信道预测方法、装置及通信设备

技术领域

本申请属于通信技术领域，具体涉及一种信道预测方法、装置及通信设备。

背景技术

目前，为了减少大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)导频开销，导频信号间隔几个时隙(slot)发送一次。因此在没有发送导频信号的slot，其真实的大规模MIMO的信道是无法知道的。为此，现有的系统一般采用最近一次发送导频信号的slot估计的信道作为当前slot的信道，然而这样的方式得到的信道与当前slot实际对应的信道差距较大。

发明内容

本申请实施例提供一种信道预测方法、装置及通信设备，能够解决相关技术中信道估计得到的信道与实际时隙对应的信道差距较大的问题。

第一方面，提供了一种信道预测方法，包括：

第一设备获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数；

所述第一设备基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息；

其中，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道。

第二方面，提供了一种信道预测方法，包括：

第二设备接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

所述第二设备基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数；

其中，所述L个信道信息为所述第二设备针对与第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

第三方面，提供了一种信道预测装置，包括：

获取模块，用于获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数；

第一预测模块，用于基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息；

其中，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道。

第四方面，提供了一种信道预测装置，包括：

接收模块，用于接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

第二预测模块，用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数；

其中，所述L个信道信息为所述装置针对与第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

第五方面，提供了一种通信设备，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。

第六方面，提供了一种通信设备，包括处理器及通信接口，其中，所述处理器用于获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数；基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道；

或者，

所述通信接口用于接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

所述处理器用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数；其中，所述L个信道信息为所述第二设备针对与所述第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

第七方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。

第八方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法，或实现如第二方面所述的方法。

第九方面，提供了一种计算机程序产品，所述计算机程序产品被存储在存储介质中，所述计算机程序产品被至少一个处理器执行以实现如第一方面所述的方法，或实现如第二方面所述的方法。

在本申请实施例中，第一设备通过获取针对与第一信息对应的N个时隙估计得到的N个信道信息，基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息，该第一信道为距离当前时刻最近的下一个发送所述第一信息的第一时隙的信道；而所述第一信道预测信息能够用于第二目标神经网络预测当前发送所述第一信息的时隙和所述第一时隙之间的第二信道。这样，通过两个神经网络实现了两个阶段的信道预测，进而能够预测得到周期性发送第一信息的时隙之间不发送所述第一信息的时隙的信道信息，有效提升了通信系统信道估计和预测的准确性，从而有助于提升系统性能。

附图说明

图1a是本申请实施例可应用的一种无线通信系统的框图；

图1b是周期性发送SRS/CSI-RS的时隙的示意图之一；

图1c是周期性发送信道反馈的时隙的示意图之一；

图2是本申请实施例提供的一种信道预测方法的流程图；

图3a是周期性发送SRS/CSI-RS的时隙的示意图之二；

图3b是一种神经网络的结构示意图；

图3c是周期性发送SRS/CSI-RS的时隙的示意图之三；

图4a是周期性发送信道反馈的时隙的示意图之二；

图4b是周期性发送信道反馈的时隙的示意图之三；

图5是本申请实施例提供的另一种信道预测方法的流程图；

图6是本申请实施例提供的一种信道预测装置的结构图；

图7是本申请实施例提供的另一种信道预测装置的结构图；

图8是本申请实施例提供的一种通信设备的结构图；

图9是本申请实施例提供的一种终端的结构图；

图10是本申请实施例提供的一种网络侧设备的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。

值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6

图1a示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备，其中，接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。

为更好地理解本申请实施例的技术方案，以下对本申请实施例中可能涉及的相关概念及背景进行解释说明。

在一些场景下，对于大规模MIMO系统，在发送端(终端或基站)有N个天线。系统的数据发送的帧结构是以时隙(slot)为基础进行的，每个slot时长为1ms。为了能使接收端(基站或终端)获得大规模MIMO的信道信息，发送端发送N个端口的导频信号，导频信号可以是SRS或者CSI-RS。为了减少导频开销，导频信号不是在每个slot都发送的，而是每K个slot发送一次(周期为K)。两次发送间隔K-1个slot。以K＝5为例，发送导频信号SRS或CSI-RS的帧结构如图1b所示。在发送SRS或CSI-RS的slot，接收端收到SRS或CSI-RS的信号后，接收端(基站或者终端)通过信道估计获得该slot的信道信息。可见，在这些slot，系统是可以获得大规模MIMO各个天线上比较精确的信道信息。而对于那些发送SRS或CSI-RS的slot之间的slot，由于没有导频信息，系统无法利用信道估计的方法得到比较准确的信道信息。

在另一些场景下，基于频分复用(Frequency Division Duplex，FDD)大规模MIMO系统，在基站有N个天线。系统的数据发送的帧结构是以slot为基础进行的，每个slot时长为1ms。为了能使基站获得下行大规模MIMO的信道信息，首先基站发送导频信号CSI-RS，终端收到CSI-RS的信号后，终端通过信道估计获得该slot的信道信息，需要终端通过上行链路反馈信道信息。为了降低反馈开销，信道反馈不是在每个slot都发送的，而是每K个slot发送一次(周期为K)。两次发送间隔K-1个slot。K的值由基站通过无线资源控制(RadioResource Control，RRC)信令配置。以K＝5为例，信道反馈的帧结构如图1c所示。在发送信道反馈信号的slot，基站可以获得大规模MIMO各个天线上比较精确的信道信息。而对于那些信道反馈slot之间的时隙，由于没有反馈的信道信息，系统无法到比较准确的信道信息。

基于上述背景，本申请实施例提供了一种信道预测方法。

下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的信道预测方法进行详细地说明。

请参照图2，图2是本申请实施例提供的一种信道预测方法的流程图，如图2所示，所述方法包括以下步骤：

步骤201、第一设备获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数。

需要说明的是，所述第一设备可以是终端或网络侧设备等通信设备，所述第一设备的具体类型可以是与第一信息相关，后续实施例中会具体说明，此处不做赘述。

本申请实施例中，所述第一信息可以是参考信号，如探测参考信号(SoundingReference Signal，SRS)、信道状态信息参考信号(Channel State InformationReference Signal，CSI-RS)等，或者所述第一信息也可以是信道反馈信息等。其中，所述N个时隙为与第一信息对应的时隙，例如所述N个时隙可以是与参考信号发送时刻对应的时间，也可以是与参考信号接收时刻对应的时间，或者也可以是参考信号估计完成时刻对应的时间等，本申请实施例对此不做具体限定。

该步骤中，第一设备获取针对N个时隙估计的N个信道信息，例如可以是终端获取针对已发送CSI-RS的N个时隙估计得到的N个信道信息，当然该步骤还可以是其他的可能情况，此处不做过多列举。

步骤202、所述第一设备基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息。

其中，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道。

本申请实施例中，第一设备在获取到针对N个时隙估计的N个信道信息后，第一设备可以是将与第一信息相关的所述N个信道信息作为训练样本来训练第一目标神经网络，以使得训练后的第一目标神经网络能够预测当前时刻的下一个与所述第一信息对应的第一时隙的信道，也即所述第一信道，进而以获得第一信道预测信息。

例如，第一设备可以是利用当前时刻的前N个发送SRS或CSI-RS信号的时隙(slot)估计的信道值，通过第一目标神经网络来提前预测当前时刻之后下一个发送SRS或CSI-RS信号的slot的信道。

本申请实施例中，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和预测得到的第一信道对应的第一时隙之间的第二信道。

例如，CSI-RS的发送周期为每T个时隙发送一次，第一设备利用距离当前时刻最近的前N个发送CSI-RS的时隙(slot)估计的信道值，通过第一目标神经网络预测出当前时刻之后下一个(也即第N+1个)发送CSI-RS的slot的信道后，通过第二目标神经网络来预测第N个周期发送CSI-RS的时隙与第N+1个周期发送CSI-RS的时隙之间的T-1个不发送CSI-RS时隙的信道，也即所述第二信道。这样，第一设备也就能够基于第二目标神经网络预测得到不发送CSI-RS的时隙的信道信息，有效提升了通信系统信道估计和预测的性能，从而有助于提升系统性能。

本申请实施例中，第一设备通过获取针对与第一信息对应的N个时隙估计得到的N个信道信息，基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息，该第一信道为距离当前时刻最近的下一个发送所述第一信息的第一时隙的信道；而所述第一信道预测信息能够用于第二目标神经网络预测当前发送所述第一信息的时隙和所述第一时隙之间的第二信道。这样，通过两个神经网络实现了两个阶段的信道预测，进而能够预测得到周期性发送第一信息的时隙之间不发送所述第一信息的时隙的信道信息，有效提升了通信系统信道估计和预测的性能，从而有助于提升系统性能。

可选地，所述步骤202之后，所述方法还包括：

所述第一设备基于K个信道信息及所述第一信道预测信息，通过第二目标神经网络预测所述第二信道，获得第二信道预测信息，所述K个信道信息为所述第一设备针对与所述第一信息对应的K个时隙估计的信道信息，K为大于或等于1的整数；或者，

所述第一设备向第二设备发送第一反馈信息，所述第二设备用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，获得第二信道预测信息，所述第一反馈信息基于所述第一信道预测信息得到，所述L个信道信息为所述第二设备针对与所述第一信息对应的L个时隙估计的信道信息，L为大于或等于1的整数。

例如，在一种实施方式中，第一设备在基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息后，第一设备进一步基于所述N个信道信息及所述第一信道预测信息，通过第二目标神经网络预测所述第二信道，得到第二信道预测信息。也即是说，第一目标神经网络和第二目标神经网络都位于第一设备侧，第一设备依次通过第一目标神经网络来预测第一信道，以及通过第二目标神经网络来预测第二信道，从而能够提升第一设备对于信道预测的性能，进而以提升第一设备的通信性能。

或者，在另一种实施方式中，第一设备在基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息后，可以是对第一信道预测信息进行处理，如压缩处理，得到第一反馈信息，将所述第一反馈信息发送给第二设备，进而第二设备基于所述N个信道信息及所述第一反馈信息，通过第二目标神经网络来预测第二信道，得到第二信道预测信息。该实施方式中，第一目标神经网络位于第一设备侧，第二目标神经网络位于第二设备侧，第一设备用于实现对第一信道的预测，第二信道通过第二设备来实现预测。这样，通过基于第一设备与第二设备的协同来实现信道预测，提升通信设备对于信道预测的性能。

本申请实施例中，所述第一信息包括导频信号和信道反馈中的至少一种。例如，所述第一信息为导频信号，则所述N个信道信息为基于导频信号获取的信道估计信息。

可选地，在所述第一信息仅包括导频信号的情况下，所述第一设备通过所述第二目标神经网络预测所述第二信道。也即是说，第一目标神经网络和第二目标神经网络均位于第一设备侧，第一设备能够实现对第一信道的预测和第二信道的预测。

可选地，在所述导频信号为CSI-RS的情况下，所述第一设备为终端；在所述导频信号为SRS的情况下，所述第一设备为网络侧设备。

可选地，在所述第一信息仅包括信道反馈的情况下，所述第一设备通过所述第二目标神经网络预测所述第二信道，所述第一设备为网络侧设备。

可选地，作为一种具体的实施方式，所述第一设备获取针对N个时隙估计的N个信道信息，包括：

终端获取针对与CSI-RS对应的N个时隙估计的N个信道信息；

这种情况下，所述第一设备向第二设备发送第一反馈信息，所述第二设备用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，包括：

所述终端向网络侧设备发送第一反馈信息，所述网络侧设备用于基于L个用于信道反馈的时隙的信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，所述第二信道为当前发送所述信道反馈的时隙与下一个发送所述信道反馈的时隙之间的信道。

具体地，终端基于与CSI-RS对应的N个时隙估计得到N个信道信息，终端基于所述N个信道信息通过第一目标神经网络预测第一信道，得到第一信道预测信息。所述第一信道也即距离当前时刻最近的下一个发送CSI-RS的时隙的信道。其中，所述第一目标神经网络可以是终端基于所述N个信道信息进行训练得到，也即终端能够基于CSI-RS的信道估计结果来训练第一目标神经网络，进而以基于训练的第一目标神经网络来预测下一个发送CSI-RS的信道。

进一步地，终端将预测得到的第一信道预测信息进行压缩处理，得到第一反馈信息，并将所述第一反馈信息发送给网络侧设备，网络侧设备通过L个用于信道反馈的时隙估计的信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，这种情况下，第二信道为网络侧设备当前发送所述信道反馈的时隙与下一个发送所述信道反馈的时隙之间的信道。其中，所述第二目标神经网络可以是网络侧设备基于L个信道反馈的时隙估计得到的L个信道信息训练得到，进而第二目标神经网络也就能够实现对信道反馈的时隙的信道的预测。这样，第一目标神经网络和第二目标神经网络分别在终端和网络侧设备进行训练，从而以提升终端和网络侧设备对于信道预测的性能。

本申请实施例中，第二目标神经网络预测的第二信道的数量为M个，M为大于或等于1的整数。例如，假设第一信息为CSI-RS，为了减少系统开销，CSI-RS不是在每个时隙都发送的，例如可能是每5个时隙发送一次CSI-RS；则第一信道也即预测到的下一次发送CSI-RS的时隙，第二信道为下一次发送CSI-RS的时隙与当前最近一次发送CSI-RS的时隙之间的时隙对应的信道，那么第二信道的数量也即4。

可选地，所述第一设备基于K个信道信息及所述第一信道预测信息，通过第二目标神经网络预测所述第二信道之后，所述方法还包括：

所述第一设备向所述第二设备发送第一预测结果，所述第一预测结果包括所述第二信道的数量及每一个所述第二信道各自对应的时隙指示。

可以理解地，第一设备在通过第二目标神经网络预测第二信道后，若第二信道的数量大于1个，则第一设备可以是向第二设备发送包括所有的第二信道的相关信息，或者也可以只发送其中部分第二信道的相关信息。

可选地，第一设备向第二设备发送第一预测结果，该第一预测结果包括所述第二信道的数量及每一个所述第二信道各自对应的时隙指示。例如，若第一设备预测得到的第二信道的数量为4个，则可以是向第二设备发送第一预测结果，例如向第二设备发送数值4以及这四个第二信道各自对应的时隙指示(slot index)。这样，也就使得第二设备能够获知周期性发送第一信息的时隙之间不发送第一信息的时隙数量及各自对应的时隙指示，更有助于第一设备与第二设备之间第一信息的传输。

本申请实施例中，所述第一设备基于所述N个信道信息通过第一目标神经网络预测第一信道之前，所述方法还包括：

所述第一设备接收第一指令；

所述第一设备基于所述N个信道信息通过第一目标神经网络预测第一信道，包括：

在所述第一指令用于指示不重置网络参数的情况下，所述第一设备基于所述N个信道信息通过第一神经网络预测第一信道；

在所述第一指令用于指示重置网络参数的情况下，所述第一设备基于所述N个信道信息通过第二神经网络预测第一信道，所述第二神经网络为基于默认的信道信息训练得到的神经网络。

这种情况下，所述第一目标神经网络也即第一神经网络或者第二神经网络。

在一些实施例中，所述第二神经网络也可以称为初始神经网络，所述第二神经网络通过默认的信道信息离线训练得到，例如所述第二神经网络可以是其他设备预先训练好的神经网络，然后再发送给第一设备。换句话说，第二神经网络在预测出第一信道，该第一信道的信道信息不会作为第二神经网络的训练样本，也即第二神经网络不会进行在线训练。而所述第一神经网络可以是进行在线训练，也即第一神经网络在预测出第一信道后，该第一信道的信道信息可以作为第一神经网络的训练样本，以对第一神经网络进行训练，这样也就能够基于最新得到的信道信息来对第一神经网络的网络参数进行调整，从而以提升第一神经网络的预测精度，也使得第一神经网络能够适配当前的信道环境。

例如，当信道环境发生变化，例如信道环境突然巨变，终端可以是向网络侧设备发送是否重置网络参数的指令(例如Initial_parameter_reset)。当网络侧设备接收到Initial_parameter_reset＝1时，网络侧设备就会重新利用离线训练得到的初始神经网络(也即第二神经网络)来进行第一信道的预测；如果接收到的Initial_parameter_reset＝0，则网络侧设备继续进行在线训练来适配当前的信道环境，此时用在线训练的第一神经网络来预测第一信道。这样，终端通过Initial_parameter_reset指令的反馈，在应对信道环境的变化，从而以更好地保障网络侧设备的信道预测性能。

本申请实施例中，所述方法还可以包括：

所述第一设备获取第N+1个时隙的信道信息，所述第N+1个时隙为距离所述当前时刻最近的下一个实际发送所述第一信息的时隙；

在所述第一设备接收到第二指令，所述第二指令用于指示更新所述第一目标神经网络的情况下，所述第一设备执行第一操作，所述第一操作包括：

基于第一训练样本集对所述第一目标神经网络进行训练，训练后的所述第一目标神经网络用于预测所述第N+1个时隙之后发送所述第一信息的时隙的信道，所述第一训练样本集包括所述第N+1个时隙的信道信息。

例如，所述N个时隙为距离当前时刻最近的前N个发送第一信息的时隙，第一设备通过第一目标神经网络预测第一信道，该第一信道也即第一目标神经网络预测的第N+1个发送第一信息的时隙的信道；第一设备可以是实时地获取实际发送第一信息的时隙。

当第一设备接收到第二指令，且该第二指令指示更新所述第一目标神经网络的情况下，则第一设备可以是基于最新的训练样本集(也即所述第一训练样本集)对第一目标神经网络进行训练，也即前面所述的在线训练，训练后的第一目标神经网络也就能够用于预测下一个发送第一信息的时隙的信道。这样，第一设备每获取一个实际发送第一信息的时隙的信道信息，则将该信道信息加入第一目标神经网络的训练样本集中，来对第一目标神经网络进行训练，以优化其神经网络参数，提升第一目标神经网络的精度。

可选地，所述第一设备执行第一操作之后，所述方法还包括：

所述第一设备向第二设备发送所述第一目标神经网络的训练样本的数量。

例如，第一设备可以是向第二设备发送所述第一训练样本集中训练样本的数量，进而以更好地支持对第一目标神经网络的在线训练。

可选地，所述方法还包括：

所述第一设备配置目标数值，所述目标数值为所述第一目标神经网络的训练样本的数量的最大值。

例如，网络侧设备可以是通过RRC配置一个目标数值，也即网络侧设备能够支持的第一目标神经网络的训练样本数量的最大值。

可选地，在所述第一设备执行第一操作的情况下，输入所述第一目标神经网络的训练样本的数量为所述目标数值和所述第一训练样本集中训练样本数量的最小值。其中，第一训练样本集为所述第一目标神经网络进行在线训练时的样本集，也即第一设备每获取一个实际发送第一信息的时隙的信道信息，则将该信道信息加入到第一训练样本集中，则第一训练样本集的数量也就可能无限增大。本申请实施例中，当第一训练样本集中训练样本的数量大于所述目标数值时，则第一目标神经网络的训练样本的数量为所述目标数值，例如可以是所述第一训练样本集中的前目标数值个训练样本，这样也就能够避免因训练样本过多而加大第一目标神经网络训练的运算负担。

为更好地理解，以下通过具体的实施例对本申请提供的技术方案进行说明。

实施例一

本实施例场景为基于大规模MIMO系统，在发送端(终端或基站)有N个天线。为了能使接收端(基站或终端)获得大规模MIMO的信道信息，发送端发送N个端口的导频信号，导频信号可以是SRS或者CSI-RS。为了减少导频开销，导频信号不是在每个slot都发送的，而是每K个slot发送一次(周期为K)，两次发送间隔K-1个slot，而对于不发送导频信号的K-1个时隙，由于没有导频信号，无法利用信道估计的方法得到比较准确的信道信息。

本实施例中，通信设备在收到当前发送SRS/CSI-RS的slot的信号后，通过信道估计获得该slot的信道信息。对于当前发送SRS/CSI-RS的slot和下一次发送SRS/CSI-RS的slot之间的那些不发送SRS/CSI-RS的slot，即发送SRS/CSI-RS周期期间的slot，通过基于神经网络的两阶段信道预测的方法，获得这几个slot的信道信息。

具体地，第一阶段信道预测是利用以前L个发送SRS/CSI-RS信号的slot估计的信道值，通过第一个神经网络来提前预测出下一个发送SRS/CSI-RS信号的slot的信道，即第L+1个发送SRS/CSI-RS信号周期slot的信道。其中，利用神经网络估计和预测的信道时间关系如图3a所示。

第一阶段信道预测是通过第一个神经网络来实现的，该神经网络的输入X为L个周期的发送SRS/CSI-RS信号的slot的估计的信道向量。其中，X可以表示为：

X＝[h

其中，h

神经网络的输出为Y为第L+1个发送SRS/CSI-RS信号周期slot的N个天线到接收端的信道的预测值，因此Y为N×1的向量。为了将信道信息都用符号h表示，可以将Y记为

本实施例中实现第一阶段信道预测的神经网络有一个输入层，一个输出层和若干个隐藏层构成，以一个隐藏层为例，第一阶段预测神经网结构如图3b所示。

其中，第一阶段预测神经网络每层基本层结构：对于输入信号或上一层来的数据，右乘一个矩阵W

1)输入层的输出X

如果下一隐藏层的维度为M，W

2)隐藏层的输出X

如果隐藏层的维度为M，W

神经网络设定为3层，1、2层有激活函数，第3层没有激活函数。

3)输出层的输出Y＝W

如果隐藏层的维度为M，W

为了使用第一阶段的神经网络进行信道估计和预测，网络参数需要进行训练。训练时，可以将训练数据中X来自大量的L个周期上SRS/CSI-RS信道估计，匹配的目标为L+1个周期上SRS/CSI-RS slot实际信道h

第一阶段信道预测中神经网络的训练有两种，一种是离线训练，用大量的离线数据训练网络参数，该参数作为该神经网络在实际系统进行信道预测时网络的初始参数。实际工作时，到L+1个周期到来时，利用该周期的SRS/CSI-RS得到信道h

第二阶段信道预测是利用以前L个发送SRS/CSI-RS信号的slot的估计的信道值，以及通过第一个神经网络来提前预测出一个周期后，即第L+1个周期发送SRS/CSI-RS信号slot的信道，来预测出第L个周期发送SRS/CSI-RS的slot和第L+1个周期发送SRS/CSI-RS的slot之间的K-1个不发送SRS/CSI-RS的slot的信道。第二阶段信道预测是利用第二阶段神经网络实现的，第二阶段信道预测的信道时间关系如图3c所示。

第二阶段信道预测也是通过一个神经网络来实现的，该神经网络的输入X为L个周期的发送SRS/CSI-RS信号的slot的估计的信道向量加上通过第一个神经网络来提前预测出的第L+1个周期发送SRS/CSI-RS信号slot的信道。其中，X可以表示为：

其中h

进而，X可以表示为：

神经网络的输出Y为第L个周期发送SRS/CSI-RS的slot和第L+1个周期发送SRS/CSI-RS的slot之间的K-1个不发送SRS/CSI-RS的slot的信道，因此，Y为N×(K-1)矩阵。为了将信道信息都用符号h表示，可以将Y记为

本实施例实现第二阶段信道预测的神经网络由一个输入层，一个输出层和若干个隐藏层构成，以一个隐藏层为例，第一阶段预测神经网结构仍如图3b所示。

其中，实现第二阶段信道预测的神经网络每层基本层结构：对于输入信号或上一层来的数据，右乘一个矩阵W

1)输入层的输出X

如果下一隐藏层的维度为M，W

2)隐藏层的输出X

如果隐藏层的维度为M，W

神经网络设定为3层，1、2层有激活函数，第3层没有激活函数。

3)输出层的输出Y＝W

如果隐藏层的维度为M，W

为了使用第二阶段的神经网络进行信道估计和预测，网络参数需要进行训练。训练时，可以将训练数据中X来自大量的L+1个SRS/CSI-RS周期的信道，匹配的目标为第L个周期和第L+1个周期之间K-1个不发送SRS/CSI-RS slot实际信道[h

第二阶段的神经网络参数训练好了以后，就可以联合使用第一阶段用于实现信道预测的神经网络和第二阶段用于实现信道预测的神经网络，完成信道预测的任务。

利用上述训练得到的两个神经网络进行信道预测时，在当前发送SRS/CSI-RS的slot收到SRS/CSI-RS导频信号后，进行信道估计，得到当前slot的信道信息。然后将当前slot估计得到的信道信息和前L-1个发送SRS/CSI-RS信号的slot的估计的信道值(共L个发送SRS/CSI-RS信号的slot的信道值)，输入到第一阶段用于实现信道预测的神经网络，该神经网络输出(也即预测)一个周期后，下一个发送SRS/CSI-RS信号的slot的信道。进一步地，将L个发送SRS/CSI-RS信号的slot的信道值和第一阶段用于实现信道预测的神经网络输出的未来下一个发送SRS/CSI-RS信号的slot的信道(共L+1个发送SRS/CSI-RS信号的slot的信道值)，输入到第二阶段用于实现信道预测的神经网络，该第二阶段的神经网络输出当前发送SRS/CSI-RS的slot和下一次发送SRS/CSI-RS的slot之间的K-1个不发送SRS/CSI-RS的slot的信道。这样，也就通过两个神经网络完成了信道预测。

另外，随着时间的推移，到L+1个周期发送SRS/CSI-RS的slot到来时，利用该slot的SRS/CSI-RS得到信道h

实施例二

本实施例场景为基于FDD大规模MIMO系统，在基站有N个天线。为了能使基站获得下行大规模MIMO的信道信息，首先基站发送导频信号CSI-RS，移动用户收到CSI-RS的信号后，移动用户通过信道估计获得该slot的信道信息。需要移动用户通过上行链路反馈信道信息。为了降低反馈开销，信道反馈不是在每个slot都发送的，而是每K个slot发送一次(周期为K)，两次发送间隔K-1个slot，而对于不进行信道反馈的K-1个时隙，由于没有反馈的信道信息，系统无法得到比较准确的信道信息。其中，K的值由基站通过RRC信令配置。

本实施例中，在收到当前信道反馈slot的信号后，获得该slot反馈的信道信息。对于当前信道反馈slot和下一次信道反馈slot之间的那些不进行信道反馈的slot，即发送SRS/CSI-RS周期期间的slot，通过基于神经网络的两阶段信道预测的方法，获得这几个slot的信道信息。

具体地，第一阶段信道预测是利用前L个信道反馈slot的反馈的信道值，通过第一个神经网络来提前预测出一个周期后，下一个信道反馈slot的反馈的信道，即第L+1个信道反馈周期slot的信道。其中，利用第一个神经网络估计和预测的信道时间关系如图4a所示。

第一阶段信道预测是通过第一个神经网络来实现的，该神经网络的输入X为L个周期的信道反馈的slot估计的信道向量。其中，X可以表示为：

X＝[h

其中，h

第一个神经网络的输出Y为预测的第L+1个信道反馈周期slot的N个天线到接收端的信道的预测值，因此Y为N×1的向量，可以表示为：

本实施例中实现第一阶段信道预测的神经网络由一个输入层，一个输出层和若干个隐藏层构成，以一个隐藏层为例，第一阶段预测神经网结构如图3b所示。

其中，第一阶段预测神经网络每层基本层结构：对于输入信号或上一层来的数据，右乘一个矩阵W

1)输入层的输出X

如果下一隐藏层的维度为M，W

2)隐藏层的输出X

如果隐藏层的维度为M，W

神经网络设定为3层，1、2层有激活函数，第3层没有激活函数。

3)输出层的输出Y＝W

如果隐藏层的维度为M，W

为了使用第一阶段的神经网络进行信道估计和预测，网络参数需要进行训练。训练时，可以将训练数据中X来自大量的L个周期信道反馈上反馈的信道，匹配的目标为L+1个周期信道反馈的实际信道h

第一阶段信道预测中神经网络的训练有两种，一种是离线训练，用大量的离线数据训练网络参数，该参数作为该神经网络在实际系统进行信道预测时网络的初始参数。实际工作时，到L+1个周期到来时，利用该周期的反馈的信道h

第二阶段信道预测是利用以前L个信道反馈slot的估计的信道值，以及通过第一个神经网络来提前预测出一个周期后，即预测的第L+1个周期反馈的信道值，来预测出第L个周期信道反馈slot和第L+1个周期信道反馈slot之间的K-1个不发送信道反馈的slot的信道。第二阶段信道预测是利用第二个神经网络实现的，第二阶段信道预测的信道时间关系如图4b所示。

第二阶段信道预测也是通过一个神经网络来实现的，该神经网络的输入X为L个周期的信道反馈slot的信道向量加上通过第一个神经网络提前预测出的第L+1个周期信道反馈slot的信道。其中，X可以表示为：

其中h

第二个神经网络的输出Y为第L个周期信道反馈slot和第L+1个周期信道反馈slot之间的K-1个无信道反馈的slot的信道，因此，Y为N×(K-1)矩阵，可以表示为：

本实施例第二个神经网络由一个输入层，一个输出层和若干个隐藏层构成，以一个隐藏层为例，第一阶段预测神经网结构仍如图3b所示。

其中，第二个神经网络每层基本层结构：对于输入信号或上一层来的数据，右乘一个矩阵W

1)输入层的输出X

如果下一隐藏层的维度为M，W

2)隐藏层的输出X

如果隐藏层的维度为M，W

神经网络设定为3层，1、2层有激活函数，第3层没有激活函数。

3)输出层的输出Y＝W

如果隐藏层的维度为M，W

为了使用第二个神经网络进行信道估计和预测，网络参数需要进行训练。训练时，可以将训练数据中X来自大量的L+1个信道反馈周期的信道，匹配的目标为第L个周期和第L+1个周期之间K-1个不进行信道反馈slot实际信道[h

第二个神经网络参数训练好了以后，就可以联合使用第一个神经网络和第二个神经网络，完成信道预测的任务。

利用上述两个神经网络进行信道预测时，在当前信道反馈的slot得到信道信息后，当前slot信道信息和前L-1个信道反馈slot的信道值(共L个发送信道道反馈信号的slot的信道值)，输入到第一个神经网络。第一个神经网络输出(也即提前预测)一个周期后，下一个信道反馈slot的信道。接着将L个信道反馈slot的信道值和第一个神经网络输出的未来下一个信道反馈slot的信道(共L+1个信道反馈slot的信道值)，输入到第二个神经网络。第二个神经网络输出当前信道反馈slot和未来下一次信道反馈slot之间的K-1个不进行信道反馈的slot的信道。这样，也即通过两个神经网络完成了信道预测。

另外，随着时间的推移，到L+1个周期信道反馈slot到来时，利用该slot的反馈得到信道h

对于第一阶段的第一个神经网络的训练有两种，一种是离线训练，用大量的离线数据训练网络参数。该参数作为该神经网络在实际系统进行信道预测时网络的初始参数。实际工作时，到L+1个周期到来时，利用该周期的反馈的信道h

为了支持更好的对实现第一阶段信道预测的第一个神经网络进行在线训练，移动用户除了反馈周期性的信道信息外，还需要额外反馈跟在线训练有关的指令信息。这个指令用来控制在线训练批次(batch)的大小。由于神经网络的训练是分批次进行的，批次大小(每个batch含有的样本数)会影响在线学习的性能。该指令的反馈可以由两种方式：

第一种是移动用户直接反馈批次的大小，即反馈Batch_size。Batch越大，在线训练的第一个神经网络调整的越慢，但是训练越稳定。移动用户可以根据信道估计的结果，判断信道场景的变化快慢，由此调整在线训练Batch_size，并反馈给基站；

第二种是移动用户反馈进行在线训练的指令，例如反馈Finetuning_indicator。当基站收到Finetuning_indicator＝1时，进行在线训练；如果收到的Finetuning_indicator＝0，则不进行在线训练，仍沿用原来实现第一阶段信道预测的神经网络的参数进行预测。对于Batch size，两次在线学习之间未用的数据可以集中在一起作为在线学习的数据。即批次的大小就是两次在线学习之间新的数据量的大小。由于Batch size不能一直增大，因此基站需要用RRC配置一个最大的目标数值Batch_size_max。由于批次的大小不能超过Batch_size_max的值，移动用户可以根据Batch_size_max和信道环境变化的快慢合理规划Finetuning_indicator的反馈。某次在线训练时，批次大小为Batch_size_max和上次在线训练以后获得新数据的数量中的最小值。

请参照图5，图5是本申请实施例提供的另一种信道预测方法的流程图，如图5所示，所述方法包括以下步骤：

步骤501、第二设备接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

步骤502、所述第二设备基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数。

其中，所述L个信道信息为所述第二设备针对与所述第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

可选地，所述第一信息包括导频信号和信道反馈中的至少一种。

可选地，所述第一信息包括信道反馈，所述第二设备为网络侧设备；所述步骤502可以包括：

所述网络侧设备基于针对信道反馈的L个时隙估计的L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，所述第二信道为当前发送所述信道反馈的时隙与下一个发送所述信道反馈的时隙之间的信道。

可选地，所述第二信道的数量为M个，M为大于或等于1的整数；所述步骤502之后，所述方法还包括：

所述第二设备向所述第一设备发送第一预测结果，所述第一预测结果包括所述第二信道的数量及每一个所述第二信道各自对应的时隙指示。

可选地，所述方法还包括：

所述第二设备向所述第一设备发送第一指令，所述第一指令用于指示针对所述第一目标神经网络重置网络参数或不重置网络参数。

可选地，所述方法还包括：

所述第二设备向所述第一设备发送第二指令，所述第二指令用于指示针对所述第一目标神经网络更新或不更新。

可选地，所述方法还包括：

所述第二设备接收所述第一设备发送的所述第一目标神经网络的训练样本的数量。

本申请实施例中，第二设备在接收到第一设备发送的第一反馈信息后，基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测出当前时刻发送第一信息的时隙与下一个发送第一信息的时隙之间不发送所述第一信息的时隙的信道。这样，也就能够通过神经网络预测得到周期性发送第一信息的时隙之间不发送所述第一信息的时隙的信道信息，有效提升了通信系统信道估计和预测的准确性，从而有助于提升系统性能。

需要说明地，本申请实施例为应用于第二设备的信道预测方法，与上述应用于第一设备的信道预测方法对应，本申请实施例的具体实现过程及相关概念可以参照上述图2所述实施例中的描述，此处不再赘述。

本申请实施例提供的信道预测方法，执行主体可以为信道预测装置。本申请实施例中以信道预测装置执行信道预测方法为例，说明本申请实施例提供的信道预测装置。

请参照图6，图6是本申请实施例提供的一种信道预测装置的结构图，如图6所示，信道预测装置600包括：

获取模块601，用于获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数；

第一预测模块602，用于基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息；

其中，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道。

可选地，所述装置还包括：

第二预测模块，用于基于K个信道信息及所述第一信道预测信息，通过第二目标神经网络预测所述第二信道，获得第二信道预测信息，所述K个信道信息为所述装置针对与所述第一信息对应的K个时隙估计的信道信息，K为大于或等于1的整数。

可选地，所述装置还包括：

第一发送模块，用于向第二设备发送第一反馈信息，所述第二设备用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，获得第二信道预测信息，所述第一反馈信息基于所述第一信道预测信息得到，所述L个信道信息为所述第二设备针对与所述第一信息对应的L个时隙估计的信道信息，L为大于或等于1的整数。

可选地，所述第一信息包括导频信号和信道反馈中的至少一种。

可选地，在所述第一信息仅包括导频信号的情况下，所述装置通过所述第二目标神经网络预测所述第二信道。

可选地，在所述导频信号为CSI-RS的情况下，所述装置为终端；

在所述导频信号为SRS的情况下，所述装置为网络侧设备。

可选地，在所述第一信息仅包括信道反馈的情况下，所述装置通过所述第二目标神经网络预测所述第二信道，所述装置为网络侧设备。

可选地，所述获取模块601还用于：

获取针对与CSI-RS相关的N个时隙估计的N个信道信息；

所述第一预测模块602还用于：

向网络侧设备发送第一反馈信息，所述网络侧设备用于基于针对信道反馈的L个时隙估计的L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，所述第二信道为当前发送所述信道反馈的时隙与下一个发送所述信道反馈的时隙之间的信道。

可选地，所述第二信道的数量为M个，M为大于或等于1的整数；所述装置还包括：

第二发送模块，用于向所述第二设备发送第一预测结果，所述第一预测结果包括所述第二信道的数量及每一个所述第二信道各自对应的时隙指示。

可选地，所述装置还包括：

第一接收模块，用于接收第一指令；

所述第一预测模块602还用于：

在所述第一指令用于指示不重置网络参数的情况下，基于所述N个信道信息通过第一神经网络预测第一信道；

在所述第一指令用于指示重置网络参数的情况下，基于所述N个信道信息通过第二神经网络预测第一信道，所述第二神经网络为基于默认的信道信息训练得到的神经网络。

可选地，所述装置还包括执行模块，用于：

获取第N+1个时隙的信道信息，所述第N+1个时隙为距离所述当前时刻最近的下一个实际发送所述第一信息的时隙；

在接收到第二指令，所述第二指令用于指示更新所述第一目标神经网络的情况下，所执行第一操作，所述第一操作包括：

基于第一训练样本集对所述第一目标神经网络进行训练，训练后的所述第一目标神经网络用于预测所述第N+1个时隙之后发送所述第一信息的时隙的信道，所述第一训练样本集包括所述第N+1个时隙的信道信息。

可选地，所述装置还包括：

第三发送模块，用于向第二设备发送所述第一目标神经网络的训练样本的数量。

可选地，所述装置还包括：

配置模块，用于配置目标数值，所述目标数值为所述第一目标神经网络的训练样本的数量的最大值。

可选地，在执行第一操作的情况下，输入所述第一目标神经网络的训练样本的数量为所述目标数值和所述第一训练样本集中训练样本数量的最小值。

本申请实施例中，通过两个神经网络实现了两个阶段的信道预测，进而能够预测得到周期性发送第一信息的时隙之间不发送所述第一信息的时隙的信道信息，有效提升了通信系统信道估计和预测的准确性，从而有助于提升系统性能。

本申请实施例中的信道预测装置可以是电子设备，例如具有操作系统的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。

本申请实施例提供的信道预测装置能够实现图2所述方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。

请参照图7，图7是本申请实施例提供的另一种信道预测装置的结构图，如图7所示，信道预测装置700包括：

接收模块701，用于接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

第二预测模块702，用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数；

其中，所述L个信道信息为所述装置针对与所述第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

可选地，所述第一信息包括导频信号和信道反馈中的至少一种。

可选地，所述第一信息包括信道反馈，所述装置为网络侧设备；所述第二预测模块702还用于：

基于针对信道反馈的L个时隙估计的L个信道信息及所述第一反馈信息，通过第二目标神经网络预测所述第二信道，所述第二信道为当前发送所述信道反馈的时隙与下一个发送所述信道反馈的时隙之间的信道。

可选地，所述第二信道的数量为M个，M为大于或等于1的整数；所述装置还包括：

第一发送模块，用于向所述第一设备发送第一预测结果，所述第一预测结果包括所述第二信道的数量及每一个所述第二信道各自对应的时隙指示。

可选地，所述装置还包括：

第二发送模块，用于向所述第一设备发送第一指令，所述第一指令用于指示针对所述第一目标神经网络重置网络参数或不重置网络参数。

可选地，所述装置还包括：

第三发送模块，用于向所述第一设备发送第二指令，所述第二指令用于指示针对所述第一目标神经网络更新或不更新。

可选地，所述接收模块701还用于：

接收所述第一设备发送的所述第一目标神经网络的训练样本的数量。

本申请实施例提供的信道预测装置能够实现图5所述方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。

可选的，如图8所示，本申请实施例还提供一种通信设备800，包括处理器801和存储器802，存储器802上存储有可在所述处理器801上运行的程序或指令，该程序或指令被处理器801执行时实现上述图2或图5所述方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供一种终端，上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中，且能达到相同的技术效果。具体地，图9为实现本申请实施例的一种终端的硬件结构示意图。

该终端900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909以及处理器910等中的至少部分部件。

本领域技术人员可以理解，终端900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图

应理解的是，本申请实施例中，输入单元904可以包括图形处理单元(GraphicsProcessing Unit，GPU)9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

本申请实施例中，射频单元901接收来自网络侧设备的下行数据后，可以传输给处理器910进行处理；另外，射频单元901可以向网络侧设备发送上行数据。通常，射频单元901包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。

存储器909可用于存储软件程序或指令以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器909可以包括易失性存储器或非易失性存储器，或者，存储器909可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。

处理器910可包括一个或多个处理单元；可选的，处理器910集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。

在一种实施方式中，所述终端900为第一设备，处理器910用于获取针对N个时隙估计的N个信道信息，所述N个时隙为与第一信息对应的时隙，N为大于或等于1的整数；

以及用于基于所述N个信道信息通过第一目标神经网络预测第一信道，获得第一信道预测信息；

其中，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第一信道预测信息用于第二目标神经网络预测当前与所述第一信息对应的时隙和所述第一时隙之间的第二信道。

在另一种实施方式，所述终端900为第二设备，射频单元901用于接收第一设备发送的第一反馈信息，所述第一反馈信息基于第一信道预测信息得到，所述第一信道预测信息为所述第一设备通过第一目标神经网络预测得到；

处理器910用于基于L个信道信息及所述第一反馈信息，通过第二目标神经网络预测第二信道，获得第二信道预测信息，L为大于或等于1的整数；

其中，所述L个信道信息为所述终端针对与所述第一信息对应的L个时隙估计的信道信息，所述第一信道为距离当前时刻最近的下一个与所述第一信息对应的第一时隙的信道，所述第二信道为当前时刻与所述第一信息对应的时隙和所述第一时隙之间的信道。

需要说明地，本申请实施例提供的终端900能够实现上述图2或图5所述方法实施例的全部技术过程，并能达到相同的技术效果，为避免重复，故不在此赘述。

本申请实施例还提供一种网络侧设备，该网络侧设备实施例与上述图2或图5所述方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中，且能达到相同的技术效果。

具体地，本申请实施例还提供了一种网络侧设备。如图10所示，该网络侧设备1000包括：天线1001、射频装置1002、基带装置1003、处理器1004和存储器1005。天线1001与射频装置1002连接。在上行方向上，射频装置1002通过天线1001接收信息，将接收的信息发送给基带装置1003进行处理。在下行方向上，基带装置1003对要发送的信息进行处理，并发送给射频装置1002，射频装置1002对收到的信息进行处理后经过天线1001发送出去。

以上实施例中网络侧设备执行的方法可以在基带装置1003中实现，该基带装置1003包括基带处理器。

基带装置1003例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图10所示，其中一个芯片例如为基带处理器，通过总线接口与存储器1005连接，以调用存储器1005中的程序，执行以上方法实施例中所示的网络设备操作。

该网络侧设备还可以包括网络接口1006，该接口例如为通用公共无线接口(common public radio interface，CPRI)。

具体地，本发明实施例的网络侧设备1000还包括：存储在存储器1005上并可在处理器1004上运行的指令或程序，处理器1004调用存储器1005中的指令或程序执行图6或图7所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图2或图5所述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图2或图5所述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。

本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述图2或图5所述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。