提供多输入多输出检测器选择的系统和方法与流程

相关申请的交叉引用

本申请是基于2019年4月23日在美国专利商标局提交的第62/837,499号美国临时专利申请以及2020年1月23日在美国专利商标局提交的第16/750,363号美国非临时专利申请并要求享有其优先权，其全部内容通过引用合并于此。

本公开总体上涉及无线通信系统。具体地，本公开涉及一种通过用强化学习(rl)神经网络来提供多输入多输出(mimo)检测器选择的系统和方法。

背景技术：

在无线通信系统(例如，长期演进(lte)、第五代新无线电(5gnr))中，mimo符号检测器计算mimo层中的编码比特的对数似然比(llr)。可以使用各种类型的检测方法来确定llr。这些检测方法的复杂度的范围从非常高的复杂度(例如，最大似然(ml))到低复杂度(例如，最小均方误差(mmse))。通常，检测方法的以错误率衡量的性能与复杂度成反比。因此，ml具有最小错误率，而mmse具有最大错误率。

通常，一个检测器用于获得所有资源元素(re)的llr，而与re中的信道条件无关。当选择使用这种静态检测器时，在复杂度和错误率之间存在权衡。如果期望低错误率，则使用高复杂度检测器。另一方面，如果使用低复杂度检测器，则错误率增加。

技术实现要素：

根据一个实施例，一种用于选择符号检测器的方法包括：针对第k个re提取第一组特征，其中k是大于一的整数；从第一个re到第k-1个re提取第二组特征；以及基于提取的第一组特征和提取的第二组特征，使用rl神经网络为第k个re选择符号检测器。

根据一个实施例，一种用于选择符号检测器的系统包括存储器和处理器，该处理器被配置为：针对第k个re提取第一组特征，其中k是大于一的整数；从第一个re到第k-1个re提取第二组特征；以及基于提取的第一组特征和提取的第二组特征，使用rl神经网络为第k个re选择符号检测器

附图说明

本公开的某些实施例的以上及另外的方面、特征和优点将由以下结合附图的详细描述更加明显，附图中：

图1示出了根据实施例的具有符号检测器的用于马尔可夫决策过程(mdp)建立(formulation)的系统的图；

图2示出了根据实施例的与单个传输块(tb)相对应的单个情节的图；

图3示出了根据实施例的使用rl神经网络的检测器选择的流程图；

图4示出了根据一个实施例的与仿真器相关联的rl过程的图；

图5示出了根据一个实施例的用于检测器选择的流程图；

图6示出了根据一个实施例的用于检测器选择的系统的图；以及

图7示出了根据实施例的在网络环境中的电子设备的框图。

具体实施方式

在下文中，参照附图详细描述本公开的实施例。应当注意，尽管在不同的附图中示出了相同的元件，但是它们将由相同的附图标记表示。在以下描述中，提供诸如详细配置和部件的特定细节仅用于帮助对本公开的实施例的整体理解。因此，对于本领域技术人员应当明显的是，在不脱离本公开的范围的情况下，可以对这里描述的实施例进行各种改变和修改。另外，为了清楚和简洁，省略了对公知功能和构造的描述。以下描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或习惯而不同。因此，应基于整个说明书中的内容来确定术语的定义。

本公开可以具有各种变型和各种实施例，其中的实施例在下面参照附图来详细描述。然而，应当理解，本公开不限于所述实施例，而是包括在本公开的范围内的所有修改、等同形式和替代形式。

尽管可以使用包括诸如第一、第二等的序数的术语来描述各种元件，但是结构元件不受这些术语的限制。这些术语仅用于将一个元件与另一个元件区分开。例如，在不脱离本公开的范围的情况下，第一结构元件可以被称为第二结构元件。类似地，第二结构元件也可以被称为第一结构元件。如这里所使用地，术语“和/或”包括一个或更多个相关项目的任何及所有组合。

这里使用的术语仅用于描述本公开的各种实施例，而不旨在限制本公开。单数形式旨在包括复数形式，除非上下文清楚地另行指示。在本公开中，应当理解，术语“包括”或“具有”指示特征、数字、步骤、操作、结构元件、部分或其组合的存在，并不排除一个或更多个其他特征、数字、步骤、操作、结构元件、部分或其组合的存在或添加的可能性。

除非不同地定义，否则这里使用的所有术语具有与本公开所属领域的技术人员所理解的含义相同的含义。诸如通用词典中定义的术语的术语将被解释为具有与相关领域或技术中的语境含义相同的含义，并且将不被解释为具有理想的或过度形式化的含义，除非在本公开中清楚地定义。

根据一个实施例的电子设备可以是各种类型的电子设备之一。电子设备可以包括例如便携式通信设备(例如，智能电话)、计算机、便携式多媒体设备、便携式医疗设备、相机、可穿戴设备或家用电器。根据本公开的一个实施例，电子设备不限于上述那些。

在本公开中使用的术语并不意图限制本公开，而是意图包括针对对应实施例的各种改变、等同形式或替换形式。关于附图的描述，相似的附图标记可以用于指代相似或相关的元件。与项目相对应的单数形式的名词可以包括一个或更多个事物，除非相关上下文清楚地另行指示。如这里所使用地，诸如“a或b”、“a和b中的至少一个”、“a或b中的至少一个”、“a、b或c”、“a、b和c中的至少一个”以及“a、b或c中的至少一个”的短语中的每个可以包括在短语的对应一个短语中一起列举的项目的所有可能组合。如这里所使用地，诸如“第1”、“第2”、“第一”和“第二”的术语可以用于将一对应部件与另一部件区分开，但无意在其他方面(例如，重要性或顺序)限制这些部件。意图是，如果一元件(例如，第一元件)在带有或不带有术语“操作地”或“通信地”的情况下被称为“与”另一元件(例如，第二元件)“联接”、“联接到”另一元件(例如，第二元件)、“与”另一元件(例如，第二元件)“连接”或“连接到”另一元件(例如，第二元件)，则它指示该元件可以直接地(例如，有线的)、无线地或经由第三元件与所述另一元件联接。

如这里所使用地，术语“模块”可以包括以硬件、软件或固件实现的单元，并且可以与例如“逻辑”、“逻辑块”、“部分”和“电路”的其他术语可互换地使用。模块可以是被适配为执行一个或更多个功能的单个一体部件或者其最小单元或部分。例如，根据一个实施例，模块可以以专用集成电路(asic)的形式实现。

符号检测器块在基带调制解调器内具有相对较高的功耗。符号检测器的功耗水平随着调制阶数(order)或层数增加而增加。符号检测器可以按re操作。由于符号检测器的高使用频率，期望降低符号检测器的功耗并利用5g支持的全速。

在衰落信道中，信道随时间和频率两者波动。这样的波动意味着re可以在相对良好的信道上需要功率消耗较少的符号检测器，而在相对较差的信道上需要功率消耗较多的符号检测器。本系统和方法包括为每个re选择期望的符号检测器的学习过程。

通过q学习，将信道和信号的观测转换为状态，并将检测器决策视为动作。将每个检测器的复杂度或等效功耗反映到具有受所有re的所有决策影响的解码结果的奖励。

q值在来回更新中进行完善。通过遵循两个世界的中间结果来调整对错误率给出限制的参数。仿真结果表明，所公开的凭借rl的建立在误块率(blockerrorrate，bler)和检测利用率两个方面有效。

本系统和方法在添加将过去决策反映到当前状态的反馈路径时，将预处理和后处理两者移至基于rl的模式选择中。结果，期望算法本身可以自动应对基于mlp的方案的处理。这种方法使基于rl的方案能够独立于人并靠其自身的算法来解决问题。

根据一个实施例，本系统和方法在不使用样本的启发式操纵的情况下提供rl建立，通过尽可能使用最不复杂的检测器来提供功率节省，并提供支持5g规范的数据驱动仿真器。

在无线系统中，基带接收器包括信道估计器、符号检测器和信道解码器。在这些元件当中，符号检测器主要用两个变量进行操作，在第k个re处的接收信号yk和估计信道元素hk，其中k＝1…k。在不失一般性的情况下，假设层数与发射天线的数量相同，并且在将信号传送到符号检测器之前已将噪声白化。

符号检测器的目的是为与调制符号相对应的每个比特生成对数似然比(llr)，对数似然比(llr)被转发给信道解码器。符号检测器有很多，每个符号检测器在不同水平的复杂度下产生不同质量的llr。本系统和方法提供一种算法，其推荐最低复杂度的检测器使得llr的质量足够好以至于被正确地解码。

图1示出了根据一个实施例的具有符号检测器的用于mdp建立的系统100的图。系统100包括符号检测器102、llr缓冲器104、信道解码器106、信道特征提取块108、延迟110和llr特征提取块112、检测器选择块116和得分映射块118。检测器选择块116是决定检测器水平之处(例如，最小均方估计(mmse)检测器是否足够简单，或是否需要最大似然(ml)检测器来检测第k个re处的信号)。在由rl建立并接受输入(即信道和llr)时，深层网络决定哪个检测器合适(即足以对成功解码有贡献并且足以降低复杂度)。检测器选择块116旨在实现与ml(最大复杂度的检测器)的性能接近的性能，同时实现与mmse(最小复杂度的检测器)的复杂度接近的复杂度。这两种检测器分别是最不复杂的检测器和最为复杂的检测器的示例。理解的是，可以利用更多的检测器水平。检测器选择块116从信道特征提取块108接收一个或更多个信道特征，并从llr特征提取块112接收一个或更多个llr特征。信道特征提取块108提取代表第k个re处的当前信道质量的信道特征。llr特征提取块112提取代表直到第k-1个re的过去信道质量的llr特征。后者用已经生成并存储在llr缓冲器104中的llr值表示。例如，如果所有先前的re选择ml检测器使得llr质量足够高，则当前re将有很高的可能性选择低复杂度的检测器，因为期望解码器增益来补偿单个比特错误。

给定第k个re，从hk和lk提取信道和llr特征两者。状态sk包括这两个特征。信道特征代表hk的瞬时信道有多好。除hk之外，还可以使用yk来提取信道特征。llr特征被设计为反映直到第k-1个re已决定了的动作。llr信息lk是针对所有层的从第1个re衔接至第k-1个re的llr集合，并表示为lk+1＝[lk，lk]，其中lk是从第k个re处选择的检测器产生的llr。lk被初始化为空集。在tb中的所有re上，每个状态包括状态集合s，它表示对于k＝1、…、k的sk的所有可能实现。

检测器选择块116的输出在得分映射块118处被转换为复杂度得分ck+1。低复杂度检测器(例如，mmse)被映射以较高的得分，高复杂度检测器(例如，ml)被映射以较低的得分。只要来自信道解码器106的解码结果ek+1通过如等式(1)中定义的循环冗余校验(crc)，选择低复杂度的检测器以使奖励之和rk+1最大化就是有益的。

如这里所描述地，利用状态、动作和奖励之间的常规索引标识符，使得对于第k个re，状态sk和动作ak生成奖励rk+1而非rk。

图2示出了根据实施例的对应于单个tb的单个情节(episode)200的图。可以用rl的背景下使用的术语来抽象等式(1)的建立。情节被定义为探索与单个tb相关联的所有re的游戏。从初始re202开始，检测器选择块116确定检测器的类型(即动作ak)，并且情节在第t-1个re204处结束。两个不同的属性用于表示当前特征和过去特征，其在第k个re处包括状态sk。总共定义了八个特征，包括用于信道特征的三个特征和用于llr特征的五个特征。

图3示出了根据实施例的使用rl神经网络的检测器选择的流程图300。在302处，系统提取代表当前环境的信道特征。系统可以从re中的信道矩阵中提取信道特征。信道特征包括仅使用hk的对角与对角(diagonal-to-diagonal)信道功率比、条件数和总信道功率(即弗罗贝尼乌斯(frobenius)范数)。

在304处，系统提取llr特征。系统可以使用直到先前re的累积的llr来提取llr特征。llr特征使用llr缓冲器104的输出lk产生，并且包括归一化的re位置(k/t～[0,1))、llr分布的绝对值、平均值标准偏差和软符号分布。llr特征由等式(2)表示：

其中，f1对应于将要一起解码的tb内的相关re位置，f2和f3对应于来自过去re的llr特征的平均值和标准偏差值，f4和f5对应于在过去re处在星座图上的具有其平均值/标准偏差的软符号分布。

对于软符号分布，使用llr、lk，可以计算每个星座点的符号概率。第k个re和第l层的符号概率如等式(3)中那样定义：

其中，bk(m)是第m个双极位。然后，使用pk，l*的平均值和标准偏差，其中，如等式(4)中：

下标1:k-1表示从1至k-1的指数。将得分分配给检测器是在得分分布～θ下控制状态sk和动作ak的策略πθ。然后，奖励rk+1对应于单个情节中的复杂度得分和解码惩罚之和。

在306处，系统基于提取的信道特征和提取的过去环境特征，使用rl神经网络为每个re选择符号检测器。所公开的方法用优化问题在数学上建立，以在受制于应适当地保持错误率的约束的情况下最大化复杂度得分的总数。这表示为等式(5)：

其中，et是指示解码是否在k＝t-1处失败的二元事件。et，ml是当同一情节处使用最复杂的检测器ml时的错误事件。随机变量τ表示游戏轨迹以体现在策略πθ下的状态动作演化。同样地，τml代表检测器ml在同一情节处的游戏轨迹。解码结果的效果仅在每个情节的最后一个re处可获得。换言之，其中k<t的ek对奖励或约束没有贡献，而对et有贡献。为了求解等式(5)，引入拉格朗日乘数μ来建立如等式(6)中的拉格朗日函数。

l(μ，π)＝j(πθ)-μ(eτ(et)-eτ，ml(et，ml)-∈)(6)

详细地，拉格朗日函数被展开为等式(7)：

其中，(a)源自eτ，ml(·)独立于π并且如果k<t则ek＝0的事实。(b)说明，现在用复杂度得分和其中用其惩罚参数(例如拉格朗日乘数π)处罚解码失败的解码结果两者来定义对所公开的游戏的奖励。

当启用具有价值网络的策略网络时，通过使用几种技术(例如，策略梯度算法和演员-评论家算法)来更新πθ以调整复杂度得分到检测器的映射。当仅启用价值网络时，在通过经由深度q网络(dqn)调整来自q学习的θ来最大化预期回报的同时，不改变复杂度评分规则。表1中提供了算法1。

表1

如算法1所示，重复迭代直到算法的错误率与ml的错误率相比足够可靠为止。为了最小化错误率的敏感性，用等式(8)：

代替等式(9)：

pe，rl-pe，ml(9)

执行了仿真。

其中，根据实证经验选择了数字1/16和对数函数。理解的是，可以利用任何其他度量来确定算法结果是否可靠。

可以基于深度学习(dl)技术来选择mimo模式。使用mlp的mimo模式选择可以使用信道功能。换言之，可以在没有来自llr缓冲器104的反馈路径的情况下使用图1的系统100。

对于离线训练，用适当的标签从hk中的每个生成信道特征。mlp训练没有情节概念，从而可以在所有样本上任意选择hk。训练mlp网络来产生如等式(10)中的策略。

πθ(ak|sk)＝p(a＝ak|s＝sk，θ)(10)

用后处理完善该策略，该后处理计算p(a＝ai|s＝sk，θ)和p(a＝aj|s＝sk，θ)之间的余量，其中j＝i+1，并重新标记检测器类型，以确保可靠的错误率。更新后的标签将被反复训练。

在线过程较为简单，使得对于hk的信道特征在训练后的mlp网络上前向传播。然后，如等式(11)中那样选择最佳动作，其应当对应于最低复杂度但足够可靠的检测器。

图4示出了根据一个实施例的与仿真器相关联的rl过程的图。可以在环境和代理之间针对mimo模式选择执行rl。表2中提供的算法2就仿真器和神经网络之间的交互作用重新阐述了算法1。在表2中，第一个“for”循环对应于循环410，第二个“for”循环对应于循环412，第三个“for”循环对应于循环414。

表2

rl系统400包括测试rlbler的误块率(bler)仿真器块402、生成策略的策略仿真器块404、目标q值更新块406和q函数回归块408。随着遵循每个情节的轨迹，仿真器404以其状态/动作/奖励的四元组(s,a,s′,r)来收集样本。为了帮助状态针对其探索被引导，本系统和方法仅在第一轮使用信道特征。然后，收集到的样本形成重播缓冲器，并使用非策略q网络进行完善以最大化预期的未来奖励。为了改善策略，在块406和408处使用完善后的样本并凭借其状态和动作到奖励的映射来执行q学习。重复这些步骤，直到在当前解码惩罚下q值足够可靠为止。然后，更新解码惩罚参数μ，使得在更新后的惩罚下重新生成样本并将其馈送到重播缓冲器中。

所公开的算法包括两个迭代。称为外部迭代的第一个迭代针对用于收集具有新解码惩罚参数的样本的θ(q)，并迭代直到nmax。称为内部迭代的第二个迭代针对完善样本质量的q学习，并迭代直到kmax。另外，尽管它不是串行迭代，但是q学习估计凭借直到mmax的并行迭代得到改善。

与往常一样，rl算法从以下问题开始：如何在404处以样本的四元组(s,a,s′,r)形式收集样本，以及何时更新预期的未来平均奖励(即，q(s,a))。由于这些样本中嵌入的相关性，不鼓励使用每情节样本或彼此足够接近的情节内的样本来过于频繁地更新q值。使从大缓冲器提取的样本之中的相关性最小化已经实现，并被称为重播缓冲器或转换数据集。

分别执行串行作业和并行作业以更新rl结果并收集样本。q网络包括目标q值更新406和q函数回归408，两者均以串行方式迭代地执行。回归本身带有其自身的迭代，以确保估计的均方误差(mse)的适当水平。受指导的决策如等式(12)中那样生成初始q值。

基于q学习的决策依赖于在每个时刻从回归估计的q(s，a)。因此，使q(s，a)受到足以探索所有状态的数量的样本的训练是重要的。例如，给定状态sk，即使在训练中多半选择了动作ai，也需要体验不同的aj。否则，与q(sk，aj))相比，q(sk，aj))将是未定义的或被不可靠地估计，这会导致意外行为。因此，∈-贪心算法对于在训练中提供访问意外动作的机会并确保估计的q(sk，aj)小是至关重要的。

在∈贪心决策下，如等式(13)中那样生成q值。

以相同的q值利用最大值运算符以选择和评估动作。这导致选择高估值的可能性，并导致向上偏差。可选择地，通过使用不同的q值(称为双重q学习或双重dqn)将选择和评估分开。换言之，当前的q网络q(s，a)用于选择动作，而较旧的q网络q′(s，a)用于评估动作。因此，等式(13)被更新为等式(14)。

用多个网络初始化在mlp网络上训练更新后的q(s，a)。网络初始化可以是先前外部迭代中的q值参数、先前内部迭代中的q值参数、或是来自泽维尔(xavier)方法的随机输入。如果它存在，则它被用作训练的初始参数。来自泽维尔方法的随机输入也被用于探索不同的初始化。

退出条件被定义为msem＝min(mse1：m-1)并且m>mth或m＝mmax。该条件确保估计的mse足够可靠，并且至少预期网络在给定节点数的情况下被充分利用。如等式(15)中那样计算mse：

其中，是第i个样本的估计q值。

图5示出了根据一个实施例的用于检测器选择的流程图500。在502处，系统用动作将信道特征和llr特征注入到训练后的网络。在504处，系统确定是否测试了所有动作。如果没有测试所有动作，则系统重复到502。如果测试了所有动作，则在506处，系统找到与最大q值相对应的最佳动作。在508处，系统使用与最佳动作相对应的检测器。

图6示出了根据一个实施例的用于检测器选择的系统的图。系统600将基于初始神经网络的llr特征、信道特征和动作注入到额外的神经网络602中。在对神经网络602的训练完成之后，系统600产生奖励604并获得网络权重(q)606。然后，系统600将基于先前的q606的llr特征、信道特征和动作注入到神经网络602中。系统600产生奖励608并重复该过程。

图7示出了根据一个实施例的在网络环境700中的电子设备701的框图。参照图7，网络环境700中的电子设备701可以经由第一网络798(例如，短程无线通信网络)与电子设备702通信，或经由第二网络799(例如，远程无线通信网络)与电子设备704或服务器708通信。电子设备701可以经由服务器708与电子设备704通信。电子设备701可以包括处理器720、存储器730、输入设备750、声音输出设备755、显示设备760、音频模块770、传感器模块776、接口777、触觉模块779、相机模块780、电力管理模块788、电池789、通信模块790、用户识别模块(sim)796或天线模块797。在一个实施例中，可以从电子设备701中省略所述部件中的至少一个(例如，显示设备760或相机模块780)，或者可以将一个或更多个其它部件添加到电子设备701中。在一个实施例中，可以将所述部件中的一些实现为单个集成电路(ic)。例如，可以将传感器模块776(例如，指纹传感器、虹膜传感器或照度传感器)嵌入在显示设备760(例如，显示器)中。

处理器720可以运行例如软件(例如，程序740)来控制电子设备701的与处理器720联接的至少一个其它部件(例如，硬件部件或软件部件)，并且可以执行各种数据处理或计算。作为所述数据处理或计算的至少部分，处理器720可以将从另一部件(例如，传感器模块776或通信模块790)接收到的命令或数据加载到易失性存储器732中，对存储在易失性存储器732中的命令或数据进行处理，并将结果数据存储在非易失性存储器734中。处理器720可以包括主处理器721(例如，中央处理单元(cpu)或应用处理器(ap))以及与主处理器721在操作上独立的或者相结合的辅助处理器710(例如，图形处理单元(gpu)、图像信号处理器(isp)、传感器中枢处理器或通信处理器(cp))。另外地或者可选择地，辅助处理器710可以被适配为比主处理器721耗电更少，或被适配为运行特定的功能。可以将辅助处理器710实现为与主处理器721分离，或者实现为主处理器721的一部分。

在主处理器721处于未激活(例如，睡眠)状态时，辅助处理器710可以代替主处理器721来控制与电子设备701的部件之中的至少一个部件(例如，显示设备760、传感器模块776或通信模块790)相关的功能或状态中的至少一些，或者在主处理器721处于激活状态(例如，运行应用)时，辅助处理器710可以与主处理器721一起来控制与电子设备701的部件之中的至少一个部件(例如，显示设备760、传感器模块776或通信模块790)相关的功能或状态中的至少一些。根据一个实施例，可以将辅助处理器710(例如，isp或cp)实现为在功能上与辅助处理器710相关的另一部件(例如，相机模块780或通信模块790)的部分。

存储器730可以存储由电子设备701的至少一个部件(例如，处理器720或传感器模块776)使用的各种数据。所述各种数据可以包括例如软件(例如，程序740)以及针对与其相关的命令的输入数据或输出数据。存储器730可以包括易失性存储器732或非易失性存储器734。

可以将程序740作为软件存储在存储器730中，并且程序740可以包括例如操作系统(os)742、中间件744或应用746。

输入设备750可以从电子设备701的外部(例如，用户)接收将由电子设备701的其它部件(例如，处理器720)使用的命令或数据。输入设备750可以包括例如麦克风、鼠标或键盘。

声音输出设备755可以将声音信号输出到电子设备701的外部。声音输出设备755可以包括例如扬声器或接收器。扬声器可以用于诸如播放多媒体或播放唱片的通用目的，接收器可以用于接收呼入呼叫。根据一个实施例，可以将接收器实现为与扬声器分离，或实现为扬声器的一部分。

显示设备760可以向电子设备701的外部(例如，用户)视觉地提供信息。显示设备760可以包括例如显示器、全息设备或投影仪以及用于控制显示器、全息设备和投影仪中的对应一个的控制电路。根据一个实施例，显示设备760可以包括被适配为检测触摸的触摸电路或被适配为测量由触摸引起的力的强度的传感器电路(例如，压力传感器)。

音频模块770可以将声音转换为电信号，反之亦可。根据一个实施例，音频模块770可以经由输入设备750获得声音，或者经由声音输出设备755或与电子设备701直接地(例如，有线的)或无线地联接的外部电子设备702的耳机输出声音。

传感器模块776可以检测电子设备701的操作状态(例如，功率或温度)或电子设备701外部的环境状态(例如，用户的状态)，然后产生与检测到的状态相对应的电信号或数据值。传感器模块776可以包括例如手势传感器、陀螺仪传感器、大气压力传感器、磁性传感器、加速度传感器、握持传感器、接近传感器、颜色传感器、红外(ir)传感器、生物特征传感器、温度传感器、湿度传感器或照度传感器。

接口777可以支持将用来使电子设备701与外部电子设备702直接地(例如，有线的)或无线地联接的一个或更多个特定协议。根据一个实施例，接口777可以包括例如高清晰度多媒体接口(hdmi)、通用串行总线(usb)接口、安全数字(sd)卡接口或音频接口。

连接端778可以包括连接器，其中，电子设备701可经由所述连接器与外部电子设备702物理连接。根据一个实施例，连接端778可以包括例如hdmi连接器、usb连接器、sd卡连接器或音频连接器(例如，耳机连接器)。

触觉模块779可以将电信号转换为可被用户经由触觉或动觉识别的机械刺激(例如，振动或运动)或电刺激。根据一个实施例，触觉模块779可以包括例如电机、压电元件或电刺激器。

相机模块780可以捕获静止图像或运动图像。根据一个实施例，相机模块780可以包括一个或更多个透镜、图像传感器、图像信号处理器或闪光灯。

电力管理模块788可以管理供应给电子设备701的电力。可以将电力管理模块788实现为例如电力管理集成电路(pmic)的至少部分。

电池789可以对电子设备701的至少一个部件供电。根据一个实施例，电池789可以包括例如不可再充电的原电池、可再充电的二次电池、或燃料电池。

通信模块790可以支持在电子设备701与外部电子设备(例如，电子设备702、电子设备704或服务器708)之间建立直接(例如，有线)通信信道或无线通信信道，并经由建立的通信信道执行通信。通信模块790可以包括可独立于处理器720(例如，ap)操作的一个或更多个通信处理器，并支持直接(例如，有线)通信或无线通信。根据一个实施例，通信模块790可以包括无线通信模块792(例如，蜂窝通信模块、短距离无线通信模块或全球导航卫星系统(gnss)通信模块)或有线通信模块794(例如，局域网(lan)通信模块或电力线通信(plc)模块)。这些通信模块中的对应一个可以经由第一网络798(例如，短距离通信网络，诸如蓝牙^tm、无线保真(wi-fi)直连或红外数据协会(irda))或第二网络799(例如，长距离通信网络，诸如蜂窝网络、互联网、或计算机网络(例如，lan或广域网(wan)))与外部电子设备通信。可以将这些各种类型的通信模块实现为单个部件(例如，单个ic)，或者可以将这些各种类型的通信模块实现为彼此分离的多个部件(例如，多个ic)。无线通信模块792可以使用存储在用户识别模块796中的用户信息(例如，国际移动用户识别码(imsi))识别并验证通信网络(诸如第一网络798或第二网络799)中的电子设备701。

天线模块797可以将信号或电力发送到电子设备701的外部(例如，外部电子设备)或从电子设备701的外部(例如，外部电子设备)接收信号或电力。根据一个实施例，天线模块797可以包括一个或更多个天线，并且可以由例如通信模块790(例如，无线通信模块792)从所述一个或更多个天线中选择适合于在通信网络(诸如第一网络798或第二网络799)中使用的通信方案的至少一个天线。然后可以经由所选择的至少一个天线在通信模块790和外部电子设备之间发送或接收信号或电力。

上述部件中的至少一些可以经由外设间通信方案(例如，总线、通用输入输出(gpio)、串行外设接口(spi)或移动工业处理器接口(mipi))相互联接并在它们之间通信信号(例如，命令或数据)。

根据一个实施例，可以经由与第二网络799联接的服务器708在电子设备701和外部电子设备704之间发送或接收命令或数据。电子设备702和电子设备704中的每个可以是与电子设备701相同类型的设备，或是与电子设备701不同类型的设备。将在电子设备701运行的全部操作或一些操作可以在外部电子设备702、704或708中的一个或更多个运行。例如，如果电子设备701应该自动执行功能或服务，或者应该响应于来自用户或另一设备的请求执行功能或服务，则电子设备701可以请求所述一个或更多个外部电子设备执行所述功能或服务中的至少部分，而不是运行所述功能或服务，或者电子设备701除了运行所述功能或服务以外，还可以请求所述一个或更多个外部电子设备执行所述功能或服务中的至少部分。接收到所述请求的所述一个或更多个外部电子设备可以执行所述功能或服务中的所请求的所述至少部分，或者执行与所述请求相关的额外功能或额外服务，并将执行的结果传送到电子设备701。电子设备701可以在对所述结果进行进一步处理的情况下或者在不对所述结果进行进一步处理的情况下将所述结果提供作为对所述请求的至少部分答复。为此，可以使用例如云计算技术、分布式计算技术或客户机-服务器计算技术。

可将一个实施例实现为包括存储在存储介质(例如，内部存储器736或外部存储器738)中的可由机器(例如，电子设备701)读取的一个或更多个指令的软件(例如，程序740)。例如，在处理器的控制下，电子设备701的处理器可以在使用或不使用一个或更多个其它部件的情况下调用存储在存储介质中的所述一个或更多个指令中的至少一个指令并运行所述至少一个指令。因此，机器可以操作用于根据所调用的所述至少一个指令执行至少一个功能。所述一个或更多个指令可以包括由编译器产生的代码或可由解释器运行的代码。可以以非暂时性存储介质的形式来提供机器可读存储介质。术语“非暂时性”意味着该存储介质是有形设备，并且不包括信号(例如，电磁波)，但是该术语并不在数据被半永久性地存储在存储介质中与数据被临时存储在存储介质中之间进行区分。

根据一个实施例，可以在计算机程序产品中包括和提供本公开的方法。计算机程序产品可以作为产品在销售者和购买者之间进行交易。可以以机器可读存储介质(例如，紧凑盘只读存储器(cd-rom))的形式来发布计算机程序产品，或者可以经由应用商店(例如，playstore^tm)在线发布(例如，下载或上传)计算机程序产品，或者可以直接在两个用户设备(例如，智能电话)之间分发(例如，下载或上传)计算机程序产品。如果在线发布，则计算机程序产品中的至少部分可以是临时产生的，或者可以将计算机程序产品中的至少部分至少临时存储在机器可读存储介质(诸如制造商的服务器、应用商店的服务器或转发服务器的存储器)中。

根据一个实施例，上述部件中的每个部件(例如，模块或程序)可以包括单个实体或多个实体。可以省略上述部件中的一个或更多个，或者可以添加一个或更多个其它部件。可选择地或者另外地，可以将多个部件(例如，模块或程序)集成为单个部件。在这种情况下，该集成部件可以仍旧以与所述多个部件中的对应一个部件在集成之前执行一个或更多个功能相同或相似的方式来执行所述多个部件中的每个部件的所述一个或更多个功能。由模块、程序或另一部件所执行的操作可以顺序地、并行地、重复地或启发式地来执行，或者所述操作中的一个或更多个操作可以按不同的顺序来运行或被省略，或者可以添加一个或更多个其它操作。

尽管已经在本公开的详细描述中描述了本公开的某些实施例，但是在不脱离本公开的范围的情况下，可以以各种形式修改本公开。因此，本公开的范围不应仅基于所描述的实施例来确定，而是应基于所附权利要求及其等同物来确定。