[发明专利]信号解映射

说明书

方面和实施例提供了可以用于帮助选择多个可用接收器配置中的一个可用接收器配置以在无线通信网络中的接收器处解映射接收信号的装置和方法。所描述的装置可以包括可以采取神经网络的形式的可训练逻辑。可训练逻辑被配置为量化多个接收器配置。可训练逻辑包括：确定逻辑，被配置为确定多个可用接收器配置，并且将每个接收器配置与上下文矩阵相关联；码本逻辑，被配置为针对上下文矩阵选择要由可训练逻辑使用的量化码本；以及学习逻辑，被配置为根据训练数据集学习，训练数据集包括与发送消息的重构相关的多个接收信号样本；学习逻辑被配置为根据训练数据集生成：与多个可用接收器配置相对应的一组叠加参数和上下文矩阵，以及针对每个上下文的一组上下文参数，上下文参数可通过将叠加参数与关联于每个接收器配置的上下文矩阵相组合而生成；根据量化码本来量化上下文矩阵；以及重复叠加参数、上下文矩阵的生成以及上下文矩阵的量化，直到停止准则被满足为止。布置可以认识到，通过针对每个接收器配置提供上下文矩阵并将那些上下文矩阵与简单的码本对准，执行上下文(接收器配置)切换在计算上变得更高效。

技术领域

各种示例实施例涉及可以用于帮助选择多个可用接收器配置中的一个可用接收器配置以在无线通信网络中的接收器处解映射接收信号的方法和装置。

背景技术

神经网络(NN)可以在通信系统中使用以提高系统性能。例如，对于通信网络内的接收器或收发机，神经网络可以关于输入参数进行训练，使得对于给定的系统配置，神经网络选择期望的操作模式(输出参数)。

被配置为基于一组输入样本而做出决策或标识结果的神经网络通常表现良好。NN成功的原因之一是它们在面对在训练时没有看到但从训练数据集被采样的分布中提取的样本时能够很好地泛化。

NN的一个缺点是它们一旦训练就缺乏可配置性。特别地，针对特定任务训练的NN通常对不同的任务表现不佳，即使这两个任务相似(例如，两个不同的计算机视觉任务)。

在实现通信接收器中使用的神经网络的情况下，期望接收器在各种设置(例如，不同的调制方案和/或不同的信道条件)下工作良好。确保接收器跨这样的设置工作良好通常需要训练和实现多个NN。针对每种可能的系统配置训练专用NN(例如，针对每种调制方案训练一个，诸如BSPK、QPSK、16QAM、64QAM)是直截了当的，但是导致了实现这些专用NN所需的硬件资源显著增加。增加的硬件资源可以包括例如：存储器、现场可编程门阵列(FPGA)上的表面等。这样的增加的硬件要求可能会使在实践中需要多个NN的方法不受欢迎。

方面和实施例涉及具有由通信系统中的逻辑实现的可训练参数的接收器算法，诸如逻辑包括例如神经网络(NN)。方面和实施例涉及这样的接收器算法在实际系统中的有效实现。

发明内容

本发明的各种实施例所寻求的保护范围由独立权利要求规定。在本说明书中描述的不属于独立权利要求的范围的实施例、示例、布置和特征(如果有的话)将被解释为对理解本发明的各种实施例有用的示例。

根据本发明的各种但不一定全部的实施例，提供了一种装置，包括：可训练逻辑，被配置为量化多个接收器配置，所述可训练逻辑包括：确定逻辑，被配置为确定多个可用接收器配置，并且将每个接收器配置与上下文矩阵相关联；码本逻辑，被配置为针对多个上下文矩阵选择要由可训练逻辑使用的量化码本；学习逻辑，被配置为根据训练数据集学习，训练数据集包括与发送消息的重构相关的多个接收信号样本；所述训练逻辑被配置为根据训练数据集生成：与多个可用接收器配置相对应的一组叠加参数和上下文矩阵，以及针对每个上下文的一组上下文参数，上下文参数可通过将叠加参数与关联于每个接收器配置的上下文矩阵相组合而生成；根据量化码本来量化上下文矩阵；以及重复叠加参数、上下文矩阵的生成以及上下文矩阵的量化，直到停止准则被满足为止。

该装置可以使得停止准则包括以下一项或多项：预定义的迭代次数；满足预定性能度量。

该装置可以使得停止准则与性能度量相关，该性能度量与发送消息的重构相关联。这样的性能度量可以包括例如所选择的符号差错率。