针对UE处基于神经网络的处理的报告配置

相关申请的交叉引用

本申请要求于2020年8月18日提交的题为“Reporting Configurations forNeural Network-based Processing at a UE(针对UE处基于神经网络的处理的报告配置)”的希腊申请No.20200100493的权益和优先权，该希腊申请通过援引被整体明确纳入于此。

技术领域

本公开一般涉及通信系统，尤其涉及使用神经网络的操作来编码数据集。

引言

无线通信系统被广泛部署以提供诸如电话、视频、数据、消息接发、和广播等各种电信服务。典型的无线通信系统可采用能够通过共享可用系统资源来支持与多个用户通信的多址技术。此类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、以及时分同步码分多址(TD-SCDMA)系统。

这些多址技术已经在各种电信标准中被采纳以提供使不同的无线设备能够在城市、国家、地区、以及甚至全球级别上进行通信的共同协议。示例电信标准是5G新无线电(NR)。5G NR是由第三代伙伴项目(3GPP)为满足与等待时间、可靠性、安全性、可缩放性(例如，与物联网(IoT))相关联的新要求以及其他要求所颁布的连续移动宽带演进的部分。5GNR包括与增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低等待时间通信(URLLC)相关联的服务。5G NR的一些方面可以基于4G长期演进(LTE)标准。存在对5G NR技术的进一步改进的需求。这些改进还可适用于其他多址技术以及采用这些技术的电信标准。

简要概述

以下给出了一个或多个方面的简要概述以提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。

在本公开的一方面，提供了一种方法、计算机可读介质和装置。该装置可接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联；基于该CSI配置来测量该一个或多个参考信号，CSI基于在该CSI配置中接收的用于该神经网络的该一个或多个参数以及对该一个或多个参考信号的测量；以及基于该神经网络的输出来向网络实体报告该CSI。

在本公开的另一方面，提供了一种方法、计算机可读介质和装置。该装置可向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联；向该UE传送该一个或多个参考信号；以及从该UE接收CSI，该CSI基于该CSI配置中的该一个或多个参数以及该一个或多个参考信号。

为了达成前述及相关目的，这一个或多个方面包括在下文充分描述并在权利要求中特别指出的特征。以下描述和附图详细阐述了这一个或多个方面的某些解说性特征。但是，这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种，并且本描述旨在涵盖所有此类方面及其等效方案。

附图简述

图1是解说无线通信系统和接入网的示例的示图。

图2A是解说根据本公开的各个方面的第一帧的示例的示图。

图2B是解说根据本公开的各个方面的子帧内的DL信道的示例的示图。

图2C是解说根据本公开的各个方面的第二帧的示例的示图。

图2D是解说根据本公开的各个方面的子帧内的UL信道的示例的示图。

图3是解说接入网中的基站和用户装备(UE)的示例的示图。

图4A是解说根据本公开的各个方面的使用先前存储的信道状态信息的编码设备和解码设备的示例的示图。

图4B是解说根据本公开的各个方面的与编码设备和解码设备相关联的示例的示图。

图5-图8是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例的示图。

图9-图10是解说根据本公开的各个方面的与使用神经网络来编码数据集以进行上行链路通信相关联的示例过程的示图。

图11是根据本公开的各方面的在编码设备与解码设备之间的通信流。

图12是根据本公开的各方面的在编码设备处的无线通信方法的流程图。

图13是根据本公开的各方面的在编码设备处的无线通信方法的流程图。

图14是根据本公开的各方面的在解码设备处的无线通信方法的流程图。

图15是根据本公开的各方面的在解码设备处的无线通信方法的流程图。

图16是解说示例装备的硬件实现的示例的示图。

图17是解说示例装备的硬件实现的示例的示图。

图18解说了CSI配置的示例方面。

详细描述

以下结合附图阐述的详细描述旨在作为各种配置的描述而无意表示可实践本文所描述的概念的仅有配置。本详细描述包括具体细节以提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以便避免淡化此类概念。

现在将参照各种装置和方法给出电信系统的若干方面。这些装置和方法将在以下详细描述中进行描述并在附图中由各种框、组件、电路、过程、算法等(统称为“元素”)来解说。这些元素可使用电子硬件、计算机软件、或其任何组合来实现。此类元素是实现成硬件还是软件取决于具体应用和加诸于整体系统上的设计约束。

作为示例，元素、或元素的任何部分、或者元素的任何组合可被实现为包括一个或多个处理器的“处理系统”。处理器的示例包括：微处理器、微控制器、图形处理单元(GPU)、中央处理单元(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立的硬件电路、以及其他配置成执行本公开中通篇描述的各种功能性的合适硬件。处理系统中的一个或多个处理器可以执行软件。软件应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件组件、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、函数等，无论其是用软件、固件、中间件、微代码、硬件描述语言、还是其他术语来述及皆是如此。

相应地，在一个或多个示例中，所描述的功能可以在硬件、软件、或其任何组合中实现。如果在软件中实现，则各功能可作为一条或多条指令或代码存储或编码在计算机可读介质上。计算机可读介质包括计算机存储介质。存储介质可以是可由计算机访问的任何可用介质。作为示例而非限制，此类计算机可读介质可包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储、磁盘存储、其他磁性存储设备、上述类型的计算机可读介质的组合、或能够被用于存储可被计算机访问的指令或数据结构形式的计算机可执行代码的任何其他介质。

虽然在本申请中通过对一些示例的解说来描述各方面和各实现，但本领域技术人员将理解，在许多不同布置和场景中可产生附加的实现和用例。本文中所描述的各方面可跨许多不同的平台类型、设备、系统、形状、大小、以及封装布置来实现。例如，各实现和/或使用可经由集成芯片实现和其他基于非模块组件的设备(例如，终端用户设备、交通工具、通信设备、计算设备、工业装备、零售/购物设备、医疗设备、启用人工智能(AI)的设备等)来产生。虽然一些示例可以是或可以不是专门针对各用例或应用的，但可出现所描述方面的广泛适用性。各实现的范围可从芯片级或模块组件至非模块、非芯片级实现，并进一步至纳入所描述技术的一个或多个方面的聚集的、分布式或原始装备制造商(OEM)设备或系统。在一些实际环境中，纳入所描述的各方面和特征的设备还可包括用于实现和实践所要求保护并描述的各方面的附加组件和特征。例如，无线信号的传输和接收必需包括用于模拟和数字目的的数个组件(例如，硬件组件，包括天线、RF链、功率放大器、调制器、缓冲器、(诸)处理器、交织器、加法器/求和器等等)。本文中所描述的各方面旨在可以在各种大小、形状和构成的各种各样的设备、芯片级组件、系统、分布式布置、聚集的或分解式组件(例如，与用户装备(UE)和/或基站相关联)、终端用户设备等等中实践。

信道状态信息(CSI)可基于类型1和/或类型2CSI报告从用户装备(UE)向网络实体(例如，基站、第二UE、服务器、传送接收点(TRP)等)报告。此类报告可包括与信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)、CSI-RS资源指示符(CRI)、同步信号块/物理广播信道资源指示符(SSBRI)、层指示符(LI)等相关联的信息。类型1CSI报告可基于对由UE选择的波束索引的指示，并且类型2CSI报告可基于波束组合技术，其中UE可确定用于报告波束索引的各个波束的系数与用于在(经配置)子带基础上对波束进行组合的系数的线性组合。

在类型1和类型2报告配置中，CSI报告的内容可由网络实体来定义。即，CSI报告可与隐式CSI反馈相关联。对于隐式CSI反馈，UE可反馈期望的传输假言(例如，基于预编码器矩阵W)以及传输假言的结果。预编码器矩阵可选自可由UE应用于提供传输假言的测得CSI参考信号(CSI-RS)的一组候选预编码器矩阵(例如，预编码器码本)。

对于显式CSI反馈，UE可反馈对如由该UE在数个天线端口上观察到的信道状态的指示，而不管所报告的CSI可能已被向该UE传送了数据的网络实体如何处理。类似地，网络实体可能还未接收到对假言传输将由接收侧的UE如何处理的指示。相应地，可实现基于神经网络的CSI以直接向网络实体指示信道和/或干扰。由于子带大小在基于神经网络的CSI中可能不是固定的，因此UE可基于较大或较小程度的准确性以更复杂的形式压缩信道。

为了观察用于基于神经网络的CSI报告的信道和/或干扰，UE可从网络实体接收与用于训练神经网络的参数相关联的CSI配置。基于收到/测得的参考信号和经训练的神经网络，UE可经由神经网络的输出来确定CSI并向网络实体报告该CSI。

图1是解说无线通信系统和接入网100的示例的示图。无线通信系统(亦称为无线广域网(WWAN))包括基站102、UE 104、演进型分组核心(EPC)160和另一核心网190(例如，5G核心(5GC))。基站102可包括宏蜂窝小区(高功率蜂窝基站)和/或小型蜂窝小区(低功率蜂窝基站)。宏蜂窝小区包括基站。小型蜂窝小区包括毫微微蜂窝小区、微微蜂窝小区、和微蜂窝小区。

配置成用于4G LTE的基站102(统称为演进型通用移动电信系统(UMTS)地面无线电接入网(E-UTRAN))可通过第一回程链路132(例如，S1接口)与EPC 160对接。配置成用于5G NR的基站102(统称为下一代RAN(NG-RAN))可通过第二回程链路184与核心网190对接。除了其他功能，基站102还可执行以下功能中的一者或多者：用户数据的传递、无线电信道暗码化和暗码解译、完整性保护、报头压缩、移动性控制功能(例如，切换、双连通性)、蜂窝小区间干扰协调、连接建立和释放、负载平衡、非接入阶层(NAS)消息的分发、NAS节点选择、同步、无线电接入网(RAN)共享、多媒体广播多播服务(MBMS)、订户和装备追踪、RAN信息管理(RIM)、寻呼、定位、以及警报消息的递送。基站102可以直接或间接地(例如，通过EPC 160或核心网190)在第三回程链路134(例如，X2接口)上彼此通信。第一回程链路132、第二回程链路184和第三回程链路134可以是有线的或无线的。

基站102可与UE 104进行无线通信。每个基站102可为各自相应的地理覆盖区域110提供通信覆盖。可能存在交叠的地理覆盖区域110。例如，小型蜂窝小区102'可具有与一个或多个宏基站102的覆盖区域110交叠的覆盖区域110'。包括小型蜂窝小区和宏蜂窝小区两者的网络可被称为异构网络。异构网络还可包括归属演进型B节点(eNB)(HeNB)，该HeNB可向被称为封闭订户群(CSG)的受限群提供服务。基站102与UE 104之间的通信链路120可包括从UE 104到基站102的上行链路(UL)(亦称为反向链路)传输和/或从基站102到UE 104的下行链路(DL)(亦称为前向链路)传输。通信链路120可使用多输入多输出(MIMO)天线技术，包括空间复用、波束成形和/或发射分集。这些通信链路可通过一个或多个载波。对于在每个方向上用于传输的总共至多达Yx MHz(x个分量载波)的载波聚集中分配的每个载波，基站102/UE 104可使用至多达Y MHz(例如，5、10、15、20、100、400MHz等)带宽的频谱。这些载波可以或者可以不彼此毗邻。载波的分配可以关于DL和UL是非对称的(例如，与UL相比可将更多或更少载波分配给DL)。分量载波可包括主分量载波以及一个或多个副分量载波。主分量载波可被称为主蜂窝小区(PCell)，并且副分量载波可被称为副蜂窝小区(SCell)。

某些UE 104可使用设备到设备(D2D)通信链路158来彼此通信。D2D通信链路158可使用DL/UL WWAN频谱。D2D通信链路158可使用一个或多个侧链路信道，诸如物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)、以及物理侧链路控制信道(PSCCH)。D2D通信可通过各种各样的无线D2D通信系统，诸如举例而言，WiMedia、蓝牙、ZigBee、以电气与电子工程师协会(IEEE)802.11标准为基础的Wi-Fi、LTE、或NR。

无线通信系统可进一步包括例如在5GHz无执照频谱等中经由通信链路154与Wi-Fi站(STA)152处于通信的Wi-Fi接入点(AP)150。当在无执照频谱中通信时，STA 152/AP150可在通信之前执行畅通信道评估(CCA)以确定该信道是否可用。

小型蜂窝小区102'可在有执照和/或无执照频谱中操作。当在无执照频谱中操作时，小型蜂窝小区102'可采用NR并且使用与由Wi-Fi AP 150所使用的相同的无执照频谱(例如，5GHz等)。在无执照频谱中采用NR的小型蜂窝小区102'可推升接入网的覆盖和/或增大接入网的容量。

通常基于频率/波长来将电磁频谱细分成各种类、频带、信道等。在5G NR中，两个初始操作频带已被标识为频率范围指定FR1(410MHz–7.125GHz)和FR2(24.25GHz–52.6GHz)。FR1与FR2之间的频率通常被称为中频带频率。尽管FR1的一部分大于6GHz，但在各种文档和文章中，FR1通常(可互换地)被称为“亚6GHz”频带。关于FR2有时会出现类似的命名问题，尽管不同于由国际电信联盟(ITU)标识为“毫米波”频带的极高频率(EHF)频带(30GHz–300GHz)，但是FR2在各文档和文章中通常(可互换地)被称为“毫米波”频带。

FR1与FR2之间的频率通常被称为中频带频率。最近的5G NR研究已将这些中频带频率的操作频带标识为频率范围指定FR3(7.125GHz–24.25GHz)。落在FR3内的频带可以继承FR1特性和/或FR2特性，并且由此可有效地将FR1和/或FR2的特征扩展到中频带频率中。另外，目前正在探索较高频带，以将5G NR操作扩展到52.6GHz以上。例如，三个较高操作频带已被标识为频率范围指定FR4a或FR4-1(52.6GHz–71GHz)、FR4(52.6GHz–114.25GHz)和FR5(114.25GHz–300GHz)。这些较高频带中的每一者都落在EHF频带内。

考虑到以上各方面，除非特别另外声明，否则应理解，如果在本文中使用，则术语“亚6GHz”等可广义地表示可小于6GHz、可在FR1内、或可包括中频带频率的频率。此外，除非特别另外声明，否则应理解，如果在本文中使用，则术语“毫米波”等可广义地表示可包括中频带频率、可在FR2、FR4、FR4-a或FR4-1和/或FR5内、或可在EHF频带内的频率。

无论是小型蜂窝小区102'还是大型蜂窝小区(例如，宏基站)，基站102可包括和/或被称为eNB、g B节点(gNB)、或另一类型的基站。一些基站(诸如gNB 180)可在传统亚6GHz频谱中、在毫米波频率、和/或近毫米波频率中操作以与UE 104通信。当gNB 180在毫米波频率或近毫米波频率中操作时，gNB 180可被称为毫米波基站。毫米波基站180可以利用与UE104的波束成形182来补偿路径损耗和短射程。基站180和UE 104可各自包括多个天线，诸如天线振子、天线面板和/或天线阵列以促成波束成形。

基站180可在一个或多个传送方向182'上向UE 104传送经波束成形信号。UE 104可在一个或多个接收方向182”上从基站180接收经波束成形信号。UE104也可在一个或多个传送方向上向基站180传送经波束成形信号。基站180可在一个或多个接收方向上从UE 104接收经波束成形信号。基站180/UE 104可执行波束训练以确定基站180/UE 104中的每一者的最佳接收方向和传送方向。基站180的传送方向和接收方向可以相同或可以不同。UE 104的传送方向和接收方向可以相同或可以不同。

EPC 160可包括移动性管理实体(MME)162、其他MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可与归属订户服务器(HSS)174处于通信。MME 162是处理UE 104与EPC 160之间的信令的控制节点。一般而言，MME 162提供承载和连接管理。所有用户网际协议(IP)分组通过服务网关166来传递，服务网关166自身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其他功能。PDN网关172和BM-SC 170连接到IP服务176。IP服务176可包括因特网、内联网、IP多媒体子系统(IMS)、PS流送服务、和/或其他IP服务。BM-SC 170可提供用于MBMS用户服务置备和递送的功能。BM-SC 170可用作内容提供商MBMS传输的进入点、可用来授权和发起公共陆地移动网(PLMN)内的MBMS承载服务、并且可用来调度MBMS传输。MBMS网关168可被用来向属于广播特定服务的多播广播单频网(MBSFN)区域的基站102分发MBMS话务，并且可负责会话管理(开始/停止)并负责收集eMBMS相关的收费信息。

核心网190可包括接入和移动性管理功能(AMF)192、其他AMF 193、会话管理功能(SMF)194、以及用户面功能(UPF)195。AMF 192可与统一数据管理(UDM)196处于通信。AMF192是处理UE 104与核心网190之间的信令的控制节点。一般而言，AMF 192提供QoS流和会话管理。所有用户网际协议(IP)分组通过UPF 195来传递。UPF 195提供UE IP地址分配以及其他功能。UPF 195连接到IP服务197。IP服务197可包括因特网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流送(PSS)服务、和/或其他IP服务。

基站可包括和/或被称为gNB、B节点、eNB、接入点、基收发机站、无线电基站、无线电收发机、收发机功能、基本服务集(BSS)、扩展服务集(ESS)、传送接收点(TRP)、或某个其他合适术语。基站102为UE 104提供去往EPC160或核心网190的接入点。UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型设备、个人数字助理(PDA)、卫星无线电、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如，MP3播放器)、相机、游戏控制台、平板设备、智能设备、可穿戴设备、交通工具、电表、气泵、大型或小型厨房电器、健康护理设备、植入物、传感器/致动器、显示器、或任何其他类似的功能设备。一些UE 104可被称为IoT设备(例如，停车计时器、油泵、烤箱、交通工具、心脏监视器等)。UE 104也可被称为站、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端、客户端、或某种其他合适的术语。

再次参照图1，在某些方面，UE 104或其他编码设备可包括CSI组件198，该CSI组件198被配置成：接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联；基于该CSI配置来测量该一个或多个参考信号，CSI基于在该CSI配置中接收的用于该神经网络的该一个或多个参数以及对该一个或多个参考信号的测量；以及基于该神经网络的输出来向网络实体报告该CSI。基站102、180、TRP 103、另一UE104、或其他解码设备可包括CSI配置组件199，该CSI配置组件199被配置成：向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联；向该UE传送该一个或多个参考信号；以及从该UE接收CSI，该CSI基于该CSI配置中的该一个或多个参数以及该一个或多个参考信号。

尽管以下描述可能聚焦于5G NR，但本文中所描述的概念可适用于其他类似领域，诸如LTE、LTE-A、CDMA、GSM和其他无线技术。

图2A是解说5G NR帧结构内的第一子帧的示例的示图200。图2B是解说5G NR子帧内的DL信道的示例的示图230。图2C是解说5G NR帧结构内的第二子帧的示例的示图250。图2D是解说5G NR子帧内的UL信道的示例的示图280。5G NR帧结构可以是频分双工(FDD)的，其中对于特定副载波集(载波系统带宽)，该副载波集内的子帧专用于DL或UL；或者可以是时分双工(TDD)的，其中对于特定副载波集(载波系统带宽)，该副载波集内的子帧专用于DL和UL两者。在由图2A、2C提供的示例中，5G NR帧结构被假定为TDD，其中子帧4配置有时隙格式28(大部分是DL)且子帧3配置有时隙格式1(都是UL)，其中D是DL，U是UL，并且F供在DL/UL之间灵活使用。虽然子帧3、4分别被示为具有时隙格式1、28，但是任何特定子帧可被配置有各种可用时隙格式0-61中的任一者。时隙格式0、1分别是全DL、全UL。其他时隙格式2-61包括DL、UL、和灵活码元的混合。UE通过所接收到的时隙格式指示符(SFI)而被配置成具有时隙格式(通过DL控制信息(DCI)来动态地配置，或者通过无线电资源控制(RRC)信令来半静态地/静态地配置)。注意，以下描述也适用于为TDD的5G NR帧结构。

图2A-图2D解说了帧结构，并且本公开的各方面可以适用于可能具有不同帧结构和/或不同信道的其他无线通信技术。一帧(10ms)可被划分成10个相等大小的子帧(1ms)。每个子帧可包括一个或多个时隙。子帧还可包括迷你时隙，其可包括7、4或2个码元。每个时隙可包括14或12个码元，这取决于循环前缀(CP)是正常CP还是扩展CP。对于正常CP，每个时隙可包括14个码元，而对于扩展CP，每个时隙可包括12个码元。DL上的码元可以是CP正交频分复用(OFDM)(CP-OFDM)码元。UL上的码元可以是CP-OFDM码元(对于高吞吐量场景)或离散傅立叶变换(DFT)扩展OFDM(DFT-s-OFDM)码元(也称为单载波频分多址(SC-FDMA)码元)(对于功率受限的场景；限于单流传输)。子帧内的时隙数目基于CP和参数设计。参数设计定义副载波间隔(SCS)，并且实际上定义码元长度/历时，其等于1/SCS。

对于正常CP(14个码元/时隙)，不同参数设计μ0到4分别允许每子帧1、2、4、8和16个时隙。对于扩展CP，参数设计2允许每子帧4个时隙。相应地，对于正常CP和参数设计μ，存在14个码元/时隙和2

资源网格可被用于表示帧结构。每个时隙包括延伸12个连贯副载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分成多个资源元素(RE)。由每个RE携带的比特数取决于调制方案。

如图2A中所解说的，一些RE携带用于UE的参考(导频)信号(RS)。RS可包括用于UE处的信道估计的解调RS(DM-RS)(对于一个特定配置指示为R，但其他DM-RS配置是可能的)和信道状态信息参考信号(CSI-RS)。RS还可包括波束测量RS(BRS)、波束精化RS(BRRS)和相位跟踪RS(PT-RS)。

图2B解说帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)(例如，1、2、4、8或16个CCE)内携带DCI，每个CCE包括6个RE群(REG)，每个REG包括RB的OFDM码元中的12个连贯RE。一个BWP内的PDCCH可以被称为控制资源集(CORESET)。UE被配置成在CORESET上的PDCCH监视时机期间在PDCCH搜索空间(例如，共用搜索空间、因UE而异的搜索空间)中监视PDCCH候选，其中PDCCH候选具有不同的DCI格式和不同的聚集等级。附加BWP可被定位在跨越信道带宽的更高和/或更低频率处。主同步信号(PSS)可在帧的特定子帧的码元2内。PSS由UE 104用于确定子帧/码元定时和物理层身份。副同步信号(SSS)可在帧的特定子帧的码元4内。SSS由UE用于确定物理层蜂窝小区身份群号和无线电帧定时。基于物理层身份和物理层蜂窝小区身份群号，UE可确定物理蜂窝小区标识符(PCI)。基于PCI，UE可确定前述DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以在逻辑上与PSS和SSS编群在一起以形成同步信号(SS)/PBCH块(也被称为SS块(SSB))。MIB提供系统带宽中的RB数目、以及系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、不通过PBCH传送的广播系统信息(诸如系统信息块(SIB))、以及寻呼消息。

如在图2C中解说的，一些RE携带用于基站处的信道估计的DM-RS(对于一个特定配置指示为R，但其他DM-RS配置是可能的)。UE可传送用于物理上行链路控制信道(PUCCH)的DM-RS和用于物理上行链路共享信道(PUSCH)的DM-RS。PUSCH DM-RS可在PUSCH的前一个或前两个码元中被传送。PUCCH DM-RS可取决于传送短PUCCH还是传送长PUCCH并取决于所使用的特定PUCCH格式而在不同配置中被传送。UE可传送探通参考信号(SRS)。SRS可在子帧的最后码元中被传送。SRS可具有梳齿结构，并且UE可在梳齿之一上传送SRS。SRS可由基站用于信道质量估计以在UL上启用取决于频率的调度。

图2D解说了帧的子帧内的各种UL信道的示例。PUCCH可位于如在一种配置中指示的位置。PUCCH携带上行链路控制信息(UCI)，诸如调度请求、信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)、以及混合自动重复请求(HARQ)ACK/NACK反馈。PUSCH携带数据，并且可附加地用于携带缓冲器状态报告(BSR)、功率净空报告(PHR)、和/或UCI。

图3是接入网中基站310与UE 350处于通信的框图。在DL中，来自EPC160的IP分组可被提供给控制器/处理器375。控制器/处理器375实现层3和层2功能性。层3包括无线电资源控制(RRC)层，并且层2包括服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层、无线电链路控制(RLC)层、以及媒体接入控制(MAC)层。控制器/处理器375提供与系统信息(例如，MIB、SIB)的广播、RRC连接控制(例如，RRC连接寻呼、RRC连接建立、RRC连接修改、以及RRC连接释放)、无线电接入技术(RAT)间移动性、以及UE测量报告的测量配置相关联的RRC层功能性；与报头压缩/解压缩、安全性(暗码化、暗码解译、完整性保护、完整性验证)、以及切换支持功能相关联的PDCP层功能性；与上层分组数据单元(PDU)的传递、通过ARQ的纠错、RLC服务数据单元(SDU)的级联、分段和重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能性；以及与逻辑信道和传输信道之间的映射、将MAC SDU复用到传输块(TB)上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先级区分相关联的MAC层功能性。

发射(TX)处理器316和接收(RX)处理器370实现与各种信号处理功能相关联的层1功能性。包括物理(PHY)层的层1可包括传输信道上的检错、传输信道的前向纠错(FEC)编码/解码、交织、速率匹配、映射到物理信道上、物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如，二进制相移键控(BPSK)、正交相移键控(QPSK)、M相移键控(M-PSK)、M正交调幅(M-QAM))来处置至信号星座的映射。经编码和经调制的码元可随后被拆分成并行流。每个流可随后被映射到OFDM副载波、在时域和/或频域中与参考信号(例如，导频)复用、并且随后使用快速傅立叶逆变换(IFFT)组合到一起以产生携带时域OFDM码元流的物理信道。OFDM流被空间预编码以产生多个空间流。来自信道估计器374的信道估计可被用来确定编码和调制方案以及用于空间处理。信道估计可从由UE 350传送的参考信号和/或信道状况反馈推导出。每个空间流随后可经由分开的发射机318TX被提供给一不同的天线320。每个发射机318TX可用相应各个空间流来调制RF载波以供传输。

在UE 350处，每个接收机354RX通过其各自相应的天线352来接收信号。每个接收机354RX恢复出调制到RF载波上的信息并将该信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实现与各种信号处理功能相关联的层1功能性。RX处理器356可对信息执行空间处理以恢复出以UE 350为目的地的任何空间流。如果有多个空间流以UE 350为目的地，则它们可由RX处理器356组合成单个OFDM码元流。RX处理器356随后使用快速傅立叶变换(FFT)将OFDM码元流从时域变换到频域。频域信号对OFDM信号的每个副载波包括单独的OFDM码元流。通过确定最有可能由基站310传送的信号星座点来恢复和解调每个副载波上的码元、以及参考信号。这些软判决可基于由信道估计器358计算出的信道估计。这些软判决随后被解码和解交织以恢复出原始由基站310在物理信道上传送的数据和控制信号。这些数据和控制信号随后被提供给实现层3和层2功能性的控制器/处理器359。

控制器/处理器359可与存储程序代码和数据的存储器360相关联。存储器360可被称为计算机可读介质。在UL中，控制器/处理器359提供传输信道与逻辑信道之间的解复用、分组重组、暗码解译、报头解压缩以及控制信号处理以恢复出来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。

类似于结合由基站310进行的DL传输所描述的功能性，控制器/处理器359提供与系统信息(例如，MIB、SIB)捕获、RRC连接、以及测量报告相关联的RRC层功能性；与报头压缩/解压缩、以及安全性(暗码化、暗码解译、完整性保护、完整性验证)相关联的PDCP层功能性；与上层PDU的传递、通过ARQ的纠错、RLC SDU的级联、分段、以及重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能性；以及与逻辑信道和传输信道之间的映射、将MAC SDU复用到TB上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先级区分相关联的MAC层功能性。

由信道估计器358从由基站310所传送的参考信号或反馈推导出的信道估计可由TX处理器368用于选择恰适的编码和调制方案、以及促成空间处理。由TX处理器368生成的空间流可经由分开的发射机354TX被提供给不同的天线352。每个发射机354TX可用相应空间流来调制RF载波以供传输。

在基站310处以与结合UE 350处的接收机功能所描述的方式类似的方式来处理UL传输。每个接收机318RX通过其相应的天线320来接收信号。每个接收机318RX恢复出调制到RF载波上的信息并将该信息提供给RX处理器370。

控制器/处理器375可与存储程序代码和数据的存储器376相关联。存储器376可被称为计算机可读介质。在UL中，控制器/处理器375提供传输信道与逻辑信道之间的解复用、分组重组、暗码解译、报头解压缩、控制信号处理以恢复出来自UE 350的IP分组。来自控制器/处理器375的IP分组可被提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。

TX处理器368、RX处理器356和控制器/处理器359中的至少一者可被配置成执行与CSI组件198结合的各方面，该CSI组件198被配置成接收和应用包括用于神经网络的一个或多个参数的CSI配置，例如，如结合图1所描述的。

TX处理器316、RX处理器370和控制器/处理器375中的至少一者可被配置成执行与CSI配置组件199结合的各方面，该CSI配置组件199被配置成向UE或其他编码设备传送包括用于神经网络的一个或多个参数的CSI配置，例如，如结合图1所描述的。

无线接收机可向传送方设备提供各种类型的信道状态信息(CSI)。在其他示例之中，UE可对来自基站的下行链路信号(诸如参考信号)执行测量，并且可提供CSI报告，该CSI报告包括以下各项的任何组合：信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)、同步信号块/物理广播信道资源块指示符(SSBRI)、层指示符(LI)。UE可基于接收自基站的一个或多个信道状态信息参考信号(CSI-RS)、SSB、信道状态信息干扰测量(CSI-IM)资源等来执行测量并确定CSI。基站可例如使用CSI测量配置将UE配置成执行CSI测量。基站可使用CSI资源配置来配置UE，该CSI资源配置指示参考信号的类型，例如，非零功率CSI-RS(NZP CSI-RS)、SSB、CSI-IM资源等。基站可使用CSI报告配置来配置UE，该CSI报告配置指示经配置CSI测量与经配置CSI资源之间的映射并且指示UE要向基站提供CSI报告。

可存在不同类型的CSI。第一类型的CSI(其可被称为类型I CSI)可用于波束选择，其中UE选择具有较佳信道测量的一个或多个(例如，波束182’或182”的)波束索引的集合并将该波束集合的CSI信息传送到基站。

第二类型的CSI(其可被称为类型II CSI)可用于波束集合的波束组合。UE可确定各个波束的(例如，波束182’或182”的)较佳线性组合系数并且可传送波束集合的波束索引以及用于组合波束的系数。UE可在每子带基础上提供用于波束组合的系数。例如，类型IICSI反馈可包括针对每个经配置子带的CSI报告。

本申请提供了一种附加类型的CSI(其在本文中可被称为基于神经网络的CSI)，该CSI使用机器学习或一个或多个神经网络来压缩信道并将该信道反馈给基站。该CSI可使用机器学习或一个或多个神经网络来测量并提供关于在UE处观察到的干扰的反馈。该反馈可被提供给基站，例如以用于接入链路上的通信。在其他示例中，该反馈可被提供给传送接收点(TRP)或另一UE(例如，以用于侧链路通信)。

图4A解说了根据本公开的各方面的使用先前存储的CSI的编码设备400和解码设备425的组件的示例架构。在一些示例中，编码设备400可以是UE(例如，104或350)，并且解码设备425可以是基站(例如，102、180、310)、传送接收点(TRP)(例如，TRP 103)、另一UE(例如，UE 104)等。编码设备400和解码设备425可保存并使用先前存储的CSI，并且可编码和解码CSI自从先前实例起的变化。这可提供较少的CSI反馈开销并且可改进性能。编码设备400还可以能够编码更准确的CSI，并且神经网络可以用更准确的CSI来训练。编码设备400和解码设备425的示例架构可被用于CSI的确定(例如，计算)以及从编码设备400向解码设备425提供反馈，包括基于神经网络或机器学习的处理。

如402处所解说的，编码设备400基于来自基站的、输入以供编码的下行链路信号(诸如CSI-RS、SSB、CSI-IM资源等)测量下行链路信道估计。时间t处的下行链路信道估计实例被表示为H(t)并且被提供给CSI实例编码器404，CSI实例编码器404对时间t的单个CSI实例进行编码并将时间t的经编码CSI实例作为m(t)输出到CSI序列编码器406。CSI序列编码器406可将多普勒纳入考虑。

如图4A中所示，CSI实例编码器404可针对DL信道估计序列中的每一DL信道估计将CSI实例编码成中间经编码CSI。CSI实例编码器404(例如，前馈网络)可使用神经网络编码器权重θ。中间经编码CSI可被表示为

CSI序列解码器414可在PUSCH或PUCCH 412上接收经编码CSI。CSI序列解码器414可确定仅CSI的变化n(t)被接收为经编码CSI。CSI序列解码器414可至少部分地基于经编码CSI和来自存储器416的先前中间经解码CSI实例h(t-1)的至少一部分以及变化n(t)来确定中间经解码CSI m(t)。CSI实例解码器418可将中间经解码CSIm(t)解码成经解码CSI。CSI序列解码器414和CSI实例解码器418可使用神经网络解码器权重φ。中间经解码CSI可由

由于变化n(t)小于整个CSI实例，因此编码设备可在UL信道上发送较小的有效载荷。例如，如果DL信道例如由于编码设备的低多普勒或较少移动而自从先前反馈起几乎没有变化，则CSI序列编码器的输出可相当紧凑。以此方式，编码设备可利用信道估计随时间的相关性。在一些方面，由于输出较小，因此编码设备可在经编码CSI中包括针对该变化的更详细信息。在一些方面，编码设备可向解码设备传送关于经编码CSI在时间上被编码(例如，CSI变化)的指示(例如，标志)。替换地，编码设备可传送关于经编码CSI是独立于任何先前经编码CSI反馈被编码的指示。解码设备可在不使用先前经解码CSI实例的情况下解码经编码CSI。在一些方面，设备(其可包括编码设备或解码设备)可使用CSI序列编码器和CSI序列解码器来训练神经网络模型。

在一些方面，CSI可以是信道估计(被称为信道响应)H和干扰N的函数。可存在传达H和N的多种方式。例如，编码设备可将CSI编码为N

在一些方面，经重构DL信道

在一些方面，解码设备和编码设备可维持多个编码器和解码器网络，每一网络以不同的有效载荷大小为目标(例如，以用于变化的准确性相对于UL开销的折衷)。对于每一CSI反馈，取决于重构质量和上行链路预算(例如，PUSCH有效载荷大小)，编码设备可选择或者解码设备可指令编码设备选择编码器之一来构建经编码CSI。编码设备可至少部分地基于该编码设备所选的编码器来发送编码器的索引以及CSI。类似地，解码设备和编码设备可维持多个编码器和解码器网络以管理不同的天线几何形状以及信道状况。注意，尽管一些操作是针对解码设备和编码设备来描述的，但这些操作也可由另一设备作为编码器和解码器权重和/或结构的预配置的一部分来执行。

如以上所指示的，图4A可以作为示例来提供。其他示例可以不同于关于图4A所描述的示例。

至少部分地基于使用神经网络来编码和解码数据集以进行上行链路通信，编码设备可通过减小的有效载荷大小来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。

图4B是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例450的示图。编码设备(例如，UE 104、编码设备400等)可被配置成：对经由编码设备400的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备425(例如，基站102或180、解码设备425等)可被配置成：解码经压缩样本以确定信息，诸如CSF。

在一些方面，编码设备可标识要压缩的特征。在一些方面，编码设备可在与要压缩的特征相关联的第一维度中执行第一类型操作。编码设备可在其他维度中(例如，在所有其他维度中)执行第二类型操作。例如，编码设备可在第一维度上执行全连通操作并在所有其他维度中执行卷积(例如，逐点卷积)。

在一些方面，附图标记标识包括多个神经网络层和/或操作的操作。编码设备和解码设备的神经网络可由一个或多个所引述的操作的级联来形成。

在455，编码设备可对数据执行空间特征提取。在460，编码设备可对数据执行抽头域特征提取。在一些方面，编码设备可在执行空间特征提取之前执行抽头域特征提取。在一些方面，提取操作可包括多个操作。例如，多个操作可包括可被激活或可以不活跃的一个或多个卷积操作、一个或多个全连通操作等。在一些方面，提取操作可包括残差神经网络(ResNet)操作。

在465，编码设备可压缩已经被提取的一个或多个特征。在一些方面，压缩操作可包括一个或多个操作，诸如一个或多个卷积操作、一个或多个全连通操作等。在压缩之后，输出的比特计数可小于输入的比特计数。

在470，编码设备可执行量化操作。在一些方面，编码设备可在平坦化压缩操作的输出和/或在平坦化输出之后执行全连通操作之后执行量化操作。

在475，解码设备可执行特征解压缩。在480，解码设备可执行抽头域特征重构。在485，解码设备可执行空间特征重构。在一些方面，解码设备可在执行抽头域特征重构之前执行空间特征重构。在重构操作之后，解码设备可输出编码设备的输入的经重构版本。

在一些方面，解码设备可按照与编码设备所执行的操作顺序相反的顺序来执行操作。例如，如果编码设备遵循操作(a,b,c,d)，则解码设备可遵循反向操作(D,C,B,A)。在一些方面，解码设备可执行与编码设备的操作完全对称的操作。这可减少UE处神经网络配置所需的比特数。在一些方面，解码设备可执行除了编码设备的操作之外的附加操作(例如，卷积操作、全连通操作、ResNet操作等)。在一些方面，解码设备可执行与编码设备的操作非对称的操作。

至少部分地基于编码设备使用神经网络来编码数据集以进行上行链路通信，编码设备(例如，UE)可通过减小的有效载荷来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。

如上文所指示的，图4B仅仅是作为示例来提供的。其他示例可以不同于关于图4B所描述的示例。

以机器学习或神经网络为基础的基于神经网络的CSI(诸如结合图4A所描述的)可按照更全面的方式来压缩下行链路信道。例如，在类型II CSI中，子带大小针对UE报告其CSI的所有子带可以是固定的。例如，子带粒度(例如，子带大小)可以不是带宽部分(BWP)内的子带索引的函数。对于一些频带，子带大小可提供所需的更高粒度。在其他频带中，子带大小可能无法提供足够粒度。基于神经网络的CSI可通过例如在整个信道上提供CSI来解决固定子带大小的问题。基于神经网络的CSI可被配置成以较高或较低准确性压缩一些子带。基于神经网络的CSI还可提供用于例如基站处的多用户多输入多输出(MU-MIMO)无线通信的益处。基于神经网络的CSI提供关于信道和干扰的直接信息，并允许解码设备(诸如基站)更好地对接收方(例如UE)进行编群。

图5是解说根据本公开的各个方面的与编码设备和解码设备相关联的示例500的示图。编码设备(例如，UE 102、350、编码设备400等)可被配置成：对数据执行一个或多个操作以压缩该数据。解码设备(例如，基站102、180、310、解码设备425等)可被配置成：解码经压缩数据以确定信息。

如本文所使用的，神经网络的“层”被用于表示对输入数据的操作。例如，卷积层、全连通层等可表示对输入到层中的数据的相关联操作。卷积AxB操作是指将数个输入特征A转换为数个输出特征B的操作。“内核大小”是指在一维度中被组合的毗邻系数的数目。

如本文所使用的，“权重”被用于表示在各层中用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如，全连通层操作可具有输出y，该输出y至少部分地基于输入矩阵x与权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)的和来确定。术语“权重”在本文中可被用于一般地指权重和偏置值两者。

如示例500中所示，编码设备可对样本执行卷积操作。例如，编码设备可接收被构造为2x64x32数据集的比特集，其指示用于(例如，与多径定时偏移相关联的)抽头特征和(例如，与编码设备的不同天线相关联的)空间特征的IQ采样。卷积操作可以是针对数据结构的具有内核大小为3和3的2x2操作。卷积操作的输出可被输入到批量归一化(BN)层、继之以LeakyReLu激活，从而给出具有尺寸2x64x32的输出数据集。编码设备可执行平坦化操作以将比特平坦化成4096比特向量。编码设备可将具有尺寸4096xM的全连通操作应用于4096比特向量以输出M比特的有效载荷。编码设备可将M比特的有效载荷传送到解码设备。

解码设备可将具有尺寸Mx4096的全连通操作应用于M比特有效载荷以输出4096比特向量。解码设备可将4096比特向量重塑为具有尺寸2x64x32。解码设备可对经重塑比特向量应用一个或多个精化网络(RefineNet)操作。例如，RefineNet操作可包括：应用2x8卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为8x64x32的输出数据集；应用8x16卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为16x64x32的输出数据集；和/或应用16x2卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为2x64x32的输出数据集。解码设备还可应用具有内核大小为3和3的2x2卷积操作以生成经解码和/或经重构输出。

如上文所指示的，图5仅仅是作为示例来提供的。其他示例可以不同于关于图5所描述的示例。

如本文中所描述的，在网络中进行操作的编码设备可测量参考信号等以向解码设备进行报告。例如，UE可在波束管理过程期间测量参考信号以报告信道状态反馈(CSF)，可测量来自服务蜂窝小区和/或邻居蜂窝小区的参考信号的收到功率，可测量无线电接入技术(例如，WiFi)间网络的信号强度，可测量用于检测环境内的一个或多个对象的位置的传感器信号等等。然而，向网络实体报告此类信息可消耗通信和/或网络资源。

在本文中所描述的一些方面，编码设备(例如，UE)可训练一个或多个神经网络以学习这些测得质量对个体参数的依赖性，通过该一个或多个神经网络的各个层(也被称为“操作”)来隔离这些测得质量，以及按照限制压缩损失的方式来压缩这些测量。

在一些方面，编码设备可使用被压缩的比特数量的性质来构建提取和压缩影响比特数量的每个特征(也称为维度)的过程。在一些方面，比特数量可与对一个或多个参考信号的采样相关联和/或可指示信道状态信息。

图6是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例600的示图。编码设备(例如，UE 120、编码设备300等)可被配置成：对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站102、180、310等)可被配置成：解码经压缩样本以确定信息，诸如CSF。

如由示例600所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。

编码设备可执行空间特征提取、短时间(抽头)特征提取等。在一些方面，这可通过使用1维卷积操作来实现，该1维卷积操作在空间维度中是全连通的(以提取空间特征)并且在抽头维度中是具有小内核大小(例如，3)的简单卷积(以提取短抽头特征)。此类64xW的1维卷积操作的输出可以是Wx64矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化空间特征和/或时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个1维卷积操作可包括：具有内核大小为3的Wx256卷积操作，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为256x64的输出数据集；具有内核大小为3的256x512卷积操作，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为512x64的输出数据集；具有内核大小为3的512xW卷积操作，其输出尺寸为Wx64的BN数据集。来自一个或多个ResNet操作的输出可以是Wx64矩阵。

编码设备可对来自一个或多个ResNet操作的输出执行WxV卷积操作。WxV卷积操作可包括逐点(例如，逐抽头)卷积操作。WxV卷积操作可针对每一抽头将空间特征压缩成减小的维度。WxV卷积操作具有W个特征的输入和V个特征的输出。来自WxV卷积操作的输出可以是Vx64矩阵。

编码设备可执行平坦化操作以将Vx64矩阵平坦化成64V元素向量。编码设备可执行64VxM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行Mx64V全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64V元素向量重塑成2维Vx64矩阵。解码设备可对来自重塑操作的输出执行VxW(具有内核大小为1)卷积操作。VxW卷积操作可包括逐点(例如，逐抽头)卷积操作。VxW卷积操作可针对每一抽头从减小的维度解压缩空间特征。VxW卷积操作具有V个特征的输入和W个特征的输出。来自VxW卷积操作的输出可以是Wx64矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，以避免应用1维卷积操作)、通过多个卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是Wx64矩阵。

解码设备可执行空间和时间特征重构。在一些方面，这可通过使用1维卷积操作来实现，该1维卷积操作在空间维度中是全连通的(例如，以重构空间特征)并且在抽头维度中是具有小内核大小(例如，3)的简单卷积(例如，以重构短抽头特征)。来自64xW卷积操作的输出可以是64x64矩阵。

在一些方面，M、W和/或V的值可以是可配置的以调整特征的权重、有效载荷大小等。

如上文所指示的，图6仅仅是作为示例来提供的。其他示例可以不同于关于图6所描述的示例。

图7是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例700的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站102、180、310等)可被配置成解码经压缩样本以确定信息，诸如CSF。如由示例700所示，特征可按顺序被压缩和解压缩。例如，编码设备可提取和压缩与输入相关联的特征以产生有效载荷，并且随后解码设备可提取和压缩与有效载荷相关联的特征以重构输入。编码和解码操作可以是对称的(如所示出的)或非对称的。

如由示例700所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为256x64的数据集。编码设备可将数据重塑成(64x64x4)数据集。

编码设备可执行2维64x128卷积操作(例如，具有内核大小为3和1)。在一些方面，64x128卷积操作可执行与解码设备天线维度相关联的空间特征提取、与解码设备(例如，基站)天线维度相关联的短时间(抽头)特征提取等。在一些方面，这可通过使用2维卷积层来实现，该2维卷积层在解码设备天线维度中是全连通的、在抽头维度中具有小内核大小(例如，3)以及在编码设备天线维度中具有小内核大小(例如，1)的简单卷积操作。来自64xW卷积操作的输出可以是尺寸为(128x64x4)的矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与解码设备相关联的空间特征和/或与解码设备相关联的时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个2维卷积操作可包括：Wx2W卷积操作(例如，具有内核大小为3和1)，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为2Wx64xV的输出数据集；具有内核大小为3和1的2Wx4W卷积操作，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为4Wx64xV的输出数据集；以及4WxW卷积操作(例如，具有内核大小为3和1)，其输出尺寸为(128x64x4)的BN数据集。来自该一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。

编码设备可对来自该一个或多个ResNet操作的输出执行2维128xV卷积操作(例如，具有内核大小为1和1)。128xV卷积操作可包括逐点(例如，逐抽头)卷积操作。WxV卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(4x64xV)的矩阵。

编码设备可执行2维4x8卷积操作(例如，具有内核大小为3和1)。在一些方面，4x8卷积操作可执行与编码设备天线维度相关联的空间特征提取、与编码设备天线维度相关联的短时间(抽头)特征提取等。来自4x8卷积操作的输出可以是尺寸为(8x64xV)的矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与编码设备相关联的空间特征和/或与编码设备相关联的时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的矩阵。

编码设备可对来自该一个或多个ResNet操作的输出执行2维8xU卷积操作(例如，具有内核大小为1和1)。8xU卷积操作可包括逐点(例如，逐抽头)卷积操作。8xU卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(Ux64xV)的矩阵。

编码设备可执行平坦化操作以将尺寸为(Ux64xV)的矩阵平坦化成64UV元素向量。编码设备可执行64UVxM全连通操作以将2维空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行Mx64UV全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64UV元素向量重塑成尺寸为(Ux64xV)的矩阵。解码设备可对来自重塑操作的输出执行2维Ux8(例如，具有内核大小为1和1)卷积操作。Ux8卷积操作可包括逐点(例如，逐抽头)卷积操作。Ux8卷积操作可针对每一抽头从减小的维度解压缩空间特征。来自Ux8卷积操作的输出可以是尺寸为(8x64xV)的数据集。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与编码设备相关联的空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的数据集。

解码设备可执行2维8x4卷积操作(例如，具有内核大小为3和1)。在一些方面，8x4卷积操作可执行编码设备天线维度中的空间特征重构、以及短时间特征重构等。来自8x4卷积操作的输出可以是尺寸为(Vx64x4)的数据集。

解码设备可对来自2维8x4卷积操作的输出执行2维Vx128(例如，具有内核大小为1)卷积操作以重构与解码设备相关联的抽头特征和空间特征。Vx128卷积操作可包括逐点(例如，逐抽头)卷积操作。Vx128卷积操作可针对每一抽头从减小的维度解压缩与解码设备天线相关联的空间特征。来自Ux8卷积操作的输出可以是尺寸为(128x64x4)的矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与解码设备相关联的空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。

解码设备可执行2维128x64卷积操作(例如，具有内核大小为3和1)。在一些方面，128x64卷积操作可执行与解码设备天线维度相关联的空间特征重构、短时间特征重构等。来自128x64卷积操作的输出可以是尺寸为(64x64x4)的数据集。

在一些方面，M、V和/或U的值可以是可配置的以调整特征的权重、有效载荷大小等。例如，M的值可以是32、64、128、256或512，V的值可以是16，和/或U的值可以是1。

如上文所指示的，图7仅仅是作为示例来提供的。其他示例可以不同于关于图7所描述的示例。

图8是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例800的示图。编码设备(例如，UE 120、编码设备300等)可被配置成：对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站102、180、310等)可被配置成：解码经压缩样本以确定信息，诸如CSF。编码设备和解码设备操作可以是非对称的。换言之，解码设备可具有比解码设备更多数目的层。

如由示例800所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。

编码设备可执行64xW卷积操作(例如，具有内核大小为1)。在一些方面，64xW卷积操作在天线中可以是全连通的、在抽头中可以是卷积等等。来自64xW卷积操作的输出可以是Wx64矩阵。编码设备可执行一个或多个WxW卷积操作(例如，具有内核大小为1或3)。来自该一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(例如，具有内核大小为1)。在一些方面，该一个或多个WxW卷积操作可执行空间特征提取、短时间(抽头)特征提取等。在一些方面，WxW卷积操作可以是一系列1维卷积操作。

编码设备可执行平坦化操作以将Wx64矩阵平坦化成64W元素向量。编码设备可执行4096xM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行4096xM全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将6W元素向量重塑成Wx64矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可解压缩空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个1维卷积操作可包括：Wx256卷积操作(例如，具有内核大小为3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为256x64的输出数据集；256x512卷积操作(例如，具有内核大小为3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生尺寸为512x64的输出数据集；以及512xW卷积操作(例如，具有内核大小为3)，其输出尺寸为Wx64的BN数据集。来自该一个或多个ResNet操作的输出可以是Wx64矩阵。

解码设备可执行一个或多个WxW卷积操作(例如，具有内核大小为1或3)。来自该一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(例如，具有内核大小为1)。在一些方面，WxW卷积操作可执行空间特征重构、短时间(抽头)特征重构等。在一些方面，WxW卷积操作可以是一系列1维卷积操作。

编码设备可执行Wx64卷积操作(例如，具有内核大小为1)。在一些方面，Wx64卷积操作可以是1维卷积操作。来自64xW卷积操作的输出可以是64x64矩阵。

在一些方面，M和/或W的值可以是可配置的以调整特征的权重、有效载荷大小等。

如上文所指示的，图8仅仅是作为示例来提供的。其他示例可以不同于关于图8所描述的示例。

图9是解说根据本公开的各个方面的例如由第一设备执行的示例过程900的示图。示例过程900对应于其中第一设备(例如，编码设备、UE 104等等)执行与使用神经网络来编码数据集相关联的操作的示例。

如图9中所示，在一些方面，示例过程900可包括：使用与神经网络相关联的一个或多个提取操作和压缩操作来编码数据集以产生经压缩数据集，该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集(框910)。例如，第一设备可使用与神经网络相关联的一个或多个提取操作和压缩操作来对数据集进行编码以产生经压缩数据集，该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集，如上所述。

如图9中进一步所示，在一些方面，示例过程900可包括：向第二设备传送该经压缩数据集(框920)。例如，第一设备可向第二设备传送该经压缩数据集，如上所述。

示例过程900可包括附加方面，诸如下文和/或结合在本文所描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，数据集至少部分地基于对一个或多个参考信号的采样。

在第二方面，单独地或与第一方面相结合地，向第二设备传送经压缩数据集包括：向第二设备传送信道状态信息反馈。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，示例过程900包括标识数据集的特征集，其中该一个或多个提取操作和压缩操作包括：在与数据集的特征集中的特征相关联的维度中执行的第一类型操作、以及在与数据集的特征集中的其他特征相关联的其余维度中执行的第二类型操作，该第二类型操作不同于该第一类型操作。

在第四方面，单独地或与第一至第三方面中的一者或多者相结合地，第一类型操作包括一维全连通层操作，而第二类型操作包括卷积操作。

在第五方面，单独地或与第一至第四方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括多个操作，这些操作包括卷积操作、全连通层操作、或残差神经网络操作中的一者或多者。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括针对数据集的特征集中的第一特征执行的第一提取操作和第一压缩操作、以及针对数据集的特征集中的第二特征执行的第二提取操作和第二压缩操作。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，示例过程900包括：对在执行该一个或多个提取操作和压缩操作之后输出的中间数据集执行一个或多个附加操作。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，该一个或多个附加操作包括量化操作、平坦化操作或全连通操作中的一者或多者。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，数据集的特征集包括空间特征或抽头域特征中的一者或多者。

在第十方面，单独地或与第一至第九方面中的一者或多者结合地，该一个或多个提取操作和压缩操作包括以下一者或多者：使用一维卷积操作的空间特征提取、使用一维卷积操作的时间特征提取、用于精化所提取空间特征的残差神经网络操作、用于精化所提取时间特征的残差神经网络操作、用于压缩所提取空间特征的逐点卷积操作、用于压缩所提取时间特征的逐点卷积操作、用于平坦化所提取空间特征的平坦化操作、用于平坦化所提取时间特征的平坦化操作、或者用于将所提取时间特征或所提取空间特征中的一者或多者压缩成低维度向量以供传输的压缩操作。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括：与关联于第二设备的一个或多个特征相关联的第一特征提取操作、用于压缩关联于第二设备的一个或多个特征的第一压缩操作、与关联于第一设备的一个或多个特征相关联的第二特征提取操作、以及用于压缩关联于第一设备的一个或多个特征的第二压缩操作。

尽管图9示出了示例过程900的示例框，但在一些方面，示例过程900可包括与图9中所描绘的框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替换地，示例过程900的两个或更多个框可以并行执行。

图10是解说根据本公开的各个方面的例如由第二设备执行的示例过程1000的示图。示例过程1000对应于其中第二设备(例如，解码设备、基站102、180等等)执行与使用神经网络来解码数据集相关联的操作的示例。

如图10中所示，在一些方面，示例过程1000可包括：从第一设备接收经压缩数据集(框1010)。例如，第二设备可从第一设备接收经压缩数据集，如上所述。

如图10中进一步所示，在一些方面，示例过程1000可包括：使用与神经网络相关联的一个或多个解压缩操作和重构操作来解码该经压缩数据集以产生经重构数据集，该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集(框1020)。例如，第二设备可使用与神经网络相关联的一个或多个解压缩操作和重构操作来解码该经压缩数据集以产生经重构数据集，该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集，如上所述。

示例过程1000可包括附加方面，诸如下文和/或结合在本文所描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，使用该一个或多个解压缩操作和重构操作来解码经压缩数据集可包括：至少部分地基于第一设备使用与该一个或多个解压缩操作和重构操作对称的操作集生成经压缩数据集的假言来执行该一个或多个解压缩操作和重构操作，或者至少部分地基于第一设备使用与该一个或多个解压缩操作和重构操作不对称的操作集生成经压缩数据集的假言来执行该一个或多个解压缩操作和重构操作。

在第二方面，单独地或与第一方面相结合地，经压缩数据集至少部分地基于第一设备对一个或多个参考信号的采样。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，接收经压缩数据集包括从第一设备接收信道状态信息反馈。

在第四方面，单独地或与第一至第三方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括：在与经压缩数据集的特征集中的特征相关联的维度中执行的第一类型操作、以及在与经压缩数据集的特征集中的其他特征相关联的其余维度中执行的第二类型操作，该第二类型操作不同于该第一类型操作。

在第五方面，单独地或与第一至第四方面中的一者或多者相结合地，第一类型操作包括一维全连通层操作，并且其中第二类型操作包括卷积操作。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括多个操作，这些操作包括卷积操作、全连通层操作、或残差神经网络操作中的一者或多者。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括：针对经压缩数据集的特征集中的第一特征执行的第一操作、以及针对经压缩数据集的特征集中的第二特征执行的第二操作。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，示例过程1000可进一步包括对经压缩数据集执行重塑操作。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，经压缩数据集的特征集包括空间特征或抽头域特征中的一者或多者。

在第十方面，单独地或与第一至第九方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括特征解压缩操作、时间特征重构操作、或空间特征重构操作中的一者或多者。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括：针对与第一设备相关联的一个或多个特征执行的第一特征重构操作、以及针对与第二设备相关联的一个或多个特征执行的第二特征重构操作。

尽管图10示出了示例过程1000的示例框，但在一些方面，示例过程1000可包括与图10中所描绘的框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替换地，示例过程1000的两个或更多个框可以并行执行。

图11是解说UE 1102与网络实体1104之间的通信的呼叫流图1100。网络实体可以是基站、第二UE、服务器、TRP等。虽然在呼叫流图1100中描述了UE 1102和网络实体1104作为示例，但各方面可由其他编码设备(例如，编码设备400)和解码设备(例如，解码设备425)应用。

在1106a，网络实体1104可传送具有用于神经网络的一个或多个参数1106b的CSI。该一个或多个参数1106b可包括：(1)神经网络的层序列或子层序列/有序层或子层序列；(2)用于神经网络或用于神经网络的(诸)层或子层的输入/输出参数；(3)层权重；(4)对层类型的指示(例如，残差网络块，卷积层，全连通层等)；(5)报告(例如，CSI或层权重)的周期性；(6)用于信道(诸如PUCCH、PUSCH、PSCCH或PSSCH)的信道资源标识符(ID)；(7)使UE 1102经由神经网络提供干扰信道测量的指示；(8)用于报告CSI的子带数目；(9)要被应用于调度UE 1102的预编码器资源群(PRG)；和/或(10)指示可用于报告CSI的PUCCH或PUSCH资源的贝塔(β)参数。

在1106a处在CSI配置中传送的该一个或多个参数1106b可进一步包括对神经网络类型的指示，包括对要由UE 1102级联的层的指示。在1108，如果在1106a处传送的指示指出多个网络类型，则UE 1102可从多个神经网络类型中选择神经网络类型。在一些配置中，该一个或多个参数1106b可仅指示神经网络的一种类型，该类型基于经定义的层序列。在1110，UE 1102可向网络实体1104报告所选神经网络类型。

在1112，UE 1102可应用对神经网络(例如，在1108处选择的神经网络)的各层的级联。例如，UE 1102可将神经网络的各层组合成一群连续存储器。在1113a，网络实体1104可传送一个或多个参考信号，并且在1113b，UE 1102可基于在1106a接收的CSI配置来测量(诸)参考信号。在1114，UE 1102可基于在1106a接收的用于神经网络的该一个或多个参数1106b来确定CSI。UE1102可在1116基于神经网络的输出来向网络实体1104报告CSI。

图18解说了用于隐式CSI反馈的CSI报告1800的配置。CSI报告1800可包括与用于类型I CSI和类型II CSI的CSI反馈相关联的信息。例如，CSI报告1800可指示包括测得CSI的载波。CSI报告1800可进一步指示报告的周期性(例如，报告是周期性的、半周期性的、还是非周期性的)以及信息的报告参量，诸如cri-RI-PMI-CQI、cri-RI-il、cri-RI-il-CQI、cri-RI-CQI等。此类信息可被用于类型I和类型II反馈。由UE接收的(例如，与基于神经网络的反馈相关联的)进一步CSI报告配置可将UE配置成报告神经网络的输出或报告神经网络的中间输出(例如，对应于神经网络的一层)。

CSI报告1800中的ssb-索引-参考信号收到功率(RSRP)(ssb-Index-RSRP)可以用于波束管理，并且csi-RSRP可以用于RSRP报告。对CSI报告1800的配置还可指示UE可提供报告的频度、UE可在何处提供该报告(例如，要使用哪些PDSCH或PUSCH资源)、要报告的内容(例如，报告参量)、要使用哪一载波、以及要测量的内容(例如，信道和干扰)。此外，CSI报告1800可指示时间约束。时间约束可基于用于确定CSI的时间平均值。经平均的CSI可由UE报告回网络。

CSI报告1800的内容可在CSI报告配置中定义。可以存在两种类型的CSI反馈，包括隐式CSI反馈和显式CSI反馈。对于隐式CSI反馈，UE可反馈期望的传输假言(例如，基于预编码器矩阵W)以及传输假言的结果。预编码器矩阵可选自可被应用于测得CSI-RS端口以提供传输假言的一组候选预编码器矩阵(例如，预编码器码本)。UE还可基于接收方处理确定来报告用于传输假言的调制和编码方案(MCS)。

再次参照图5-图8，示例500、600、700和800各自解说了神经网络以及与基于神经网络的CSI反馈相关联的层。基于神经网络的CSI反馈可通过在用于类型I和类型II CSI反馈的报告配置中包括进一步信息来提供。UE可接收针对基于神经网络的CSI反馈的报告配置，该报告配置基于一个或多个参数来配置UE。例如，UE可接收对示例500、600、700或800中要被用于报告信道测量的神经网络的显式配置。

对于显式CSI反馈，UE可尝试反馈对如由UE在数个天线端口上观察到的信道状态的指示，而不管所报告的CSI可能已被向该UE传送了数据的网络实体(例如，基站、第二UE、服务器、TRP等)如何处理。类似地，网络实体可能还未接收到对假言传输将由Rx侧的UE如何处理的指示。反馈报告的信道部分可包括N

对示例500、600、700或800的神经网络的显式配置可被包括在由UE接收的报告配置中。在各示例中，显式配置可指示要使用/配置的神经网络的特定层(例如，图5中的示例500中的任何层502)、有序层序列、每一层的输入和输出向量/参数、每一层的类型(例如，1D-conv(1维卷积)、FC(全连通)、RefineNet等)、和/或层是否包括子层。如果层包括多个子层，则可向附加的有序子层序列提供输入/输出参数(例如，RefineNet)。此类参数可定义供UE执行CSI报告的神经网络配置。即，神经网络可对应于特定CSI报告/UE配置。如果另一CSI报告配置显式地指示一不同神经网络，则显式配置信息可被用于配置该不同神经网络。

在进一步示例中，UE可接收对经预定义的层序列或神经网络类型的指示。例如，可以为UE预定义几组神经网络(例如，4-10个神经网络)，或者可由网络实体配置一组或多组神经网络类型/层序列。虽然UE可基于报告配置ID来选择该一组或多组，但UE可能不选择该一组或多组(例如，数个层、类型等)中所包括的UE可利用的所有参数。相反，UE可从数个经预定义的神经网络类型中选择经预定义的配置，并且网络实体可经由报告配置来配置一个或多个经预定义的神经网络类型。

如果配置了多个神经网络，则UE可报告要由该UE利用的神经网络。由此，UE可自由地确定要由该UE用于训练和报告的神经网络类型/层/层配置。UE可在报告中进一步包括指示所选配置的信息。如果配置了多个神经网络，则还可以向UE配置各层的级联操作。例如，一些层可与特定ID相关联(例如，第一resnet_block(W)(残差神经网络块(W))550和第二resnet_block(W)550可各自具有ID 5)。具有相同ID的两层/两个块可被级联。

由此，为了确定用于CSI报告的神经网络，UE可接收用于从经预定义的一组神经网络中选择神经网络的报告配置，或者UE可接收包括供UE确定神经网络的特定参数的显式配置的报告配置。

报告配置可包括用于报告神经网络的输出的周期性和/或用于报告神经网络的一层或多层的权重的周期性。在各示例中，可针对每一层或层的组合指示报告的周期性，而类型I和类型II CSI反馈中的周期性可能仅用于与CSI相关联的输出。每个子块可具有一不同周期性。用于信道(诸如PUCCH、PUSCH、PSCCH或PSSCH)的一个或多个信道资源ID可被用于确定UE要在何处报告神经网络的输出和/或各层的权重。在一示例中，专用PUCCH资源可被用于神经网络的输出，而其他PUCCH资源可被用于其他报告目的。

报告配置可进一步指示与报告参量相关联的参数。报告参量可以用于将UE配置成报告神经网络的输出、一层或多层的权重、或其组合，而不是如在类型I和类型II中仅报告CRI/RI/PMI/CQI的组合。联合命令可指示权重和在将来时隙结束时的输出两者。此外，可以执行信令以指示在报告中对各层的一个或多个权重的选择或神经网络的输出的灵活性。

神经网络类型/配置可被用于干扰信道显式反馈。虽然一些配置可以用于压缩信道，但干扰信道测量还可由UE执行。由此，UE可被配置有用于报告干扰信道测量的神经网络。在各示例中，相同的神经网络结构可被用作用于信道测量显式反馈的神经网络结构。对于类型I和类型II，测量可基于用于信道的CSI资源和用于干扰的CSI资源来执行。然而，对于基于神经网络的CSI，信道测量可附加地基于所配置神经网络，以使得信道可被压缩。可针对干扰信道测量和压缩执行类似过程(例如，基于相同或不同神经网络)。如果配置了多个神经网络，则UE可报告要由该UE利用的神经网络。由此，UE可以自由地确定要被用于训练和报告的神经网络类型/层/层配置。如果配置了多个神经网络，则还可以向UE配置各层的级联操作。

在一些情形中，用于干扰反馈的神经网络类型/配置可以是与信道测量显式反馈分开/不同的神经网络配置，但在各示例中，可依赖于对信道测量显式反馈的配置。例如，层数目或层类型可以相同，神经网络的输出值可以相同，每一层的输入/输出可以相同，和/或层序列以可相同。如果对于干扰信道测量不支持分开/不同的神经网络，则可提供指示干扰可能相同的显式指示。

报告配置可进一步包括与要由UE用于训练和报告的子带数目相关联的参数。UE可支持不同子带的不同输出向量。例如，UE可针对每个子带报告一不同的M输出向量。UE可训练用于不同子带的不同神经网络，并在每子带基础上报告不同神经网络的输出。UE可差分地报告每个子带的M输出向量。例如，每个子带可被单独压缩以使得UE可在用于报告的各子带之间进行区分。

在进一步方面，UE可被配置有要由该UE用于报告反馈的PRG。网络实体可基于来自UE的报告来配置该UE以使用相同的预编码器来调度该UE(例如，每4个RB)。UE可基于对网络实体期望应用于调度该UE(例如，每2个RB、每4个RB、每100个RB等)的PRG的指示来执行不同处理技术或以不同方式训练神经网络。UE可使用期望的PRG来训练神经网络并向网络实体报告。

对于每种类型的UCI，UE可利用较高层参数来确定PUSCH内要被专用于UCI的资源量。较高层参数可以是β参数。如果β较大，则较多PUSCH可被分配用于报告CSI反馈。如果β较小，则较少PUSCH可被分配用于报告CSI反馈，并且报告的其余部分可被丢弃。由此，β参数可控制要被专用于PUSCH的资源量。β的值范围可以较大，这可允许经由β的不同值使范围从少量到大量的资源在PUSCH内被专用于UCI传输。用于PUSCH上的UCI类型的RE数目可取决于UCI有效载荷大小(例如，包括潜在的循环冗余校验(CRC)开销)和PUSCH的频谱效率。为了减少对UCI的过度资源使用(其会导致用于上行链路数据的RE数目不足)，可由网络实体经由为UE配置的较高层参数来显式控制分配给UCI的资源总量的上限。

UE报告可基于不同报告类型，诸如对神经网络的输出的报告和/或对可指示各层的经训练权重的中间级/层的报告。一些报告可与不同的优先级水平相关联。例如，如果UE在PUSCH上报告该输出，则对于较高优先级报告可能需要确保充足的资源可用性。由此，可应用增大的β值以提供PUSCH内的足够资源来报告神经网络的输出。然而，对于与中间级/层相关联地报告的权重，可能需要较少的资源量。相应地，对于基于神经网络的CSI内的不同报告类型，可基于不同的β值来配置UE。可以为基于神经网络的CSI的不同子类型添加单独的β值。如果UE正在报告各层的权重，则β值可不同于UE报告神经网络的输出的情形。例如，如果UE报告神经网络的输出M，则与UE可报告各层的权重的实例相比可配置一不同的β值来确定PUSCH内的资源量。可以为每一层或层的每个子集配置一不同β。

图12是无线通信方法的流程图1200。该方法可由UE(例如，UE 104/1102；装备1602等)来执行，该UE可包括存储器360并且可以是整个UE 104/1102或UE 104/1102的组件(诸如TX处理器368、RX处理器356、和/或控制器/处理器359)。可执行该方法以提供用于减少设备处的干扰的改进的信道反馈和压缩技术。

在1202，UE可接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联。例如，参照图11，UE 1102可在1106a接收具有用于神经网络的一个或多个参数1106b的CSI配置。UE1102可将在1106a接收的CSI配置与在1113a接收的一个或多个参考信号进行关联。在1202的接收可由图16中的装备1602的接收组件1630来执行。

在1204，UE可基于该CSI配置来测量该一个或多个参考信号。例如，参照图11，UE1102可在1113b基于在1106a接收的CSI配置来测量在1113a接收的(诸)参考信号。在1204的测量可由图16中的装备1602的测量组件1646来执行。

在1206，UE可基于该神经网络的输出来向网络实体报告该CSI。例如，参照图11，UE1102可在1116基于神经网络的输出来向网络实体1104报告CSI。在1206的报告可由图16中的装备1602的报告器组件1642来执行。

图13是无线通信方法的流程图1300。该方法可由UE(例如，UE 104/1102；装备1602等)来执行，该UE可以包括存储器360并且可以是整个UE 104/1102或104/1102的组件(诸如TX处理器368、RX处理器356、和/或控制器处理器359)。可执行该方法以提供用于减少设备处的干扰的改进的信道反馈和压缩技术。

在1302，UE可接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联。例如，参照图11，UE 1102可在1106a接收具有用于神经网络的一个或多个参数1106b的CSI配置。UE1102可将在1106a接收的CSI配置与在1113a接收的一个或多个参考信号进行关联。在1302的接收可由图16中的装备1602的接收组件1630来执行。

在第一示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可包括以下至少一者：神经网络的第一层序列/第一有序层序列(例如，1106b(1))，用于神经网络的至少一层的输入参数(例如，1106b(2))，用于神经网络的至少一层的输出参数(例如，1106b(2))，用于神经网络的至少一层的层类型(例如，1106b(4))，或神经网络的至少一层的第二子层序列/第二有序子层序列(例如，406b(1))。

在第二示例中，该一个或多个参数1106b可包括以下至少一者：报告信道状态信息的第一周期性(例如，1106b(5))，报告神经网络的至少一层的权重的第二周期性(例如，1106b(3)和(5))，或指示报告信道状态信息的资源的信道资源ID(例如，1106b(6))。信道资源ID可与上行链路信道(诸如PUCCH或PUSCH)或侧链路信道(诸如PSCCH或PSSCH)相关联。

在第三示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可向UE1102指示要报告神经网络的输出(例如，1106b(2))或神经网络的至少一层的权重(例如，1106b(3))中的至少一者。

在第四示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可向UE指示要基于神经网络以及对该一个或多个参考信号的测量来提供干扰信道测量(例如，1106b(7))。在各方面，UE 1102可将与用于信道测量的神经网络相同的神经网络应用于干扰信道测量，或者UE 1102可将与用于信道测量的神经网络不同的神经网络应用于干扰信道测量。在进一步方面，用于干扰信道测量的第一神经网络可至少部分地基于用于信道测量的第二神经网络。

在第五示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可包括用于报告CSI的子带数目(例如，1106b(9))。UE 1102可针对每个子带报告个体向量，或者UE1102可针对每个子带差分地报告向量。

在第六示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可包括要被应用于调度UE 1102的PRG(例如，1106b(9))。

在第七示例中，在1106a处在CSI配置中接收的该一个或多个参数1106b可包括基于神经网络的子类型的β参数，该β参数指示可用于报告CSI的PUSCH或PSSCH资源(例如，1106b(10))。β参数可被配置用于神经网络的各层中所包括的一个或多个层子集。

在1304，如果在CSI配置中接收的该一个或多个参数包括对多个神经网络类型的指示，则UE可从该多个神经网络类型中选择神经网络类型。例如，参照图11，UE 1102可在1108基于在1106a接收的对(诸)神经网络类型的指示来从多个神经网络类型中选择神经网络类型。在1106a处在CSI配置中接收的该一个或多个参数1106b可包括对至少一个神经网络类型的指示。神经网络类型可对应于经定义的层序列。在1304的选择可由图16中的装备1602的选择组件1640来执行。

在1306，UE可向网络实体(例如，基站、第二UE、服务器、TRP)报告由该UE选择的类型。网络实体可以是与从其接收CSI配置的网络实体相同的网络实体，或者与从其接收CSI配置的网络实体不同的网络实体(例如，第二网络实体)。例如，参照图11，UE 1102可在1110向网络实体1104报告对所选神经网络类型的报告。附加地或替换地，UE 1102可向与网络实体1104不同的网络实体提供该报告。在1306的报告可由图16中的装备1602的报告器组件1642来执行。

在1308，如果该指示指出多个神经网络类型，则UE可基于由网络实体指示的该多个神经网络类型来应用对各层的级联。例如，参照图11，如果UE 1102在1106a接收对多个网络类型的指示(包括对要级联的各层的指示)，则UE 1102可在1112应用对神经网络的各层的级联。在1308的应用可由图16中的装备1602的应用组件1644来执行。

在1310，UE可基于该CSI配置来测量该一个或多个参考信号。例如，参照图11，UE1102可在1113b基于在1106a接收的CSI配置来测量在1113a接收的(诸)参考信号。在1310的测量可由图16中的装备1602的测量组件1646来执行。

在1312，UE可基于在该CSI配置中接收的用于该神经网络的该一个或多个参数以及对该一个或多个参考信号的测量来确定CSI。例如，参照图11，UE1102可在1114基于在1106a接收的神经网络的该一个或多个参数1106b以及在1113b对(诸)参考信号的测量来确定CSI。在1312的确定可由图16中的装备1602的确定组件1648来执行。

在1314，UE可基于该神经网络的输出来向网络实体报告该CSI。例如，参照图11，UE1102可在1116基于神经网络的输出来向网络实体1104报告CSI。在1314的报告可由图16中的装备1602的报告器组件1642来执行。

图14是无线通信方法的流程图1400。该方法可由网络实体(例如，网络实体1102、基站102、第二UE 104、服务器174、TRP 103；装备1702等)来执行。在各示例中，网络实体1104可包括存储器376，其可以是整个网络实体1104或网络实体1104的组件(诸如TX处理器316、RX处理器370、和/或控制器/处理器375)。可执行该方法以提供用于减少设备处的干扰的改进的信道反馈和压缩技术。

在1402，网络实体可向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联。例如，参照图11，网络实体1104可在1106a向UE1102传送具有用于神经网络的一个或多个参数1106b的CSI配置。在1113a传送的一个或多个参考信号可与在1106a传送的CSI配置相关联。在1402的传输可由图17中的装备1702的传输组件1734来执行。

在1404，网络实体可向UE传送该一个或多个参考信号。例如，参照图11，网络实体1104可在1113a向UE 1102传送该一个或多个参考信号，该一个或多个参考信号与在1106a向UE 1102传送的CSI配置相关联。在1404的传输可由图17中的装备1702的传输组件1734来执行。

在1406，网络实体可从UE接收CSI，该CSI基于CSI配置中的该一个或多个参数以及该一个或多个参考信号。例如，参照图11，网络实体1104可在1116从UE 1102接收CSI，该CSI基于在1106a处在CSI配置中传送的该一个或多个参数1106b以及在1113a处传送的该一个或多个参考信号。在1116从UE 1102接收的CSI可基于将与用于信道测量的神经网络相同的神经网络应用于干扰信道测量，或者在1116从UE 1102接收的CSI可基于将与用于信道测量的神经网络不同的神经网络应用于干扰信道测量。在各方面，用于干扰信道测量的第一神经网络可至少部分地基于用于信道测量的第二神经网络。在1406的接收可由图17中的装备1702的接收组件1730来执行。

图15是无线通信方法的流程图1500。该方法可由网络实体(例如，网络实体1104、基站102、第二UE 104、服务器174、TRP 103；装备1702等)来执行。在各示例中，网络实体1104可包括存储器376，其可以是整个网络实体1104或网络实体1104的组件(诸如TX处理器316、RX处理器370、和/或控制器/处理器375)。可执行该方法以提供用于减少设备处的干扰的改进的信道反馈和压缩技术。

在1502，网络实体可向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联。例如，参照图11，网络实体1104可在1106a向UE1102传送具有用于神经网络的一个或多个参数1106b的CSI配置。在1113a传送的一个或多个参考信号可与在1106a传送的CSI配置相关联。在1502的传输可由图17中的装备1702的传输组件1734来执行。

在第一示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可包括以下至少一者：神经网络的第一层序列/第一有序层序列(例如，1106b(1))，用于神经网络的至少一层的输入参数(例如，1106b(2))，用于神经网络的至少一层的输出参数(例如，1106b(2))，用于神经网络的至少一层的层类型(例如，1106b(4))，或神经网络的至少一层的第二子层序列/第二有序子层序列(例如，1106b(1))。

在第二示例中，该一个或多个参数1106b可包括以下至少一者：报告信道状态信息的第一周期性(例如，1106b(5))，报告神经网络的至少一层的权重的第二周期性(例如，1106b(3)和(5))，或指示用于接收信道状态信息的资源的信道资源ID(例如，1106b(6))。信道资源ID可与上行链路信道(诸如PUCCH或PUSCH)或侧链路信道(诸如PSCCH或PSSCH)相关联。

在第三示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可向UE1102指示要报告神经网络的输出(例如，1106b(2))或神经网络的至少一层的权重(例如，1106b(3))中的至少一者。

在第四示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可向UE指示要基于神经网络和该一个或多个资源来提供干扰信道测量(例如，1106b(7))。

在第五示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可包括用于接收对CSI的报告的子带数目(例如，1106b(9))。该报告可包括针对每个子带的个体向量或针对每个子带的差分接收向量。

在第六示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可包括要被应用于调度UE 1102的PRG(例如，1106b(9))。

在第七示例中，在1106a处在CSI配置中传送的该一个或多个参数1106b可包括基于神经网络的子类型的β参数，该β参数指示可用于接收对CSI的报告的PUSCH或PSSCH资源(例如，1106b(10))。β参数可被配置用于神经网络的各层中所包括的一个或多个层子集。

在1504，如果在CSI配置中传送的该一个或多个参数包括对多个网络类型的指示，则网络实体可指示多个神经网络类型，包括指示要级联的各层。例如，参照图11，网络实体1104可在1106a传送对(诸)网络类型的指示，包括对要级联的各层的指示。在1106a处在CSI配置中传送的该一个或多个参数1106b可包括对至少一个神经网络类型的指示。神经网络类型可对应于经定义的层序列。在1504的指示可由图17中的装备1702的指示组件1740来执行。

在1506，如果该指示指出多个神经网络类型，则网络实体可从UE接收指示由该UE选择的类型的报告。例如，参照图11，网络实体1104可在1110从UE 1102接收对所选神经网络类型的报告。在1506的接收可由图17中的装备1702的接收组件1730来执行。

在1508，网络实体可向UE传送该一个或多个参考信号。例如，参照图11，网络实体1104可在1113a向UE 1102传送该一个或多个参考信号，该一个或多个参考信号与在1106a向UE 1102传送的CSI配置相关联。在1508的传输可由图17中的装备1702的传输组件1734来执行。

在1510，网络实体可从UE接收CSI，该CSI基于CSI配置中的该一个或多个参数以及该一个或多个参考信号。例如，参照图11，网络实体1104可在1116从UE 1102接收CSI，该CSI基于在1106a处在CSI配置中传送的该一个或多个参数1106b以及在1113a传送的该一个或多个参考信号。在1116从UE1102接收的CSI可基于将与用于信道测量的神经网络相同的神经网络应用于干扰信道测量，或者在1116从UE 1102接收的CSI可基于将与用于信道测量的神经网络不同的神经网络应用于干扰信道测量。在各方面，用于干扰信道测量的第一神经网络可至少部分地基于用于信道测量的第二神经网络。在1510的接收可由图17中的装备1702的接收组件1730来执行。

图16是解说装备1602的硬件实现的示例的示图1600。装备1602是UE或编码设备(例如，编码设备400)并且包括耦合到蜂窝RF收发机1622和一个或多个订户身份模块(SIM)卡1620的蜂窝基带处理器1604(也被称为调制解调器)、耦合到安全数字(SD)卡1608和屏幕1610的应用处理器1606、蓝牙模块1612、无线局域网(WLAN)模块1614、全球定位系统(GPS)模块1616和电源1618。蜂窝基带处理器1604通过蜂窝RF收发机1622与UE 104和/或BS 102/180进行通信。蜂窝基带处理器1604可包括计算机可读介质/存储器。计算机可读介质/存储器可以是非瞬态的。蜂窝基带处理器1604负责一般性处理，包括对存储在计算机可读介质/存储器上的软件的执行。该软件在由蜂窝基带处理器1604执行时使蜂窝基带处理器1604执行上文所描述的各种功能。计算机可读介质/存储器还可被用于存储由蜂窝基带处理器1604在执行软件时操纵的数据。蜂窝基带处理器1604进一步包括接收组件1630、通信管理器1632和传输组件1634。通信管理器1632包括一个或多个所解说的组件。通信管理器1632内的组件可被存储在计算机可读介质/存储器中和/或配置为蜂窝基带处理器1604内的硬件。蜂窝基带处理器1604可以是UE 350的组件且可包括存储器360和/或以下至少一者：TX处理器368、RX处理器356、以及控制器/处理器359。在一种配置中，装备1602可以是调制解调器芯片并且仅包括蜂窝基带处理器1604，并且在另一配置中，装备1602可以是整个UE(例如，参见图3的350)并且包括装备1602的附加模块。

接收组件1630可(例如，如结合1202和1302所描述的)被配置成：接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联。通信管理器1632包括选择组件1640，该选择组件1640可(例如，如结合1304所描述的)被配置成：从多个神经网络类型中选择神经网络类型。通信管理器1632可进一步包括报告器组件1642，该报告器组件1642可(例如，如结合1206、1306和1314所描述的)被配置成：向网络实体报告由UE选择的类型；以及基于神经网络的输出来向相同或不同网络实体报告CSI。通信管理器1632可进一步包括应用组件1644，该应用组件1644可(例如，如结合1308所描述的)被配置成：基于由网络实体指示的多个神经网络类型来应用对各层的级联。通信管理器1632可进一步包括测量组件1646，该测量组件1646可(例如，如结合1204和1310所描述的)被配置成：基于CSI配置来测量该一个或多个参考信号。通信管理器1632可进一步包括确定组件1648，该确定组件1648可(例如，如结合1312所描述的)被配置成：基于在CSI配置中接收的用于神经网络的该一个或多个参数以及对该一个或多个参考信号的测量来确定CSI。

该装备可包括执行图12-图13的前述流程图中的算法的每个框的附加组件。如此，图12-图13的前述流程图中的每个框可由一组件执行且该装备可包括那些组件中的一个或多个组件。这些组件可以是专门配置成执行所述过程/算法的一个或多个硬件组件、由配置成执行所述过程/算法的处理器实现、存储在计算机可读介质中以供由处理器实现、或其某种组合。

在一种配置中，装备1602(并且具体而言是蜂窝基带处理器1604)包括：用于接收包括用于神经网络的一个或多个参数的CSI配置的装置，该CSI配置与要测量的一个或多个参考信号相关联；用于基于CSI配置来测量该一个或多个参考信号的装置；用于基于在CSI配置中接收的用于神经网络的该一个或多个参数以及对该一个或多个参考信号的测量来确定CSI的装置；以及用于基于神经网络的输出来向网络实体报告CSI的装置。装备1602可进一步包括：用于从多个神经网络类型中选择类型的装置；以及用于向第二网络实体报告由UE选择的类型的装置，该第二网络实体是与该网络实体相同的网络实体或者是与该网络实体不同的网络实体。装备1602可进一步包括：用于基于由网络实体指示的多个神经网络类型来应用对各层的级联的装置。前述装置可以是装备1602中被配置成执行由前述装置叙述的功能的前述组件中的一者或多者。如上文中所描述的，装备1602可包括TX处理器368、RX处理器356和控制器/处理器359。如此，在一种配置中，前述装置可以是被配置成执行由前述装置叙述的功能的TX处理器368、RX处理器356和控制器/处理器359。

图17是解说装备1702的硬件实现的示例的示图1700。装备1702是网络实体(诸如基站、TRP、UE、或解码设备(例如，解码设备425)并包括基带单元1704。基带单元1704可以通过蜂窝RF收发机与UE 104通信。基带单元1704可包括计算机可读介质/存储器。基带单元1704负责一般性处理，包括对存储在计算机可读介质/存储器上的软件的执行。该软件在由基带单元1704执行时使基带单元1704执行以上描述的各种功能。计算机可读介质/存储器还可被用于存储由基带单元1704在执行软件时操纵的数据。基带单元1704进一步包括接收组件1730、通信管理器1732和传输组件1734。通信管理器1732包括一个或多个所解说的组件。通信管理器1732内的组件可被存储在计算机可读介质/存储器中和/或配置为基带单元1704内的硬件。基带单元1704可以是网络实体(诸如基站310、TRP、UE等)的组件且可包括存储器376和/或以下至少一者：TX处理器316、RX处理器370、以及控制器/处理器375。

接收组件1730可(例如，如结合1406、1506和1510所描述的)被配置成：从UE接收指示由该UE选择的类型的报告；以及从UE接收CSI，该CSI基于CSI配置中的该一个或多个参数以及该一个或多个参考信号。通信管理器1732包括指示组件1740，该指示组件1740可(例如，如结合1504所描述的)被配置成：指示多个神经网络类型，包括指示要级联的各层。传输组件1734可(例如，如结合1402、1404、1502和1508所描述的)被配置成：向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联；以及向UE传送该一个或多个参考信号。

该装备可包括执行图14-图15的前述流程图中的算法的每个框的附加组件。如此，图14-图15的前述流程图中的每个框可由一组件执行且该装备可包括那些组件中的一个或多个组件。这些组件可以是专门配置成执行所述过程/算法的一个或多个硬件组件、由配置成执行所述过程/算法的处理器实现、存储在计算机可读介质中以供由处理器实现、或其某种组合。

在一种配置中，装备1702(并且具体而言是基带单元1704)包括：用于向UE传送包括用于神经网络的一个或多个参数的CSI配置的装置，该CSI配置与一个或多个参考信号相关联；用于向UE传送该一个或多个参考信号的装置；以及用于从UE接收CSI的装置，该CSI基于CSI配置中的该一个或多个参数以及该一个或多个参考信号。装备1702可进一步包括：用于从UE接收指示由该UE选择的类型的报告的装置。装备1702可进一步包括：用于指示多个神经网络类型、包括指示要级联的各层的装置。前述装置可以是装备1702中被配置成执行由前述装置叙述的功能的前述组件中的一者或多者。如上文中所描述的，装备1702可包括TX处理器316、RX处理器370和控制器/处理器375。如此，在一种配置中，前述装置可以是被配置成执行由前述装置叙述的功能的TX处理器316、RX处理器370和控制器/处理器375。

应理解，所公开的过程/流程图中的各个框的具体次序或层次是示例办法的解说。应理解，基于设计偏好，可以重新编排这些过程/流程图中的各个框的具体次序或层次。此外，一些框可被组合或被略去。所附方法权利要求以范例次序呈现各种框的要素，且并不意味着被限定于所呈现的具体次序或层次。

提供先前描述是为了使本领域任何技术人员均能够实践本文中所描述的各个方面。对这些方面的各种修改将容易为本领域技术人员所明白，并且在本文中所定义的普适原理可被应用于其他方面。由此，权利要求并非旨在被限定于本文中所示的方面，而是应被授予与语言上的权利要求相一致的全部范围，其中对要素的单数形式的引述除非特别声明，否则并非旨在表示“有且仅有一个”，而是“一个或多个”。如“如果”、“当……时”和“在……时”之类的术语应被解读为意味着“在该条件下”，而不是暗示直接的时间关系或反应。即，这些短语(例如，“当……时”)并不暗示响应于动作的发生或在动作的发生期间的立即动作，而仅暗示在满足条件的情况下将发生动作，而并不需要供动作发生的特定的或立即的时间约束。措辞“示例性”在本文中用于表示“用作示例、实例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。除非特别另外声明，否则术语“一些/某个”指的是一个或多个。诸如“A、B或C中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”、以及“A、B、C或其任何组合”之类的组合包括A、B和/或C的任何组合，并且可包括多个A、多个B或者多个C。具体而言，诸如“A、B或C中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”以及“A、B、C或其任何组合”之类的组合可以是仅A、仅B、仅C、A和B、A和C、B和C、或者A和B和C，其中任何此类组合可包含A、B或C中的一个或多个成员。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且旨在被权利要求所涵盖。此外，本文所公开的任何内容都不旨在捐献于公众，无论此类公开内容是否明确记载在权利要求书中。措辞“模块”、“机制”、“元素”、“设备”等可以不是措辞“装置”的代替。如此，没有任何权利要求元素应被解释为装置加功能，除非该元素是使用短语“用于……的装置”来明确叙述的。

以下方面仅是解说性的，并且可以与本文描述的其他方面或教导进行组合而没有限制。

方面1是一种用于在UE处进行无线通信的装置，包括：至少一个处理器，该至少一个处理器耦合到存储器并且被配置成：接收包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与要测量的一个或多个参考信号相关联；基于该CSI配置来测量该一个或多个参考信号，CSI基于在该CSI配置中接收的用于该神经网络的该一个或多个参数以及对该一个或多个参考信号的测量；以及基于该神经网络的输出来向网络实体报告该CSI。

方面2可以与方面1组合并且包括：该神经网络的第一层序列；用于该神经网络的至少一层的输入参数；用于该神经网络的至少一层的输出参数；用于该神经网络的至少一层的层类型；或该神经网络的至少一层的第二子层序列。

方面3可以与方面1-2中的任一项组合并且包括：该第一层序列是该神经网络的第一有序层序列，并且其中，该第二子层序列是该神经网络的该至少一层的第二有序子层序列。

方面4可以与方面1-3中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数包括对该神经网络的至少一个类型的指示，该至少一个类型对应于经定义的层序列。

方面5可以与方面1-4中的任一项组合并且包括：该指示指出多个神经网络类型，该至少一个处理器被进一步配置成：从该多个神经网络类型中选择类型；以及向第二网络实体报告由该UE选择的类型，该第二网络实体是与该网络实体相同的网络实体或者与该网络实体不同的网络实体。

方面6可以与方面1-5中的任一项组合并且包括：该指示指出多个神经网络类型，该至少一个处理器被进一步配置成：基于由该网络实体指示的该多个神经网络类型来应用对各层的级联。

方面7可以与方面1-6中的任一项组合并且包括：该一个或多个参数包括以下至少一者：报告该信道状态信息的第一周期性；报告该神经网络的至少一层的权重的第二周期性；或指示用于报告该信道状态信息的资源的信道资源ID。

方面8可以与方面1-7中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数向该UE指示要报告以下至少一者：该神经网络的输出；或该神经网络的至少一层的权重。

方面9可以与方面1-8中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数向该UE指示要基于该神经网络以及对该一个或多个参考信号的测量来提供干扰信道测量。

方面10可以与方面1-9中的任一项组合并且包括：该UE将与用于信道测量的神经网络相同的神经网络应用于该干扰信道测量。

方面11可以与方面1-10中的任一项组合并且包括：该UE将与用于信道测量的神经网络不同的神经网络应用于该干扰信道测量。

方面12可以与方面1-11中的任一项组合并且包括：用于干扰信道测量的第一神经网络至少部分地基于用于信道测量的第二神经网络。

方面13可以与方面1-12中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数包括用于报告该CSI的子带数目。

方面14可以与方面1-13中的任一项组合并且包括：该UE针对每个子带报告个体向量或者针对每个子带差分地报告向量。

方面15可以与方面1-14中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数包括要被应用于调度该UE的PRG。

方面16可以与方面1-15中的任一项组合并且包括：在该CSI配置中接收的该一个或多个参数包括基于该神经网络的子类型的贝塔(β)参数，该β参数指示可用于报告该CSI的PUSCH或PSSCH资源。

方面17可以与方面1-16中的任一项组合并且包括：该β参数被配置用于该神经网络的层中所包括的一个或多个层子集。

方面18是一种用于在基站处进行无线通信的装置，包括：至少一个处理器，该至少一个处理器耦合到存储器并且被配置成：向UE传送包括用于神经网络的一个或多个参数的CSI配置，该CSI配置与一个或多个参考信号相关联；向该UE传送该一个或多个参考信号；以及从该UE接收CSI，该CSI基于该CSI配置中的该一个或多个参数以及该一个或多个参考信号。

方面19可以与方面18组合并且包括：在该CSI配置中传送的该一个或多个参数包括以下至少一者：该神经网络的第一层序列；用于该神经网络的至少一层的输入参数；用于该神经网络的至少一层的输出参数；用于该神经网络的至少一层的层类型；或该神经网络的至少一层的第二子层序列。

方面20可以与方面18-19中的任一项组合并且包括：该第一层序列是该神经网络的第一有序层序列，并且其中，该第二子层序列是该神经网络的该至少一层的第二有序子层序列。

方面21可以与方面18-20中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数包括对该神经网络的至少一个类型的指示，该至少一个类型对应于经定义的层序列。

方面22可以与方面18-21中的任一项组合并且包括：该指示指出多个神经网络类型，该至少一个处理器被进一步配置成：从该UE接收指示由该UE选择的类型的报告。

方面23可以与方面18-22中的任一项组合并且包括：该指示指出多个神经网络类型，该至少一个处理器被进一步配置成：指示该多个神经网络类型，包括指示要级联的层。

方面24可以与方面18-23中的任一项组合并且包括：该一个或多个参数包括以下至少一者：报告该CSI的第一周期性；报告该神经网络的至少一层的权重的第二周期性；或指示用于接收对该CSI的报告的资源的信道资源ID。

方面25可以与方面18-24中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数向该UE指示要报告以下至少一者：该神经网络的输出；或该神经网络的至少一层的权重。

方面26可以与方面18-25中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数向该UE指示要基于该神经网络以及该一个或多个参考信号来提供干扰信道测量。

方面27可以与方面18-26中的任一项组合并且包括：从该UE接收的该CSI基于将与用于信道测量的神经网络相同的神经网络应用于该干扰信道测量。

方面28可以与方面18-27中的任一项组合并且包括：从该UE接收的该CSI基于将与用于信道测量的神经网络不同的神经网络应用于该干扰信道测量。

方面29可以与方面18-28中的任一项组合并且包括：用于干扰信道测量的第一神经网络至少部分地基于用于信道测量的第二神经网络。

方面30可以与方面18-29中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数包括用于接收对该CSI的报告的子带数目。

方面31可以与方面18-30中的任一项组合并且包括：该报告包括针对每个子带的个体向量或者针对每个子带的差分向量。

方面32可以与方面18-31中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数包括要被应用于调度该UE的PRG。

方面33可以与方面18-32中的任一项组合并且包括：在该CSI配置中传送的该一个或多个参数包括基于该神经网络的子类型的贝塔(β)参数，该β参数指示可用于接收对该CSI的报告的PUSCH或PSSCH资源。

方面34可以与方面18-33中的任一项组合并且包括：该β参数被配置用于该神经网络的层中所包括的一个或多个层子集。

方面35是一种用于实现方面1-34中的任一项的无线通信方法。

方面36是一种用于无线通信的设备，包括用于实现方面1-34中的任一项的装置。

方面37是一种存储计算机可执行代码的计算机可读介质，该代码在由至少一个处理器执行时使该至少一个处理器实现如方面1-34中的任一项。