[发明专利]提供多输入多输出检测器选择的系统和方法

说明书

这里提供了一种用于选择符号检测器的方法和系统。一种方法包括：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。

相关申请的交叉引用

本申请是基于2019年4月23日在美国专利商标局提交的第62/837,499号美国临时专利申请以及2020年1月23日在美国专利商标局提交的第16/750,363号美国非临时专利申请并要求享有其优先权，其全部内容通过引用合并于此。

技术领域

本公开总体上涉及无线通信系统。具体地，本公开涉及一种通过用强化学习(RL)神经网络来提供多输入多输出(MIMO)检测器选择的系统和方法。

背景技术

在无线通信系统(例如，长期演进(LTE)、第五代新无线电(5G NR))中，MIMO符号检测器计算MIMO层中的编码比特的对数似然比(LLR)。可以使用各种类型的检测方法来确定LLR。这些检测方法的复杂度的范围从非常高的复杂度(例如，最大似然(ML))到低复杂度(例如，最小均方误差(MMSE))。通常，检测方法的以错误率衡量的性能与复杂度成反比。因此，ML具有最小错误率，而MMSE具有最大错误率。

通常，一个检测器用于获得所有资源元素(RE)的LLR，而与RE中的信道条件无关。当选择使用这种静态检测器时，在复杂度和错误率之间存在权衡。如果期望低错误率，则使用高复杂度检测器。另一方面，如果使用低复杂度检测器，则错误率增加。

发明内容

根据一个实施例，一种用于选择符号检测器的方法包括：针对第k个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RL神经网络为第k个RE选择符号检测器。

根据一个实施例，一种用于选择符号检测器的系统包括存储器和处理器，该处理器被配置为：针对第k个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RL神经网络为第k个RE选择符号检测器

附图说明

本公开的某些实施例的以上及另外的方面、特征和优点将由以下结合附图的详细描述更加明显，附图中：

图1示出了根据实施例的具有符号检测器的用于马尔可夫决策过程(MDP)建立(formulation)的系统的图；

图2示出了根据实施例的与单个传输块(TB)相对应的单个情节的图；

图3示出了根据实施例的使用RL神经网络的检测器选择的流程图；

图4示出了根据一个实施例的与仿真器相关联的RL过程的图；

图5示出了根据一个实施例的用于检测器选择的流程图；

图6示出了根据一个实施例的用于检测器选择的系统的图；以及

图7示出了根据实施例的在网络环境中的电子设备的框图。

具体实施方式

在下文中，参照附图详细描述本公开的实施例。应当注意，尽管在不同的附图中示出了相同的元件，但是它们将由相同的附图标记表示。在以下描述中，提供诸如详细配置和部件的特定细节仅用于帮助对本公开的实施例的整体理解。因此，对于本领域技术人员应当明显的是，在不脱离本公开的范围的情况下，可以对这里描述的实施例进行各种改变和修改。另外，为了清楚和简洁，省略了对公知功能和构造的描述。以下描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或习惯而不同。因此，应基于整个说明书中的内容来确定术语的定义。