涉及射频（的制作方法

涉及射频(rf)数据的数据增强用于改进型rf指纹识别的方法、架构、装置和系统
1.相关申请的交叉引用
2.本技术要求
2021
年3月4日提交的美国临时专利申请
63/156,818
号的权益，该申请以引用方式并入本文
。


背景技术：

3.本文中公开的实施方案大体上涉及无线和
/
或有线通信，并且例如涉及射频
(rf)
数据的数据增强用于改进型
rf
指纹识别的方法
、
架构
、
装置和系统，例如其中可使用
(
或基于
)
无线电传播的一个或多个模型
、
无线电损伤的一个或多个模型
、
频率漂移和一个或多个干扰模型中的任一者来增强
rf
数据
。
附图说明
4.从下面的详细描述中可以得到更详细的理解，该描述结合其附图以举例的方式给出
。
与详细描述一样，此类附图中的图是示例
。
因此，附图和具体实施方式不应被认为是限制性的，并且其他同样有效的示例是可能的和预期的
。
另外，附图中类似的附图标号
(“ref.”)
指示类似的元件，并且其中：
5.图
1a
是示出示例性通信系统的系统图；
6.图
1b
是示出可在图
1a
所示的通信系统内使用的示例性无线发射
/
接收单元
(wtru)
的系统图；
7.图
1c
是示出可在图
1a
所示的通信系统内使用的示例性无线电接入网
(ran)
和示例性核心网络
(cn)
的系统图；
8.图
1d
是示出可在图
1a
所示的通信系统内使用的另外示例性
ran
和另外示例性
cn
的系统图；
9.图2示出了用于增强射频
(rf)
数据和创建辅助数据的示例性过程；
10.图3至图6是示出用于选择
、
分发和实现使用可能的站点特定的增强
rf
数据训练的
rf
指纹识别
(rffp)
神经网络的示例性过程的流程图；并且
11.图7至图
13
是示出示例性流程的流程图
。
具体实施方式
12.在以下详细描述中，阐述了许多具体细节以提供对本文所公开的实施方案和
/
或示例的透彻理解
。
然而，应当理解，此类实施方案和示例可在没有本文阐述的一些或所有具体细节的情况下被实践
。
在其他情况下，未详细描述熟知的方法
、
过程
、
部件和电路，以免模糊以下描述
。
此外，本文未具体描述的实施方案和示例可代替本文中明确
、
隐含和
/
或固有地描述
、
公开或以其他方式提供
(
统称为“提供”)
的实施方案和其他示例来实践，或与这些实施方案和示例组合来实践
。
尽管本文描述和
/
或要求保护了各种实施方案，其中装置
、
系统
、
设备等和
/
或其任何元件执行操作
、
过程
、
算法
、
功能等和
/
或其任何部分，但应当理解，
本文所述和
/
或受权利要求书保护的任何实施方案假定任何装置
、
系统
、
设备等和
/
或其任何元件被配置为执行任何操作
、
过程
、
算法
、
功能等和
/
或其任何部分
。
13.示例性通信系统
14.本文提供的方法
、
装置和系统非常适于涉及有线网络和无线网络两者的通信
。
有线网络是众所周知的
。
相对于图
1a
至图
1d
提供了各种类型的无线设备和基础结构的概述，其中网络的各种元件可利用本文提供的方法
、
装置和系统，执行本文提供的方法
、
装置和系统，根据本文提供的方法
、
装置和系统布置，并且和
/
或针对本文提供的方法
、
装置和系统进行适配和
/
或配置
。
15.图
1a
是在其中一个或多个所公开的实施方案可得以实现的示例性通信系统
100
的图
。
仅出于说明的目的提供示例性通信系统
100
，并且不限制所公开的实施方案
。
通信系统
100
可为向多个无线用户提供诸如语音
、
数据
、
视频
、
消息
、
广播等内容的多址接入系统
。
通信系统
100
可使多个无线用户能够通过系统资源
(
包括无线带宽
)
的共享来访问此类内容
。
例如，通信系统
100
可采用一个或多个信道接入方法，诸如码分多址接入
(cdma)、
时分多址接入
(tdma)、
频分多址接入
(fdma)、
正交
fdma(ofdma)、
单载波
fdma(sc-fdma)、
零尾
(zt)
唯一字
(uw)
离散傅里叶变换
(dft)
扩展
ofdm(zt uw dts-s ofdm)、
唯一字
ofdm(uw-ofdm)、
资源块滤波
ofdm、
滤波器组多载波
(fbmc)
等
。
16.如图
1a
所示，通信系统
100
可包括无线发射
/
接收单元
(wtru)102a、102b、102c、102d、
无线电接入网络
(ran)104/113、
核心网络
(cn)106/115、
公共交换电话网
(pstn)108、
互联网
110
和其他网络
112
，但应当理解，所公开的实施方案设想了任何数量的
wtru、
基站
、
网络和
/
或网络元件
。wtru 102a、102b、102c、102d
中的每一者可以是被配置为在无线环境中操作和
/
或通信的任何类型的设备
。
作为示例，
wtru 102a、102b、102c、102d(
其中任何一个均可被称为“站”和
/
或“sta”)
可被配置为传输和
/
或接收无线信号，并且可包括
(
或者是
)
用户装备
(ue)、
移动站
、
固定或移动订户单元
、
基于订阅的单元
、
寻呼机
、
蜂窝电话
、
个人数字助理
(pda)、
智能电话
、
膝上型电脑
、
上网本
、
个人计算机
、
无线传感器
、
热点或
mi-fi
设备
、
物联网
(iot)
设备
、
手表或其他可穿戴设备
、
头戴式显示器
(hmd)、
车辆
、
无人机
、
医疗设备和应用
(
例如，远程手术
)、
工业设备和应用
(
例如，在工业和
/
或自动处理链环境中操作的机器人和
/
或其他无线设备
)、
消费电子设备
、
在商业和
/
或工业无线网络上操作的设备等
。wtru 102a、102b、102c
和
102d
中的任一者可互换地称为
ue。
17.通信系统
100
还可包括基站
114a
和
/
或基站
114b。
基站
114a、114b
中的每一者可为任何类型的设备，其被配置为与
wtru 102a、102b、102c、102d
中的至少一者无线对接以例如促进对一个或多个通信网络
(
诸如
cn 106/115、
互联网
110
和
/
或网络
112)
的访问
。
作为示例，基站
114a、114b
可为基站收发台
(bts)、
节点
b(nb)、
演进节点
b(enb)、
家庭节点
b(hnb)、
家庭演进节点
b(henb)、g
节点
b(gnb)、nr
节点
b(nr nb)、
站点控制器
、
接入点
(ap)、
无线路由器等中的任一者
。
虽然基站
114a、114b
各自被描绘为单个元件，但应当理解，基站
114a、114b
可包括任何数量的互连基站和
/
或网络元件
。
18.基站
114a
可以是
ran 104/113
的一部分，该
ran
还可包括其他基站和
/
或网络元件
(
未示出
)
，诸如基站控制器
(bsc)、
无线电网络控制器
(rnc)、
中继节点等
。
基站
114a
和
/
或基站
114b
可被配置为在一个或多个载波频率
(
其可被称为小区
(
未示出
))
上发射和
/
或接收无线信号
。
这些频率可在许可频谱
、
未许可频谱或许可和未许可频谱的组合中
。
小区可向特定
地理区域提供无线服务的覆盖，该特定地理区域可为相对固定的或可随时间改变
。
小区可进一步被划分为小区扇区
。
例如，与基站
114a
相关联的小区可被划分为三个扇区
。
因此，在实施方案中，基站
114a
可包括三个收发器，即，小区的每个扇区一个收发器
。
在实施方案中，基站
114a
可采用多输入多输出
(mimo)
技术并且可针对小区的每个或任何扇区利用多个收发器
。
例如，可使用波束成形在所需的空间方向上发射和
/
或接收信号
。
19.基站
114a、114b
可通过空中接口
116
与
wtru 102a、102b、102c、102d
中的一者或多者通信，该空中接口可为任何合适的无线通信链路
(
例如，射频
(rf)、
微波
、
厘米波
、
微米波
、
红外
(ir)、
紫外
(uv)、
可见光等
)。
可使用任何合适的无线电接入技术
(rat)
来建立空中接口
116。
20.更具体地讲，如上所指出，通信系统
100
可为多址接入系统，并且可采用一个或多个信道接入方案，诸如
cdma、tdma、fdma、ofdma、sc-fdma
等
。
例如，
ran 104/113
中的基站
114a
和
wtru 102a、102b、102c
可实现诸如通用移动电信系统
(umts)
陆地无线电接入
(utra)
之类的无线电技术，其可使用宽带
cdma(wcdma)
来建立空中接口
115/116/117。wcdma
可包括诸如高速分组接入
(hspa)
和
/
或演进的
hspa(hspa+)
之类的通信协议
。hspa
可以包括高速下行链路分组接入
(hsdpa)
和
/
或高速上行链路分组接入
(hsupa)。
21.在实施方案中，基站
114a
和
wtru 102a、102b、102c
可实现诸如演进的
umts
陆地无线电接入
(e-utra)
的无线电技术，其可使用长期演进
(lte)
和
/
高级
lte(lte-a)
和
/
或高级
lte pro(lte-a pro)
来建立空中接口
116。
22.在其他实施方案中，基站
114a
和
wtru 102a、102b、102c
可实现诸如
ieee 802.16(
即，全球微波接入互操作性
(wimax))、cdma2000、cdma2000 1x、cdma2000 ev-do、
暂行标准
2000(is-2000)、
暂行标准
95(is-95)、
暂行标准
856(is-856)、
全球移动通信系统
(gsm)、gsm
增强数据率演进
(edge)、gsm edge(geran)
等无线电技术
。
23.在实施方案中，基站
114a
和
wtru 102a、102b、102c
可实现无线电技术诸如
nr
无线电接入，该无线电技术可使用新空口
(nr)
来建立空中接口
116。
24.在实施方案中，基站
114a
和
wtru 102a、102b、102c
可实现多种无线电接入技术
。
例如，基站
114a
和
wtru 102a、102b、102c
可例如使用双连接
(dc)
原理一起实现
lte
无线电接入和
nr
无线电接入
。
因此，
wtru 102a、102b、102c
所利用的空中接口可由多种类型的无线电接入技术和
/
或向
/
从多种类型的基站
(
例如，
enb
和
gnb)
发送的发射来表征
。
25.在其他实施方案中，基站
114a
和
wtru 102a、102b、102c
可实现诸如
ieee 802.11(
即，无线保真
(wi-fi))、ieee 802.16(
即，全球微波接入互操作性
(wimax))、cdma2000、cdma2000 1x、cdma2000 ev-do、
暂行标准
2000(is-2000)、
暂行标准
95(is-95)、
暂行标准
856(is-856)、
全球移动通信系统
(gsm)、gsm
增强数据率演进
(edge)、gsm edge(geran)
等无线电技术
。
26.图
1a
中的基站
114b
可为例如无线路由器
、
家庭节点
b、
家庭演进节点b或接入点，并且可利用任何合适的
rat
来促进局部区域诸如商业场所
、
家庭
、
车辆
、
校园
、
工业设施
、
空中走廊
(
例如，供无人机使用
)、
道路等中的无线连接
。
在实施方案中，基站
114b
和
wtru 102c、102d
可实现诸如
ieee 802.11
之类的无线电技术以建立无线局域网
(wlan)。
在实施方案中，基站
114b
和
wtru 102c、102d
可实现诸如
ieee 802.15
之类的无线电技术以建立无线个域网
(wpan)。
在实施方案中，基站
114b
和
wtru 102c、102d
可利用基于蜂窝的
rat(
例如，
wcdma、
cdma2000、gsm、lte、lte-a、lte-a pro、nr
等
)
来建立微小区
、
微微小区或毫微微小区中的任一者
。
如图
4a
所示，基站
114b
可以具有与互联网
110
的直接连接
。
因此，基站
114b
可不需要经由
cn 106/115
访问互联网
110。
27.ran 104/113
可与
cn 106/115
通信，该
cn
可以是被配置为向
wtru 102a、102b、102c、102d
中的一者或多者提供语音
、
数据
、
应用和
/
或互联网协议语音技术
(voip)
服务的任何类型的网络
。
数据可具有不同的服务质量
(qos)
要求，诸如不同的吞吐量要求
、
延迟要求
、
误差容限要求
、
可靠性要求
、
数据吞吐量要求
、
移动性要求等
。cn 106/115
可提供呼叫控制
、
账单服务
、
基于移动位置的服务
、
预付费呼叫
、
互联网连接
、
视频分发等，和
/
或执行高级安全功能，诸如用户认证
。
尽管未在图
1a
中示出，但是应当理解，
ran 104/113
和
/
或
cn 106/115
可与采用与
ran 104/113
相同的
rat
或不同
rat
的其他
ran
进行直接或间接通信
。
例如，除了连接到可利用
nr
无线电技术的
ran 104/113
之外，
cn 106/115
还可与采用
gsm、umts、cdma 2000、wimax、e-utra
或
wi-fi
无线电技术中的任一者的另一
ran(
未示出
)
通信
。
28.cn 106/115
也可充当
wtru 102a、102b、102c、102d
的网关，以访问
pstn 108、
互联网
110
和
/
或其他网络
112。pstn 108
可包括提供普通老式电话服务
(pots)
的电路交换电话网络
。
互联网
110
可以包括使用常见通信协议
(
诸如传输控制协议
(tcp)、
用户数据报协议
(udp)
和
tcp/ip
互联网协议组中的互联网协议
(ip))
的互连计算机网络和设备的全球系统
。
网络
112
可以包括由其他服务提供商拥有和
/
或操作的有线或无线通信网络
。
例如，网络
112
可包括连接到一个或多个
ran
的另一个
cn
，其可采用与
ran 104/114
相同的
rat
或不同的
rat。
29.通信系统
100
中的一些或所有
wtru 102a、102b、102c、102d
可包括多模式能力
(
例如，
wtru 102a、102b、102c、102d
可包括用于通过不同无线链路与不同无线网络通信的多个收发器
)。
例如，图
1a
所示的
wtru 102c
可以被配置为与可以采用基于蜂窝的无线电技术的基站
114a
通信，并且与可以采用
ieee 802
无线电技术的基站
114b
通信
。
30.图
1b
是示例性
wtru 102
的系统图
。
仅出于说明的目的提供示例性
wtru 102
，并且不限制所公开的实施方案
。
如图
1b
所示，
wtru 102
可包括处理器
118、
收发器
120、
发射
/
接收元件
122、
扬声器
/
麦克风
124、
小键盘
126、
显示器
/
触摸板
128、
不可移动存储器
130、
可移动存储器
132、
电源
134、
全球定位系统
(gps)
芯片组
136
和其他外围设备
138
等
。
应当理解，在与实施方案保持一致的同时，
wtru 102
可包括前述元件的任何子组合
。
31.处理器
118
可以是通用处理器
、
专用处理器
、
常规处理器
、
数字信号处理器
(dsp)、
多个微处理器
、
与
dsp
核心相关联的一个或多个微处理器
、
控制器
、
微控制器
、
专用集成电路
(asic)、
现场可编程门阵列
(fpga)
电路
、
任何其他类型的集成电路
(ic)、
状态机等
。
处理器
118
可执行信号编码
、
数据处理
、
功率控制
、
输入
/
输出处理和
/
或任何其他功能，这些其他功能使
wtru 102
能够在无线环境中工作
。
处理器
118
可耦合到收发器
120
，该收发器可耦合到发射
/
接收元件
122。
虽然图
1b
将处理器
118
和收发器
120
描绘为单独的部件，但是应当理解，处理器
118
和收发器
120
可以例如在电子封装或芯片中集成在一起
。
32.发射
/
接收元件
122
可被配置为通过空中接口
116
向基站
(
例如，基站
114a)
发射信号或从基站接收信号
。
例如，在一个实施方案中，发射
/
接收元件
122
可以是被配置为发射和
/
或接收
rf
信号的天线
。
在一个实施方案中，发射
/
接收元件
122
可以是被配置为发射和
/
或接收例如
ir、uv
或可见光信号的发射器
/
检测器
。
在实施方案中，发射
/
接收元件
122
可以
被配置为发射和接收
rf
信号和光信号两者
。
应当理解，发射
/
接收元件
122
可被配置为发射和
/
或接收无线信号的任何组合
。
33.此外，尽管发射
/
接收元件
122
在图
1b
中被描绘为单个元件，但是
wtru 102
可包括任何数量的发射
/
接收元件
122。
例如，
wtru 102
可采用
mimo
技术
。
因此，在一个实施方案中，
wtru 102
可包括用于通过空中接口
116
发射和接收无线信号的两个或更多个发射
/
接收元件
122(
例如，多个天线
)。
34.收发器
120
可被配置为调制将由发射
/
接收元件
122
发射的信号并且解调由发射
/
接收元件
122
接收的信号
。
如上所指出，
wtru 102
可具有多模式能力
。
例如，因此，收发器
120
可包括多个收发器，以便使
wtru 102
能够经由多种
rat(
诸如
nr
和
ieee 802.11)
进行通信
。
35.wtru 102
的处理器
118
可耦合到扬声器
/
麦克风
124、
小键盘
126
和
/
或显示器
/
触摸板
128(
例如，液晶显示器
(lcd)
显示单元或有机发光二极管
(oled)
显示单元
)
并且可从其接收用户输入数据
。
处理器
118
还可将用户数据输出到扬声器
/
麦克风
124、
小键盘
126
和
/
或显示器
/
触摸板
128。
此外，处理器
118
可从任何类型的合适存储器
(
诸如不可移动存储器
130
和
/
或可移动存储器
132)
访问信息，并且将数据存储在任何类型的合适存储器中
。
不可移动存储器
130
可包括随机存取存储器
(ram)、
只读存储器
(rom)、
硬盘或任何其他类型的存储器存储设备
。
可移动存储器
132
可包括用户身份模块
(sim)
卡
、
记忆棒
、
安全数字
(sd)
存储卡等
。
在其他实施方案中，处理器
118
可从未物理上定位在
wtru 102
上
(
诸如，服务器或家用计算机
(
未示出
)
上
)
的存储器访问信息，并且将数据存储在该存储器中
。
36.处理器
118
可从电源
134
接收电力，并且可被配置为向
wtru 102
中的其他部件分配和
/
或控制电力
。
电源
134
可以是用于为
wtru 102
供电的任何合适的设备
。
例如，电源
134
可包括一个或多个干电池组
(
例如，镍镉
(nicd)、
镍锌
(nizn)、
镍金属氢化物
(nimh)、
锂离子
(li-ion)
等
)、
太阳能电池
、
燃料电池等
。
37.处理器
118
还可耦合到
gps
芯片组
136
，该
gps
芯片组可被配置为提供关于
wtru 102
的当前位置的位置信息
(
例如，经度和纬度
)。
除了来自
gps
芯片组
136
的信息之外或代替该信息，
wtru 102
可通过空中接口
116
从基站
(
例如，基站
114a、114b)
接收位置信息和
/
或基于从两个或更多个附近基站接收到信号的定时来确定其位置
。
应当理解，在与实施方案保持一致的同时，该
wtru 102
可通过任何合适的位置确定方法来获取位置信息
。
38.处理器
118
还可耦合到其他外围设备
138
，该其他外围设备可包括提供附加特征
、
功能和
/
或有线或无线连接的一个或多个软件模块
/
单元和
/
或硬件模块
/
单元
。
例如，外围设备
138
可包括加速度计
、
电子指南针
、
卫星收发器
、
数字相机
(
例如，用于照片或视频
)、
通用串行总线
(usb)
端口
、
振动设备
、
电视收发器
、
免提头戴式耳机
、
模块
、
调频
(fm)
无线电单元
、
数字音乐播放器
、
媒体播放器
、
视频游戏播放器模块
、
互联网浏览器
、
虚拟现实和
/
或增强现实
(vr/ar)
设备
、
活动跟踪器等
。
外围设备
138
可包括一个或多个传感器，该传感器可为以下中的一者或多者：陀螺仪
、
加速度计
、
霍尔效应传感器
、
磁力计
、
方位传感器
、
接近传感器
、
温度传感器
、
时间传感器；地理位置传感器；测高计
、
光传感器
、
触摸传感器
、
磁力计
、
气压计
、
手势传感器
、
生物识别传感器和
/
或湿度传感器
。
39.wtru 102
可包括全双工无线电台，对于该全双工无线电台，一些或所有信号的发射和接收
(
例如，与用于
ul(
例如，用于发射
)
和下行链路
(
例如，用于接收
)
的特定子帧相关联
)
可为并发的和
/
或同时的
。
全双工无线电台可包括干扰管理单元，该干扰管理单元用于
经由硬件
(
例如，扼流圈
)
或经由处理器
(
例如，单独的处理器
(
未示出
)
或经由处理器
118)
进行的信号处理来减少和
/
或基本上消除自干扰
。
在一个实施方案中，
wtru 102
可包括半双工无线电台，对于该半双工无线电台，一些或所有信号的发射和接收
(
例如，与用于
ul(
例如，用于发射
)
或下行链路
(
例如，用于接收
)
的特定子帧相关联
)。
40.图
1c
是根据另一个实施方案的
ran 104
和
cn 106
的系统图
。
如上所指出，
ran 104
可以采用
e-utra
无线电技术通过空中接口
116
与
wtru 102a、102b
和
102c
通信
。ran 104
还可与
cn 106
通信
。
41.ran 104
可包括演进节点
b 160a、160b、160c
，但是应当理解，在与实施方案保持一致的同时，
ran 104
可包括任何数量的演进节点
b。
演进节点
b 160a、160b、160c
各自可包括一个或多个收发器以便通过空中接口
116
与
wtru 102a、102b、102c
通信
。
在一个实施方案中，演进节点
b 160a、160b、160c
可以实现
mimo
技术
。
因此，演进节点
b 160a
例如可以使用多个天线来向
wtru 102a
发射无线信号，以及从该
wtru
接收无线信号
。
42.演进节点
b 160a、160b
和
160c
中的每一者可以与特定小区
(
未示出
)
相关联，并且可以被配置为处理无线电资源管理决策
、
切换决策
、
上行链路
(ul)
和
/
或下行链路
(dl)
中的用户调度，等等
。
如图
1c
所示，
enode-b 160a、160b、160c
可通过
x2
接口彼此通信
。
43.图
1c
所示的核心网络
106
可包括移动性管理网关
(mme)162、
服务网关
(sgw)164
和分组数据网络
(pdn)
网关
166。
虽然前述元件中的每一者被描绘为
cn 106
的一部分，但是应当理解，这些元件中的任一者可由除
cn
运营商之外的实体拥有和
/
或操作
。
44.mme 162
可以经由
s1
接口连接到
ran 104
中的演进节点
b 160a、160b
和
160c
中的每一者，并且可以用作控制节点
。
例如，
mme 162
可负责认证
wtru 102a、102b、102c
的用户
、
承载激活
/
去激活
、
在
wtru 102a、102b、102c
的初始附加期间选择特定服务网关等
。mme 162
还可以提供用于在
ran 104
与采用其他无线电技术
(
诸如
gsm
或
wcdma)
的其他
ran(
未示出
)
之间进行切换的控制平面功能
。
45.sgw 164
可经由
s1
接口连接到
ran 104
中的演进节点
b 160a、160b、160c
中的每一者
。sgw 164
通常可向
/
从
wtru 102a、102b、102c
路由和转发用户数据分组
。sgw 164
也可执行其他功能，诸如在演进节点b间切换期间锚定用户平面
、
当
dl
数据可用于
wtru 102a、102b、102c
时触发寻呼
、
管理和存储
wtru 102a、102b、102c
的上下文等
。
46.sgw 164
也可连接到
pdn
网关
166
，该
pdn
网关可为
wtru 102a、102b
和
102c
提供对分组交换网络
(
诸如互联网
110)
的访问，以有利于
wtru 102a、102b、102c
与启用
ip
的设备之间的通信
。
47.cn 106
可促进与其他网络的通信
。
例如，
cn 106
可为
wtru 102a、102b、102c
提供对电路交换网络
(
诸如，
pstn 108)
的访问，以促进
wtru 102a、102b、102c
与传统陆线通信设备之间的通信
。
例如，
cn 106
可包括用作
cn 106
与
pstn 108
之间的接口的
ip
网关
(
例如，
ip
多媒体子系统
(ims)
服务器
)
或者可与该
ip
网关通信
。
此外，
cn 106
可向
wtru 102a、102b、102c
提供对其他网络
112
的访问，该其他网络可包括由其他服务提供商拥有和
/
或运营的其他有线或无线网络
。
48.尽管
wtru
在图
1a
至图
1d
中被描述为无线终端，但是可以设想到，在某些代表性实施方案中，这种终端可
(
例如，临时或永久
)
使用与通信网络的有线通信接口
。
49.在代表性实施方案中，其他网络
112
可为
wlan。
50.处于基础结构基本服务集
(bss)
模式的
wlan
可具有用于
bss
的接入点
(ap)
以及与
ap
相关联的一个或多个站点
(sta)。ap
可具有至分发系统
(ds)
或将流量携带至和
/
或携带流量离开
bss
的另一种类型的有线
/
无线网络的接入或接口
。
源自
bss
外部并通向
sta
的流量可通过
ap
到达并且可被传递到
sta。
源自
sta
并通向
bss
外部的目的地的流量可被发送到
ap
以被传递到相应目的地
。bss
内的
sta
之间的流量可通过
ap
发送，例如，其中源
sta
可向
ap
发送流量，并且
ap
可将流量传递到目的地
sta。bss
内的
sta
之间的流量可被视为和
/
或称为点对点流量
。
可利用直接链路建立
(dls)
在源和目的地
sta
之间
(
例如，直接在它们之间
)
发送点对点流量
。
在某些代表性实施方案中，
dls
可使用
802.11e dls
或
802.11z
隧道
dls(tdls)。
使用独立
bss(ibss)
模式的
wlan
可不具有
ap
，并且
ibss
内或使用
ibss
的
sta(
例如，所有
sta)
可彼此直接通信
。ibss
通信模式在本文中有时可称为“ad-hoc”通信模式
。
51.当使用
802.11ac
基础结构操作模式或相似操作模式时，
ap
可在固定信道
(
诸如主信道
)
上发射信标
。
主信道可为固定宽度
(
例如，
20mhz
宽带宽
)
或通过信令动态设置的宽度
。
主信道可为
bss
的操作信道，并且可由
sta
用来建立与
ap
的连接
。
在某些代表性实施方案中，例如在
802.11
系统中可实现载波侦听多路访问
/
冲突避免
(csma/ca)。
对于
csma/ca
，
sta(
例如，每个
sta)(
包括
ap)
可侦听主信道
。
如果主信道被特定
sta
侦听
/
检测和
/
或确定为繁忙，则特定
sta
可退避
。
一个
sta(
例如，仅一个站
)
可在给定
bss
中在任何给定时间发射
。
52.高吞吐量
(ht)sta
可使用
40mhz
宽的信道进行通信，例如，经由主
20mhz
信道与相邻或不相邻的
20mhz
信道的组合以形成
40mhz
宽的信道
。
53.极高吞吐量
(vht)sta
可支持
20mhz、40mhz、80mhz
和
/
或
160mhz
宽的信道
。40mhz
和
/
或
80mhz
信道可通过组合连续的
20mhz
信道来形成
。
可通过组合8个连续的
20mhz
信道，或通过组合两个非连续的
80mhz
信道
(
这可被称为
80+80
配置
)
来形成
160mhz
信道
。
对于
80+80
配置，在信道编码之后，数据可通过可将数据分成两个流的段解析器
。
可单独地对每个流进行快速傅里叶逆变换
(ifft)
处理和时间域处理
。
可将这些流映射到两个
80mhz
信道，并且可通过发射
sta
来发射数据
。
在接收
sta
的接收器处，可颠倒上述用于
80+80
配置的操作，并且可将组合的数据发送到介质访问控制
(mac)。
54.802.11af
和
802.11ah
支持低于
1ghz
的操作模式
。
相对于
802.11n
和
802.11ac
中使用的那些，
802.11af
和
802.11ah
中减少了信道操作带宽和载波
。802.11af
支持电视白空间
(tvws)
频谱中的
5mhz、10mhz
和
20mhz
带宽，并且
802.11ah
支持使用非
tvws
频谱的
1mhz、2mhz、4mhz、8mhz
和
16mhz
带宽
。
根据代表性实施方案，
802.11ah
可支持仪表类型控制
/
机器类型通信
(mtc)
，诸如宏覆盖区域中的
mtc
设备
。mtc
设备可具有某些能力，例如有限的能力，包括支持
(
例如，仅支持
)
某些带宽和
/
或有限的带宽
。mtc
设备可包括电池寿命高于阈值
(
例如，以保持非常长的电池寿命
)
的电池
。
55.可支持多个信道的
wlan
系统以及诸如
802.11n、802.11ac、802.11af
和
802.11ah
之类的信道带宽包括可被指定为主信道的信道
。
主信道可具有等于由
bss
中的所有
sta
支持的最大公共操作带宽的带宽
。
主信道的带宽可由来自在
bss
中操作的所有
sta
的
sta(
其支持最小带宽操作模式
)
设置和
/
或限制
。
在
802.11ah
的示例中，对于支持
(
例如，仅支持
)1mhz
模式的
sta(
例如，
mtc
型设备
)
，主信道可为
1mhz
宽，即使
ap
和
bss
中的其他
sta
支持
2mhz、4mhz、8mhz、16mhz
和
/
或其他信道带宽操作模式
。
载波侦听和
/
或网络分配向量
(nav)
设置可取决于主信道的状态
。
如果主信道繁忙，例如，由于
sta(
仅支持
1mhz
操作模式
)
正在向
ap
传输，即
使大多数频段保持空闲并且可能可用，整个可用频段也可被视为繁忙
。
56.在美国，可供
802.11ah
使用的可用频带为
902mhz
至
928mhz。
在韩国，可用频带为
917.5mhz
至
923.5mhz。
在日本，可用频带为
916.5mhz
至
927.5mhz。802.11ah
可用的总带宽为
6mhz
至
26mhz
，具体取决于国家代码
。
57.图
1d
是示出根据实施方案的
ran 113
和
cn 115
的系统图
。
如上文所指出，
ran 113
可采用
nr
无线电技术以通过空中接口
116
与
wtru 102a、102b、102c
通信
。ran 113
还可与
cn 115
通信
。
58.ran 113
可包括
gnb 180a、180b、180c
，但应当理解，在与实施方案保持一致的同时，
ran 113
可包括任何数量的
gnb。gnb 180a、180b、180c
各自可包括一个或多个收发器以便通过空中接口
116
与
wtru 102a、102b、102c
通信
。
在实施方案中，
gnb 180a、180b、180c
可实现
mimo
技术
。
例如，
gnb 180a、180b
可利用波束成形来向
gnb 180a、180b、180c
发射信号和
/
或从中接收信号
。
因此，
gnb 180a
例如可使用多个天线来向
wtru 102a
发射无线信号和
/
或从
wtru 102a
接收无线信号
。
在实施方案中，
gnb 180a、180b、180c
可实现载波聚合技术
。
例如，
gnb 180a
可向
wtru 102a(
未示出
)
发射多个分量载波
。
这些分量载波的子集可在免许可频谱上，而其余分量载波可在许可频谱上
。
在实施方案中，
gnb 180a、180b、180c
可实现被协调的多点
(comp)
技术
。
例如，
wtru 102a
可从
gnb 180a
和
gnb 180b(
和
/
或
gnb 180c)
接收被协调的发射
。
59.wtru 102a、102b、102c
可使用与可扩展参数集相关联的传输来与
gnb 180a、180b、180c
通信
。
例如，
ofdm
符号间隔和
/
或
ofdm
子载波间隔可因不同传输
、
不同小区和
/
或无线传输频谱的不同部分而变化
。wtru 102a、102b、102c
可使用各种或可扩展长度的子帧或发射时间间隔
(tti)(
例如，包含不同数量的
ofdm
符号和
/
或持续变化的绝对时间长度
)
来与
gnb 180a、180b、180c
通信
。
60.gnb 180a、180b、180c
可被配置为以独立配置和
/
或非独立配置与
wtru 102a、102b、102c
通信
。
在独立配置中，
wtru 102a、102b、102c
可与
gnb 180a、180b、180c
通信，同时也不访问其他
ran(
例如，诸如演进节点
b 160a、160b、160c)。
在独立配置中，
wtru 102a、102b、102c
可将
gnb 180a、180b、180c
中的一者或多者用作移动性锚定点
。
在独立配置中，
wtru 102a、102b、102c
可在未许可频带中使用信号与
gnb 180a、180b、180c
通信
。
在非独立配置中，
wtru 102a、102b、102c
可与
gnb 180a、180b、180c
通信或连接，同时也与其他
ran(
诸如，演进节点
b160a、160b、160c)
通信或连接
。
例如，
wtru 102a、102b、102c
可实现
dc
原理以基本上同时与一个或多个
gnb 180a、180b、180c
和一个或多个演进节点
b 160a、160b、160c
通信
。
在非独立配置中，演进节点
b 160a、160b、160c
可用作
wtru 102a、102b、102c
的移动性锚点，并且
gnb 180a、180b、180c
可提供用于服务
wtru 102a、102b、102c
的附加覆盖和
/
或吞吐量
。
61.gnb 180a、180b、180c
中的每一者可与特定小区
(
未示出
)
相关联，并且可被配置为处理无线电资源管理决策
、
切换决策
、ul
和
/
或
dl
中的用户的调度
、
网络切片的支持
、
双连接
、nr
和
e-utra
之间的互通
、
用户平面数据朝向用户平面功能
(upf)184a、184b
的路由
、
控制平面信息朝向接入和移动性管理功能
(amf)182a、182b
的路由等
。
如图
1d
所示，
gnb 180a、180b、180c
可通过
xn
接口彼此通信
。
62.图
1d
所示的
cn 115
可包括至少一个
amf 182a、182b、
至少一个
upf 184a、184b、
至
少一个会话管理功能
(smf)183a、183b
以及可能的至少一个数据网络
(dn)185a、185b。
虽然前述元件中的每一者被描绘为
cn 115
的一部分，但是应当理解，这些元件中的任一者可由除
cn
运营商之外的实体拥有和
/
或操作
。
63.amf 182a、182b
可经由
n2
接口连接到
ran 113
中的
gnb 180a、180b、180c
中的一者或多者，并且可用作控制节点
。
例如，
amf 182a、182b
可负责认证
wtru 102a、102b、102c
的用户
、
网络切片的支持
(
例如，具有不同要求的不同分组数据单元
(pdu)
会话的处理
)、
选择特定
smf 183a、183b、
注册区域的管理
、nas
信令的终止
、
移动性管理等
。amf 182a、182b
可使用网络切片以例如基于
wtru 102a、102b、102c
所使用的服务的类型来为
wtru 102a、102b、102c
定制
cn
支持
。
例如，可针对不同的用例
(
诸如，依赖于超高可靠低延迟
(urllc)
接入的服务
、
依赖于增强型大规模移动宽带
(embb)
接入的服务
、
用于
mtc
接入的服务等
)
建立不同的网络切片
。amf 162
可提供用于在
ran 113
和采用其他无线电技术
(
诸如
lte、lte-a、lte-a pro
和
/
或非
3gpp
接入技术，诸如
wi-fi)
的其他
ran(
未示出
)
之间进行切换的控制平面功能
。
64.smf 183a、183b
可经由
n11
接口连接到
cn 115
中的
amf 182a、182b。smf 183a、183b
还可经由
n4
接口连接到
cn 115
中的
upf 184a、184b。smf 183a、183b
可选择并控制
upf 184a、184b
，并且配置通过
upf 184a、184b
进行的流量路由
。smf 183a、183b
可执行其他功能，诸如管理和分配
ue ip
地址
、
管理
pdu
会话
、
控制策略实施和
qos、
提供下行链路数据通知等
。pdu
会话类型可以是基于
ip
的
、
非基于
ip
的
、
基于以太网的等
。
65.upf 184a、184b
可经由
n3
接口连接到
ran 113
中的
gnb 180a、180b、180c
中的一者或多者，这些
gnb
可向
wtru 102a、102b、102c
提供对分组交换网络
(
诸如互联网
110)
的访问，例如以促进
wtru 102a、102b、102c
和启用
ip
的设备之间的通信
。upf 184、184b
可执行其他功能，诸如路由和转发分组
、
实施用户平面策略
、
支持多宿主
pdu
会话
、
处理用户平面
qos、
缓冲下行链路分组
、
提供移动性锚定等
。
66.cn 115
可促进与其他网络的通信
。
例如，
cn 115
可包括用作
cn 115
与
pstn 108
之间的接口的
ip
网关
(
例如，
ip
多媒体子系统
(ims)
服务器
)
或者可与该
ip
网关通信
。
此外，
cn 115
可向
wtru 102a、102b、102c
提供对其他网络
112
的接入，该其他网络可包括由其他服务提供商拥有和
/
或操作的其他有线和
/
或无线网络
。
在一个实施方案中，
wtru 102a、102b、102c
可通过
upf 184a、184b
通过至
upf 184a、184b
的
n3
接口以及
upf 184a、184b
与本地数据网络
(dn)185a、185b
之间的
n6
接口连接到
dn 185a、185b。
67.鉴于图
1a
至图
1d
以及图
1a
至图
1d
的对应描述，本文参照以下中的任一者描述的功能中的一个或多个功能或全部功能可由一个或多个仿真元件
/
设备
(
未示出
)
执行：
wtru 102a-102d、
基站
114a-114b、
演进节点
b160a-160c、mme 162、sgw 164、pgw 166、gnb 180a-180c、amf 182a-182b、upf 184a-184b、smf 183a-183b、dn 185a-185b
和
/
或本文所述的任何其他元件
/
设备
。
仿真设备可以是被配置为模仿本文所述的一个或多个或所有功能的一个或多个设备
。
例如，仿真设备可用于测试其他设备和
/
或模拟网络和
/
或
wtru
功能
。
68.仿真设备可被设计为在实验室环境和
/
或运营商网络环境中实现其他设备的一个或多个测试
。
例如，该一个或多个仿真设备可执行一个或多个或所有功能，同时被完全或部分地实现和
/
或部署为有线和
/
或无线通信网络的一部分，以便测试通信网络内的其他设备
。
该一个或多个仿真设备可执行一个或多个功能或所有功能，同时临时被实现
/
部署为有线和
/
或无线通信网络的一部分
。
仿真设备可直接耦合到另一个设备以用于测试目的和
/
或
可使用空中无线通信来执行测试
。
69.该一个或多个仿真设备可执行一个或多个
(
包括所有
)
功能，同时不被实现
/
部署为有线和
/
或无线通信网络的一部分
。
例如，仿真设备可在测试实验室和
/
或非部署
(
例如，测试
)
有线和
/
或无线通信网络中的测试场景中使用，以便实现一个或多个部件的测试
。
该一个或多个仿真设备可为测试装备
。
经由
rf
电路系统
(
例如，其可包括一个或多个天线
)
进行的直接
rf
耦合和
/
或无线通信可由仿真设备用于发射和
/
或接收数据
。
70.引言
71.一般来讲，物联网
(iot)
是指能够在几乎没有或没有人类交互的情况下通过互联网等网络交换数据的计算设备
(“事物”)
的系统
。
根据
ihs(2016
年
)
，到
2025
年，整个
iot
市场预计将扩展到
750
亿台设备并产生
4-11
万亿美元的经济影响
。
根据瞻博研究，低功耗
iot
的业务收入在未来五年将增长
800
％，到
2024
年将超过
26
亿美元
。
72.iot
中的事物
(“iot
设备”)
可以采取多种形式
。iot
设备可以是家庭中的传感器或执行器，可以是在轮胎压力低时发出警告的传感器，也可以是可分配有可路由
(
例如，
ip)
地址的任何其他事物
。iot
设备渗透到商业
、
个人和政府市场，并且部署在工厂
、
城市基础设施
、
工作场所
、
公用事业和医疗保健等关键应用中
。
低功耗
、
低成本
、
无线
iot
设备特别令人感兴趣，因为它们提供了一种简单且低成本地部署其大型网络的手段，并且激励或至少消除了采用各种应用
(
例如，需要低成本
、
低功耗和
/
或无线通信的那些应用
)
的一些障碍
。
73.例如，
long range(lora)
和
sigfox
等多个
iot rat
已经得到广泛采用
。
从长远来看，支持许多低数据速率设备的宽覆盖范围的
5g
解决方案是窄带
iot(nb-iot)
，预计将获得更大的市场份额
。
为了使
iot
实现其支持密集传感器部署的预期作用，
iot
无线电设备必须同时具备低功耗和低成本的特点
。
这两个要求都与安全背道而驰
。
74.大规模采用的剩余障碍中的一个障碍是网络安全
。
网络安全仍然是一个令人担忧的问题，尤其是对于低成本
、
低功耗
iot
设备
。
预计将连接到智能城市网络等的此类设备的数量之多，只会加剧担忧，从而造成巨大的攻击面
。
当前，三分之一的
iot
安全漏洞发生在端点处
。
低成本
、
低功耗
iot
设备的电池
、
存储器和处理限制使得难以稳健地保护
iot。
75.射频
(rf)
指纹识别
(rffp)
是可用于
(
例如，由网络运营商
)
防止欺骗发射器访问网络的多种网络安全手段中的一个手段
。
通常，在两个阶段中执行
rffp
，即提取
rf
指纹以及基于
rf
指纹来执行识别
。rf
指纹是发射器的硬件组件之间的差异的反映，并且该差异可反映在通信信号中
。
发射器的硬件组件之间的差异至少部分地归因于发射器的模拟和
rf
组件的差异，该差异是由制造和组装期间的工艺变化引起的
。
对于低成本设备来说，情况尤其如此
。
可以通过处理来自所接收的
rf
信号的瞬态信号或稳态信号来提取
rf
指纹
。
发射器的
rf
指纹的元素包括该发射器的唯一
(
并且通常是细微的
)
无线电传输特性
。
术语“无线电设备”和“发射器”在本文中可互换地指代
。
传统
rffp
技术的一个问题在于，这些技术不能扩展到大量设备
。
此类扩展的一个障碍在于，传统
rffp
技术依赖于单个或最多几个发射器特性，并且此类发射器特性是
(i)rf
工程师很好地理解并且
(ii)
可以通过手动工程提取的那些特性
。
76.需要可在
iot
中利用和
/
或最小化其对
iot
设备和
/
或网络元件的功耗的影响的改进型
rffp。
77.虽然受到
iot
的推动，但是
rffp
普遍适用于检测任何类型的欺骗发射器，对于该类
型的欺骗发射器，存在足够的训练数据可用，包括其他移动设备类型和基础设施元素
。
例如，微小区和专用网络的增长趋势使得
ue
验证基础设施元素
(
基站
、
接入点
、
网关等
)
变得更加重要
。
78.根据
rffp
，可基于归因于发射器的一个或多个信号损伤来识别发射器
(
无线电设备
)
和
/
或通过扩展来识别包括发射器的设备
。
归因于发射器的信号损伤可基于
i/q
相位不平衡和
/
或功率放大器
(pa)
斜线上升轮廓等
。
特定发射器
/
无线电设备的损伤为从发射器
/
无线电设备发射的信号赋予唯一签名
。
该唯一签名可在接收器处学习并且例如在被配置用于
rffp
分类和
/
或欺骗检测的神经网络
(nn)(
统称为“rffp
神经网络”)
中使用
。
然而，在接收器处接收的信号表现出不能归因于发射器的其他损伤
。
其结果是，在传统
rffp
中，输入到
rffp
神经网络的信号包括来自发射器和来自其他源的损伤
。
这些其他源包括多径信道
、
接收器和来自其他发射器的干扰
(
同信道或相邻信道干扰
)。
不与发射器相关联的损伤可能导致
rffp
算法学习错误地将这些非发射器相关损伤与特定发射器关联
。
这可能导致对
rffp
性能的错误置信度
。
例如，如果在一个
(“第一”)
位置处训练
rffp
神经网络并且在信道统计不同的不同
(“第二”)
位置处部署
rffp
神经网络，则非发射器相关损伤
(
例如，信道相关损伤
)
可能与发射器相关损伤混淆；从而使发射器更难识别和
/
或使发射器看起来更像曾经也在该位置处的无线电设备
。
规避
rffp
算法学习错误地将非发射器相关损伤与特定发射器关联
(
尽管成本过高并且由于环境不断变化而可能变为不可能
)
的一种方式是，将每个发射器移动到许多位置，并且在许多不同的业务场景中操作每个发射器，使得
rffp
神经网络可学习仅基于发射器的属性而不是基于发射器的部署位置来对无线电设备进行分类
。
所解决的一些具体问题如下：
79.多径信道
80.训练用于
rffp
的神经网络易于学习信道，而不是学习发射器的唯一签名和
/
或归因于发射器的信号损伤
(
在本文中有时称为“tx
无线电损伤”)。
从较大地理区域收集发射器的数据以通过数据获得更多信道体验的成本过高
。
81.载波频率偏移
(cfo)
82.cfo
可能在
tx
设备处随时间变化，并且可能由于多普勒效应而表现出变化
。
训练用于
rffp
的神经网络易于学习接收设备中的
rx cfo
，因为这是
tx
设备中的明显
cfo
更改的来源
。
83.干扰
84.在大多数现代无线系统中，干扰较为常见，并且通常是突发性的，因为随着无线系统的发展，业务已经超出了提供语音服务的范围
。rffp
性能可能由于此类干扰而显著降低
。rffp
性能需要更稳健和
/
或具有干扰感知能力
。
85.便携性
86.可以针对感兴趣的站点定制数据增强，但是这将意味着需要针对具有统计上不同的典型信道实现的每个站点重新训练神经网络
。
虽然这是可能的，但是此类解决方案将需要在站点处实现大量计算能力和数据存储，所产生的结果将在整个网络中缺乏一致性，并且关于信道的信息将不会与网络中的其他
rffp
块共享，该
rffp
块也不会从其他站点受益
。
87.这些问题可根据本文所公开的新颖
、
具有创造性的方法和技术而减轻
。
88.概述
89.本领域技术人员应当理解的是，基于本文的教导内容，在本文所述的实施方案内包含但不限于使用射频
(rf)
数据增强
(
例如，使用
(
或基于
)
无线电传播的一个或多个模型
、
无线电损伤的一个或多个模型
、
频率漂移和一个或多个干扰模型中的任一者来增强
rf
数据
)
的涉及
rf
指纹识别的过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品
。
90.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第一方法可包括以下各项中的任一者：基于一个或多个信号损伤来增强一个或多个
rf
信号的样本；以及使用所增强的样本来训练神经网络
。
91.在各种实施方案中，该一个或多个信号损伤可包括与关联于或归因于发射器
(
例如，特定发射器
)
的那些信号损伤不同的信号损伤
。
92.在各种实施方案中，该一个或多个信号损伤可包括在发射之后发生的一个或多个信号损伤
。
93.在各种实施方案中，该一个或多个信号损伤可包括发射器与接收器之间链路的典型的一个或多个传播特性
。
94.在各种实施方案中，增强该一个或多个
rf
信号的样本可包括：使用模拟该一个或多个信号损伤的一个或多个变换来增强样本
。
95.在各种实施方案中，该一个或多个变换可包括模拟发射器与接收器之间链路的典型的一个或多个传播特性的一个或多个变换
。
96.在各种实施方案中，该第一方法可包括：基于该一个或多个信号损伤来生成该一个或多个变换
。
在各种实施方案中，增强样本可包括：将该一个或多个变换应用于样本
。
97.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第二方法可包括以下各项中的任一者：基于发射器与接收器之间链路的典型的一个或多个传播特性来增强一个或多个
rf
信号的样本；以及使用所增强的样本来训练神经网络
。
98.在各种实施方案中，增强一个或多个
rf
信号的样本可包括：使用模拟发射器与接收器之间链路的典型的一个或多个传播特性的一个或多个变换来增强样本
。
99.在各种实施方案中，第二方法可包括：基于该一个或多个传播特性来生成该一个或多个变换
。
在各种实施方案中，增强样本可包括：将该一个或多个变换应用于样本
。
100.在各种实施方案中，该一个或多个变换中的至少一个变换可模拟真实信道脉冲响应
(cir)。
在各种实施方案中，该至少一个变换可以是
(
或包括
)
有限脉冲响应
(fir)
滤波器
。
该
fir
滤波器可以是
(
或包括
)
时变
fir
滤波器
。
101.在各种实施方案中，该一个或多个变换中的至少一个变换可模拟真实信道频谱
。
在各种实施方案中，该至少一个变换可包括频域滤波器
。
在各种实施方案中，将该一个或多个变换应用于样本可包括：在频域中执行样本与该滤波器的滤波器系数的逐元素乘法
。
102.在各种实施方案中，该第二方法可包括：标记所训练的神经网络
。
在各种实施方案中，标记所训练的神经网络可包括：基于其中部署该发射器和
/
或接收器的网络或环境的特性来标记所训练的神经网络
。
103.在各种实施方案中，该第二方法可包括：将所标记的
、
所训练的神经网络保存为神经网络模型
。
104.在各种实施方案中，该第二方法可包括以下各项中的任一者：通过对在接收器处从发射器接收的
rf
信号进行采样来获取样本；以及至少部分地基于以下各项来执行
rf
指纹
识别：(i)将该样本和表征该发射器与该接收器之间链路的信息输入到所训练的神经网络；以及
(ii)
获取从所训练的神经网络输出的预测值
。
105.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第三方法可包括以下各项中的任一者：通过对在接收器处从发射器接收的
rf
信号进行采样来获取样本；估计该接收器与该发射器之间信道的
cir
；至少部分地基于所估计的
cir
或所估计的
cir
的累积来生成
/
确定该信道的统计描述；基于该信道的统计描述来获取所训练的神经网络模型；以及至少部分地基于以下各项来执行
rf
指纹识别：(i)将该样本和所估计的
cir
或所估计的
cir
的累积和
/
或该信道的统计描述作为输入输入到使用所训练的神经网络模型形成的神经网络；以及
(ii)
获取从该神经网络输出的预测值
。
106.在各种实施方案中，基于该信道的统计描述来获取所训练的神经网络模型可包括：基于该信道的统计描述来从储存库中选择所训练的神经网络模型
。
在各种实施方案中，基于该信道的统计描述来获取所训练的神经网络模型可包括：基于该信道的统计描述来确定所训练的神经网络模型
。
107.在各种实施方案中，将与执行
rf
指纹识别相关的统计信息输入到该神经网络
。
108.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第四方法可包括以下各项中的任一者：获取
rf
信号的样本；确定以下各项中的任一者：(i)该
rf
信号通过其传输的第一信道的
cir
的估计值；和
/
或
(ii)
该第一信道的所估计的
cir
的累积；基于所估计的
cir
和
/
或所累积的
cir
来确定该第一信道的第一统计描述；以及使用神经网络模型来部署被配置用于
rffp
分类和
/
或欺骗检测的神经网络，该神经网络模型被配置用于
rffp
分类和
/
或欺骗检测并且使用针对第二信道增强的
rf
数据进行训练，该第二信道具有与该第一信道的第一统计描述匹配
(
例如，最佳匹配
)、
类似等的第二统计描述
。
109.在各种实施方案中，该第四方法可包括以下各项中的任一者：将所获取的
rf
样本输入到所训练的神经网络；以及获取针对从所训练的神经网络输出的
rf
样本的一个或多个预测分类或欺骗决策
。
110.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第五方法可包括以下各项中的任一者：通过对在接收器处从发射器接收的
rf
信号进行采样来获取一个或多个样本；确定该接收器与该发射器之间信道的一个或多个信道特性；至少部分地基于以下各项来执行
rf
指纹识别：(i)将该一个或多个样本和该一个或多个信道特性作为输入输入到使用所训练的神经网络模型形成的神经网络；以及
(ii)
获取从该神经网络输出的预测值
。
在各种实施方案中，可将与执行
rf
指纹识别相关的一个或多个统计信道描述输入到该神经网络
。
111.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第六方法可包括以下各项中的任一者：通过对在接收器处从发射器接收的
rf
信号进行采样来获取一个或多个样本；确定该接收器与该发射器之间信道的一个或多个信道特性；以及至少部分地基于以下各项来执行欺骗检测：(i)将该一个或多个样本和该一个或多个信道特性作为输入输入到使用所训练的神经网络模型形成的神经网络；
(ii)
获取从该神经网络输出的预测值；以及
(iii)
基于该预测值和一个或多个标准来确定该发射器的标识符是否被欺骗
。
在各种实施方案中，可将与执行欺骗检测相关的一个或多个统计信道描述输入到该神经网络
。
112.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第七方法可包括
以下各项中的任一者：获取
rf
信号的一个或多个样本；确定该
rf
信号通过其传输的第一信道的一个或多个信道特性；基于该信道特性来确定该第一信道的统计描述；以及使用所训练的神经网络模型来部署神经网络，所训练的神经网络模型使用基于具有不同统计描述的第二信道而增强的
rf
数据来训练，其中该不同统计描述至少部分地对应于该第一信道的统计描述
。
113.在各种实施方案中，该方法可包括以下各项中的任一者：执行
rf
指纹识别；以及执行欺骗检测
。
在各种实施方案中，该方法可包括：可至少部分地基于以下各项来执行
rf
指纹识别：(i)将该样本和该信道特性
(
作为输入
)
输入到该神经网络；以及
(ii)
获取从该神经网络输出的预测值
。
在各种实施方案中，该方法可包括：至少部分地基于以下各项来执行欺骗检测：(i)将该一个或多个样本和该一个或多个信道特性作为输入输入到该神经网络；
(ii)
获取从该神经网络输出的预测值；以及
(iii)
基于该预测值和一个或多个标准来确定发射器的标识符是否被欺骗
。
114.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第八方法可包括以下各项中的任一者：通过对
(
例如，在接收器处
)
从发射器接收的
rf
信号进行采样来获取一个或多个样本；基于以下各项来执行
rf
指纹识别：(i)将该样本和一个或多个信道特性
(
作为输入
)
输入到使用所训练的神经网络模型形成的神经网络，其中该信道特性可包括该接收器与该发射器之间信道的一个或多个信道特性；以及
(ii)
获取从该神经网络输出的预测值
。
在各种实施方案中，可将与执行
rf
指纹识别相关的一个或多个统计信道描述输入到该神经网络
。
115.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第九方法可包括以下各项中的任一者：通过对
(
例如，在接收器处
)
从发射器接收的
rf
信号进行采样来获取一个或多个样本；基于以下各项来执行欺骗检测：(i)将该样本和一个或多个信道特性
(
作为输入
)
输入到使用所训练的神经网络模型形成的神经网络，其中该信道特性可包括该接收器与该发射器之间信道的一个或多个信道特性；获取从该神经网络输出的预测值；以及基于该预测值和一个或多个标准来确定该发射器的标识符是否被欺骗
。
在各种实施方案中，可将与执行欺骗检测相关的一个或多个统计信道描述输入到该神经网络
。
116.在至少第五方法
、
第六方法
、
第七方法
、
第八方法和第九方法的各种实施方案中，这些方法可包括：至少部分地基于该一个或多个信道特性来确定该信道的统计描述；和
/
或基于该信道的统计描述来获取所训练的神经网络模型
。
117.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第十方法可包括以下各项中的任一者：获取
rf
信号的一个或多个样本；确定该
rf
信号通过其传输的第一信道的一个或多个信道特性；基于该一个或多个信道特性来确定该第一信道的统计描述；以及使用所训练的神经网络模型来部署神经网络，所训练的神经网络模型使用基于具有不同统计描述的第二信道而增强的
rf
数据来训练，其中该不同统计描述至少部分地对应于该第一信道的统计描述
。
118.在各种实施方案中，该方法可包括以下各项中的任一者：执行
rf
指纹识别；以及执行欺骗检测
。
在各种实施方案中，该方法可包括：基于以下各项来执行
rf
指纹识别：将该样本和该信道特性
(
作为输入
)
输入到该神经网络；以及获取从该神经网络输出的预测值
。
在各种实施方案中，该方法可包括：基于以下各项来执行欺骗检测：将该样本和该信道特性
(
作为输入
)
输入到该神经网络；获取从该神经网络输出的预测值；以及基于该预测值和一个或多个标准来确定该发射器的标识符是否被欺骗
。
119.在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
120.在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，这些方法可包括：获取所训练的神经网络模型
。
例如，该方法可包括：从储存库中选择所训练的神经网络模型，其中基于该统计描述来选择所训练的神经网络模型
。
或者，该方法可包括：基于该统计描述来确定
(
生成
)
所训练的神经网络模型
。
121.在各种实施方案中，确定
(
生成
)
所训练的神经网络模型可包括：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；和
/
或使用所增强的样本来训练未训练的神经网络和部分训练的神经网络中的任一者
。
在各种实施方案中，该信号损伤可以是或包括以下各项中的任一者：与关联于或归因于发射器的那些信号损伤不同的一个或多个信号损伤；在发射之后发生的一个或多个信号损伤；和发射器与接收器之间信道的典型的一个或多个传播特性
。
122.在各种实施方案中，增强
rf
信号的样本可包括：使用模拟该信号损伤的一个或多个变换来增强样本
。
在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，这些方法可包括以下各项中的任一者：基于该信号损伤来生成该变换；以及将该变换应用于样本
。
123.在各种实施方案中，确定
(
生成
)
所训练的神经网络模型可包括：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及使用所增强的样本来训练未训练的神经网络和部分训练的神经网络中的任一者
。
124.在各种实施方案中，增强
rf
信号的样本可包括：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该方法可包括：基于该传播特性来生成该变换；和
/
或将该变换应用于样本
。
125.在各种实施方案中，该变换中的至少一个变换模拟真实信道脉冲响应
。
在各种实施方案中，该至少一个变换可以是
(
或包括
)fir
滤波器
。
在各种实施方案中，该变换中的至少一个变换模拟真实信道频谱
。
在各种实施方案中，该至少一个变换可以是
(
或包括
)
频域滤波器
。
在各种实施方案中，该变换中的至少一个变换模拟真实信道频谱；以及将该变换应用于样本可包括：在频域中执行样本与该滤波器的滤波器系数的逐元素乘法
。
126.在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，这些方法可包括：将所训练的神经网络保存为神经网络模型
。
在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，这些方法可包括：标记所训练的神经网络
。
在各种实施方案中，标记所训练的神经网络可包括：基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在至少第五方法
、
第六方法
、
第七方法
、
第八方法
、
第九方法和第十方法的各种实施方案中，这些方法可包括：将所标记的
、
所训练的神经网络保存为神经网络模型
。
127.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，一种装置可包括发射器
、
接收器
、
处理器和存储器中的任一者，被配置为执行前述方法中的至少一种方法中
的方法
。
128.在各种实施方案中，该装置可以是无线发射
/
接收单元
(wtru)、
可被配置为无线发射
/
接收单元
(wtru)
和
/
或配置有无线发射
/
接收单元
(wtru)
的元件
。
在各种实施方案中，该装置可以是网络元件
、
可被配置为网络元件和
/
或配置有网络元件的元件
。
在各种实施方案中，该网络元件可以是基站
。
129.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第十一方法可在第一设备中实现并且包括以下各项中的任一者：从第二设备接收以下各项中的一者或多者：(i)第三设备的发射器与第二设备的接收器之间信道的一个或多个信道特性；和
(ii)
该发射器与该接收器之间信道的统计描述；分析以下各项中的一者或多者：(i)该信道特性；和
(ii)
该统计描述；基于该分析从储存库中选择所训练的神经网络模型或部分训练的神经网络模型；以及向该第二设备传输所训练的神经网络模型
。
130.在这些过程
、
方法
、
架构
、
装置
、
系统
、
设备和计算机程序产品中，第十二方法可在第一设备中实现并且包括以下各项中的任一者：从第二设备接收以下各项中的一者或多者：(i)第三设备的发射器与第二设备的接收器之间信道的一个或多个信道特性；和
(ii)
该发射器与该接收器之间信道的统计描述；基于以下各项来训练未训练的神经网络模型和部分训练的神经网络模型中的任一者：(i)该信道特性；和
(ii)
该统计描述；以及向该第二设备传输所训练的神经网络模型
。
131.在至少第十一方法和第十二方法的各种实施方案中，这些方法可包括：将所训练的神经网络模型存储在储存库中
。
在各种实施方案中，该储存库可以是
(
或包括
)
数据库和数据存储库中的任一者
。
在至少第十一方法和第十二方法的各种实施方案中，该第一设备是服务器
、
被配置为服务器和
/
或配置有服务器的元件
。
在至少第十一方法和第十二方法的各种实施方案中，该第二设备和该第三设备中的至少一者是
wtru、
被配置为
wtru
和
/
或配置有
wtru
的元件
。
在至少第十一方法和第十二方法的各种实施方案中，该第二设备和该第三设备中的至少一者是网络元件
、
被配置为网络元件和
/
或配置有网络元件的元件
。
在各种实施方案中，该网络元件是基站
。
132.所描述问题的解决方案是基于
rf
的数据增强
。
根据
rf
数据增强，可将变换应用于所收集的
rf
信号，其中此类变换可模拟与该发射器无关的损伤
。
例如，由多径信道引起的失真
(
不是该发射器的损伤
)
可被实现为从蜂窝系统中的多径信道的典型分布中得到的
fir
滤波器的随机实现
。
下面提供了若干不同增强变换和相关技术中的每一者的更多细节
。
133.下面讨论的神经网络可以是或者可包括n类分类器和二进制欺骗检测器分类器中的任一者
。
示例性二进制欺骗检测器分类器的细节可在
2022
年3月4日提交的名称为“涉及零接触确定网络中无线电设备真实性的方法
、
架构
、
装置和系统
(methods
，
architecture
，
apparatuses and systems directed to zero-touch determination of authenticity of radios in a network)”的国际申请
pct/us2022/18865
号中找到，该国际申请要求
2021
年3月4日提交的美国临时专利申请
63/156,815
号的权益；它们中的每一者以引用方式并于本文
。
134.示例性数据增强
135.可收集经由一个或多个无线和
/
或有线通信链路发射的一个或多个
rf
信号的样本
。
可将该样本
(“rf
数据”)
作为有限数据集存储在储存库中
。
如本文所用，如果其中的任何
rf
数据来自尚未经历多种
(
例如，广泛多种
)
信道的
rf
信号，则数据集为“有限数据集”。
可从该储存库中读取该有限数据集，并且可基于一个或多个信号损伤来增强该有限数据集
(
例如，在神经网络的训练期间
)。
例如，可使用模拟该信号损伤的一个或多个变换来增强该有限数据集
(
例如，在训练期间
)。
所增强的
rf
数据可用于训练被配置用于
rffp
分类和
/
或欺骗检测的神经网络
(“rffp
神经网络”)。
136.例如，该信号损伤可以是与关联于或归因于发射器
(
例如，特定发射器
)
的那些信号损伤不同的信号损伤
、
在发射之后发生的信号损伤
、
发射器与接收器之间信道的典型的一个或多个传播特性等
。
可基于与该信号损伤中的一个或多个信号损伤对应的各种模型和
/
或测量结果来生成该变换
。
与该信号损伤中的一个或多个信号损伤对应的各种模型和
/
或测量结果可用于生成一种或多种类型的辅助数据
。
该辅助数据可在训练和部署期间用作到
rffp
神经网络的辅助输入
。
使用所增强的
rf
数据和辅助数据训练的
rffp
神经网络在本文中可称为扩展的
rffp
神经网络
。
137.用于对多径信道变化的稳健性的代表性数据增强
138.图2示出了用于增强
rf
数据和创建辅助数据的示例性过程
200。
过程
200
可适用于
rf
信号的时域多径数据增强
。
尽管基于时域处理来描述过程
200
和随附的公开，但是过程
200
和随附的公开可从时域处理调适到频域处理，而无需过度实验
。
139.可收集经由一个或多个无线和
/
或有线通信链路发射的一个或多个
rf
信号的时域样本，并且可将其作为有限数据集存储在储存库中
(202)。
可从该储存库中读取该有限数据集
(204)
，并且可通过对数据进行
fir
滤波来增强该有限数据集
(
例如，在训练之前或期间
)(206)。fir
滤波器可模拟真实信道脉冲响应
。
所增强的
rf
数据可用于训练
rffp
神经网络和
/
或扩展的
rffp
神经网络
。
140.可创建辅助数据
。
该辅助数据可包括信道模型的统计描述
(214)
和每个信道的所实现的
cir(216)
中的任一者
。
该辅助数据可在训练和部署期间作为辅助输入输入到扩展的
rffp
神经网络
。
该扩展的
rffp
神经网络的输入大小可以是或基于用于所增强的
rf
数据和该辅助数据的输入的组合数量和
/
或用于所采样的
rf
信号和该辅助数据的输入的组合数量
(
例如，如所部署的
)。
如果相同的辅助数据可用于延迟模型，则其可用于提高性能
。
141.在各种实施方案中，可收集经由一个或多个无线和
/
或有线通信链路发射的一个或多个
rf
信号的时域样本，并且可将其作为有限数据集存储在储存库中
(202)。
可通过使用接收器处理的早期阶段处理
rf
信号
(
例如，所存储的
rf
信号
)
来获取频域样本
。
在各种实施方案中，例如对于
fdma
或
ofdma
系统，可在每个用户的基础上分离信号
。
包括占用不同时间
、
频率
、
空间或码域无线电资源的多个字段的传输可被进一步分离或注释；例如，与
dmrs
相关联的信号可能更重要；以及
/
或可与其他字段
(
未示出
)
分离
。
可在过程
202、
过程
204
和过程
206
中的任一者之后或在过程
202、
过程
204、
过程
206
和过程
208
中的任一者内执行信号的各种分量的分离
。
可从该储存库中读取该有限数据集
(204)
，并且可通过频域滤波
(
例如，数据与频域滤波器的滤波器系数的逐元素乘法
)
来增强该有限数据集
(
例如，在训练期间
)。
该滤波器可模拟真实信道频谱
。
142.该滤波器
(
时域和
/
或频域
)
中的任一者可针对在特定站点处经历的典型信道统计进行优化
(
例如，定制为适合
)。
例如，农村
、
郊区和城区产生统计上不同的信道
。
不同高度处的收发器产生统计上不同的信道
。
用于训练
rffp
神经网络的每个模型的统计信息和
/
或指
示该统计信息的信息可用作所训练的
rffp
神经网络的标记
(
或名称
)。
该标记
(
名称
)
可用于选择要部署的一个或多个适当模型
。
该标记
(
名称
)
可包括例如信道统计信息的多维描述
。
在多个信道模型上训练的
rffp
神经网络也可使用模型描述
(
例如，作为辅助输入
)
来训练
。
实现用于增强的
fir
信道可用作到
rffp
神经网络的输入
。
例如，如果
cir
估计值可用，则
fir
信道在部署时用作到
rffp
神经网络的辅助输入
。
143.在各种实施方案中，具有发射器
、
接收器
、
处理器和
/
或存储器
(
统称为“tru”)
的
wtru、
基站或其他设备可收集信道测量结果，并且可基于信道测量结果来创建所经历的信道的统计描述，以结合所部署的
rffp
神经网络使用
。
144.图3是示出用于实现使用所增强的
rf
数据训练的
rffp
神经网络
(
例如，用于提高性能和
/
或减少开销信令
)
的流程
300
的流程图
。
流程
300
可适用于其中在所训练的
rffp
神经网络输入中使用
rf
样本并且周期性地将
cir
统计信息发送到所训练的
rffp
神经网络模型的储存库
(
例如，网络储存库
)
的情形
。
145.参考图3，
tru
可获取
rf
信号的
rf
样本
(302)。
该
tru
可计算(i)该
rf
信号通过其传输的信道
(“当前信道”)
的
cir
的估计值和
/
或
(ii)
该信道的所估计的
cir
的累积
(“所累积的
cir”)(320)。
该
tru
可基于
(
例如，使用
)
所估计的
cir
和
/
或所累积的
cir
来确定当前信道的统计描述
(322)。
该
tru
可从储存库
(
例如，本地或远程高速缓存
)
获取使用针对与统计描述相称的信道增强的
rf
数据训练的
rffp
神经网络模型
(336)。
例如，该
tru
可通过以下方式来获取
rffp
神经网络模型：从存储在该储存库中的多个
rffp
神经网络模型中选择使用针对信道增强的
rf
数据来训练的
rffp
神经网络模型，该信道具有可与当前信道的统计描述匹配
(
例如，可最佳匹配
)、
类似等的统计描述
。
或者，该
tru
可通过以下方式来获取
rffp
神经网络模型：使用基于当前信道的统计描述增强的
rf
数据来训练新的
rffp
神经网络模型
。
可使用所获取的神经网络模型来实例化
rffp
分类器或欺骗检测器
(340)。
可将所获取的
rf
样本
(320)
输入到所训练的
rffp
分类器或欺骗检测器
(340)
中，并且可从所训练的
rffp
分类器或欺骗检测器
(340)
输出针对
rf
样本的一个或多个预测分类或欺骗决策
。
可预先计算
nn
模型储存库中的
nn
模型，其中可使用不同统计描述的信道模型来增强
nn
模型中的一些
(
例如，每个
)nn
模型
。
146.图4是示出用于实现使用所增强的
rf
数据训练的
rffp
神经网络
(
例如，用于提高性能和
/
或减少开销信令
)
的流程
400
的流程图
。
流程
400
类似于图3的流程
300
，不同之处如本文所述
。
流程
400
可适用于其中当前部署的所训练的
rffp
神经网络节点的预测
(
评分
)
性能可能由于信道的变化而降级的情形
。
147.如图4所示
(
并且在图3的流程
300
中隐含
)
，
tru
可使用当前信道的统计描述来确定是否使用不同的
rffp
神经网络模型
(324)。
该决策可基于当前信道的统计描述中的变化
(
例如，非平凡变化
)。
例如，如果当前信道的统计描述不再与适用于所增强的
rf
数据的信道的统计描述相称
(
例如，缺乏良好的相关性
)
，则该
tru
可决定更新到不同的
rffp
神经网络模型，该不同的
rffp
神经网络模型使用针对与所改变的统计描述相称的另一信道增强的
rf
数据来训练
。
如本文所公开的，该
rffp
神经网络模型可使用适用信道模型的相应统计描述来标记
(
命名
)。
标记可用于选择
(
例如，从储存库获取
)
使用针对与所改变的统计描述相称的信道增强的
rf
数据来训练的
rffp
神经网络模型
。
148.图4中还示出
(
并且在图3的流程
300
中隐含
)
，如果决定使用不同的
rffp
神经网络
模型，则该
tru
可将该统计描述和
/
或指示该统计描述的信息发送到服务器
(
例如，应用程序即服务
(aaas)
服务器
)(326)。
该服务器可返回使用针对信道增强的
rf
数据来训练的
rffp
神经网络模型，该信道具有可与当前信道的统计描述匹配
(
例如，可最佳匹配
)、
类似等的统计描述
(334)、(328)。
或者，该服务器可使用基于当前信道的统计描述增强的
rf
数据来训练新的
rffp
神经网络模型，并返回该
rffp
神经网络模型
(330)、(328)。
可从该服务器接收该
rffp
神经网络模型
(336)。
可使用所接收的
rffp
神经网络模型来实例化
rffp
分类器或欺骗检测器
(340)。
149.在各种实施方案中，可使用具有不同统计描述的多个信道模型来训练多个
rffp
神经网络模型
。
可将该
rffp
神经网络模型保存在储存库
(
例如，服务器
/
数据库
)
中
。
该
tru
可向服务器
/
数据库发送该信道的统计描述
(
例如，以标准化格式
)。
该服务器
/
数据库可分析该统计描述，在其数据库中选择适用于
(
例如，最适用于
)
该统计描述的
rffp
神经网络模型，并将所选择的神经网络模型发送到该
tru。
或者，该服务器
/
数据库可分析该统计描述，基于该统计描述来训练
rffp
神经网络模型，并将该神经网络模型发送到该
tru。
该服务器
/
数据库可将所训练的
rffp
神经网络模型保存在该储存库中
。
150.在各种实施方案中，可使用具有不同统计描述
(
例如，功率-延迟分布
)
的多个信道模型来训练扩展的
rffp
神经网络
。
该统计描述或该统计描述的函数可在训练期间用作到扩展的
rffp
神经网络的辅助输入
。
该
tru
可实例化
/
部署所训练的扩展的
rffp
神经网络
。
该
tru
可确定其经历信道的统计描述，并可将该统计描述用作到该扩展的
rffp
神经网络的辅助输入
。
151.在各种实施方案中，可使用具有不同统计描述的多个信道模型来训练扩展的
rffp
神经网络
。
所实现的信道
(
例如，信道脉冲响应
)
或所实现的信道的函数可在训练期间用作到该扩展的
rffp
神经网络的辅助输入
。
该
tru
可实例化
/
部署所扩展的
rffp
神经网络，以及
/
或者可根据请求获取适当的扩展的
rffp
神经网络
。
对于要针对
rffp
分析的每个分组，该
tru
可估计该信道，并可将所估计的信道用作到该
nn
的辅助输入
。
152.在各种实施方案中，可使用具有不同统计描述的多个信道模型来训练多个部分广义扩展的
rffp
神经网络模型，并可将其保存在服务器
/
数据库中
。
所实现的信道
(
例如，信道脉冲响应
)
或所实现的信道的函数可在训练期间用作该多个部分广义扩展的
rffp
神经网络模型中的每一者的辅助输入
。
该
tru
可向服务器
/
数据库发送该信道的统计描述
(
例如，以标准化格式
)。
该服务器
/
数据库可分析该统计描述，在其数据库中选择可能适用于
(
例如，最适用于
)
该统计描述的扩展的
rffp
神经网络模型，并可将所选择的模型发送到该
tru。
或者，该服务器
/
数据库可分析该统计描述，基于该统计描述来训练扩展的
rffp
神经网络模型，并将该扩展的
rffp
神经网络模型发送到该
tru。
对于要针对
rffp
分析的每个分组，该
tru
可估计该信道，并可将所估计的信道用作到该
nn
的辅助输入
。
153.图5是示出用于实现使用所增强的
rf
数据训练的
rffp
神经网络
(
例如，用于提高性能和
/
或减少开销信令
)
的流程
500
的流程图
。
流程
500
类似于图3的流程
300
和图4的流程
400
，不同之处如本文所述
。
流程
500
可适用于在所训练的和
/
或所部署的
rffp
神经网络输入中使用
rf
样本和
cir
估计值的情形
。
154.可使用所扩展的
rffp
神经网络模型来实例化
rffp
分类器或欺骗检测器
(340)。
可将所获取的
rf
样本
(320)
以及所估计的
cir
和
/
或所累积的
cir
输入到所训练的
rffp
分类器
或欺骗检测器
(340)
中，并且可从所训练的
rffp
分类器或欺骗检测器
(340)
输出针对
rf
样本的一个或多个预测分类或欺骗决策
。
155.图6是示出用于实现使用所增强的
rf
数据训练的
rffp
神经网络
(
例如，用于提高性能和
/
或减少开销信令
)
的流程
600
的流程图
。
流程
600
类似于图5的流程
500
，不同之处如本文所述
。
流程
600
可适用于其中在所训练的
rffp
神经网络输入中使用
rf
样本
、cir
估计值和从
cir
测量结果创建的统计信息的情形
。
156.可将所获取的
rf
样本
(320)、
统计描述以及所估计的
cir
和
/
或所累积的
cir
输入到所训练的
rffp
分类器或欺骗检测器
(340)
中，并且可从所训练的
rffp
分类器或欺骗检测器
(340)
输出针对
rf
样本的一个或多个预测分类或欺骗决策
。
157.用于对
cfo
漂移的稳健性的代表性增强
158.在一些情况下，可能需要避免学习基于
cfo
来对无线电设备进行指纹识别
。
一种方法可以是以
cfo
在训练期间显著变化的方式来增强有限数据集和
/
或已经增强的数据集
。
所公开的
rffp
神经网络和
/
或所扩展的
rffp
神经网络中的任一者可针对对
cfo
的稳健性进行扩展
。
扩展所公开的
rffp
神经网络和
/
或所扩展的
rffp
神经网络可包括：进一步增强已经增强的数据集
。
在各种实施方案中，可通过时域信号与引入显著
cfo
变化的旋转相量
(
具有时变相位的单位量值复数
)
的逐元素乘法来增强该有限数据集
(
例如，在训练期间
)。
在各种实施方案中，可通过根据
cfo
中的预期差异对频域信号进行内插移位来增强该有限数据集
(
例如，在训练之前或期间
)
，这会引入显著
cfo
变化
。
159.在增强中添加的附加
cfo
误差
(
相位变化速率
)
可以是独立且相同分布
(i.i.d.)
的，并且可从表示
cfo
漂移的分布中得到
。
可针对
cfo
误差模型移除
(
例如，有意地移除
)
时间相关性以改善学习
。
160.用于适应
cfo
漂移作为特征的代表性增强
。
161.可采取步骤以使得能够使用
cfo
作为特征
。cfo
可以是相对缓慢的变化过程
。
已知
cfo
对温度等某些外部条件敏感
。
162.在各种实施方案中，针对
cfo
随时间漂移的已建立模型可用于增强有限数据集和
/
或具有时间相关
cfo
误差的已增强数据集，例如，在时间
t
＝
t+dt
处应用于来自无线电
x
的所添加的
cfo
误差与在时间
t
＝
t
处应用于来自无线电
x
的所添加的
cfo
误差相关
。
可训练所扩展的
rffp
神经网络，使其适应
cfo
漂移
(
例如，使其变得对
cfo
变化不敏感
(
例如，在很大程度上不敏感
))。
在训练期间，针对给定无线电
x
在
t、t+dt
或两者处收集的样本或统计可用作到所扩展的
rffp
神经网络模型的辅助输入
。
保存在时间
t
处输入到用于无线电
x
的所扩展的
rffp
神经网络的数据
。
当在时间
t+dt
处无线电
x
数据用作到所扩展的
rffp
神经网络的输入时，所保存的无线电
x
数据
(
或其函数
)
可用作到所扩展的
rffp
神经网络模型的辅助输入
。
可使用多个保存的输入
。cfo
误差可由用于无线电
x
的接收设备来估计并且可用作到
nn
模型的辅助输入
。
可使用多个保存的
cfo
误差估计值
。
163.在各种实施方案中，可进一步扩展所扩展的
rffp
神经网络以并入包括以下各项中的任一者的其他辅助数据：(i)在该接收设备处测量的温度；
(ii)
由发射设备执行和
/
或报告的温度测量结果；
(iii)
由发射设备附近的其他设备执行和
/
或报告的温度测量结果；和
(iv)
基于测量结果
、
报告和
/
或历史数据的组合的发射设备的温度估计值
。
用于
cfo
随温度漂移的已建立模型可用于增强有限数据集和
/
或具有温度相关
cfo
误差的已增强数据集，例
如在传输
k+1
处温度
temp
下应用于来自无线电
x
的数据的所添加的
cfo
误差可与在传输k处应用于来自无线电
x
的数据的所添加的
cfo
误差相关
。
可使用多个保存的温度估计值
。
164.所公开的
rffp
神经网络和
/
或所扩展的
rffp
神经网络中的任一者可与适应
cfo
漂移作为特征的所扩展的
rffp
神经网络结合
(
例如，组合
)
使用
。
165.用于干扰稳健性和预测置信度的代表性增强
。
166.可提供使用典型干扰来训练网络以提供对干扰的稳健性
。
167.可通过干扰信号与从有限数据集中读取的信号的逐元素加法来增强该有限数据集
(
例如，在训练期间
)。
该干扰信号可从内部过程
(
确定性的或随机的
)
生成，以及
/
或可从用于对干扰建模的信号的数据库中提取
。
例如，该数据库可以是单独生成的数据集
、
与期望的信号数据库相同的数据集等
。
各种典型的业务模型可用于决定何时以多少功率在变换中应用干扰
。
可使用各种数量
、
类型和频率的干扰突发来训练所扩展的
rffp
神经网络
(
其益处可以是使其对干扰更具稳健性
)。
168.干扰模型可针对特定站点和一天中的时间
/
一周中的一天所经历的典型干扰统计信息进行优化
。
在各种实施方案中，
tru
可收集干扰测量结果，以及
/
或可创建所经历的干扰的统计描述，可能基于与所部署的
rffp
神经网络结合使用的一天中的时间
/
一周中的一天
。
169.在各种实施方案中，可使用具有不同统计描述的多个干扰模型来训练多个
rffp
神经网络模型
。
可将该
rffp
神经网络模型保存在服务器
/
数据库中
。
该
tru
可向该服务器
/
数据库发送该干扰的统计描述
(
例如，以标准化格式
)。
该服务器
/
数据库可分析干扰的统计描述，在其数据库中选择可能适用于
(
例如，最适用于
)
该统计描述的
rffp
神经网络模型，并将所选择的
rffp
神经网络模型发送到该
tru。
或者，该服务器
/
数据库可分析该统计描述，基于该统计描述来训练
rffp
神经网络模型，并将该
rffp
神经网络模型发送到该
tru。
170.在各种实施方案中，可使用具有不同统计描述
(
例如，突发长度
、
频率和功率分布
)
的多个干扰模型来训练所扩展的
rffp
神经网络模型
。
干扰的统计描述或该统计描述的函数可在训练期间用作到扩展的
rffp
神经网络的辅助输入
。
该
tru
可实例化
/
部署所扩展的
rffp
神经网络模型
。
在该
tru
确定其当前干扰的统计描述之后，该统计描述可用作到所训练的扩展的
rffp
神经网络的辅助输入
。
171.在各种实施方案中，可使用具有不同统计描述的多个干扰模型来训练所扩展的
rffp
神经网络模型
。
所实现的干扰
(
例如，特定突发长度
、
开始
/
停止时间
、
功率
)
或所测量的干扰的函数可在训练期间用作到该扩展的
rffp
神经网络的辅助输入
。
该
tru
可实例化
/
部署所扩展的
rffp
神经网络
。
对于要针对
rffp
分析的每个分组，该
tru
可估计该分组的干扰参数，并且它们可用作到所扩展的
rffp
神经网络的辅助输入
。
172.在各种实施方案中，可使用具有不同统计描述的多个干扰模型来训练多个部分广义扩展的
rffp
神经网络模型
。
可将该多个部分广义扩展的
rffp
神经网络模型保存在服务器
/
数据库中
。
所实现的干扰
(
例如，特定突发长度
、
开始
/
停止时间
、
功率
)
或所实现的干扰的函数可在训练期间用作到该多个部分广义扩展的
rffp
神经网络中的每一者的辅助输入
。
该
tru
可向该服务器
/
数据库发送该信道的统计描述
(
例如，以标准化格式
)。
该服务器
/
数据库可分析该统计描述，在其数据库中选择适用于
(
例如，最适用于
)
该统计描述的该多个部分广义扩展的
rffp
神经网络模型中的一者，并将所选择的部分广义扩展的
rffp
神经网络模型发送到该
tru。
或者，该服务器
/
数据库可分析该统计描述，基于该统计描述来训练部分广
义扩展的
rffp
神经网络模型，并将该部分广义扩展的
rffp
神经网络模型发送到该
tru。
对于要针对
rffp
分析的每个分组，该
tru
可估计该干扰参数，并可将它们用作到该
nn
的辅助输入
。
173.可通过以下方式来进一步增强上述实施方案：扩展该
rffp
神经网络和
/
或所扩展的
rffp
神经网络，以提供指示存在降低
rffp
性能的干扰的附加次级输出
。
或者，可使用单独的
rffp
神经网络来提供指示存在降低
rffp
性能的干扰的次级输出
。
以这种方式，不需要改变任何预先存在的
rffp
神经网络
。
次级
rffp
神经网络可包括从该预先存在的
rffp
神经网络内的内部信号获取的输入
。
例如，更积极的输出将指示干扰可能导致错误的预测
。
在训练期间，可将该次级输出作为二进制分类器进行训练
。
如果主分类器错误且存在干扰，则期望的输出可能为
true。
当部署时，该次级输出可用作对较高层滤波的指示符，即应该给予可能因干扰而降级的分类器输出较少的权重
。
174.代表性性能
175.根据本文所公开的实施方案，执行了模拟以评估
rf
数据增强的性能
。
来自
48
个
pycom fipy lora iot
无线电设备的空中传输是用
ettus e310 sdr
无线电设备收集的
。
目标是利用在具有有限数量的信道多径变化
(
例如，在一天中的特定时间的单个位置
)
的环境中捕获的数据来训练
nn
，但是当在多径信道与用于创建训练数据的信道显著不同的情形中部署无线电设备时仍具有良好性能
。
176.创建了具有相同架构的两个神经网络来对
rf
样本进行分类
。
第一神经网络是使用未增强的数据集
(
即，没有任何变换应用于有限数据集
)
来训练的，并且第二神经网络是使用有限数据集来训练的，该有限数据集是使用随机
fir
变换来增强的
。
每个
fir
实现具有随机延迟
、
幅度和相位的六个抽头
。
每个神经网络是使用两个不同的数据集来测试的：一个没有应用变换，另一个具有固定滤波器，其延迟扩展包括在训练期间使用的随机
fir
的延迟扩展范围内
。
分别记录训练准确性
、
测试准确性和损失
。
177.表1列出了模拟结果
。
当对未变换的数据进行分类时，第一神经网络
(
即，在没有
rf
数据增强的情况下训练的神经网络
)
的准确性为
92
％；但是，当对所变换的数据集进行分类时，它的准确性仅为
20
％
。
然而，对于未变换的数据和所增强的数据两者，第二神经网络
(
通过使用
fir
变换增强的有限数据集训练的神经网络
)
的准确性约为
88
％
。
与第一神经网络相比，当使用未变换的数据进行测试时，第二神经网络的准确性低4％；但是，当使用所变换的数据进行测试时，第二神经网络的准确性高
68
％，这说明使用通过
fir
变换增强的
rf
数据训练的
rffp
神经网络以较小的性能代价实现了较大的稳健性改进
。
此外，在通过与测试中不同的传播信道收集训练数据的情况下，该模拟突出了使用随机
fir
滤波器变换来增强该有限数据集
(
模拟多径衰落
)
的益处
。
[0178][0179]
表1在有和没有
fir
滤波器变换的情况下训练神经网络的结果
[0180]
图7是示出根据各种实施方案的示例性流程
700
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
700
和本文随附的公开
。
也可使用不同的架构执行流程
700。
[0181]
现在参考图7，接收器
(
例如，
wtru、
基站等
)
可通过对
(
例如，在该接收器处接收
)
从发射器
(
例如，基站
、wtru
等
)
接收的
rf
信号进行采样来获取一个或多个样本
(702)。
该接收器可确定该接收器与该发射器之间信道的一个或多个信道特性
(704)。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
该接收器可至少部分地基于以下各项来执行
rf
指纹识别：(i)将该样本和该信道特性
(
作为输入
)
输入到使用所训练的神经网络模型形成的神经网络；以及
(ii)
获取从该神经网络输出的预测值
(706)。
[0182]
在各种实施方案中，该接收器可将与执行
rf
指纹识别相关的一个或多个统计信道描述输入到该神经网络
(
未示出
)。
在各种实施方案中，该接收器可至少部分地基于该信道特性来确定该信道的统计描述；以及
/
或者可基于该信道的统计描述来获取所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来从储存库选择所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来确定
(
生成
)
所训练的神经网络模型
。
[0183]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的第二样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该损伤可包括以下各项中的任一者：(i)与关联于或归因于发射器的那些信号损伤不同的一个或多个信号损伤；
(ii)
在发射之后发生的一个或多个信号损伤；以及
(iii)
发射器与接收器之间信道的典型的一个或多个传播特性
。
在各种实施方案中，该接收器可使用模拟该一个或多个信号损伤的一个或多个变换来增强该
rf
信号的样本
。
在各种实施方案中，该接收器可基于该信号损伤来生成该变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
[0184]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的样本来训练未训练的神经网络或
部分训练的神经网络
。
在各种实施方案中，该接收器可至少部分地通过以下方式来增强该
rf
信号的样本：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该接收器可基于该传播特性来生成变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道脉冲响应
。
在各种实施方案中，该变换中的一个或多个变换可以是
fir
滤波器
。
[0185]
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道频谱
。
在各种实施方案中，该变换中的一个或多个变换可以是频域滤波器
。
在各种实施方案中，该接收器可在频域中执行该一个或多个第二样本与该滤波器的滤波器系数的逐元素乘法
。
[0186]
在各种实施方案中，该接收器可将所训练的神经网络保存为神经网络模型
。
在各种实施方案中，该接收器可标记所训练的神经网络
。
例如，该接收器可基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在各种实施方案中，该接收器可将所标记的
、
所训练的神经网络保存为神经网络模型
。
[0187]
图8是示出根据各种实施方案的示例性流程
800
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
800
和本文随附的公开
。
也可使用不同的架构执行流程
800。
[0188]
现在参考图8，接收器
(
例如，
wtru、
基站等
)
可通过对
(
例如，在该接收器处接收
)
从发射器
(
例如，基站
、wtru
等
)
接收的
rf
信号进行采样来获取一个或多个样本
(802)。
该接收器可确定该接收器与该发射器之间信道的一个或多个信道特性
(804)。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
该接收器可至少部分地基于以下各项来执行欺骗检测：(i)将该样本和该信道特性输入到使用所训练的神经网络模型形成的神经网络；
(ii)
获取从该神经网络输出的预测值；以及
/
或者
(iii)
基于该预测值和一个或多个标准来确定该发射器的标识符是否被欺骗
(806)。
[0189]
在各种实施方案中，该接收器可将与执行欺骗检测相关的一个或多个统计信道描述输入到该神经网络
(
未示出
)。
在各种实施方案中，该接收器可至少部分地基于该信道特性来确定该信道的统计描述；以及
/
或者可基于该信道的统计描述来获取所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来从储存库选择所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来确定
(
生成
)
所训练的神经网络模型
。
[0190]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的第二样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该损伤可包括以下各项中的任一者：(i)与关联于或归因于发射器的那些信号损伤不同的一个或多个信号损伤；
(ii)
在发射之后发生的一个或多个信号损伤；以及
(iii)
发射器与接收器之间信道的典型的一个或多个传播特性
。
在各种实施方案中，该接收器可使用模拟该一个或多个信号损伤的一个或多个变换来增强该
rf
信号的样本
。
在各种实施方案中，该接收器可基于该信号损伤来生成该变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
[0191]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的
神经网络模型：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该接收器可至少部分地通过以下方式来增强该
rf
信号的样本：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该接收器可基于该传播特性来生成变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道脉冲响应
。
在各种实施方案中，该变换中的一个或多个变换可以是
fir
滤波器
。
[0192]
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道频谱
。
在各种实施方案中，该变换中的一个或多个变换可以是频域滤波器
。
在各种实施方案中，该接收器可在频域中执行该一个或多个第二样本与该滤波器的滤波器系数的逐元素乘法
。
[0193]
在各种实施方案中，该接收器可将所训练的神经网络保存为神经网络模型
。
在各种实施方案中，该接收器可标记所训练的神经网络
。
例如，该接收器可基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在各种实施方案中，该接收器可将所标记的
、
所训练的神经网络保存为神经网络模型
。
[0194]
图9是示出根据各种实施方案的示例性流程
900
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
900
和本文随附的公开
。
也可使用不同的架构执行流程
900。
[0195]
现在参考图9，设备
(
例如，
wtru、
基站等
)
可获取
rf
信号的一个或多个样本
(902)。
该设备可确定该
rf
信号通过其传输的第一信道的一个或多个信道特性
(904)。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
该设备可基于该信道特性来确定该第一信道的第一统计描述
(906)。
该设备可使用所训练的神经网络模型来部署神经网络，所训练的神经网络模型使用基于具有第二统计描述的第二信道而增强的
rf
数据来训练，该第二统计描述至少部分地对应于该第一统计描述
(908)。
[0196]
在各种实施方案中，该设备可执行
rf
指纹识别
(
未示出
)。
例如，该设备可至少部分地基于以下各项来执行
rf
指纹识别：将该样本和该第一信道特性
(
作为输入
)
输入到该神经网络；以及
/
或者获取从该神经网络输出的预测值
。
[0197]
在各种实施方案中，该设备可执行欺骗检测
(
未示出
)。
例如，该设备可至少部分地基于以下各项来执行欺骗检测：(i)将该样本和该信道特性输入到使用所训练的神经网络模型形成的神经网络；
(ii)
获取从该神经网络输出的预测值；以及
/
或者
(iii)
基于该预测值和一个或多个标准来确定发射器的标识符是否被欺骗
。
[0198]
在各种实施方案中，该设备可获取所训练的神经网络模型
(
未示出
)。
在各种实施方案中，该设备可至少部分地通过以下方式来获取所训练的神经网络模型：基于该第一统计描述来从储存库选择所训练的神经网络模型
。
在各种实施方案中，该设备可可至少部分地通过以下方式来获取所训练的神经网络模型：基于该第二统计描述来确定
(
生成
)
所训练的神经网络模型
。
[0199]
在各种实施方案中，该设备可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的第二样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该损伤可包括以下各项中的任一者：(i)与关联于或归因于发射器的那些信号损伤
不同的一个或多个信号损伤；
(ii)
在发射之后发生的一个或多个信号损伤；以及
(iii)
发射器与接收器之间信道的典型的一个或多个传播特性
。
在各种实施方案中，该设备可使用模拟该一个或多个信号损伤的一个或多个变换来增强样本
。
在各种实施方案中，该设备可基于该信号损伤来生成该变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
[0200]
在各种实施方案中，该设备可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该设备可至少部分地通过以下方式来增强该
rf
信号的样本：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该设备可基于该传播特性来生成变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道脉冲响应
。
在各种实施方案中，该变换中的一个或多个变换可以是
fir
滤波器
。
[0201]
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道频谱
。
在各种实施方案中，该变换中的一个或多个变换可以是频域滤波器
。
在各种实施方案中，该设备可在频域中执行该一个或多个第二样本与该滤波器的滤波器系数的逐元素乘法
。
[0202]
在各种实施方案中，该设备可将所训练的神经网络保存为神经网络模型
。
在各种实施方案中，该设备可标记所训练的神经网络
。
例如，该设备可基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在各种实施方案中，该设备可将所标记的
、
所训练的神经网络保存为神经网络模型
。
[0203]
图
10
是示出根据各种实施方案的示例性流程
1000
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
1000
和本文随附的公开
。
也可使用不同的架构执行流程
1000。
[0204]
现在参考图
10
，接收器
(
例如，
wtru、
基站等
)
可通过对
(
例如，在该接收器处接收
)
从发射器
(
例如，基站
、wtru
等
)
接收的
rf
信号进行采样来获取一个或多个样本
(1002)。
该接收器可基于以下各项来执行
rf
指纹识别：(i)将该样本和一个或多个信道特性作为输入输入到使用所训练的神经网络模型形成的神经网络；以及
/
或
(ii)
获取从该神经网络输出的预测值
(1004)。
该信道特性可包括该接收器与该发射器之间信道的信道特性
。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
[0205]
在各种实施方案中，该接收器可将与执行
rf
指纹识别相关的一个或多个统计信道描述输入到该神经网络
(
未示出
)。
在各种实施方案中，该接收器可至少部分地基于该信道特性来确定该信道的统计描述；以及
/
或者可基于该信道的统计描述来获取所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来从储存库选择所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来确定
(
生成
)
所训练的神经网络模型
。
[0206]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的第二样本来训练未训练的神经网络或部分训练的神经网络
。
在各种
实施方案中，该损伤可包括以下各项中的任一者：(i)与关联于或归因于发射器的那些信号损伤不同的一个或多个信号损伤；
(ii)
在发射之后发生的一个或多个信号损伤；以及
(iii)
发射器与接收器之间信道的典型的一个或多个传播特性
。
在各种实施方案中，该接收器可使用模拟该一个或多个信号损伤的一个或多个变换来增强该
rf
信号的样本
。
在各种实施方案中，该接收器可基于该信号损伤来生成该变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
[0207]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该接收器可至少部分地通过以下方式来增强该
rf
信号的样本：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该接收器可基于该传播特性来生成变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道脉冲响应
。
在各种实施方案中，该变换中的一个或多个变换可以是
fir
滤波器
。
[0208]
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道频谱
。
在各种实施方案中，该变换中的一个或多个变换可以是频域滤波器
。
在各种实施方案中，该接收器可在频域中执行该一个或多个第二样本与该滤波器的滤波器系数的逐元素乘法
。
[0209]
在各种实施方案中，该接收器可将所训练的神经网络保存为神经网络模型
。
在各种实施方案中，该接收器可标记所训练的神经网络
。
例如，该接收器可基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在各种实施方案中，该接收器可将所标记的
、
所训练的神经网络保存为神经网络模型
。
[0210]
图
11
是示出根据各种实施方案的示例性流程
1100
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
1100
和本文随附的公开
。
也可使用不同的架构执行流程
1100。
[0211]
现在参考图
11
，接收器
(
例如，
wtru、
基站等
)
可通过对
(
例如，在该接收器处接收
)
从发射器
(
例如，基站
、wtru
等
)
接收的
rf
信号进行采样来获取一个或多个样本
(1102)。
该接收器可至少部分地基于以下各项来执行欺骗检测：(i)将该样本和一个或多个信道特性输入到使用所训练的神经网络模型形成的神经网络；
(ii)
获取从该神经网络输出的预测值；以及
/
或者
(iii)
基于该预测值和一个或多个标准来确定该发射器的标识符是否被欺骗
(1104)。
该信道特性可包括该接收器与该发射器之间信道的信道特性
。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
[0212]
在各种实施方案中，该接收器可将与执行欺骗检测相关的一个或多个统计信道描述输入到该神经网络
(
未示出
)。
在各种实施方案中，该接收器可至少部分地基于该信道特性来确定该信道的统计描述；以及
/
或者可基于该信道的统计描述来获取所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来从储存库选择所训练的神经网络模型
。
在各种实施方案中，该接收器可至少部分地通过以下方式来获取所训练的神经网络模型：基于该统计描述来确定
(
生成
)
所训练的神经网络模型
。
[0213]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的
神经网络模型：基于一个或多个信号损伤来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的第二样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该损伤可包括以下各项中的任一者：(i)与关联于或归因于发射器的那些信号损伤不同的一个或多个信号损伤；
(ii)
在发射之后发生的一个或多个信号损伤；以及
(iii)
发射器与接收器之间信道的典型的一个或多个传播特性
。
在各种实施方案中，该接收器可使用模拟该一个或多个信号损伤的一个或多个变换来增强该
rf
信号的样本
。
在各种实施方案中，该接收器可基于该信号损伤来生成该变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
[0214]
在各种实施方案中，该接收器可至少部分地基于以下各项来确定
(
生成
)
所训练的神经网络模型：基于发射器与接收器之间信道的典型的一个或多个传播特性来增强一个或多个
rf
信号的一个或多个样本；以及
/
或者使用所增强的样本来训练未训练的神经网络或部分训练的神经网络
。
在各种实施方案中，该接收器可至少部分地通过以下方式来增强该
rf
信号的样本：使用模拟该传播特性的一个或多个变换来增强样本
。
在各种实施方案中，该接收器可基于该传播特性来生成变换；以及
/
或者可至少部分地通过将该变换应用于样本来增强样本
。
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道脉冲响应
。
在各种实施方案中，该变换中的一个或多个变换可以是
fir
滤波器
。
[0215]
在各种实施方案中，该变换中的一个或多个变换可模拟真实信道频谱
。
在各种实施方案中，该变换中的一个或多个变换可以是频域滤波器
。
在各种实施方案中，该接收器可在频域中执行该一个或多个第二样本与该滤波器的滤波器系数的逐元素乘法
。
[0216]
在各种实施方案中，该接收器可将所训练的神经网络保存为神经网络模型
。
在各种实施方案中，该接收器可标记所训练的神经网络
。
例如，该接收器可基于其中部署该发射器的网络的特性和其中部署该发射器的环境的特性中的任一者来标记所训练的神经网络
。
在各种实施方案中，该接收器可将所标记的
、
所训练的神经网络保存为神经网络模型
。
[0217]
图
12
是示出根据各种实施方案的示例性流程
1200
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
1200
和本文随附的公开
。
也可使用不同的架构执行流程
1200。
[0218]
现在参考图
12
，第一设备
(
例如，服务器
、
数据库等
)
可从第二设备
(
例如，
wtru、
基站等
)
接收以下各项中的一者或多者：(i)第三设备
(
例如，基站
、wtru
等
)
的发射器与第二设备的接收器之间信道的一个或多个信道特性；和
(ii)
该发射器与该接收器之间信道的统计描述
(1202)。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
该第一设备可分析以下各项中的一者或多者：(i)该信道特性；和
(ii)
该统计描述
(1204)。
该第一设备可基于该分析从储存库中选择所训练的神经网络模型或部分训练的神经网络模型
(1206)。
在各种实施方案中，该储存库可以是
(
或包括
)
数据库和数据存储库中的任一者
。
在各种实施方案中，该储存库被托管在该第一设备或该第一设备可访问的第四设备中的任一者上
。
该第一设备可向该第二设备传输所训练的神经网络模型
(1208)。
[0219]
图
13
是示出根据各种实施方案的示例性流程
1300
的流程图
。
为了便于和简化说明，参考通信系统
100(
图
1)
的架构来描述流程
1300
和本文随附的公开
。
也可使用不同的架构执行流
1300。
[0220]
现在参考图
13
，第一设备
(
例如，服务器
、
数据库等
)
可从第二设备
(
例如，
wtru、
基
站等
)
接收以下各项中的一者或多者：(i)第三设备
(
例如，基站
、wtru
等
)
的发射器与第二设备的接收器之间信道的一个或多个信道特性；和
(ii)
该发射器与该接收器之间信道的统计描述
(1302)。
该信道特性可包括所估计的信道输入响应和所估计的信道输入响应的累积中的任一者
。
该第一设备可分析以下各项中的一者或多者：(i)该信道特性；和
(ii)
该统计描述
(1304)。
该第一设备可基于以下各项中的一者或多者来训练未训练的神经网络模型或部分训练的神经网络模型：(i)该信道特性和
(ii)
该统计描述
(1306)。
该第一设备可向该第二设备传输所训练的神经网络模型
(1308)。
[0221]
结论
[0222]
尽管上文以特定组合提供了特征和元件，但是本领域的普通技术人员将理解，每个特征或元件可单独使用或以与其他特征和元件的任何组合来使用
。
本公开并不限于就本专利申请中所述的具体实施方案而言，这些具体实施方案旨在作为各个方面的例证
。
在不脱离本发明的实质和范围的前提下可进行许多修改和变型，因其对于本领域的技术人员而言将是显而易见的
。
除非明确如此提供，否则本技术说明书中使用的任何元件
、
动作或说明均不应理解为对本发明至关重要或必要
。
根据前面的描述，除了本文列举的那些之外，在本公开的范围内的功能上等同的方法和装置对于本领域的技术人员而言将是显而易见的
。
此类修改和变型旨在落入所附权利要求书的范围内
。
本公开仅受限于所附权利要求的条款以及此类享有权利的权利要求的等同形式的全部范围
。
应当理解，本公开不限于特定的方法或系统
。
[0223]
为了简单起见，关于红外能力设备
(
即红外发射器和接收器
)
的术语和结构讨论了前述实施方案
。
然而，所讨论的实施方案不限于这些系统，而是可应用于使用其他形式的电磁波或非电磁波
(
诸如声波
)
的其他系统
。
[0224]
还应当理解，本文所用的术语仅用于描述具体实施方案的目的，并非旨在进行限制
。
如本文所用，术语“视频”或术语“图像”可意指在时间基础上显示的快照
、
单个图像和
/
或多个图像中的任一者
。
又如，当在本文中提及时，术语“用户设备”和其缩写“ue”、
术语“远程”和
/
或术语“头戴式显示器”或其缩写“hmd”可意指或包括(i)无线发射和
/
或接收单元
(wtru)
；
(ii)wtru
的多个实施方案中的任一个实施方案；
(iii)
具有无线功能和
/
或具有有线功能
(
例如，可拴系
)
的设备配置有
(
特别是
)wtru
的一些或全部结构和功能；
(iii)
配置有少于
wtru
的全部结构和功能的无线能力和
/
或有线能力设备；或
(iv)
等
。
本文参考图
1a
至图
1d
描述了可代表本文叙述的任何
wtru
的示例性
wtru
的细节
。
又如，本文中的各种所公开实施方案在上文和下文被描述为利用头戴式显示器
。
本领域技术人员将认识到，可利用除头戴式显示器之外的设备，并且可相应地修改本公开和各种所公开实施方案中的一些或全部，而无需过度实验
。
这种其他设备的示例可包括无人机或其他设备，被配置成流式传输信息以提供调适的现实体验
。
[0225]
另外，本文中所提供的方法可在并入计算机可读介质中以供计算机或处理器执行的计算机程序
、
软件或固件中实施
。
计算机可读介质的示例包括电子信号
(
通过有线或无线连接发射
)
和计算机可读存储介质
。
计算机可读存储介质的示例包括但不限于只读存储器
(rom)、
随机存取存储器
(ram)、
寄存器
、
高速缓存存储器
、
半导体存储器设备
、
磁介质
(
诸如内置硬盘和可移动磁盘
)、
磁光介质和光介质
(
诸如
cd-rom
磁盘和数字通用光盘
(dvd))。
与软件相关联的处理器可用于实现用于
wtru、ue、
终端
、
基站
、rnc
或任何主计算机的射频收发
器
。
[0226]
在不脱离本发明的范围的情况下，上文提供的方法
、
装置和系统的变型是可能的
。
鉴于可应用的各种实施方案，应当理解，所示实施方案仅是示例，并且不应视为限制以下权利要求书的范围
。
例如，本文中提供的实施方案包括手持设备，该手持设备可包括提供任何适当电压的任何适当电压源
(
诸如电池等
)
或与该电压源一起使用
。
[0227]
此外，在上文所提供的实施方案中，指出了处理平台
、
计算系统
、
控制器和包含处理器的其他设备
。
这些设备可包含至少一个中央处理单元
(“cpu”)
和存储器
。
根据计算机编程领域的技术人员的实践，对动作和操作或指令的符号表示的引用可由各种
cpu
和存储器执行
。
此类动作和操作或指令可被认为是正在“执行的”、“计算机执行的”或“cpu
执行的”。
[0228]
本领域的普通技术人员将会知道，动作和符号表示的操作或指令包括
cpu
对电信号的操纵
。
电系统表示数据位，这些数据位可导致电信号的最终变换或电信号的减少以及对在存储器系统中的存储器位置处的数据位的保持，从而重新配置或以其他方式改变
cpu
的操作以及进行信号的其他处理
。
保持数据位的存储器位置是具有与数据位对应或表示数据位的特定电属性
、
磁属性
、
光学属性或有机属性的物理位置
。
应当理解，实施方案不限于上述平台或
cpu
，并且其他平台和
cpu
也可支持所提供的方法
。
[0229]
数据位还可保持在计算机可读介质上，该计算机可读介质包括磁盘
、
光盘和
cpu
可读的任何其他易失性
(
例如，随机存取存储器
(ram"))
或非易失性
(
例如，只读存储器
(rom"))
海量存储系统
。
计算机可读介质可包括协作或互连的计算机可读介质，该协作或互连的计算机可读介质唯一地存在于处理系统上或者分布在多个互连的处理系统中，该多个互连的处理系统相对于该处理系统可以是本地的或远程的
。
应当理解，实施方案不限于上述存储器，并且其他平台和存储器也可支持所提供的方法
。
[0230]
在例示性实施方案中，本文所述的操作
、
过程等中的任一者可实现为存储在计算机可读介质上的计算机可读指令
。
计算机可读指令可由移动单元
、
网络元件和
/
或任何其他计算设备的处理器执行
。
[0231]
在系统的各方面的硬件具体实施和软件具体实施之间几乎没有区别
。
硬件或软件的使用通常是
(
但不总是，因为在某些上下文中，硬件和软件之间的选择可能会变得很重要
)
表示在成本与效率之间权衡的设计选择
。
可存在可实现本文所述的过程和
/
或系统和
/
或其他技术的各种媒介
(
例如，硬件
、
软件和
/
或固件
)
，并且优选的媒介可随部署过程和
/
或系统和
/
或其他技术的上下文而变化
。
例如，如果实施者确定速度和准确性最重要，则实施者可选择主要为硬件和
/
或固件的媒介
。
如果灵活性最重要，则实施者可选择主要为软件的具体实施
。
或者，实施者可选择硬件
、
软件和
/
或固件的一些组合
。
[0232]
上述详细描述已经通过使用框图
、
流程图和
/
或示例列出了设备和
/
或过程的各种实施方案
。
在此类框图
、
流程图和
/
或示例包含一个或多个功能和
/
或操作的情况下，本领域的技术人员应当理解，此类框图
、
流程图或示例内的每个功能和
/
或操作可单独地和
/
或共同地由广泛范围的硬件
、
软件
、
固件或几乎它们的任何组合来实现
。
在实施方案中，本文所述主题的若干部分可经由专用集成电路
(asic)、
现场可编程门阵列
(fpga)、
数字信号处理器
(dsp)
和
/
或其他集成格式来实现
。
然而，本领域的技术人员将认识到，本文所公开的实施方案的一些方面整体或部分地可等效地在集成电路中实现为在一个或多个计算机上运行的一个或多个计算机程序
(
例如，在一个或多个计算机系统上运行的一个或多个程序
)、
在
一个或多个处理器上运行的一个或多个程序
(
例如，在一个或多个微处理器上运行的一个或多个程序
)、
固件或几乎它们的任何组合，并且根据本公开，设计电路和
/
或写入软件和
/
或固件的代码将完全在本领域技术人员的技术范围内
。
此外，本领域的技术人员将会知道，本文所述主题的机制可以多种形式作为程序产品分布，并且本文所述主题的例示性实施方案适用，而不管用于实际执行该分布的信号承载介质的具体类型如何
。
信号承载介质的示例包括但不限于以下各项：可记录类型介质
(
诸如软盘
、
硬盘驱动器
、cd、dvd、
数字磁带
、
计算机存储器等
)
；和传输类型介质
(
诸如数字和
/
或模拟通信介质
(
例如，光纤电缆
、
波导
、
有线通信链路
、
无线通信链路等
))。
[0233]
本领域技术人员将认识到，本领域中常见的是，以本文中阐述的方式来描述设备和
/
或过程，并且此后使用工程实践以将这类所描述设备和
/
或过程集成到数据处理系统中
。
也就是说，本文中所描述的设备和
/
或过程的至少一部分可经由合理量的实验集成到数据处理系统中
。
本领域技术人员将认识到，典型数据处理系统一般可包括以下中的一个或多个：系统单元外壳；视频显示设备；存储器，诸如易失性存储器和非易失性存储器；处理器，诸如微处理器和数字信号处理器；计算实体，诸如操作系统
、
驱动程序
、
图形用户接口和应用程序；一个或多个交互设备，诸如触摸板或屏幕；和
/
或控制系统，包括反馈回路和控制马达
(
例如用于感测位置和
/
或速度的反馈
、
用于移动和
/
或调整部件和
/
或量的控制马达
)。
典型数据处理系统可利用任何合适的市售部件来实施，诸如通常在数据计算
/
通信和
/
或网络计算
/
通信系统中发现的那些部件
。
[0234]
本文所述的主题有时示出了包含在不同的其他部件内或与不同的其他部件连接的不同的部件
。
应当理解，此类描绘的架构仅仅是示例，并且事实上可实现达成相同功能的许多其他架构
。
在概念意义上，达成相同功能的部件的任何布置是有效“相关联的”，使得可实现期望的功能
。
因此，在本文中被组合以实现特定功能的任何两个部件可被视为彼此“相关联”，使得所需功能得以实现，而与架构或中间部件无关
。
同样，如此相关联的任何两个部件也可被视为彼此“可操作地连接”或“可操作地耦合”以实现期望的功能，并且能够如此相关联的任何两个部件也可被视为“可操作地可耦合”于彼此以实现期望的功能
。
可操作地可耦合的具体示例包括但不限于可物理配合和
/
或物理交互的部件和
/
或可无线交互和
/
或无线交互的部件和
/
或逻辑交互和
/
或可逻辑交互的部件
。
[0235]
关于本文使用的基本上任何复数和
/
或单数术语，本领域的技术人员可根据上下文和
/
或应用适当地从复数转换成单数和
/
或从单数转换成复数
。
为清楚起见，本文可明确地列出了各种单数
/
复数排列
。
[0236]
本领域的技术人员应当理解，一般来讲，本文尤其是所附权利要求
(
例如，所附权利要求的主体
)
中使用的术语通常旨在作为“开放式”术语
(
例如，术语“包括”应解释为“包括但不限于”，术语“具有”应解释为“具有至少”，术语“包含”应解释为“包含但不限于”等
)。
本领域的技术人员还应当理解，如果意图说明特定数量的引入的权利要求叙述对象，则此类意图将在权利要求中明确叙述，并且在不存在此类叙述对象的情况下，不存在此类意图
。
例如，在预期仅一个项目的情况下，可使用术语“单个”或类似的语言
。
为了有助于理解，以下所附权利要求和
/
或本文的描述可包含使用引导短语“至少一个”和“一个或多个”来引入权利要求叙述对象
。
然而，此类短语的使用不应理解为暗示通过不定冠词“一个”或“一种”将包含此类引入的权利要求叙述对象的任何特定权利要求限制为包含仅一个此类叙述对
象的实施方案来引入权利要求叙述对象
。
即使当同一权利要求包括引导短语“一个或多个”或“至少一个”和不定冠词诸如“一个”或“一种”(
例如，“一个”和
/
或“一种”应解释为意指“至少一个”或“一个或多个”)
时，也是如此
。
这同样适用于使用用于引入权利要求叙述对象的定冠词
。
此外，即使明确叙述了特定数量的引入的权利要求叙述对象，本领域的技术人员也将认识到，此类叙述应解释为意指至少所述的数量
(
例如，在没有其他修饰语的情况下，对“两个叙述对象”的裸叙述意指至少两个叙述对象
、
或者两个或更多个叙述对象
)。
另外，在使用类似于“a、b
和c等中的至少一者”的惯例的那些实例中，一般来讲，此类构造的含义是本领域的技术人员将理解该惯例
(
例如，“具有
a、b
和c中的至少一者的系统”将包括但不限于单独具有
a、
单独具有
b、
单独具有
c、
同时具有a和
b、
同时具有a和
c、
同时具有b和c和
/
或同时具有
a、b
和c等的系统
)。
在使用类似于“a、b
或c等中的至少一者”的惯例的那些实例中，一般来讲，此类构造的含义是本领域的技术人员将理解该惯例
(
例如，“具有
a、b
或c中的至少一者的系统”将包括但不限于单独具有
a、
单独具有
b、
单独具有
c、
同时具有a和
b、
同时具有a和
c、
同时具有b和c和
/
或同时具有
a、b
和c等的系统
)。
本领域的技术人员还应当理解，事实上，无论在说明书
、
权利要求书还是附图中，呈现两个或更多个另选术语的任何分离的词语和
/
或短语都应当理解为设想包括术语中的一个术语
、
术语中的任一个术语或这两个术语的可能性
。
例如，短语“a
或
b”将被理解为包括“a”或“b”或“a
和
b”的可能性
。
另外，如本文所用，后面跟着列出多个项目和
/
或多个项目类别的术语
“…
中的任一个”旨在包括单独的或与其他项目和
/
或其他项目类别结合的项目和
/
或项目类别“中的任一个”、“的任何组合”、“的任何倍数”和
/
或“的倍数的任何组合”。
此外，如本文所用，术语“组”旨在包括任何数量的项目，包括零
。
此外，如本文所用，术语“数量”旨在包括任何数量，包括零
。
[0237]
此外，在根据马库什群组描述本公开的特征或方面的情况下，由此本领域的技术人员将认识到，也根据马库什群组的任何单独的成员或成员的子群组来描述本公开
。
[0238]
如本领域的技术人员将理解的，出于任何和所有目的
(
诸如就提供书面描述而言
)
，本文所公开的所有范围还涵盖任何和所有可能的子范围以及它们的子范围的组合
。
任何列出的范围均可容易地被识别为充分地描述并且使得相同的范围能够被划分成至少相等的两半
、
三分之一
、
四分之一
、
五分之一
、
十分之一等
。
作为非限制性示例，本文所讨论的每个范围可容易地被划分成下三分之一
、
中三分之一和上三分之一等
。
如本领域的技术人员还将理解的，诸如“最多至”、“至少”、“大于”、“小于”等的所有语言包括所引用的数字并且是指随后可被划分为如上所述的子范围的范围
。
最后，如本领域的技术人员将理解的，范围包括每个单独的数字
。
因此，例如具有1至3个单元的群组是指具有
1、2
或3个单元的群组
。
类似地，具有1至5个单元的群组是指具有
1、2、3、4
或5个单元的群组等
。
[0239]
此外，除非另有说明，否则权利要求书不应被理解为受限于所提供的顺序或元件
。
此外，在任何权利要求中使用术语“用于
…
的装置”旨在调用
25u.s.c.
§
112,6
或装置加功能的权利要求格式，并且没有术语“用于
…
的装置”的任何权利要求并非意在如此
。