无线电接收器的制作方法

本技术总体上涉及无线通信领域。特别地，本技术涉及用于无线通信的无线电接收器设备及相关方法和计算机程序。

背景技术：

1、无线电接收器算法可以包括基于数学和统计算法的块。这些算法可以手动开发和编程，这可能是劳动密集型的。例如，实现不同的参考信号配置需要大量的手工劳动。以这种方式设计的接收器算法可以针对大多数信道条件被充分地执行，但是可能无法对任何信道给出最佳的性能。也可能难以估计基于理论信道条件开发的算法如何与实际物理信道条件相一致。多输入多输出(mimo)无线电接收器可能引入额外挑战，因为mimo检测的性质可能需要分离多个重叠的空间流。

技术实现思路

1、本发明的各种示例实施例所寻求的保护范围由独立权利要求书规定。本说明书中描述的不属于独立权利要求范围的示例实施例和特征(如果有)将被解释为有助于理解本发明的各种示例实施例的示例。

2、无线电接收器的示例实施例包括至少一个处理器；以及至少一个存储器，包括计算机程序代码。至少一个存储器和计算机程序代码被配置为，利用至少一个处理器，使无线电接收器：获得包括多个元素的数据阵列，其中数据阵列中的多个元素中的每个元素与多个子载波中的子载波、时间间隔中的时隙、以及天线流对应；实现包括至少一个神经网络和变换的机器学习模型，其中变换包括至少一个乘法层或均衡；以及将数据输入到机器学习模型中，其中数据至少包括数据阵列；其中机器学习模型被配置为基于数据输出表示数据阵列中的多个元素的值的输出阵列，其中值包括比特或符号。无线电接收器可以能够例如，有效地接收传输。机器学习模型可以被训练成以高度灵活性接收传输。

3、无线电接收器的示例实施例包括用于执行以下的部件：获得包括多个元素的数据阵列，其中数据阵列中的多个元素中的每个元素与多个子载波中的子载波、时间间隔中的时隙、以及天线流对应；实现包括至少一个神经网络和变换的机器学习模型，其中变换包括至少一个乘法层或均衡；以及将数据输入到机器学习模型中，其中数据至少包括数据阵列；其中机器学习模型被配置为基于数据输出表示数据阵列中的多个元素的值的输出阵列，其中值包括比特或符号。

4、在示例实施例中，备选地或除了上述示例实施例之外，机器学习模型包括在变换之前的神经网络组件和在变换之后的神经网络组件。在变换之前的神经网络组件可以例如，处理数据以更容易地供变换处理，并且在变换之后的神经网络组件可以例如，执行比特/符号检测。

5、在示例实施例中，备选地或除了上述示例实施例之外，在变换之前的神经网络组件被配置为在数据阵列中与不同子载波和/或不同时隙对应的的元素之间执行处理。因此，在变换之前的神经网络组件可以混合不同的资源元素。这可以提高变换和/或无线电接收器的性能。

6、在示例实施例中，备选地或除了上述示例实施例之外，均衡包括最大比合并。无线电接收器可以能够例如有效地执行均衡。

7、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为将数据阵列层中的元素相乘。因此，乘法层可以能够执行元素之间的乘法，这可能难以使用神经网络来实现。

8、在示例实施例中，备选地或除了上述示例实施例之外，乘法层还被配置为在乘法之前将要相乘的元素中的至少一个元素进行复共轭。因此，乘法层可以能够执行元素的复共轭和元素之间的乘法，这可能难以使用神经网络来实现。

9、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为将数据阵列中的至少一个元素的虚部和/或实部彼此单独地缩放。因此，乘法层可以能够执行虚部的缩放和/或复共轭，这可能难以使用神经网络来实现。

10、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为对数据阵列执行稀疏扩展。因此，乘法层可以选择和/或学习选择应当相乘的元素。

11、在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络包括卷积神经网络。该至少一个神经网络可以能够例如有效地处理数据。

12、在示例实施例中，备选地或除了上述示例实施例之外，至少一个存储器和计算机程序代码还被配置为，利用至少一个处理器使无线电接收器：获得表示在时间间隔期间应用的参考信号配置的参考信号阵列，并且其中数据还包括参考信号阵列；或者获得表示在时间间隔期间应用的参考信号配置的参考信号阵列，并且基于数据阵列和参考信号阵列来计算信道估计，并且其中数据还包括信道估计。例如，无线电接收器可以能够在接收mimo传输时有效地利用参考信号信息。

13、在示例实施例中，备选地或除了上述示例实施例之外，参考信号阵列包括多个信道，其中每个信道对应于mimo传输的层。例如，无线电接收器可以能够在接收mimo传输的层时有效地利用参考信号信息。

14、在示例实施例中，备选地或除了上述示例实施例之外，至少一个存储器和计算机程序代码还被配置为，利用至少一个处理器使无线电接收器通过执行以下操作来执行获得数据阵列：在时间间隔期间使用多个样本来接收原始数据；以及对所接收的原始数据执行傅立叶变换，产生数据阵列。例如，无线电接收器可以能够以高度兼容性接收数据阵列。

15、客户端设备的示例实施例包括根据上述示例实施例中的任何示例实施例的无线电接收器。

16、网络节点设备的示例实施例包括根据上述示例实施例中的任何示例实施例的无线电接收器。

17、一种方法的示例实施例包括：获得包括多个元素的数据阵列，其中数据阵列中的多个元素中的每个元素与多个子载波中的子载波、时间间隔中的时隙以及天线流对应；实现包括至少一个神经网络和变换的机器学习模型，其中变换包括至少一个乘法层或均衡；以及将数据输入到机器学习模型中，其中数据至少包括数据阵列；其中机器学习模型被配置为基于数据输出表示数据阵列中的多个元素的值的输出阵列，其中值包括比特或符号。例如，该方法可以使得能够有效地接收传输。机器学习模型可以被训练以接收具有高度灵活性的传输。

18、在示例实施例中，备选地或除了上述示例实施例之外，机器学习模型包括变换之前的神经网络组件和变换之后的神经网络组件。例如，变换之前的神经网络组件可以处理数据以更容易地处理变换，并且变换之后的神经网络组件可以例如执行比特/符号检测。

19、在示例实施例中，备选地或除了上述示例实施例之外，变换之前的神经网络组件被配置为在与不同子载波和/或不同时隙对应的数据阵列中的元素之间执行处理。因此，变换之前的神经网络组件可以混合不同的资源元素。这可以提高变换和/或数据接收的性能。

20、在示例实施例中，备选地或除了上述示例实施例之外，均衡包括最大比合并。例如，该方法可以使得能够有效地执行均衡。

21、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为将数据阵列层中的元素相乘。因此，乘法层可以能够执行元素之间的乘法，这可能难以使用神经网络来实现。

22、在示例实施例中，备选地或除了上述示例实施例之外，乘法层还被配置为在乘法之前将要相乘的元素中的至少一个元素进行复共轭。因此，乘法层可以能够执行元素的复共轭和元素之间的乘法，这可能难以使用神经网络来实现。

23、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为将数据阵列中的至少一个元素的虚部和/或实部彼此单独地缩放。因此，乘法层可以能够执行虚部的缩放和/或复共轭，这可能难以使用神经网络来实现。

24、在示例实施例中，备选地或除了上述示例实施例之外，乘法层被配置为对数据阵列执行稀疏扩展。因此，乘法层可以选择和/或学习选择应当相乘的元素。

25、在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络包括卷积神经网络。例如，该至少一个神经网络可以能够有效地处理数据。

26、在示例实施例中，备选地或除了上述示例实施例之外，该方法还包括：获得表示在时间间隔期间应用的参考信号配置的参考信号阵列，并且其中数据还包括参考信号阵列；或者获得表示在时间间隔期间应用的参考信号配置的参考信号阵列，并且基于数据阵列和参考信号阵列来计算信道估计，并且其中数据还包括信道估计。例如，该方法可以使得能够在接收mimo传输时有效地利用参考信号信息。

27、在示例实施例中，备选地或除了上述示例实施例之外，参考信号阵列包括多个信道，其中每个信道对应于mimo传输的层。例如，该方法可以使得能够在接收mimo传输的层时有效地利用参考信号信息。

28、在示例实施例中，备选地或除了上述示例实施例之外，获得数据阵列包括：在时间间隔期间使用多个样本来接收原始数据；以及对接收的原始数据执行傅立叶变换，产生数据阵列。该方法可以实现例如以高度兼容性接收数据阵列。

29、一种方法的示例实施例包括：

30、计算机程序产品的示例实施例包括程序代码，当计算机程序产品在计算机上执行时该程序代码被配置为执行根据上述示例实施例中的任意实施例的方法。