CN116567658A - 无线通信系统中的用户设备、基站及其执行的方法 - Google Patents

Abstract

本发明涉及一种无线通信系统中的用户设备、基站及其执行的方法。该无线通信系统中由用户设备执行的方法包括：从基站接收与机器学习算法和模型有关的信息；以及基于所述信息，进行操作。

Description

无线通信系统中的用户设备、基站及其执行的方法

技术领域

本发明涉及无线通信技术领域，具体而言，本发明涉及无线通信系统中的用户设备、基站及其执行的方法，更具体地，涉及无线通信系统中机器学习算法的实施和应用的方法及设备。

背景技术

为了满足自4G通信系统的部署以来增加的对无线数据通信业务的需求，已经努力开发改进的5G或准5G通信系统。因此，5G或准5G通信系统也被称为“超4G网络”或“后LTE系统”。

5G通信系统是在更高频率(毫米波，mmWave)频带，例如60GHz频带，中实施的，以实现更高的数据速率。为了减少无线电波的传播损耗并增加传输距离，在5G通信系统中讨论波束成形、大规模多输入多输出(MIMO)、全维MIMO(FD-MIMO)、阵列天线、模拟波束成形、大规模天线技术。

此外，在5G通信系统中，基于先进的小小区、云无线接入网(RAN)、超密集网络、设备到设备(D2D)通信、无线回程、移动网络、协作通信、协作多点(CoMP)、接收端干扰消除等，正在进行对系统网络改进的开发。

在5G系统中，已经开发作为高级编码调制(ACM)的混合FSK和QAM调制(FQAM)和滑动窗口叠加编码(SWSC)、以及作为高级接入技术的滤波器组多载波(FBMC)、非正交多址(NOMA)和稀疏码多址(SCMA)。

发明内容

本公开的实施例的方面和优点将在以下描述中部分地阐述，或者可以从描述中获悉，或者可以通过实施例的实施而习知。

本申请提供了无线通信系统中的用户设备、基站及其执行的方法。

为实现上述目的，本申请采用如下技术方案：

根据本公开的实施例的一个方面，提供了一种无线通信系统中由用户设备UE执行的方法。该方法可以包括：从基站接收与机器学习算法和模型有关的信息；以及基于所述信息，进行操作。

根据实施例，基于所述信息，进行操作可以包括以下情况中的至少一项：

a)所述与机器学习算法和模型有关的信息包括第一信息；所述基于所述信息，进行操作包括：基于所述第一信息，向基站上报关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息；所述基于所述信息，进行操作包括：基于所述第二信息，向基站上报与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息；所述基于所述信息，进行操作包括：基于所述第三信息，向基站上报与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息；所述基于所述信息，进行操作包括：基于所述第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息；所述基于所述信息，进行操作包括：基于所述第五信息，向基站上报与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息；所述基于所述信息，进行操作包括：基于所述第六信息，向基站上报所述UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息；所述基于所述信息，进行操作包括：基于所述第七信息，暂停机器学习算法和模型；和

h)所述与机器学习算法和模型有关的信息包括第八信息；所述基于所述信息，进行操作包括：基于所述第八信息，恢复机器学习算法和模型。

根据实施例，第一信息可以包括以下中的至少一项：

用于指示UE周期性地、半静态地或非周期性上报的信息；

用于指示机器学习任务的信息；

用于指示上报机器学习算法和模型的处理能力的信息；

用于指示上报UE的状态和/或偏好设置的信息；和

用于指示上报UE的业务类型的信息。

根据实施例，关于所述UE的机器学习算法和模型的信息可以包括以下中的至少一项：

与机器学习任务相关的信息；

与机器学习算法和模型的处理能力相关的信息；

与UE的状态和/或偏好设置相关的信息；和

与UE的业务类型相关的信息。

根据实施例，第二信息可以包括以下中的至少一项：

用于指示使用机器学习算法和模型实现的任务的相关信息；

用于指示执行机器学习算法和模型的无线通信设备的信息；

用于指示UE与基站之间的信息传输的周期性设置的信息；

用于指示关于机器学习算法和模型的信息通过控制信道和/或数据信道传输的信息；

用于指示信息传输的性能指标的信息；和

用于指示机器学习算法和模型相关的模型配置和/或传输配置的信息。

根据实施例，所述与机器学习算法和模型的激活确认相关的信息可以包括以下中的至少一项：

与机器学习算法和模型的模型配置相关的信息；和

与机器学习算法和模型的性能相关的信息。

根据实施例，所述用于指示机器学习算法和模型的模型配置和/或传输配置的信息可以包括以下中的至少一项：

关于模型结构和/或参数的信息；和

关于传输能力的信息。

根据实施例，第三信息可以包括以下中的至少一项：

用于指示机器学习算法和模型的模型的结构的信息；

用于指示机器学习算法和模型的模型的参数的信息；

用于指示机器学习算法和模型的输入和/或输出数据格式和/或偏好的信息；和

用于指示机器学习算法和模型的性能指标的信息。

根据实施例，所述与机器学习算法和模型的更新确认相关的信息可以包括与更新的机器学习算法和模型的性能相关的信息。

根据实施例，所述与更新的机器学习算法和模型的性能相关的信息可以包括以下中的至少一项：

与机器学习算法和模型的计算时延有关的信息；和

与机器学习算法和模型的准确度和/或精确度和/或召回率有关的信息。

根据实施例，第五信息可以包括以下中的至少一项：

用于指示机器学习算法和模型的重新配置的信息；和

用于指示机器学习算法和模型的重新配置的性能相关要求的信息。

根据实施例，与机器学习算法和模型的重新配置的信息可以包括以下中的至少一项：

关于建议更新的机器学习算法和模型的信息；和

关于建议更新的机器学习算法和模型的结构和/或参数和/或偏好相关的信息。

根据实施例，该方法还可以包括：

基于所述第四信息，部分停止或终止与机器学习算法和模型相关的数据信息传输，并向基站发送部分停止或终止确认信息。

根据实施例，第六信息可以包括以下中的至少一项：

与UE上报的内容相关的信息；和

与UE上报的频率和/或周期相关的信息。

根据实施例，所述UE的相关信息可以包括以下中的至少一项：

与UE的状态相关的信息；

与机器学习算法和模型的性能相关的信息；

与机器学习算法和模型的数据样本相关的信息；和

与机器学习算法和模型的暂停和/或更新需求相关的信息。

根据实施例，机器学习任务可以包括以下中的至少一项：

信道状态信息的压缩、反馈和/或重构；

信道状态信息的预测；

UE的定位；

基站和/或UE的波束管理；

基站和/或UE的参考信号恢复和/或信道估计；和

功率放大器的非线性消除。

根据本公开的实施例的另一方面，提供了一种无线通信系统中由基站执行的方法。该方法包括：向用户设备UE发送与机器学习算法和模型有关的信息。

根据实施例，该方法还包括：

a)所述与机器学习算法和模型有关的信息包括第一信息，从所述UE接收所述UE基于所述第一信息而上报的关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息，从所述UE接收所述UE基于所述第二信息而上报的与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息，从所述UE接收所述UE基于所述第三信息而上报的与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息，从所述UE接收所述UE基于所述第五信息而上报的与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息，从所述UE接收所述UE基于所述第六信息而上报的UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息，从所述UE接收所述UE基于所述第七信息而上报的与机器学习算法和模型的暂停确认相关的信息；和

h)所述与机器学习算法和模型有关的信息包括第八信息，从所述UE接收所述UE基于所述第八信息而上报的与机器学习算法和模型的恢复确认相关的信息。

根据实施例，第一信息可以包括以下中的至少一项：

用于指示UE周期性地、半静态地或非周期性上报的信息；

用于指示机器学习任务的信息；

用于指示上报机器学习算法和模型的处理能力的信息；

用于指示上报UE的状态和/或偏好设置的信息；和

用于指示上报UE的业务类型的信息。

根据实施例，关于所述UE的机器学习算法和模型的信息可以包括以下中的至少一项：

与机器学习任务相关的信息；

与机器学习算法和模型的处理能力相关的信息；

与UE的状态和/或偏好设置相关的信息；和

与UE的业务类型相关的信息。

根据实施例，第二信息可以包括以下中的至少一项：

用于指示使用机器学习算法和模型实现的任务的相关信息；

用于指示执行机器学习算法和模型的无线通信设备的信息；

用于指示UE与基站之间的信息传输的周期性设置的信息；

用于指示关于机器学习算法和模型的信息通过控制信道和/或数据信道传输的信息；

用于指示信息传输的性能指标的信息；和

用于指示机器学习算法和模型相关的模型配置和/或传输配置的信息。

根据实施例，所述与机器学习算法和模型的激活确认相关的信息可以包括以下中的至少一项：

与机器学习算法和模型的模型配置相关的信息；和

与机器学习算法和模型的性能相关的信息。

根据实施例，所述用于指示机器学习算法和模型的模型配置和/或传输配置的信息可以包括以下中的至少一项：

关于模型结构和/或参数的信息；和

关于传输能力的信息。

根据实施例，第三信息可以包括以下中的至少一项：

用于指示机器学习算法和模型的模型的结构的信息；

用于指示机器学习算法和模型的模型的参数的信息；

用于指示机器学习算法和模型的输入和/或输出数据格式和/或偏好的信息；和

用于指示机器学习算法和模型的性能指标的信息。

根据实施例，所述与机器学习算法和模型的更新确认相关的信息可以包括与更新的机器学习算法和模型的性能相关的信息。

根据实施例，所述与更新的机器学习算法和模型的性能相关的信息可以包括以下中的至少一项：

与机器学习算法和模型的计算时延有关的信息；和

与机器学习算法和模型的准确度和/或精确度和/或召回率有关的信息。

根据实施例，第五信息可以包括以下中的至少一项：

用于指示机器学习算法和模型的重新配置的信息；和

用于指示机器学习算法和模型的重新配置的性能相关要求的信息。

根据实施例，与机器学习算法和模型的重新配置的信息可以包括以下中的至少一项：

关于建议更新的机器学习算法和模型的信息；和

关于建议更新的机器学习算法和模型的结构和/或参数和/或偏好相关的信息。

根据实施例，该方法还可以包括：基于所述第四信息，从所述UE接收所述UE基于所述第四信息而上报的与机器学习算法和模型的部分停止或终止确认相关的信息，部分停止或终止与机器学习算法和模型相关的数据信息传输。

根据实施例，第六信息可以包括以下中的至少一项：

与UE上报的内容相关的信息；和

与UE上报的频率和/或周期相关的信息。

根据实施例，所述UE的相关信息可以包括以下中的至少一项：

与UE的状态相关的信息；

与机器学习算法和模型的性能相关的信息；

与机器学习算法和模型的数据样本相关的信息；和

与机器学习算法和模型的暂停和/或更新需求相关的信息。

根据实施例，机器学习任务可以包括以下中的至少一项：

信道状态信息的压缩、反馈和/或重构；

信道状态信息的预测；

UE的定位；

基站和/或UE的波束管理；

基站和/或UE的参考信号恢复和/或信道估计；和

功率放大器的非线性消除。

根据本公开的实施例的再一方面，提供了一种无线通信系统中的用户设备。该设备包括：收发器；以及处理器，与所述收发器耦接并被配置为实现前述由用户设备执行的方法。

根据本公开的实施例的又一方面，提供了一种无线通信系统中的基站。该基站包括：收发器；以及处理器，与所述收发器耦接并被配置为实现前述由基站执行的方法。

参考以下描述和所附权利要求，将更好地理解本公开的各个实施例的上述和其他特征、方面和优点。构成本公开的一部分的说明书附图示出了本公开的示例实施例，并且与说明书一起用于解释相关原理。在本发明的主题的一个或多个实施方式的细节在说明书附图以及以下描述中进行阐述。通过这些描述、附图、以及权利要求书，本发明的主题的其他潜在特征、方面和优点亦会变得清晰。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得清晰和容易理解，其中：

图1示出了根据本公开的各种实施例的示例无线网络；

图2a和图2b示出了根据本公开的示例无线发送和接收路径；

图3a示出了根据本公开的示例UE；

图3b示出了根据本公开的示例gNB；

图4示出了根据本发明的实施例的无线通信系统中的用户设备和基站在机器学习状态和非机器学习状态之间的切换；

图5示出了根据本发明的实施例的无线通信系统中的用户设备和基站在机器学习状态中的生命周期；

图6示出了根据本发明的实施例的无线通信系统中的用户设备和基站在机器学习状态中机器学习算法和模型的更新和重配；

图7示出了根据本发明的实施例的无线通信系统中的用户设备和基站在机器学习状态和非机器学习状态之间的状态和阶段的相互转化关系的流程图；

图8示出了根据本发明的实施例的由UE执行的示例方法的示图；

图9示出了根据本公开的实施例的示例UE的框图；以及

图10示出了根据本公开的实施例的示例基站的框图。

在各个附图中，相同或相似的附图标记和标号指示相同或相似的元件。

具体实施方式

提供下列参考附图的描述以有助于对通过权利要求及其等效物定义的本公开的各种实施例的全面理解。本描述包括各种具体细节以有助于理解但是仅应当被认为是示例性的。因此，本领域普通技术人员将认识到，能够对这里描述的各种实施例进行各种改变和修改而不脱离本公开的范围与精神。此外，为了清楚和简明起见，可以略去对公知功能与结构的描述。

在下面说明书和权利要求书中使用的术语和措词不局限于它们的词典意义，而是仅仅由发明人用于使得能够对于本公开清楚和一致的理解。因此，对本领域技术人员来说应当明显的是，提供以下对本公开的各种实施例的描述仅用于图示的目的而非限制如所附权利要求及其等效物所定义的本公开的目的。

应当理解，单数形式的“一”、“一个”和“该”包括复数指代，除非上下文清楚地指示不是如此。因此，例如，对“部件表面”的指代包括指代一个或多个这样的表面。

术语“包括”或“可以包括”指的是可以在本公开的各种实施例中使用的相应公开的功能、操作或组件的存在，而不是限制一个或多个附加功能、操作或特征的存在。此外，术语“包括”或“具有”可以被解释为表示某些特性、数字、步骤、操作、构成元件、组件或其组合，但是不应被解释为排除一个或多个其它特性、数字、步骤、操作、构成元件、组件或其组合的存在可能性。

在本公开的各种实施例中使用的术语“或”包括任意所列术语及其所有组合。例如，“A或B”可以包括A、可以包括B、或者可以包括A和B二者。

除非不同地定义，本公开使用的所有术语(包括技术术语或科学术语)具有本公开所述的本领域技术人员理解的相同含义。如在词典中定义的通常术语被解释为具有与在相关技术领域中的上下文一致的含义，而且不应理想化地或过分形式化地对其进行解释，除非本公开中明确地如此定义。

图1示出了根据本公开的各种实施例的示例无线网络100。图1中所示的无线网络100的实施例仅用于说明。能够使用无线网络100的其他实施例而不脱离本公开的范围。

无线网络100包括gNodeB(gNB)101、gNB 102和gNB 103。gNB 101与gNB 102和gNB103通信。gNB 101还与至少一个互联网协议(IP)网络130(诸如互联网、专有IP网络或其他数据网络)通信。

取决于网络类型，能够取代“gNodeB”或“gNB”而使用其他众所周知的术语，诸如“基站”或“接入点”。为方便起见，术语“gNodeB”和“gNB”在本专利文件中用来指代为远程终端提供无线接入的网络基础设施组件。并且，取决于网络类型，能够取代“用户设备”或“UE”而使用其他众所周知的术语，诸如“移动台”、“用户台”、“远程终端”、“无线终端”或“用户装置”。为了方便起见，术语“用户设备”和“UE”在本专利文件中用来指代无线接入gNB的远程无线设备，无论UE是移动设备(诸如，移动电话或智能电话)还是通常所认为的固定设备(诸如桌上型计算机或自动售货机)。

gNB 102为gNB 102的覆盖区域120内的第一多个用户设备(UE)提供对网络130的无线宽带接入。第一多个UE包括：UE 111，可以位于小型企业(SB)中；UE 112，可以位于企业(E)中；UE 113，可以位于WiFi热点(HS)中；UE 114，可以位于第一住宅(R)中；UE 115，可以位于第二住宅(R)中；UE 116，可以是移动设备(M)，如蜂窝电话、无线膝上型计算机、无线PDA等。gNB 103为gNB 103的覆盖区域125内的第二多个UE提供对网络130的无线宽带接入。第二多个UE包括UE 115和UE 116。在一些实施例中，gNB 101-103中的一个或多个能够使用5G、长期演进(LTE)、LTE-A、WiMAX或其他高级无线通信技术彼此通信以及与UE 111-116通信。

虚线示出覆盖区域120和125的近似范围，所述范围被示出为近似圆形仅仅是出于说明和解释的目的。应该清楚地理解，与gNB相关联的覆盖区域，诸如覆盖区域120和125，能够取决于gNB的配置和与自然障碍物和人造障碍物相关联的无线电环境的变化而具有其他形状，包括不规则形状。

如下面更详细描述的，gNB 101、gNB 102和gNB 103中的一个或多个包括如本公开的实施例中所描述的2D天线阵列。在一些实施例中，gNB 101、gNB 102和gNB 103中的一个或多个支持用于具有2D天线阵列的系统的码本设计和结构。

尽管图1示出了无线网络100的一个示例，但是能够对图1进行各种改变。例如，无线网络100能够包括任何合适布置的任何数量的gNB和任何数量的UE。并且，gNB 101能够与任何数量的UE直接通信，并且向那些UE提供对网络130的无线宽带接入。类似地，每个gNB102-103能够与网络130直接通信并且向UE提供对网络130的直接无线宽带接入。此外，gNB101、102和/或103能够提供对其他或附加外部网络(诸如外部电话网络或其他类型的数据网络)的接入。

图2a和图2b示出了根据本公开的示例无线发送和接收路径。在以下描述中，发送路径200能够被描述为在gNB(诸如gNB 102)中实施，而接收路径250能够被描述为在UE(诸如UE 116)中实施。然而，应该理解，接收路径250能够在gNB中实施，并且发送路径200能够在UE中实施。在一些实施例中，接收路径250被配置为支持用于具有如本公开的实施例中所描述的2D天线阵列的系统的码本设计和结构。

发送路径200包括信道编码和调制块205、串行到并行(S到P)块210、N点快速傅里叶逆变换(IFFT)块215、并行到串行(P到S)块220、添加循环前缀块225、和上变频器(UC)230。接收路径250包括下变频器(DC)255、移除循环前缀块260、串行到并行(S到P)块265、N点快速傅立叶变换(FFT)块270、并行到串行(P到S)块275、以及信道解码和解调块280。

在发送路径200中，信道编码和调制块205接收一组信息比特，应用编码(诸如低密度奇偶校验(LDPC)编码)，并调制输入比特(诸如利用正交相移键控(QPSK)或正交幅度调制(QAM))以生成频域调制符号的序列。串行到并行(S到P)块210将串行调制符号转换(诸如，解复用)为并行数据，以便生成N个并行符号流，其中N是在gNB 102和UE 116中使用的IFFT/FFT点数。N点IFFT块215对N个并行符号流执行IFFT运算以生成时域输出信号。并行到串行块220转换(诸如复用)来自N点IFFT块215的并行时域输出符号，以便生成串行时域信号。添加循环前缀块225将循环前缀插入时域信号。上变频器230将添加循环前缀块225的输出调制(诸如上变频)为RF频率，以经由无线信道进行传输。在变频到RF频率之前，还能够在基带处对信号进行滤波。

从gNB 102发送的RF信号在经过无线信道之后到达UE 116，并且在UE 116处执行与gNB 102处的操作相反的操作。下变频器255将接收信号下变频为基带频率，并且移除循环前缀块260移除循环前缀以生成串行时域基带信号。串行到并行块265将时域基带信号转换为并行时域信号。N点FFT块270执行FFT算法以生成N个并行频域信号。并行到串行块275将并行频域信号转换为调制数据符号的序列。信道解码和解调块280对调制符号进行解调和解码，以恢复原始输入数据流。

gNB 101-103中的每一个可以实施类似于在下行链路中向UE 111-116进行发送的发送路径200，并且可以实施类似于在上行链路中从UE 111-116进行接收的接收路径250。类似地，UE 111-116中的每一个可以实施用于在上行链路中向gNB 101-103进行发送的发送路径200，并且可以实施用于在下行链路中从gNB 101-103进行接收的接收路径250。

图2a和图2b中的组件中的每一个能够仅使用硬件来实施，或使用硬件和软件/固件的组合来实施。作为特定示例，图2a和图2b中的组件中的至少一些可以用软件实施，而其他组件可以通过可配置硬件或软件和可配置硬件的混合来实施。例如，FFT块270和IFFT块215可以实施为可配置的软件算法，其中可以根据实施方式来修改点数N的值。

此外，尽管描述为使用FFT和IFFT，但这仅是说明性的，并且不应解释为限制本公开的范围。能够使用其他类型的变换，诸如离散傅立叶变换(DFT)和离散傅里叶逆变换(IDFT)函数。应当理解，对于DFT和IDFT函数而言，变量N的值可以是任何整数(诸如1、2、3、4等)，而对于FFT和IFFT函数而言，变量N的值可以是作为2的幂的任何整数(诸如1、2、4、8、16等)。

尽管图2a和图2b示出了无线发送和接收路径的示例，但是可以对图2a和图2b进行各种改变。例如，图2a和图2b中的各种组件能够被组合、进一步细分或省略，并且能够根据特定需要添加附加组件。而且，图2a和图2b旨在示出能够在无线网络中使用的发送和接收路径的类型的示例。任何其他合适的架构能够用于支持无线网络中的无线通信。

图3a示出了根据本公开的示例UE 116。图3a中示出的UE 116的实施例仅用于说明，并且图1的UE 111-115能够具有相同或相似的配置。然而，UE具有各种各样的配置，并且图3a不将本公开的范围限制于UE的任何特定实施方式。

UE 116包括天线305、射频(RF)收发器310、发送(TX)处理电路315、麦克风320和接收(RX)处理电路325。UE 116还包括扬声器330、处理器/控制器340、输入/输出(I/O)接口345、(多个)输入设备350、显示器355和存储器360。存储器360包括操作系统(OS)361和一个或多个应用362。

RF收发器310从天线305接收由无线网络100的gNB发送的传入RF信号。RF收发器310将传入RF信号进行下变频以生成中频(IF)或基带信号。IF或基带信号被发送到RX处理电路325，其中RX处理电路325通过对基带或IF信号进行滤波、解码和/或数字化来生成经处理的基带信号。RX处理电路325将经处理的基带信号发送到扬声器330(诸如对于语音数据)或发送到处理器/控制器340(诸如对于网络浏览数据)以进行进一步处理。

TX处理电路315从麦克风320接收模拟或数字语音数据，或从处理器/控制器340接收其他传出基带数据(诸如网络数据、电子邮件或交互式视频游戏数据)。TX处理电路315编码、复用、和/或数字化传出基带数据以生成经处理的基带或IF信号。RF收发器310从TX处理电路315接收传出的经处理的基带或IF信号，并将所述基带或IF信号上变频为经由天线305发送的RF信号。

处理器/控制器340能够包括一个或多个处理器或其他处理设备，并执行存储在存储器360中的OS 361，以便控制UE 116的总体操作。例如，处理器/控制器340能够根据公知原理通过RF收发器310、RX处理电路325和TX处理电路315来控制正向信道信号的接收和反向信道信号的发送。在一些实施例中，处理器/控制器340包括至少一个微处理器或微控制器。

处理器/控制器340还能够执行驻留在存储器360中的其他过程和程序，诸如用于具有如本公开的实施例中描述的2D天线阵列的系统的信道质量测量和报告的操作。处理器/控制器340能够根据执行过程的需要将数据移入或移出存储器360。在一些实施例中，处理器/控制器340被配置为基于OS 361或响应于从gNB或运营商接收的信号来执行应用362。处理器/控制器340还耦合到I/O接口345，其中I/O接口345为UE 116提供连接到诸如膝上型计算机和手持计算机的其他设备的能力。I/O接口345是这些附件和处理器/控制器340之间的通信路径。

处理器/控制器340还耦合到(多个)输入设备350和显示器355。UE 116的操作者能够使用(多个)输入设备350将数据输入到UE 116中。显示器355可以是液晶显示器或能够呈现文本和/或至少(诸如来自网站的)有限图形的其他显示器。存储器360耦合到处理器/控制器340。存储器360的一部分能够包括随机存取存储器(RAM)，而存储器360的另一部分能够包括闪存或其他只读存储器(ROM)。

尽管图3a示出了UE 116的一个示例，但是能够对图3a进行各种改变。例如，图3a中的各种组件能够被组合、进一步细分或省略，并且能够根据特定需要添加附加组件。作为特定示例，处理器/控制器340能够被划分为多个处理器，诸如一个或多个中央处理单元(CPU)和一个或多个图形处理单元(GPU)。而且，虽然图3a示出了配置为移动电话或智能电话的UE116，但是UE能够被配置为作为其他类型的移动或固定设备进行操作。

图3b示出了根据本公开的示例gNB 102。图3b中所示的gNB 102的实施例仅用于说明，并且图1的其他gNB能够具有相同或相似的配置。然而，gNB具有各种各样的配置，并且图3b不将本公开的范围限制于gNB的任何特定实施方式。应注意，gNB 101和gNB 103能够包括与gNB 102相同或相似的结构。

如图3b中所示，gNB 102包括多个天线370a-370n、多个RF收发器372a-372n、发送(TX)处理电路374和接收(RX)处理电路376。在某些实施例中，多个天线370a-370n中的一个或多个包括2D天线阵列。gNB 102还包括控制器/处理器378、存储器380和回程或网络接口382。

RF收发器372a-372n从天线370a-370n接收传入RF信号，诸如由UE或其他gNB发送的信号。RF收发器372a-372n对传入RF信号进行下变频以生成IF或基带信号。IF或基带信号被发送到RX处理电路376，其中RX处理电路376通过对基带或IF信号进行滤波、解码和/或数字化来生成经处理的基带信号。RX处理电路376将经处理的基带信号发送到控制器/处理器378以进行进一步处理。

TX处理电路374从控制器/处理器378接收模拟或数字数据(诸如语音数据、网络数据、电子邮件或交互式视频游戏数据)。TX处理电路374对传出基带数据进行编码、复用和/或数字化以生成经处理的基带或IF信号。RF收发器372a-372n从TX处理电路374接收传出的经处理的基带或IF信号，并将所述基带或IF信号上变频为经由天线370a-370n发送的RF信号。

控制器/处理器378能够包括控制gNB 102的总体操作的一个或多个处理器或其他处理设备。例如，控制器/处理器378能够根据公知原理通过RF收发器372a-372n、RX处理电路376和TX处理电路374来控制前向信道信号的接收和后向信道信号的发送。控制器/处理器378也能够支持附加功能，诸如更高级的无线通信功能。例如，控制器/处理器378能够执行诸如通过盲干扰感测(BIS)算法执行的BIS过程，并且对被减去干扰信号的接收信号进行解码。控制器/处理器378可以在gNB 102中支持各种各样的其他功能中的任何一个。在一些实施例中，控制器/处理器378包括至少一个微处理器或微控制器。

控制器/处理器378还能够执行驻留在存储器380中的程序和其他过程，诸如基本OS。控制器/处理器378还能够支持用于具有如本公开的实施例中所描述的2D天线阵列的系统的信道质量测量和报告。在一些实施例中，控制器/处理器378支持在诸如web RTC的实体之间的通信。控制器/处理器378能够根据执行过程的需要将数据移入或移出存储器380。

控制器/处理器378还耦合到回程或网络接口382。回程或网络接口382允许gNB102通过回程连接或通过网络与其他设备或系统通信。回程或网络接口382能够支持通过任何合适的(多个)有线或无线连接的通信。例如，当gNB 102被实施为蜂窝通信系统(诸如支持5G或新无线电接入技术或NR、LTE或LTE-A的一个蜂窝通信系统)的一部分时，回程或网络接口382能够允许gNB 102通过有线或无线回程连接与其他gNB通信。当gNB 102被实施为接入点时，回程或网络接口382能够允许gNB 102通过有线或无线局域网或通过有线或无线连接与更大的网络(诸如互联网)通信。回程或网络接口382包括支持通过有线或无线连接的通信的任何合适的结构，诸如以太网或RF收发器。

存储器380耦合到控制器/处理器378。存储器380的一部分能够包括RAM，而存储器380的另一部分能够包括闪存或其他ROM。在某些实施例中，诸如BIS算法的多个指令被存储在存储器中。多个指令被配置为使得控制器/处理器378执行BIS过程，并在减去由BIS算法确定的至少一个干扰信号之后解码接收的信号。

如下面更详细描述的，(使用RF收发器372a-372n、TX处理电路374和/或RX处理电路376实施的)gNB 102的发送和接收路径支持与FDD小区和TDD小区的聚合的通信。

尽管图3b示出了gNB 102的一个示例，但是可以对图3b进行各种改变。例如，gNB102能够包括任何数量的图3a中所示的每个组件。作为特定示例，接入点能够包括许多回程或网络接口382，并且控制器/处理器378能够支持路由功能以在不同网络地址之间路由数据。作为另一特定示例，虽然示出为包括TX处理电路374的单个实例和RX处理电路376的单个实例，但是gNB 102能够包括每一个的多个实例(诸如每个RF收发器对应一个)。

下面结合附图进一步描述本公开的示例性实施例。

文本和附图仅作为示例提供，以帮助阅读者理解本公开。它们不意图也不应该被解释为以任何方式限制本公开的范围。尽管已经提供了某些实施例和示例，但是基于本文所公开的内容，对于本领域技术人员而言显而易见的是，在不脱离本公开的范围的情况下，可以对所示的实施例和示例进行改变。

在无线通信系统中，在网络侧的基站(Base Station)和终端侧的无线用户设备(User Equipment，用户设备)之间进行通信时，空中接口在通信过程中需要解决很多问题，如用户设备基于导频的信道估计，用户设备信道状态信息的反馈，终端侧和网络侧多天线发射和接收的波束赋形和波束管理等问题。这些空中接口需要解决的问题都是无线通信系统中经典的需要解决的问题，并且经过多年的研究，已有较为成熟的基于规则和流程的解决方案。

近些年，以深度学习算法为代表的人工智能(AI)技术又一次兴起，解决了各行各业中多年以来存在的难题，获得了技术上和商业上的巨大成功。随着无线通信系统的不断演进，空中接口中存在的这些问题也一直被研究和尝试引入新的方法来解决。近年来，许多无线通信的空中接口相关问题被广泛的研究基于AI技术的解决方案，并产生了一些理论上优于传统算法的结果。在5G NR的标准化组织3GPP即将到来的Rel-18版本的标准化讨论中，基于AI的物理层无线通信技术也被广泛地讨论并有可能在未来写入5G和/或6G无线通信技术的标准。

为了解决一些通信过程中遇到的问题，可以启用机器学习的方法。其中，机器学习的方法通常是指包括机器学习的算法设计和该算法所基于的机器学习模型设计。对于机器学习算法来说，通常分为不同的两个阶段，即训练阶段和推理阶段。一般地说，机器学习模型可以首先经历训练阶段，即根据任务目标学习机器学习模型中的参数权重，此时提供的用于训练的数据可能是在线取得的，或者是离线整理取得的；在训练完成后，机器学习模型可以被用在推理阶段中，即根据模型训练的结果进行优化、预测、分类、回归等任务。这两个阶段可以分开独立地先后进行，也可以交替地实施。

基于AI深度学习(DL)技术的解决方案，通常是指机器学习技术中的以人工神经网络为模型的算法。深度学习网络模型通常由多层堆叠的人工神经网络来构成，通过训练已有数据来调整神经网络中的权重参数，而后在推理阶段用来实现未遇见的情况下的任务目的。同时，一般地说，相比于一般的基于固定规则的解决方案或算法，基于DL的解决方案需要比原经典算法更好的运算能力，这通常需要运行DL算法的设备中有专用的运算芯片来支持DL算法更高效的运转。

使用基于机器学习的AI算法来解决的通信中遇到的问题，通常需要满足机器学习的问题所具备的条件。在通信中和空中接口相关的所存在的问题中，信道信息的反馈、参考信号估计、波束赋形、用户设备定位等等很多问题都在一定程度上满足条件，因此可以使用机器学习算法来解决，并在通信传输的过程中达到比传统解决方案更好的效果。

尽管对于目前使用的无线通信系统，这些算法已经可以保证正常的实施并起作用；然而，对于机器学习算法，由于其完全不同于传统算法的架构和特点(如包含两个不同的阶段)，使得其使用方法完全不同于传统的经典算法。由于现今的无线通信系统(第四代、第五代、以及未来可能的第六代无线通信系统)有严格的统一的标准限制通信过程中空中接口的配置方法和行为过程。故此，考虑到新一代无线通信系统中使用机器学习的新技术，空中接口的设计必须结合新的通信系统和机器学习算法的特点来进行设计。其中对于基于机器学习的算法实施在无线通信系统的空中接口中，需要规定其具体的实施过程，用户设备和基站之间信号如何传输和交互，激活和关闭机器学习算法和模型的过程，机器学习算法和模型使用中的更新等，这是需要考虑的重点。

因此，基于上述问题，为了在无线通信系统中，使用基于机器学习的解决方案，有必要提出有效的技术方法，以规定系统中实施这些解决方案的具体办法，需要存在的过程等，建立一个合适的框架供基于机器学习的方法来解决无线通信中空中接口相关问题。

在本文中，术语“机器学习算法和模型”可以与“基于AI(人工智能)/ML(机器学习)的技术”、“用于NR空口的AI/ML”、“AI/ML技术”、“AI/ML架构”、“AI/ML模型”、“用于空口的AI/ML”、“AI/ML方法”和“AI/ML相关算法”、“基于AI/ML的算法”和“AI/ML方案”互换使用。

本发明提供了一种在无线通信系统中应用和配置基于机器学习的算法和模型以完成或实现无线通信系统的空中接口中的任务或功能的方案，该方案包括：无线通信系统中的基站和用户设备在机器学习状态下所处的阶段；每个阶段下基站和用户设备的行为和处理流程；不同阶段之间的关系和相互转换。本发明通过完整的方案设计实现基于机器学习的算法和模型的应用和配置，提高了无线通信系统的传输性能。

本发明的目的旨在解决无线通信系统中如何使用基于机器学习的解决方案来解决无线通信的空中接口中需要解决的问题，提出如何在无线通信系统中使用机器学习解决方案的架构、流程、方法等，并通过设计这些架构、流程、方法等，来实现机器学习算法在无线通信系统中的应用，达到相比于传统的已有方法效果更好的机器学习方法能够顺利在通信系统中使用和实施的效果，从而进一步提高无线通信系统的传输性能。

因此，在本发明中，根据无线通信系统的特性，提出了在空中接口中应用机器学习方法时，关于机器学习方法使用，用户设备和基站可能处于的阶段和状态；基于此，在本发明中提出了无线通信系统中关于使用机器学习方法时，用户设备和基站所处不同状态时所执行的过程和行为，包括用户设备和基站为此目的实施的通信的过程，以及定义该通信的一些内容；进一步，在本发明中，提出了无线通信系统中关于使用机器学习方法时，用户设备和基站所处的不同状态之间的关系以及不同状态之间的转化过程；额外地，本发明还结合不同阶段提出了在不同情况下衡量机器学习算法和模型的主要关键性能指标。本发明同时考虑到了硬件的限制条件以及网络协议设计的复杂性，利用无线通信系统的特点，以及可能执行的机器学习算法的特点，设计整个机器学习方法使用的架构、流程、方法等。

阶段划分

本发明公开了一种在无线通信系统中使用机器学习算法和模型的应用和配置方法，其包括：定义无线通信系统关于机器学习算法和模型使用所处的阶段状态；在不同状态下，无线通信系统中为此目的实施的信息的交互过程，以及用户设备和基站各自相应的行为；处于不同阶段状态的无线通信系统之间的关系和状态转化的过程。

其中，无线通信系统中使用机器学习算法和模型实现通信传输中空中接口的一项或几项任务时，无线通信系统可能处于五个阶段中的任意一个阶段状态。此五个阶段分别为：

●预备阶段：无线通信系统有可能使用机器学习算法和模型来解决现有空中接口的问题时，用户设备和基站所处的执行预备工作阶段；

●启动阶段：无线通信系统决定执行机器学习算法和模型时，用户设备和基站开始启动该机器学习算法的阶段；

●执行阶段：无线通信系统中数据或信令信息正常传输和交互的过程中，用户设备和基站执行相应的机器学习算法和模型的阶段；

●调整阶段：无线通信系统中执行机器学习算法和模型时，用户设备和基站的机器学习算法和模型的配置需要实施调整时的阶段；

●结束阶段：无线通信系统决定停止执行或不执行机器学习算法和模型时，用户设备和基站终止机器学习算法和模型并不再进行相关信息交互的阶段。

在上述的五种阶段中，根据不同的具体情况，无线通信系统中的设备分别需要执行不同的流程，其中在各个流程中用户设备和基站分别执行不同的流程和操作，以通过具体的一种或多种基于机器学习的算法和模型的使用来实现通信传输中空中接口的一项或几项任务。

具体地，通信传输中空中接口的任务包括但不限于以下中的一项或多项：

●信道状态信息的压缩、反馈和重构；

●信道状态信息的预测；

●用户设备的定位；

●基站和用户设备的波束管理；

●基站和用户设备的参考信号恢复和信道估计；以及

●功率放大器的非线性消除。

预备阶段

具体地，当无线通信系统中的网络端决定使用基于机器学习的算法和模型来实现通信传输中空中接口的一项或几项任务时，基站发送相应的指令，并且无线通信系统进入到预备阶段。在该预备阶段中，用户设备和基站实施的步骤可以包括但不限于以下中的一项或多项：

●基站向用户设备传输信令，要求用户设备上报关于该用户设备的机器学习的算法和模型的相关信息：

■其中，信令具有不同状态，诸如00、01等，信令的不同状态可以指示基站对用户设备上报的具体相关信息的要求、用户设备的上报方式、以及用户设备的上报周期。

●用户接收到该信令后，在未接收到来自于基站的进一步相关指示的情况下，用户设备可以根据接收到的信令指示进行上报：

■用户设备根据信令指示的上报方式进行关于用户设备的相关信息的上报；以及

■用户设备根据信令指示进行周期性、半静态的、或非周期性的关于用户设备的相关信息上报。

●用户设备接收到该信令后，上报关于该用户设备的相关信息，包括当前状态信息和设备能力信息，其中具体上报的相关信息是根据接收到的信令的不同状态来相应上报的：

■用户设备的设备能力信息上报，包括但不限于：支持的机器学习算法运算、进行算法运算的速度和时延、对典型机器学习模型的运算吞吐量和时延、以及支持的基于机器学习的算法和模型来实现的任务或功能等。

■用户设备的当前状态信息上报，包括但不限于：用户设备现在的运算负载、剩余的可用电量、用户当前的业务类型、用户无线信道状态或评价、用户设备的偏好设置信息等。

●基站向用户设备传输信令，要求用户设备停止上报关于该用户设备机器学习的算法和模型的相关信息，使得用户设备在接收到该信令后，

终止该预备阶段中所有的相关信息上报。

启动阶段

具体地，当无线通信系统中的网络端基于当前的无线网络状态、网络设备信息和用户设备上报信息，决定启动基于机器学习的算法和模型来实现通信传输中空中接口的一项或几项任务或功能时，无线通信系统进入启动阶段。在该启动阶段中，用户设备和基站实施的步骤可以包括但不限于以下中的一项或多项：

●基站向用户设备传输信令，通知用户设备在通信过程中开始激活机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能，其中：

■信令的不同状态指示无线通信系统中哪一项或者几项任务或功能开始使用机器学习算法和模型实现；以及

■信令的不同状态指示该机器学习算法和模型所需要的关键性能指标。

●基站向用户设备传输信令，告知用户设备，在开始使用机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能中，针对每一项任务或功能的用户设备的参与程度，其中用户设备的参与程度可能分为以下几种类型：

■完全由用户设备实现的机器学习算法和模型；以及

■由用户设备和基站联合实现的机器学习算法和模型。

●基站向用户设备传输信令，告知用户设备，在开始使用机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能中，针对每一项任务或功能的用户设备和基站的信息交互需求，可能分为以下的几种等级：

■用户设备和基站无需进行相关信息交互；

■用户设备和基站进行一次性的即时相关信息交互；

■用户设备和基站根据需求进行不定期的即时相关信息交互；以及

■用户设备和基站进行周期性的即时相关信息交互。

●基站向用户设备传输信令，告知用户设备，在开始使用机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能中，每一项任务或功能所需交互的信息的传输方式，可能为以下情况：

■交互机器学习算法和模型的第一相关信息，其中用户设备和基站只需要通过信令进行；以及

■交互机器学习算法和模型的第二相关信息，其中用户设备和基站需要通过信令和数据信道进行。

●基站向用户设备传输信息，告知用户设备，使用机器学习算法和模型的配置相关信息，包括但不限于以下中的一项或多项：

■基站向用户设备传输信令，告知用户设备使用的机器学习算法和模型为预设的算法和模型中的一项配置的；以及

■基站向用户设备传输信令和数据信息，告知用户设备使用的机器学习算法和模型的具体模型结构和模型参数。

●用户设备接收到基站通知用户设备在通信过程中开始使用机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能后，根据信令的指示状态，激活对应的机器学习算法和模型，并在激活之后向基站上报关于该机器学习算法和模型的相关信息，该信息可能包含以下中的一项或多项：

■该机器学习算法和模型的模型结构、参数配置等；以及

■该机器学习算法和模型的算法的关键性能指标等。

执行阶段

具体地，当在无线通信系统中使用基于机器学习的算法和模型来实现通信传输中空中接口的一项或几项任务或功能时，无线通信系统进入到执行阶段。在该执行阶段中，用户设备和基站实施的步骤可以包括但不限于以下中的一项或多项：

●基站向用户设备传输信令，要求用户设备上报用户设备的状态信息，其中，该信令可以具有不同状态信令的不同状态指示以下中的一项或多项：

■用户需要进行上报的内容，内容包括以下至少一项：

◆用户设备的状态信息，包括但不限于：用户设备现在的运算负载、剩余的可用电量、用户当前的业务类型、用户无线信道状态或评价、用户设备的偏好设置信息等；

◆用户设备正在执行中的该机器学习的算法和模型的关键性能指标；

◆用户设备采集的关于该当前使用的机器学习算法和模型相关的数据样本(集合)；以及

◆用户设备所使用的机器学习算法和模型的暂停或者更新需求。

■用户需要进行上报的频率和/或周期，包括周期性、半静态的、或非周期性的相关信息上报。

●用户设备接收到基站发送的信令后，上报关于该用户设备的状态信息(例如，即时状态信息)，其中根据接收到的信令的不同状态上报相应的用户设备的相关信息，该用户设备的相关信息可以包括但不限于以下中的一项或多项：

■用户设备的状态信息，包括但不限于：用户设备现在的运算负载、剩余的可用电量、用户当前的业务类型、用户无线信道状态或评价、用户设备的偏好设置信息等；

■用户设备正在执行中的该机器学习的算法和模型的关键性能指标；

■用户设备采集的关于该当前使用的机器学习算法和模型相关的数据样本(集合)；以及

■用户设备所使用的机器学习算法和模型的暂停或者更新需求。

●基站向用户设备传输暂停信令，要求用户设备暂停当前使用的机器学习的算法和模型，其中：

■信令的不同状态指示指示要求暂停的机器学习的算法和模型以及其对应的任务或功能。

●用户设备接收到暂停信令后，暂停与该信令对应的机器学习的算法和模型，并使用非机器学习方法执行该任务或功能，同时保持已有的相关信息交互。

●当机器学习算法和模型被暂停使用时，基站根据当前情况确定向用户设备传输指示恢复使用机器学习算法和模型来实施信道状态信息反馈的功能的信令；用户在接收到该信令后，继续使用机器学习算法和模型来实施信道状态信息反馈的功能。

调整阶段

具体地，当在无线通信系统中使用基于机器学习的算法和模型来实现通信传输中空中接口的一项或几项任务或功能时，基站向用户设备传输指令，要求对使用中的机器学习算法和模型进行调整或更新，则无线通信系统进入到调整阶段。在该调整阶段中，用户设备和基站实施的步骤可以包括但不限于以下中的一项或多项：

●用户设备根据自身对当前使用的机器学习算法和模型进行性能评估，或者根据在执行阶段用户设备收集的即时数据样例，决定是否需要对用户设备当前某项任务或功能使用的机器学习算法和模型进行更新，如果需要更新，则用户设备向基站发送信息，该信息包括以下中的一项或多项：

■用户设备建议更新的一项或多项任务或功能使用的机器学习算法和模型；以及

■建议更新的机器学习算法和模型的配置和偏好。

●基站从用户设备接收对用户设备当前某项任务或功能使用的机器学习算法和模型建议更新的指令，其中更新的机器学习算法和模型的配置和偏好可以包括以下中的一项或多项：

■机器学习算法和模型的模型的结构；

■机器学习算法和模型的模型的参数权重；

■机器学习算法和模型的输入数据格式或偏好；以及

■机器学习算法和模型的性能指标要求。

●基站根据自身对当前使用的机器学习算法和模型进行性能评估，或者根据在执行阶段的用户设备上报的关键性能指标，决定是否需要对用户设备当前某项任务或功能使用的机器学习算法和模型进行更新，如果需要更新，则基站向用户设备传输指令，该指令包括以下中的一项或多项：

■用户设备需要更新的一项或多项任务或功能使用的机器学习算法和模型；以及

■更新的机器学习算法和模型的配置和偏好。

●用户设备从基站接收对用户设备当前某项任务或功能使用的机器学习算法和模型更新的信令，其中更新的机器学习算法和模型的配置和偏好可以包括以下中的一项或多项：

■机器学习算法和模型的模型的结构；

■机器学习算法和模型的模型的参数权重；

■机器学习算法和模型的输入数据格式或偏好；以及

■机器学习算法和模型的关键性能指标要求。

●用户设备从基站接收对用户设备当前某项任务或功能使用的机器学习算法和模型更新的指令后，根据指令包含的内容，在要求的时间之内更新当前使用的机器学习算法和模型，其中，要求的时间取决于用户设备从基站接收的指令的传输方式，包括但不限于通过物理层信道、媒体介入控制(MAC)层信道、无线资源控制层信道等传输方式。

结束阶段

具体地，当在无线通信系统中使用基于机器学习的算法和模型来实现通信传输中空中接口的一项或几项任务或功能时，基站向用户设备传输指令要求用户设备终止当前正在使用的机器学习算法和模型，并终止相关信息的交互，无线通信系统进入到结束阶段。在该结束阶段中，用户设备和基站实施的步骤可以包括但不限于以下中的一项或多项：

●基站向用户设备传输信令，要求用户设备停止当前使用的机器学习的算法和模型，并停止相关的信息交互，其中：

■信令的不同状态指示停止使用与机器学习的算法和模型对应的任务或功能。

●基站向用户设备传输信令，要求用户设备部分停止或全部终止当前使用的全部机器学习的算法和模型，并部分停止或全部终止全部的相关信息交互。

●用户设备接收到部分停止或全部终止信令后，部分停止或全部终止与正在使用中的该信令对应的机器学习的算法和模型，部分停止或全部终止相关的数据信息交互，并转为使用非机器学习方法执行该任务或功能。

状态和阶段之间的转化

当无线通信系统未使用机器学习算法和模型实现通信传输中空中接口的一项或几项任务或功能时，无线通信系统处于非机器学习状态；当无线通信系统使用机器学习算法和模型实现通信传输中空中接口的一项或几项任务或功能时，无线通信系统处于机器学习状态，对于每一项任务或功能，处于机器学习状态的无线通信系统可能处于其生命周期的上述五个阶段中的任意一个阶段中。

当无线通信系统可能处于非机器学习状态或机器学习状态中的上述五个阶段中的任意一个阶段中时，基站向用户设备发送信令以指示无线通信系统可能从当前阶段转移到另一个阶段。

具体地，当无线通信系统处于非机器学习状态时，基站向用户设备传输信令，要求用户设备上报关于该用户设备的机器学习的算法和模型的相关信息，并且用户设备基于从基站接收的该信令来上报机器学习的算法和模型的相关信息，此时无线通信系统转入预备阶段。

当无线通信系统处于预备阶段时，基站向用户设备传输信令，要求用户设备停止上报关于该用户设备的机器学习的算法和模型的相关信息，并且用户设备基于从基站接收到的该信令，终止该预备阶段中所有的相关信息上报，此时无线通信系统转入结束阶段。

当无线通信系统处于预备阶段时，基站向用户设备传输信令，要求在通信过程中开始使用机器学习算法和模型来实现通信传输中空中接口的一项或几项任务或功能，此时无线通信系统转入启动阶段，并且用户设备基于从基站接收到的该信令，根据要求配置并激活对应的机器学习算法和模型。

当无线通信系统处于启动阶段时，激活的机器学习算法和模型开始执行，以实现通信传输中空中接口的一项或几项任务或功能，此时无线通信系统转入执行阶段；在执行阶段的过程中的基站和用户设备之间进行信息交互，保证任务或功能的性能指标。

当无线通信系统处于执行阶段时，基站向用户设备传输指令，要求对用户设备使用中的机器学习算法和模型进行调整或更新，此时无线通信系统转入调整阶段；在调整阶段的过程中基站根据情况重新配置用户设备上使用的机器学习模型和算法。

当无线通信系统处于调整阶段时，基站向用户设备传输指令，要求对用户设备使用中的机器学习算法和模型进行调整或更新，并且在更新之后，无线通信系统使用更新后的机器学习算法和模型，此时无线通信系统返回执行阶段。

当无线通信系统处于执行阶段时，基站向用户设备传输信令，要求用户设备停止使用机器学习算法和模型以及相关的信息交互，用户设备基于从基站接收到的该信令，准备停止相应的机器学习算法和模型和相关信息交互，此时无线通信系统转入结束阶段。

当无线通信系统处于结束阶段时，基站和用户设备停止使用机器学习算法和模型以及进行相关信息交互，并且基站和用户设备使用非机器学习方法执行无线通信传输中空中接口的任务或功能，此时无线通信系统转入非机器学习状态。

相比于已有技术，本发明至少具有以下优点：提出了在无线通信系统中，一种全新的基于机器学习的算法和模型的应用和配置方法。具体地，该方法将无线通信系统使用机器学习算法和模型并处于机器学习状态时，划分成多个(例如，五个)相互关联的阶段，从而清楚地根据不同状态实施和终止机器学习算法和模型；同时，对于每一个阶段，本发明明确了基站和用户设备可能发生的行为，规定了基站和用户设备之间进行通信传输时所包含的信息，为使用机器学习算法和模型提供了必要的条件；最后，本发明还明确了不同状态和阶段之间的关系，以及在不同状态和阶段之间相互转换的关系和流程，构建了使用机器学习算法和模型须要的基本框架。因此，本发明在充分考虑现有无线通信系统的基础上，结合基于机器学习的算法和模型的特点和需求，提出了在无线通信系统中应用和配置机器学习算法和模型的方法，该方法提供了一个合理的流程，完整的框架以及空中接口中必要的信息交互内容，从而实现了在无线通信系统中应用和配置机器学习算法和模型，通过使用基于机器学习算法和模型实现或完成无线通信空中接口的功能或任务可以极大程度地提升无线通信系统的通信有效性和可靠性。

为了例证本发明之目的，以下通过描述无线通信系统在实施本发明所述的应用和配置机器学习模型方法的完成框架、流程和生命周期来作为范例说明。

无线通信系统通过传统的非机器学习方法实现空中接口中的任务或功能之一：用户设备向基站的信道状态信息反馈。首先，无线通信系统中的网络端决定使用基于机器学习的算法和模型来实现该任务，即用户设备向基站的信道信息反馈，其中基站发送相应的指令，无线通信系统基于该指令从非机器学习状态转入机器学习状态中的预备阶段，如图4和图5所示。具体地：

●■ S100：基站向用户设备传输信令，要求用户设备上报关于该用户设备的机器学习的算法和模型的相关信息，例如：

■基站要求用户设备在上行控制信道上上报相关信息；

■基站要求用户设备非周期性地(一次性地)上报相关信息；和/

或

■基站要求用户设备上报关于支持的机器学习任务、机器学习的运算能力、用户设备当前的状态和偏好、用户设备当前的业务类型等。

● S200：用户设备基于从基站接收到的该信令，在上行控制信道上一次性地上报机器学习的算法和模型的相关信息，例如：

■用户设备上报支持的机器学习任务，例如基于机器学习的用户设备信道状态信息反馈；

■用户设备上报支持的标准卷积神经网络运算的速度和时延；

■用户设备上报当前的剩余电量和偏好设置；和/或

■用户设备上报当前的主要业务类型，例如流媒体和游戏业务。

基于用户设备上报的信息，基站决定激活并启动基于机器学习算法和模型的用户设备信道状态信息的反馈，如图5所示。此时，无线通信系统中基站和用户设备的行为流程如下。具体地：

● S210：基站向用户设备下发指令，激活用户设备的机器学习算法和模型，该指令可以包括：

■使用机器学习算法和模型实现用户设备的信道状态信息反馈功能；

■使用机器学习算法和模型由用户设备和基站联合实现；

■用户设备和基站进行周期性的即时相关信息交互；

■用户设备和基站需要通过信令和数据信道进行关于此机器学习算法和模型的信息交互；和/或

■传输过程中的性能指标要求(如下行包错误率小于阈值，例如小于2％)

●基站向用户设备传输信息，告知用户设备，使用机器学习算法和模型的具体情况，例如：

■基站向用户设备传输信令和数据信息，告知用户设备使用的机器学习算法和模型用于信道状态信息反馈时，用户设备具体使用的模型结构和参数；和/或

■基站向用户设备传输信令和数据信息，告知用户设备使用的机器学习算法和模型用于信道状态信息反馈时，用户设备反馈的比特流大小。

●用户设备基于接收到的机器学习算法和模型的激活指令，向基站上报相关信息，例如：

■用户设备使用的机器学习算法和模型用于信道状态信息反馈时，用户设备具体使用的模型结构和参数；和/或

■用户设备使用该机器学习算法和模型时的关键性能指标，包括运算时延和计算精度等信息。

用户设备上报相关的启动信息之后，可使用配置的机器学习模型开始执行信道状态信息反馈的任务。

在通信系统激活机器学习算法和模型之后，可以进入机器学习状态中的执行阶段，如图5所示。此时，用户设备使用配置的用户设备机器学习算法和模型进行指定比特流反馈，并且基站在接收到反馈比特流之后，使用指定的机器学习算法和模型进行信道状态信息的重构，用以完成基站通信中的后续任务。在此过程中无线通信系统中基站和用户设备的行为流程具体可以包括例如为：

●基站向用户设备下发指令，要求用户设备发送当前激活的机器学习算法和模型的相关信息，根据情况例如可以包括以下中的一项或多项：

■上报信息的方式：周期性上报；以及

■上报信息的内容：用户设备的对当前使用的机器学习算法和模型的评价、用户设备当前的运算负载、用户设备当前的可用电量、用户设备当前的偏好设置等。

●S220：用户设备基于从基站接收到的信令，上报用户设备相应的信息，具体可以包括以下中的一项或多项：

■用户设备当前的运算负载、用户设备当前的可用电量、用户设备当前的偏好设置；

■用户设备正在执行过程中的该机器学习的算法和模型的性能相关要求信息，如模型精度、运算时延等；以及

■用户设备收集的当前全信道状态信息的样本集合。

●当用户设备发现目前的机器学习算法和模型不合适时，可以根据情况向基站发送请求，例如：

■用户设备根据当前的设备情况和/或算法性能评估，认为当前的机器学习算法和模型不适合使用时，向基站发送暂停使用该机器学习算法和模型实施信道状态信息反馈的请求；和/或

■用户设备根据当前的设备情况和/或算法性能评估，认为当前的机器学习算法和模型需要变更配置时，向基站发送调整/更新该机器学习算法和模型实施信道状态信息反馈的请求。

●基站根据当前状态，如用户设备反馈的信息，基站当前运算负载，无线信道传播环境等，进行判断，向用户设备传输暂停信令，要求用户设备暂停当前使用的机器学习的算法和模型；并且用户基于接收到的该信令，暂停使用机器学习算法和模型实施信道状态信息反馈的功能，并保持已有的相关信息交互。

●当机器学习算法和模型被暂停使用时，基站根据当前情况进行判断，向用户设备传输恢复使用机器学习算法和模型实施信道状态信息反馈的功能；用户基于从基站接收到的该信令，继续使用机器学习算法和模型实施信道状态信息反馈的功能。

在使用基于机器学习的算法和模型来实现信道状态信息反馈的功能时，基站根据情况进行判断，向用户设备传输指令，要求对使用中的机器学习算法和模型进行调整或更新，此时无线通信系统进入到调整阶段，如图6所示。在该调整阶段中，用户设备和基站的行为流程可以包括但不限于以下中的一项或多项：

●S300：基站向用户设备发送信息，要求对执行信道状态信息反馈功能的机器学习算法和模型进行重新配置，该信息包括：

■要求用户设备建议更新的机器学习算法和模型；和/或

■要求用户设备提供更新的机器学习算法和模型的关键性能指标评估。

●S310：用户设备基于接收到的来自基站的更新要求，进行相关信息的上报，该相关信息例如可以包括：

■用户设备建议更新信道状态信息反馈功能使用的机器学习算法和模型；和

■用户设备建议更新的机器学习算法和模型的配置和偏好，包括如模型结构和模型参数等。

●S320：基站基于从用户设备接收到的对用户设备正在使用的机器学习算法和模型更新的建议后，下发指令要求更新用户设备正在使用的机器学习算法和模型，包括以下中的一项或多项：

■机器学习算法和模型的模型的结构；

■机器学习算法和模型的模型的参数权重；

■机器学习算法和模型的输入数据格式或偏好；和

■机器学习算法和模型的性能指标要求。

●用户设备基于从基站接收到的更新指令所包含的内容，在要求时间之内更新当前使用的机器学习算法和模型，其中，要求时间取决于用户设备从基站接收的指令的传输方式(如媒体介入控制(MAC)层信道发送的更新指令)。

●S330：用户设备基于从基站接收的对用户设备当前某项任务或功能使用的机器学习算法和模型更新的指令，按照要求时间内更新的机器学习算法和模型的配置和偏好，并在更新完成后，向基站上报对于该重配置后的机器学习算法和模型的关键性能指标，包括但不限于：

■用户设备评估的机器学习算法和模型的计算时延；和/或

■用户设备评估的机器学习算法和模型的准确度。

当无线通信系统中，使用基于机器学习的算法和模型来实现信道状态信息反馈的功能时，基站向用户设备传输指令以要求用户设备终止当前正在使用的机器学习算法和模型，并终止相关信息的交互，并且无线通信系统进入到机器学习状态的结束阶段，如图4和图5所示。在该结束阶段中，用户设备和基站的行为流程可以包括但不限于以下中的一项或多项：

●S230：基站向用户设备传输信令，要求用户设备部分停止或全部终止当前使用的机器学习的算法和模型，并部分停止或全部终止相关的信息交互，例如：

■信令指示要部分停止或全部终止的机器学习算法和模型为用于实现信道状态信息反馈的机器学习算法和模型，并指示部分停止或全部终止与之相关的信息交互。

●用户设备基于接收到的部分停止或全部终止信令，部分停止或全部终止正在使用中的机器学习的算法和模型，部分停止或全部终止相关的数据信息交互，并转为非机器学习方法执行信道状态信息反馈的功能。

●S110：用户设备停止使用机器学习算法和模型，并停止机器学习相关的信息交互，并向基站发送确认信息。此时，无线通信系统从机器学习状态转换为非机器学习状态。

上述的性能指标要求可能是如下中的至少一项：

●传输块错误率的要求达到一定阈值；

●机器学习算法和模型的准确率和/或精确率和/或召回率达到一定阈值；●机器学习算法和模型的处理时间和/或计算时延达到一定阈值。

在上述无线通信系统使用机器学习算法和模型实现空中接口中的信道状态信反馈的功能时，无线通信系统从非机器学习状态转换到机器学习状态，期间可以经历多种(例如，五个)不同的生命周期阶段；并且当无线通信系统停止使用基于机器学习的算法和模型实现信道状态信反馈时，无线通信系统返回非机器学习状态。

无线通信系统可以从当前的状态或阶段转换到另一个状态或阶段，如图7所示，具体地：

●S400：当无线通信系统处于非机器学习状态时，基站向用户设备传输信令，要求使用机器学习算法和模型实现信道状态信息反馈的功能，并交互相关信息，此时无线通信系统转入机器学习状态的预备阶段；

●S420：当无线通信系统处于预备阶段时，基站向用户设备传输信令，要求用户设备停止机器学习算法和模型实现信道状态信息反馈的功能的相关信息交互，此时无线通信系统转入非机器学习状态；

●S410：当无线通信系统处于预备阶段时，基站向用户设备传输信令，要求在通信过程中开始使用机器学习算法和模型来实现通信传输中空中接口的信道状态信息反馈的功能，此时无线通信系统转入启动阶段；

●S440：当无线通信系统处于启动阶段时，激活的机器学习算法和模型开始执行，以实现信道状态信息反馈的功能，并交互相关信息，此时无线通信系统转入执行阶段；

●S450a：当无线通信系统处于执行阶段时，基站向用户设备传输指令，要求对使用中的机器学习算法和模型进行调整或更新，此时无线通信系统转入调整阶段；

●S450b：当无线通信系统处于调整阶段时，用户设备和基站完成了相应的机器学习算法和模型的重新配置，并且在更新机器学习算法和模型之后，无线通信系统使用更新后的机器学习算法和模型，此时无线通信系统返回执行阶段；

●S460：当无线通信系统处于执行阶段时，基站向用户设备传输信令，要求用户设备停止使用机器学习算法和模型以及相关的信息交互，此时无线通信系统转入结束阶段；

●S430：当无线通信系统处于结束阶段时，基站和用户设备停止使用机器学习算法和模型以及进行相关的信息交互，并使用非机器学习方法执行无线通信传输中空中接口的任务或功能，此时无线通信系统转入非机器学习状态。

上述实施例通过说明的方式描述了在无线通信系统中的一种全新的基于机器学习的算法和模型的应用和配置方法。具体地，上述实施例可以将无线通信系统使用机器学习算法和模型并处于机器学习状态时的生命周期划分成多个相互关联的阶段(尽管上述实施例所述的生命周期包括五个阶段，但并不局限于此，也可以包括其它数目的阶段)，从而清楚地根据不同状态实施和终止机器学习算法和模型；同时，对于每一个阶段，上述实施例明确了基站和用户设备发生的行为或流程，举例说明了基站和用户设备之间通信时所包含的信息；最后，上述实施例还明确了不同状态和阶段之间的相互转换的关系和流程，从而描述了本发明构建的使用机器学习算法和模型须要的基本框架。因此，本发明在充分考虑现有无线通信系统的基础上，结合基于机器学习的算法和模型的特点和需求，提出了在无线通信系统中应用和配置机器学习算法和模型的方法，该方法提供了一个合理的流程、完整的框架以及空中接口中必要的信息交互内容，从而实现了在无线通信系统中应用和配置机器学习算法和模型，通过使用基于机器学习的算法和模型实现或完成无线通信空中接口的功能或任务，极大程度地提升了无线通信系统的通信有效性和可靠性。

图8示出了根据本发明的实施例的由UE执行的示例方法的示图。示例方法是UE(例如，图9的UE 900)执行与机器学习算法和模型相关联的操作的示例。

如图8所示，在该方法的步骤S810，UE从基站接收与机器学习算法和模型有关的信息。

在步骤S820，UE基于所述信息，进行操作。

在本公开的实施例中，步骤S820的基于所述信息，进行操作可以包括以下情况中的至少一项：

a)所述与机器学习算法和模型有关的信息包括第一信息；所述基于所述信息，进行操作包括：基于所述第一信息，向基站上报关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息；所述基于所述信息，进行操作包括：基于所述第二信息，向基站上报与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息；所述基于所述信息，进行操作包括：基于所述第三信息，向基站上报与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息；所述基于所述信息，进行操作包括：基于所述第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息；所述基于所述信息，进行操作包括：基于所述第五信息，向基站上报与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息；所述基于所述信息，进行操作包括：基于所述第六信息，向基站上报所述UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息；所述基于所述信息，进行操作包括：基于所述第七信息，暂停机器学习算法和模型；和

h)所述与机器学习算法和模型有关的信息包括第八信息；所述基于所述信息，进行操作包括：基于所述第八信息，恢复机器学习算法和模型。

在本公开的实施例中，第一信息可以包括，但不限于以下中的至少一项：

用于指示UE周期性地、半静态地或非周期性上报的信息；

用于指示机器学习任务的信息；

用于指示上报机器学习算法和模型的处理能力(例如，运算能力)的信息；

用于指示上报UE的状态和/或偏好设置的信息；和

用于指示上报UE的业务类型的信息。

在本公开的实施例中，关于所述UE的机器学习算法和模型的信息可以包括，但不限于以下中的至少一项：

与机器学习任务相关的信息；

与机器学习算法和模型的处理能力相关的信息；

与UE的状态和/或偏好设置相关的信息；和

与UE的业务类型相关的信息。

在本公开的实施例中，与机器学习算法和模型的处理能力相关的信息可以是UE支持的神经网络运算的速度和/或时延。在一个示例中，与UE的状态和/或偏好设置相关的信息可以是UE的剩余电量和/或偏好。

在本公开的实施例中，第二信息可以包括，但不限于以下中的至少一项：

用于指示使用机器学习算法和模型实现的任务的相关信息；

用于指示执行机器学习算法和模型的无线通信设备的信息；

用于指示UE与基站之间的信息传输的周期性设置的信息；

用于指示关于机器学习算法和模型的信息通过控制信道和/或数据信道传输的信息；

用于指示信息传输的性能指标的信息；和

用于指示机器学习算法和模型相关的模型配置和/或传输配置的信息。

在本公开的实施例中，所述与机器学习算法和模型的激活确认相关的信息可以包括，但不限于以下中的至少一项：

与机器学习算法和模型的模型配置相关的信息；和

与机器学习算法和模型的性能相关的信息。

在本公开的实施例中，所述用于指示机器学习算法和模型的模型配置和/或传输配置的信息可以包括，但不限于以下中的至少一项：

关于模型结构和/或参数的信息；和

关于传输能力的信息。

在本公开的实施例中，第三信息可以包括，但不限于以下中的至少一项：

用于指示机器学习算法和模型的模型的结构的信息；

用于指示机器学习算法和模型的模型的参数的信息；

用于指示机器学习算法和模型的输入和/或输出数据格式和/或偏好的信息；和

用于指示机器学习算法和模型的性能指标的信息。

根据实施例，所述与机器学习算法和模型的更新确认相关的信息可以包括，但不限于与更新的机器学习算法和模型的性能相关的信息。

在本公开的实施例中，所述与更新的机器学习算法和模型的性能相关的信息可以包括，但不限于以下中的至少一项：

与机器学习算法和模型的计算时延有关的信息；和

与机器学习算法和模型的准确度和/或精确度和/或召回率有关的信息。

在本公开的实施例中，第五信息可以包括，但不限于以下中的至少一项：

用于指示机器学习算法和模型的重新配置的信息；和

用于指示机器学习算法和模型的重新配置的性能相关要求的信息。

在本公开的实施例中，与机器学习算法和模型的重新配置的信息可以包括，但不限于以下中的至少一项：

关于建议更新的机器学习算法和模型的信息；和

关于建议更新的机器学习算法和模型的结构和/或参数和/或偏好相关的信息。

在本公开的实施例中，该方法还可以包括：

基于所述第四信息，部分停止或终止与机器学习算法和模型相关的数据信息传输，并向基站发送部分停止或终止确认信息。

在本公开的实施例中，第六信息可以包括，但不限于以下中的至少一项：

与UE上报的内容相关的信息；和

与UE上报的频率和/或周期相关的信息。

在本公开的实施例中，所述UE的相关信息可以包括，但不限于以下中的至少一项：

与UE的状态相关的信息；

与机器学习算法和模型的性能相关的信息；

与机器学习算法和模型的数据样本相关的信息；和

与机器学习算法和模型的暂停和/或更新需求相关的信息。

在本公开的实施例中，机器学习任务可以包括，但不限于以下中的至少一项：

信道状态信息的压缩、反馈和/或重构；

信道状态信息的预测；

UE的定位；

基站和/或UE的波束管理；

基站和/或UE的参考信号恢复和/或信道估计；和

功率放大器的非线性消除。

尽管本公开示出了与机器学习算法和模型有关的信息包括第一至第八信息以及UE上报的相应信息，但是并不局限于此。UE执行的示例方法可以包括另外的方面，诸如结合本文别处描述的一个或多个其它过程的任何单个方面或任何方面组合。

下面描述根据本公开的实施例的无线通信系统中由基站(例如，图10的基站1000)执行的方法。该方法可以包括：向UE发送与机器学习算法和模型有关的信息。

在本公开的实施例中，该方法还可以包括：

a)所述与机器学习算法和模型有关的信息包括第一信息，从所述UE接收所述UE基于所述第一信息而上报的关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息，从所述UE接收所述UE基于所述第二信息而上报的与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息，从所述UE接收所述UE基于所述第三信息而上报的与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息，从所述UE接收所述UE基于所述第五信息而上报的与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息，从所述UE接收所述UE基于所述第六信息而上报的UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息，从所述UE接收所述UE基于所述第七信息而上报的与机器学习算法和模型的暂停确认相关的信息；和

h)所述与机器学习算法和模型有关的信息包括第八信息，从所述UE接收所述UE基于所述第八信息而上报的与机器学习算法和模型的恢复确认相关的信息。

在本公开的实施例中，第一信息可以包括，但不限于以下中的至少一项：

用于指示UE周期性地、半静态地或非周期性上报的信息；

用于指示机器学习任务的信息；

用于指示上报机器学习算法和模型的处理能力的信息；

用于指示上报UE的状态和/或偏好设置的信息；和

用于指示上报UE的业务类型的信息。

在本公开的实施例中，关于所述UE的机器学习算法和模型的信息可以包括，但不限于以下中的至少一项：

与机器学习任务相关的信息；

与机器学习算法和模型的处理能力相关的信息；

与UE的状态和/或偏好设置相关的信息；和

与UE的业务类型相关的信息。

在本公开的实施例中，第二信息可以包括，但不限于以下中的至少一项：

用于指示使用机器学习算法和模型实现的任务的相关信息；

用于指示执行机器学习算法和模型的无线通信设备的信息；

用于指示UE与基站之间的信息传输的周期性设置的信息；

用于指示关于机器学习算法和模型的信息通过控制信道和/或数据信道传输的信息；

用于指示信息传输的性能指标的信息；和

用于指示机器学习算法和模型相关的模型配置和/或传输配置的信息。

在本公开的实施例中，所述与机器学习算法和模型的激活确认相关的信息可以包括，但不限于以下中的至少一项：

与机器学习算法和模型的模型配置相关的信息；和

与机器学习算法和模型的性能相关的信息。

在本公开的实施例中，所述用于指示机器学习算法和模型的模型配置和/或传输配置的信息可以包括，但不限于以下中的至少一项：

关于模型结构和/或参数的信息；和

关于传输能力的信息。

在本公开的实施例中，第三信息可以包括，但不限于以下中的至少一项：

用于指示机器学习算法和模型的模型的结构的信息；

用于指示机器学习算法和模型的模型的参数的信息；

用于指示机器学习算法和模型的输入和/或输出数据格式和/或偏好的信息；和

用于指示机器学习算法和模型的性能指标的信息。

在本公开的实施例中，所述与机器学习算法和模型的更新确认相关的信息可以包括，但不限于与更新的机器学习算法和模型的性能相关的信息。

在本公开的实施例中，所述与更新的机器学习算法和模型的性能相关的信息可以包括，但不限于以下中的至少一项：

与机器学习算法和模型的计算时延有关的信息；和

与机器学习算法和模型的准确度和/或精确度和/或召回率有关的信息。

在本公开的实施例中，第五信息可以包括，但不限于以下中的至少一项：

用于指示机器学习算法和模型的重新配置的信息；和

用于指示机器学习算法和模型的重新配置的性能相关要求的信息。

在本公开的实施例中，与机器学习算法和模型的重新配置的信息可以包括，但不限于以下中的至少一项：

关于建议更新的机器学习算法和模型的信息；和

关于建议更新的机器学习算法和模型的结构和/或参数和/或偏好相关的信息。

在本公开的实施例中，该方法还可以包括：基于所述第四信息，从所述UE接收所述UE基于所述第四信息而上报的与机器学习算法和模型的部分停止或终止确认相关的信息，部分停止或终止与机器学习算法和模型相关的数据信息传输。

在本公开的实施例中，第六信息可以包括，但不限于以下中的至少一项：

与UE上报的内容相关的信息；和

与UE上报的频率和/或周期相关的信息。

在本公开的实施例中，所述UE的相关信息可以包括，但不限于以下中的至少一项：

与UE的状态相关的信息；

与机器学习算法和模型的性能相关的信息；

与机器学习算法和模型的数据样本相关的信息；和

与机器学习算法和模型的暂停和/或更新需求相关的信息。

在本公开的实施例中，机器学习任务可以包括，但不限于以下中的至少一项：

信道状态信息的压缩、反馈和/或重构；

信道状态信息的预测；

UE的定位；

基站和/或UE的波束管理；

基站和/或UE的参考信号恢复和/或信道估计；和

功率放大器的非线性消除。

尽管本公开示出了与机器学习算法和模型有关的信息包括第一至第八信息以及从UE接收的由UE上报的相应信息，但是并不局限于此。基站执行的示例方法可以包括另外的方面，诸如结合本文别处描述的一个或多个其它过程的任何单个方面或任何方面组合。

图9示出了根据本发明的实施例的示例UE的框图。

参考图9，UE 900包括收发器901、处理器902和存储器903。在控制器902(可实现为一个或多个处理器)的控制下，UE 900可以被配置为执行以上描述的方法中用户设备执行的相关操作。尽管收发器901、处理器902和存储器903被示出为单独的实体，但是其可以被实现为单个实体，如单个芯片。收发器901、处理器902和存储器903可以彼此电连接或耦合。收发器901可以向其他网络实体发送信号和从其他网络实体接收信号，其他网络实体例如为节点(可以是例如基站、中继节点等)和/或另一用户设备等。在一些实施方式中，可以省略收发器901。在这种情况下，处理器902可以被配置为执行存储在存储器903中的指令(包括计算机程序)以控制用户设备900的总体操作，从而实现上述方法的流程中的操作。在一些实施方式中，可以省略存储器903。在这种情况下，也能够实现用户设备在上述方法的流程中的操作。

图10示出了根据本发明的实施例的示例基站的框图。

参考图10，基站1000包括收发器1001、处理器1002和存储器1003。在处理器1002(可以实现为一个或多个处理器)的控制下，基站1000可以被配置为执行以上描述的方法中基站执行的相关操作。尽管收发器1001、处理器1002和存储器1003被示出为单独的实体，但是其可以被实现为单个实体，如单个芯片。收发器1001、处理器1002和存储器1003可以彼此电连接或耦合。收发器1001可以向其他网络实体发送信号和从其他网络实体接收信号，其他网络实体例如为另一节点(可以是例如基站、中继节点等)和/或用户设备等。在一些实施方式中，可以省略收发器1001。在这种情况下，处理器1002可以被配置为执行存储在存储器1003中的指令(包括计算机程序)以控制基站1000的总体操作，从而实现上述方法的流程中的操作。在一些实施方式中，可以省略存储器1003。在这种情况下，也能够实现基站在上述方法的流程中的操作。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

虽然已经参考本公开的各个实施例示出和描述了本公开，但是本领域技术人员将理解，在不脱离由所附权利要求及其等同物所限定的本公开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。

Claims (20)

1.一种无线通信系统中由用户设备UE执行的方法，包括：

从基站接收与机器学习算法和模型有关的信息；以及

基于所述信息，进行操作。

2.如权利要求1所述的方法，其中，基于所述信息，进行操作包括以下情况中的至少一项：

a)所述与机器学习算法和模型有关的信息包括第一信息；所述基于所述信息，进行操作包括：基于所述第一信息，向基站上报关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息；所述基于所述信息，进行操作包括：基于所述第二信息，向基站上报与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息；所述基于所述信息，进行操作包括：基于所述第三信息，向基站上报与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息；所述基于所述信息，进行操作包括：基于所述第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息；所述基于所述信息，进行操作包括：基于所述第五信息，向基站上报与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息；所述基于所述信息，进行操作包括：基于所述第六信息，向基站上报所述UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息；所述基于所述信息，进行操作包括：基于所述第七信息，暂停机器学习算法和模型；和

h)所述与机器学习算法和模型有关的信息包括第八信息；所述基于所述信息，进行操作包括：基于所述第八信息，恢复机器学习算法和模型。

3.如权利要求2所述的方法，其中，所述第一信息包括以下中的至少一项：

用于指示UE周期性地、半静态地或非周期性上报的信息；

用于指示机器学习任务的信息；

用于指示上报机器学习算法和模型的处理能力的信息；

用于指示上报UE的状态和/或偏好设置的信息；和

用于指示上报UE的业务类型的信息。

4.如权利要求2所述的方法，其中，关于所述UE的机器学习算法和模型的信息包括以下中的至少一项：

与机器学习任务相关的信息；

与机器学习算法和模型的处理能力相关的信息；

与UE的状态和/或偏好设置相关的信息；和

与UE的业务类型相关的信息。

5.如权利要求2所述的方法，其中，所述第二信息包括以下中的至少一项：

用于指示使用机器学习算法和模型实现的任务的相关信息；

用于指示执行机器学习算法和模型的无线通信设备的信息；

用于指示UE与基站之间的信息传输的周期性设置的信息；

用于指示关于机器学习算法和模型的信息通过控制信道和/或数据信道传输的信息；

用于指示信息传输的性能指标的信息；和

用于指示机器学习算法和模型相关的模型配置和/或传输配置的信息。

6.如权利要求2或5所述的方法，其中，所述与机器学习算法和模型的激活确认相关的信息包括以下中的至少一项：

与机器学习算法和模型的模型配置相关的信息；和

与机器学习算法和模型的性能相关的信息。

7.如权利要求5所述的方法，其中，所述用于指示机器学习算法和模型的模型配置和/或传输配置的信息包括以下中的至少一项：

关于模型结构和/或参数的信息；和

关于传输能力的信息。

8.如权利要求2所述的方法，其中，所述第三信息包括以下中的至少一项：

用于指示机器学习算法和模型的模型的结构的信息；

用于指示机器学习算法和模型的模型的参数的信息；

用于指示机器学习算法和模型的输入和/或输出数据格式和/或偏好的信息；和

用于指示机器学习算法和模型的性能指标的信息。

9.如权利要求2或8所述的方法，其中，所述与机器学习算法和模型的更新确认相关的信息包括与更新的机器学习算法和模型的性能相关的信息。

10.如权利要求9所述的方法，其中，所述与更新的机器学习算法和模型的性能相关的信息包括以下中的至少一项：

与机器学习算法和模型的计算时延有关的信息；和

与机器学习算法和模型的准确度和/或精确度和/或召回率有关的信息。

11.如权利要求2所述的方法，其中，所述第五信息包括以下中的至少一项：

用于指示机器学习算法和模型的重新配置的信息；和

用于指示机器学习算法和模型的重新配置的性能相关要求的信息。

12.如权利要求2或11所述的方法，其中，与机器学习算法和模型的重新配置的信息包括以下中的至少一项：

关于建议更新的机器学习算法和模型的信息；和

关于建议更新的机器学习算法和模型的结构和/或参数和/或偏好相关的信息。

13.如权利要求2所述的方法，还包括：

基于所述第四信息，部分停止或终止与机器学习算法和模型相关的数据信息传输，并向基站发送部分停止或终止确认信息。

14.如权利要求2所述的方法，其中，所述第六信息包括以下中的至少一项：

与UE上报的内容相关的信息；和

与UE上报的频率和/或周期相关的信息。

15.如权利要求2或14所述的方法，其中，所述UE的相关信息包括以下中的至少一项：

与UE的状态相关的信息；

与机器学习算法和模型的性能相关的信息；

与机器学习算法和模型的数据样本相关的信息；和

与机器学习算法和模型的暂停和/或更新需求相关的信息。

16.如权利要求3所述的方法，其中，所述机器学习任务包括以下中的至少一项：

信道状态信息的压缩、反馈和/或重构；

信道状态信息的预测；

UE的定位；

基站和/或UE的波束管理；

基站和/或UE的参考信号恢复和/或信道估计；和

功率放大器的非线性消除。

17.一种无线通信系统中由基站执行的方法，包括：

向用户设备UE发送与机器学习算法和模型有关的信息。

18.如权利要求17所述的方法，还包括：

a)所述与机器学习算法和模型有关的信息包括第一信息，从所述UE接收所述UE基于所述第一信息而上报的关于所述UE的机器学习算法和模型的信息；

b)所述与机器学习算法和模型有关的信息包括第二信息，从所述UE接收所述UE基于所述第二信息而上报的与机器学习算法和模型的激活确认相关的信息；

c)所述与机器学习算法和模型有关的信息包括第三信息，从所述UE接收所述UE基于所述第三信息而上报的与机器学习算法和模型的更新确认相关的信息；

d)所述与机器学习算法和模型有关的信息包括第四信息，部分停止或终止机器学习算法和模型；

e)所述与机器学习算法和模型有关的信息包括第五信息，从所述UE接收所述UE基于所述第五信息而上报的与机器学习算法和模型的重新配置相关的信息；

f)所述与机器学习算法和模型有关的信息包括第六信息，从所述UE接收所述UE基于所述第六信息而上报的UE的相关信息；

g)所述与机器学习算法和模型有关的信息包括第七信息，从所述UE接收所述UE基于所述第七信息而上报的与机器学习算法和模型的暂停确认相关的信息；和

h)所述与机器学习算法和模型有关的信息包括第八信息，从所述UE接收所述UE基于所述第八信息而上报的与机器学习算法和模型的恢复确认相关的信息。

19.一种无线通信系统中的用户设备，包括：

收发器；以及

处理器，与所述收发器耦接并被配置为实现如权利要求1至16中的任一项所述的方法。

20.一种无线通信系统中的基站，包括：

收发器；以及

处理器，与所述收发器耦接并被配置为实现如权利要求17或18所述的方法。