用于基于机器学习来估计干扰的装置及方法与流程

相关申请的交叉引用

本申请要求2019年10月21日在美国专利商标局递交的美国临时申请no.62/923,695和2020年4月7日在韩国知识产权局递交的韩国专利申请no.10-2020-0042407的权益，其全部公开内容在本文中通过引用并入。

本发明构思涉及无线通信，更具体地涉及用于基于机器学习估计干扰的装置及方法。

背景技术：

无线通信系统使用电磁信号在不同的位置(例如，基站和移动设备)之间传输信息。移动设备包括移动电话、平板计算机、以及导航设备。无线通信系统中的干扰影响作为成功传输信息的速率的系统吞吐量。

无线通信系统可以将不同的技术用于增加吞吐量。例如，系统可以使用多根天线来更高效地传输和接收信号。在一些情况下，发射器传输复杂的信号，而接收器处理所述信号。

然而，干扰可以扰乱接收器对通过天线接收的信号的处理。为了解决这个问题，接收器可以估计干扰并且从所接收的信号中去除干扰。在一些情况下，难以从复杂的信号中去除干扰。因此，本领域中需要信号干扰估计。

技术实现要素：

本发明构思涉及用于基于机器学习高效地估计干扰的装置及方法。

根据本发明构思的一个方面，提供了一种装置，包括：至少一个第一处理器，根据与接收信号相对应的接收信号向量、与服务信号相对应的服务信道矩阵和与干扰信号相对应的干扰信道矩阵中的至少一项生成输入向量，该接收信号包括服务信号和干扰信号；以及，第二处理器，执行由多个样本输入向量和多个样本干扰参数训练的至少一个机器学习模型。至少一个第一处理器将输入向量提供给第二处理器，并且基于由第二处理器提供的至少一个机器学习模型的输出向量来确定与干扰信号相对应的干扰参数。

根据本发明构思的一个方面，提供了一种方法，包括：根据与接收信号相对应的接收信号向量、与服务信号相对应的服务信道矩阵和与干扰信号相对应的干扰信道矩阵中的至少一项生成输入向量，该接收信号包括服务信号和干扰信号；将输入向量提供给由多个样本输入向量和多个样本干扰参数训练的至少一个机器学习模型；以及基于至少一个机器学习模型的输出向量，确定与干扰信号相对应的干扰参数。

根据本发明构思的一个方面，提供了一种方法，包括：根据包括通过第一信道接收的服务信号和通过第二信道接收的干扰信号的接收信号，生成接收信号向量；通过估计第一信道和第二信道，生成服务信道矩阵和干扰信道矩阵；以及基于通过多个样本接收信号向量、多个样本服务信道矩阵、多个样本干扰信道矩阵和多个样本干扰参数所训练的至少一个机器学习模型，估计与接收信号向量、服务信道矩阵和干扰信道矩阵相对应的干扰参数。

附图说明

根据以下结合附图进行的详细描述，将更清楚地理解本发明构思的实施例，在附图中：

图1是示出根据本发明构思的示例性实施例的包括用户设备(ue)和基站的无线通信系统的图；

图2是示出根据本发明构思的示例性实施例的ue的框图；

图3是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图；

图4是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图；

图5是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图；

图6是示出根据本发明构思的示例性实施例的第二处理器的示例的框图；

图7a和图7b是示出根据本发明构思的示例性实施例的输出向量的示例的表；

图8是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图；

图9是示出根据本发明构思的示例性实施例的无线通信系统的时隙的示例的图；

图10是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图；

图11是示出根据本发明构思的示例性实施例的通过图10的估计干扰的方法操作的示例的图；以及

图12是示出根据本发明构思的示例性实施例的装置的框图。

具体实施方式

本公开总体上涉及无线通信系统。更具体地，本公开的实施例涉及用于估计信号中的干扰方法及装置。在一些实施例中，使用机器学习来执行信号干扰估计。

在一些情况下，在终端处的通信可以被(例如，来自相邻信号的)干扰信号打断。为了校正信号，终端可以估计干扰并且从接收信号中去除干扰信号。然而，对干扰信号进行估计的复杂度由于要被评估的干扰信号的许多组合而增加。

因此，本公开的实施例将经训练的神经网络用于估计信号的干扰参数。使用输入和干扰参数对神经网络进行训练。提供给神经网络的输入可以包括：基于接收信号、以及表示服务信道和干扰信道的信道矩阵计算的实数。神经网络的输出可以包括：可用的干扰参数的组合和与可以确定的最高等级相对应的干扰参数的组合的等级。

因此，可以估计干扰参数，并且可以限制对干扰参数进行估计的复杂度的增加，而与干扰参数的复杂度的数量的增加无关。在一些示例中，可以将与具有公用的干扰参数的多个无线电资源相对应的神经网络的输出组合为一个输出，并且可以基于经组合的输出来估计干扰参数。

本公开的信号干扰方法及装置包括至少一个第一处理器和第二处理器。至少一个第一处理器根据以下项中的至少一项来生成输入向量：与接收信号相对应的接收信号向量，接收信号包括服务信号和干扰信号；与服务信号相对应的服务信道矩阵；以及与干扰信号相对应的干扰信道矩阵。第二处理器执行由样本输入向量和样本干扰参数训练的至少一个机器学习模型。至少一个第一处理器将输入向量提供给第二处理器，以及基于由第二处理器提供的至少一个机器学习模型的输出向量来确定与干扰信号相对应的干扰参数。

图1是示出根据本发明构思的示例性实施例的具有ue和基站的无线通信系统5的图。无线通信系统5可以使用诸如第5代无线(5g)新无线电(nr)系统、长期演进(lte)系统、lte高级系统、码分多址(cdma)系统、或全球移动通信(gsm)系统之类的蜂窝网络。在下文中，将主要参考无线通信系统，特别是作为使用蜂窝网络的无线通信系统的lte系统来描述无线通信系统5。然而，本发明构思的示例性实施例不限于此。

基站(bs)12或22通常可以指代与ue30和/或另一bs通信的固定站，并且可以通过与ue30和/或另一bs通信来交换数据和控制信息。例如，bs12或22可以被称为节点b、演进节点b(enb)、下一代节点b(gnb)、扇区、站点、基站收发器系统(bts)、接入点(ap)、中继节点、远程无线电头端(rrh)、无线电单元(ru)或小的小区。在本文中，bs12或22或小区可以被共同解释为表示由cdma中的基站控制器(bsc)、宽带cdma(wcdma)的节点b、lte中的enb、5g的gnb、或扇区(站点)覆盖的部分区域或功能，并且可以包括各种覆盖区域，例如大小区、宏小区、微小区，微微小区，毫微微小区、中继节点、rrh、ru或小小区通信范围。

ue30可以指代可以是固定的或移动的、并且可以通过与bs12或22通信来传输和接收数据和/或控制信息的任何设备。例如，ue可以被称为终端、终端设备、移动站(ms)、移动终端(mt)、用户终端(ut)、订户站(ss)、无线设备或手持设备。

ue30和服务或干扰bs12或22之间的无线通信网络可以通过共享可用网络资源来支持多个用户之间的通信。例如，在无线通信网络中，可以通过各种多址方法中的一种方法来传输信息，各种多址方法例如是cdma、频分多址(fdma)、时分多址(tdma)、正交频分多址(ofdma)、单载波频分多址(sc-fdma)、ofdm-fdma、ofdm-tdma和ofdm-cdma。

ue30可以接收服务信号rx_s(例如，想要接收的信号)和干扰信号rx_i(例如，不想要的干扰信号)。例如，如图1所示，第一信道14可以在ue30和服务小区10的服务bs12之间形成。ue30可以通过第一信道14从bs12接收服务信号rx_s。附加地或备选地，第二信道24可以在ue30和相邻小区20的干扰bs22之间形成。ue30可以通过第二信道24接收干扰信号rx_i。在一些实施例中，ue30可以从诸如中继器、转发器或图1所示的干扰bs22之类的另一干扰源接收干扰信号，并且可以从多个干扰源接收干扰信号。因此，ue30通过天线接收的信号(在本文被称为接收信号)可以包括：服务信号rx_s和干扰信号rx_i，并且ue30可以被用于正确地检测和去除干扰信号rx_i，以基于接收信号检测由服务bs12提供的服务信号rx_s。例如，由ue30从任意无线电资源接收的信号可以在公式1中进行如下表示。

公式1

y＝ys+yi+n

在公式1中，向量y(在本文被称为接收信号向量)可以与接收信号相对应，向量ys可以与服务信号rx_s相对应，向量yi可以与干扰信号rx_i相对应，而向量n可以与噪声相对应。因此，可以通过从向量y中去除向量yi和n来获得与接收信号相对应的向量ys。

为了从接收信号去除干扰信号rx_i，例如，为了获得来自公式1的向量yi，ue30可以估计干扰参数。例如，第3代伙伴计划(3gpp)lte可以调节网络辅助的干扰消除和抑制(naics)，并且ue30可以根据naics估计干扰参数。定义干扰信号rx_i的干扰参数可以包括干扰bs22传输干扰信号rx_i所使用的传输参数，并且可以根据各种原因波动。例如，干扰参数可以包括由无线电资源控制(rrc)层提供并且缓慢波动的干扰参数，例如物理小区id、小区特定信号(css)端口号、传输模式、多播广播单频网(mbsfn)配置、资源块粒度、小区特定业务导频功率比(tpr)、以及ue特定的tpr的有限的候选值。干扰参数还可以包括：以资源块的单位快速波动的干扰参数，例如，ue特定的tpr、秩指示符(ri)、以及预编码矩阵索引(pmi)。因此，ue30可以被用于基于接收信号正确和高效地估计快速波动的干扰参数。

在一些实施例中，ue30可以向服务bs12报告关于干扰的信息(例如，已估计的干扰参数)，并且服务bs12可以基于已估计的干扰来提高通信性能。例如，服务bs12可以基于由ue30提供的信息来控制竞争和调度。在一些实施例中，在干扰的影响很大的状态下(例如，图1所示的ue30被定位在小区边缘)，服务bs12可以减小用于ue30的mimo的秩。在下文中，将参考由服务bs12传输的传输信号的秩为1的情况来描述本发明构思的示例性实施例。然而，本发明构思不限于此。

基于最大似然的干扰参数的估计可以针对干扰参数的组合使用穷举搜索，因此，随着要由ue30估计的干扰参数的增加，可能会有复杂度的显著的增加。附加地或备选地，基于最大似然的干扰参数的估计可以使用出现干扰的环境的实际概率分布或接近实际概率分布的概率分布。因此，通过使用对概率分布进行建模而获得的概率模型的估计的准确性可能是有限的。

如之后参考附图所描述的，ue30可以基于机器学习来估计干扰参数。因此，可以省略用于对干扰参数进行估计的穷举搜索，而且，与干扰参数的增加无关，可以高效地估计干扰。附加地或备选地，通过使用通过实际通信环境获得的样本数据进行学习的机器学习模型，就不需要概率分布，并且可以提高干扰参数的估计的准确性。附加地或备选地，由于复杂度减小，所以可以高效地估计快速波动的干扰参数，因此，可以提高ue30的接收性能和无线通信系统5的效率。

图2是示出根据本发明构思的示例性实施例的ue100的图。如上文参考图1所述，ue100可以接收具有服务信号rx_s和干扰信号rx_i的接收信号，并且可以通过估计干扰参数从接收信号去除干扰信号rx_i。如图2所示，ue100可以包括：天线110、收发器130、至少一个第一处理器150、第二处理器170、以及主处理器190。ue100的两个或更多个组件可以分别被实现为图2的一个实体(例如，半导体芯片)。在下文中，将参考图1来描述图2。

天线110可以从ue100的外部接收射频(rf)信号或者可以将rf信号输出到ue100的外部。在一些实施例中，天线110可以包含天线阵列，所述天线阵列包括多根天线，并且天线110可以支持mimo和/或波束成形。

收发器130可以处理天线110和至少一个第一处理器150之间的信号。例如，收发器130可以包括双工器、开关、滤波器、混频器、以及放大器。收发器130可以通过处理从天线110接收的rf信号生成基带接收信号rx_bb，并且可以将基带接收信号rx_bb提供给至少一个第一处理器150。

基带信号可以指生成信号的频段中的信号。在一些情况下，通信设备可以生成在一个频率(例如，相对较低的频率)的信号，然后传输和接收另一频率(例如，相对较高的频率)的信号。生成信号的(或由接收器进行处理的)频率有时被称为基带频率，而传输频率(或接收频率)被称为无线电频率。通过将已接收的频率与另一信号混合并且对结果进行滤波，可以将在一个频率(例如，传输频率)处的频率转换到另一频率(例如，基带频率)。

收发器130可以通过处理由至少一个第一处理器150提供的基带传输信号tx_bb来生成rf信号，并且可以将rf信号提供给天线110。在一些实施例中，收发器130可以被称为射频集成电路(rfic)。

至少一个第一处理器150可以执行与由无线通信系统5定义的无线协议结构中的至少一个层相对应的操作。例如，至少一个第一处理器150可以包括：两个或更多个处理器，处理无线协议结构的层中的每一个层。如图2所示，至少一个第一处理器150可以通过处理由主处理器190提供的净荷pl来生成基带传输信号tx_bb，并且可以通过处理从收发器130接收的基带接收信号rx_bb来生成净荷pl。至少一个第一处理器150还可以将基带传输信号tx_bb和净荷pl提供给主处理器190。在一些实施例中，至少一个第一处理器150可以包括：包括通过逻辑综合设计的逻辑块、包括软件和用于执行软件的至少一个核的处理单元和硬件和处理单元的组合的硬件。在一些实施例中，至少一个第一处理器150可以被称为通信处理器、调制解调器等。要在之后进行描述的至少一个第一处理器150和第二处理器170可以可以被共同称为通信处理器或调制解调器。

至少一个第一处理器150可以生成用于估计干扰参数的输入向量in，并且可以将输入向量in提供给第二处理器170。在一些示例中，输入向量是实数或复数的集合，其中，每个数都与索引相关联。输入向量可以与信号或信道的已测量的参数相对应。附加地或备选地，输入向量可以与已接收的关于干扰信号的信息或关于信道的信息相对应。

附加地或备选地，至少一个第一处理器150可以从第二处理器170接收输出向量out，并且可以基于输出向量out估计干扰参数。输出向量也可以是数字的集合，其中，每个数字与索引(例如，与向量的尺寸相对应的索引)相关联。具体地，输出向量是由函数(其可以通过机器学习模型进行表示)输出的数字的集合。将参考图3描述至少一个第一处理器150的用于估计干扰参数的操作的示例。

第二处理器170可以执行至少一个机器学习模型175。至少一个机器学习模型175可以处于通过(例如，与干扰信号的秩、发射功率、和/或预编码矩阵相对应的)多个样本输入向量和多个样本干扰参数进行训练的状态。因此，作为对由至少一个第一处理器150提供的输入向量in的响应，第二处理器170可以将由至少一个机器学习模型175生成的输出向量out提供给至少一个第一处理器150。

例如，样本输入向量和样本干扰参数可以与用于有监督学习的经标记的训练数据相对应。有监督学习是还包括无监督学习和强化学习的三种基本的机器学习范式中的一种。有监督学习是基于示例输入输出对来学习将输入映射到输出的函数的机器学习任务。有监督学习基于由训练示例的集合组成的经标记的训练数据，生成用于预测经标记的数据的函数。在一些情况下，每个示例是由输入对象输入(通常是向量)和期望的输出值(即，单个值或输出向量)组成的对。有监督的学习算法分析训练数据，且产生推测出的函数，该推测出的函数可以被用于映射新的示例。在一些情况下，所述学习产生正确地确定未见实例的类别标记的函数。换言之，将学习算法从训练数据推广到未见示例。

至少一个机器学习模型175可以是通过多个样本输入向量和多个样本干扰参数训练的任意模型。例如，至少一个机器学习模型175可以基于人工神经网络、决策树、支持向量机、回归分析、贝叶斯网络、以及遗传算法。在下文中，将主要参考人工神经网络(ann)描述至少一个机器学习模型175。然而，本发明构思的示例性实施例不限于此。

ann是包括多个互连节点(即，人工神经元)的硬件或软件组件，所述多个互连节点不严格地与人脑中的神经元相对应。每一个连接或边将信号从一个节点传输到另一节点(类似大脑中的实际突触)。当节点接收信号时，其处理信号，然后将已处理的信号传输到其他互连节点。在一些情况下，节点之间的信号包括实数，并且每一个节点的输出通过其输入之和的函数进行计算。每一个节点或边与确定如何处理和传输信号的一个或多个节点权重相关联。

在训练过程期间，对这些权重进行调整，以提高结果的准确性(即，通过最小化以某种方式与当前结果和目标结果之间的差相对应的损失函数)。边的权重增大或减小在节点之间传输的信号的强度。在一些情况下，节点具有阈值，低于该阈值根本不传输信号。在一些示例中，将节点聚合成层。不同的层对它们的输入执行不同的变换。初始层被称为输入层，并且最后一层被称为输出层。在一些情况下，信号穿过某些层多次。

作为非限制性示例，人工神经网络可以是卷积神经网络(cnn)、区域卷积神经网络(r-cnn)、区域候选网络(rpn)、循环神经网络(rnn)、基于堆叠的深度神经网络(s-dnn)、状态空间动态神经网络(s-sdnn)、反卷积网络、深度信念网络(dbn)、受限玻耳兹曼机(rbm)、全卷积网络、长短期记忆(lstm)网络、或分类网络。

s-dnn是指与多个基本学习模块一个接着一个地聚合、以合成深度神经网络(dnn)的神经网络。与使用后向传播而端对端训练的一些dnn不同，s-dnn层可以不使用后向传播独立地训练。

s-sdnn将动态神经网络(dnn)扩展到包括鲁棒的状态空间表述。在一些情况下，将利用伴随敏感性计算的训练算法用于使ssdnn能够高效地基于瞬时的输入和输出数据进行学习，而无需依赖电路的内部细节。

dbn是由潜在变量的多个层组成的生成式图模型(或一种类别的深度神经网络)，其中层之间具有连接，但是在每个层之中的单元之间没有连接。当最初在示例的集合上没有监督地进行训练时，dbn可以学习对其输入按照概率进行重构。层充当特征检测器。在初始训练之后，dbn还可以进行有监督训练，以执行分类。

cnn是一种类别的神经网络，其通常在计算机视觉或图像分类系统中使用。在一些情况下，cnn可以利用最少的预处理来实现数字图像的处理。cnn的特征可以在于，使用卷积(或互相关)隐藏层。这些层在将结果以信号指示给下一层之前对输入应用卷积操作。每一个卷积节点可以处理有限的输入域(即，感受野(receptivefield))的数据。在cnn的前向传递期间，在每个层处的滤波器可以在输入体积上进行卷积，从而计算滤波器和输入之间的点积。在训练过程期间，滤波器可以被修改，使其在其检测到输入之中的特定的特征时激活。

在一些情况下，当输出层的长度可变时，即，当感兴趣的对象的数量不固定时，标准的cnn可能不合适。选择大量的区域使用传统的cnn技术来进行分析可以导致计算效率低。因此，在r-cnn方法中，选择和分析数量有限的候选区域。

反卷积层是指在尝试逐通道进行解相关的同时执行卷积和空间相关的神经网络层。例如，在一些情况下，反卷积层可以包括空白空间(whitespace)或对输入数据的填充。

rnn是一种类别的ann，其中，节点之间的连接形成沿着有序(即，时间)序列的有向图。这使rnn能够对诸如对序列中接着将出现什么要素进行预测之类的暂时地动态行为进行建模。因此，rnn适于涉及诸如文本识别(其中，词在句子中是有序的)之类的有序序列的任务。术语rnn可以包括有限冲激循环网络(特征在于，通过节点形成有向无环图)和无限冲激循环网络(特征在于，通过节点形成有向循环图)。

lstm是一种形式的rnn，其包括反馈连接。在一个示例中，lstm包括小区(cell)、输入门、输出门和忘记门。小区将值存储特定的时间量，而门指示进出小区的信息流。可以将lstm网络用于基于序列数据做出预测，其中可能存在序列中的有关信息之间的未知尺寸的差距。lstm可以帮助消除训练rnn时的梯度消失(以及梯度爆炸)问题。

rbm是生成式随机人工神经网络，其可以在其输入的集合上学习概率分布。具体地，rbm是具有神经元必须形成二分图(即，来自单元的两个组(在它们之间具有对称连接)中的每一个组的一对节点)的限制的玻耳兹曼机；并且在一个组之中的节点之间不存在连接。作为对照，“无限制”玻耳兹曼机可以具有隐藏单元之间的连接。rbm中的限制允许比可用于一般的玻耳兹曼机类别的更高效的诸如基于梯度的对比散度算法之类的训练算法。

在一些实施例中，第二处理器170可以是被设计用于执行至少一个机器学习模型175的硬件(例如，图12的250)，并且可以包括用于存储用于执行至少一个机器学习模型175的数据的存储器。附加地或备选地，在一些实施例中，可以由被包括在ue100中的单个处理器来执行至少一个第一处理器150和第二处理器170的操作。

主处理器190可以包括至少一个核，并且可以将具有要通过无线通信传输的信息的净荷pl提供给至少一个第一处理器150。主处理器190也可以通过由至少一个第一处理器150提供的净荷pl来获得由基站传输的信息。主处理器190可以通过执行各种操作生成净荷pl，并且可以基于已接收的净荷pl执行各种操作。在一些实施例中，主处理器190可以控制ue100的操作，并且可以处理用户对ue100输入。

因此，根据本公开的实施例，第一处理器150可以生成输入向量in(例如，通过处理基带接收信号rx_bb)，并且将输入向量in发送到第二处理器170，其包括一个或多个机器学习模型(例如，一个或多个ann)。然后，第二处理器可以生成输出向量out，其估计诸如秩、发射功率、或预编码矩阵或相邻干扰信号之类的干扰参数。然后，可以将输出向量out用于进一步处理接收信号，或处理后续的向外的传输信号。

图3是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图。如图3所示，估计干扰的方法可以包括多个操作s100、s300、s500、s700和s900。在一些实施例中，图3的方法可以由图2的ue100执行。在下文中，将参考图1和图2描述图3，并且假设图1的ue30是图2的ue100。

参考图3，在操作s100中，可以执行接收服务信号rx_s和干扰信号rx_i的操作。例如，ue100可以通过天线110从服务bs12接收服务信号rx_s，并且可以从干扰bs22接收干扰信号rx_i。

在操作s300中，可以执行生成信道矩阵的操作。信道矩阵可以表示可以通过其将信号传输到ue100的信道。例如，至少一个第一处理器150可以基于由服务bs12提供的参考信号(例如，小区特定参考信号(crs))来估计第一信道14，并且可以生成表示第一信道14的服务信道矩阵。附加地或备选地，至少一个第一处理器150可以基于由相邻小区20的干扰bs22提供的参考信号(例如，crs)来估计第二信道24，并且可以生成表示第二信道24的干扰信道矩阵。

在操作s500中，可以执行生成接收信号向量的操作。例如，至少一个第一处理器150可以基于由收发器130提供的基带接收信号rx_bb，生成与第k个无线电资源(例如，图9的rb或re)相对应的接收信号向量y^(k)，并且，当由服务bs12传输的传输信号的秩是1时，接收信号向量y^(k)可以在公式2中进行如下表示(k是大于0的整数)。

公式2

在公式2中，与表示通过其接收服务信号rx_s的第一信道14的服务信道矩阵相对应，向量可以与由服务bs12传输的传输信号相对应，ρi可以与用于传输干扰信号rx_i的tpr(在本文被称为干扰tpr)相对应，可以与表示通过其接收干扰信号rx_i的第二信道24的干扰信道矩阵相对应，pi可以与用于传输干扰信号rx_i的预编码矩阵(在本文被称为干扰预编码矩阵)相对应，向量可以与由干扰bs22传输的传输信号相对应，并且向量n(k)可以与噪声相对应。

在操作s300中，因为已生成服务信道矩阵和干扰信道矩阵所以ue30可以估计作为干扰参数的干扰tprρi和干扰预编码矩阵pi、以及由干扰bs22传输的传输信号的秩ri(在本文被称为干扰秩)。在本文中，干扰秩ri、干扰tprρi、以及干扰预编码矩阵pi可以是分别被称为第一干扰参数、第二干扰参数、以及第三干扰参数。

在操作s700中，可以执行基于至少一个机器学习模型175来估计干扰参数的操作。例如，至少一个第一处理器150可以将基于接收信号向量y^(k)和服务信道矩阵和干扰信道矩阵中的至少一项生成的输入向量in提供给第二处理器170，并且可以基于由第二处理器170提供的输出向量out，确定干扰秩ri、干扰tprρi、以及干扰预编码矩阵pi。将参考图4和图10描述操作s700的示例。

在操作s900中，可以执行检测传输信号的操作。例如，至少一个第一处理器150可以基于在操作s100中生成的接收信号向量y^(k)、服务信道矩阵和干扰信道矩阵以及在操作s700中估计的干扰参数来生成向量并且可以通过解调和/或解码向量来生成净荷pl。

图4是示出图3的操作s700的示例的根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图。如上文参考图3所述，在图4的操作s700′中，可以执行基于至少一个机器学习模型来估计干扰参数的操作。如图4所示，操作s700′可以包括多个操作s720、s740和s760。下文中，将参考图2和图3来描述图4。

参考图4，在操作s720中，可以执行生成输入向量in的操作。例如，至少一个第一处理器150可以基于接收信号向量y^(k)、服务信道矩阵以及干扰信道矩阵中的至少一项，生成输入向量in。如上文参考图2所述，至少一个第一处理器150可以生成输入向量in，该输入向量in具有要被输入到至少一个机器学习模型175的格式，例如，要由至少一个机器学习模型175识别的格式，使得输入向量in可以被提供给至少一个机器学习模型175。输入向量in可以具有与在(例如，离线)训练至少一个机器学习模型175时所使用的多个样本输入向量相同的形式。将参考图5描述操作s720的示例。

在操作s740中，可以执行将输入向量in提供给至少一个机器学习模型175的操作。例如，至少一个第一处理器150可以将在操作s720中生成的输入向量in提供给第二处理器170，并且，作为对通过至少一个机器学习模型175执行输入向量in的响应，第二处理器170可以将由至少一个机器学习模型175生成的输出向量out提供给至少一个第一处理器150。

在操作s760中，可以执行基于至少一个机器学习模型175的输出向量out来确定干扰参数的操作。在一些实施例中，至少一个机器学习模型175可以生成具有与可用的干扰参数的组合分别相对应的等级的输出向量out。例如，当干扰bs22将两根天线用于传输时，根据3gpplte系统，干扰秩ri可以具有1或2的值(ri∈{1，2})，并且干扰tprρi可以具有由rrc层提供的3个候选值ρi，1、ρi，2和ρi，3中的一个(ρi∈{ρi，1，ρi，2，ρi，3})。附加地或备选地，干扰预编码矩阵pi的可用值可在公式3中进行如下表示。

公式3

因此，可以提供干扰秩ri、干扰tprρi和干扰预编码矩阵pi的可用值的有限组合，并且至少一个机器学习模型175可以生成包括与有限组合分别相对应的等级的输出向量out。至少一个第一处理器150可以基于输出向量out来识别与最高等级相对应的组合，并且可以将干扰参数确定为与已识别的组合相对应的值。将参考图8和图10描述操作s760的示例。

图5是示出图4的操作s720的示例的根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图。如上面参考图4所述，在图5的操作s720′中，可以执行生成输入向量in的操作。如图5所示，s720′可以包括操作s722和s724。在一些实施例中，可以由图2的至少一个第一处理器150执行图5的操作s720′，并且将参考图2对图5进行描述。

参考图5，可以在操作s722中执行计算多个实数的操作。可以在操作s724中执行生成具有多个实数的输入向量in的操作。例如，至少一个第一处理器150可以基于接收信号向量y^(k)、服务信道矩阵以及干扰信道矩阵中的至少一项来计算多个实数，并且可以生成具有多个已计算的实数的输入向量in。

在一些实施例中，至少一个第一处理器150可以基于接收信号向量y^(k)、服务信道矩阵以及干扰信道矩阵生成包括多个已计算的实数的输入向量in。例如，至少一个第一处理器150可以生成包括如公式4中表示的16个实数的输入向量in。

公式4

在公式4中，hi，1^(k)和hi，2^(k)可以与秩2的干扰信道矩阵中的第一层和第二层分别相对应。

在一些实施例中，至少一个第一处理器150可以基于接收信号向量y^(k)和干扰信道矩阵生成包括多个已计算的实数的输入向量in。例如，至少一个第一处理器150可以生成包括如公式5中表示的5个实数的输入向量in。

公式5

在一些实施例中，至少一个第一处理器150可以基于接收信号向量y^(k)、干扰信道矩阵以及噪声，生成包括多个实数的输入向量in。例如，至少一个第一处理器150可以生成包括如公式6中表示的6个实数的输入向量in。

公式6

在公式6中，σ可以表示接收信号中所包括的噪声的标准差。公式4、公式5、以及公式6是输入向量in的示例，并且至少一个第一处理器150可以生成与上述示例不同的输入向量in。

图6是示出根据本发明构思的示例性实施例的第二处理器170′的示例的框图。图6的第二处理器170’可以执行如上文参考图2所述至少一个机器学习模型，并且可以执行如图6所示的第一机器学习模型171和第二机器学习模型172。

参考图6，输入向量in可以包括第一输入向量in1和第二输入向量in2，并且输出向量out可以包括第一输出向量out1和第二输出向量out2。如图6所示，作为对第一输入向量in1的响应，第一机器学习模型171可以生成第一输出向量out1，并且作为对第二输入向量in2的响应，第二机器学习模型172可以生成第二输出向量out2。在一些实施例中，第二处理器170′可以执行三个或更多个机器学习模型。

在一些实施例中，第一机器学习模型171和第二机器学习模型172中的每一个都可以是全连接(fc)神经网络。全连接神经网络包括一系列全连接层。全连接层是每一个输出维度都依赖于每一个输入维度的函数。

在一些实施例中，第二处理器170′可以并行地执行两个或更多个相同的机器学习模型。例如，第一机器学习模型171和第二机器学习模型172可以具有相同的结构，并且可以以相同的方式训练，并且可以通过相同的样本输入向量和样本输出向量进行训练。如之后参考图9、图10和图11所述，在一些实施例中，可以生成用于估计干扰参数的与一系列无线电资源相对应的输入向量的序列，并且可以收集与输入向量的序列相对应的输出向量的序列。因此，第二处理器170′可以通过并行地执行两个或更多个相同的机器学习模型来加速输出向量的序列的生成。例如，第一输入向量in1和第二输入向量in2可以与靠近时域或频域的无线电资源中的每一个无线电资源相对应。

在一些实施例中，第二处理器170′可以执行两个或更多个不同的机器学习模型。例如，第一机器学习模型171和第二机器学习模型172可以具有不同的结构和/或可以进行不同训练，例如，可以通过不同的样本输入向量和/或不同的样本输出向量进行训练。在一些实施例中，干扰参数可以包括由不同的机器学习模型确定的干扰参数。例如，由第一机器学习模型171确定的干扰参数可以不同于由第二机器学习模型172确定的干扰参数。附加地或备选地，在一些实施例中，机器学习模型可以按照层次执行。例如，第二机器学习模型172可以根据第一机器学习模型171的第一输出向量out1选择性地执行。将参考图7a、图7b和图8描述按照层次执行第一机器学习模型171和第二机器学习模型172的示例。

图7a和图7b是示出根据本发明构思的示例性实施例的输出向量的示例的表。图7a的表示出图6的第一输出向量out1的示例，而图7b的表示出图6的第二输出向量out2的示例。如上文参考图4所述，输出向量可以包括与干扰参数的值的可用组合分别相对应的等级。在图7a和图7b的示例中，第一输出向量out1和第二输出向量out2可以包括与干扰秩ri、干扰tprρi、以及干扰预编码矩阵pi的值的可用组合分别相对应的等级。在下文中，假设图6的第一机器学习模型171生成图7a的第一输出向量out1，并且图6的第二机器学习模型172生成图7b的第二输出向量out2，并且将参考图6描述图7a和图7b。

参考图7a，第一输出向量out1可以包括与包括干扰秩ri等于1的值的可用组合、以及干扰秩ri等于2和干扰tprρi的值的组合分别相对应的等级。例如，如上文参考图4所述，干扰秩ri可以具有1或2的值(ri∈{1，2})，并且干扰tprρi可以具有由rrc层提供的3个候选值ρi，1、ρi，2和ρi，3中的一个(ρi∈{ρi，1，ρi，2，ρi，3})，同时，如公式3所示，干扰预编码矩阵pi可以依赖于干扰秩ri的值。第一输出向量out1可以包括与包括干扰秩ri等于1的12种组合分别相对应的第1至第12等级r1至r12、以及与干扰秩ri等于2和干扰tprρi的值的3种组合分别相对应的第13至第15等级r13至r15。可以对第一机器学习模型171进行训练，使得与从图7a的15种组合中选定的组合相对应的等级具有最大值(或最小值)。

参考图7b，第二输出向量out2可以包括与干扰秩ri等于2和干扰预编码矩阵pi的值的组合分别相对应的等级。例如，第二机器学习模型172可以包括与干扰秩ri等于2和干扰预编码矩阵pi的值的3种组合分别相对应的第1至第3等级r1′至r3′。可以对第二机器学习模型172进行训练，使得与从图7b的3种组合中选定的组合相对应的等级具有最大值(或最小值)。将参考图8描述基于生成图7a的第一输出向量out1的第一机器学习模型171和生成图7b的第二输出向量out2的第二机器学习模型172，确定干扰参数(例如，干扰秩ri、干扰tprρi、以及干扰预编码矩阵pi)的操作的示例。

图8是示出图4的操作s740和操作s760的示例的根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图。如上文参考图4所述，在图8的操作s740′中，可以执行将输入向量in提供给至少一个机器学习模型的操作，并且，在图8的操作s760’中，可以执行基于至少一个机器学习模型的输出向量out来确定干扰参数的操作。如图8所示，操作s760′可以包括多个操作s761、s762、s763和s764。在一些实施例中，可以基于图6的第一机器学习模型171和第二机器学习模型172来执行图8的方法，分别生成图7a的第一输出向量out1和第二输出向量out2，并且将在下文中参考图6、图7a和图7b对图8进行描述。

参考图8，在操作s740′中，可以执行将输入向量in提供给第一机器学习模型171和第二机器学习模型172的操作。例如，图2的至少一个第一处理器150可以共同将输入向量in提供给第一机器学习模型171和第二机器学习模型172。在当前的示例中，图6的第一输入向量in1和第二输入向量in2可以相同。在一些实施例中，与图8中不同，图2的至少一个第一处理器150可以在操作s740′中将输入向量in提供给第一机器学习模型171。附加地或备选地，当在操作s762中确定第一干扰参数具有第二值时，至少一个第一处理器150可以在操作s764之前将输入向量in提供给第二机器学习模型172，之后将进行描述。如图8所示，操作s760′可以在操作s740′之后执行。

在操作s761中，可以执行基于第一输出向量out1来确定第一干扰参数和第二干扰参数的操作。例如，至少一个第一处理器150可以从第二处理器170接收如图7a所示的具有第1等级r1至第15等级r15的第一输出向量out1，并且可以基于第1等级r1至第15等级r15中的最高等级(或最低等级)来检测15种组合中的一种组合。因此，基于图7a的表，至少一个第一处理器150可以确定作为第一干扰参数的干扰秩ri，并且可以确定作为第二干扰参数的干扰tprρi。

在操作s762中，可以执行，确定第一干扰参数是否具有第二值。例如，在操作s761中，至少一个第一处理器150可以确定，被确定为第一干扰参数的干扰秩ri是否具有第二值(例如，2)。如图8所示，当干扰秩ri不具有第二值而具有第一值时，例如，当干扰秩ri是1时，随后可以执行操作s763，而当干扰秩ri是2时，随后可以执行操作s764。

当第一干扰参数具有第一值，可以在操作s763中执行基于第一输出向量out1来确定第三干扰参数的操作。例如，如上文参考图7a所述，当干扰秩ri是1时，至少一个第一处理器150可以基于第一输出向量out1来确定作为第三干扰参数的干扰预编码矩阵pi。

附加地或备选地，当第一干扰参数具有第二值时，可以在操作s764中执行，基于第二输出向量out2来确定第三干扰参数的操作。例如，如上文参考图7b所述，当干扰秩ri是2时，至少一个第一处理器150可以基于第二输出向量out2来确定作为第三干扰参数的干扰预编码矩阵pi。

图9是示出根据本发明构思的示例性实施例的无线通信系统的时隙的示例的图。在图9中，横轴表示时域，竖轴表示频域。时域中的最小传输单位可以是ofdm符号，nsymb个ofdm符号可以形成1个时隙，并且2个时隙可以形成1个子帧。时隙可以具有0.5ms的长度，而子帧可以具有1.0ms的长度。在下文中，将参考图1来描述图9。

无线帧可以与由10个子帧形成的时域周期相对应。频域中的最小传输单位是子载波，并且整个系统的传输频段的带宽可以由nbw个子载波形成。在时频域中，作为资源单元re的资源的基本单位可以通过ofdm符号索引和子载波索引来进行索引。资源块rb可以由时域中的nsymb个连续的ofdm符号和频域中的nrb个连续的子载波进行定义。因此，如图9所示，1个资源块rb可以包括nsymbxnrb个资源单元re。在lte(或lte-a)系统中，通常，nsymb可以是7，nrb可以是12，而nbw和nrb可以与系统传输频段的带宽成比例。数据吞吐量(或数据速率)可以与图1的ue30被调度的资源块rb的数量成比例的增加。

时域和/或频域中彼此接近的资源单元re可以具有共同的干扰参数。在下文中，如之后参考图10和图11所描述的，可以基于时域和/或频域中彼此接近的一系列资源单元re来估计干扰参数。

图10是示出根据本发明构思的示例性实施例的估计干扰的方法的示例的流程图。图11是示出根据本发明构思的示例性实施例的通过图10的估计干扰的方法操作的、示出图3的操作s700的示例的示例的图；如图10所示，图10的操作s700”可以包括多个操作s720”、s740”和s760”。在一些实施例中，操作s700”可以由图2的至少一个第一处理器150执行，并且将在下文中参考图2和图9对图10和图11进行描述。

参考图10，在操作s720”中，可以执行生成输入向量的序列的操作。在一些实施例中，至少一个第一处理器150可以生成与一系列无线电资源相对应的输入向量的序列。例如，如图11所示，至少一个第一处理器150可以生成第1至第k输入向量in1至ink(k是大于1的整数)，并且可以与图9中的时域和/或频率域中的彼此接近的k个资源单元re分别相对应。如上文参考图9所描述的，干扰参数可以在k个资源单元re中是共同的，因此，为了确定干扰参数，如图11所示，可以将由第1输入向量in1至第k输入向量ink生成的第1至第k输出向量out1至outk相互组合。

在操作s740”中，可以执行将输入向量的序列提供给至少一个机器学习模型的操作。在一些实施例中，至少一个第一处理器150可以将在操作s720”中生成的第1输入向量in1至第k输入向量ink提供给第二处理器170。例如，至少一个第一处理器150可以将第1输入向量in1至第k输入向量ink依次提供给第二处理器170，并且可以将第1输入向量in1至第k输入向量ink中的至少两个同时提供给第二处理器170。如上文参考图6所描述的，在一些实施例中，第二处理器170可以并行地执行两个或更多个相同的机器学习模型。因此，通过同时处理由至少一个第一处理器150并行提供的两个或更多个输入向量，可以生成两个或更多个输出向量。

参考图11，可以将第1输入向量in1至第k输入向量ink分别提供给第1机器学习模型ml1至第k机器学习模型mlk，并且第1机器学习模型ml1至第k机器学习模型mlk可以分别输出第1输出向量out1至第k输出向量outk。第1机器学习模型ml1至第k机器学习模型mlk可以相同。例如，第1机器学习模型ml1至第k机器学习模型mlk可以与由第二处理器170重复执行至少一个机器学习模型相对应，或者，k个机器学习模型可以由第二处理器170并行执行。

再次参考图10，可以在操作s740”之后执行操作s760”，并且操作s760”可以包括操作s765和操作s766。在操作s765中，可以执行对至少一个机器学习模型的输出向量的序列进行组合的操作。在一些实施例中，至少一个第一处理器150可以从第二处理器170接收与第1输入向量in1至第k输入向量ink相对应的第1输出向量out1至第k输出向量outk，并且，如图11所示，可以输出通过对第1输出向量out1至第k输出向量outk进行组合的一个输出向量out′。例如，至少一个第一处理器150可以通过对第1输出向量out1至第k输出向量outk进行相加而生成一个输出向量out’，并且可以根据基于根据k个资源单元re的位置确定的与第1输出向量out1至第k输出向量outk相对应的k个权重值的第1输出向量out1至第k输出向量outk的加权求和而生成一个输出向量out’。至少一个第一处理器150对第1输出向量out1至第k输出向量outk进行组合的方法不限于上述示例。

在操作s766中，可以执行确定干扰参数的操作。例如，至少一个第一处理器150可以基于一个输出向量out’中所包括的等级来识别干扰参数的值的组合，并且可以根据已识别的组合来确定干扰参数。

图12是示出根据本发明构思的示例性实施例的装置200的框图。在一些实施例中，可以由图12的装置200执行根据本发明构思的示例性实施例的估计干扰的方法。

如图12所示，装置200可以包括：至少一个核210、存储器230、人工智能(ai)加速器250、以及硬件加速器270，并且，至少一个核210、存储器230、ai加速器250、以及硬件加速器270可以通过总线290相互通信。在一些实施例中，至少一个核210、存储器230、ai加速器250、以及硬件加速器270可以被包括在一个半导体芯片中。附加地或备选地，在一些实施例中，至少一个核210、存储器230、ai加速器250、以及硬件加速器270中的至少两项可以被分别包括在板载的至少两个半导体芯片中。

至少一个核210可以执行指令。例如，至少一个核210可以执行用来执行被存储在存储器230中的指令的操作系统，并且可以执行通过操作系统执行的应用。在一些实施例中，至少一个核210可以指示ai加速器250和/或硬件加速器270，以通过执行指令来执行作业，并且可以从ai加速器250和/或硬件加速器270获得执行作业的结果。在一些实施例中，至少一个核210可以是专用指令集处理器(asip)，并且可以支持专用指令集。

存储器230可以具有存储数据的任意结构。例如，存储器230可以包括易失性存储器设备(例如，动态随机存取存储器(dram)或静态随机存取存储器(sram))或非易失性存储器设备(例如，闪存或电阻式随机存取存储器(rram))。至少一个核210、ai加速器250、以及硬件加速器270可以通过总线290将数据存储在存储器230中或从存储器230读取数据。

ai加速器250可以指针对ai应用所设计的硬件。在一些实施例中，ai加速器250可以包括用于实现神经形态结构的神经处理单元(npu)，可以生成通过处理由至少一个核210和/或硬件加速器270提供的输入数据来输出数据，并且可以将输出数据提供给至少一个核210和/或硬件加速器270。在一些实施例中，ai加速器250可以是可编程的，并且可以是通过至少一个核210和/或硬件加速器270进行编程。

硬件加速器270可以指针对以更高的速度执行特定作业所设计的硬件电路。例如，可以将硬件加速器270设计成，以更高的速度执行诸如解调、调制、编码或译码之类的数据转换。硬件加速器270可以是可编程的，并且可以通过至少一个核210和/或硬件加速器270进行编程。

装置200可以执行根据本发明构思的示例性实施例的估计干扰的方法，并且可以被称为用于估计干扰的装置。例如，至少一个核210和/或硬件加速器270可以执行由图2的至少一个第一处理器150执行的操作，并且，ai加速器250可以执行执行至少一个机器学习模型175的第二处理器170的操作。例如，至少一个核210和/或硬件加速器270可以生成输入向量in，并且可以将已生成的输入向量in提供给ai加速器250。ai加速器250可以通过执行已通过多个样本输入向量和多个样本干扰参数进行训练的至少一个机器学习模型，将与输入向量in相对应的输出向量out提供给至少一个核210和/或硬件加速器270。由ai加速器250执行的已训练的机器学习模型可以在制造装置200期间实现，并且，在使用装置200时，可以基于从装置200外部提供的数据进行更新。

尽管已经参考本发明构思的实施例具体示出和描述了本发明构思，但是将理解，在不脱离所附权利要求的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。