
tx处理电路374接收来自控制器/处理器378的模拟或数字数据(例如，语音数据、web数据、电子邮件或交互式视频游戏数据)。tx处理电路374对输出基带数据进行编码、复用和/或数字化，以生成经处理的基带或if信号。rf收发器372a-372n从tx处理电路374接收经处理的输出基带或if信号，并将该基带或if信号升频转换为经由天线370a-370n发送的rf信号。
控制器/处理器378可以包括控制enb102的总体操作的一个或更多个处理器或其他处理设备。例如，根据众所周知的原理，控制器/处理器378可以控制通过rf收发器372a-372n、rx处理电路376和tx处理电路374对前向信道信号的接收和对反向信道信号的发送。控制器/处理器378也可以支持其他功能，例如更高级的无线通信功能。例如，控制器/处理器378可以执行诸如由盲干扰感测(bis)算法执行的bis处理，并对减去干扰信号的接收信号进行解码。控制器/处理器378可以在enb102中支持任何各种各样的其他功能。在一些实施例中，控制器/处理器378包括至少一个微处理器或微控制器。
控制器/处理器378还能够执行驻留在存储器380中的程序和其他进程，例如基本os。如本公开的实施例中所描述的，控制器/处理器378还能够支持针对具有2d天线阵列的系统的信道质量测量和报告。在一些实施例中，控制器/处理器378支持实体之间的通信，例如webrtc。控制器/处理器378可以根据执行进程的要求将数据移入或移出存储器380。存储器380存储用于估计ue速度的各种人工智能(ai)算法以及用于训练各种ai算法的训练数据集。
控制器/处理器378还耦接到回程或网络接口382。回程或网络接口382允许enb102通过回程连接或通过网络与其他设备或系统进行通信。接口382可以支持通过任何适当的有线或无线连接进行的通信。例如，当enb102被实现为蜂窝通信系统(例如，支持5g、lte或lte-a的系统)的一部分时，接口382可以允许enb102通过有线或无线回程连接与其他enb通信。当enb102被实现为接入点时，接口382可以允许enb102通过有线或无线局域网或者通过与更大型网络(例如，互联网)的有线或无线连接进行通信。接口382包括支持通过有线或无线连接(例如，以太网或rf收发器)进行通信的任何适当的结构。
如以下更详细描述的，enb102的发送和接收路径(使用rf收发器372a-372n、tx处理电路374和/或rx处理电路376实现)支持与fdd小区和tdd小区的聚合通信。
尽管图3b示出了enb102的一个示例，但是可以对图3b进行各种改变。例如，enb102可以包括任何数量的图3b中所示的每个组件。作为具体示例，接入点可以包括多个接口382，并且控制器/处理器378可以支持路由功能以在不同的网络地址之间路由数据。作为另一具体示例，虽然被示出为包括tx处理电路374的单个实例和rx处理电路376的单个实例，但是enb102可以包括每个处理电路的多个实例(例如，每个rf收发器一个实例)。
根据各种实施例，一种基站的装置，包括：通信接口，被配置为从终端接收上行链路(ul)探测参考信号(srs)；以及至少一个处理器，被配置为根据从终端接收的ulsrs获得多个ulsrs测量，ulsrs测量的数量超过阈值，从ulsrs测量中提取用于估计终端的移动性的特征，并基于所提取的特征来确定终端的类别。
根据各种实施例，通过使用机器学习(ml)分类器来确定类别，并且该类别包括以下至少一项：对终端的行进速度或行进速度范围的估计；对终端的行进速率或行进速率范围的估计；对主射频(rf)传播路径的多普勒频率或多普勒频率范围的估计；或者对rf传播路径集合上每条路径的多普勒频率或每条路径的多普勒频率范围的估计。
根据各种实施例，ml分类器是包括以下至少一项的深度神经网络：多个卷积神经网络(cnn)层；多个全连接(fc)神经网络层；或多个递归神经网络层。
根据各种实施例，所提取的特征包括频域多普勒功率谱密度(psd)测量的集合，这些测量通过以下操作来估计：根据一个ulsrs测量或通过组合ulsrs测量，按每个发送和接收天线对导出信道冲激响应(cir)；在滑动窗口中缓冲一定数量的cir，其中每个估计的cir在不同的srs接收时间形成；导出通过在不同的srs接收时间将所缓冲的cir相关而获得的时域自相关函数；以及对时域自相关函数进行快速傅立叶变换(fft)。滑动窗口的大小可以基于终端所属于的类别进行调整。
根据各种实施例，如果在每个srs传输机会期间，终端跨整个带宽发送ulsrs，则通过在从时间连续的ulsrs测量获得的所缓冲的cir的不同滞后下测量自相关函数来导出时域自相关函数。
根据各种实施例，如果在每个srs传输机会期间，终端以跳频方式跨整个带宽的一部分发送srs，则：通过将从时间相邻的srs传输上的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数；或者通过将从自相同频率子带上发生的ulsrs跳频传输时机所提取的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数。
根据各种实施例，所提取的特征是在每个ulsrs传输时机期间按每个发送和接收天线对从ulsrs测量导出的信道测量的实部和虚部的线性或非线性函数的输出。该线性或非线性函数包括应用信道测量的实部和虚部的融合函数的预处理过程。融合函数被配置为输出：频域中信道测量的实部和虚部，或者频域、接收(rx)天线域、发送(tx)天线域、子载波域或信道快照域之一中信道测量的加权实部和虚部的凸组合。
根据各种实施例，每个不同的神经网络权重集合对应于不同的估计信噪比(snr)水平。处理器被配置为：基于报告的参考信号接收功率(rsrp)和参考信号接收质量(rsrq)，或基于来自终端的信道质量指示(cqi)反馈，估计snr水平；基于估计的不同snr水平，在权重集合中选择神经网络层权重集合；以及通过将所选择的神经网络权重集合应用于每个cnn层和全连接层，来加载加权神经网络架构，以确定要被用于估计移动客户端设备的移动性的类别。
根据各种实施例，所提取的特征是功率谱密度测量的集合或者是ulsrs测量的经预处理的频域实部和虚部的集合。ml分类器利用包括多维cnn和多个fc层的深度神经网络架构。该深度神经网络架构包括：位于cnn层和后续cnn层之间的池化层；位于最终cnn层和第一fc层之间的展平层；以及产生使用soft-max输出激活所确定的激活输出的最后fc层，其中激活输出的维度等于候选类别的数量。该深度神经网络架构返回如下输出，该输出由最后的全连接层的激活输出的参数最大化器的索引确定，并指定终端移动性的估计类别。
根据各种实施例，该装置还包括存储器。存储器被配置为存储深度神经网络架构，该深度神经网络架构包括多个层以及深度神经网络架构的每一层与其后续层之间的连通性；以及要应用于多个cnn层中的每一层的不同的神经网络层权重集合。处理器被配置为基于特定信号测量或来自终端的反馈来加载神经网络层权重集合。
根据各种实施例，融合函数是以下至少一项：反正切函数，用于获得信道测量的实部和虚部的相位；加权组合函数w*hre+(1-w)*him，其中，w取0和1之间的值，并且hre和him分别表示频域中信道测量的每个实部和每个虚部；或加权组合函数w1hrx1+w2hrx2+...+wrxnhrxn，其中，权重wrxi(1＜＝i＜＝n)均为非负值，所有wrxi的总和为1，并且hrxi表示接收天线i处的信道测量。
根据各种实施例，将信道测量的实部和虚部以四个维度之一级联，以产生包括以下一项的四维复张量：(2nrx)×ntx×nsub×m，其中，信道测量的实部和虚部在接收(rx)天线域中级联；nrx×(2ntx)×nsub×m，其中，信道测量的实部和虚部在发送(tx)天线域中级联；nrx×ntx×(2nsub)×m，其中，信道测量的实部和虚部在子载波域中级联；或nrx×ntx×nsub×(2m)，其中，信道测量的实部和虚部在信道快照域中级联，其中，ntx表示tx天线的数量，nrx表示rx天线的数量，nsub表示由ulsrs使用的子载波的数量，并且m表示信道快照的数量。
根据各种实施例，如果在每个srs传输机会期间，客户端设备跨整个带宽发送srs，则从对应的ulsrs测量中导出在给定srs传输时机的信道测量。
根据各种实施例，如果在每个srs传输机会期间，客户端设备以跳频方式跨整个带宽的一部分发送其srs，则通过从在连续的ulsrs跳频传输时机上发生的ulsrs测量所获得的信道测量的级联来导出整个带宽的信道测量。
图4示出了根据本公开的实施例的用于解释移动无线电信道中的多普勒频移的示例性图400。
无线发送(接收)设备相对于接收器(发送器)的物理运动会产生众所周知的多普勒效应。多普勒效应表现为在接收器处所经历的发送信号的频移，称为多普勒频移。多普勒频移f由以下表达式给出：
在上面的表达式中，fd是最大多普勒频率，v表示移动终端的速度，fc指定载波频率，并且θ表示射线相对于(参考)坐标系的角度(通常表示路径方向与用户移动方向之间的角度)。由于多径，每个多径波从不同方向到达接收器，因此不同的传播路径导致不同的多普勒频移。因此，估计给定路径(例如，主路径)的多普勒频移无法明确提供终端速度信息。考虑到方位角和仰角方向，可以经由以下表达式来概括上述多普勒频移，其中v是速度向量，并且
来自许多传播路径的接收信号的聚合导致接收信号相对于发送器发送的信号的频谱展宽，也称为多普勒扩展。因此，多普勒扩展是接收信号相对于发送信号的带宽增加的度量，是由于底层无线电信道的时间变化率而引起的。
现有的速度分类工作可以大致分为以下四个类别。1)最大似然方法，其依靠周期性信道估计来推断信道的一个或更多个属性。2)基于电平通过率(levelcrossingrate)的方法，其对过程通过特定电平的次数进行计数。3)基于协方差的方法，其估计接收信号功率的二阶统计量。4)基于自相关的方法，其对所估计信道冲激响应(cir)的自相关进行估计，并通过查看功率谱密度来推断多普勒扩展/ue速度。
电平通过率和协方差方法的灵敏度随着snr的降低而增加，并且当ue速度较小时，误差较大。此外，当对阈值进行微调时，基于阈值的技术可以在特定环境中起作用，但是相同的阈值可能无法在其他设置中起作用。基于最大似然的方法通常具有较高的计算复杂度，并且需要系统snr/噪声方差的先验知识。
本公开提供了依靠基于ai的速度分类器的新方法。ai系统包括神经网络，该神经网络处理对lte信号(例如，探测参考信号(srs))进行的上行链路信号测量，并从nclasses个速度类中确定对该用户最可能的速度类。
图5示出了根据本公开的实施例的从移动终端发送的ltesrs信号的图500。
srs信号用于确定上行链路信道质量，enb可以使用该上行链路信道质量决定在调度该ue时应采用哪些上行链路资源块以及调制和编码方案。神经分类器还可以通过使用下行链路参考信号测量(例如，基于小区特定参考信号(crs)/信道状态信息参考符号(csi-rs))而驻留在终端处，其中所述应用也可以在设备到设备(d2d)系统中找到用途。从3gpp信道模型下的性能评估中可以看出，即使随机选择终端的运动方向和不同传播路径的角度，该方案也能够高度准确地对ue速度进行分类。神经网络的输出可以是绝对估计的ue速度，也可以是ue速度所属的估计类别。在另一实施例中，cqi(或调制和编码方案(mcs))报告也可以用作到分类器的输入，以便如本公开中提到的沿着类似线路识别ue速度。
本公开中描述的方案提供了一种人工智能(ai)辅助的速度分类方案。ai分类器是基于神经网络的分类器。已经评估了两种不同的ai分类器架构。第一种架构是全连接神经网络，而第二种架构是卷积神经网络。本公开还提供了一种训练神经网络的监督学习方法。本公开描述了从上行链路srs信道测量所导出的若干输入特征，神经网络使用这些上行链路srs信道测量来确定该终端的速度类。
与先前的工作不同，本公开中的实施例的益处包括：同时为多个用户确定速度类别的能力；对系统参数(例如，噪声方差、信噪比(snr)等)的先验知识的零依赖性；对噪声水平的低敏感性；合理的计算复杂度；以及对宽带和跳频srs测量的适用性。尽管本公开中描述的方法假设信道测量是从srs测量导出的，但是该方法也可以扩展为基于下行链路参考信号测量来估计终端速度。
图6a、图6b和图6c示出了根据本公开的实施例的上行链路(ul)srs传输。图6a、图6b和图6c所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用其他实施例。
在上行链路子帧的最后一个符号上发送srs。srs传输可以以周期性的方式发生，也可以经由下行链路dci不定期地触发。在周期性srs的情况下，每pms发生一次传输，其中p∈{2，5，10，20，40，80，160，320}ms是网络配置的srs传输周期，如图6a所示。通过使用不同的循环移位和频率梳进行发送，将不同的ue复用以在相同子帧上发送srs。在enb接收器处，在考虑到与每个用户相关联的循环移位和梳的唯一组合之后，将用户分离。对于覆盖范围受限的ue，为了确保其传输功率密度在接收器处提供合理的snr，将srs传输限制在整个(或宽带)上行链路带宽的一部分上，如图6b所示。在另一实施例中，ue可以被配置为经由跳频发送srs，使得通过组合跨不同跳的探测位置，enb接收器可以获得跨整个带宽的信道，如图6c所示。
图7示出了根据实施例的用于训练基于ai的ue速度分类器以(在m＞1个速度类中)估计一个或更多个ue的速度类的流程图700。图7中所示出的流程图700的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用流程图700的其他实施例。
在步骤710中，配备有基于ai的ue速度分类器的ai系统生成ulsrs测量的集合。ai系统生成标记数据，即速度类和相关联特征的集合，以训练神经网络分类器。在实施例中，可以通过同时收集上行链路srs测量和终端的(带时间戳的)位置并测量终端位置的绝对变化率来获得用于训练神经网络的ue速度类。终端位置的高变化率指示用于该ue的标签“高速”移动，而低变化率指示标签属于“低速”。可能地，终端可以获得其带时间戳的位置并例如经由应用层与网络通信。在备选实施例中，通过路测，网络可以设置以不同(已知)速度移动的各种终端，并在每种速度下收集与上行链路srs传输相关联的上行链路srs测量。
在步骤720中，从间隔开pms的srs测量中导出ai分类器的输入特征，其中p是连续srs传输之间的间隔。
在步骤730中，将包括输入特征的数据集划分为用于训练阶段的训练数据集和用于测试阶段的测试数据集。
在步骤740中，流程图被划分为训练阶段(步骤740和750)和测试阶段(步骤760和770)。训练阶段(步骤740和750)用于通过向神经网络馈送标记数据来调整分类器的权重。通过训练阶段，ai分类器通过识别最适合每个类别的输入特征的方面来学习鉴别不同的速度类别。训练阶段包括ntrain个标记数据{(xi，yi)，0＜＝i＜＝ntrain-1}，其中，xi指定输入特征(例如，间隔开pms的上行链路信道测量的集合(或信道测量的函数))，并且yi表示标记到该测量的标签(即，ue速度类)。注意，可以离线执行训练，使得一旦训练了神经网络，就准备好对属于未标记数据的速度进行分类。
在步骤760中，将与未标记数据相对应的特征馈入ai分类器，并且使用ai分类器的输出来标记对于该未标记数据的速度类。
在步骤770中，ai分类器基于与每个ue相关联的上行链路信号测量来(在m＞1个速度类中)估计一个或更多个ue的速度类。
在步骤780中，ai分类器结束训练或测试。
分类器准确度是指神经网络为其正确分配了速度类别的未标记数据的百分比。
可以从ulsrs测量中提取各种类型的输入特征以用于ai分类器。在第一实施例中，用于ai分类器的输入特征等于从与估计的信道冲激响应(cir)相关联的抽头增益自相关函数的快速傅立叶变换(fft)导出的功率谱密度。在第二不同实施例中，输入特征等于原始频域/时域上行链路srs信道系数。
功率谱密度特征提取
图8示出了根据本公开的实施例的用于根据功率谱密度(psd)测量来估计速度类的流程图800。该实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用其他实施例。
图8中示出了用于提取psd的流程图800，该psd用于提供用于ai分类器的输入特征。尽管流程图800示出了针对单个用户的过程，但是当多个ue被复用以在相同的带宽区域中同时探测时，可以直接扩展相同的过程。以下段落描述了从srs信道估计中提取自相关函数和功率谱密度的数学过程。
在步骤810中，ai系统收集并缓冲从移动客户端设备的ulsrs传输所导出的多个ulsrs测量，其数量超过阈值。假设第一次srs传输发生在时间t＝t0，并假设执行了m个单独的ulsrs测量，各个测量由srs传输间隔p分离。
在步骤820中，ai系统使用每个ue的zadoff-chu(zc)序列来处理srs。
在步骤830中，ai系统根据一个ulsrs测量或通过组合ulsrs测量，按每个发送和接收天线对导出cir。ai系统还在滑动窗口中缓冲一定数量的cir，其中每个估计的cir在不同的srs接收时间形成。在实施例中，ai系统从每个移动客户端设备的cir中提取l个最强信道系数。
在步骤840中，对于每个抽头，ai系统提取不同滞后的自相关函数。ai系统将在时间t＝t0+mp处抽头l的时变信道增益的估计指定为{hl[m]，0＜＝l＜＝l-1}。假设广义的平稳性，则归一化抽头增益自相关函数rl[n]表示第1个抽头在以等于np的滞后分开的两个不同时间处的相关性，并计算为：
可以经由
在步骤850中，ai系统计算跨l′＜＝l个抽头的平均自相关。将跨不同抽头平均后的经验自相关估计指定为
在步骤860中，ai系统执行fft以获得多普勒psd。表示为s(f)，f∈[-1/2p，1/2p]的多普勒psd等于
在步骤870中，ai系统将多普勒psd作为特征输入到神经网络，以对移动客户端设备的速度进行分类。ml分类器输出的类别包括以下至少一项：对移动客户端设备的行进速度或行进速度范围的估计；对移动客户端设备的行进速率或行进速率范围的估计；对主射频(rf)传播路径的多普勒频率或多普勒频率范围的估计；或者对rf传播路径集合上每条路径的多普勒频率或每条路径的多普勒频率范围的估计。
psd方法可用于分类的最大ue速度被确定为srs传输间隔pms(以毫秒为单位)和上行链路载波频率fc，ghz的函数，并且从数学上给出为：
因此，对于2.1ghz载波上5ms的探测间隔，分类器工作的最大ue速度大约等于51.4kmph。当计算多普勒psd时，超过51.4kmph的ue速度会被混淆，并且可能被错误地分类为低速ue。
图9示出了根据本公开的实施例的凭经验导出的psd的示例图900。图9所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用其他实施例。
终端速度等于19.95kmph(fd＝38.8hz)时的多普勒功率谱密度如图9所示。可以看出，u形轮廓的宽度大约等于77.6hz。如果接收器具有多个发送和接收天线，则可以针对每个tx-rx天线对单独地导出功率谱密度，并将其作为输入特征馈入到1d/2d卷积神经网络。通过用标记的功率谱密度训练神经网络，ai分类器学习识别对于该用户的速度类别。
在频率平坦的信道(l＝1，通信带宽w远小于延迟扩展的倒数)的情况下，并假设存在无限散射，则根据clarke模型，可以证明与滞后n相对应的归一化自相关
图10a示出了根据本公开的实施例的宽带srs传输1005的示例，并且图10b示出了根据本公开的实施例的跳频srs(fhsrs)传输1010的示例。图10a和图10b所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用其他实施例。
导出psd测量时的附加考虑是感兴趣的ue是否跨整个带宽发送srs，或者其是否执行fhsrs传输。
在如图10a所示的宽带srs的情况下，可以通过跨连续的ulsrs测量使cir相关来获得抽头增益自相关函数(以及因此的psd)。然后，最大可估计的ue速度是最大srs传输间隔的函数，并如前面所示给出。在每个srs传输机会期间，移动客户端设备跨整个带宽发送ulsrs，则通过在从时间连续的ulsrs测量获得的所缓冲的cir的不同滞后下测量自相关函数来导出时域自相关函数。从对应的ulsrs测量中导出在给定srs传输时机的信道测量。
在如图10b所示的fhsrs的情况下，由于ue在每个跳期间在不同的频谱区域上探测，因此通过在给定跳上的srs频域位置上进行idft而获得的cir可能无法准确地表示真实cir(基于宽带信道)。在每个srs传输机会期间，移动客户端设备以跳频方式跨整个带宽的一部分发送srs。通过将每个带宽部分上的信道测量级联，导出整个带宽的信道测量，其中每个带宽部分上的信道测量是从在连续的ulsrs跳频传输时机发生的ulsrs测量中获得的。通过将从时间相邻的srs传输上的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数，或者通过将从自相同频率子带上发生的ulsrs跳频传输时机所提取的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数。
图11a和图11b示出了根据本公开的实施例的用于在fhsrs的情况下跨cir进行相关的两种方法。图11a和图11b所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用其他实施例。
存在若干种使cir相关以计算自相关函数的方法。在第一种方法1105中，如图11a所示，通过组合在每个相同的探测资源元素上的srs跳而使cir相关。虽然该方法可准确捕获相同资源上跨srs的信道变化，但最大可估计ue速度受到ue在相同re位置上多久探测一次的限制，并给出为：
在第二种方法1110中，如图11b所示，即使跳可能与不同的探测资源元素相对应，也通过组合相邻的srs跳而使cir相关。该方法具有与对应于宽带srs的最大可估计ue速度相同的最大可估计ue速度。
在第三种方法中，当ue在子带sbk上发送srs时，通过使与sbk相对应的频域信道相关来估计延迟和复信道增益。通过根据所估计的延迟和复信道增益重建信道响应，来估计其他子带sb1(1与k不同)上的频域信道。在组合除了ue进行探测的子带之外的其他子带上的所估计的信道之后，可获得整个宽带srs测量。此后，通过使跨连续的探测时机的重建的频域信道的ifft相关来估计多普勒功率谱。
同相和正交(iq)信道特征提取
在一些实施例中，原始信道测量可以用于训练ai分类器。该实施例背后的动机是原始信道测量将包括与ue速度相关的更多信息。通过利用大量的原始测量进行训练，ai分类器可以自动学习信道测量的特征并将这些学习的特征存储到神经网络的权重参数中。该实施例中的原始信道测量可以是在若干维度上的测量，例如周期为pms的时间维度信道快照(srs)、ofdm子载波上的信道样本、不同天线上的空间维度信道样本、信道的实部和信道的虚部。
存在若干种方法以设计将原始信道测量的哪一部分输入到ai分类器。
在实施例中，所提取的特征是在每个ulsrs传输时机期间按每个发送和接收天线对从ulsrs测量导出的信道测量的实部和虚部的线性或非线性函数的输出，其中，该线性或非线性函数包括应用信道测量的实部和虚部的融合函数的预处理过程，其中，融合函数被配置为输出：频域中信道测量的实部和虚部，或者频域、接收(rx)天线域、发送(tx)天线域、子载波域或信道快照域之一中信道测量的加权实部和虚部的凸组合。
在该实施例中，频域信道测量的实部和虚部二者将被输入到ai分类器。将信道表示为h，其是一个4维nrx×ntx×nsub×m复张量，其中nrx表示发送天线的数量，ntx表示接收天线的数量，nsub表示srs使用的子载波的数量，m表示信道快照的数量。ai分类器的输入将是级联张量，其中信道测量的实部和信道测量的虚部将在一个维度中级联。例如，ai分类器的输入的维度为(2nrx)×ntx×nsub×m张量，其中信道测量的实部和虚部在rx天线维度中级联，或可以是nrx×(2ntx)×nsub×m张量，其中信道测量的实部和虚部在tx天线域中级联，或可以是nrx×ntx×(2nsub)×m张量，其中信道测量的实部和虚部在子载波域中级联，或可以是nrx×ntx×nsub×(2m)张量，其中信道测量的实部和虚部在信道快照域中级联。
图11c示出了根据本公开的实施例的用于预处理深度神经网络架构的频域信道测量的示例性流程图1120。图11c所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用流程图1120的其他实施例。
在步骤1122中，基站缓冲从移动客户端设备的不同ulsrs传输所导出的多个ulsrs频域测量。
在步骤1124中，将首先通过通用融合函数fri对每个频域信道测量的实部和虚部进行预处理，然后在步骤1126中，将其输入到输入维度为nrx×ntx×nsub×m的ai分类器。例如，一个融合函数可以是反正切函数，以获得信道测量的相位。另一个融合函数可以是：
fri＝w0hre+(1-w0)him(7)
其中w0∈[0，1]。特别地，如果w0＝0，则仅信道测量的虚部将被输入到ai分类器；如果w0＝1，则仅信道测量的实部将被输入到ai分类器。hre和him分别指示频域中信道测量的每个实部和每个虚部。
在又一实施例中，融合函数被应用于rx天线域，或者被应用于tx天线域，或者被应用于子载波域，或者被应用于信道快照域，或者被应用于这些域的组合。跨不同域的融合函数将进一步降低ai分类器的复杂度。在该方法的一个示例中，融合函数被应用于rx天线域。将h0rx、h1rx、h2rx、…、hnrxrx表示为每个rx天线上的信道测量，融合函数frx可以表示为：
frx＝w0×h0rx+w1×h1rx+w2×h2rx+…+wnrx×hnrxrx(8)
其中w0+w1+...+wnrx＝1，w0、w1、...、wnrx∈[0，1]。
在该实施例的又一方法中，时域原始信道测量的实部和虚部二者将被输入到ai分类器。将信道表示为h，其是4维nrx×ntx×ntaps×m复张量，其中ntaps表示所估计的cir的抽头的数量。可以使用与上述实施例中提到的方法相同的级联方法、融合方法。通常，可以定义能够在信道测量上操作的任何函数f()，然后可以将所得输出输入到神经网络。所选择的神经网络的类型可以是简单的前馈神经网络或递归神经网络或任何高级神经网络，并且可以根据需要进行调整。
图12示出了根据本公开的实施例的跟踪ue速度的基于滑动窗口的机制1200的示例。
ai系统可以使用基于滑动窗口1205的机制来跟踪和识别ue速度或ue速度类的改变。ai系统在滑动窗口中缓冲一定数量的cir，其中，每个估计的cir在不同的srs接收时间形成，其中，滑动窗口的大小可基于移动客户端设备的速度所属于的类别进行调整。
由于ue改变其速度的确切时间对于gnb(基站)或任何其他终端都是未知的(考虑到建立了链路的其他终端正在移动)。可能需要计算出适当的窗口大小，以便获得测试数据。考虑到所需要的置信度，可以适当选择窗口的大小和窗口的移动速率。在实施例中，窗口大小可以与所需要的置信度成比例。
分类器的输出层提供基于ulsrs测量对终端速度的各个类成员概率的概率估计。例如，对于m个类的类别(例如，对于m＝2，在训练阶段用于标记数据的类别可以是速度＜＝25kmph和25kmph＜＝速度＜＝51kmph)，神经分类器将返回总和为一的m个输出的向量作为输出。在实施例中，针对用户的速度类别由与该向量内的最大值的索引相对应的类确定。为了将神经分类器的输出实现为有效概率分布，输出层可以具有“softmax”激活函数。在神经网络的输出层处用于激活函数的其他实施例也是可能的，只要激活函数返回总和为一的m个输出的向量。
图13a示出了根据本公开的实施例的用于基于多普勒功率谱测量来估计ue速度的卷积神经网络(cnn)分类器的示例，并且图13b示出了根据本公开的实施例的基于原始频域ulsrs测量的cnn速度分类器的示例。图13a和图13b所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用流程图700的其他实施例。
如图13a和图13b所示的深度神经网络包括多个cnn层、多个全连接(fc)神经网络层和多个递归神经网络层。
如图13a所示的卷积神经网络架构1305基于功率谱密度测量的集合来估计ue速度。卷积神经网络架构1305包括两个一维(1d)卷积层，然后是全连接神经网络架构。在每个卷积层的输出和下一层之间存在池化层，以减小输出的维度。
如图13b所示的深度神经网络架构1310基于ulsrs测量的经预处理的频域实部和虚部的集合来估计ue速度。深度神经网络架构1310包括：位于cnn层和后续cnn层之间的池化层；位于最终cnn层与第一fc层之间的展平层；以及产生使用softmax输出激活所确定的激活输出的最后fc层，其中激活输出的维度等于候选类别的数量。深度神经网络架构返回如下输出，该输出由最后的全连接层的激活输出的参数最大化器的索引确定，并指定移动客户端设备的移动性的估计类别。
图13c示出了根据本公开的实施例的将不同的神经网络层权重集合应用于多个cnn层中的每个层的深度神经网络架构的示例性流程图1320。图13c所示的实施例仅用于说明。在不脱离本公开的范围的情况下，可以使用流程图1320的其他实施例。
深度神经网络架构1305和1310可以包括多个层、深度神经网络架构的每一层与其后续层之间的连通性、以及要应用于多个cnn层中的每个层的不同的神经网络层权重集合。
在步骤1322中，深度神经网络架构从移动客户端设备获得信号测量(例如，估计snr水平)或反馈。
在步骤1324中，深度神经网络架构基于特定的信号测量或来自移动客户端设备的反馈，在不同的神经网络层权重集合中选择一个神经网络层权重集合，并将所选择的神经网络层权重集合应用于多个cnn层中的每一层。
在步骤1326中，深度神经网络架构通过将所选择的神经网络权重集合应用于每个cnn层和全连接层来加载加权神经网络架构。
每个不同的神经网络权重集合对应于不同的估计信噪比(snr)水平。深度神经网络架构1305、1310基于报告的参考信号接收功率(rsrp)和参考信号接收质量(rsrq)或基于来自移动客户端设备的信道质量指示(cqi)反馈，估计snr水平，基于所估计的不同snr水平，从权重集合中选择神经网络层权重集合，并通过将所选择的神经网络权重集合应用于每个cnn层和全连接层来加载加权神经网络架构，以确定要被用于估计移动客户端设备的移动性的类别。
在本公开的一些实施例中，深度神经网络架构1305、1310可以适应snr水平的改变。在训练阶段期间，可以使用不同snr水平的信道测量来训练深度神经网络架构1305、1310，并存储在每个snr水平下的神经网络权重。在在线测试阶段期间，利用不同snr水平，深层神经网络架构1305和1310加载不同的权重以进行ue速度估计/分类。可以从ue报告的rsrp和rsrq获得snr水平。以下是考虑到不同snr水平的ue速度估计的过程：1)基于rsrp和rsrq信息估计ue的snr水平；2)基于不同的snr水平，加载不同的神经网络权重；3)获得信道测量并且将测量或经预处理的测量输入到神经网络架构；以及4)获得ue速度估计/类。
在本公开的一些实施例中，可以将神经网络的输出层修改为整流线性单元(relu)函数。在监督学习阶段期间，将把真实的ue速度馈送到神经网络。在训练后，神经网络将具有基于信道测量预测ue速度的能力。
分类器准确度已被示出是2类的分类，尽管该方法可以直接扩展到2个以上的类。在评估中，假设每pms＝5ms发送一次srs，并且上行链路上的载波频率等于fc，ghz＝2.1ghz。
表1示出了针对非视线(nlos)信道中的宽带srs的分类器准确度。在表1中，示出了在假设5ms的srs传输间隔、nlos信道(视线(los)信道)和等于2.1ghz的载波频率的宽带srs传输的情况下的分类准确度。这两个类的速度阈值是速度＜25kmph(1类)和25kmph＜速度＜51kmph(2类)。
在snr＝6db时，在nlos信道下，神经分类器提供将近90％的分类准确度。可以看出，即使在snr等于0db时，对于nlos场景，神经分类器实现的准确度也至少为85％。在los条件下，神经分类器的性能较差，因为主los路径暗示着分类器更难以学习速度向量的大小。然而，分类器的性能均匀地超过75％。
表1
表2针对视线信道中的宽带srs的分类准确度
表2分析了具有较低srs传输周期的神经分类器的分类准确度。可以看出，只要探测间隔为10ms或更小，就可以实现良好的分类器准确度。
表3示出了较低的srs传输周期对分类器准确度的影响。
表3
下面的表4示出了通过跨具有相同的探测re位置的srs跳进行相关的fhsrs的分类准确度。
表4
下面的表5示出了通过跨相邻的srs跳进行相关的fhsrs的分类准确度。
表5
从表4和表5可以看出，当ue发送fhsrs时的分类准确度与当ue以宽带方式发送srs时的情况相比是相当有竞争力的。
根据各种实施例，一种用于在无线通信系统中操作基站的方法，包括：从终端接收上行链路(ul)探测参考信号(srs)；根据从终端接收到的ulsrs获得多个ulsrs测量，ulsrs测量的数量超过阈值；从ulsrs测量中提取用于估计终端的移动性的特征；以及基于所提取的特征确定终端的类别。
根据各种实施例，所述类别是通过使用机器学习(ml)分类器来确定的。所述类别包括以下至少一项：对终端的行进速度或行进速度范围的估计；对终端的行进速率或行进速率范围的估计；对主射频(rf)传播路径的多普勒频率或多普勒频率范围的估计；或对在rf传播路径集合上每条路径的多普勒频率或每条路径的多普勒频率范围的估计。ml分类器是包括以下至少一项的深度神经网络：多个卷积神经网络(cnn)层；多个全连接(fc)神经网络层；或多个递归神经网络层。
根据各种实施例，所提取的特征包括频域多普勒功率谱密度(psd)测量的集合，这些测量通过以下操作来估计：根据一个ulsrs测量或通过组合ulsrs测量，按每个发送和接收天线对导出信道冲激响应(cir)；在滑动窗口中缓冲一定数量的cir，其中，每个估计的cir在不同的srs接收时间形成；导出通过使在不同srs接收时间的所缓冲的cir相关而获得的时域自相关函数；以及对时域自相关函数进行快速傅立叶变换(fft)。滑动窗口的大小可以基于终端所属于的类别进行调整。
根据各种实施例，如果在每个srs传输机会期间，终端跨整个带宽发送ulsrs，则通过在从时间连续的ulsrs测量获得的所缓冲的cir的不同滞后下测量自相关函数来导出时域自相关函数。
根据各种实施例，如果在每个srs传输机会期间，终端以跳频方式跨整个带宽的一部分发送srs，则：通过使从时间相邻的srs传输上的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数；或通过使从自相同频率子带上发生的ulsrs跳频传输时机所提取的上行链路srs测量导出的所缓冲的cir相关来获得时域自相关函数。
根据各种实施例，所提取的特征是在每个ulsrs传输时机期间按每个发送和接收天线对从ulsrs测量导出的信道测量的实部和虚部的线性或非线性函数的输出。该线性或非线性函数包括应用信道测量的实部和虚部的融合函数的预处理过程。融合函数被配置为输出：频域中信道测量的实部和虚部；或者频域、接收(rx)天线域、发送(tx)天线域、子载波域或信道快照域之一中信道测量的加权实部和虚部的凸组合。
根据各种实施例，该方法还包括：基于报告的参考信号接收功率(rsrp)和参考信号接收质量(rsrq)，或基于来自终端的信道质量指示(cqi)反馈，估计信噪比(snr)水平，其中，每个不同的神经网络权重集合对应于不同的估计snr水平；基于所估计的不同snr水平，在权重集合中选择神经网络层权重集合；以及通过将所选择的神经网络权重集合应用于每个卷积神经网络(cnn)层和全连接层，来加载加权神经网络架构，以确定要被用于估计移动客户端设备的移动性的类别。
本申请中的描述不应被解读为暗示任何特定的元素、步骤或功能是必须包括在权利要求范围中的基本要素。专利主题的范围仅由权利要求限定。权利要求中的任何其他术语(包括但不限于“机制”、“模块”、“设备”、“单元”、“组件”、“元件”、“构件”、“装置”、“机器”、“系统”、“处理器”或“控制器”)的使用被申请人理解为指代相关领域技术人员已知的结构。
尽管已经利用示例性实施例描述了本公开，但是本领域技术人员可以明了各种改变和修改。本公开意在包括落在所附权利要求范围内的这些改变和修改。