用于机器学习（ML）辅助通信网络的架构的制作方法

阅读：评论：0

用于机器学习(ml)辅助通信网络的架构
1.相关申请的交叉引用
2.本技术要求享受于2021年3月26日提交的并且名称为“architecture for machine learning(ml)assisted communications networks”的美国专利申请no.17/214,583的优先权，该美国专利申请要求享受于2020年4月16日提交的并且名称为“architecture for machine learning(ml)assisted communications networks”的美国临时专利申请no.63/011,223的权益，将上述申请的公开内容明确地通过引用方式整体并入。
技术领域
3.概括而言，本公开内容的各方面涉及无线通信，并且更具体地，涉及用于机器学习(ml)辅助通信网络的架构。

背景技术：

4.无线通信系统被广泛地部署以提供诸如电话、视频、数据、消息传送以及广播之类的各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发射功率等)来支持与多个用户的通信的多址技术。这样的多址技术的示例包括码分多址(cdma)系统、时分多址(tdma)系统、频分多址(fdma)系统、正交频分多址(ofdma)系统、单载波频分多址(sc-fdma)系统、时分同步码分多址(td-scdma)系统以及长期演进(lte)。lte/改进的lte是对由第三代合作伙伴计划(3gpp)发布的通用移动电信系统(umts)移动标准的增强集。
5.无线通信网络可以包括能够支持针对多个用户设备(ue)的通信的多个(bs)。用户设备(ue)可以经由下行链路和上行链路与(bs)进行通信。下行链路(或前向链路)指代从bs到ue的通信链路，而上行链路(或反向链路)指代从ue到bs的通信链路。如将更加详细描述的，bs可以被称为节点b、gnb、接入点(ap)、无线电头端、发送接收点(trp)、新无线电(nr)bs、5g节点b等。
6.已经在各种电信标准中采用了以上的多址技术以提供公共协议，该公共协议使得不同的用户设备能够在城市、国家、地区、以及甚至全球层面上进行通信。新无线电(nr)(其也可以被称为5g)是对由第三代合作伙伴计划(3gpp)发布的lte移动标准的增强集。nr被设计为通过提高频谱效率、降低成本、改进服务、利用新频谱以及在下行链路(dl)上使用具有循环前缀(cp)的正交频分复用(ofdm)(cp-ofdm)、在上行链路(ul)上使用cp-ofdm和/或sc-fdm(例如，也被称为离散傅里叶变换扩展ofdm(dft-s-ofdm))来更好地与其它开放标准集成，以及支持波束成形、多输入多输出(mimo)天线技术和载波聚合，从而更好地支持移动宽带互联网接入。
7.人工神经网络可以包括互连的人工神经元组(例如，神经元模型)。人工神经网络可以是计算设备或被表示为要由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种类型的前馈人工神经网络。卷积神经网络可以包括可以被配置在平铺的感受
野中的神经元层。将神经网络处理应用于无线通信以实现更高的效率将是期望的。

技术实现要素：

8.本公开内容的各方面涉及一种用于无线通信的装置。所述装置具有通信协议栈的应用层内的第一组件。所述第一组件被配置为控制不同节点中的机器学习模块。所述装置还具有在所述应用层内并且被配置为控制所述不同节点之间的数据流的第二组件。
9.在本公开内容的其它方面中，一种由第一节点进行的无线通信的方法包括：收集与无线通信相关的测量。所述方法还包括：将所述测量发送到第二节点以进行机器学习处理。所述方法还包括：将所述测量发送到第三节点以进行神经网络训练。
10.在本公开内容的其它方面中，一种由第一节点进行的无线通信的方法包括：从第二节点接收与无线通信相关的测量。所述方法还包括：将所述测量作为神经网络的输入进行处理。所述方法还包括：将所述神经网络的输出转发到用于处理的模块。所述方法还包括：从第三节点接收对所述神经网络的更新。
11.在本公开内容的另一方面中，一种由用户设备(ue)进行的无线通信的方法包括：向服务器报告ue能力。所述方法还包括：响应于来自所述服务器的反馈来配置神经网络参数。所述方法还包括：利用所配置的神经网络参数来执行神经网络，以确定无线通信分析。所述方法还包括：向所述服务器报告所述无线通信分析。
12.本公开内容的另一方面涉及一种用于无线通信的装置，包括用于控制不同节点中的多个机器学习模块的单元。所述装置还包括用于控制所述不同节点之间的数据流的单元。
13.概括而言，各方面包括如参照附图和说明书充分描述的并且如通过附图和说明书示出的方法、装置、系统、计算机程序产品、非暂时性计算机可读介质、用户设备、、无线通信设备和处理系统。
14.前文已经相当广泛地概述了根据本公开内容的示例的特征和技术优点，以便可以更好地理解以下的详细描述。下文将描述额外的特征和优点。所公开的概念和特定示例可以容易地用作用于修改或设计用于实现本公开内容的相同目的的其它结构的基础。这样的等效构造不脱离所附的权利要求的范围。当结合附图考虑时，根据下文的描述，将更好地理解所公开的概念的特性(它们的组织和操作方法二者)以及相关联的优点。附图中的每个附图是出于说明和描述的目的而提供的，而并不作为对权利要求的限制的定义。
附图说明
15.为了可以详尽地理解本公开内容的特征，通过参照各方面(其中的一些方面在附图中示出)，可以获得具体的描述。然而，要注意的是，附图仅示出了本公开内容的某些方面并且因此不被认为是限制本公开内容的范围，因为该描述可以容许其它同等有效的方面。不同附图中的相同的附图标记可以标识相同或相似元素。
16.图1是概念性地示出根据本公开内容的各个方面的无线通信网络的示例的框图。
17.图2是概念性地示出根据本公开内容的各个方面的无线通信网络中的与用户设备(ue)相通信的示例的框图。
18.图3示出了根据本公开内容的某些方面的使用包括通用处理器的片上系统(soc)
来设计神经网络的示例实现。
19.图4a、4b和4c是示出根据本公开内容的各方面的神经网络的示意图。
20.图4d是示出根据本公开内容的各方面的示例性深度卷积网络(dcn)的示意图。
21.图5是示出根据本公开内容的各方面的示例性深度卷积网络(dcn)的框图。
22.图6是示出根据本公开内容的各个方面的用于控制机器学习模块的示例分布式架构的示意图。
23.图7是示出根据本公开内容的各个方面的与机器学习模块相关联的示例区域的示意图。
24.图8和9是示出根据本公开内容的各个方面的例如由第一节点执行的示例过程的示意图。
25.图10是示出根据本公开内容的各个方面的例如由用户设备(ue)执行的示例过程的示意图。
具体实施方式
26.下文参考附图更加充分描述了本公开内容的各个方面。然而，本公开内容可以以许多不同的形式来体现，并且不应当被解释为限于贯穿本公开内容所呈现的任何特定的结构或功能。更确切地说，提供了这些方面使得本公开内容将是透彻的和完整的，并且将向本领域技术人员充分传达本公开内容的范围。基于教导，本领域技术人员应当明白的是，本公开内容的范围旨在涵盖本公开内容的任何方面，无论是独立于本公开内容的任何其它方面来实现的还是与任何其它方面结合地来实现的。例如，使用所阐述的任何数量的方面，可以实现一种装置或可以实施一种方法。此外，本公开内容的范围旨在涵盖使用除了所阐述的本公开内容的各个方面之外或不同于所阐述的本公开内容的各个方面的其它结构、功能、或者结构和功能来实施的这样的装置或方法。应当理解的是，所公开的本公开内容的任何方面可以由权利要求的一个或多个元素来体现。
27.现在将参考各种装置和技术来给出电信系统的若干方面。这些装置和技术将通过各种框、模块、组件、电路、步骤、过程、算法等(被统称为“元素”)，在以下详细描述中进行描述，以及在附图中进行示出。这些元素可以使用硬件、软件或其组合来实现。至于这样的元素是被实现为硬件还是软件，取决于特定的应用以及施加在整个系统上的设计约束。
28.应当注意的是，虽然可能使用通常与5g及之后的无线技术相关联的术语来描述各方面，但是本公开内容的各方面可以被应用于基于其它世代的通信系统(诸如并且包括3g和/或4g技术)中。
29.机器学习(ml)算法可以辅助并且提高蜂窝网络性能。机器学习算法(包括基于神经网络的算法)可以在单个节点(诸如用户设备(ue)、(例如，下一代节点b(gnb))或中央节点(诸如网络控制器))处实现。机器学习算法也可以在中央服务器(诸如第三方服务器)处实现。机器学习算法可以被分布在多个节点上。机器学习算法可以存在于单个节点的不同层中或跨越节点存在。
30.可以在不同的节点处将机器学习应用于具有各种数据流的不同功能。根据本公开内容的各方面，指定了一种架构来处理各种机器学习模块和在无线网络中的节点和层之间传输的数据。通信协议栈的应用层中的一个(或多个)软件组件可以控制各种机器学习模块
和数据流。软件可以分布在ue、、中央节点和在线服务器之间。在一些方面中，软件控制节点中的多个机器学习模块。在其它方面中，软件控制不同层和不同节点之间的数据传输流。
31.图1是示出了可以在其中实施本公开内容的各方面的网络100的示意图。网络100可以是5g或nr网络或某种其它无线网络(诸如lte网络)。无线网络100可以包括多个bs 110(被示为bs 110a、bs 110b、bs 110c和bs 110d)和其它网络实体。bs是与用户设备(ue)进行通信的实体并且也可以被称为、nr bs、节点b、gnb、5g节点b(nb)、接入点、发送接收点(trp)等。每个bs可以提供针对特定地理区域的通信覆盖。在3gpp中，术语“小区”可以指代bs的覆盖区域和/或为该覆盖区域服务的bs子系统，这取决于使用该术语的上下文。
32.bs可以提供针对宏小区、微微小区、毫微微小区和/或另一种类型的小区的通信覆盖。宏小区可以覆盖相对大的地理区域(例如，半径为若干千米)，并且可以允许由具有服务订制的ue进行的不受限制的接入。微微小区可以覆盖相对小的地理区域，并且可以允许由具有服务订制的ue进行的不受限制的接入。毫微微小区可以覆盖相对小的地理区域(例如，住宅)，并且可以允许由与该毫微微小区具有关联的ue(例如，封闭用户组(csg)中的ue)进行的受限制的接入。用于宏小区的bs可以被称为宏bs。用于微微小区的bs可以被称为微微bs。用于毫微微小区的bs可以被称为毫微微bs或家庭bs。在图1中示出的示例中，bs 110a可以是用于宏小区102a的宏bs，bs 110b可以是用于微微小区102b的微微bs，以及bs 110c可以是用于毫微微小区102c的毫微微bs。bs可以支持一个或多个(例如，三个)小区。术语“enb”、“”、“nr bs”、“gnb”、“trp”、“ap”、“节点b”、“5g nb”和“小区”可以可互换地使用。
33.在一些方面中，小区可能未必是静止的，并且小区的地理区域可以根据移动bs的位置进行移动。在一些方面中，bs可以通过各种类型的回程接口(诸如直接物理连接、虚拟网络、和/或使用任何适当的传输网络的类似接口)来彼此互连和/或与无线网络100中的一个或多个其它bs或网络节点(未示出)互连。
34.无线网络100还可以包括中继站。中继站是可以从上游站(例如，bs或ue)接收数据传输并且将数据传输发送给下游站(例如，ue或bs)的实体。中继站还可以是能够为其它ue中继传输的ue。在图1中示出的示例中，中继站110d可以与宏bs 110a和ue 120d进行通信，以便促进bs 110a与ue 120d之间的通信。中继站还可以被称为中继bs、中继、中继等。
35.无线网络100可以是包括不同类型的bs(例如，宏bs、微微bs、毫微微bs、中继bs等)的异构网络。这些不同类型的bs可以具有不同的发射功率电平、不同的覆盖区域以及对无线网络100中的干扰的不同影响。例如，宏bs可以具有高的发射功率电平(例如，5到40瓦特)，而微微bs、毫微微bs和中继bs可以具有较低的发射功率电平(例如，0.1到2瓦特)。
36.网络控制器130可以耦合到一组bs，并且可以提供针对这些bs的协调和控制。网络控制器130可以经由回程与bs进行通信。bs还可以经由无线或有线回程(例如，直接地或间接地)与彼此进行通信。
37.ue 120(例如，120a、120b、120c)可以散布于整个无线网络100中，并且每个ue可以是静止的或移动的。ue还可以被称为接入终端、终端、移动站、用户单元、站等。ue可以是蜂窝电话(例如，智能电话)、个人数字助理(pda)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(wll)站、平板设备、相机、游戏设备、上网本、智能
本、超级本、医疗设备或装置、生物计量传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如，智能指环、智能手链))、娱乐设备(例如，音乐或视频设备、或卫星无线电单元)、车辆组件或传感器、智能仪表/传感器、工业制造设备、全球定位系统设备或者被配置为经由无线或有线介质进行通信的任何其它适当的设备。
38.一些ue可以被认为是机器类型通信(mtc)或者演进型或增强型机器类型通信(emtc)ue。mtc和emtc ue包括例如机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等，它们可以与、另一个设备(例如，远程设备)或某个其它实体进行通信。无线节点可以例如经由有线或无线通信链路来提供针对网络(例如，诸如互联网或蜂窝网络之类的广域网)的连接或到网络的连接。一些ue可以被认为是物联网(iot)设备，和/或可以被实现成nb-iot(窄带物联网)设备。一些ue可以被认为是客户驻地设备(cpe)。ue 120可以被包括在容纳ue 120的组件(诸如处理器组件、存储器组件等)的壳体内部。
39.通常，可以在给定的地理区域中部署任何数量的无线网络。每个无线网络可以支持特定的rat并且可以在一个或多个频率上操作。rat还可以被称为无线电技术、空中接口等。频率还可以被称为载波、频道等。每个频率可以在给定的地理区域中支持单种rat，以便避免不同rat的无线网络之间的干扰。在一些情况下，可以部署nr或5g rat网络。
40.在一些方面中，两个或更多个ue 120(例如，被示为ue 120a和ue 120e)可以使用一个或多个侧行链路信道直接进行通信(例如，而不使用110作为彼此进行通信的中介)。例如，ue120可以使用对等(p2p)通信、设备到设备(d2d)通信、车辆到万物(v2x)协议(例如，其可以包括车辆到车辆(v2v)协议、车辆到基础设施(v2i)协议等)、网状网络等进行通信。在这种情况下，ue 120可以执行调度操作、资源选择操作和/或在别处被描述为由110执行的其它操作。
41.如上所指出的，图1是仅作为示例来提供的。其它示例可以不同于关于图1所描述的示例。
42.图2示出了110和ue 120(它们可以是图1中的中的一个以及ue中的一个ue)的设计200的框图。110可以被配备有t个天线234a至234t，以及ue 120可以被配备有r个天线252a至252r，其中一般而言，t≥1且r≥1。
43.在110处，发送处理器220可以从数据源212接收针对一个或多个ue的数据，至少部分地基于从每个ue接收的信道质量指示符(cqi)来选择用于该ue的一个或多个调制和编码方案(mcs)，至少部分地基于被选择用于每个ue的mcs来处理(例如，编码和调制)针对该ue的数据，以及为所有ue提供数据符号。发送处理器220还可以处理系统信息(例如，针对半静态资源划分信息(srpi)等)和控制信息(例如，cqi请求、准许、上层信令等)，以及提供开销符号和控制符号。发送处理器220还可以生成用于参考信号(例如，特定于小区的参考信号(crs))和同步信号(例如，主同步信号(pss)和辅同步信号(sss))的参考符号。发送(tx)多输入多输出(mimo)处理器230可以对数据符号、控制符号、开销符号和/或参考符号执行空间处理(例如，预编码)(如果适用的话)，并且可以向t个调制器(mod)232a至232t提供t个输出符号流。每个调制器232可以(例如，针对ofdm等)处理相应的输出符号流以获得输出采样流。每个调制器232可以进一步处理(例如，转换到模拟、放大、滤波以及上变频)输出采样流以获得下行链路信号。可以分别经由t个天线234a至234t来发送来自调制器232a至232t的t个下行链路信号。根据以下更加详细描述的各个方面，可以利用位置编码生成同
步信号以传送额外的信息。
44.在ue 120处，天线252a至252r可以从110和/或其它接收下行链路信号，并且可以分别向解调器(demod)254a至254r提供接收的信号。每个解调器254可以调节(例如，滤波、放大、下变频以及数字化)接收的信号以获得输入采样。每个解调器254可以(例如，针对ofdm等)进一步处理输入采样以获得接收符号。mimo检测器256可以从所有r个解调器254a至254r获得接收符号，对接收符号执行mimo检测(如果适用的话)，以及提供检测到的符号。接收处理器258可以处理(例如，解调和解码)所检测到的符号，向数据宿260提供针对ue 120的经解码的数据，以及向控制器/处理器280提供经解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(rsrp)、接收信号强度指示符(rssi)、参考信号接收质量(rsrq)、信道质量指示符(cqi)等。在一些方面中，ue 120的一个或多个组件可以被包括在壳体中。
45.在上行链路上，在ue 120处，发送处理器264可以接收并且处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如，用于包括rsrp、rssi、rsrq、cqi等的报告)。发送处理器264还可以生成用于一个或多个参考信号的参考符号。来自发送处理器264的符号可以由tx mimo处理器266进行预编码(如果适用的话)，由调制器254a至254r(例如，针对dft-s-ofdm、cp-ofdm等)进一步处理，以及被发送给110。在110处，来自ue 120和其它ue的上行链路信号可以由天线234接收，由解调器254处理，由mimo检测器236检测(如果适用的话)，以及由接收处理器238进一步处理，以获得由ue 120发送的经解码的数据和控制信息。接收处理器238可以向数据宿239提供经解码的数据，并且向控制器/处理器240提供经解码的控制信息。110可以包括通信单元244并且经由通信单元244来向网络控制器130进行传送。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。
46.110的控制器/处理器240、ue 120的控制器/处理器280、网络控制器130的控制器/处理器290和/或图2中的任何其它组件可以执行与分布式机器学习相关联的一种或多种技术，如在别处更详细描述的。例如，110的控制器/处理器240、ue 120的控制器/处理器280、网络控制器130的控制器/处理器290和/或图2中的任何其它组件可以执行或指导例如图8-10的过程和/或如所描述的其它过程的操作。存储器242和282可以分别存储用于110和ue 120的数据和程序代码。调度器246可以调度ue用于下行链路和/或上行链路上的数据传输。
47.在一些方面中，ue 120可以包括用于收集的单元、用于发送的单元、用于接收的单元、用于处理的单元、用于转发的单元、用于报告的单元、用于配置的单元和用于执行的单元。这样的单元可以包括结合图2描述的ue 120、110或网络控制器130的一个或多个组件。
48.如上所指出的，图2是仅作为示例来提供的。其它示例可以不同于关于图2所描述的示例。
49.在一些情况下，支持不同类型的应用和/或服务的不同类型的设备可以在小区中共存。不同类型的设备的示例包括ue手持设备、客户驻地设备(cpe)、车辆、物联网(iot)设备等。不同类型的应用的示例包括超可靠低时延通信(urllc)应用、大规模机器类型通信(mmtc)应用、增强型移动宽带(embb)应用、车辆到万物(v2x)应用等。此外，在一些情况下，
单个设备可以同时支持不同的应用或服务。
50.图3示出了根据本公开内容的某些方面的片上系统(soc)300的示例实现，soc 300可以包括具有用于控制机器学习算法的应用的中央处理单元(cpu)302或多核cpu。soc 300可以被包括在110或ue 120中。变量(例如，神经信号和突触权重)、与计算设备(例如，具有权重的神经网络)相关联的系统参数、延迟、频率二进制(bin)信息和任务信息可以被存储在与神经处理单元(npu)308相关联的存储器块中、与cpu 302相关联的存储器块中、与图形处理单元(gpu)304相关联的存储器块中、与数字信号处理器(dsp)306相关联的存储器块中、存储器块318中、或者可以被分布在多个块上。在cpu 302处执行的指令可以从与cpu 302相关联的程序存储器加载或者可以从存储器块318加载。
51.soc 300还可以包括针对特定功能定制的额外的处理块，诸如gpu 304、dsp 306、连接块310(其可以包括第五代(5g)连接、第四代长期演进(4g lte)连接、wi-fi连接、usb连接、蓝牙连接等)以及可以例如检测和辨认手势的多媒体处理器312。在一个实现中，在cpu、dsp和/或gpu中实现npu。soc 300还可以包括传感器处理器314、图像信号处理器(isp)316和/或导航模块320(其可以包括全球定位系统)。
52.soc 300可以是基于arm指令集的。在本公开内容的一个方面中，被加载到通用处理器302中的指令可以包括用于收集、发送、接收、处理、转发、报告、配置、执行和报告的代码。
53.深度学习架构可以通过学习在每个层中在连续较高抽象层次上表示输入来执行对象识别任务，从而建立对输入数据的有用特征表示。以这种方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，对象识别问题的机器学习方法可能在很大程度上依赖于人类工程特征，也许结合了浅分类器。浅分类器可以是两类线性分类器，例如，在其中可以将特征向量分量的加权和与门限进行比较以预测输入属于哪类。人类工程特征可以是由具有领域知识的工程师针对特定问题领域定制的模板或内核。相比之下，深度学习架构可以学习表示与人类工程师可能设计的特征相似的特征，但是通过训练。此外，深度网络可以学习表示和识别人类可能没有考虑过的新类型的特征。
54.深度学习架构可以学习特征的层次。例如，如果被呈现视觉数据，则第一层可以学习识别输入流中相对简单的特征，诸如边缘。在另一示例中，如果被呈现听觉数据，则第一层可以学习识别特定频率中的频谱功率。将第一层的输出作为输入的第二层可以学习识别特征的组合，诸如用于视觉数据的简单形状或用于听觉数据的声音的组合。例如，较高层可以学习在视觉数据中表示复杂的形状，或者在听觉数据中表示词语。更高层可以学习识别常见的视觉对象或口语短语。
55.深度学习架构在被应用于具有自然层次结构的问题时可以执行得特别好。例如，对机动车辆的分类可以受益于首先学习识别车轮、挡风玻璃和其它特征。这些特征可以以不同的方式在较高层处组合，以识别汽车、卡车和飞机。
56.神经网络可以被设计为具有多种连接性模式。在前馈网络中，信息从较低层传递到较高层，其中给定层中的每个神经元向较高层中的神经元进行传送。可以在前馈网络的连续层中构建分层表示，如上所述。神经网络也可以具有循环或反馈(也被称为自顶向下)连接。在循环连接中，来自给定层中的神经元的输出可以被传送给同一层中的另一神经元。循环架构可以有助于识别跨越输入数据块中的一个以上的数据块的模式，这些输入数据块
按顺序被传递给神经网络。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自顶向下)连接。当识别高级概念可以辅助区分输入的特定低级特征时，具有许多反馈连接的网络可能是有帮助的。
57.神经网络的各层之间的连接可以是完全连接或局部连接的。图4a示出了完全连接的神经网络402的示例。在完全连接的神经网络402中，第一层中的神经元可以将其输出传送给第二层中的每个神经元，使得第二层中的每个神经元将接收来自第一层中的每个神经元的输入。图4b示出了局部连接的神经网络404的示例。在局部连接的神经网络404中，第一层中的神经元可以连接到第二层中的有限数量的神经元。更一般地，局部连接的神经网络404的局部连接的层可以被配置为使得层中的每个神经元将具有相同或相似的连接性模式，但是连接强度可以具有不同的值(例如，410、412、414和416)。局部连接的连接性模式可以在较高层中产生空间上不同的感受野，因为给定区域中的较高层神经元可以接收通过训练调谐到网络的总输入的受限部分的特性的输入。
58.局部连接的神经网络的一个示例是卷积神经网络。图4c示出了卷积神经网络406的示例。卷积神经网络406可以被配置为使得与用于第二层中的每个神经元的输入相关联的连接强度被共享(例如，408)。卷积神经网络可能非常适合于输入的空间位置有意义的问题。
59.一种类型的卷积神经网络是深度卷积网络(dcn)。图4d示出了dcn 400的详细示例，dcn400被设计为从来自图像捕获设备430(诸如车载相机)的输入的图像426中识别视觉特征。可以训练当前示例的dcn 400来识别交通标志和交通标志上提供的数字。当然，dcn 400可以被训练用于其它任务，诸如识别车道标线或识别交通灯。
60.可以利用监督学习来训练dcn 400。在训练期间，可以向dcn 400呈现诸如限速标志的图像426之类的图像，并且然后可以计算正向传递以产生输出422。dcn 400可以包括特征提取部分和分类部分。在接收到图像426时，卷积层432可以将卷积内核(未示出)应用于图像426以生成第一特征图集合418。作为一个示例，用于卷积层432的卷积内核可以是生成28x28特征图的5x5内核。在本示例中，因为在第一特征图集合418中生成了四个不同的特征图，所以在卷积层432处向图像426应用了四个不同的卷积内核。卷积内核也可以被称为滤波器或卷积滤波器。
61.第一特征图集合418可以由最大化池层(未示出)进行二次采样以生成第二特征图集合420。最大池化层减小第一特征图418的大小。即，第二特征图集合420的大小(诸如14x14)小于第一特征图集合418的大小(诸如28x28)。减小的大小向后续层提供类似的信息，同时减少存储器消耗。第二特征图集合420可以经由一个或多个后续卷积层(未示出)进一步被卷积，以生成一个或多个后续特征图集合(未示出)。
62.在图4d的示例中，第二特征图集合420被卷积以生成第一特征向量424。此外，第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可以包括与图像426的可能特征(诸如“标志”、“60”和“100”)相对应的数字。softmax函数(未示出)可以将第二特征向量428中的数字转换为概率。因此，dcn 400的输出422是图像426包括一个或多个特征的概率。
63.在本示例中，输出422中“标志”和“60”的概率高于输出422的其它特征(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，由dcn 400产生的输出422很可
能不正确。因此，可以计算输出422与目标输出之间的误差。目标输出是图像426的现实的真实(例如，“标志”和“60”)。然后可以调整dcn 400的权重，使得dcn 400的输出422与目标输出更紧密地对准。
64.为了调整权重，学习算法可以针对权重计算梯度向量。梯度可以指示如果调整权重，则误差将增加或减少的量。在顶层处，梯度可以直接对应于连接倒数第二层中的激活神经元和输出层中的神经元的权重的值。在较低层中，梯度可以取决于权重的值和较高层的计算误差梯度。然后可以调整权重以减小误差。这种调整权重的方式可以被称为“反向传播”，因为它涉及通过神经网络的“向后传递”。
65.在实践中，可以在少量示例上计算权重的误差梯度，使得计算的梯度近似于真实误差梯度。这种近似方法可以被称为随机梯度下降。可以重复随机梯度下降，直到整个系统的可实现误差率已经停止下降为止或者直到误差率已经达到目标水平为止。在学习之后，可以向dcn呈现新图像(例如，图像426的限速标志)，并且通过网络的正向传递可以产生可以被认为是dcn的推断或预测的输出422。
66.深度信任网络(dbn)是包括隐藏节点的多个层的概率模型。dbn可以用于提取训练数据集合的分层表示。可以通过将受限玻尔兹曼机(rbm)的层叠加来获得dbn。rbm是一种类型的人工神经网络，它可以学习输入集合上的概率分布。由于rbm可以在没有关于每个输入应当被分类到的类的信息的情况下学习概率分布，因此rbm经常用在无监督学习中。使用混合的无监督和有监督范式，dbn的底部rbm可以以无监督的方式进行训练并且可以用作特征提取器，并且顶部rbm可以以有监督的方式进行训练(基于来自先前层的输入和目标类的联合分布)并且可以用作分类器。
67.深度卷积网络(dcn)是卷积网络的网络，其被配置有额外的池化和归一化层。dcn已经在许多任务上实现了最先进的性能。可以使用有监督学习来训练dcn，其中输入和输出目标对于许多样本都是已知的并且用于通过利用梯度下降方法来修改网络的权重。
68.dcn可以是前馈网络。另外，如上所述，从dcn的第一层中的神经元到下一较高层中的一组神经元的连接跨越第一层中的神经元被共享。dcn的前馈和共享连接可以用于快速处理。例如，dcn的计算负担可能比包括循环或反馈连接的类似大小的神经网络的计算负担小得多。
69.卷积网络的每个层的处理可以被认为是空间不变模板或基投影。如果首先将输入分解为多个通道，诸如彩图像的红、绿和蓝通道，则在该输入上训练的卷积网络可以被认为是三维的，具有沿图像的轴的两个空间维度和捕获颜信息的第三维度。卷积连接的输出可以被认为在后续层中形成特征图，其中特征图的每个元素(例如，220)接收来自先前层(例如，特征图218)中的一系列神经元和来自多个通道中的每个通道的输入。可以利用非线性来进一步处理特征图中的值，诸如校正、max(0，x)。来自相邻神经元的值可以被进一步汇集，这对应于下采样，并且可以提供额外的局部不变性和降维。归一化(其对应于白化)也可以通过特征图中的神经元之间的侧抑制来应用。
70.随着更多标记数据点变得可用或随着计算能力的提高，深度学习架构的性能可以提高。现代的深层神经网络常规地是利用比恰好15年前对于典型的研究人员可用的计算资源大上千倍的计算资源来训练的。新的架构和训练范式可能进一步提升深度学习的性能。校正的线性单元可以减少被称为消失梯度的训练问题。新的训练技术可以减少过拟合，并
且因此使较大的模型能够实现较好的泛化。封装技术可以在给定的感受野中抽象化数据，并且进一步提升总体性能。
71.图5是示出深度卷积网络550的框图。深度卷积网络550可以包括基于连接性和权重共享的多种不同类型的层。如图5中所示，深度卷积网络550包括卷积块554a、554b。卷积块554a、554b中的每个卷积块可以被配置有卷积层(conv)356、归一化层(lnorm)558和最大池化层(max pool)560。
72.卷积层556可以包括一个或多个卷积滤波器，其可以被应用于输入数据以生成特征图。尽管仅示出了卷积块中两个卷积块554a、554b，但是本公开内容不限制于此，并且替代地，可以根据设计偏好在深度卷积网络550中包括任何数量的卷积块554a、554b。归一化层558可以对卷积滤波器的输出进行归一化。例如，归一化层558可以提供白化或侧抑制。最大池化层560可以提供空间上的下采样聚集以实现局部不变性和降维。
73.例如，深度卷积网络的并行滤波器组可以被加载在soc 300的cpu 302或gpu 304上，以实现高性能和低功耗。在替代实施例中，并行滤波器组可以被加载在soc 300的dsp 306或isp 316上。另外，深度卷积网络550可以访问soc 300上可能存在的其它处理块，诸如分别专用于传感器和导航的传感器处理器314和导航模块320。
74.深度卷积网络550还可以包括一个或多个完全连接的层562(fc1和fc2)。深度卷积网络550还可以包括逻辑回归(lr)层564。在深度卷积网络550的每个层556、558、560、562、564之间是要被更新的权重(未示出)。各层(例如，556、558、560、562、564)中的每个层的输出可以用作深度卷积网络550中的各层(例如，556、558、560、562、564)中的随后的一个层的输入，以从在卷积块554a中的第一卷积块处供应的输入数据552(例如，图像、音频、视频、传感器数据和/或其它输入数据)学习分层特征表示。深度卷积网络550的输出是输入数据552的分类得分566。分类得分566可以是概率集合，其中每个概率是输入数据(包括来自特征集合的特征)的概率。
75.如上所指出的，图3-5是作为示例来提供的。其它示例可以不同于关于图3-5所描述的示例。
76.机器学习(ml)算法可以辅助并且提高蜂窝网络性能。机器学习算法(包括基于神经网络的算法)可以在单个节点(诸如用户设备(ue)120、110(例如，下一代节点b(gnb))或中央节点(诸如网络控制器130))处实现。机器学习算法也可以在中央服务器(诸如第三方服务器，例如，代表用户操作和/或维护神经网络的谷歌服务器)处实现。机器学习算法也可以被分布在多个节点上。机器学习算法可以存在于一个节点的不同层中或跨越节点存在。
77.机器学习算法可以辅助不同的功能和/或模块，并且与不同的层(诸如物理层(phy)、介质访问控制层(mac)或上层)进行交互。例如，用于解码(诸如低密度奇偶校验码(ldpc)解码)的机器学习模块可以与物理层(phy)一起操作。用于信道状态信息(csi)预测或传输配置指示(tci)选择或波束选择的机器学习模块涉及phy和mac层。用于处的多用户(mu)调度的机器学习模块可以请求来自ue的反馈。机器学习模块可以基于反馈来考虑分组时延和分组优先级。另外，机器学习模块可以涉及phy、mac和上层。
78.机器学习算法可以指定各种机器学习相关数据，以在不同的层之间或不同的节点之间传输。节点的示例是(例如gnb)、ue、ue或的芯片、网络的中央控制器或服务
器。被传输的数据的示例包括从其它节点收集的训练数据。在另一示例中，数据交换用于被收集作为机器学习模块的输入的测量数据。此外，可以传输和/或更新机器学习模型参数，诸如在深度学习场景的情况下。可以传输中间数据(例如，用于分布式算法的梯度下降反向传播数据)，可以传输与ue之间的能力信令和/或各种报告。在不同层或不同节点之间传输的数据的另一示例包括ue对模型精度的反馈。
79.可以在不同的节点处将机器学习应用于具有各种数据流的不同功能。根据本公开内容的各方面，指定了一种架构来处理各种机器学习模块和在无线网络中的节点和层之间传输的数据。通信协议栈的应用层中的一个(或多个)软件组件可以控制各种机器学习模块和数据流。软件可以被分布在ue、、中央节点和在线服务器(诸如第三方软件提供商服务器)之间。
80.在一个方面中，软件控制节点中的多个机器学习模块。不同的节点可以基于能力来实现不同的机器学习模块。例如，具有较高计算能力的ue可以具有比成本较低的ue实现的更多的机器学习模块。
81.在其它方面中，软件控制不同层和不同节点之间的数据传输流。例如，软件可以从较低层(例如，节点中的phy和mac层)收集测量数据，并且软件可以将数据发送到另一节点。在该示例中，软件逐层地传输数据以及还传输到不同的节点。例如，从phy层收集的数据可以首先由软件收集到应用层，以由软件定义的特定格式打包，并且被发送到与软件相对应的另一节点的应用层中的某个端口。
82.在其它方面中，软件在不同节点处训练和运行机器学习模块。训练可以是在线或离线训练。机器学习模块(诸如神经网络)可以在服务器处运行或者在本地运行，例如，在ue或的本地gpu(图形处理单元)或npu(神经处理单元)处。
83.在其它方面中，软件基于机器学习模块的输出来控制不同(机器学习或非机器学习)模块如何在不同节点处运作。例如，机器学习算法可以告诉ue选择一个波束进行通信。机器学习模块将决策通知给mac层。mac层调度波束并且触发phy层中的射频(rf)模块以使用该波束进行通信。在另一示例中，强化学习模块选择另一机器学习模块的参数或方案。
84.在另外的方面中，软件控制机器学习模块的参数更新和算法改变。例如，对于在线训练，模块可以不时指定参数更新。在另一示例中，可以选择最佳波束。最佳波束是特定于位置的。因此，用于csi和波束预测的ue的神经网络参数可能仅应用于特定区域。在这种情况下，当ue移到该区域之外时，软件触发神经网络参数的更新，以帮助获得用于通信的最佳波束。
85.现在将参照图6解释应用控制的一些示例。图6是根据本公开内容的各个方面的用于控制机器学习模块的示例分布式架构的示意图。在第一示例中，软件控制机器学习模块1，其作为软件602分布在110(例如，gnb)中，作为软件604a、604b分布在ue 120a、120b中，以及作为软件606分布在服务器130中。ue 120a、120b中的每一者包括phy层610a、610b、mac层612a、612b和应用层614a和614b。gnb 110包括phy层620、mac层622和应用层624。
86.在图6的示例中，机器学习模块1用于基于ue测量的侧波束预测。ue侧软件604a、604b从其phy层610a、610b收集ue信道测量，并且将phy层测量数据打包到ue应用层614a、614b中。然后，ue侧软件604a、604b将数据发送到侧软件602和服务器侧软件606，侧软件602和服务器侧软件606驻留在例如应用层624中(未示出服务器侧软件606的应
用层)。侧软件602接收ue数据并且将测量作为输入传递给神经网络628，神经网络628可以是长短期记忆(lstm)神经网络。110通过神经网络628正向传播数据，并且将神经网络628的输出传递到波束选择模块(未示出)。神经网络628的输出相应地改变波束选择模块的参数。110还从服务器130接收神经网络参数更新。服务器侧软件606接收ue侧测量数据，训练服务器神经网络(未示出)，并且向侧软件628发送神经网络更新。
87.在图6中所示的软件控制的另一示例中，机器学习模块2包括用于ldpc解码的ue侧软件604b和服务器侧软件632。ue侧软件604b和服务器侧软件632驻留在应用层614b中(未示出服务器侧软件606的应用层)。机器学习模块2的ue侧软件604b向服务器130报告ue能力。服务器130基于ue能力报告来向ue 120b发送卷积神经网络(cnn)配置。ue侧软件604b基于服务器输入来配置cnn参数。ue侧软件604b从基带芯片中的解映射器收集要解码的分组，并且将分组发送到gpu，cnn 618在gpu中执行。ue 120b将cnn 618的输出发送到mac层612b，并且向服务器130报告任何解码错误。服务器侧软件632还接收解码错误的ue报告，并且将针对cnn 61的更新发送到ue 120b。
88.尽管图6中未示出，但是机器学习模块3帮助进行ue侧接收波束预测。机器学习模块3指定ue 120、110和服务器130应用交换数据。神经网络算法在ue 120处运行。机器学习模块4(未示出)可以帮助进行ue侧信道估计。机器学习模块4在ue 120和服务器130处操作。应用控制在ue 120处运行的算法。服务器130可以根据需要更新ue 120。
89.机器学习模块5(未示出)可以辅助进行ue侧功率放大器(pa)非线性校正以进行上行链路通信。机器学习模块5类似于机器学习模块2或4。机器学习模块6(未示出)用于ue和侧业务预测。机器学习模块6包括ue 120和110两者处的应用层、传输层、mac层和phy层数据交换。机器学习模块6可以包括服务器侧应用以在线更新模型。
90.不同的模块可能具有不同的适用区域或不同的时间尺度，以基于其使用来控制更新。例如，波束和csi预测模块可以是特定于环境的。图7是示出根据本公开内容的各个方面的与机器学习模块相关联的示例区域的示意图。如图7中可见，波束预测模块可以是特定于环境的。因此，机器学习模块中的机器学习算法的参数的选择或机器学习算法的选择是特定于位置或时间的。例如，如果ue(未示出)移动到某些波束预测适用区域702、704(例如，其是110的小区的一部分)之外，则用于这样的神经网络的参数应当改变。一些模块可以应用于大得多的区域，诸如ldpc解码器区域706。例如，ldpc解码可以应用于任何地方，甚至在小区边界708之外。适用区域的大小和/或面积可以是特定于模块的，即使对于相同类型的模块也是如此。适用区域边界可以与小区边界重合或者可以不与小区边界重合。
91.类似地，更新参数的时间尺度可能在模块之间不同。用于预测由于相位噪声(pn)导致的相位误差的模块可能只每天调整。因为ue移动速度改变，所以用于预测小尺度衰落的模块可以每隔几分钟进行调整。
92.图8是示出根据本公开内容的各个方面的例如由第一节点执行的示例过程800的示意图。示例过程800是用于控制机器学习(ml)辅助通信网络的示例过程。
93.如图8中所示，在一些方面中，过程800可以包括：收集与无线通信相关的测量(框802)。例如，第一节点(例如，使用天线252、234、demod 254、232、mimo检测器256、236、接收处理器258、238、控制器/处理器280、240、存储器282、242等)可以基于ue测量来收集用于侧波束预测的测量。ue侧软件可以从其phy层收集ue信道测量，并且将phy层测量数据打
包到ue应用层中。
94.如图8中所示，在一些方面中，过程800可以包括：将测量发送到第二节点以进行机器学习处理(框804)。例如，第一节点(例如，使用天线252、234、mod 254、232、tx处理器266、230、控制器/处理器280、240、存储器282、242等)可以将测量发送到侧软件。
95.如图8中所示，在一些方面中，过程800可以包括：将测量发送到第三节点以进行神经网络训练(框806)。例如，第一节点(例如，使用天线252、234、mod 254、232、tx处理器266、230、控制器/处理器280、存储器282等)可以将测量发送到服务器侧软件。
96.图9是示出根据本公开内容的各个方面的例如由第一节点执行的示例过程900的示意图。示例过程900是控制机器学习(ml)辅助通信网络的示例。
97.如图9中所示，在一些方面中，过程900可以包括：从第二节点接收与无线通信相关的测量(框902)。例如，第一节点(例如，使用天线252、234、demod 254、232、mimo检测器256、236、接收处理器258、238、控制器/处理器280、240、存储器282、242等)可以接收测量。在一些情况下，当第一节点是时，测量可以是ue信道测量。
98.如图9中所示，在一些方面中，过程900可以包括：将测量作为神经网络的输入进行处理(框904)。例如，第一节点(例如，使用控制器/处理器280、240、存储器282、242等)可以将测量作为神经网络的输入进行处理。在第一节点是的情况下，侧软件可以接收ue数据并且将测量作为输入传递到神经网络，诸如长短期记忆(lstm)神经网络。
99.如图9中所示，在一些方面中，过程900可以包括：将神经网络的输出转发到用于处理的模块(框906)。例如，第一节点(例如，使用天线252、234、mod 254、232、tx处理器266、230、控制器/处理器280、240、存储器282、242等)可以转发输出。再次，在的情况下，在通过神经网络正向传播数据之后，可以将神经网络的输出传递到波束选择模块。神经网络的输出相应地改变波束选择模块的参数。
100.如图9中所示，在一些方面中，过程900可以包括：从第三节点接收对神经网络的更新(框908)。例如，第一节点(例如，使用天线252、234、demod 254、232、mimo检测器256、236、接收处理器258、238、控制器/处理器280、240、存储器282、242等)可以接收更新。在作为第一节点来操作的情况下，可以从服务器接收神经网络参数更新。在这种情况下，服务器侧软件接收ue侧测量数据，训练服务器神经网络，并且基于训练服务器神经网络来向侧软件发送神经网络更新。
101.图10是示出根据本公开内容的各个方面的例如由ue执行的示例过程1000的示意图。示例过程1000是控制机器学习(ml)辅助通信网络的示例。
102.如图10中所示，在一些方面中，过程1000可以包括：向服务器报告ue能力(框1002)。例如，ue(例如，使用天线252、mod 254、tx mimo处理器266、控制器/处理器280、存储器282等)可以向服务器报告ue能力。在ldpc解码示例中，ue侧软件可以向服务器报告ue能力，诸如ue处理能力。
103.如图10中所示，在一些方面中，过程1000可以包括：响应于服务器反馈来配置神经网络参数(框1004)。例如，ue(例如，使用天线252、demod 254、mimo检测器256、接收处理器258、控制器/处理器280、存储器282等)可以响应于服务器反馈来配置神经网络参数。在ldpc示例中，ue侧软件可以基于对ue能力报告的服务器响应来配置卷积神经网络(cnn)参数。
104.如图10中所示，在一些方面中，过程1000可以包括：利用所配置的神经网络参数来执行神经网络，以确定无线通信分析(框1006)。例如，ue(例如，使用天线252、mod 254、tx mimo处理器266、demod 254、mimo检测器256、接收处理器258、控制器/处理器280、存储器282等)可以利用所配置的神经网络参数来执行神经网络。在ldpc示例中，ue侧软件从基带芯片中的解映射器收集要解码的分组，并且将分组发送到gpu，cnn在gpu中执行。
105.如图10中所示，在一些方面中，过程1000可以包括：向服务器报告分析(框1008)。例如，ue(例如，使用天线252、mod 254、tx mimo处理器266、控制器/处理器280、存储器282等)可以向服务器报告分析。ue可以将cnn的输出发送到mac层，并且向服务器报告任何解码错误。服务器侧软件接收解码错误的ue报告，并且可以向ue发送针对神经网络的更新。
106.在以下编号条款中描述了实现示例。
107.1、一种用于无线通信的装置，包括：
108.第一组件，所述第一组件在通信协议栈的应用层内并且被配置为控制不同节点中的多个机器学习模块；以及
109.第二组件，所述第二组件在所述应用层内并且被配置为控制所述不同节点之间的数据流。
110.2、根据条款1所述的装置，其中，所述数据流在所述应用层内的所述不同节点之间。
111.3、根据条款1或2所述的装置，还包括：通信组件，所述通信组件被配置为与不同节点中的软件应用协作，以控制所述不同节点中的所述多个机器学习模块中的至少一些机器学习模块。
112.4、根据前述条款中的任一条款所述的装置，还包括：第三组件，所述第三组件被配置为控制所述装置的不同层之间的数据流。
113.5、根据前述条款中的任一条款所述的装置，还包括：训练组件，所述训练组件被配置为训练所述不同节点的机器学习模块。
114.6、根据前述条款中的任一条款所述的装置，还包括：执行组件，所述执行组件被配置为执行所述不同节点的机器学习模块。
115.7、根据前述条款中的任一条款所述的装置，其中，所述第一组件被配置为基于所述机器学习模块中的至少一个机器学习模块的输出进行控制。
116.8、根据前述条款中的任一条款所述的装置，其中，所述多个机器学习模块中的至少一个机器学习模块的输出控制另一模块。
117.9、根据前述条款中的任一条款所述的装置，其中，所述另一模块包括用于波束选择的射频(rf)模块。
118.10、根据前述条款中的任一条款所述的装置，还包括：更新组件，所述更新组件被配置为更新所述多个机器学习模块中的至少一个机器学习模块的参数和/或算法。
119.11、根据前述条款中的任一条款所述的装置，其中，所述更新组件被配置为响应于用户设备(ue)移动到特定区域之外而更新。
120.12、根据前述条款中的任一条款所述的装置，其中，不同的机器学习模块与不同的区域相关联。
121.13、根据前述条款中的任一条款所述的装置，其中，所述更新组件被配置为响应于
持续时间到期而更新，其中，不同的机器学习模块与不同的持续时间相关联。
122.14、根据前述条款中的任一条款所述的装置，其中，所述不同节点包括、用户设备(ue)、所述的芯片、所述ue的芯片、中央控制器、或服务器中的至少一者。
123.15、一种由第一节点进行的无线通信的方法，包括：
124.收集与无线通信相关的测量；
125.将所述测量发送到第二节点以进行机器学习处理；以及
126.将所述测量发送到第三节点以进行神经网络训练。
127.16、根据条款15所述的方法，其中，所述第一节点包括用户设备(ue)，所述第二节点包括，并且所述第三节点包括服务器。
128.17、根据条款15所述的方法，其中，所述第一节点包括，所述第二节点包括用户设备(ue)，并且所述第三节点包括服务器。
129.18、根据条款15-17中任一条款所述的方法，其中，所述机器学习处理用于波束预测、信道估计、功率放大器非线性校正、或业务预测。
130.19、一种由第一节点进行的无线通信的方法，包括：
131.从第二节点接收与无线通信相关的测量；
132.将所述测量作为神经网络的输入进行处理；
133.将所述神经网络的输出转发到用于处理的模块；以及
134.从第三节点接收对所述神经网络的更新。
135.20、根据条款19所述的方法，其中，所述第一节点包括用户设备(ue)，所述第二节点包括，并且所述第三节点包括服务器。
136.21、根据条款19所述的方法，其中，所述第一节点包括，所述第二节点包括用户设备(ue)，并且所述第三节点包括服务器。
137.22、根据条款19-21中任一条款所述的方法，其中，所述处理用于波束预测、信道估计、功率放大器非线性校正、或业务预测。
138.前述公开内容提供了说明和描述，但是并不旨在是详尽的或者将各方面限制为所公开的精确形式。按照上文公开内容，可以进行修改和变型，或者可以从对各方面的实践中获取修改和变型。
139.如所使用，术语“组件”旨在被广义地解释为硬件、固件、和/或硬件和软件的组合。如所使用的，处理器是用硬件、固件、和/或硬件和软件的组合来实现的。
140.结合门限描述了一些方面。如所使用的，取决于上下文，满足门限可以指代值大于门限、大于或等于门限、小于门限、小于或等于门限、等于门限、不等于门限等。
141.将显而易见的是，所描述的系统和/或方法可以用不同形式的硬件、固件、和/或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际的专门的控制硬件或软件代码不是对各方面进行限制。因此，在不引用特定的软件代码的情况下描述了系统和/或方法的操作和行为，要理解的是，软件和硬件可以被设计为至少部分地基于描述来实现系统和/或方法。
142.即使在权利要求书中记载了和/或在说明书中公开了特征的特定组合，这些组合也不旨在限制各个方面的公开内容。事实上，可以以没有在权利要求书中具体记载和/或在说明书中具体公开的方式来组合这些特征中的许多特征。虽然下文列出的每个从属权利要
求可以仅直接依赖于一个权利要求，但是各个方面的公开内容包括每个从属权利要求与权利要求集合中的每个其它权利要求的组合。提及项目列表“中的至少一个”的短语指代那些项目的任何组合，包括单个成员。举例而言，“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c、以及具有成倍的相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或者a、b和c的任何其它排序)。
143.所使用的任何元素、动作或指令都不应当被解释为关键的或必要的，除非明确描述为如此。此外，如所使用的，冠词“一(a)”和“一个(an)”旨在包括一个或多个项目，并且可以与“一个或多个”可互换地使用。此外，如所使用的，术语“集合”和“组”旨在包括一个或多个项目(例如，相关项目、无关项目、相关项目和无关项目的组合等)，并且可以与“一个或多个”可互换地使用。在仅预期一个项目的情况下，使用短语“仅一个”或类似语言。此外，如所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”和/或类似术语旨在是开放式术语。此外，除非另有明确声明，否则短语“基于”旨在意指“至少部分地基于”。

技术特征：

1.一种用于无线通信的装置，包括：第一组件，所述第一组件在通信协议栈的应用层内并且被配置为控制不同节点中的多个机器学习模块；以及第二组件，所述第二组件在所述应用层内并且被配置为控制所述不同节点之间的数据流。2.根据权利要求1所述的装置，其中，所述数据流在所述应用层内的所述不同节点之间。3.根据权利要求1所述的装置，还包括：通信组件，所述通信组件被配置为与不同节点中的软件应用协作，以控制所述不同节点中的所述多个机器学习模块中的至少一些机器学习模块。4.根据权利要求1所述的装置，还包括：第三组件，所述第三组件被配置为控制所述装置的不同层之间的数据流。5.根据权利要求1所述的装置，还包括：训练组件，所述训练组件被配置为训练所述不同节点的机器学习模块。6.根据权利要求1所述的装置，还包括：执行组件，所述执行组件被配置为执行所述不同节点的机器学习模块。7.根据权利要求1所述的装置，其中，所述第一组件被配置为基于所述多个机器学习模块中的至少一个机器学习模块的输出进行控制。8.根据权利要求1所述的装置，其中，所述机器学习模块中的至少一个机器学习模块的输出控制另一模块。9.根据权利要求8所述的装置，其中，所述另一模块包括用于波束选择的射频(rf)模块。10.根据权利要求1所述的装置，还包括：更新组件，所述更新组件被配置为更新所述多个机器学习模块中的至少一个机器学习模块的参数和/或算法。11.根据权利要求10所述的装置，其中，所述更新组件被配置为响应于用户设备(ue)移动到特定区域之外而更新。12.根据权利要求11所述的装置，其中，不同的机器学习模块与不同的区域相关联。13.根据权利要求10所述的装置，其中，所述更新组件被配置为响应于持续时间到期而更新，其中，不同的机器学习模块与不同的持续时间相关联。14.根据权利要求1所述的装置，其中，所述不同节点包括、用户设备(ue)、所述的芯片、所述ue的芯片、中央控制器、或服务器中的至少一者。15.一种由第一节点进行的无线通信的方法，包括：收集与无线通信相关的测量；将所述测量发送到第二节点以进行机器学习处理；以及将所述测量发送到第三节点以进行神经网络训练。16.根据权利要求15所述的方法，其中，所述第一节点包括用户设备(ue)，所述第二节点包括，并且所述第三节点包括服务器。17.根据权利要求15所述的方法，其中，所述第一节点包括，所述第二节点包括用户设备(ue)，并且所述第三节点包括服务器。
18.根据权利要求15所述的方法，其中，所述机器学习处理用于波束预测、信道估计、功率放大器非线性校正、或业务预测。19.一种由第一节点进行的无线通信的方法，包括：从第二节点接收与无线通信相关的测量；将所述测量作为神经网络的输入进行处理；将所述神经网络的输出转发到用于处理的模块；以及从第三节点接收对所述神经网络的更新。20.根据权利要求19所述的方法，其中，所述第一节点包括用户设备(ue)，所述第二节点包括，并且所述第三节点包括服务器。21.根据权利要求19所述的方法，其中，所述第一节点包括，所述第二节点包括用户设备(ue)，并且所述第三节点包括服务器。22.根据权利要求19所述的方法，其中，所述处理用于波束预测、信道估计、功率放大器非线性校正、或业务预测。23.一种由用户设备(ue)进行的无线通信的方法，包括：向服务器报告ue能力；响应于来自所述服务器的反馈来配置神经网络参数；利用所配置的神经网络参数来执行神经网络，以确定无线通信分析；以及向所述服务器报告所述无线通信分析。24.根据权利要求23所述的方法，其中，执行所述神经网络用于解码或信道估计。

技术总结

一种用于无线通信的装置具有第一组件和第二组件。第一组件在应用层内并且被配置为控制不同节点中的机器学习模块。第二组件在应用层内并且被配置为控制不同节点之间的数据流。一种由第一节点进行的无线通信的方法，包括：收集与无线通信相关的测量；以及将测量发送到第二节点以进行机器学习处理。该方法还包括：将测量发送到第三节点以进行神经网络训练。一种由用户设备(UE)进行的方法，包括：向服务器报告UE能力；以及响应于服务器反馈来配置神经网络参数。该方法还包括：利用所配置的神经网络参数来执行神经网络，以确定无线通信分析；以及将分析报告给服务器。以及将分析报告给服务器。以及将分析报告给服务器。