使用多天线收发器无线传输的信息的编码和解码

本申请是申请日为2018年6月19日、申请号为201880052703.5、发明名称为“使用多天线收发器无线传输的信息的编码和解码”的发明专利申请的分案申请。

本申请要求2017年6月19日提交的美国临时申请第62/521,745号和2017年7月20日提交的美国临时申请第62/534,813号的优先权。这些在先申请的公开内容被视为本申请的公开内容的一部分并且通过引用的方式并入本申请的公开内容中。

技术领域

本公开涉及对使用多天线收发器的自适应无线通信的机器学习和部署，并且具体地说，涉及射频(RF)信号。

背景技术

射频(RF)波形普遍存在于许多系统中以用于通信、存储、感测、测量和监测。RF波形是通过各种类型的通信媒体，如通过空中、在水中或通过外部空间发射和接收的。在一些场景中，RF波形发射调制到在RF频率下操作的一或多个载波波形上的信息。在其它场景中，RF波形本身就是信息，如传感器或探针的输出。RF波形中承载的信息通常通过其它通信形式进行处理、存储和/或输送，如通过计算机中的内部系统总线或者通过局域网或广域网。

发明内容

通常，本公开所描述的主题可以体现在用于训练和部署机器学习网络以通过RF信道进行通信并且具体地说对信息进行编码和解码以用于使用多天线收发器通过RF信道进行通信的方法、设备和系统中。

一方面，一种方法由至少一个处理器执行以训练至少一个机器学习网络使用多个发射天线和多个接收天线通过多输入多输出(MIMO)通信信道进行通信。所述方法包含：确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施至少一个机器学习网络；确定表示MIMO通信信道的传输效应的MIMO信道模型；确定用于通过所述MIMO信道模型传输的第一信息；使用所述发射器处理所述第一信息并生成表示到所述MIMO信道模型的输入的多个第一RF信号；确定表示所述MIMO信道模型的输出的多个第二RF信号，所述多个第二RF信号中的每个第二RF信号表示经由通过所述MIMO信道模型的传输改变的所述多个第一RF信号的聚合接收；使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构；计算所述第二信息与所述第一信息之间的距离量度；以及基于所述第二信息与所述第一信息之间的所述距离量度更新所述至少一个机器学习网络。此方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。所述方法进一步包含：处理所述多个第一RF信号以生成输入到所述MIMO信道模型中的多个第一模拟RF波形；接收多个第二模拟RF波形作为所述MIMO信道模型的输出，所述多个第二RF波形中的每个第二模拟RF波形表示通过所述MIMO信道模型改变的所述多个第一模拟RF波形的聚合接收；以及处理所述多个第二模拟RF波形以生成所述多个第二RF信号。所述方法，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：从所述第一信息中确定多个第一信息部分；以及至少部分地基于所述多个第一信息部分生成所述多个第一RF信号，每个第一RF信号对应于所述多个第一信息部分中的相应第一信息部分，并且其中使用所述接收器处理所述多个第二RF信号并生成所述第二信息作为所述第一信息的所述重构包含：从所述多个第二RF信号中确定多个第二信息部分，每个第二信息部分对应于所述多个第二RF信号中的相应第二RF信号；以及由所述多个第二信息部分生成所述第二信息。所述方法进一步包含：确定指示所述MIMO信道模型的状态或空间信息或关于所述MIMO信道模型的多个用户的调度信息中的至少一个的信道状态信息(CSI)；以及基于确定所述CSI执行以下中的至少一个：(i)使用所述发射器基于所述CSI和所述第一信息生成所述多个第一RF信号；或者(ii)基于所述CSI更新所述MIMO信道模型。所述方法，其中确定所述CSI包含：使用所述接收器基于对表示所述MIMO通信信道的所述输出的所述多个第二RF信号的处理生成所述CSI。所述方法，其中确定所述CSI包含：确定关于所述MIMO信道模型的状态或空间信息或关于MIMO通信信道的多个用户的调度信息中的所述至少一个的信道信息；以及通过将所述信道信息量化或分类为离散数量的状态或有限数量的位中的一种作为所述CSI来生成所述CSI作为所述信道信息的紧凑表示。所述方法，其中基于所述第二信息与所述第一信息之间的所述距离量度更新所述至少一个机器学习网络包含：确定包含所述第二信息与所述第一信息之间的所述距离量度的目标函数；计算所述目标函数相对于所述至少一个机器学习网络中的变化的变化率；基于所述目标函数的计算的变化率选择用于所述至少一个机器学习网络的变化；以及基于所述机器学习网络的选择的变化更新所述至少一个机器学习网络。所述方法，其中所述第二信息与所述第一信息之间的所述距离量度包含以下中的至少一个：(i)所述第二信息与所述第一信息之间的交叉熵或其它概率性距离量度；或者(ii)所述第二信息与所述第一信息之间的几何距离度量。所述方法，其中更新所述至少一个机器学习网络包含以下中的至少一个：(i)在所述发射器处更新编码器机器学习网络的一或多层中的至少一个编码网络权重或网络连通性；(ii)在所述接收器处更新解码器机器学习网络的一或多层中的至少一个解码网络权重或网络连通性；或者(iii)更新被配置成生成所述CSI的CSI嵌入机器学习网络的一或多层中的至少一个网络权重或网络连通性。所述方法，其中所述发射器包含编码器机器学习网络并且所述接收器包含解码器机器学习网络，所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自编码器以学习通过MIMO通信信道通信，并且其中所述自编码器包含表示所述MIMO信道模型的效应或发射的波形的其它损伤的至少一个信道建模层。所述方法，其中所述至少一个信道建模层表示以下中的至少一个：(i)所述MIMO通信信道中的加性高斯热噪声；(ii)由所述MIMO通信信道的时变效应引起的延迟扩展；(iii)由通过所述MIMO通信信道或硬件的发射和接收引起的相位噪声或其它失真；或者(iv)由通过所述MIMO通信信道的发射和接收引起的相位偏移、频率偏移、比率偏移或计时偏移。所述方法，其中所述至少一个信道建模层被配置成基于与N

另一方面，一种方法由至少一个处理器执行以部署用于使用多个发射天线和多个接收天线通过MIMO通信信道进行通信的学习通信系统。所述方法包含：确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施被训练成通过MIMO通信信道进行通信的至少一个机器学习网络；确定用于通过所述MIMO通信信道传输的第一信息；使用所述发射器处理所述第一信息并生成多个第一RF信号；使用多个发射天线中的相应发射天线通过所述MIMO通信信道发射所述多个第一RF信号；使用多个接收天线中的相应接收天线接收多个第二RF信号，所述多个第二RF信号中的每个第二RF信号表示经由通过所述MIMO通信信道的传输改变的所述多个第一RF信号的聚合接收；以及使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构。此方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。所述方法进一步包含：确定指示以下中的至少一个的反馈信息：(i)所述第二信息与所述第一信息之间的距离量度；或者(ii)指示所述MIMO通信信道的状态或空间信息或关于所述MIMO通信信道的多个用户的调度信息中的至少一个的信道状态信息(CSI)；以及基于所述反馈信息更新所述发射器或所述接收器中的至少一个。所述方法进一步包含：处理所述多个第一RF信号以生成使用所述多个发射天线通过所述MIMO通信信道发射的多个第一模拟RF波形；使用所述多个接收天线接收多个第二模拟RF波形作为所述MIMO通信信道的输出，所述多个第二模拟RF波形中的每个第二模拟RF波形表示通过所述MIMO通信信道改变的所述多个第一模拟RF波形的聚合接收；以及处理所述多个第二模拟RF波形以生成所述多个第二RF信号。在所述方法中，使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：从所述第一信息中确定多个第一信息部分；基于所述多个第一信息部分生成所述多个第一RF信号，所述多个第一RF信号中的每个第一RF信号对应于所述多个第一信息部分中的相应第一信息部分，并且其中使用所述接收器处理所述多个第二RF信号并生成所述第二信息作为所述第一信息的所述重构包含：从所述多个第二RF信号中确定多个第二信息部分，每个第二信息部分对应于所述多个第二RF信号中的相应第二RF信号；以及由所述多个第二信息部分生成所述第二信息。所述方法进一步包含：使用所述接收器基于对表示所述MIMO通信信道的所述输出的所述多个第二RF信号的处理生成所述CSI；以及向所述发射器提供所述CSI作为反馈，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含基于所述第一信息并且基于所述CSI生成所述多个第一RF信号。在所述方法中，使用所述接收器生成所述CSI包含：确定关于所述MIMO通信信道的状态或空间信息或关于所述MIMO通信信道的多个用户的调度信息中的所述至少一个的信道信息；以及处理所述信道信息以通过将所述信道信息量化或分类为离散数量的状态或有限数量的位中的一种作为所述CSI来生成所述CSI作为所述信道信息的紧凑表示。在所述方法中，所述接收器基于训练CSI机器学习网络的结果实施CSI映射，所述CSI机器学习网络被配置成基于对所述多个第二RF信号的处理生成所述CSI。在所述方法中，所述发射器实施基于训练编码器机器学习网络的结果的编码映射并且所述接收器实施基于训练解码器机器学习网络的结果的解码映射，并且其中所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自编码器以学习通过MIMO通信信道通信。进一步执行所述方法以通过多个用户使用的多用户MIMO通信信道发射和接收信息，其中所述发射器包含一或多个编码器，其中所述接收器包含一或多个解码器，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：使用所述一或多个编码器(i)处理所述第一信息的至少第一部分并生成所述多个第一RF信号的第一子集；并且(ii)处理所述第一信息的至少第二部分并生成所述多个第一RF信号的第二子集，并且其中使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构包含：使用所述一或多个解码器(i)处理所述多个第二RF信号的第一子集并生成所述第二信息的第一部分作为所述第一信息的所述第一部分的重构；并且(ii)处理所述多个第二RF信号的第二子集并生成所述第二信息的第二部分作为所述第一信息的所述第二部分的重构。在所述方法中，所述一或多个编码器被配置成基于一或多个编码器机器学习网络实施编码，并且其中所述一或多个解码器被配置成基于一或多个解码器机器学习网络实施解码，并且其中所述一或多个编码器机器学习网络和所述一或多个解码器机器学习网络被共同训练为自编码器以学习通过多用户MIMO通信信道通信。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

另一方面包含一种系统，所述系统包含：至少一个处理器；以及耦合到所述至少一个处理器的至少一个计算机存储器，所述至少一个计算机存储器上存储有指令，所述指令在由所述至少一个处理器执行时使所述至少一个处理器执行用于训练至少一个机器学习网络使用多个发射天线和多个接收天线通过多输入多输出(MIMO)通信信道进行通信的操作，所述操作包含：确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施至少一个机器学习网络；确定表示MIMO通信信道的传输效应的MIMO信道模型；确定用于通过所述MIMO信道模型传输的第一信息；使用所述发射器处理所述第一信息并生成表示到MIMO信道模型的输入的多个第一RF信号；确定表示所述MIMO信道模型的输出的多个第二RF信号，所述多个第二RF信号中的每个第二RF信号表示经由通过所述MIMO信道模型的传输改变的所述多个第一RF信号的聚合接收；使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构；计算所述第二信息与所述第一信息之间的距离量度；以及基于所述第二信息与所述第一信息之间的所述距离量度更新所述至少一个机器学习网络。

实施方案可以包含以下特征中的一或多个。所述系统，其中所述操作进一步包含：处理所述多个第一RF信号以生成输入到所述MIMO信道模型中的多个第一模拟RF波形；接收多个第二模拟RF波形作为所述MIMO信道模型的输出，所述多个第二RF波形中的每个第二模拟RF波形表示通过所述MIMO信道模型改变的所述多个第一模拟RF波形的聚合接收；以及处理所述多个第二模拟RF波形以生成所述多个第二RF信号。所述系统，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：从所述第一信息中确定多个第一信息部分；以及至少部分地基于所述多个第一信息部分生成所述多个第一RF信号，每个第一RF信号对应于所述多个第一信息部分中的相应第一信息部分，并且其中使用所述接收器处理所述多个第二RF信号并生成所述第二信息作为所述第一信息的所述重构包含：从所述多个第二RF信号中确定多个第二信息部分，每个第二信息部分对应于所述多个第二RF信号中的相应第二RF信号；以及由所述多个第二信息部分生成所述第二信息。所述系统，其中所述操作进一步包含：确定指示所述MIMO信道模型的状态或空间信息或关于所述MIMO信道模型的多个用户的调度信息中的至少一个的信道状态信息(CSI)；以及基于确定所述CSI执行以下中的至少一个：(i)使用所述发射器基于所述CSI和所述第一信息生成所述多个第一RF信号；或者(ii)基于所述CSI更新所述MIMO信道模型。所述系统，其中确定所述CSI包含：使用所述接收器基于对表示所述MIMO通信信道的所述输出的所述多个第二RF信号的处理生成所述CSI。所述系统，其中确定所述CSI包含：确定关于所述MIMO信道模型的状态或空间信息或关于MIMO通信信道的多个用户的调度信息中的所述至少一个的信道信息；以及通过将所述信道信息量化或分类为离散数量的状态或有限数量的位中的一种作为所述CSI来生成所述CSI作为所述信道信息的紧凑表示。所述系统，其中基于所述第二信息与所述第一信息之间的所述距离量度更新所述至少一个机器学习网络包含：确定包含所述第二信息与所述第一信息之间的所述距离量度的目标函数；计算所述目标函数相对于所述至少一个机器学习网络中的变化的变化率；基于所述目标函数的计算的变化率选择用于所述至少一个机器学习网络的变化；以及基于所述机器学习网络的选择的变化更新所述至少一个机器学习网络。所述系统，其中所述第二信息与所述第一信息之间的所述距离量度包含以下中的至少一个：(i)所述第二信息与所述第一信息之间的交叉熵或其它概率性距离量度；或者(ii)所述第二信息与所述第一信息之间的几何距离度量。所述系统，其中更新所述至少一个机器学习网络包含以下中的至少一个：(i)在所述发射器处更新编码器机器学习网络的一或多层中的至少一个编码网络权重或网络连通性；(ii)在所述接收器处更新解码器机器学习网络的一或多层中的至少一个解码网络权重或网络连通性；或者(iii)更新被配置成生成所述CSI的CSI嵌入机器学习网络的一或多层中的至少一个网络权重或网络连通性。所述系统，其中所述发射器包含编码器机器学习网络并且所述接收器包含解码器机器学习网络，所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自编码器以学习通过MIMO通信信道通信，并且其中所述自编码器包含表示所述MIMO信道模型的效应或发射的波形的其它损伤的至少一个信道建模层。所述系统，其中所述至少一个信道建模层表示以下中的至少一个：(i)所述MIMO通信信道中的加性高斯热噪声；(ii)由所述MIMO通信信道的时变效应引起的延迟扩展；(iii)由通过所述MIMO通信信道或硬件的发射和接收引起的相位噪声或其它失真；或者(iv)由通过所述MIMO通信信道的发射和接收引起的相位偏移、频率偏移、比率偏移或计时偏移。所述系统，其中所述至少一个信道建模层被配置成基于与NT发射天线相对应的N

另一方面包含一种系统，所述系统包含：至少一个处理器；以及耦合到所述至少一个处理器的至少一个计算机存储器，所述至少一个计算机存储器上存储有指令，所述指令在由所述至少一个处理器执行时使所述至少一个处理器执行用于部署用于使用多个发射天线和多个接收天线通过MIMO通信信道进行通信的学习通信系统的操作，所述操作包含：确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施被训练成通过MIMO通信信道进行通信的至少一个机器学习网络；确定用于通过所述MIMO通信信道传输的第一信息；使用所述发射器处理所述第一信息并生成多个第一RF信号；使用多个发射天线中的相应发射天线通过所述MIMO通信信道发射所述多个第一RF信号；使用多个接收天线中的相应接收天线接收多个第二RF信号，所述多个第二RF信号中的每个第二RF信号表示经由通过所述MIMO通信信道的传输改变的所述多个第一RF信号的聚合接收；以及使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构。

实施方案可以包含以下特征中的一或多个。所述系统，其中所述操作进一步包含：确定指示以下中的至少一个的反馈信息：(i)所述第二信息与所述第一信息之间的距离量度；或者(ii)指示所述MIMO通信信道的状态或空间信息或关于所述MIMO通信信道的多个用户的调度信息中的至少一个的信道状态信息(CSI)；以及基于所述反馈信息更新所述发射器或所述接收器中的至少一个。所述系统，其中所述操作进一步包含：处理所述多个第一RF信号以生成使用所述多个发射天线通过所述MIMO通信信道发射的多个第一模拟RF波形；使用所述多个接收天线接收多个第二模拟RF波形作为所述MIMO通信信道的输出，所述多个第二模拟RF波形中的每个第二模拟RF波形表示通过所述MIMO通信信道改变的所述多个第一模拟RF波形的聚合接收；以及处理所述多个第二模拟RF波形以生成所述多个第二RF信号。所述系统，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：从所述第一信息中确定多个第一信息部分；基于所述多个第一信息部分生成所述多个第一RF信号，所述多个第一RF信号中的每个第一RF信号对应于所述多个第一信息部分中的相应第一信息部分，并且其中使用所述接收器处理所述多个第二RF信号并生成所述第二信息作为所述第一信息的所述重构包含：从所述多个第二RF信号中确定多个第二信息部分，每个第二信息部分对应于所述多个第二RF信号中的相应第二RF信号；以及由所述多个第二信息部分生成所述第二信息。所述系统，其中所述操作进一步包含：使用所述接收器基于对表示所述MIMO通信信道的所述输出的所述多个第二RF信号的处理生成所述CSI；以及向所述发射器提供所述CSI作为反馈，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含基于所述第一信息并且基于所述CSI生成所述多个第一RF信号。所述系统，其中使用所述接收器生成所述CSI包含：确定关于所述MIMO通信信道的状态或空间信息或关于所述MIMO通信信道的多个用户的调度信息中的所述至少一个的信道信息；以及处理所述信道信息以通过将所述信道信息量化或分类为离散数量的状态或有限数量的位中的一种作为所述CSI来生成所述CSI作为所述信道信息的紧凑表示。所述系统，其中所述接收器基于训练CSI机器学习网络的结果实施CSI映射，所述CSI机器学习网络被配置成基于对所述多个第二RF信号的处理生成所述CSI。所述系统，其中所述发射器实施基于训练编码器机器学习网络的结果的编码映射并且所述接收器实施基于训练解码器机器学习网络的结果的解码映射，并且其中所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自编码器以学习通过MIMO通信信道通信。所述系统，其中进一步执行所述操作以通过多个用户使用的多用户MIMO通信信道发射和接收信息，其中所述发射器包含一或多个编码器，其中所述接收器包含一或多个解码器，其中使用所述发射器处理所述第一信息并生成所述多个第一RF信号包含：使用所述一或多个编码器(i)处理所述第一信息的至少第一部分并生成所述多个第一RF信号的第一子集；并且(ii)处理所述第一信息的至少第二部分并生成所述多个第一RF信号的第二子集，并且其中使用所述接收器处理所述多个第二RF信号并生成第二信息作为所述第一信息的重构包含：使用所述一或多个解码器(i)处理所述多个第二RF信号的第一子集并生成所述第二信息的第一部分作为所述第一信息的所述第一部分的重构；并且(ii)处理所述多个第二RF信号的第二子集并生成所述第二信息的第二部分作为所述第一信息的所述第二部分的重构。所述系统，其中所述一或多个编码器被配置成基于一或多个编码器机器学习网络实施编码，并且其中所述一或多个解码器被配置成基于一或多个解码器机器学习网络实施解码，并且其中所述一或多个编码器机器学习网络和所述一或多个解码器机器学习网络被共同训练为自编码器以学习通过多用户MIMO通信信道通信。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

此方面或其它方面的的其它实施方案包含对应的系统、设备和计算机程序，所述系统、设备和计算机程序被配置成执行所述方法在计算机存储装置上编码的动作。一或多个计算机的系统可以通过在操作时使所述系统执行所述动作的安装在系统上的软件、固件、硬件或其组合来进行配置。一或多个计算机程序可以通过具有当由数据处理设备执行时使所述设备执行所述动作的指令来进行配置。

贯穿本申请描述的特征中的全部或部分特征可以被实施为包含计算机程序产品，所述计算机程序产品包含被存储在一或多个非暂时性机器可读存储媒体上并且在一或多个处理装置上可执行的指令。贯穿本申请描述的特征中的全部或部分特征可以被实施为设备、方法或电子系统，所述设备、方法或电子系统可以包含一或多个处理装置和用于存储可执行指令以实施陈述的功能的存储器。

下文在附图和描述中阐述了本公开的主题的一或多个实施实施方案的细节。根据描述、附图和权利要求书，主题的其它特征、方面和优点将变得显而易见。

附图说明

图1展示了实施至少一个机器学习网络以使用多天线收发器通过多输入多输出(MIMO)信道执行学习到的通信的射频(RF)系统的实例；

图2展示了实施机器学习编码器的发射器和实施机器学习解码器的接收器的网络结构的实例，所述实例可以在RF系统中实施以使用多天线收发器通过MIMO信道执行学习到的通信；

图3A展示了可以在RF系统中实施以在未受益于任何信道状态信息(CSI)的情况下使用多天线收发器通过MIMO信道执行学习到的通信的开环网络结构的实例；

图3B展示了可以在RF系统中实施以在信道状态信息(CSI)的帮助下使用多天线收发器通过MIMO信道执行学习到的通信的闭环网络结构的实例；

图4展示了训练实施至少一个机器学习网络以学习使用多天线收发器通过MIMO信道进行通信的RF系统的实例；

图5是展示了训练实施至少一个机器学习网络以学习使用多天线收发器在CSI的反馈下通过MIMO信道进行通信的RF系统的示例方法的流程图；

图6A和6B展示了可以由机器学习网络学习用于在没有任何CSI的帮助下(开环场景)通过MIMO信道进行通信的不同类型的发射和接收RF信号的实例；

图6C和6D展示了可以由机器学习网络学习用于在受益于CSI的情况下(闭环场景)通过MIMO信道进行通信的不同类型的发射和接收RF信号的实例；

图7展示了部署系统的实例，所述系统实施了基于训练至少一个机器学习网络使用多天线收发器通过真实世界MIMO信道执行学习到的通信的结果学习到的技术；

图8是展示了部署系统的示例方法的流程图，所述系统利用了基于训练至少一个机器学习网络使用多天线收发器通过真实世界MIMO信道执行学习到的通信的结果学习到的技术；

图9A展示了部署多用户下行链路系统的实例，所述多用户下行链路系统实施了单个机器学习编码器网络和多个解码器以利用多天线收发器通过真实世界MIMO信道执行学习到的通信；

图9B展示了部署多用户上行链路系统的实例，所述多用户上行链路系统实施了多个编码器和单个机器学习解码器以利网络用多天线收发器通过真实世界MIMO信道执行学习到的通信；并且

图10是展示了计算系统的实例的图，所述计算系统可以用于实施通过MIMO信道执行学习到的通信的系统的一或多个组件。

具体实施方式

本文公开了实现对使用多天线收发器通过受损的RF信道进行的通信的机器学习和部署的系统和技术。在一些实施方案中，发射器实施多个发射天线以通过RF信道发送多个信号，并且接收器实施多个接收天线以通过RF信道接收多个信号。发射器处的发射天线的数量和接收器处的接收天线的数量通常可以是不同的数量或相同的数量并且可以是至少一个。在无线通信场景(例如蜂窝、网状网络、光学、声学等)中，每个接收天线接收表示由多个发射天线发射、已经被混合在一起并且经由通过RF信道的传输而被改变的信号的聚合接收的信号。通常，此类多天线通信被称为多输入多输出(MIMO)通信。

可以在MIMO通信系统的发射器或接收器中的至少一个中实施至少一个机器学习网络。例如，在一些实施方案中，发射器包含被训练成将信息编码为使用多个发射天线通过MIMO信道发射的信号的机器学习编码器网络，和/或接收器包含被训练成使用多个接收天线通过MIMO信道接收信号并且对信号进行解码以恢复原始信息的机器学习解码器网络。

在一些实施方案中，系统可以另外地或可替代地实施机器学习网络，以估计关于信道的信道状态信息(CSI)，如无线电传输信道的状态，或者关于MIMO信道模型的多个用户的空间信息或调度信息。此类CSI例如可以在发射器处基于反向信道进行估计和/或可以在接收器处进行估计并且通过反馈与发射器通信。在很多真实世界场景中，考虑到延迟和/或带宽的限制以及现代无线系统中部署的装置和天线数量的增加，寻求此类CSI反馈的紧凑表示会是重要目标。在此类场景中，本文所公开的实施方案可以使机器学习网络能够学习针对各种类型的MIMO信道模型的此类CSI的紧凑表示以实现此类目标。

如此，本公开描述了可以在MIMO通信系统中实施的各种机器学习场景，其中一或多个机器学习网络可以被训练成学习对通过MIMO信道发射的信号进行编码和/或对通过MIMO信道接收的信号进行解码和/或估计CSI以辅助通过MIMO信道通信。MIMO系统可以是发射器和接收器在没有CSI反馈的帮助下学习通过MIMO信道通信的开环系统或者可以是发射器和接收器在受益于CSI反馈的情况下学习通过MIMO信道通信的闭环系统。对于广播或多播信道或者对于提供改进的覆盖范围或弹性，尤其是在考虑移动性时，开环会是有吸引力的选择，而对于密集城区或多用户干扰受限或更稳定的移动性模型，闭环会是更有吸引力的选择，在所述模型中，所述闭环可以提供改进的信息密度、多用户容量和吞吐量。

所述至少一个机器学习网络可以被训练成或者可以被设计成实现MIMO通信系统中的各种标准，如低位误码率、低功率、低带宽、低复杂性、低等待时间，从而在特定状态下表现良好，如在低信噪比(SNR)下或在特定类型的信道衰落或干扰下和/或其它标准。然后，可以利用训练此类机器学习网络的结果来部署真实世界通信场景，以使用多个天线通过各种类型的RF通信媒体传送各种类型的信息。在一些实施方案中，一或多个机器学习网络的进一步学习和适配可以在真实世界系统中部署期间例如基于反馈信息实施。这些机器学习网络可以替换或增强一或多个信号处理功能，如调制、解调、映射、纠错、CSI估计和/或CSI反馈，或当今那些系统中存在的其它组件。当在部署后调谐时，这些系统的益处可以在于其可以改进具体部署参数的算法和编码，如延迟扩展、反射器、空间分布、用户行为、特定损伤和/或特定区域、特定硬件、蜂窝覆盖区域或操作环境的其它统计特征或分布，从而依据总体情况或先前训练的模型改善性能。

所公开的实施方案提出了关于如何设计和部署数字无线电系统以用于MIMO无线电通信的新方法。例如，所公开的实施方案可以有助于改进MIMO无线电信号处理工程的通常缓慢且增量的过程，并且反而实现了设计、构造和实现MIMO无线电通信系统的新方式。通过实施可以被训练成学习用于通过不同类型的通信媒体进行通信的适合的技术的机器学习网络，本文所公开的技术提供了各种优势，如与当前可用的MIMO系统相比，改进的功率、吞吐量、频谱效率、弹性和复杂性优势。在一些场景中，这对于具有非常复杂的效应集的MIMO通信信道尤其重要，所述效应很难建模或很难优化以使用其它方法，尤其是在考虑到由硬件、放大器、干扰或其它效应引入的另外的非线性效应的情况下。

在一些实施方案中，可以使用优化过程(例如梯度下降或其它求解程序)学习从每个天线元件传输的多天线信息表示，以最小化信息的重构损失。作为实例，编码过程、空中表示和解码过程均可以在端到端优化过程中被共同训练以获得系统的每个部分的最佳表示。这种优化过程可以被设计成产生实现一或多个目标的MIMO传输方案，所述一或多个目标如最小化位误码率或码字错误率、最大化吞吐量、最大化容量、最小化计算复杂度以配合感兴趣的编码和解码网络和/或优化用于配合训练系统的MIMO信道损伤模块中使用的具体MIMO信道条件的表示。方案因此提供了无线系统能够通过计算效率极高的方法以高效且非线性的方式利用空间分集多天线信道，所述方法常常优于第四代无线系统和更高版本中使用的现有线性分析方法。因此，此系统和方法提供了强大的MIMO无线传输方案，所述无线传输方案提供了未来的蜂窝无线和其它非蜂窝无线分集系统(如无线局域网(WLAN))预计在未来几年里将基于的基础。进一步地，此系统和方法可以提供强大的技术以用于将MIMO传输方案高效地缩放到可以具有许多天线(例如大规模MIMO系统)的不同配置，其中在低计算复杂性下有效地使用天线一直是对这一点的挑战。

通常，系统可以实施被训练成基于一或多个目标标准学习适合的输入-输出映射的一或多个机器学习网络。例如，机器学习网络可以是人工神经网络。在训练期间，可以通过选择发射器和/或接收器中的模型架构、权重和参数来学习网络的适合的输入到输出映射来适配机器学习网络。可以共同训练或可以通过迭代的方式训练机器学习网络。

例如，在一些实施方案中，发射器可以实施编码器机器学习网络，并且接收器可以实施解码器机器学习网络。编码器机器学习网络和解码器机器学习网络可以实施为自编码器，在所述自编码器中，编码器网络和解码器网络被共同优化。在一些实施方案中，可以通过将受损的MIMO信道的效应建模为一或多个信道建模层或表示MIMO信道的行为的另一个可微函数集来训练自编码器，所述信道建模层如在自编码器网络中可以包含正则化层的随机层(例如正则化层、转化层、变分层/采样器、噪声层、混合层等)。对MIMO信道进行建模的层可以跨MIMO信道的随机行为形成正则化函数。

在一些实施方案中，除了作为实施编码器机器学习网络和/或解码器机器学习网络的替代方案之外，系统还可以实施机器学习网络以估计关于MIMO信道的信道状态信息(CSI)。例如，此类CSI机器学习网络可以在单个端到端自编码器结构中与编码器网络和解码器网络共同训练，以实现一或多个目标。在此类结构中，可以实施用于机器学习的总体端到端系统架构。在其它实施方案中，反而可以使用预先设计的通信组件来实施编码器、解码器或CSI估计器中的一或多个，并且编码器、解码器和/或CSI估计器中的一或多个其它部件可以实施用于围绕此类预先设计的组件进行训练和优化的机器学习网络。

在训练期间，所述一或多个机器学习网络可以被训练成执行无监督或部分监督机器学习，以确定用于通过受损MIMO信道进行通信的技术。因此，在一些场景中，本文所公开的实施方案可以自适应地学习用于将信息编码成通过MIMO信道发射的波形的技术，和/或用于将通过MIMO接收的接收波形解码成重构信息的技术，和/或用于估计和/或反馈关于MIMO信道的CSI的技术，而不是依赖于用于纠错、调制、预编码或成形等预先设计的系统。可以在真实或模拟MIMO信道条件下训练所述一或多个机器学习网络。可以在部署期间通过真实世界MIMO信道进一步更新利用训练此类机器学习网络的结果的系统，从而提供在适应不同类型的无线MIMO系统需求方面的优势，并且在一些情况下改进此类MIMO系统的吞吐量、错误率、复杂性和功耗性能。

如此，不管MIMO信道的特定特性或MIMO信道损伤如何，本文所公开的实施方案可以提供用于学习信息表示的广泛适用的技术，所述信息表示实现了通过受损MIMO信道进行可靠通信。根据训练系统的配置以及所使用的数据集和信道模型，此类机器学习通信技术可以专门研究窄类条件、信号或MIMO信道类型的性能，或者可以概况和优化广泛范围的信号或MIMO信道类型或者一或多个信号或MIMO信道的混合的性能。

本文所公开的实施方案可以应用于广泛范围的MIMO无线电通信系统，如蜂窝系统、卫星系统、光学系统、声学系统、战术性网状网络系统、紧急手持、广播、点对点、Wi-Fi、蓝牙和经历传输损伤的MIMO无线电通信的其它形式。MIMO信道损伤可以包含例如，如高斯样噪声等热噪声到如干扰、多径衰落、脉冲噪声、杂散或连续堵塞、失真、硬件效应和MIMO信道的其它损伤等更复杂的损伤。在一些情况下，多收发器元件表示来自不同天线的在同一频带上的无线电传输，但是在其它情况下，多收发器元件可以表示在同一频带内通过不同的极化进行的传输或者通过多个不同的频带或媒体进行的信息传输。

在一些实施方案中，本文所公开的技术可以用于实施多用户MIMO系统，其中来自多个用户(每个用户利用多天线收发器)的不同信息通过共同的MIMO信道进行传送。系统可以被训练成针对每个用户学习编码和/或解码技术，所述编码和/或解码技术针对共享同一MIMO信道的所述多个用户实现了竞争目标的平衡。作为多用户实施方案的一个实例，在单个基站向多个移动用户传输的下行链路场景中，可以训练单个多用户编码器针对所述多个用户对信息进行编码，并且可以训练多个解码器针对所述多个用户中的每个用户对信息进行解码。作为多用户实施方案的另一个实例，在多个移动用户向单个基站传输的上行链路场景中，可以训练多个编码器针对所述多个用户中的每个用户对信息进行编码，并且可以训练单个解码器针对所述多个用户共同地对信息进行解码。在考虑了分布式MIMO的另一个示例实施方案中，多个基站可以跨MIMO信道针对小区内或跨小区的一或多个用户对信息进行编码或解码。

MIMO通信方案当前用于如长期演进(LTE)等蜂窝技术中并且实施各种分析推导方法，如波束形成、Alamouti编码或其它空时分组码或空间复用技术，目的是高效地从一组发射天线向一组接收天线传输信息。MIMO传输方案的使用有助于高效地使用多路径和多用户空间传播环境并且有助于提高信息传输的吞吐量、效率和弹性。这些方案是通过各种高度特定的信号处理算法得出的，所述算法是否在所有情形下都能达到最佳容量是未知的。尤其是在具有非线性效应的多用户MIMO系统中，目前并未很好地定义或表征最佳容量限制。相比之下，本文所公开的系统和方法利用了用于学习参数编码和解码网络的更具自适应性的方法，与上文提到的方案相比，所述方法可以通过利用在无线信道路径和效应上更多的自由度和更明智的分布来实现在弹性以及单用户容量和多用户容量两者和/或吞吐量方面的改进。

图1展示了实施至少一个机器学习网络以使用多天线收发器通过多输入多输出(MIMO)信道执行学习到的通信的射频(RF)系统100的实例。系统100包含发射器102和接收器104，所述发射器和所述接收器实施被训练成通过受损MIMO信道106通信的机器学习网络所学习的编码和解码技术。

在一些被称为“闭环”场景的场景中，发射器102还利用关于MIMO信道106的信道状态信息(CSI)118来执行编码。相比之下，发射器102在未受益于任何CSI 118的情况下对输入信息108进行编码的场景被称为“开环”场景。在闭环场景中，CSI 118可以例如使用被训练成估计CSI 118和/或将CSI 118传送到发射器102的机器学习网络所学习的技术生成。

然而，实施方案不限于使用机器学习网络在系统100中执行编码、解码和CSI估计/反馈的所有功能。一些实施方案反而可以利用机器学习网络在系统100中执行编码、解码和CSI估计/反馈技术中的仅一种或一些技术，并且系统100的其它部件可以实施预先设计的通信技术，围绕所述通信技术，机器学习网络被训练成适于通过MIMO信道106通信。

发射器102将输入信息108(和闭环场景中的CSI 118)转化成多个发射信号112，所述多个发射信号中的每个发射信号由多个发射天线中的一个发射天线通过MIMO信道106发射。类似地，接收器104可以接收多个接收信号114并且生成近似于原始输入信息108的重构信息110，所述多个接收信号中的每个接收信号由多个接收天线中的一个接收天线接收。另外，对于闭环场景，CSI 118可以由发射器102估计(例如使用反向信道或反向导频信号)或者可以由接收器104估计并且传送到发射器102(例如通过反馈信道)。

发射器102和/或接收器104可以通过更新过程116更新。发射器102和接收器104可以被训练成实现各种类型的目标函数，如重构误差量度、计算复杂性量度、带宽、等待时间、功率或其各种组合以及其它目标。例如，发射器102和/或接收器104可以实施通过更新过程116更新的一或多个机器学习网络。下文参考图3描述了此类网络结构的另外的细节，并且下文参考图4描述了训练的另外的细节。

在部署的场景中，发射器102和/或接收器104可以实施先前从训练中学习的或可以在部署期间(进一步)训练的技术。发射器102和/或接收器104可以被部署在各种应用场景中，以使用在训练期间学习的编码和/或解码和/或CSI表示进行通信。在一些实施方案中，可以在部署期间基于如重构误差、功耗、延迟等实时性能结果进一步更新发射器102和/或接收器104。下文参考图7描述了部署的另外的细节。在一些实施方案中，可以通过无线系统中的通信总线或协议消息以及用于帮助表征MIMO信道106的响应的信息来实施如CSI118或损失函数的错误反馈等反馈，所述协议消息可以用于更新发射器102和/或接收器104。

输入信息108和重构信息110可以是用于通过MIMO信道传送的任何适合形式的信息，如位流、数据包、离散时间信号或连续时间波形。本文所公开的实施方案不限于输入信息108和重构信息110的任何特定类型并且通常适用于学习用于通过MIMO信道106传送广泛的各种类型的信息的编码和解码技术。

发射器102和/或接收器104可以通过各种方式利用多个天线来获得优于单天线系统的优势。例如，发射器102和接收器104可以利用所述多个天线来实现空间复用增益或空间分集增益。空间复用增益场景涉及将输入信息108分成多个子流，所述多个子流从单独的发射天线同时发射，以提高效率、吞吐量或密度。相比之下，空间分集增益场景涉及通过所述多个发射天线发送相同的输入信息108或其不同的编码，从而平均化MIMO信道的严重损伤效应并且提高整体性能、可靠性或覆盖范围。

在空间复用增益场景中，发射器可以基于输入信息108确定多个信息部分，所述多个信息部分各自对应于用于通过所述多个发射天线中的一个发射天线发射的信息。基于每个信息部分，发射器可以生成多个RF信号112中的对应RF信号，以用于通过所述发射天线发射。类似地，在接收器处，可以处理接收到的RF信号114中的每个RF信号以生成多个较小速率的子流信息部分，所述多个较小速率的子流信息部分可以组合以产生重构信息110。

在空间分集增益场景中，发射器可以将相同的输入信息108转化成不同的RF信号112，以用于通过所述多个发射天线发射。类似地，在接收器处，可以共同处理不同的接收RF信号114以生成重构信息110。

在一些实施方案中，发射器102和接收器104采用一或多个信号处理操作，所述一或多个信号处理操作适于RF通信域的类型。作为实例，发射器102和/或接收器104可以实施滤波、调制、模数(A/D)或数模(D/A)转换、均衡化、子载波/时隙分配或可以适于特定类型的RF信号或MIMO通信域的其它信号处理方法。在一些实施方案中，发射器102和/或接收器104可以实施一或多个发射和接收天线以及适于使用多个天线通过MIMO信道106发射多个信号112并接收多个信号114的其它硬件或软件。

在此类场景中，如图1的实例所示，发射信号112和接收信号114可以表示通过多个天线利用MIMO信道106发射和接收的实际RF波形。因此，发射器102和接收器104可以表示信息108/110与RF波形112/114之间的广义映射。

相比之下，在一些实施方案中，系统100可以与发射器102和接收器104分开实施信号处理和RF发射/接收过程。在此类实施方案中，一或多个信号发射和/或信号接收组件，如滤波、调制、A/D或D/A转换、单个或多个天线等可以表示为MIMO信道106的一部分。因此，MIMO信道106中的损伤可以包含发射器/接收器效应，如滤波损伤、加性噪声或发射器和/或接收器组件中的其它损伤。因此，在此类场景中，发射信号112和接收信号114表示信息108/110的中间表示，并且信道106表示信息的那些中间表示向和从通过RF媒体发射和接收的实际RF波形的一般转化。例如，发射信号112和接收信号114中的每个发射信号和接收信号可以表示RF波形的基系数、RF波形的时域样本、在RF波形值上的分布或可以向和从RF波形转化的其它中间表示。

在训练场景中，可以将重构信息110与原始信息108进行比较，并且可以基于重构的结果训练(更新)发射器102和/或接收器104中的一或多个机器学习网络。在一些实施方案中，更新机器学习网络还可以基于其它因素，如机器学习网络的计算复杂性(所述计算复杂性可以例如通过参数的数量、乘法/加法的数量、执行时间、柯尔莫哥洛夫复杂性(Kolmogorov complexity)或以其它方式进行测量)、用于通过信道106进行通信的传输带宽或功率或者其各种组合以及其它度量。

在一些实施方案中，发射器102和/或接收器104可以包含人工神经网络，所述人工神经网络由参数乘法、加法和非线性特性的一或多个连接层组成。在此类场景中，更新发射器102和/或接收器104可以包含更新神经网络层的权重或更新神经网络层中的连通性或神经网络架构的其它修改，以便修改输入到输出的映射。

发射器102和/或接收器104可以被配置成使用任何适合的机器学习技术进行编码和/或解码和/或生成CSI 118。例如，发射器102可以被配置成学习从输入信息108到作为发射信号112的较低维或较高维表示的映射，所述发射信号使用多个发射天线发射。类似地，接收器104可以被配置成学习从较低维或较高维接收信号114到重构信息110的反向映射，所述较低维或较高维接收信号通过多个接收天线接收。

作为实例，发射器102和接收器104中实施的映射可以涉及学习RF信号的基函数集。在此类场景中，对于特定的基函数集，发射器102可以将输入信息108转化成对应于那些基函数的基系数集，并且然后，基系数可以用于生成多个发射的RF波形112中的对应RF波形(例如通过采用由基系数加权的基函数的加权组合)。类似地，接收器104可以通过由接收的RF波形114中的对应RF波形生成基系数集(例如通过将接收的RF波形投影到基函数集上)来生成重构信息110。基函数本身可以是任何适合的正交或非正交基函数集，受能量、振幅、带宽或其它条件的适当约束。

在闭环场景(具有CSI 118)中，发射器102可以实施编码映射，以在生成发射信号112时，除了输入信息108之外，还将CSI 118考虑在内。例如，接收器104可以实施从接收信号114到CSI 118的映射并且可以将CSI 118传送回发射器102。作为另一个实例，发射器102本身可以生成CSI 118(例如使用从接收器104到发射器102的反向信道或反向导频信号的输出)。CSI 118可以通过已经被训练成学习表示关于MIMO信道106的信息的机器学习网络生成，或者可以通过预先设计的CSI估计和/或CSI反馈技术(例如LTE蜂窝通信系统中使用的CSI预编码表)生成。

在一些情景中，例如为了降低复杂性，在部署期间，发射器102和/或接收器104可以利用基于训练机器学习网络的结果的简化技术。例如，发射器102和/或接收器104可以基于学习到的编码/解码映射利用近似法或紧凑查找表。在此类部署场景中，发射器102和/或接收器104可以实施更简化的结构，而不是完整的机器学习网络。例如，如蒸馏等技术可以用来训练执行同一信号处理功能的较小的机器学习网络。对此类部署场景的进一步讨论在下文关于图7提供。

在一些实施方案中，发射器102和/或接收器104可以包含被设计成便于通过MIMO信道进行通信的一或多个固定组件或算法，如专家同步器、均衡器、CSI量化器等。如此，在训练期间，可以训练发射器102和/或接收器104学习适于此类固定组件或算法的编码/解码技术。

由系统100发射和接收的RF信号可以包含任何适合的射频信号，如声学信号、光学信号或其它模拟波形。由系统100处理的RF信号的频谱可以在1kHz到300GHz的范围内。例如，此类RF信号包含在1kHz到30kHz之间的特低频(VLF)RF信号、在30kHz到300kHz之间的低频(LF)RF信号、在300kHz到1MHz之间的中频(MF)RF信号、在1MHz到30MHz之间的高频(HF)RF信号以及高达300GHz的高频RF信号。

作为一个可能的应用场景的实例，系统100可以用于使用一或多个发射和接收天线(即在本实例中从塔到移动装置的“下行链路”信道)进行从一或多个基站或接入点到移动装置(例如手机、膝上型计算机、物联网(IoT)装置等)的通信。此处，可以从蜂窝回程网络接收信息或者在蜂窝塔中产生信息以发射到如手机、膝上型计算机或IoT装置等蜂窝(或非蜂窝)移动装置。发射器102中的参数编码网络被蜂窝塔用于将信息108编码成信号112，所述信号经过无线电发射硬件和MIMO信道106中的无线信道路径以到达接收MIMO天线作为接收信号114。可以在移动装置处使用无线电调谐和ADC从每个接收天线恢复接收信号114中的样本信息，所述样本信息然后经过接收器104中的参数解码网络以恢复重构信息110。在一些实施方案中，可以使用位置信息来告知接收器104中的参数解码网络或在此过程中其在蜂窝移动装置上的权重。

作为应用场景的另一个实例，系统100可以用于使用一或多个发射和接收天线(即从移动装置到基站或塔的“上行链路”信道)进行从移动装置到一或多个基站或接入点的通信。在本实例中，蜂窝移动装置使用发射器102来发射编码信息108并使用多个发射天线通过MIMO信道106中的无线信道路径发射信号112，并且然后，实施接收器104的一或多个蜂窝塔使用多个接收天线接收信号114并消耗信息或将其传递到蜂窝回程网络。在本实例中，输入信息108可以由移动装置上的发射器102中的一或多个参数编码网络处理并且可以经过数模转换器、混频器和放大器以被转化成信号112从而用于从一或多个MIMO天线发射。这些信号112通过MIMO信道106中的无线信道路径发出以到达蜂窝塔上的接收器104处的多个天线，所述接收器例如通过经过参数解码器网络生成重构信息110。

在以上两个实例中，蜂窝下行链路系统和上行链路系统可以共同用于双向蜂窝传输协议，如蜂窝系统或蜂窝标准。在闭环实施方案中，此类系统中的移动装置和塔可以交换信道状态信息(CSI)，如可以在参数解码过程中使用的当前衰落状况。此CSI可以通过获得对可以被紧凑地传输到网络或移动装置的信道状态信息的离散化编码来量化此CSI。

图2展示了实施机器学习编码器网络的发射器和实施机器学习解码器网络的接收器的网络结构200的实例，所述实例可以在RF系统中实施以使用多天线收发器通过MIMO信道执行学习到的通信。

网络结构200使用形成编码器网络202和解码器网络204的一或多层。每层的输出被用作到网络中的下一层的输入。网络的每一层根据相应参数集的当前值由接收的输入生成输出。例如，在一些实施方案中，编码器网络202和/或解码器网络204可以包含可以被共同地或迭代地训练的多个网络。如此，图2中的网络输入208可以是原始信息(例如上文图1中的输入信息108和/或CSI 118)或者可以是编码器网络204中的先前一或多层的输出。类似地，网络输出210可以表示重构信息(例如上文图1中的重构信息110)或者可以是到解码器网络204中的后续一或多层的输入。在一些情况下，网络本质上可能不是连续的，从而利用了绕过或路由通过多个可能架构的各个层或神经元之间的连接。

在训练期间，可以训练编码器网络202和/或解码器网络204学习用于通过各种类型的MIMO信道进行通信的编码和/或解码技术。在部署期间，编码器网络202和/或解码器网络204(经过训练)可以在编码器和/或解码器中实施。可替代地，在一些部署场景中，部署的编码器和解码器可以基于训练编码器网络202和/或解码器网络204的结果利用简化的编码和解码映射。在后一种场景中，编码器网络202和/或解码器网络204仅在训练期间被利用并且提供了可以在真实世界系统中部署的更简化的编码器和解码器中利用的学习到的编码和/或解码技术。对此类简化部署场景的进一步讨论在下文关于图7提供。

在图2的实例中，使用被配置成自编码器的神经网络结构200实施编码器网络202和解码器网络204。在自编码器结构的场景中，共同训练编码器和解码器学习用于通过MIMO信道206传达的信息的最佳表示。然而，通常，网络结构200可以被配置成编码器网络202和解码器网络204中的单独的网络，所述编码器网络和所述解码器网络可以被共同地或迭代地训练。在训练期间，可以通过网络更新过程216来更新编码器网络202和/或解码器网络204。

通常，编码器网络202和/或解码器网络204可以包含输入和中间值的乘法、除法和求和或其它运算的一或多个集合，任选地之后是非线性特性(如修正性线性单元、S型函数或其它)或其它运算(例如归一化)，所述运算可以以前馈的方式或以具有反馈和层内连接的方式布置(例如在一些情况下可以使用训练信息序列循环神经网络(RNN))。例如，循环神经网络可以是包含一或多个长短期记忆(LSTM)块的LSTM神经网络或将卷积网络的元素与循环网络组合的准循环神经网络(QRNN)。

网络中的参数和权重值可以如在完全连接的深度神经网络(DNN)中那样用于单次乘法，或者所述参数和权重值可以跨网络内的多个位置被“连结”或复制以形成一或多个感受野，如在卷积神经网络、扩张卷积神经网络、残差网络单元或类似环境中。这些层中的一或多层的集合可以构成编码器202和解码器204两者，如图2的实例所示出的。可以在设计时明确地指定或者可以从多个可能的架构候选项中选择网络的具体结构，以确定表现最佳的候选项。

在一些实施方案中，编码器网络202可以包含输出层，所述输出层包含线性回归层。解码器网络204可以包含以下中的至少一个：(i)包含用于在对接收的RF信号214进行解码时对重构信息210进行回归分析的线性层的输出层；或者(ii)用于对接收的RF信号214进行概率回归分析或削波的S型或硬S型激活层；或者(iii)激活可以计算概率表达的如SoftMax或分层SoftMax等S型表达的组合，所述概率表达如离散消息、消息的离散部分或者一或多个位的伪似然度或伪概率。

在一些实施方案中，编码器网络202和/或解码器网络204可以包含实施如同步、均衡等固定通信算法的一或多层。如此，在一些场景中，可以训练和部署编码器网络202和/或解码器网络204基于网络中的此类固定层学习适合的编码和/或解码技术。因此，本文所公开的网络结构200通常实现了对编码器网络202和解码器网络204的灵活设计和训练，例如通过并入一或多个现有的通信算法，所述通信算法可以结合机器学习技术被部署在真实世界系统中以围绕这些固定算法进行优化。

图2的实例仅示出了可以实施的网络结构的一种可能的实施方案。通常，实施方案不限于这些具体类型的层，并且可以使用层和非线性特性的其它配置，如密集的、完全连接的和/或DNN层，包含修正性线性单元(ReLU)、S型、双曲正切(tanh)等。网络结构200使用这些层来预测接收的输入208的输出210。在一些实施方案中，可以在编码器202的输出上实施线性回归层，并且可以在解码器204的输出上实施线性层(以用于软解码)，或者可以在解码器204的输出上实施硬S型激活(以用于硬解码)。

由编码器202创建的多个发射信号212可以是模拟形式的实际RF波形，或者可以各自是时间、频率或任何其它信号表示基础上的一系列无线电样本，或者可以是中间表示(例如RF样本、基系数、在RF波形值上的分布等)，以用于将输入信息208映射到RF波形中以通过MIMO信道206传输。类似地，多个接收信号214可以是模拟形式的实际接收的RF波形，或者可以是中间表示(例如RF样本、基系数、在RF波形值上的分布等)，以用于将接收的RF波形映射到重构信息210中。例如，在编码器202和解码器204被实施为变分自编码器的场景中，多个发射的RF信号212和多个接收的RF信号214可以各自表示在RF波形值上的分布。

网络结构200还可以包含一或多个MIMO信道建模层207(用于对MIMO信道效应206进行建模)，所述一或多个信道建模层可以是随机层(例如正则化层)。在一些情况下，MIMO信道建模层207可以具有在卷积网络层权重上的权重正则化、在密集网络层激活上的活动正则化或者在激活或权重上的如丢失或噪声等其它随机损伤中的至少一个。在一些情况下或者除这些情况之外，层还可以执行MIMO信道系统(如放大器、天线或其它RF组件行为)中存在的非线性特性的另外的求近似，或者层还可以利用变分层，如从由权重或激活指定或参数化的随机分布中采样。

在一些实施方案中，一或多个MIMO信道建模层207可以对MIMO信道206中的损伤效应进行建模，所述损伤效应可以包含MIMO RF媒体和/或MIMO系统中的多个发射和/或接收天线的发射和接收组件中的各种类型的损伤。此类MIMO信道建模层207可以在网络结构200的训练期间被实施，在这种情况下，所述一或多个MIMO信道建模层207可以被实施为总体自编码器结构中的一或多层，以表示MIMO信道206的损伤效应。在实际MIMO信道上评估或部署期间，MIMO信道206将会是真实世界MIMO通信信道(包含可能的发射器和/或接收器效应)，并且对应的MIMO信道建模层207将会从部署中被移除，只有编码器202和解码器204的网络层被部署在真实MIMO信道206上。

然而，出于各种原因，MIMO信道建模层207通常可以实施网络结构200的不同部分，如以预防过度拟合、或实施丢失(如对卷积层权重的惩罚)以鼓励最小能量基础、或对密集层激活实施惩罚以鼓励解的稀疏性、或改善系统对未看见的状况或者信道状态或行为的泛化。

在使用一或多个MIMO信道建模层207对MIMO信道206进行建模的训练场景中，网络结构200可以实施域特定的正则化来对RF信道损伤效应进行建模。例如，所述一或多个MIMO信道建模层207可以对在无线RF系统中空中传输期间出现的不同类型的损伤进行建模，如接收信号中的加性高斯热噪声、未知的到达时间和速率、载波频率和相位偏移、衰落、硬件失真、干扰和/或延迟扩展。

此类MIMO信道建模层207，如高斯噪声和丢失，可以在训练期间使用并且在真实信道上评估或部署期间移除。在无线电通信中，可以通过将实值高斯随机变量加到不同的信号分量来对如加性高斯白噪声(AWGN)等加性噪声进行建模，所述信号分量可以是经过信道的信号基函数(例如同相(I)和正交(Q)分量)。在一些实施方案中，可以在AWGN效应之前实施归一化层，所述归一化层使平均功率输入激活例如相对于等于1的归一化值归一化。这种形式的约束可以应用于编码器202，以实施广泛范围的可能波形设计标准，如最大功率、最小功率、平均功率、平均振幅、峰均功率比或可以用作硬约束的发射波形的广泛范围的性质。可替代地，类似的此类波形设计目标可以作为软约束被包含在内，所述软约束在训练期间被组合到网络的损失函数中，如以下关于图4进一步讨论的。

MIMO信道建模层207还可以被实施成例如通过在时域中应用随机或先验的未知偏移和缩放来对未知的到达时间和速率进行建模，这可以对无线电传播时间变化并且分布式无线电系统上的时钟不同步的场景进行建模。可以通过例如具有高斯分布的随机时间偏移和随机时间膨胀率对这些效应建模。

作为MIMO信道建模层207的其它实例，载波频率和相位偏移可以被建模为信号分量的旋转，所述信号分量可以是信号基函数。在一些实施方案中，可以使用复杂的基带表示进行采样，在这种情况下，由于发射器和接收器上的非同步振荡器导致的到达的中心频率和绝对相位的未知偏移以及多普勒频移可能导致不同信号分量的静态或线性极性混合。为了模拟真实系统并改善泛化，此类MIMO信道建模层207可以基于由于独立的漂移振荡器引起的预期中心频率偏移误差随机地选择相位和频率偏移或线性相位斜坡。

作为MIMO信道建模层207的又一个实例，可以对接收的信号214中的延迟扩展进行建模，以模拟到达接收器的多个信号的多个延迟和相位偏移副本的到达。由于这被模拟为线性系统并且我们假设在单个采样时间窗口内具有稳定性，因此我们可以选择随机非脉冲信道延迟扩展滤波器并且将其与接收信号卷积，以获得根据随机信道响应在时间上线性地扩展的输出。例如，在信号窗口小于信道相干时间的场景中，这种假设可能是适合的。在信号窗口大于信道相干时间的场景中，信道进程可以被建模为具有一定相干程度的序列，并且网络200可以学习校正延迟扩展模式(例如由于MIMO信道中的多个路径导致的或者由于硬件组件中的存储器效应导致的)的序列的技术。

此类延迟扩展和相干时间可以在不同类型的通信系统中变化，包含有时可以具有非常短的脉冲信道响应的金属线和基于空间的无线系统或者可以具有较长延迟扩展的高频且密集的多径无线系统。在一些实施方案中，延迟扩展被建模为MIMO信道建模层207，所述MIMO信道建模层对发射的RF信号212实施一或多个卷积或滤波操作。

在一些实施方案中，网络结构200可以与一或多种固定发射和/或接收技术一起使用，并且可以适配编码网络202和/或解码网络204的层，以学习适于那些固定发射/接收组件的编码和解码操作。例如，在一些场景中，网络结构200可以采用固定滤波、采样、调制、均衡、子载波分配、参考信号插入、编码或其它发射/接收技术，并且可以学习适配总体通信系统以最好地利用那些固定组件的适合的网络层参数或网络结构。

网络结构200的总体设计目标可以是获得经受其它目标或约束的重构信息210的期望重构性能。例如，系统的某些实现可以有利于降低功率和/或带宽、改进用于通过信道传输的RF信号212的其它性质或改进计算复杂性。如此，系统可以评估这些目标之间的权衡，这可以用来帮助确定用于编码、解码或其它信号推理任务的特定架构。

图3A展示了可以在RF系统中实施以在没有信道状态信息(CSI)的帮助下使用多天线收发器通过MIMO信道执行学习到的通信的开环网络结构300的实例。在本实例中，发射器302实施机器学习编码器网络并且接收器304实施机器学习解码器网络，所述机器学习编码器网络和所述机器学习解码器网络各自包含可以被训练成通过MIMO信道306进行通信的一或多个神经网络层，如上文参考图2所详述的。然而，实施方案不限于此，并且系统可以总体上只在发射器302或接收器304中的一个中实施机器学习网络。

发射器302中的编码器网络包含将输入信息308转化成多个RF信号312以用于通过MIMO信道306发射的一或多个神经网络层，如上文参考图2所详述的。MIMO信道306包含对MIMO信道进行建模的一或多个神经网络层，并且可以另外包含使用发射器和/或接收器组件对发射和/或接收效应进行建模的层，如上文参考图2所详述的。接收器304包含将从MIMO信道306接收的多个RF信号314转化成重构信息310的一或多个神经网络层，如上文参考图2所详述。

在训练期间，可以使用分析、模拟或真实信道数据模型对MIMO信道306进行建模。例如，在图3A中，使用随机化模型对MIMO信道306进行建模，所述随机化模型除了噪声层之外还实施了乘法效应层。在一些实施方案中，MIMO信道模型的层可以根据被配置成基于与N

图3B展示了可以在RF系统中实施以在受益于信道状态信息(CSI)的情况下使用多天线收发器通过MIMO信道执行学习到的通信的闭环网络结构350的实例。尽管图3B的实例示出了CSI在接收器处生成并且反馈回发射器，但是实施方案并不限于此，并且CSI可以可替代地例如通过利用反向信道或反向导频信号在发射器处生成。

与上文参考图3A所讨论的实例类似，图3B的实例示出了发射器352中的编码器网络包含将输入信息358转化成多个RF信号362以用于通过MIMO信道356发射的一或多个神经网络层。接收器354包含将从MIMO信道356接收的多个RF信号364转化成重构信息360的一或多个神经网络层。

然而，在图3B的本实例中，接收器354进一步实施了CSI估计器370，所述CSI估计器生成CSI 368并且将其传输回发射器352。CSI 368可以基于接收的RF信号364生成并且可以指示关于MIMO信道356的各种类型的信息，例如MIMO信道356的状态或关于系统的多个天线的空间信息或关于MIMO信道356的多个用户的调度信息。

在本实例中，接收器354处的解码器网络在未明确知晓随机信道状态的情况下生成重构信息360，但是然后可以将随机信道状态估计为CSI 368以传输回发射器352(例如以协助下一个数据包的编码)或者可以直接使用估计的CSI 368以在反向链路上传输信息。

除了输入信息308之外，CSI 368也可以被发射器352利用以生成输入RF信号362从而用于通过MIMO信道356发射。如此，可以将CSI 368与输入信息308组合到发射器352处的编码网络中以获得经过改进的发射表示，从而鉴于当前随机信道状态有效地利用MIMO信道模型356。可替代地或另外，在一些实施方案中，CSI 368可以被用于更新MIMO信道模型356，例如在训练期间以实现经过改进的训练结果。

在一些实施方案中，CSI估计器370本身可以实施机器学习网络，例如如图3B所示，包含一或多个神经网络层。可以训练CSI估计器370中的CSI机器学习网络学习接收的RF信号364到CSI 368的表示，所述表示指示信道的随机状态。例如，可以训练CSI机器学习网络生成CSI作为信道信息的表示，所述表示可以指示MIMO信道的状态或空间信息或关于MIMO信道的多个用户的调度信息。

在一些实施方案中，CSI 368可以表示学习到的指示未压缩的信道信息(但是仍然典型地估计而不指示对信道状态的完全认知)的“完整CSI”学习模型，或者可以表示“紧凑CSI”学习模型(例如使用部分/有损/离散化CSI)。后一种场景可以例如通过减小维度或将信道信息量化或分类成离散数量的状态或有限数量的位中的一种作为CSI(这可以被称为“CSI嵌入”)来实现。在CSI嵌入的本场景中，可以为CSI估计器370选择广泛范围的不同参数机器学习网络，使得CSI使用最小位以准确的方式准确地表示信道信息。可以针对某些SNR级别、天线的数量或多天线传播条件优化CSI嵌入。在一些情况下，可以使用超参数优化方法或系统，以便在CSI估计器370中选择最好地满足所得系统在位误码率、信息密度、信号线性度和计算复杂性方面的工程和性能需求的CSI机器学习网络。

图4展示了训练实施至少一个机器学习网络以学习使用多天线收发器通过MIMO信道进行通信的RF系统400的实例。系统400包含实施编码器网络402的发射器和实施解码器网络404的接收器，所述编码器网络和所述解码器网络被训练成通过MIMO信道406通信。图4所展示的训练可以在部署之前实施或者在一些场景中可以作为部署的一部分被并入，例如以便基于真实世界性能进一步更新和精制编码器网络402和/或解码器网络404。

在闭环场景中，系统400还可以包含CSI估计器420，所述CSI估计器生成了编码器网络402另外使用的CSI 418，如上文中先前参考图3B所述。然而，在开环场景中，系统400不实施CSI估计器420。在闭环场景中，CSI估计器420本身可以实施可以被训练成生成CSI 418的机器学习网络。然而，实施方案不限于将机器学习网络用于所有编码、解码和CSI估计，因为一些实施方案可以将机器学习网络用于编码或解码中的仅一个，或者可替代地，可以将机器学习网络仅用于CSI估计器420，同时将预先设计的组件用于系统400的其它功能。

在一些实施方案中，编码器网络402和解码器网络404可以用于训练以学习适合的编码和解码映射，并且此类映射可以在使用更简化的编码器和解码器的部署系统中实施。例如，部署的系统可以利用在编码器处使用查找表和在解码器处使用基于距离的度量或使用基于训练编码器网络402和解码器网络404的结果设计的编码和解码的其它简化形式。类似地，CSI估计器420可以实施用于训练以学习适合的CSI估计的机器学习网络，并且此类映射可以在使用更简化的CSI估计器的部署系统中实施。对此类简化部署场景的进一步讨论在下文关于图7提供。

在训练期间实施的信道406可以是经由模拟和/或基于真实世界RF信道数据获得的RF信道的模型。例如，在一些实施方案中，训练可以从模拟的信道模型开始并且基于反映真实世界传播环境或发射器数据的模拟传播模型训练编码器网络402、解码器网络404和/或CSI估计器420。编码器网络402、解码器网络404和/或CSI估计器420然后可以针对真实信道进一步训练，在所述真实信道中，硬件与训练反馈环路一起使用。

在一些实施方案中，信道406的模型可以包含发射器和接收器组件的效应，如滤波、调制等。例如，在模拟信道被用于训练的场景中，可以利用适合具体硬件/软件和无线部署条件集的分析型信道损伤模型。如此，图4中的训练可以训练编码器网络402、解码器网络404和/或CSI估计器420，以在不同的信道条件下操作，以及用于不同的真实世界发射器、接收器和CSI估计器场景。

在训练期间，编码器网络402、解码器网络404和/或CSI估计器420可以被共同地训练或者迭代地训练。例如，编码器网络402、解码器网络404和/或CSI估计器420可以被共同地训练为自编码器(如上文关于图2所述)。在一些实施方案中，可以分别训练编码器网络402、解码器网络404和/或CSI估计器420。

在此类场景中，可以通过先前的训练或通过预先设计的发射/接收/CSI方案来固定系统400中的机器学习网络中的一个或一些机器学习网络，而其它网络被训练成学习适于固定对等网络的编码/解码/CSI策略。例如，编码器网络402可以被固定成生成输入信息408到发射的RF信号412的特定映射，并且CSI估计器420可以被固定成生成接收的RF信号414到CSI 418的特定映射。同时，解码器网络404可以被训练成学习从接收的RF信号414到最适于固定编码器402和固定CSI估计器420的重构信息410的映射。

在一些实施方案中，输入信息408可以由用于训练目的的训练数据表示。训练数据可以具有不同于输入信息408的形式，但是出于训练的目的，可以表示输入信息408。在此类场景中，编码器网络402可以处理表示第一信息的训练数据，并且解码器网络404可以生成重构信息410作为由训练数据表示的第一信息408的重构。

系统400可以计算原始输入信息408与重构信息410之间的损失函数412。损失函数412可以是输入信息408与重构信息410之间的任何适合的距离量度，如交叉熵、f散度、均方误差或其它几何距离度量(例如平均绝对误差(MAE))。在一些实施方案中，损失函数412可以将若干个几何的、基于熵的和/或其它种类的距离度量组合成距离或损失的聚合表达。

在一些实施方案中，另外的损失项可以与此类主要损失项组合地用于损失函数412中，例如以实现次要目标(例如减少施加于次要接收器上的干扰或改善有利的信号性质(如峰均功率比(PAPR))或平衡天线之间的功率)。

除了实现包含损失函数412的目标之外，系统400还可以被配置成实现与其它性能量度有关的目标，如功率、带宽、复杂性或与通信相关的其它性能度量。在一些实施方案中，系统400可以被配置成在不同的性能度量之间实现期望的权衡。例如，实现此类权衡可以使用将不同度量组合为例如度量的加权组合的目标函数实施。另外或作为替代性方案，这种权衡可以通过根据用户偏好或应用规格选择模型来实现。另外或作为替代性方案，系统400可以实施对性能度量的一或多个硬约束，如对功率、带宽、重构误差等的约束。

在一些实施方案中，网络更新过程416可以基于各种性能度量更新编码器网络402、解码器网络404和/或CSI估计器420。此更新可以包含对编码器网络402、解码器网络404和/或CSI估计器420中网络的网络架构、参数或权重的更新。例如，更新可以包含更新一或多个网络的一或多层中的权重或参数、为所述一或多个网络选择机器学习模型或选择具体网络架构，如选择层、层超参数或其它网络特征。如所讨论的，可以以共同或迭代的方式或者单独地(如在网络中的一个或一些网络固定的情况下)对编码器网络402、解码器网络404和/或CSI估计器420实施更新。

如上文所讨论的，通过网络更新过程416执行的更新可以在部署之前在训练学习适合的编码、解码和/或CSI估计技术期间执行，和/或可以在部署期间(在部署的编码器、解码器和/或CSI估计器实施了机器学习网络时)执行以基于真实世界部署性能结果进一步更新机器学习网络。

在一些实施方案中，网络更新过程416可以更新编码器网络402、解码器网络304和/或CSI估计器420，以实现期望的目标函数，所述目标函数可以包含损失函数412和上文所讨论的其它性能度量。在一些实施方案中，网络更新过程416可以利用优化方法，如进化、梯度下降、随机梯度下降或其它求解技术中的一种。

作为基于梯度的更新的实例，网络更新过程416可以例如通过计算目标函数的梯度或对其求近似来计算目标函数相对于编码器网络402、解码器网络404和/或CSI估计器420的变化的变化率。此类变化可以包含例如如图4的实例所示的一或多个网络层的权重的变化或其它网络架构选择。在信道406基于真实RF信道数据并且不具有封闭形式梯度解的场景中，可以使用近似法来估计目标函数的梯度。

基于计算的目标函数的变化率，网络更新过程416可以针对编码器网络402确定第一变化和/或针对解码器网络404确定第二变化和/或针对CSI估计器420确定第三变化。这些变化可以例如使用随机梯度下降(SGD)风格优化器计算，如Adam、AdaGrad、Nesterov SGD或其它。在一些实施方案中，这些变化可以使用用于直接搜索的其它可缩放方法计算，如进化算法或粒子群优化。

一旦确定了变化，网络更新过程416就将这些变化应用于适合的机器学习网络。例如，网络更新过程416可以更新编码器网络402的一或多层中的至少一个编码网络权重、解码器网络404的一或多层中的至少一个解码网络权重和/或CSI估计器420的一或多层中的至少一个解码网络权重。

通常，更新系统400的机器学习网络不限于更新网络权重，并且可以实施其它类型的更新。例如，更新机器学习网络可以包含从多个编码模型中为编码器网络402选择机器学习模型、为解码器网络404选择机器学习模型和/或从多个CSI估计模型中为CSI估计器420选择机器学习模型。在此类实施方案中，选择机器学习模型可以包含选择具体的网络架构，如选择层、层超参数或其它网络特征。

可以在MIMO信道406和/或CSI反馈信道的各种训练模型上训练编码器网络402、解码器网络404和/或CSI估计器420，所述各种训练模型可以是相同类型或不同类型的MIMO信道模型。根据信道406的一组模型的组成，可以优化编码器网络402、解码器网络404和/或CSI估计器420中的至少一个以通过某种类型的MIMO信道和/或CSI反馈信道或者广泛范围的不同类型的MIMO信道和/或CSI反馈信道进行通信。

在一些实施方案中，MIMO信道406的模型可以被分类成许多不同的模式。在训练期间，可以在MIMO信道406的不同模式下训练编码器网络402、解码器网络404和/或CSI估计器420。对于这些模式中的每个模式，一或多个机器学习网络可以针对不同的信道模式学习适合的编码/解码/CSI估计技术。MIMO信道406的不同模式可以表示信道条件的任何适合的分类，如噪声水平、SNR、延迟扩展、信道变化率、带宽等。类似地，可以在CSI反馈信道的不同模式下训练CSI估计器420，例如从而表示不同的噪声水平、带宽等。

在一些实施方案中，代替MIMO信道406是模拟信道，真实信道可以用于训练编码器网络402和/或解码器网络304。在此类实施方案中，可以实施另外的发射和接收组件(硬件或软件)以通过真实信道发射和接收模拟RF波形。此类发射和接收组件可以在编码器网络402和解码器网络404中实施，或者它们的效应可以包含在MIMIO信道406的模型中考虑的信道效应中。如此，图4中的训练可以通过任何适合的MIMO信道406(无论是模拟的还是真实的)执行，以训练编码器网络402、解码器网络404和/或CSI估计器420学习适合的编码/解码/CSI估计技术。

在一些实施方案中，在训练使用真实世界环境中的参考声探的MIMO通信系统期间，可以对MIMO信道模型406的无线信道传播信息进行测量。在此类系统中，可以使用MIMO声探记录器(所述MIMO声探记录器可以集成在听筒或移动装置中或者可以集成在移动嵌入式装置中，如无人机或车辆上)来表征蜂窝塔(或其它类似的接入点、基站或RF收发器/网关)与如电话、膝上型计算机或物联网(IoT)装置等移动装置之间的无线信道路径的效应，所述移动装置将会与MIMO声探记录器位于相同的位置。在这种情况下，蜂窝塔可以使用如传输已知的P/N序列、前导码或其它参考信号等参考信号生成过程、如混频器、数模转换器、滤波器、放大器等无线电传输硬件以及一组发射天线。这些信号通过声探记录器处的发射器天线与接收器天线之间的真实世界MIMO信道中的无线信道路径集发出。无线电调谐和模数转换器(ADC)在MIMO声探记录器处接收发射信号并将发射信号数字化。在一些实施方案中，使用任选的同步算法来定位参考信号并且对参考信号执行评估或同步任务。

随后，将无线电信道响应即导出的信息或原始接收信号存储在装置上，以保持测量时无线信道路径上存在的状况的记录。在一些实施方案中，还可以对MIMO声探记录器执行位置信息接收和储存，以将此信息与关于MIMO信道环境的空间信息相关，所述空间信息稍后可以在训练或部署MIMO通信系统期间使用。此存储的信息可以产生真实测量的信道传播条件的大型经验数据集，所述大型经验数据集可以用于在训练新无线电通信系统期间由记录的声探数据生成MIMO信道模型406。

在训练期间，编码器网络402可以被配置成学习从输入信息408到多个发射的RF信号412的映射。类似地，解码器网络404可以被配置成学习从多个接收的RF信号414到重构信息410的反向映射。如上文所讨论的，发射的RF信号412和接收的RF信号414可以表示通过MIMO信道发射和接收的模拟RF波形，或者可以表示通过如滤波器、调制器、均衡器等一或多个其它组件的处理向或从模拟RF波形转化的中间表示(例如RF波形样本、基函数系数、在RF波形上的分布等)。例如，在编码器网络402和解码器网络404被实施为变分自编码器的场景中(如上文关于图2所讨论的)，RF信号412和414可以表示在RF波形值上的分布。发射的RF信号412和接收的RF信号414通常可以表示编码器网络402和解码器网络404学习到的用于通过特定信道或特定种类的信道对信息进行编码和解码的任何适合的RF信号表示。

在一些实施方案中，编码和解码映射可以涉及基函数集。基函数可以被编码器网络402用于将输入信息408转化成发射的RF信号412，所述发射的RF信号中的每个RF信号可以是基系数集或是基函数的加权组合的RF波形或使用特定基函数集的其它适合的表示。类似地，解码器网络404可以使用相同的基函数集处理接收的RF信号414以生成重构信息410，例如通过将RF信号414中的每个RF信号投影到基函数集上以生成基系数，或在RF信号414中的每个RF信号本身是基系数集的场景中，通过将RF信号414中的每个RF信号中的基系数转化成重构信息410。

基函数可以是任何适合的正交或非正交基函数集。例如，基函数可以是同相和正交相位(I/Q)信号、傅立叶基函数、多项式基函数、高斯基函数、指数基函数、小波基函数或这些和/或其它可以用来表示通过信道传输的RF波形的适合的基函数集的组合。基函数可以具有不同的相位、振幅和/或频率分量。在一些实施方案中，基函数可以被参数化，并且训练可以涉及优化基函数的参数。

训练编码器网络402和解码器网络404可以从任何适合的初始条件集开始。例如，训练可以从受某些条件限制的随机的基函数集开始。可替代地，训练可以从固定的基函数集开始，如常用的RF通信基函数，包含正交相移键控(QPSK)或高斯二进制频移键控(GFSK)、正交频分多址(OFDM)、先前训练的机器学习网络集或其它固定的基函数集。

在训练期间，编码器网络402和解码器网络404试图根据编码和解码的结果学习改进的基函数。训练编码器402和解码器404可以涉及例如使用贪婪搜索或其它优化型算法优化基函数集或不同的基函数集。

在一些实施方案中，可以从训练的信息集中选择输入信息408。在一些实施方案中，输入信息408可以限于特定种类的信息，如二进制信息、离散时间信息、模拟波形或其它种类的信息。在此类场景中，训练系统400学习通信编码和解码技术，所述通信编码和解码技术被调谐以(通过特定信道或特定种类的信道)传送所述特定种类的信息。通过对不同类型的信息408和不同类型的MIMO信道406进行训练，可以训练系统400学习适于不同通信场景的不同编码和解码操作。

损失函数412可以是输入信息408与重构信息410之间的距离的任何适合的量度或量度组合。例如，损失函数412可以包含交叉熵、f散度、均方误差(MSE)、根据MSE惩罚预测值但仅针对落在决策阈值错误一侧的值的截取MSE、以指数方式惩罚损失的指数损失函数或者一或多个其它适合的距离度量。

另外，如上文所讨论的，其它性能度量可以并入训练中，例如作为损失函数412的一部分和/或作为硬约束等。例如，此类性能度量可以包含码字错误率(CER)、作为信噪比(SNR)的函数的位误码率(BER)、通信带宽、通信功率、频谱效率(在特定SNR下可以通过固定带宽信道传输的每秒位数)。除了损失函数412之外，此类度量中的任何一个或组合可以在训练期间用作损失函数412的一部分(例如作为加权组合)和/或作为硬约束。

图5是展示了训练实施至少一个机器学习网络以学习使用多天线收发器在CSI的反馈下通过MIMO信道进行通信的RF系统的示例方法500的流程图。训练方法500可以由执行在计算机存储媒体上编码的指令的一或多个处理器执行，如一或多个中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、任务处理单元(TPU)或者神经形态芯片或向量加速器。

训练方法500包含确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施至少一个机器学习网络(502)。如上文所讨论的，所述至少一个机器学习网络可以是编码机器学习网络、解码机器学习网络和/或CSI估计机器学习网络。

方法500进一步包含确定表示MIMO通信信道的传输效应的MIMO信道模型(504)。如上文所讨论的，可以使用分析模型、模拟模型或真实世界传播数据实施MIMO信道模型。

方法500进一步包含确定用于通过MIMO信道模型传输的第一信息(506)。如上文所讨论的，第一信息可以是任何适合的离散时间、模拟、离散值或连续值信息。例如，在一些情况下，该输入信息可以是白化的离散位或符号，或者在其它情况下，输入信息可以遵循非白化信息源的分布。如上文先前关于图4所讨论的，在一些实施方案中，第一信息可以由用于训练目的的训练数据表示。在此类场景中，训练数据可以具有不同于第一信息的形式，但是出于训练的目的，可以表示第一信息。

方法500进一步包含使用发射器处理第一信息并且生成表示到MIMO信道模型的输入的多个第一RF信号(508)。如上文所讨论的，在一些实施方案中，第一信息可以由训练数据表示，在这种情况下，发射器处理表示第一信息的训练数据。此外，如上文所讨论的，生成的第一RF信号可以表示通过信道发射的模拟RF波形或者可以是经受进一步处理(例如滤波、D/A转换、调制等)以生成模拟RF波形的中间表示(例如样本、基系数、在RF波形上的分布等)。这种编码过程可以利用从输入信息空间到RF信号空间的任何适合的映射，如上文关于图4所讨论的。在闭环场景中，处理第一信息还包含处理由CSI估计器生成的CSI，如上文参考图3B所讨论的。

方法500进一步包含确定表示MIMO信道模型的输出的多个第二RF信号，所述多个第二RF信号的每个第二RF信号表示经由通过MIMO信道模型的传输改变的所述多个第一RF信号的聚合接收(510)。在训练场景中，通信信道的效应可以由通过模拟和/或真实信道数据获得的信道模型实施或者可以由真实世界通信信道实施。如上文所讨论的，第二RF信号中的每个第二RF信号可以表示通过信道接收的模拟RF波形或者可以是处理(例如滤波、采样、均衡等)接收的模拟RF波形的结果的中间表示(例如样本、基系数、在RF波形上的分布等)。

方法500进一步包含使用接收器处理所述多个第二RF信号并且生成第二信息作为第一信息的重构(512)。如上文先前关于图4所讨论的，在一些实施方案中，第一信息可能已经由用于训练目的的训练数据表示。在此类场景中，输入的训练数据可以具有与原始第一信息不同的形式，尽管如此，但是接收器可以生成第二信息作为由训练数据表示的第一信息的重构。此解码过程可以利用从RF信号空间到重构信息空间的任何适合的映射，如上文关于图4所讨论的。

方法500进一步包含计算第二信息与第一信息之间的距离量度(514)。此距离量度可以实施为损失函数(例如图4中的损失函数318)并且可以表示原始输入信息与第二(重构)信息之间的差异或误差。作为实例，距离量度可以包含交叉熵、均方误差或其它几何距离度量(例如MSE、MAE、KL散度、f散度)或者可以将若干个几何和/或基于熵的距离度量组合成距离的聚合表达。

方法500进一步包含基于第二信息与第一信息之间的距离量度更新所述至少一个机器学习网络(516)。如上文所讨论的，此更新可以以共同或迭代的方式或者单独地应用于发射器和/或接收器中的机器学习网络。在闭环场景中，更新可以适用于接收器中的CSI估计器。如上文关于图4所讨论的，更新通常可以包含更新发射器和/或接收器的任何适合的机器学习网络特征，如网络权重、架构选择、机器学习模型或者其它参数或连通性设计。作为实例，在一些实施方案中，如果发射器和/或接收器被训练成学习用于通过MIMO信道进行通信的基函数集，那么更新过程可以包含更新在发射器和/或接收器中利用的基函数集。

图6A和6B展示了可以由机器学习网络学习以用于在没有CSI的帮助下(即开环场景)通过MIMO信道进行通信的不同类型的发射和接收RF信号的实例。信号可以对应于上文图4中先前讨论的发射的RF信号412和接收的RF信号414。

具体地，图6A和6B展示了双输入双输出(2x2)MIMO信道的开环发射星座图(图6A和6B中的每个图中的上面两个图)和开环接收星座图(图6A和6B中的每个图中的下面两个图)。图6A示出了MIMO信道的许多随机信道样本上的发射星座图和接收星座图，其中信道转换矩阵H的所有条目是随机选择的，而图6B示出了全为1的H矩阵的星座图。如所示出的，对于每个信道具有大致均匀的功率的H矩阵，机器学习解码器网络学习具有几乎恒定的振幅相位编码的接收波形，而编码器网络学习看起来完全随机的布置2

因此，基于此类训练，可以部署编码器和/或解码器以针对不同的信道条件(例如不同的信道转换矩阵H)以自适应的方式利用不同的发射星座图集和接收星座图集。例如，在机器学习网络被部署在真实世界通信系统中的场景中，系统可以获得信道状态信息(CSI)并根据信道的状态调整编码器网络和/或解码器网络。根据信道的状态，编码器网络和/或解码器网络可以仅调整同一星座图集的参数(例如传输功率)或者可以完全改变星座图集(例如通过在图6A和6B中的星座图之间切换)。此类更新还可以在部署期间基于简化的编码器和/或解码器执行，所述编码器和/或解码器并未利用完整的机器学习网络，而是基于训练对应编码器机器学习网络和解码器机器学习网络的结果利用了简化的编码和/或解码技术。

图6C和6D展示了可以由机器学习网络学习用于在受益于CSI的情况下(即闭环场景)通过MIMO信道进行通信的不同类型的发射和接收RF信号的实例。信号可以对应于上文图4中先前讨论的发射的RF信号412和接收的RF信号414。

具体地，图6C和6D展示了具有1位CSI和2位CSI的双输入和双输出(2x2)MIMO信道的闭环发射星座图(图6C和6D中的每个图中的上面一行四个图)和闭环接收星座图(图6C和6D中的每个图中的下面一行四个图)。图6C示出了MIMO信道的许多随机信道样本上的发射星座图和接收星座图，其中信道转换矩阵H的所有条目是随机选择的，而图6D示出了全为1的H矩阵的星座图。

对于图6C和6D中示出的1位CSI场景，我们看到发射器和接收器学习多级星座图方案，其中第一天线和第二天线以两种不同的功率水平传输恒定模数编码。对于图6C和6D中示出的2位CSI场景，我们可以看到发射器学习类似于每个发射器上的不规则16-QAM的复杂的多级传输方案，并且接收器针对大致相等的功率路径学习大致恒定的模数星座图。

图7展示了具有发射器和接收器的系统700的实例，所述发射器和所述接收器可以被部署用于通过真实世界MIMO通信信道进行学习到的信息通信。系统700包含被部署成通过真实世界MIMO信道706进行通信的发射器702和接收器704。

发射器702接收要传送的输入信息708并将输入信息708映射到多个RF信号712中以通过多个发射天线发射。发射器702利用的编码映射可以基于机器学习网络的先前训练来设计，所述机器学习网络使用上文关于图2到4所描述的训练学习了如何将信息编码成RF信号。例如，发射器702可以在部署期间实施经过训练的机器学习网络，或者可以实施利用了训练机器学习网络的结果的简化编码映射，如下文进一步讨论的。

如先前讨论的，在一些实施方案中，发射器702可以包含生成RF信号712作为模拟RF波形以供发射的处理(例如滤波、调制、混频、放大、A/D转换等)。可替代地，在其它实施方案中，发射器702可以生成RF信号712作为中间表示，所述中间表示随后通过如滤波或调制等另外的处理被处理成模拟RF波形以通过MIMO信道706发射。

接收器704通过MIMO信道706经由多个接收天线接收多个RF信号714并且将多个接收到的RF信号714映射到重构信息710中。接收器704利用的解码映射可以基于机器学习网络的先前训练来设计，所述机器学习网络使用上文关于图2到4所描述的训练学习了如何将RF信号解码成重构信息。例如，接收器704可以在部署期间实施经过训练的机器学习网络，或者可以实施利用了训练机器学习网络的结果的简化解码映射，如下文进一步讨论的。在闭环系统中，如上文结合图3B所讨论的，接收器704还可以实施基于接收到的RF信号714生成CSI 718的CSI估计器720。

如先前讨论的，在一些实施方案中，接收器704可以包含直接输入所述多个接收到的RF信号714作为通过信道接收的模拟RF波形的处理(例如滤波、调制、放大、混频、A/D转换等)。可替代地，在其它实施方案中，接收器704可以将RF信号714处理成中间表示，所述中间表示由对从MIMO信道706接收的多个模拟RF波形的先前处理得到。

在一些实施方案中，发射器702和/或接收器704(包含闭环场景中的CSI估计器720)可以在部署期间基于通信的结果例如通过更新过程716进行更新。此类更新可以基于反馈信息，所述反馈信息是基于部署期间的传输和重构的结果确定的。

在一些实施方案中，系统700可以被配置成例如使用信道状态和性能估计器722收集关于MIMO信道706和/或关于性能度量的信息。信道状态和性能估计器722可以被配置成例如通过检测作为发射的RF信号714发射和/或基于由CSI估计器720生成的CSI的训练信号来检测此类信息(所述CSI估计器在一些实施方案中可以实施为信道状态和性能估计器722的一部分)。如图7的实例所示出的，信道状态和性能估计器722可以通过反馈提供此类信息以在部署期间控制对发射器702和/或接收器704的各种更新。此类更新可以包含更新一或多个机器学习特征(在发射器702和/或接收器704在部署期间实施了机器学习网络的场景中)或者可以包含更新发射器702和/或接收器704利用的简化的编码/解码/CSI估计器映射(在发射器702和/或接收器704基于先前训练的机器学习网络实施了简化的编码/解码/CSI估计技术的场景中)。

从CSI估计器720和/或信道状态和性能估计器722发送的反馈可以采取任何适合的形式并且可以按任何适合的时间标度发射。例如，此类反馈可以基于从前向链路(发射器702到接收器704)获得的或从反向链路(接收器704到发射器702)获得的估计提供，以估计信道状态和/或性能估计。反馈信息的大小可以根据各种因素而变化，如供选择的模式数量、反馈信道的可用带宽和等待时间以及其它考虑因素。在一些情况下，此反馈信息可以被编码成无线系统内的协议消息。

作为实例，可以由发射器702发射已知训练RF信号并且由接收器704(和/或RF接收器中的其它组件)基于接收到的RF信号与已知发射的训练RF信号的比较确定信道的状态和性能测量结果来生成反馈。在一些实施方案中，可以仅向接收器提供反馈以更新接收器704，而不必向发射器提供反馈以更新发射器702(半模型更新)。

MIMO信道706的条件可以在不同的时间标度上变化，例如取决于传送RF信号的环境的类型。例如，MIMO信道706的变化的时间标度可以取决于环境是农村还是城市、环境对象是快速移动还是缓慢移动(例如指定信道统计的相干时间或相关时间)、环境是在航空器中还是航天器中，或者可以取决于用户密度、频带分配或其它无线电发射器是否位于附近。在信道相干时间非常长或静态(例如固定无线电和反射器)的一些情况下，可以明确地针对长时间标度上的这些损伤学习编码。这种情况的一个实例可能是在固定几何形状的工业或城市通信环境中。

在一些实施方案中，可以将MIMO信道706中存在的条件分类成许多不同的模式。不同的模式可以表示信道条件的任何适合的分类，如噪声水平、SNR、延迟扩展、信道变化的时间标度等。对于这些模式中的每个模式，发射器702和/或接收器704中的机器学习网络可能已经被训练成学习适合的一组编码/解码/CSI估计技术，如上文关于图4所讨论的。在部署期间，可以基于估计的MIMO信道706的特定模式自适应地更新发射器702和/或接收器704。如图7所示出的，在一些实施方案中，可以实施传输模式控制器724以决定要将哪种模式配置用于发射器702和/或接收器704。

传输模式控制器724可以利用来自信道状态和性能估计722的反馈。如上文所讨论的，此类反馈可以从前向和/或反向链路获得并且可以提供到传输模式控制器722以帮助决定在任何给定时间选择哪种操作模式。以此方式，系统700可以针对一系列不同的信道条件学习适合的编码和/或解码技术并且然后自适应地更新发射器702和/或接收器704以在任何给定的信道条件下选择适合的模式。

在许多场景中，可以在真实世界应用中使用学习到的通信。例如，在训练期间，可以在MIMO信道706的封闭形式分析模型上训练发射器702和/或接收器704。考虑到感兴趣信道的足够准确的稳定分析模型，可以在无任何在线适配的情况下学习和使用用于跨MIMO信道706通信的高效表示。此类实施方案可以适于真实世界MIMO信道706充分对应于分析模型的环境中，如在时间上变化缓慢或以其它方式更稳定且可预测的信道。

作为另一个实例，在信道如根据部署位置、条件或附近的影响在真实世界中更不可预测地变化的场景中，系统700可以对针对给定的真实世界部署场景表现良好的专用编码和/或解码技术执行在线自适应和在线学习。在此类实施方案中，可以基于信道和/或系统性能的真实世界测量结果在部署期间执行对发射器702和/或接收器704的更新。可以基于上文关于图2到4中的训练所学习的目标实现策略的结果执行此类更新。

然而，如果真实世界反馈不适于信道转化的精确分析表达式，则更新过程716可以利用近似法而不是精确的分析解来确定发射器702和/或接收器704的更新。例如，在计算目标函数的梯度的实施方案中，可以计算近似梯度，而不是精确导数计算。此外，在真实世界场景中，更新过程716可以另外考虑真实世界因素，如来自信道状态和性能估计器722的反馈信道的通信成本、等待时间和容量。更准确且更广泛的反馈通常允许更新过程716进行更有效的更新，但是要以通信、等待时间和带宽为代价。因此，在基于反馈信息更新发射器702和/或接收器704的部署场景中，可以在更新过程716中将此类另外的考虑因素考虑在内。

在一些实施方案中，发射器702和/或接收器704可以利用在训练期间学习的编码/解码/CSI估计映射的简化形式。例如，发射器702可以利用简化的查找表基于输入信息708生成发射的RF信号712。类似地，在一些实施方案中，接收器704可以通过利用基于距离的解码技术或者基于在训练期间学习的更一般的解码映射或基于在训练期间学习的编码器映射的其它简化解码技术来由接收到的RF信号714生成重构信息710和/或CSI 718。

作为此类简化部署的具体实例，在一些实施方案中，在训练期间，编码器机器学习网络可以学习从输入信息708到RF信号712的映射。映射可以是例如将不同的RF信号712表示为信号星座图中对应于特定输入信息708的不同点的星座图。然而，在部署期间，发射器702可以利用简化的查找表(LUT)将输入信息708映射到星座图上的点，以基于编码器机器学习网络的训练结果生成RF信号712。类似地，接收器704可以利用基于训练解码器机器学习网络的结果或基于对等训练的编码器机器学习网络的简化解码算法(例如基于距离的解码算法)。

在此类场景中，可以在训练期间训练发射器702和/或接收器704(例如作为自编码器)以用于系统设计，但是在真实世界应用中可以在发射器702和/或接收器704中利用近似法或紧凑查找表来部署和实施系统700。如此，在一些实施方案中，在部署的系统中实施的发射器702和接收器704可以不实施完整的机器学习网络，反而可以利用在训练期间通过机器学习网络学习到的编码/解码/CSI估计映射的结果。在一些情况下，来自神经网络的这些学习到的映射可能已经形成非常紧凑且高效的张量计算表达，所述张量计算表达可以高效地部署到基带处理器中。

图8是展示了部署系统的示例方法800的流程图，所述系统利用了基于训练至少一个机器学习网络学习使用多天线收发器通过真实世界RF信道执行学习到的通信的结果学习到的技术。此类部署可以利用先前在训练期间由机器网络例如通过使用上文关于图2到4所讨论的训练技术或类似的训练技术学习到的编码、解码和/或CSI估计技术。

方法800包含确定发射器和接收器，所述发射器和所述接收器中的至少一个被配置成实施被训练成通过MIMO通信信道进行通信的至少一个机器学习网络(802)。在一些场景中，部署的发射器和/或接收器可以实施先前经过训练的机器学习网络。可替代地，在其它场景中，如上文关于图7所讨论的，发射器和/或接收器可以利用基于先前训练编码器机器学习网络和/或解码器机器学习网络和/或CSI机器学习网络的结果的简化的编码/解码映射。

方法800进一步包含确定第一信息以通过MIMO通信信道传输(804)。如上文所讨论的，第一信息可以是任何适合的离散时间、模拟、离散值或连续值信息。

方法800进一步包含使用发射器处理第一信息并生成多个第一RF信号(806)。如上文所讨论的，第一RF信号可以表示通过MIMO信道发射的模拟RF波形或者可以是经受进一步处理(例如滤波、D/A转换、放大、调制等)以生成模拟RF波形的中间表示(例如样本、基系数等)。此编码过程可以利用在例如使用上文关于图4所讨论的训练技术训练编码器机器学习网络期间学习到的从输入信息空间到RF信号空间中的任何适合的映射或映射的简化形式。在闭环场景中，发射器可以通过还处理CSI来处理第一信息，所述CSI可能已经由发射器自身生成或者通过来自接收器的反馈来接收，如上文关于图3B所讨论的。

方法800进一步包含使用多个发射天线中的相应发射天线通过MIMO通信信道发射所述多个第一RF信号(808)。如上文关于步骤806所讨论的，第一RF信号的发射可以涉及直接发射第一RF信号本身(例如在发射器已经生成第一RF信号作为适于通过信道发射的模拟RF波形时)或者可以涉及处理第一RF信号以将第一RF信号转换成相应的模拟RF波形以供发射(例如使用滤波、D/A转换、调制等)。发射可以利用可以包含其它特征或参数的任何适合的发射技术，例如使用多个天线、自适应功率控制等。

方法800进一步包含使用多个接收天线中的相应接收天线接收多个第二RF信号，所述多个第二RF信号中的每个第二RF信号表示经由通过MIMO通信信道的传输改变的所述多个第一RF信号的聚合接收(810)。在部署场景中，通信是在真实世界MIMO信道(与信道可以是模拟信道或真实世界信道的图4的训练场景相比)。如上文所讨论的，第二RF信号可以表示通过MIMO信道接收的模拟RF波形或者可以是作为处理(例如滤波、采样、均衡化等)接收到的模拟RF波形的结果的中间表示(例如样本、基系数等)。

方法800进一步包含使用接收器处理所述多个第二RF信号并且生成第二信息作为第一信息的重构(812)。此解码器过程可以利用在例如使用上文关于图4所讨论的训练技术训练期间由解码器机器学习网络学习到的从多个RF信号空间到重构信息空间中的任何适合的映射或映射的简化形式。在闭环场景中，接收器还可以实施CSI估计器以生成反馈回到发射器的CSI。

如上文关于图7所讨论的，在一些实施方案中，部署的系统可以利用接收到的第二RF信号(和/或由通信得到的其它信息)生成反馈并且基于真实世界的信道信息和/或性能结果更新发射器和/或接收器。

此外，如上文关于图7所讨论的，在一些实施方案中，发射器和/或接收器可以利用在训练期间学习的编码/解码/CSI估计映射的简化形式。例如，发射器可以利用简化的查找表基于第一信息生成第一RF信号。此外，在一些实施方案中，接收器可以利用基于距离的解码技术或者基于在训练期间学习的更一般的解码映射或基于在训练期间学习的编码器映射的其它简化解码技术。如此，在一些实施方案中，在部署的系统中实施的发射器和接收器可以不实施完整的机器学习网络，反而可以利用在训练期间由机器学习网络学习到的编码/解码/CSI估计映射的结果。

图9A展示了部署多用户下行链路系统的实例，所述多用户下行链路系统实施了单个机器学习编码器网络和多个解码器以利用多天线收发器通过真实世界RF信道执行学习到的通信。在一些实施方案中，本文所公开的技术可以用于实施多用户MIMO系统，其中来自多个用户(每个用户利用多天线收发器)的不同信息通过共同的MIMO信道进行传送。系统可以被训练成针对每个用户学习编码和/或解码技术，所述编码和/或解码技术针对共享同一MIMO信道的所述多个用户实现了竞争目标的平衡。

图9A中的实例展示了多用户实施方案的一个实例，即下行链路场景，在所述下行链路场景中，基站实施单个多用户编码器902以对与多个移动用户相对应的输入信息908a、908b、……、908n进行编码并通过MIMO信道906生成多个RF信号912。可以对应于所述多个移动用户处的多个装置训练并实施多个解码器904a、904b、……、904n。每个解码器904a、904b、……、904n实施多个接收天线，所述多个接收天线接收接收到的RF信号914，所述接收到的RF信号用于针对所述多个用户中的每个用户生成重构信息910a、910b、……、910n。在一般情况下，还可以使用一或多个多用户编码器网络组合多个基站，以实施分布式多用户MIMO下行链路系统。

在训练期间，可以实施优化器916以更新编码器902和/或解码器904a、904b、……、904n中的至少一个机器学习网络，从而学习用于MIMO信道906的适合的编码/解码/CSI估计技术。在闭环场景中，CSI估计可以利用在编码器902处生成的或者从解码器904a、904b、……、904n反馈回到编码器902的CSI 918。

图9B展示了多用户实施方案的另一个实例，即上行链路场景，在所述上行链路场景中，多个移动用户发射到单个基站。多用户上行链路系统在不同用户的多个装置处实施多个编码器902a、902b、……、902n以对输入信息908a、908b、……、908n进行编码，其中每个装置利用多个天线通过MIMO信道906生成多个RF信号912。实施单个机器学习解码器904以接收RF信号914，所述RF信号用于针对所述多个用户中的每个用户生成重构信息910a、910b、……、910n。在一般情况下，还可以使用一或多个多用户解码器网络组合多个基站，以实施分布式多用户MIMO上行链路系统。

在训练期间，可以实施优化器916以更新编码器902a、902b、……、902n和/或解码器904中的至少一个机器学习网络，从而学习用于MIMO信道906的适合的编码/解码/CSI估计技术。在闭环场景中，CSI估计可以利用在每个编码器902a、902b、……、902n处生成的或者从解码器904反馈回到每个编码器902a、902b、……、902n的CSI 918。

图10是展示了计算系统的实例的图，所述计算系统可以用于实施通过RF信道执行学习到的通信的系统的一或多个组件。计算系统包含可以用于实施本文所描述的技术的计算装置1000和移动计算装置1050。例如，编码器机器学习网络系统或解码器机器学习网络系统的一或多个部分可以是这里描述的系统1000的实例，如在机器学习网络中的任何一种机器学习网络中实施的计算系统、访问来自机器学习网络的信息的装置、或者访问或存储关于机器学习网络所执行的编码和解码的信息的服务器。

计算装置1000旨在表示各种形式的数字计算机，如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其它适合的计算机。移动计算装置1050旨在表示各种形式的移动装置，如个人数字助理、蜂窝电话、智能电话、移动嵌入式无线电系统、无线电诊断计算装置和其它类似的计算装置。这里示出的组件、其连接和关系以及其功能意味着仅为实例，而并不意味着是限制性的。

计算装置1000包含处理器1002、存储器1004、存储装置1006、连接到存储器1004和多个高速扩展端口1010的高速接口1008以及连接到低速扩展端口1014和存储装置1006的低速接口1012。处理器1002、存储器1004、存储装置1006、高速接口1008、高速扩展端口1010和低速接口1012中的每一个使用各个总线进行互连并且可以安装到公共母板上或在适当时通过其它方式安装。处理器1002可以处理用于在计算装置1000内执行的指令，所述指令包含存储在存储器1004中或存储装置1006上以在外部输入/输出装置(如耦合到高速接口1008的显示器1016)上显示图形用户界面(GUI)的图形信息的指令。在其它实施方案中，多个处理器和/或多条总线在适当时可以连同多个存储器和多种类型的存储器一起使用。另外，可以连接多个计算装置，其中每个装置提供操作的一部分(例如作为服务器组、一组刀片服务器或多处理器系统)。在一些实施方案中，处理器1002是单线程处理器。在一些实施方案中，处理器1002是多线程处理器。在一些实施方案中，处理器1002是量子计算机。

存储器1004存储计算装置1000内的信息。在一些实施方案中，存储器1004是一或多个易失性存储器单元。在一些实施方案中，存储器1004是一或多个非易失性存储器单元。存储器1004还可以是另一种形式的计算机可读媒体，如磁盘或光盘。

存储装置1006能够为计算装置1000提供大容量存储。在一些实施方案中，存储装置1006可以是或者包含计算机可读媒体，如软盘装置、硬盘装置、光盘装置或磁带装置、闪速存储器或其它类似的固态存储器装置、或者包含存储区域网络或其它配置中的装置的装置阵列。指令可以存储在信息载体中。指令在由一或多个处理装置(例如处理器1002)执行时实施一或多种方法，如上文所描述的那些方法。指令还可以由如计算机或机器可读媒体(例如存储器1004、存储装置1006或在处理器1002上的存储器)等一或多个存储装置存储。高速接口1008管理计算装置1000的带宽密集型操作，而低速接口1012管理较低带宽密集型操作。此类功能分配仅仅是实例。在一些实施方案中，高速接口1008(例如通过图形处理器或加速器)耦合到存储器1004、显示器1016和可以接受各种扩展卡(未示出)的高速扩展端口1010。在实施方案中，低速接口1012耦合到存储装置1006和低速扩展端口1014。低速扩展端口1014可以例如通过网络适配器耦合到一或多个输入/输出装置，如键盘、指向装置、扫描仪或联网装置(如交换机或路由器)，所述低速扩展端口可以包含各种通信端口(例如通用串行总线(USB)、蓝牙、以太网、无线以太网)。

如附图中示出的，可以以多种不同的形式实施计算装置1000。例如，计算装置可以实施为标准服务器1020或多次实施在一组此类服务器中。另外，计算装置可以实施在如膝上型计算机1022等个人计算机中。计算装置还可以实施为机架服务器系统1024的一部分。可替代地，计算装置1000的组件可以与如移动装置1050等移动装置(未示出)中的其它组件组合。此类装置中的每个装置可以包含计算装置1000和移动计算装置1050中的一或多个，并且整个系统可以由彼此通信的多个计算装置构成。

移动计算装置1050包含处理器1052、存储器1064、如显示器1054等输入/输出装置、通信接口1066和收发器1068以及其它组件。移动计算装置1050还可以设置有用于提供另外的存储的存储装置，如微型驱动器或其它装置。处理器1052、存储器1064、显示器1054、通信接口1066和收发器1068中的每一个使用各种总线进行互连，并且所述组件中的若干个组件可以安装到公共母板上或在适当时通过其它方式安装。

处理器1052可以执行移动计算装置1050内的指令，所述指令包含存储在存储器1064中的指令。处理器1052可以实施为包含单独的以及多个模拟和数字处理器的芯片的芯片组。处理器1052可以提供例如对移动计算装置1050的其它组件的协调，如对用户接口的控制、由移动计算装置1050运行的应用以及由移动计算装置1050进行的无线通信。

处理器1052可以通过耦合到显示器1054的控制接口1058和显示器接口1056来与用户通信。显示器1054可以是例如TFT(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器或其它适合的显示技术。显示器接口1056可以包含用于驱动显示器1054向用户呈现图形和其它信息的适合的电路系统。控制接口1058可以从用户接收命令并且转换所述命令以提交到处理器1052。另外，外部接口1062可以提供与处理器1052的通信，以实现移动计算装置1050与其它装置的近区域通信。外部接口1062可以例如在一些实施方案中提供有线通信或者在其它实施方案中提供无线通信，并且也可以使用多个接口。

存储器1064存储移动计算装置1050内的信息。存储器1064可以实施为一或多个计算机可读媒体、一或多个易失性存储器单元或者一或多个非易失性存储器单元中的一或多个。还可以提供扩展存储器1074并且所述扩展存储器通过扩展接口1072连接到移动计算装置1050，所述扩展接口可以包含例如SIMM(单列直插式存储器模块)卡接口。扩展存储器1074可以为移动计算装置1050提供额外的存储空间或者还可以为移动计算装置1050存储应用或其它信息。具体地，扩展存储器1074可以包含用于实行或补充上文所描述的进程的指令并且还可以包含安全信息。因此，例如，扩展存储器1074可以设置为移动计算装置1050的安全模块并且可以用允许安全使用移动计算装置1050的指令进行编程。另外，安全应用可以连同另外的信息一起经由SIMM卡提供，如以不可破解的方式将标识信息置于SIMM卡中。

如下文所讨论的，存储器可以包含例如闪速存储器和/或NVRAM存储器(非易失性随机存取存储器)。在一些实施方案中，指令存储在信息载体中，使得指令在由一或多个处理装置(例如处理器1052)执行时执行一或多种方法，如上文所描述的那些方法。指令还可以由如一或多个计算机或机器可读媒体(例如存储器1064、拓展存储器1074或在处理器1052上的存储器)等一或多个存储装置存储。在一些实施方案中，指令可以例如通过收发器1068或外部接口1062接收在传播信号中。

移动计算装置1050可以通过通信接口1066无线地通信，所述通信接口在必要时可以包含数字信号处理电路系统。通信接口1066可以提供多个模式或协议下的通信，如GSM语音呼叫(全球移动通信系统)、SMS(短信服务)、EMS(增强型消息传送服务)或MMS消息传送(多媒体消息传送服务)、CDMA(码分多址)、TDMA(时分多址)、PDC(个人数字蜂窝)、WCDMA(宽带码分多址)、CDMA 2000或GPRS(通用无线分组业务)、LTE、5G/6G蜂窝等等。此类通信可以例如使用射频通过收发器1068发生。另外，短程通信可以如使用蓝牙、无线保真(Wi-Fi)或其它此类收发器(未示出)发生。另外，GPS(全球定位系统)接收器模块1070可以向移动计算装置1050提供另外的导航和定位相关无线数据，所述无线数据可以在适当时由在移动计算装置1050上运行的应用使用。

移动计算装置1050还可以使用音频编码解码器1060来可听地通信，所述音频编码解码器可以从用户接收口头信息并将口头信息转换成可用的数字信息。音频编码解码器1060同样可以如通过例如移动计算装置1050的听筒中的扬声器为用户生成可听声音。此类声音可以包含来自语音电话呼叫的声音，可以包含记录的声音(例如语音消息、音乐文件等)并且还可以包含在移动计算装置1050上运行的应用所生成的声音。

如附图中示出的，移动计算装置1050可以以多种不同的形式实施。例如，移动计算装置可以实施为蜂窝电话1080。移动计算装置还可以实施为智能电话1082、个人数字助理或其它类似的移动装置的一部分。

如本公开所使用的术语“系统”可以涵盖用于处理数据的所有设备、装置和机器，包含例如可编程处理器、计算机或者多个处理器或计算机。除了硬件以外，处理系统可以包含为正在讨论的计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或其中的一或多个的组合的代码。

计算机程序(又称为程序、软件、软件应用、脚本、可执行逻辑或代码)可以用任何形式的编程语言编写，包含编译型或解释型语言或者声明型语言或程序型语言，并且其可以用任何形式部署，包含作为独立程序或者作为模块、组件、子例程或适于在计算环境中使用的其它单元。计算机程序不一定对应于文件系统中的文件。程序可以存储在保持其它程序或数据的文件的一部分(例如标记语言文档中存储的一或多个脚本)中、存储在专用于所讨论的程序的单个文件中、或者存储在多个协调文件(例如存储一或多个模块、子程序、或代码的各部分的文件)中。计算机程序可以被部署成在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互连的多个计算机上执行。

适于存储计算机程序指令和数据的计算机可读媒体包含所有形式的非易失性存储器或易失性存储器、媒体和存储器装置，举例来说，包含：半导体存储器装置，例如电可编程序只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和闪存装置；磁盘，例如内部硬盘或者可移动磁盘或磁带；磁光盘；以及紧凑型光盘-只读储存器(CD-ROM)盘和数字视频盘-只读存储器(DVD-ROM)盘。处理器和存储器可以由专用逻辑电路系统补充或并入专用逻辑电路系统中。服务器有时是通用计算机，并且有时是定制专用电子装置，并且有时是这些的组合。

实施方案可以包含后端组件(例如数据服务器)、或中间件组件(例如应用程序服务器)、或前端组件(例如具有图形用户界面或Web浏览器的客户端计算机，用户可以通过所述图形用户界面或Web浏览器与本说明书所描述的主题的实施方案进行交互)、或一或多个此些后端组件、中间件组件或前端组件的任何组合。系统的组件可以通过数字数据通信的任何形式或媒体(例如通信网络)进行互连。通信网络的实例包含局域网(“LAN”)和广域网(“WAN”)，例如互联网。

所描述的特征可以在数字电子电路系统中实施或者在计算机硬件、固件、软件或其组合中实施。设备可以在有形地体现在信息载体中(例如在机器可读存储装置中)的计算机程序产品中实施以用于由可编程处理器执行；并且方法步骤可以由执行指令程序的可编程处理器执行，以通过对输入数据进行操作并生成输出来执行所描述实施方案的功能。所描述的特征可以在可编程系统上可执行的一或多个计算机程序中有利地实施，所述可编程系统包含至少一个可编程处理器，所述至少一个可编程处理器被耦合以从数据存储系统、至少一个输入设备和至少一个输出设备接收数据和指令并向数据存储系统、至少一个输入设备和至少一个输出装置发射数据和指令。计算机程序是在计算机中可以直接或间接地使用以执行某种活动或产生某种结果的指令集。计算机程序可以以包含编译型或解释型语言在内的任何形式的编程语言编写，并且可以以任何形式部署，包含作为独立程序或者作为模块、组件、子例程或适于在计算环境中使用的其它单元。

虽然本公开包含许多具体实施方案细节，但这些细节不应被解释为对任何发明或可能要求的事物的范围的限制，而应被解释为对可能特定于特定发明的特定实施方案的特征的描述。在单独的实施方案的背景下本公开所描述的某些特征还可以组合地实施在单个实施方案中。相反，在单个实施方案的背景下描述的各个特征也可以被单独地或以任何适合的子组合的方式实施在多个实施方案中。而且，尽管特征在上文中可以被描述为以某些组合起作用并且甚至如此最初被要求，但来自所要求的组合的一或多个特征在某些情况下可以与组合离体，并且所要求的组合可以涉及子组合或子组合的变化。

类似地，虽然附图中以特定顺序描绘了操作，但这不应被理解成要求以所示的特定顺序或按先后顺序执行这种操作，或者执行所有展示的操作，以实现令人期望的结果。在某些情况下，多重任务处理和并行处理可能是有利的。而且，上述实施方案中的各个系统模块和组件的分离不应被理解为在所有实施方案中都要求这种分离，并且应理解的是，所描述的程序组件和系统通常可以一起整合在单个软件产品中或封装进多个软件产品中。