[发明专利]提供多输入多输出检测器选择的系统和方法在审
| 申请号： | 202010298698.5 | 申请日： | 2020-04-16 |
| 公开（公告）号： | CN111835461A | 公开（公告）日： | 2020-10-27 |
| 发明（设计）人： | 权赫准;宋基逢 | 申请（专利权）人： | 三星电子株式会社 |
| 主分类号： | H04L1/00 | 分类号： | H04L1/00;H04B7/08;G06N3/02 |
| 代理公司： | 北京市柳沈律师事务所 11105 | 代理人： | 邵亚丽 |
| 地址： | 韩国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 提供 输入 输出 检测器 选择 系统 方法 | ||
1.一种选择符号检测器的方法，包括：
针对第k个资源元素(RE)提取第一组特征，其中k是大于一的整数；
从第一个RE到第k-1个RE提取第二组特征；以及
基于提取的第一组特征和提取的第二组特征，使用强化学习(RL)神经网络为第k个RE选择符号检测器。
2.根据权利要求1所述的方法，其中，第一组特征基于针对第k个RE的信道矩阵。
3.根据权利要求1所述的方法，其中，第二组特征基于累积的对数似然比(LLR)。
4.根据权利要求1所述的方法，其中，第二组特征包括归一化位置、对数似然比(LLR)分布的绝对值或软符号分布。
5.根据权利要求1所述的方法，其中，RL神经网络包括多层感知器(MLP)。
6.根据权利要求1所述的方法，其中，RL神经网络生成与检测器的复杂度相对应的复杂度得分。
7.根据权利要求6所述的方法，其中，基于所生成的复杂度得分来选择符号检测器。
8.根据权利要求1所述的方法，其中，RL神经网络生成指示解码是否将成功的解码惩罚。
9.根据权利要求8所述的方法，其中，解码惩罚基于拉格朗日乘数惩罚参数。
10.根据权利要求1所述的方法，其中，使用深度Q网络(DQN)来训练RL神经网络。
11.一种用于选择符号检测器的系统，包括：
存储器；以及
处理器，被配置为：
针对第k个资源元素(RE)提取第一组特征，其中k是大于一的整数；
从第一个RE到第k-1个RE提取第二组特征；以及
基于提取的第一组特征和提取的第二组特征，使用强化学习(RL)神经网络为第k个RE选择符号检测器。
12.根据权利要求11所述的系统，其中，第一组特征基于针对第k个RE的信道矩阵。
13.根据权利要求11所述的系统，其中，第二组特征基于累积的对数似然比(LLR)。
14.根据权利要求11所述的系统，其中，第二组特征包括归一化位置、对数似然比(LLR)分布的绝对值或软符号分布。
15.根据权利要求11所述的系统，其中，RL神经网络包括多层感知器(MLP)。
16.根据权利要求11所述的系统，其中，RL神经网络生成与检测器的复杂度相对应的复杂度得分。
17.根据权利要求16所述的系统，其中，基于所生成的复杂度得分来选择符号检测器。
18.根据权利要求11所述的系统，其中，RL神经网络生成指示解码是否将成功的解码惩罚。
19.根据权利要求18所述的系统，其中，解码惩罚基于拉格朗日乘数惩罚参数。
20.根据权利要求11所述的系统，其中，使用深度Q网络(DQN)来训练RL神经网络。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于三星电子株式会社，未经三星电子株式会社许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010298698.5/1.html，转载请声明来源钻瓜专利网。
