非显而易见性评估仅供参考，不构成法律建议。
权利要求列表点击可跳转
对比文件列表
| 编号 | 名称 |
|---|
权利要求1
一种方法，包括；获得包括无线发射/接收单元(WTRU)位置；WTRU的数量；和期望的接收信号强度的输入数据；用受过训练的神经网络处理所述输入数据；以生成一个或多个波束对的集合；其中每个波束对与所述WTRU位置；所述WTRU的数量；和所述期望的接收信号强度相关联；向WTRU传输指示一个或多个波束对选项的信息；其中所述一个或多个波束对选项基于所述一个或多个波束对的集合；对于所述一个或多个波束对选项中的至少一者；使用所述一个或多个波束对选项中的所述至少一者的发射波束来传输信号；以及从所述WTRU接收指示来自所述一个或多个波束对选项的至少一个合适的波束对的信息；其中所述合适的波束对提供所述期望的接收信号强度。
权利要求2
根据权利要求1所述的方法，其中基于初始网络接入过程从所述WTRU接收所述WTRU位置。
权利要求3
根据权利要求1至2中任一项所述的方法，其中所述网络节点根据车辆密度已知所述WTRU的数量。
权利要求4
根据权利要求3所述的方法，其中所述受过训练的神经网络使用从训练阶段确定的权重；并且还包括；获得至少一个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤；直到达到收敛度量阈值；使用相应的权重向量来计算所述受过训练的神经网络的至少一层的神经元输出；将softmax函数应用于所述受过训练的神经网络的输出层以获得类别概率；更新权重矩阵和偏置向量；以及执行误差反向传播。
权利要求5
根据权利要求1至2中任一项所述的方法，其中使用softmax算法进一步生成所生成的一个或多个波束对的集合。
权利要求6
根据权利要求5所述的方法，其中所述softmax算法生成与波束对的集合相关联的概率。
权利要求7
根据权利要求1所述的方法，其中所生成的一个或多个波束对的集合在训练阶段期间存储在数据库中。
权利要求8
根据权利要求7所述的方法，其中所述受过训练的神经网络使用从所述训练阶段确定的权重；并且其中所述训练阶段包括；获得每个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤；直到达到收敛度量阈值；使用相应的权重向量来计算每一层的神经元输出；应用softmax函数来获得类别概率；计算权重矩阵和偏置向量；以及执行误差反向传播。
权利要求9
根据权利要求1所述的方法，其中用所述受过训练的神经网络处理所述输入数据包括；获得在所述WTRU位置处的不同车辆密度的一个或多个波束对的多个集合；以及使用包括softmax分类器的所述受过训练的神经网络；基于所述WTRU位置处的所述车辆密度从所述一个或多个波束对的多个集合中选择所述一个或多个波束对的集合；并且其中所述受过训练的神经网络使用从训练阶段确定的权重。
权利要求10
根据权利要求9所述的方法，其中所述车辆密度包括在所述WTRU位置处的所述WTRU的数量。
权利要求11
根据权利要求9所述的方法，其中所述受过训练的神经网络为深度学习前馈神经网络。
权利要求12
根据权利要求1至2、6至11中任一项所述的方法，其中所述受过训练的神经网络使用从训练阶段确定的权重；并且还包括；获得至少一个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤；直到达到收敛度量阈值；使用相应的权重向量来计算所述受过训练的神经网络的至少一层的神经元输出；将softmax函数应用于所述受过训练的神经网络的输出层以获得类别概率；更新权重矩阵和偏置向量；以及执行误差反向传播。
权利要求13
根据权利要求12所述的方法，还包括；确定预测的类别概率和真实类别概率之间的损失函数；其中如果所述损失函数小于所述收敛度量阈值；则达到所述收敛度量阈值。
权利要求14
根据权利要求1所述的方法，还包括选择所述至少一个合适的波束对以将数据传输到接收器。
权利要求15
根据权利要求14所述的方法，其中选择所述至少一个合适的波束对包括使用多功能波束传输方案。
权利要求16
根据权利要求14所述的方法，其中选择所述至少一个合适的波束对被周期性地重复。
权利要求17
根据权利要求14所述的方法，其中在检测到触发事件时执行选择所述至少一个合适的波束对；并且其中所述触发事件是所述WTRU的参数变化。
权利要求18
根据权利要求1所述的方法，其中所述网络节点为基站。