Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020062022 - ADAPTATION DE LIAISON FONDÉE SUR L'APPRENTISSAGE-MACHINE

Numéro de publication WO/2020/062022
Date de publication 02.04.2020
N° de la demande internationale PCT/CN2018/108327
Date du dépôt international 28.09.2018
CIB
H04B 17/309 2015.01
HÉLECTRICITÉ
04TECHNIQUE DE LA COMMUNICATION ÉLECTRIQUE
BTRANSMISSION
17Surveillance; Tests
30de canaux de propagation
309Mesure ou estimation des paramètres de qualité d’un canal
CPC
H04B 17/336
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
BTRANSMISSION
17Monitoring; Testing
30of propagation channels
309Measuring or estimating channel quality parameters
336Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
H04W 72/00
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
WWIRELESS COMMUNICATION NETWORKS
72Local resource management, e.g. wireless traffic scheduling or selection or allocation of wireless resources
Déposants
  • INTEL CORPORATION [US]/[US]
  • FANG, Xiaoran [CN]/[CN] (BZ)
  • HAYES, Matthew [GB]/[DE] (BZ)
  • HOGAN, John P. [US]/[US] (BZ)
  • MA,, Shoujiang [CN]/[CN] (BZ)
  • MALMIRCHEGINI, Mehrzad [IR]/[US] (BZ)
  • YANG, Rongzhen [CN]/[CN] (BZ)
  • YIN, Hujun [CN]/[US] (BZ)
Inventeurs
  • FANG, Xiaoran
  • HAYES, Matthew
  • HOGAN, John P.
  • MA,, Shoujiang
  • MALMIRCHEGINI, Mehrzad
  • YANG, Rongzhen
  • YIN, Hujun
Mandataires
  • CHINA PATENT AGENT (H.K.) LTD.
Données relatives à la priorité
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) MACHINE LEARNING-BASED LINK ADAPTATION
(FR) ADAPTATION DE LIAISON FONDÉE SUR L'APPRENTISSAGE-MACHINE
Abrégé
(EN)
Aspects for machine learning-based link adaptation are described. For example, an apparatus can determine k-nearest neighbors (K-NNs) based on training data associated with the sub-band and on the signal to interference and noise ratio (SINR) of the sub-band. In aspects, the apparatus can identify a channel quality indicator (CQI) associated with the lowest error rate for the k-NNs and provide the identified CQI to a base station. In aspects, a neural network (NN) can provide labels for CQIs that indicate probability of choosing a CQI, and the CQI having highest probability will be provided to a base station. In aspects, a covariance matrix based on samples of a communication channel can be provided to a NN to determine a rank indicator (RI) corresponding to the channel, and channel state information associated with the (RI) can be sent to the base station. Other aspects are described.
(FR)
Selon certains aspects, la présente invention concerne une adaptation de liaison fondée sur l'apprentissage-machine. Par exemple, un appareil peut déterminer k voisins les plus proches (k-NN) sur la base de données d'apprentissage associées à la sous-bande et du rapport signal sur brouillage et bruit (SINR) de la sous-bande. Selon certains aspects, l'appareil peut identifier un indicateur de qualité de canal (CQI) associé au taux d'erreur le plus bas correspondant aux k-NN et fournir le CQI identifié à une station de base. Selon certains aspects, un réseau neuronal (NN) peut fournir des étiquettes correspondant aux CQI qui indiquent la probabilité de choisir un CQI, et le CQI ayant la probabilité la plus élevée sera fourni à une station de base. Selon certains aspects, une matrice de covariance fondée sur des échantillons d'un canal de communication peut être fournie à un NN afin de déterminer un indicateur de rang (RI) correspondant au canal, et des informations d'état de canal associées au RI peuvent être envoyées à la station de base. D'autres aspects sont également décrits.
Dernières données bibliographiques dont dispose le Bureau international