在用户设备（UE）中获取用于取向检测的辅助方法的机器学习（ML）模型

技术领域

本说明书涉及无线通信。

背景技术

通信系统可以是一种启用两个或更多个节点或设备(诸如固定或移动通信设备)之间的通信的设施。信号可以在有线或无线载体上传输。

蜂窝通信系统的示例是由第三代合作伙伴计划(3GPP)标准化的架构。该领域的最新发展通常被称为通用移动电信系统(UMTS)无线电接入技术的长期演进(LTE)。E UTRA(演进型UMTS陆地无线电接入)是移动网络的3GPP长期演进(LTE)升级路径的空中接口。在LTE中，称为增强型节点B(eNB)的基站或接入点(AP)在覆盖区域或小区内提供无线接入。在LTE中，移动设备或移动台被称为用户设备(UE)。LTE包括了很多改进或发展。LTE的各个方面也在不断改进。

5G新无线电(NR)发展是满足5G要求的持续移动宽带演进过程的一部分，类似于3G和4G无线网络的早期演进。除了移动宽带之外，5G还针对新兴的用例。5G的一个目标是显著提高无线性能，这可以包括新的水平的数据速率、延迟、可靠性和安全性。5G NR还可以扩展以高效连接大规模物联网(IoT)，并且可以提供新型的任务关键服务。例如，超可靠低延迟通信(URLLC)设备可能需要高可靠性和极低延迟。

发明内容

根据示例实施例，一种方法可以包括：由基站(BS)从用户设备(UE)接收包括特征向量的通信；由BS存储包括与UE相关联的一个或多个特征向量的数据集；由BS向网络设备传送与UE相关联的数据集；由BS从网络设备接收机器学习(ML)模型，该ML模型使用数据集被训练以检测UE取向；以及由BS向UE传送经训练的ML模型。

实现可以包括以下特征中的一个或多个。例如，数据集可以包括与取向相关联的UE信息。特征向量可以包括与以下中的至少一项相关联的信息：参考信号接收功率(RSRP)测量、信干噪比(SINR)测量、服务移动终端(MT)面板、服务接收器(Rx)波束、(多个)服务发送器(Tx)波束、以及UE取向。特征向量可以包括以下中的至少一项：到BS的最强波束的RSRP、所选择的UE面板、Rx波束、针对每个报告RSRP的UE取向。ML模型将一组RSRP、所选择的UE面板和所选择的Rx波束、以及(多个)服务Tx波束映射到UE取向。

该方法还可以包括：由BS从UE接收指示UE处的传感器故障的通信，以及由BS从UE接收包括对经训练的ML模型的请求的通信，其中由BS从网络设备对经训练的ML模型的接收响应于对经训练的ML模型的请求，经训练的ML模型基于来自UE的对经训练的模型的请求的通信。从UE接收的包括对经训练的ML模型的请求的通信可以包括UE设备类型信息和UE传感器类型信息。向网络设备传送的对经训练的ML模型的请求可以包括UE设备类型信息和UE传感器类型信息。该方法还可以包括由BS选择ML模型，以及由BS基于测试数据集来评估经训练的ML模型的准确性，其中由BS对经训练的ML模型的传送响应于确定经训练的ML模型满足准确性标准。该方法还可以包括：由BS从UE接收包括使用ML模型而确定的UE取向的通信。

根据另一示例实施例，一种方法可以包括由用户设备(UE)基于UE测量生成特征向量，由UE向基站(BS)传送包括特征向量的消息，以及由UE从BS接收机器学习(ML)模型，该ML模型使用特征向量被训练以检测UE取向。

实现可以包括以下特征中的一个或多个。例如，该消息还可以包括与取向相关联的UE信息。特征向量可以包括与以下中的至少一项相关联的信息：参考信号接收功率(RSRP)测量、信干噪比(SINR)测量、服务移动终端(MT)面板、服务接收器(Rx)波束、(多个)服务发送器(Tx)波束、以及UE取向。特征向量可以包括以下中的至少一项：到BS的最强波束的RSRP、所选择的UE面板、Rx波束、以及针对每个报告RSRP的UE取向。ML模型可以将一组RSRP、所选择的UE面板和所选择的Rx波束、以及(多个)服务Tx波束映射到UE取向。该方法还可以包括：由UE确定至少一个传感器故障，该传感器与确定UE取向相关联；由UE向BS传送指示UE处的传感器故障的消息；以及由UE向基站传送包括对经训练的ML模型的请求的消息。包括对经训练的ML模型的请求的通信可以包括UE设备类型信息和UE传感器类型信息。该方法还可以包括由UE向BS传送包括使用ML模型而确定的UE取向的消息。

一种非暂态计算机可读存储介质包括存储在其上的指令，该指令在由至少一个处理器执行时可以被配置为引起计算系统执行上述方法。一种装置包括用于执行上述方法的部件。一种装置包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器；该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起引起该装置至少执行上述方法。

计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，从而使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图块中指定的功能/动作的部件。这些计算机可读程序指令也可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现在流程图和/或框图块中指定的功能/动作的各方面的指令。

实施例的一个或多个示例的细节在附图和以下描述中阐述。从说明书和附图以及从权利要求中，其他特征将是很清楚的。

附图说明

图1是根据示例实施例的无线网络的框图。

图2A是示出根据示例实施例的网络的图。

图2B是示出根据示例实施例的信号接收的图。

图3A是根据示例实施例的信号流的框图。

图3B是根据示例实施例的时序图。

图3C是根据示例实施例的特征向量的数据结构的框图。

图3D是根据示例实施例的特征向量数据集的数据结构的框图。

图3E是根据示例实施例的与使用特征向量数据集来训练机器学习模型相关联的信号流的框图。

图3F是根据示例实施例的用于使用经训练的机器学习模型基于特征向量来确定用户设备取向的信号流的框图。

图4是示出根据示例实施例的操作基站的方法的流程图。

图5是示出根据示例实施例的操作用户设备的方法的流程图。

图6是示出根据示例实施例的操作网络设备的方法的流程图。

图7是示出根据示例实施例的网络设备或基站(BS)的操作的流程图。

图8是示出根据示例实施例的用户设备的操作的流程图。

图9是根据示例实施例的无线站或无线节点(例如，AP、BS、gNB、RAN节点、中继节点、UE或用户设备、网络节点、网络实体、DU、CU-CP、CU-CP、……或其他节点)的框图。

具体实施方式

图1是根据示例实施例的无线网络130的框图。在图1的无线网络130中，用户设备131、132、133和135(也可以称为移动台(MS)或用户设备(UE))可以与基站(BS)134连接(并且通信)，基站(BS)134可以也称为接入点(AP)、增强型节点B(eNB)、BS、下一代节点B(gNB)、下一代增强型节点B(ng eNB)或网络节点。术语用户设备(user device)和用户设备(userequipment)(UE)可以互换使用。BS还可以包括或可以称为RAN(无线电接入网)节点，并且可以包括BS的一部分或RAN节点的一部分，诸如(例如，诸如集中式单元(CU)和/或在拆分BS的情况下的分布式单元(DU))。BS的至少部分功能(例如，接入点(AP)、基站(BS)或(e)节点B(eNB)、BS、RAN节点)也可以由可以可操作地耦合到收发器(诸如远程无线电头端)的任何节点、服务器或主机来执行。BS(或AP)134在小区136内提供无线覆盖，小区136包括用户设备(或UE)131、132、133和135。虽然仅四个用户设备(或UE)被示出为连接或附接到BS134，但是可以提供任何数目的用户设备。BS134还经由S1接口或NG接口151连接到核心网150。这仅仅是无线网络的一个简单示例，并且可以使用其他无线网络。

基站(例如，诸如BS134)是无线网络内的无线电接入网(RAN)节点的示例。例如，BS(或RAN节点)可以是或可以包括(或可以替代地称为)接入点(AP)、gNB、eNB或其一部分(诸如集中式单元(CU)和/或在拆分BS或拆分gNB的情况下的分布式单元(DU))、或其他网络节点。例如，BS(或gNB)可以包括：分布式单元(DU)网络实体，诸如gNB分布式单元(gNB-DU)；以及可以控制多个DU的集中式单元(CU)。在某些情况下，例如，集中式单元(CU)可以被拆分或划分为：控制平面实体，诸如gNB集中式(或中央)单元控制平面(gNB-CU-CP)；以及用户平面实体，诸如gNB集中式(或中央)单元用户平面(gNB-CU-UP)。例如，CU子实体(gNB-CU-CP、gNB-CU-UP)可以被提供为不同逻辑实体或不同软件实体(例如，作为单独或不同的通信软件实体)，其可以在云中等的相同硬件或服务器上运行或提供，或者可以在不同的硬件、系统或服务器上提供，例如，物理上分离的或者运行在不同的系统、硬件或服务器上。

如前所述，在gNB/BS的拆分配置中，gNB功能可以拆分为DU和CU。分布式单元(DU)可以提供或建立与一个或多个UE的无线通信。因此，DU可以提供一个或多个小区，并且可以允许UE与DU通信和/或建立到DU的连接，以便接收无线服务，诸如允许UE发送或接收数据。集中式(或中央)单元(CU)可以为一个或多个连接的DU提供控制功能和/或数据平面功能，例如，包括控制功能，诸如对用户数据传输的gNB控制、移动性控制、无线电接入网共享、定位、会话管理等，但专门分配给DU的那些功能除外。CU可以通过前传(Fs)接口来控制DU的操作(例如，CU与一个或多个DU通信)。

根据说明性示例，通常，BS节点(例如，BS、eNB、gNB、CU/DU等)或无线电接入网(RAN)可以是移动电信系统的一部分。RAN(无线电接入网)可以包括一个或多个BS或RAN节点，该节点实现无线电接入技术，例如，以允许一个或多个UE能够接入网络或核心网。因此，例如，RAN(RAN节点，诸如BS或gNB)可以驻留在一个或多个用户设备或UE与核心网之间。根据示例实施例，每个RAN节点(例如，BS、eNB、gNB、CU/DU等)或BS可以为一个或多个UE或用户设备提供一个或多个无线通信服务，例如，以允许UE能够经由RAN节点以无线方式接入网络。每个RAN节点或BS可以执行或提供无线通信服务，例如，诸如以允许UE或用户设备建立到RAN节点的无线连接、以及向一个或多个UE发送数据和/或从一个或多个UE接收数据。例如，在建立到UE的连接之后，RAN节点(例如，BS、eNB、gNB、CU/DU等)可以将从网络或核心网接收的数据转发给UE，和/或将从UE接收的数据转发给网络或核心网。RAN节点(例如，BS、eNB、gNB、CU/DU等)可以执行多种其他无线功能或服务，例如，诸如向UE广播控制信息(例如，诸如系统信息)、在有数据要递送给UE时寻呼UE、协助UE在小区之间切换、为来自(多个)UE的上行链路数据传输和去往(多个)UE的下行链路数据传输调度资源、发送用于配置一个或多个UE的控制信息等。这些是RAN节点或BS可以执行的一个或多个功能的若干示例。基站也可以是IAB(集成接入和回程)节点(也称为中继节点)的DU(分布式单元)部分。DU促进了IAB节点的(多个)接入链路连接。

用户设备(user device)(用户终端、用户设备(user equipment)(UE)、移动终端、手持无线设备等)可以指代便携式计算设备，其包括使用或不使用订户标识模块(SIM)(其可以称为通用SIM)进行操作的无线移动通信设备)，例如，包括但不限于以下类型的设备：移动台(MS)、移动电话、手机、智能手机、个人数字助理(PDA)、听筒、使用无线调制解调器的设备(警报或测量设备等)、膝上型电脑和/或触摸屏计算机、平板电脑、平板手机、游戏机、笔记本电脑、车辆、传感器和多媒体设备、或任何其他无线设备。应当理解，用户设备还可以是(或可以包括)几乎排他性的仅上行链路设备，其一个示例是将图像或视频剪辑加载到网络的相机或摄像机。用户设备也可以是IAB(集成接入和回程)节点(也称为中继节点)的MT(移动终端)部分。MT促进了IAB节点的回程连接。

在LTE(作为说明性示例)中，核心网150可以被称为演进型分组核心(EPC)，EPC可以包括移动性管理实体(MME)，MME可以处理或协助用户设备在以下各项之间的移动性/切换：BS、可以在BS与分组数据网络或互联网之间转发数据和控制信号的一个或多个网关、以及其他控制功能或块。其他类型的无线网络(诸如5G(可以称为新无线电(NR)))也可以包括核心网(例如，其在5G/NR中可以称为5GC)。

此外，作为说明性示例，本文中描述的各种示例实施例或技术可以应用于各种类型的用户设备或数据服务类型，或者可以应用于用户设备，该用户设备上可以运行有多个应用，这些应用可以是不同数据服务类型。新无线电(5G)开发可以支持很多不同应用或很多不同数据服务类型，例如：机器类型通信(MTC)、增强型机器类型通信(eMTC)、大规模MTC(mMTC)、物联网(IoT)和/或窄带IoT用户设备、增强型移动宽带(eMBB)以及超可靠低延迟通信(URLLC)。这些新的5G(NR)相关应用中的很多可能需要比先前的无线网络更高的性能。

IoT可以指代不断增长的对象组，这些对象可以具有互联网或网络连接性，使得这些对象可以向其他网络设备发送信息和从其他网络设备接收信息。例如，很多传感器类型的应用或设备可以监测物理条件或状态，并且可以向服务器或其他网络设备发送报告，例如，当事件发生时。例如，机器类型通信(MTC或机器对机器通信)的特征可以是智能机器之间的全自动数据生成、交换、处理和驱动，无论是否有人干预。增强型移动宽带(eMBB)可以支持比当前LTE中更高的数据速率。

超可靠低延迟通信(URLLC)是新的无线电(5G)系统可以支持的新的数据服务类型或新的使用场景。这使得新兴的新应用和服务成为可能，诸如工业自动化、自动驾驶、车辆安全、电子健康服务等。作为说明性示例，3GPP旨在提供具有与10

各种示例实施例可以应用于多种无线技术或无线网络，诸如LTE、LTE-A、5G(新无线电(NR))、cmWave和/或mmWave频带网络、IoT、MTC、eMTC、mMTC、eMBB、URLLC等、或者任何其他无线网络或无线技术。这些示例网络、技术或数据服务类型仅作为说明性示例提供。

用户设备(UE)取向有望在5G通信标准中发挥作用。例如，自动导引车辆(AGV)可以被配置为确定位置。然而，UE的位置可能不足以使UE正常工作。因此，UE取向可以是UE正常工作所必需的。此外，XR技术(例如，扩展现实、交叉现实、增强现实等)可能会影响未来工业和/或商业应用的5G技术需求。XR技术的性能可能直接(或间接)取决于XR设备的取向。例如，未来的5G系统可能需要支持一种机制来确定UE的航向，该机制的准确性优于30度(0.54弧度)，静态用户的定位服务可用性为99.9％，准确性优于10度(0.17弧度)，高达10km/h的用户的定位服务可用性为99％。

上述特征可以适用于单面板和多面板UE，这符合5G能力。每个面板可以具有全向天线或带有波束网格的定向天线。多个面板的可用性可以为UE定位或取向估计提供附加自由度。

大多数UE使用内部传感器(例如，惯性测量单元(IMU)、磁罗盘、陀螺仪等)来检测设备的取向。机械传感器的读数可能受到抖动和周围磁场的影响，从而导致用户取向估计的准确性降低。这些问题在室内工业环境中可能更加严重。此外，UE的内部传感器可能由于例如机械布置而发生故障，这可能会危及很多关键应用(例如，在车辆到一切(V2X)、XR建立等中)。由于内部UE传感器的上述限制，人们对依赖于无线电接入技术(RAT)的取向估计的开发和/或部署越来越感兴趣。

与UE的定位不同，由于与RAT相关联的更高的动态性和/或可变性(例如，UE的位置可以随着其速度而改变，但UE的取向可以取决于其用户的姿势)，依赖于RAT的取向估计可能具有挑战性。因此，依赖于RAT的取向估计可能需要gNB-UE信令中的过多开销，因为应当存在连续观测。例如，UE取向估计是可能的。然而，依赖于RAT的过程可能需要连续反馈，从而导致过多的开销。示例实现通过开发基于机器学习(ML)的取向估计来解决上述问题(例如，机械传感器故障、基于RAT的方法中的开销等)。示例实现提供了ML训练和从托管模型的服务器获取经训练的ML模型所需要的过程和信令。

检测UE的取向可以是一项要求，例如，其用于在UE处选择最佳面板，从而实现UE与gNB之间的强通信链路，或者用于其中取向必须已知的虚拟现实应用。然而，在传感器发生故障的情况下，可能需要后备方法来实现系统的正确操作。因此，本文中描述的示例实现的优点可以是提供辅助方法，以在基于传感器的检测失败时帮助UE进行取向检测。

另一优点是，如果传感器在使用一段时间之后无法正常工作，则上述技术可以帮助校准传感器。此外，用于检测取向的经训练的ML技术可以更节能(与传感器使用相比)。因此，可以使用经训练的ML技术来代替内部传感器。使用经训练的ML技术的另一优点是，该(这些)技术可以很快，因为该(这些)技术可能需要较小的一组算术运算并且减少了延迟。XR应用的使用可能需要低延迟和高数据速率。使用经训练的ML技术的另一优点是，通过使用经训练的ML技术代替机械传感器，该(这些)技术可以减少资源(例如，功率)使用。

图2A是示出根据示例实施例的网络的图。如图2A所示，网络200至少包括基站(BS)205、用户设备(UE)210和服务器215。BS205可以通信地(例如，无线地)耦合到UE 210。BS205可以通信地(例如，有线或无线地)耦合到服务器215。UE 210可以包括多个面板(例如，面板1、面板2、面板3和面板4)。每个面板(示出了四(4)个，但是UE可以包括多于4个面板)可以具有全向天线或带有波束网格的定向天线。多个面板的可用性可以为UE定位或取向估计提供附加自由度。例如，UE 210的面板1包括耦合到BS205的波束220的波束。与波束和/或面板相关联的特性可以帮助确定UE 210的取向。图2B用于说明与波束和/或面板相关联的一个(多个)特性，该特性可以帮助确定UE 210的取向。

图2B是示出根据示例实施例的信号接收的图。如图2B所示，面板(例如，面板1)可以包括波束成形器225、天线230和天线235。因为UE 210可以具有多个天线(例如，两个天线)，所以UE 210可以被配置为通过使用波束成形技术比较多个天线上的相移来确定一个或多个波束240、245的到达角(AoA)。波束成形器225可以生成角度θ(基于相位延迟)。可以确定波束在水平面(θ)和水平面(φ)中的AoA。可以用三个或更多个天线来求解附加角度。AoA可以是用于帮助确定UE 210的取向的一个(多个)技术。

在示例实现中，辅助的经训练的机器学习(ML)模型可以在服务器处可获取，ML模型可以通过基站(BS)被传输到UE。ML模型可以使用各种UE数据样本和已知取向作为标签来训练。一旦被训练到准确性标准(例如，准确性的阈值水平)，经训练的ML模型就可以用于确定UE(或类似(例如，相同模型、相同硬件)UE)的取向。训练过程可以在收集所有信息并且具有训练ML模型的计算能力的服务器中进行。例如，UE可能具有有限的计算资源，因此UE可能不是最佳训练设备。对ML模型的开发有时是由了解ML模型的设计的人类专家来执行的。训练也可以由网络设备执行，因为一些自动化(例如，在没有人为干预的情况下)ML训练程序(例如，AutoML)可能需要很多计算资源。

示例实现包括用于训练ML模型和从托管要在UE处使用的ML模型的服务器获取经训练的ML模型所需要的过程和信令。这种取向估计的辅助方法可以使用基于3GPP的信号来检测取向，而不是使用设备的内部传感器。示例技术可以是：首先，BS收集可以用于取向检测ML模型训练的数据集。数据集可以包括特征向量和对应取向。在3GPP中存在用于将取向信息从UE传输到gNB的可用机制。取向信息可以使用例如orientationMeasReport消息从UE发送到BS。BS可以使用服务器来训练ML模型，该ML模型被配置为使用特征向量来确定取向。经训练的ML模型可以被传输到UE以用于取向检测目的。图3A可以用于描述该处理流程的细节。

图3A是根据示例实施例的信号流的框图。如图3A所示，信号流300包括BS205、UE210与服务器215之间的通信。UE 210向BS205传送(305)(例如，消息或信号)特征向量和取向。例如，参考图3B，可以在预定义时间间隔350期间在BS205处从UE 210收集数据。经训练的模型可以在预定义时间间隔355期间被传输以在UE 210处使用。这将实现对ML模型的不断更新，这将得到更好的ML模型性能以及UE处的更少的能量消耗。

现在参考图3C，特征向量360可以包括多个特征F

特征向量360可以全部一起在与通信305相关联的消息中被报告给BS205。然而，特征F

特征向量360中包括的特征F

在示例实现中，特征向量360可以是元组的向量，元组包括Tx波束(SSB和/或CSI-RS)，每个Tx波束与L1-RSRP、L1-SINR、MT面板ID、Rx波束ID、AoA、AoD和/或RSTD相关联。例如，特征F

返回到图3A，BS205可以构建(310)数据集。数据集可以包括如图3D中的数据集365所示的至少一个特征向量和对应取向。数据集365可以从BS205被传送(315)(例如，消息或信号)到服务器215。网络设备可以选择和训练ML模型(320)。选择ML模型可以包括选择适合UE 210和/或UE 210硬件的ML模型。在替代(或附加)实现中，BS205可以选择ML模型，并且服务器215可以训练ML模型。训练ML模型可以包括使用特征向量FV

返回到图3A，(一个或多个)经训练的ML模型可以从服务器215传送(325)(例如，消息或信号)到BS205。服务器215可以存储(330)(多个)经训练的ML模型。在替代(或附加)实现中，服务器215可以存储(多个)经训练的ML模型。在该实现中，服务器215可以响应于来自BS205的对经训练的ML模型的请求而将经训练的ML模型(例如，一次一个模型地)传送到BS205。该请求可以包括关于UE 210和/或UE 210硬件(例如，传感器)的信息。所存储的(多个)ML模型可以与UE 210和/或UE 210硬件相关地来存储，使得多于一个UE可以经由ML模型的查找表来使用ML模型。

UE 210向BS205传送(335)(例如，消息或信号)对ML模型的请求。该请求可以包括信息(例如，型号、传感器类型等)。BS205获取所请求的ML模型(例如，从所存储的ML模型)，并且将ML模型传送(340)(例如，消息或信号)到UE 210。UE 210然后部署ML模型(345)。换言之，UE 210使用ML模型来确定UE 210的取向。使用经训练的ML模型来确定取向可以包括使用用于训练ML模型的每个特征(例如，F

图4是示出根据示例实施例的操作基站的方法的流程图。如图4所示，在步骤S405中，接收特征向量。例如，由BS205从UE 210接收特征向量和对应取向。特征向量可以是包含可以由经训练的ML模型使用(在部署时)的信息的向量。UE 210应当出于训练目的而将所收集的数据发送到BS205。因此，数据的内容应当事先决定(例如，预先确定)。

特征向量可以包括AoA、AoD、RSTD、参考信号接收功率(RSRP)、信干噪比(SINR)和/或类似测量。这些测量可以被滤波，例如，在时间窗口上对RSRP测量进行平均以获取L1-RSRP。例如，UE 210可以周期性地测量这些特征，并且例如向BS205报告多达4个最强波束。该报告可以另外包括所选择的UE面板和Rx/Tx波束ID(如果可用)。此外，特征向量可以包括传感器的恒定偏差，以学习和补偿它们。特征向量的另一元素可以是UE的位置信息。位置可以帮助建立ML模型，该ML模型将位置信息以及位置信息与特征向量的其他元素之间的可能相关性考虑在内。

在步骤S410中，将特征向量存储为数据集。例如，BS205可以将被组织为数据集(例如，数据结构)的至少一个特征向量和对应取向存储在BS205的存储器中。在步骤S415中，传送数据集。例如，BS205可以向服务器215传送数据集。

在步骤S420中，接收对经训练的ML模型的请求。例如，UE 210可以请求经训练的ML模型。UE 210可以请求该模型，因为例如，与取向测量相关联的传感器已经发生故障和/或UE 210触发省电模式。该请求可以包括UE 210信息(例如，型号、硬件等)。在替代(或附加)实现中，BS205可以使得ML模型在没有来自UE 210的对经训练的ML模型的请求的情况下(例如，在没有步骤S420的情况下)被传送到UE 210。例如，如果高度准确的经训练的ML模型在服务器215处被构建和/或可用。BS205可以发起经训练的ML模型的传输过程，以便例如降低(或帮助降低)UE 210的操作功率。

在步骤S425中，请求经训练的ML模型。例如，BS205可以向BS205和/或服务器215的存储器请求经训练的ML模型。响应于该请求，在步骤S430中，接收经训练的ML模型。例如，经训练的ML模型可以从BS205和/或服务器215的存储器中的一个而被接收(例如，作为消息或信号)。在步骤S435中，传送对经训练的ML模型。例如，经训练的ML模型可以从BS205传送(例如，作为消息或信号)到请求经训练的ML模型的UE 210。

图5是示出根据示例实施例的操作用户设备的方法的流程图。如图5所示，在步骤S505中，测量特征。例如，UE 210可以进行与可以由经训练的ML模型使用(在部署时)的信息相对应的测量(例如，3GPP(或RAT)参数或特性的测量)。所收集的信息可以用于训练目的。因此，数据的内容应当事先决定(例如，预先确定)。

在步骤S510中，生成特征向量。例如，特征向量可以基于所测量的特征来生成。特征向量可以包括AoA、AoD、RSTD、RSRP、SINR和/或类似测量。这些测量可以被过滤，例如，在时间窗口上对RSRP测量进行平均以获取L1-RSRP。例如，UE 210可以周期性地测量这些特征，并且例如向BS205报告多达4个最强波束。该报告可以另外包括所选择的UE面板和Rx/Tx波束ID(如果可用)。此外，特征向量可以包括传感器的恒定偏差，以学习和补偿它们。特征向量的另一元素可以是UE的位置信息。位置可以帮助建立ML模型，该ML模型将位置信息以及位置信息与特征向量的其他元素之间的可能相关性考虑在内。

在步骤S515中，传送特征向量。例如，UE 210可以向BS205传送特征向量(例如，作为消息或信号)。在示例实现中，UE 210可以以规则的(例如，基于时间的)间隔(例如，参见图3B的时间间隔350)向BS205传送特征向量。

在步骤S520中，请求ML模型。例如，UE 210可以向BS205传送(例如，作为消息或信号)对经训练的ML模型的请求。UE 210可以请求该模型，因为例如，与取向测量相关联的传感器已经发生故障和/或UE 210触发省电模式。该请求可以包括UE 210信息(例如，型号、硬件等)。在替代(或附加)实现中，BS205可以使得ML模型在没有来自UE 210的对经训练的ML模型的请求的情况下(例如，在没有步骤S420的情况下)被传送到UE 210。例如，如果高度准确的经训练的ML模型在服务器215处被构建和/或可用。BS205可以发起经训练的ML模型的传输过程，以便例如降低UE 210的操作功率。

在步骤S525中，接收ML模型。例如，响应于该请求，可以从BS205向UE 210传送(例如，作为消息或信号)经训练的ML模型。在替代(或附加)实现中，BS205可以使得ML模型在没有来自UE 210的对经训练的ML模型的请求的情况下(例如，在没有步骤S520的情况下)被传送到UE 210。例如，如果高度准确的经训练的ML模型在服务器215处被构建和/或可用。BS205可以发起经训练的ML模型的传输过程，以便例如降低UE 210的操作功率。

在步骤S530中，使用ML模型来确定UE取向。例如，经训练的ML模型可以部署在UE210上。部署可以根据设备的软件架构以多种方式执行。通常，ML模型部署可以包括读取经训练的ML模型文件。经训练的ML模型文件可以转换为其他数据结构格式，并且在各种编程环境中传输和部署。例如，经训练的ML模型可以使用TensorFlow模型类(例如，TensorFlow的顺序类)的保存方法保存在Python中。另一方面，经训练的ML模型可以使用同一类的加载方法来部署。一旦经训练的ML模型被加载，经训练的ML模型就可以用作通过调用例如经训练的ML模型的预测(例如，预测取向)方法来将输入映射到输出的函数。

在示例实现中，UE 210可以以规则(例如，基于时间的)间隔(例如，参见图3B的时间间隔355)确定取向。UE 210在任何给定时刻开始使用经训练的ML模型来通过使用特征向量来检测取向。特征向量可以具有与训练中使用的向量相同的格式。特征向量预处理方法可以被包括在从BS205传送到UE 210的模型信息中。

图6是示出根据示例实施例的操作网络设备的方法的流程图。如图6所示，在步骤S605中，接收特征向量的数据集。例如，可以从BS205接收包括特征向量的数据集。特征向量可以对应于可以由经训练的ML模型使用(在部署时)的信息。数据集可以包括与特征向量相关联的取向信息。特征向量可以包括AoA、AoD、RSTD、RSRP、SINR和/或类似测量。这些测量可以被过滤，例如，在时间窗口上对RSRP测量进行平均以获取L1-RSRP。特征向量包括与RSRP测量、服务MT面板、服务Rx波束、(多个)服务Tx波束和UE取向中的至少一项相关联的信息。例如，UE 210可以周期性地测量这些特征，并且例如向BS205报告多达4个最强波束。该报告可以另外包括所选择的UE面板和Rx/Tx波束ID(如果可用)。此外，特征向量可以包括传感器的恒定偏差，以学习和补偿它们。特征向量的另一元素可以是UE的位置信息。位置可以帮助建立ML模型，该ML模型将位置信息以及位置信息与特征向量的其他元素之间的可能相关性考虑在内。

在步骤S610中，选择ML模型。例如，可以基于UE 210的类型(例如，制造商、型号)和/或安装在UE 210中的传感器(例如，陀螺仪)的类型中的至少一项来选择ML模型。数据集可以包括与UE 210相关联的信息。替代地或另外地，BS可以(向服务器215)标识要选择的ML模型和/或与UE 210相关联的信息。换言之，BS205可以确定要训练的ML模型和/或服务器215可以确定要训练的ML模型。

在步骤S615中，使用数据集训练ML模型。例如，网络设备可以基于(例如，使用其作为输入)数据集中包括的特征向量和相关联的取向来训练ML模型。在示例实现中，可以将目标取向用作学习过程中的标签(例如，将ML模型的输出与真实值进行比较，真实值是标签或基本事实)，该目标取向是使用传感器和/或使用基于3GPP的测量(例如，被包括在数据集中)确定的UE 210取向。由于例如BS切换，服务器215可以执行训练过程。因此，不必为了ML训练的完成而将未完成的训练过程从一个BS转移到另一BS。因此，训练可以在集中式实体中运行，使得训练不受潜在切换的影响。一旦训练完成，ML模型就可以被存储在服务器215和/或BS205处，并且在来自UE 210的请求时被传输。

在步骤S620中，接收对经训练的ML模型的请求。例如，服务器215可以从BS205接收包括对经训练的ML模型的请求的通信(例如，作为消息或信号)。BS205可以响应于来自UE210的对经训练的ML的请求而传送该请求。UE 210可以向BS205传送(例如，作为消息或信号)对经训练的ML模型的请求。UE 210可以请求该模型，因为例如，与取向测量相关联的传感器已经发生故障和/或UE 210触发省电模式。该请求可以包括UE 210信息(例如，型号、硬件等)。在替代(或附加)实现中，BS205可以使得ML模型在没有来自UE 210的对经训练的ML模型的请求的情况下被传送到UE 210。例如，如果高度准确的经训练的ML模型在服务器215处被构建和/或可用。BS205可以发起经训练的ML模型的传输过程，以便例如降低UE 210的操作功率。

在步骤S625中，传送经训练的ML模型。例如，响应于该请求，可以从服务器215向BS205传送(例如，作为消息或信号)经训练的ML模型。在替代(或附加)实现中，BS205可以向服务器215请求经训练的模型，并且使得经训练的ML模型在没有来自UE 210的对经训练的ML模型的请求的情况下被传送到UE 210。例如，如果高度准确的经训练的ML模型在服务器215处被构建和/或可用。BS205可以发起经训练的ML模型的传输过程，以便例如降低UE 210的操作功率。

示例实现可以被描述为具有三(3)种模式用于启动ML模型评估和传输。在第一模式(UE传感器故障)中，UE 210可以具有用于向BS205通知传感器故障的机制。在该模式中，UE 210可以触发ML模型传输过程。在一种场景中，UE 210可以向BS205传送周期性的传感器信息更新。在另一场景中，UE 210可以仅在传感器发生故障时向BS205传送消息。在第二模式(UE触发省电模式)中，即使传感器正常操作，UE也可以通过关闭其内部传感器的操作来发起省电模式，并且部署ML模式用于取向估计。在第三模式(可用的高准确性ML模型)中，高度准确的ML模型可以在服务器215处被构建和/或可用。BS205可以发起ML模型传输过程，以便节省UE的操作功率。

在第一模式和第二模式(由UE触发)中，示例实现可以包括以下将ML模型传输到UE的过程(注意，该过程总体上或详细地描述了以上关于图3A-图5的内容)。UE 210发送对ML模型的可用性的请求。UE 210可以向BS205发送诸如设备类型和传感器类型等信息。BS205选择经训练的ML模型，并且基于在服务器215处可用的测试数据集来评估模型的准确性。ML模型可以是通过诸如TensorFlow等框架而训练的神经网络。可以针对不同数据集来训练具有不同神经网络架构和超参数的各种ML模型。例如，对模型性能的测试可以使用tf.keras.evaluate TensorFlow方法在TensorFlow中执行。

ML模型选择可以基于设备型号或基于传感器型号。一旦经训练的ML模型被选择，就可以使用测试数据集进行评估。对于这样的ML任务，通常使用的度量是MSE。基于模型的准确性，BS205采取以下动作中的一个：ML模型足够准确——BS205向UE 210通知模型传输；ML模型不够准确——BS205通知UE 210并且终止该过程。

如果模型足够准确，则BS205触发经训练的ML模型的传输，UE 210接收经训练的ML模型并且部署所接收的经训练的ML模型。部署可以根据设备的软件架构以多种方式执行。例如，经训练的ML模型部署可以包括读取经训练的ML模型文件(例如，.h5格式)。这个经训练的ML模型文件也可以转换为其他数据结构格式，并且在各种编程环境中传输和部署。例如，Python中的经训练的ML模型是通过使用TensorFlow Keras模型类(例如，TensorFlow的Sequential类)的保存方法来保存的。另一方面，可以使用同一类的加载方法来部署经训练的ML模型。一旦经训练的ML模型被加载，经训练的ML模型就可以用作通过调用经训练的ML模型的预测方法来将输入映射到输出的函数。

在第三模式(由BS触发)中，示例实现可以包括以下将ML模型传输到UE的过程(注意，该过程在上文中关于图3A-图5进行了总体或详细描述)。BS205可以通知用于取向的高度准确的经训练的ML模型的可用性。这表明，BS205具有UE/传感器的经训练的ML模型以及用于训练和测试模型的数据集。响应于UE 210的ACK，BS 205触发经训练的ML模型的传输。

UE 210可以接收经训练的ML模型并且部署所接收的经训练的ML模型。部署可以根据设备的软件架构以多种方式执行。例如，经训练的ML模型部署可以包括读取经训练的ML模型文件(例如，.h5格式)。这个经训练的ML模型文件也可以转换为其他数据结构格式，并且在各种编程环境中传输和部署。例如，Python中的经训练的ML模型是通过使用TensorFlow Keras模型类(例如，TensorFlow的Sequential类)的保存方法来保存的。另一方面，可以使用同一类的加载方法来部署经训练的ML模型。一旦经训练的ML模型被加载，经训练的ML模型就可以用作通过调用经训练的ML模型的预测方法来将输入映射到输出的函数。

训练(例如，训练取向预测元素)可以包括例如有监督训练和无监督训练。有监督训练包括要从给定的一组预测因子(自变量)中预测的目标/结果变量(例如，标签、基本事实或因变量)。使用这些变量集，可以生成一个将输入映射到期望输出的函数。训练过程继续，直到模型基于训练数据达到期望的准确性水平。无监督训练包括使用机器学习算法从由没有标记响应的输入数据组成的数据集中进行推断。也可以使用其他类型的训练(例如，混合训练和强化训练)。

ML模型的训练可以继续进行，直到达到期望的准确性水平。准确性水平的确定可以包括使用损失函数。例如，损失函数可以包括铰链损失、逻辑损失、负对数似然等。损失函数可以被最小化以指示已经达到ML模型训练的足够的准确性水平。也可以使用正则化。正则化可以防止过度拟合。可以通过使权重和/或权重变化足够小来防止过度拟合，以防止训练(例如，永不结束)训练。

计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，从而使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图块中指定的功能/动作的部件。这些计算机可读程序指令也可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现在流程图和/或框图块中指定的功能/动作的各方面的指令。

一些示例优点：

示例1.图7是示出网络设备或基站(BS)的操作的流程图。操作S705包括由基站(BS)从用户设备(UE)接收包括特征向量的通信。操作S710包括由所述BS存储包括与所述UE相关联的一个或多个特征向量的数据集。操作S715包括由所述BS向网络设备传送与所述UE相关联的所述数据集。操作S720包括由所述BS从所述网络设备接收机器学习(ML)模型，所述ML模型使用所述数据集被训练以检测UE取向。操作S725包括由所述BS向所述UE传送经训练的ML模型。

示例2.根据示例1所述的方法，其中所述数据集可以包括与取向相关联的UE信息。

示例3.根据示例1或示例2所述的方法，其中所述特征向量可以包括与以下中的至少一项相关联的信息：参考信号接收功率(RSRP)测量、信干噪比(SINR)测量、服务移动终端(MT)面板、服务接收器(Rx)波束、(多个)服务发送器(Tx)波束、以及UE取向。

示例4.根据示例1至示例3中任一项所述的方法，其中所述特征向量可以包括以下中的至少一项：到所述BS的最强波束的RSRP、所选择的UE面板、Rx波束和针对每个报告RSRP的UE取向。

示例5.根据示例1至示例4中任一项所述的方法，其中所述ML模型将一组RSRP、所选择的UE面板和所选择的Rx波束、以及(多个)服务Tx波束映射到所述UE取向。

示例6.根据示例1至示例5中任一项所述的方法，还可以包括：由所述BS从所述UE接收指示所述UE处的传感器故障的通信；以及由所述BS从所述UE接收包括对所述经训练的ML模型的请求的通信，其中由所述BS从所述网络设备对所述经训练的ML模型的所述接收是响应于基于来自所述UE的对所述经训练的模型的所述请求的所述通信而对所述ML模型的请求。

示例7.根据示例6所述的方法，其中从所述UE接收的包括对所述经训练的ML模型的所述请求的所述通信可以包括UE设备类型信息和UE传感器类型信息。

示例8.根据示例6或示例7所述的方法，其中向所述网络设备传送的对所述经训练的ML模型的所述请求可以包括UE设备类型信息和UE传感器类型信息。

示例9.根据示例1至示例8中任一项所述的方法，还可以包括由所述BS选择所述ML模型；以及由所述BS基于测试数据集来评估所述经训练的ML模型的准确性，其中由所述BS对所述经训练的ML模型的所述传送是响应于确定所述经训练的ML模型满足准确性标准。

示例10.根据示例1至示例9中任一项所述的方法，还可以包括由所述BS从所述UE接收包括使用所述ML模型而确定的UE取向的通信。

示例11.图8是示出用户设备的操作的流程图。操作S805包括由用户设备(UE)基于UE测量生成特征向量。操作S810包括由所述UE向基站(BS)传送包括所述特征向量的消息。操作S815包括由所述UE从所述BS接收机器学习(ML)模型，所述ML模型使用所述特征向量被训练以检测UE取向。

示例12.根据示例11所述的方法，其中所述消息还可以包括与取向相关联的UE信息。

示例13.根据示例11或示例12所述的方法，其中所述特征向量可以包括与以下中的至少一项相关联的信息：参考信号接收功率(RSRP)测量、信干噪比(SINR)测量、服务移动终端(MT)面板、服务接收器(Rx)波束、(多个)服务发送器(Tx)波束、以及UE取向。

示例14.根据示例11至示例13中任一项所述的方法，其中所述特征向量可以包括以下中的至少一项：到所述BS的最强波束的RSRP、所选择的UE面板、Rx波束、以及针对每个报告RSRP的UE取向。

示例15.根据示例11至示例14中任一项所述的方法，其中所述ML模型可以将一组RSRP、所选择的UE面板和所选择的Rx波束以及(多个)服务Tx波束映射到所述UE取向。

示例16.根据示例11至示例15中任一项所述的方法，还可以包括：由所述UE确定至少一个传感器故障，所述传感器与确定UE取向相关联；由所述UE向所述BS传送指示所述UE处的所述传感器故障的消息；以及由所述UE向所述基站传送包括对所述经训练的ML模型的请求的消息。

示例17.根据示例16所述的方法，其中包括对所述经训练的ML模型的所述请求的所述通信可以包括UE设备类型信息和UE传感器类型信息。

示例18.根据示例11至示例17中任一项所述的方法，还可以包括由所述UE向所述BS传送包括使用所述ML模型而确定的UE取向的消息。

示例19.一种非暂态计算机可读存储介质，包括存储在其上的指令，所述指令在由至少一个处理器执行时被配置为引起计算系统执行根据示例1至18中任一项所述的方法。

示例20.一种装置，包括用于执行根据示例1至18中任一项所述的方法的部件。

示例21.一种装置，包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器；所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起引起所述装置至少执行根据示例1至18中任一项所述的方法。

计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，从而使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图块中指定的功能/动作的部件。这些计算机可读程序指令也可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现在流程图和/或框图块中指定的功能/动作的各方面的指令。

图9是根据示例实施例的无线站900或无线节点或网络节点900的框图。根据示例实施例，无线节点或无线站或网络节点900可以包括例如AP、BS、gNB、RAN节点、中继节点、UE或用户设备、网络节点、网络实体、DU、CU-CP、CU-UP、……或其他节点中的一种或多种。

无线站900可以包括例如一个或多个(例如，如图9所示的两个)射频(RF)或无线收发器902A、902B，其中每个无线收发器包括用于发送信号的发送器和用于接收信号的接收器。无线站还包括用于执行指令或软件并且控制信号的发送和接收的处理器或控制单元/实体(控制器)904、以及用于存储数据和/或指令的存储器906。

处理器904还可以做出决定或确定，生成用于传输的帧、分组或消息，解码接收的帧或消息以进行进一步处理，以及进行本文中描述的其他任务或功能。例如，可以是基带处理器的处理器904可以生成用于经由无线收发器902(902A或902B)传输的消息、分组、帧或其他信号。处理器904可以控制信号或消息通过无线网络的传输，并且可以控制信号或消息等经由无线网络的接收(例如，在被无线收发器902下变频之后)。处理器904可以是可编程的并且能够执行存储在存储器中或在其他计算机介质上的软件或其他指令以执行上述各种任务和功能，诸如上述任务或方法中的一个或多个。例如，处理器904可以是(或可以包括)硬件、可编程逻辑、执行软件或固件的可编程处理器、和/或这些的任何组合。例如，使用其他术语，处理器904和收发器902可以一起被视为无线发送器/接收器系统。

此外，参考图9，控制器(或处理器)908可以执行软件和指令，并且可以为站900提供总体控制，并且可以为图9中未示出的其他系统提供控制，诸如控制输入/输出设备(例如，显示器、小键盘)，和/或可以执行可以在无线站900上提供的一个或多个应用的软件，例如电子邮件程序、音频/视频应用、文字处理器、IP语音应用、或者其他应用或软件。

此外，可以提供包括存储的指令的存储介质，该指令在由控制器或处理器执行时可以导致处理器904或者其他控制器或处理器执行上述功能或任务中的一个或多个。

根据另一示例实施例，RF或(多个)无线收发器902A/902B可以接收信号或数据和/或传输或发送信号或数据。处理器904(以及可能的收发器902A/902B)可以控制RF或无线收发器902A或902B来接收、发送、广播或传输信号或数据。

然而，示例实施例不限于作为示例给出的系统，而是本领域技术人员可以将该解决方案应用于其他通信系统。合适的通信系统的另一示例是5G系统。假定5G中的网络架构将与高级LTE非常相似。5G可能会使用多输入多输出(MIMO)天线，比LTE(所谓的小型蜂窝概念)更多的基站或节点，包括与小型基站合作运行的宏站点，并且可能还采用各种无线电技术，以实现更好的覆盖范围和更高的数据速率。

应当理解，未来的网络很可能会利用网络功能虚拟化(NFV)，NFV是一种网络架构概念，其提出将网络节点功能虚拟化为可以在操作上连接或链接在一起以提供服务的“构建块”或实体。虚拟化网络功能(VNF)可以包括使用标准或通用类型的服务器而不是定制的硬件来运行计算机程序代码的一个或多个虚拟机。也可以使用云计算或数据存储。在无线电通信中，这可能表示节点操作可以至少部分在可操作地耦合到远程无线电头端的服务器、主机或节点中执行。节点操作也可能分布在多个服务器、节点或主机之间。还应当理解，核心网运营与基站运营之间的工作分配可能与LTE不同，甚至不存在。

本文中描述的各种技术的示例实施例可以在数字电子电路系统中实现，或者在计算机硬件、固件、软件或其组合中实现。示例实施例可以实现为计算机程序产品，即，有形地体现在信息载体中的计算机程序，例如，在机器可读存储设备中或在传播信号中，以供数据处理装置执行或控制数据处理装置的操作，例如，可编程处理器、一个计算机或多个计算机。实施例还可以在可以是非暂态介质的计算机可读介质或计算机可读存储介质上提供。各种技术的实施例还可以包括经由瞬时信号或介质提供的实施例、和/或经由互联网或(多个)其他网络(有线网络和/或无线网络)可下载的程序和/或软件实施例。此外，实施例可以经由机器类型通信(MTC)提供，也可以经由物联网(IOT)提供。

计算机程序可以是源代码形式、目标代码形式或某种中间形式，并且可以存储在某种载体、分发介质或计算机可读介质中，该介质可以是能够携带程序的任何实体或设备。例如，这样的载体包括记录介质、计算机存储器、只读存储器、光电和/或电载体信号、电信信号和软件分发包。根据所需要的处理能力，计算机程序可以在单个电子数字计算机中执行，也可以分布在多个计算机之间。

此外，本文中描述的各种技术的示例实施例可以使用网络物理系统(CPS)(使控制物理实体的计算元件进行协作的系统)。CPS可以实施和利用嵌入在物理对象中不同位置的大量互连ICT设备(传感器、执行器、处理器、微控制器等)。移动网络物理系统(其中所讨论的物理系统具有固有的移动性)是网络物理系统的一个子类别。移动物理系统的示例包括由人类或动物运输的移动机器人和电子设备。智能手机的普及增加了人们对移动网络物理系统领域的兴趣。因此，本文中描述的技术的各种实施例可以通过这些技术中的一种或多种来提供。

诸如上述(多个)计算机程序等计算机程序可以以任何形式的编程语言编写，包括编译或解释语言，并且可以以任何形式部署，包括作为独立程序、或者作为适用于计算环境的模块、组件、子程序或其他单元或其一部分。可以部署计算机程序以在一个计算机上、或者在一个站点处的多个计算机上、或者在分布在多个站点之间并且通过通信网络互连的多个计算机上执行。

方法步骤可以由一个或多个可编程处理器执行，该处理器执行计算机程序或计算机程序部分以通过对输入数据进行操作并且生成输出来执行功能。方法步骤也可以由专用逻辑电路系统执行，并且装置可以实现为专用逻辑电路系统，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。

例如，适合于执行计算机程序的处理器包括通用和专用微处理器两者、以及任何种类的数字计算机、芯片或芯片组的任何一个或多个处理器。通常，处理器将从只读存储器或随机存取存储器或这两者接收指令和数据。计算机的元件可以包括用于执行指令的至少一个处理器、以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还可以包括用于存储数据的一个或多个大容量存储设备(例如，磁、磁光盘或光盘)，或可操作地耦合到用于存储数据的一个或多个大容量存储设备(例如，磁、磁光盘或光盘)以从其接收数据或向其传输数据，或这两者。适合于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，包括例如半导体存储器设备，例如EPROM、EEPROM和闪存设备；磁盘，例如内部硬盘或可移动磁盘；磁光盘；以及CD ROM和DVD-ROM磁盘。处理器和存储器可以由专用逻辑电路系统补充或结合在专用逻辑电路系统中。

为了提供与用户的交互，实施例可以在计算机上实现，该计算机具有用于向用户显示信息的显示设备(例如，阴极射线管(CRT)或液晶显示器(LCD)显示器)、以及用户可以通过其向计算机提供输入的用户接口(诸如键盘和定点设备，例如鼠标或轨迹球)。也可以使用其他类型的设备来提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感官反馈，例如视觉反馈、听觉反馈或触觉反馈；并且来自用户的输入可以以任何形式接收，包括声音、语音或触觉输入。

示例实施例可以在计算系统中实现，该计算系统包括：后端组件，例如，作为数据服务器；或者包括中间件组件，例如，应用服务器；或者包括前端组件，例如，客户端计算机，该客户端计算机具有用户可以通过其与实施例交互的图形用户界面或网络浏览器；或者这样的后端、中间件或前端组件的任何组合。组件可以通过任何形式或媒体的数字数据通信互连，例如通信网络。通信网络的示例包括局域网(LAN)和广域网(WAN)，例如互联网。

虽然所描述的实施例的某些特征已经如本文中描述的那样进行了说明，但是本领域技术人员现在将能够想到很多修改、替换、改变和等同物。因此，应当理解，所附权利要求意在涵盖落入各种实施例的真实精神内的所有这样的修改和变化。