非显而易见杯

专利无效挑战赛

目标专利:3942用于信道估计的循环等变推理机

专利公开号:CN119856453B

专利权人:高通股份有限公司

无效请求书提交日期:2027年


上一项目 下一项目

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

序号 权利要求内容

1

一种用于在无线通信设备处进行无线通信的装置,一个或多个存储器;一个或多个处理器;所述一个或多个处理器与所述一个或多个存储器耦合;并且被配置为使所述无线通信设备;接收对与信道相关联的资源集合的指派;所述资源集合包括被分配用于数据信号的第一资源子集;和被分配用于参考信号的第二资源子集;根据最小均方估计操作从在所述第二资源子集上接收到的所述参考信号生成与针对所述资源集合的所述信道的多个层中的相应层相关联的第一多个信道估计;根据针对所述资源集合的所述信道的非线性二维插值生成第二多个信道估计和潜变量的多个值;所述第二多个信道估计和所述多个值与针对所述资源集合的所述信道的所述多个层中的相应层相关联;其中所述信道的所述非线性二维插值至少部分地基于所述第一多个信道估计;以及对所述第二多个信道估计执行包括一个或多个迭代的细化操作;其中所述一个或多个迭代中的每个迭代是根据相同机器学习参数集合执行的;并且其中,为了执行所述一个或多个迭代中的每个迭代,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于针对所述第二资源子集的所述第二多个信道估计和对所述第二资源子集的测量的观测来生成与所述第二多个信道估计相关联的相应梯度;至少部分地基于所述潜变量的所述多个值中的值的第一集合、所述第二多个信道估计、所述机器学习参数集合和所述相应梯度来生成所述潜变量的值的第二集合;以及至少部分地基于所述潜变量的值的所述第二集合、所述第二多个信道估计、所述机器学习参数集合和所述相应梯度来修改与所述多个层相关联的所述第二多个信道估计。

2

根据权利要求1所述的装置,其中所述细化操作是第一细化操作;并且所述机器学习参数集合是机器学习参数的第一集合;并且所述一个或多个处理器被配置为使所述无线通信设备;对所述第二多个信道估计执行第二细化操作;所述第二细化操作包括根据机器学习参数的相同第二集合执行的一个或多个第二迭代;其中所述第一细化操作和所述第二细化操作与多个注意力计算中的相应注意力计算相关联。

3

根据权利要求2所述的装置,其中所述多个注意力计算包括物理资源块组内计算、物理资源块组间计算、交叉多输入多输出计算、多层感知器计算或它们的任何组合。

4

根据权利要求1所述的装置,其中所述一个或多个处理器被配置为使所述无线通信设备;基于被分配用于所述参考信号的所述第二资源子集的资源配置模式来执行所述最小均方估计操作;所述参考信号包括解调参考信号。

5

根据权利要求1所述的装置,其中,为了生成所述相应梯度,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于对所述第二资源子集的所述测量的观测与针对所述第二资源子集的所述第二多个信道估计之间的差来生成残差变量的值的相应集合;以及组合所述残差变量的值的所述相应集合、所述第二资源子集、和掩码位的数量。

6

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于所述相应梯度的生成来组合针对所述第二资源子集的所述第二多个信道估计、所述相应梯度以及所述潜变量的值的所述第一集合中的相应值。

7

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对资源块组中的每个资源块的资源与所述资源块组中的其他资源块之间的相关性进行建模。

8

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对所述资源集合的多个资源组中的每个组的资源与所述多个资源组中的其他组之间的相关性进行建模;其中所述多个资源组中的每个组包括多个资源块。

9

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对所述资源集合的所述多个层中的每个层之间的相关性进行建模。

10

根据权利要求1所述的装置,其中,为了修改所述第二多个信道估计,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于所述机器学习参数集合来组合所述潜变量的值的所述第二集合、所述第二多个信道估计和所述相应梯度。

11

根据权利要求1所述的装置,其中所述信道的所述非线性二维插值至少部分地基于机器学习模型。

12

根据权利要求1所述的装置,其中所述第一多个信道估计和所述第二多个信道估计与多个单输入和单输出天线对相关联。

13

根据权利要求1所述的装置,其中所述一个或多个迭代中的每个迭代由包括似然模块、编码器模块和解码器模块的细化网络执行;所述细化网络包括机器学习模型;并且每个细化网络根据所述相同机器学习参数集合执行。


对比文件列表

编号 名称

权利要求1

一种用于在无线通信设备处进行无线通信的装置,一个或多个存储器;一个或多个处理器;所述一个或多个处理器与所述一个或多个存储器耦合;并且被配置为使所述无线通信设备;接收对与信道相关联的资源集合的指派;所述资源集合包括被分配用于数据信号的第一资源子集;和被分配用于参考信号的第二资源子集;根据最小均方估计操作从在所述第二资源子集上接收到的所述参考信号生成与针对所述资源集合的所述信道的多个层中的相应层相关联的第一多个信道估计;根据针对所述资源集合的所述信道的非线性二维插值生成第二多个信道估计和潜变量的多个值;所述第二多个信道估计和所述多个值与针对所述资源集合的所述信道的所述多个层中的相应层相关联;其中所述信道的所述非线性二维插值至少部分地基于所述第一多个信道估计;以及对所述第二多个信道估计执行包括一个或多个迭代的细化操作;其中所述一个或多个迭代中的每个迭代是根据相同机器学习参数集合执行的;并且其中,为了执行所述一个或多个迭代中的每个迭代,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于针对所述第二资源子集的所述第二多个信道估计和对所述第二资源子集的测量的观测来生成与所述第二多个信道估计相关联的相应梯度;至少部分地基于所述潜变量的所述多个值中的值的第一集合、所述第二多个信道估计、所述机器学习参数集合和所述相应梯度来生成所述潜变量的值的第二集合;以及至少部分地基于所述潜变量的值的所述第二集合、所述第二多个信道估计、所述机器学习参数集合和所述相应梯度来修改与所述多个层相关联的所述第二多个信道估计。


权利要求2

根据权利要求1所述的装置,其中所述细化操作是第一细化操作;并且所述机器学习参数集合是机器学习参数的第一集合;并且所述一个或多个处理器被配置为使所述无线通信设备;对所述第二多个信道估计执行第二细化操作;所述第二细化操作包括根据机器学习参数的相同第二集合执行的一个或多个第二迭代;其中所述第一细化操作和所述第二细化操作与多个注意力计算中的相应注意力计算相关联。


权利要求3

根据权利要求2所述的装置,其中所述多个注意力计算包括物理资源块组内计算、物理资源块组间计算、交叉多输入多输出计算、多层感知器计算或它们的任何组合。


权利要求4

根据权利要求1所述的装置,其中所述一个或多个处理器被配置为使所述无线通信设备;基于被分配用于所述参考信号的所述第二资源子集的资源配置模式来执行所述最小均方估计操作;所述参考信号包括解调参考信号。


权利要求5

根据权利要求1所述的装置,其中,为了生成所述相应梯度,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于对所述第二资源子集的所述测量的观测与针对所述第二资源子集的所述第二多个信道估计之间的差来生成残差变量的值的相应集合;以及组合所述残差变量的值的所述相应集合、所述第二资源子集、和掩码位的数量。


权利要求6

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于所述相应梯度的生成来组合针对所述第二资源子集的所述第二多个信道估计、所述相应梯度以及所述潜变量的值的所述第一集合中的相应值。


权利要求7

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对资源块组中的每个资源块的资源与所述资源块组中的其他资源块之间的相关性进行建模。


权利要求8

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对所述资源集合的多个资源组中的每个组的资源与所述多个资源组中的其他组之间的相关性进行建模;其中所述多个资源组中的每个组包括多个资源块。


权利要求9

根据权利要求1所述的装置,其中,为了生成所述潜变量的值的所述第二集合,所述一个或多个处理器被配置为使所述无线通信设备;对所述资源集合的所述多个层中的每个层之间的相关性进行建模。


权利要求10

根据权利要求1所述的装置,其中,为了修改所述第二多个信道估计,所述一个或多个处理器被配置为使所述无线通信设备;至少部分地基于所述机器学习参数集合来组合所述潜变量的值的所述第二集合、所述第二多个信道估计和所述相应梯度。


权利要求11

根据权利要求1所述的装置,其中所述信道的所述非线性二维插值至少部分地基于机器学习模型。


权利要求12

根据权利要求1所述的装置,其中所述第一多个信道估计和所述第二多个信道估计与多个单输入和单输出天线对相关联。


权利要求13

根据权利要求1所述的装置,其中所述一个或多个迭代中的每个迭代由包括似然模块、编码器模块和解码器模块的细化网络执行;所述细化网络包括机器学习模型;并且每个细化网络根据所述相同机器学习参数集合执行。


Powered by Django

网站备案号:渝ICP备2023012882号


重庆市非显而易见网络科技有限责任公司 A Anti NPE NPE