TWI865901B

TWI865901B - 功率控制方法及其通訊裝置

Info

Publication number: TWI865901B
Application number: TW111129914A
Authority: TW
Inventors: 陳志明
Original assignee: 緯創資通股份有限公司
Priority date: 2022-08-09
Filing date: 2022-08-09
Publication date: 2024-12-11
Also published as: JP7397956B1; TW202408284A; JP2024024572A; US12408117B2; US20240056983A1; CN117641537A

Abstract

一種功率控制方法，用於一第一通訊裝置，包含有將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一傳輸功率控制值，以及輸出該傳輸功率控制值。該至少一資料是從至少來自一第二通訊裝置的至少一訊號擷取出。該傳輸功率控制值用以指示該第二通訊裝置如何設定該第二通訊裝置的發射功率。即使該第二通訊裝置快速地移動，該第二通訊裝置可根據優化後的該傳輸功率控制值調整其發射功率，從而最小化該第二通訊裝置的功耗。

Description

功率控制方法及其通訊裝置

本發明係指一種功率控制方法及其通訊裝置，尤指一種可有效率且準確地節省功耗的功率控制方法及其通訊裝置。

一般而言，可利用閉迴路(closed loop)功率控制或開迴路功率控制來決定/調整通訊裝置的(發射器的)傳輸功率，以最小化/最佳化通訊裝置的功耗。在進行閉迴路功率控制時，會測量自此通訊裝置接收到的訊號的訊號對干擾加雜訊比，並將此訊號對干擾加雜訊比與訊號對干擾加雜訊比目標值進行比較，以決定如何調整此通訊裝置的傳輸功率。閉迴路功率控制的傳輸功率控制命令可在利用開迴路功率控制來計算傳輸功率後使用。

現有閉迴路功率控制具有固定的訊號對干擾加雜訊比目標值，且現有閉迴路功率控制是逐步地增加/減少通訊裝置的傳輸功率(每一次增加/減少-1、0、+1或+3dB)，以長期而言，現有閉迴路功率控制可試圖最小化通訊裝置的功耗。然而，當通訊裝置快速移動(通道急遽改變)時，現有功率控制無法即使反應而無法最佳地控制功率，這可能浪費通訊裝置的(電池)電力，因此，現有功率控制的方式有改進的必要。

因此，本發明主要提供一種功率控制方法及其通訊裝置，以有效率且準確地節省功耗。

本發明揭露一種功率控制方法，用於一第一通訊裝置，包含有將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一傳輸功率控制值，其中，該至少一資料是從至少來自一第二通訊裝置的至少一訊號擷取出；以及輸出該傳輸功率控制值，其中，該傳輸功率控制值用以指示該第二通訊裝置如何設定該第二通訊裝置的一發射功率。

本發明揭露一種通訊裝置，包含有一儲存電路，用來儲存一指令，該指令包含有將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一傳輸功率控制值，其中，該至少一資料是從至少來自一第二通訊裝置的至少一訊號擷取出；以及輸出該傳輸功率控制值，其中，該傳輸功率控制值用以指示該第二通訊裝置如何設定該第二通訊裝置的一發射功率；以及一處理電路，耦接至該儲存電路，用來執行儲存於該儲存電路的該指令。

10:通訊系統

100:通訊方法

120~160:通訊裝置

70g:基礎資料

CG1~CG2:因果圖

cv_(i-1),cv_i,cv_(j-1),cv_j,cv_y,CV₁~CV_n,X₁~X₃,Y₁~Y₃,Z₁~Z₃:因果變量

f _(i-1),f _i,f _(j-1),f _j:觀察函數

p(s,v),p^⊥(s,v),p^~(s,v):先驗

p(w_x|s,v),p(cv_y|s):因果機制

P1~P5,P^*5:點

q(s,v|w_x):推論模型

S1000~S1006:步驟

sc:語意因素

Srs:訊號

Stpc:傳輸功率控制命令

v:變化因素

w_(i-1),w_i,w_(j-1),w_j,w_x:資料

第1圖為本發明實施例一通訊系統的示意圖。

第2圖為本發明實施例功耗與訊號對干擾加雜訊比目標值、傳輸功率控制命令的傳輸功率控制值之間的關係的示意圖。

第3圖為本發明實施例功耗與訊號對干擾加雜訊比目標值之間的關係的示意圖。

第4圖為本發明實施例功耗與傳輸功率控制命令的傳輸功率控制值之間的關係的示意圖。

第5圖為本發明實施例的針對一維問題的貝葉斯優化的示意圖。

第6圖為本發明實施例局部的一因果圖的示意圖。

第7圖為本發明實施例一基礎資料及局部的一因果圖的示意圖。

第8圖為本發明實施例一因果變量及一子資料的示意圖。

第9圖為貝葉斯優化、因果貝葉斯優化或動態因果貝葉斯優化的示意圖。

第10圖為本發明實施例一通訊方法的示意圖。

第1圖為本發明實施例一通訊系統10的示意圖。通訊系統10可包含通訊裝置120~160。通訊裝置120可發送一訊號Srs，訊號Srs通過空氣等介質(稱為通道(channel)140)傳遞至通訊裝置140。通訊裝置140可估計訊號Srs的訊號對干擾加雜訊比(Signal to Interference plus Noise Ratio，SINR)，並將其與訊號對干擾加雜訊比目標值進行比較。當訊號Srs強度較弱時(例如訊號Srs的訊號對干擾加雜訊比低於訊號對干擾加雜訊比目標值)，通訊裝置140可發送一傳輸功率控制(Transmission Power Control，TPC)命令(command)Stpc，使得通訊裝置120可據以增加發射功率。否則，傳輸功率控制命令Stpc將用來請求降低發射功率。

通訊裝置140或160可基於一演算法(例如貝葉斯優化(Bayesian Optimization)、因果貝葉斯優化(Causal Bayesian Optimization)或動態(時間)因果貝葉斯優化(Dynamic(Temporal)Causal Bayesian Optimization))至少確定或優化傳輸功率控制命令Stpc的一傳輸功率控制值(value)及/或訊號對干擾加雜訊比目標值，如此一來，即使通訊裝置120快速地移動，通訊裝置120可根據優化後的傳輸功率控制值調整其發射功率，從而最小化通訊裝置120的功耗(power consumption)。

以下以貝葉斯優化為例。貝葉斯優化是一種黑盒優化演算法，可用於解決表達式未知的函數的極值問題。例如，P(tc,s)=uef(tc,s)，其中，P()代表通訊裝置120的功耗，uef()代表表達式未知的函數關係，tc代表傳輸功率控制命令Stpc的傳輸功率控制值，s代表訊號對干擾加雜訊比目標值。換言之，功耗P()與訊號對干擾加雜訊比目標值s、傳輸功率控制值tc之間的函數關係uef()的表達式是未知的，而利用貝葉斯優化可計算出功耗P()最小時的訊號對干擾加雜訊比目標值s及/或傳輸功率控制值tc。如此一來，通訊裝置120可根據傳輸功率控制值tc調整其發射功率。

例如，第2圖為本發明實施例功耗與訊號對干擾加雜訊比目標值、傳輸功率控制命令的傳輸功率控制值之間的關係的示意圖，第3圖為本發明實施例功耗與訊號對干擾加雜訊比目標值之間的關係的示意圖，第4圖為本發明實施例功耗與傳輸功率控制命令的傳輸功率控制值之間的關係的示意圖。在第4圖中，粗虛線代表通訊裝置120、140距離較近，細虛線代表通訊裝置120、140距離較遠。如第2圖所示，當傳輸功率控制值及訊號對干擾加雜訊比目標值太低時，通訊裝置120、140之間的重傳次數更多，因此通訊裝置120的功耗更高。然而，第2圖至第4圖僅為示意以更容易了解功耗與訊號對干擾加雜訊比目標值、傳輸功率控制值之間具有關聯，功耗與訊號對干擾加雜訊比目標值、傳輸功率控制值之間的函數關係uef()的表達式在多數情形下是未知的。

由於函數關係uef()的表達式是未知的，貝葉斯優化可通過部分/有限的採樣點(sampled point)來粗略擬合函數關係uef()，並可利用先前採樣點的資訊確定下一個採樣點，以找到極值點。例如，第5圖為本發明實施例的針對一維問題的貝葉斯優化的示意圖，其中，粗實線代表估計的目標函數(例如功耗)，實心黑點P1~P5分別表示已經搜索到的採樣點，2條虛線包圍的區域表示目標函數對應每個點的(以均值為中心且與標準差成正比的)波動範圍，細實線代表提取函數(acquisition function)。在貝葉斯優化，首先可生成初始的一組候選解集合(例如實心黑點P1對應的功耗、訊號對干擾加雜訊比目標值或傳輸功率控制值)；接著，根據初始的候選解集合的採樣點，搜索下一個(可能是極值的)採樣點(例如實心黑點P2)；反覆搜索下一個(可能是極值的)採樣點(例如實心黑點P3~P5)直到迭代終止，並將所有搜索到的採樣點(例如實心黑點P1~P5)增加到候選解集合；最後，從候選解集合的採樣點中找到極值點作為問題的解(例如實心黑點P4對應的功耗、訊號對干擾加雜訊比目標值或傳輸功率控制值)。

在貝葉斯優化，可根據已經搜索到的採樣點的函數值(例如實心黑點P1對應的功耗)來估計真實的目標函數(例如功耗)的均值(mean)及方差(variance)，以根據已經搜索到的採樣點(例如實心黑點P1)來確定下一個採樣點(例如實心黑點P2)。第5圖的粗實線代表的估計的目標函數(即目標函數在每個點的均值)會經過採樣點P1~P4，使得方差最小；離採樣點P1~P4較遠時，方差較大。第5圖細實線代表的提取函數可根據均值及方差來建立，即提取函數可為方差、均值的函數。提取函數估計一個點(例如實心黑點P1~P5中的一者)是否是目標函數極值點的可能性反映了這個點值得搜索的程度。提取函數的相對極值點可對應目標函數的下一個採樣點：例如第5圖的矩形框表示的點P^*5為提取函數的極大值點，且(根據訊號對干擾加雜訊比目標值或傳輸功率控制值)可對應目標函數(例如功耗)的下一個採樣點(即實心黑點P5)。

在一實施例，實心黑點P1~P5其中一者對應的功耗、訊號對干擾加雜訊比目標值及傳輸功率控制值可由第1圖的訊號Srs、功率餘量報告(Power Headroom report)或通訊裝置140、160接收到的其他訊號或內部儲存的其他資料得知，但不限於此。在一實施例，訊號Srs可為參考訊號。

由上述可知，貝葉斯優化的核心可由兩部分組成：對目標函數進行建模(即計算目標函數在不同點的均值及方差，其可通過高斯過程回歸(Gaussian process regression)來實現)及建構提取函數(以確定在某一次迭代中處理哪個點)。換言之，可以使用高斯過程來推斷先前尚未配置的自變量對應的功耗，即經由推斷的均值和方差的高斯分布來推斷出功耗。

本發明的演算法可利用高斯過程回歸而根據目標函數在一組採樣點的函數值來預測任意點的函數值的機率分佈。高斯過程回歸可擴展到具有已知方差的獨立正態分佈(normally distributed)噪聲的觀測值。方差可能是未知的，因此可假設噪聲具有共同方差，且噪聲包含作為超參數的方差。本發明使用包含噪聲(其為漂移值而不是訊號對干擾加雜訊比的雜訊)的高斯過程的後驗均值(posterior mean)。在一實施例，溫度濕度等環境因素或元件老化可能造成功耗對應某一個訊號對干擾加雜訊比目標值或傳輸功率控制值的漂移值。

根據高斯過程回歸的結果可建構(用於衡量目標函數的每個點值得探索的程度的)提取函數以求解提取函數的極值來確定目標函數的下一個採樣點。提取函數例如可為知識梯度(knowledge gradient，KG)、熵搜索(entropy search，ES)、預測熵搜索(predictive entropy search，PES)。此後，將(從開始到現在搜索到的)這一組採樣點的極值作為目標函數的極值，即提供最小功耗的最佳的傳輸功率控制值及訊號對干擾加雜訊比目標值。通訊裝置140可將最佳的傳輸功率控制值及/或訊號對干擾加雜訊比目標值提供給通訊裝置120。

在一實施例，傳輸功率控制值為絕對值而非相對值(例如每一次增加/減少-1、0、+1或+3dB)，傳輸功率控制值(例如20)可用來直接指示通訊裝置120將發射功率調整至多少分貝(Decibel，dB)(例如20dB)。換言之，相較於現有技術利用微調方式來達到傳輸功率控制值長期收斂至最佳解，本發明可直接指示較佳的傳輸功率控制值，且傳輸功率控制值與通訊裝置120既有的發射功率之間的差值可大於3dB或小於-1dB。

在一實施例，本發明的演算法會優化訊號對干擾加雜訊比目標值。換言之，訊號對干擾加雜訊比目標值是動態的而非固定不變的。由於訊號對干擾加雜訊比目標值可能因資料類型或通訊裝置120的位置而改變，因此訊號對干擾加雜訊比目標值s是固定值未必是較佳解。

在一實施例，可增加基於固定率(rate)(即固定吞吐量(fixed throughput))的約束至演算法，即透過固定吞吐量的方式來控制功率。

在一實施例，本發明的演算法可能需要考慮許多自變量(或稱作自變數)(independent variable)(而不只是傳輸功率控制值及訊號對干擾加雜訊比目標值)。當空間維數增加時，貝葉斯優化的性能可能呈指數級下降。因此，本發明的演算法可擴展到因果貝葉斯優化。換言之，在功耗相關於訊號對干擾加雜訊比目標值、傳輸功率控制值及其他自變量的情況下，本發明可利用因果貝葉斯優化計算出功耗的最小值。

具體地，本發明可找到功耗與訊號對干擾加雜訊比目標值、傳輸功率控制值及其他自變量之間的因果關係，例如找到功耗、訊號對干擾加雜訊比目標值、傳輸功率控制值及其他自變量構成的因果圖(causal graph)，因此，功耗、訊號對干擾加雜訊比目標值、傳輸功率控制值及其他自變量可視為因果變量(causal variable)。例如，第6圖為本發明實施例局部的一因果圖CG1的示意圖。因果變量CV1~CVx構成因果模型使用的因果圖CG1，x為正整數，其中，因果變量CV1~CV3可分別表示功耗、訊號對干擾加雜訊比目標值、傳輸功率控制值。如第6圖所示，因果貝葉斯優化發現的因果維度可能是x-1，因此有x-1個自變量被輸入到因果貝葉斯優化的目標函數(例如功耗)中進行優化，從而計算出x-1個因果變量CV2~CVx在哪些值下可最小化因果變量CV1。因果圖CG1可顯著提高推理(reason)最佳決策策略的能力，從而降低優化成本，且避免次優解。

在一實施例，可基於最大後驗(maximum a posterior，MAP)及點估計(point estimate)來選擇優化的因果模型而得到功耗、訊號對干擾加雜訊比目標值、傳輸功率控制值及其他自變量構成的因果圖，據此，因果模型的因果圖的因果變量(例如因果變量的個數、一個因果變量有哪些屬性、一個因果變量的屬性的個數)及因果結構(例如屬性之間的連接方式)是同時/平行決定的，因此可避免先決定因果變量再決定因果結構招致的問題。

例如，第7圖為本發明實施例一基礎資料70g及局部的一因果圖CG2的示意圖，其中(a)、(b)分別繪示基礎資料70g及因果圖CG的兩種可能。因果圖 CG2可用作因果圖CG1。在一實施例，基礎資料70g可從所有可觀察到的樣本的空間來得到，因此也可稱為觀察資料。在一實施例，基礎資料70g可從所有蒐集到的資料來得到。在一實施例，基礎資料70g可包含或相關於通訊裝置140在所有時間以所有方式接收到的所有訊號(例如訊號Srs或功率餘量報告)或發送出去的訊號(例如傳輸功率控制命令Stpc)。

在第7圖中，因果圖CG2的因果結構可提供因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)之間的關係，而觀察函數(observation function)f _(i-1)、f _i、f _(j-1)、f _j則可將基礎資料70g的子資料w_(i-1)、w_i、w_(j-1)、w_j映射到因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j而提供因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j與基礎資料70g的子資料w_(i-1)、w_i、w_(j-1)、w_j之間的關係。其中，i、j是正整數，映射是基於相應的子資料(例如子資料w_(i-1)、w_i、w_(j-1)、w_j)(第7圖的框線區域)而不是整個基礎資料70g。例如，因果變量cv_(i-1)對應傳輸功率控制值，則子資料w_(i-1)與因果變量cv_(i-1)的屬性相關(例如相關於所有關於設定功率控制絕對值的資料)。

在一實施例，可將基礎資料70g的子資料w_i分到觀察函數f _i及因果圖CG2的因果結構C的後驗機率(posterior probability)P(f _i ,C|w)最大化，從而自基礎資料70g的子資料w_i得到因果結構C及其中的因果變量cv_i。據此，可利用貝葉斯網路(Bayesian Network)結合觀察函數(例如觀察函數f _(i-1)、f _i、f _(j-1)、f _j)來描述因果模型的推論(inference)。值得注意的是，因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)及因果結構是一併得到的，因此因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)及因果結構可互相影響且互相約束。

在一實施例，後驗機率P(f _i ,C|w_i,Int)根據貝葉斯法則(Bayesian rule)可滿足P(f _i ,C|w_i,Int)

P(f _i ,C)P(w_i|f _i ,C,Int)，其中f _i可代表觀察函數，C可代表因果結構，w_i可代表基礎資料70g中部分的子資料，Int可代表干預(intervention)。在一實施例，後驗機率P(f _i ,C|w_i)可正比於P(f _i ,C)P(w_i|f _i ,C)或

，其中s _t-1可代表在一時間點t-1的狀態(state)，T可代表目前的時間點，γ可為0.5但不限於此。在一實施例，P(w|f _i ,C)可為

。在一實施例，P(w _i,t|s _t-1 ,C,f _i)可為

或

，其中s _i,t可代表一因果變量cv_i在一時間點t的狀態，Ncv可代表所有因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)的總個數，Ncv是正整數，

可代表基礎資料70g中與因果變量cv_i的狀態s _i兼容的子資料w_i的資料量。在一實施例，可利用最小化資料量

來選擇出因果變量cv_i，如此可使得基礎資料70g中較常用到的子資料(例如子資料w_i)(相較不常用到的子資料)分成更小的部分。

由上述可知，貝葉斯概率(Bayesian probability)機制可組合因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)的個數、因果變量的狀態、因果結構及因果變量的觀察函數(例如觀察函數f _(i-1)、f _i、f _(j-1)、f _j)並得到相關的聯合推論，來解釋基礎資料70g，從而產生因果圖CG2。其中，因果圖CG2的因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)(或因果變量的個數)及因果結構C是同時決定的，據此因果規劃模組110P可區別出第7圖(a)、(b)的不同。

如第7圖所示，每個因果變量(例如因果變量cv_i)會對應一個觀察函數(例如觀察函數f _i)。在一實施例，可利用因果語意生成(Causal Semantic Generative，CSG)模型來得到觀察函數(例如觀察函數f _i)，從而自高維環境變量(例如基礎資料70g)預測出低維狀態屬性(例如因果變量cv_i的狀態的屬性(attribute))。若因果變量(例如因果變量cv_(i-1)、cv_i、cv_(j-1)、cv_j)是人工定義(例如由領域專家(domain expert)定義)，每個因果變量(例如因果變量cv_i)都有一個專用的因果語意生成觀察函數使得因果變量立基於相應的子資料(例如子資料w_i)(第7圖的框線區域)。並且，因果語意生成模型可避免將變化因素(variation factor)判斷成因果變量(例如因果變量cv_i)的因，而能正確地將語意因素(semantic factor)判斷成因果變量(例如因果變量cv_i)的因。在一實施例，變化因素及語意因素可屬於觀察資料。在一實施例，因果語意生成模型主要基於因果不變準則(causal invariance principle)並涉及變分貝葉斯(variational Bayes)。

在一實施例，觀察函數f _i可滿足s _i,t=f _i(w _i,t)。在一實施例，觀察函數f _i可利用多變量高斯分布(multivariate Gaussian distribution)來實現，例如可滿足

，或者，觀察函數f _i可相關於

。其中z為基礎資料70g中對因果變量cv_i沒有貢獻的子資料，均值

、μ _v固定為零向量，Σ可通過柯列斯基分解(Cholesky decomposition)來參數化而例如可滿足Σ=LL ^T。矩陣L可為具有正對角線元素的下三角矩陣(lower-triangular matrix with positive diagonals)且例如可參數化而滿足

。矩陣

、L _zz可為更小的下三角矩陣，矩陣

可為任意矩陣。矩陣

、L _zz可利用(藉由指數映射(exponential map)確認的)正對角線元素與(不具有正對角線元素的)下三角矩陣的和而參數化。

在一實施例，因果變量(例如因果變量cv_i)與子資料(例如子資料w_i)之間的關係是未知的，但可利用因果語意生成模型從子資料預測出因果變量。例如，第8圖為本發明實施例一因果變量cv_y及一子資料w_x的示意圖，其中(a)、(b)、(c)、(d)分別繪示因果語意生成模型的可能結構，sc可代表語意因素，v可代表變化因素，實線箭頭可表示因果機制p(w_x|sc,v)及p(cv_y|sc)，虛線箭頭可代表用於學習的推論模型q(sc,v|w_x)。在第8圖的(a)，語意因素sc與變化因素v之間的實線無向線段可代表領域特定的先驗(prior)p(sc,v)。相較於第8圖的(a)語意因素sc與變化因素v之間的無向線段，第8圖的(b)引入獨立的先驗p^⊥(sc,v)：=p(sc)p(v)來反映干預，以改善分布外泛化效能(out-of-Distribution generalization performance)。相較於第8圖的(a)語意因素sc與變化因素v之間的無向線段，第8圖的(c)根據因果不變性準則(causal invariance principle)引入語意因素sc與變化因素v之間的點線的先驗p^~(sc,v)來反映干預，以利用未監督資料(unsupervised data)。在一實施例，可藉由最大化似然率來將因果語意生成模型p：=<p(sc,v),p(w_x|sc,v),p(cv_y|sc)>擬合至子資料，且可利用變分推斷(Variational Inference)及證據下界(Evidence Lower Bound，ELBO)計算，接著，在應用重參數化(reparameterization)技巧後，可利用蒙地卡羅(Monte Carlo)估計期望。

在一實施例，因果貝葉斯優化僅針對直接相關於功耗的因果變量(例如因果圖CG1中直接指向/影響(可作為功耗的)因果變量CV1的因果變量CV2~CVx)來進行優化。換言之，因果貝葉斯優化的因果本徵維度(causal intrinsic dimensionality)是由作為因果變量CV1的因的因果變量CV2~CVx的個數來決定，而不是作為因果變量CV2~CVx的因的因果變量的個數。

在一實施例，因果變量(例如因果變量CV2~CVx或cv_(i-1)、cv_i、cv_(j-1)、cv_j)是人工定義(例如由領域專家(domain expert)定義)，例如由領域專家(非自動而逐一地)定義或利用由領域專家描述規則的一程式去自動定義因果變量。在一實施例，子資料(第7圖的框線區域對應的子資料w_(i-1)、w_i、w_(j-1)、w_j)是根據領域專家對於特定的因果變量的定義而決定的。

因果貝葉斯優化將(例如因果變量CV1)及輸入的因果變量(例如因果變量CV2~CVx)視為不變的自變量(invariant independent variables)，沒有考慮輸出的因果變量及輸入的因果變量是否存在時間演化而可隨時間改變，打破因果變量之間存在的時間依賴結構。雖然忽略時間可顯著簡化問題，但忽略時間會阻礙在每個時間點去識別最佳干預，而(在非穩態場景(non-stationary scenario))導致次優解，而不是在任意時間瞬間提供當下的最優解。因此，本發明可擴展到動態因果貝葉斯優化，而有利於因果圖中的因果效應隨時間而變化的場景。

例如，第9圖為貝葉斯優化、因果貝葉斯優化或動態因果貝葉斯優化的示意圖，X₁~X₃分別代表在3個不同時間點的因果變量，Y₁~Y₃分別代表在3個不同時間點的因果變量，Z₁~Z₃分別代表在3個不同時間點的因果變量，但本發明不限於此而可擴展至多個不同的時間點。動態因果貝葉斯優化結合貝葉斯優化及因果貝葉斯優化，可以解釋因果變量之間的因果關係且因果關係可隨時間演進。例如，在動態因果貝葉斯優化，如第9圖所示，在第1時間點的因果變量Y₁是在第1時間點的因果變量Z₁的函數，因此可僅針對直接相關於因果變量Y₁的因果變量Z₁來搜索(可表示功耗的)因果變量Y₁的最小值，且因果本徵維度為1。類似地，在第2時間點的因果變量Y₂是在第2時間點的因果變量Z₂與在第1時間點的因果變量Y₁的函數，因此可僅針對直接相關於因果變量Y₂的因果變量Z₂、Y₁來搜索(可表示功耗的)因果變量Y₂的最小值，且因果本徵維度為2。類似地，在第3時間點的因果變量Y₃是在第3時間點的因果變量Z₃與在第2時間點的因果變量Y₂的函數，因此可僅針對直接相關於因果變量Y₃的因果變量Z₃、Y₂來搜索(可表示功耗的)因果變量Y₃的最小值，且因果本徵維度為2。換言之，某一時間點作為因變量的因果變量是在前一個時間點或前幾個時間點(作為因變量或自變量的)因果變量的函數，因此可僅針對直接相關的後者(即在前一個時間點或前幾個時間點作為因變量或自變量的因果變量)來搜索前者(即某一時間點作為因變量的因果變量)的最小值。

在一實施例，通訊系統10可用於下鏈路(downlink)。例如，通訊裝置140可為無線電單元(Radio Unit，RU)，通訊裝置120可為用戶終端設備(customer-premises equipment，CPE)，通訊裝置160可為分布單元(Distributed Unit，DU)，但本發明不限於此。

或者，通訊裝置140可為基地台(base station)，例如節點(node B)、演進節點(evolved-node B，eNB)、下一代節點(next generation-node B，gNB)、扇區(sector)、基地台收發系統(base transceiver system，BTS)、存取點(Access Point，AP)、中繼節點(relay node)、遠程無線電頭端(remote radio head，RRH)、小型基地台(small cell)、基地台控制器(base station controller，BSC)或其他與用戶端或另一個基地台交換資料和控制訊息的固定站。通訊裝置120可為用戶端，例如用戶裝置(User Equipment，UE)、終端裝置(Terminal Equipment)、行動基地台(Mobile Station，MS)或其他固定的或移動的裝置。換言之，傳輸功率控制命令Stpc可由基地台發送至用戶裝置，以控制用戶裝置的功率，屬於前向鏈路(forward link)。

在一實施例，通訊系統10可用於上鏈路(uplink)。通訊裝置140可為用戶終端設備而通訊裝置120可為無線電單元，但本發明不限於此。通訊裝置140可為用戶端，通訊裝置120可為基地台。通訊裝置160可被移除/省略。換言之，傳輸功率控制命令Stpc可由用戶裝置發送至基地台，以控制基地台的功率，屬於反向鏈路(reverse link)。

第10圖為本發明實施例一通訊方法100的示意圖。通訊方法100可用於通訊裝置140或160。通訊方法100可被編譯成一程式碼而由一處理電路執行，並儲存於一儲存電路中。通訊方法100可包含有以下步驟：

步驟S1000：開始。

步驟S1002：將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一傳輸功率控制值，其中，該至少一資料是從至少來自通訊裝置120的至少一訊號(例如訊號Srs或功率餘量報告但不限於此)擷取出。

步驟S1004：輸出該傳輸功率控制值，其中，該傳輸功率控制值用以指示通訊裝置120如何設定該第二通訊裝置的一發射功率。

步驟S1006：結束。

在一實施例，儲存電路可用來儲存影像資料或指令。儲存電路可為用戶識別模組(Subscriber Identity Module，SIM)、唯讀式記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)或隨機存取記憶體(Random-Access Memory，RAM)、光碟唯讀記憶體(CD-ROM/DVD-ROM/BD-ROM)、硬碟(Hard disk)、光學資料儲存裝置(Optical data storage device)、非揮發性儲存裝置(Non-volatile storage device)、非暫態電腦可讀取介質(Non-transitory computer-readable medium)，而不限於此。

在一實施例，處理電路可用來執行指令，其可為中央處理器、微處理器(microprocessor)或特定應用積體電路(Application-Specific Integrated Circuit，ASIC)，而不限於此。

綜上所述，本發明可利用貝葉斯優化來選擇自變量(例如傳輸功率控制命令的傳輸功率控制值及/或訊號對干擾加雜訊比目標值)的最佳值，以實現最小功耗並可在任何時間處理快速移動的通訊裝置(以確保服務品質(Quality of Service，QoS))。

以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。

100:通訊方法

S1000~S1006:步驟

Claims

一種功率控制方法，用於一第一通訊裝置，包含有：將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一閉迴路功率控制的一傳輸功率控制值，其中，該至少一資料是從至少來自一第二通訊裝置的至少一訊號擷取出，該第一通訊裝置為一分布單元及一用戶端中的一者，該第二通訊裝置為該用戶端或該分布單元中的另一者；以及輸出該傳輸功率控制值，其中，該第二通訊裝置將該第二通訊裝置的一發射功率設定成該傳輸功率控制值。
如請求項1所述之功率控制方法，另包含有：輸出一訊號對干擾加雜訊比目標值，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以一併決定該傳輸功率控制值及該訊號對干擾加雜訊比目標值。
如請求項1所述之功率控制方法，其中，增加基於固定吞吐量的一約束至該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化。
如請求項1所述之功率控制方法，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以一併決定複數個自變量最佳值，該複數個自變量最佳值包含有該傳輸功率控制值、該訊號對干擾加雜訊比目標值及至少一第一自變量最佳值。
如請求項1所述之功率控制方法，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以在複數個自變量一併搜索出複數個自變量最佳值，該複數個自變量最佳值包含有該傳輸功率控制值，該第二通訊裝置的一功耗與該至少一自變量之間的一因果圖的一因果結構與該因果圖的複數個因果變量是一起決定的。
如請求項5所述之功率控制方法，其中，該因果圖是基於最大後驗及點估計來產生。
如請求項5所述之功率控制方法，其中，利用複數個觀察函數將一基礎資料中的複數個子資料映射到該因果圖的該複數個因果變量，來基於最大後驗及點估計從該基礎資料產生該因果圖。
如請求項7所述之功率控制方法，其中，該複數個觀察函數是基於一因果語意生成模型來得到。
如請求項1所述之功率控制方法，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以在至少一自變量搜索出至少一自變量最佳值，該至少一自變量最佳值包含有該傳輸功率控制值，對應該第二通訊裝置在一第二時間的一第二功耗是在該第二時間的該至少一自變量、在一第一時間的該至少一自變量、或對應該第二通訊裝置在一第一時間的一第一功耗的函數。
一種通訊裝置，包含有：一儲存電路，用來儲存一指令，該指令包含有：將貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化應用到至少一資料以決定一閉迴路功率控制的一傳輸功率控制值，其中，該至少一資料是從至少來自一第二通訊裝置的至少一訊號擷取出，該通訊裝置為一分布單元及一用戶端中的一者，該第二通訊裝置為該用戶端或該分布單元中的另一者；以及輸出該傳輸功率控制值，其中，該第二通訊裝置將該第二通訊裝置的一發射功率設定成該傳輸功率控制值；以及一處理電路，耦接至該儲存電路，用來執行儲存於該儲存電路的該指令。
如請求項10所述之通訊裝置，該指令另包含有：輸出一訊號對干擾加雜訊比目標值，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以一併決定該傳輸功率控制值及該訊號對干擾加雜訊比目標值。
如請求項10所述之通訊裝置，其中，增加基於固定吞吐量的一約束至該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化。
如請求項10所述之通訊裝置，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以一併決定複數個自變量最佳值，該複數個自變量最佳值包含有該傳輸功率控制值、該訊號對干擾加雜訊比目標值及至少一第一自變量最佳值。
如請求項10所述之通訊裝置，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以在複數個自變量一併搜索出複數個自變量最佳值，該複數個自變量最佳值包含有該傳輸功率控制值，該第二通訊裝置的一功耗與該至少一自變量之間的一因果圖的一因果結構與該因果圖的複數個因果變量是一起決定的。
如請求項14所述之通訊裝置，其中，該因果圖是基於最大後驗及點估計來產生。
如請求項14所述之通訊裝置，其中，利用複數個觀察函數將一基礎資料中的複數個子資料映射到該因果圖的該複數個因果變量，來基於最大後驗及點估計從該基礎資料產生該因果圖。
如請求項16所述之通訊裝置，其中，該複數個觀察函數是基於一因果語意生成模型來得到。
如請求項10所述之通訊裝置，其中，該貝葉斯優化、該因果貝葉斯優化、或該動態因果貝葉斯優化應用至該至少一資料以在至少一自變量搜索出至少一自變量最佳值，該至少一自變量最佳值包含有該傳輸功率控制值，對應該第二通訊裝置在一第二時間的一第二功耗是在該第二時間的該至少一自變量、在一第一時間的該至少一自變量、或對應該第二通訊裝置在一第一時間的一第一功耗的函數。