[go: up one dir, main page]

TWI869477B - 機器學習輔助用例分類和自適應天線調諧 - Google Patents

機器學習輔助用例分類和自適應天線調諧 Download PDF

Info

Publication number
TWI869477B
TWI869477B TW109137874A TW109137874A TWI869477B TW I869477 B TWI869477 B TW I869477B TW 109137874 A TW109137874 A TW 109137874A TW 109137874 A TW109137874 A TW 109137874A TW I869477 B TWI869477 B TW I869477B
Authority
TW
Taiwan
Prior art keywords
electronic device
use case
data transmission
transmission system
wireless data
Prior art date
Application number
TW109137874A
Other languages
English (en)
Other versions
TW202131238A (zh
Inventor
大衛樓維斯 溫斯婁
迪亞哥 卡爾佐拉里
佩曼 西沙米
Original Assignee
美商高通公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商高通公司 filed Critical 美商高通公司
Publication of TW202131238A publication Critical patent/TW202131238A/zh
Application granted granted Critical
Publication of TWI869477B publication Critical patent/TWI869477B/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B1/0458—Arrangements for matching and coupling between power amplifier and antenna or between amplifying stages
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/15—Performance testing
    • H04B17/16—Test equipment located at the transmitter
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
    • H04B17/103—Reflected power, e.g. return loss

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Transmitters (AREA)
  • Transceivers (AREA)
  • Telephone Function (AREA)

Abstract

本案的某些態樣提供了在電子設備中適應性調諧無線資料傳輸系統的技術，包括：在電子設備中產生無線資料傳輸系統的元件的複數個測量；基於用例決定模型和多個測量來決定電子設備的用例；決定與所決定的用例相關聯的一或多個天線設置；基於一或多個天線設置來調諧無線資料傳輸系統；及使用一或多個天線設置經由無線資料傳輸系統來發送資料。

Description

機器學習輔助用例分類和自適應天線調諧
本專利申請案請求享受在2019年11月1日提出申請的名稱為「MACHINE LEARNING-ASSISTED USE CASE CLASSIFICATION AND ADAPTIVE ANTENNA TUNING」的非臨時申請第16/671,721號的優先權，該臨時申請被轉讓給本案的受讓人，故明確地以引用方式併入本案。
本案的各態樣係關於機器學習輔助用例分類和自適應天線調諧。
諸如智慧手機之類的無線設備可能具有用於傳送無線資料的多個天線。使用此類設備的方式（例如，如何握住智慧手機）會影響天線的效能，從而影響資料無線傳輸的效能。例如，效能降級可能導致無線資料傳輸緩慢、電池使用增加以及無線網路干擾增加。
因此，需要的是基於無線電子設備的使用方式來適應行動設備的無線傳輸系統的用法的系統和方法。
某些態樣提供了一種產生針對電子設備的電子設備用例決定模型的方法，包括：產生對在第一類型的電子設備中的無線資料傳輸系統的複數個測試測量，其中該複數個測試測量之每一者測試測量與第一類型的電子設備的預先定義的用例相關聯；及基於複數個測試測量來訓練機器學習模型，以基於第一類型的電子設備的複數個運算值來決定第一類型的電子設備的用例。
另外的態樣提供一種訓練系統，包括：包括電腦可執行指令的記憶體；處理器，其被配置為執行電腦可執行指令並使訓練系統進行以下操作：產生對在第一類型的電子設備中的無線資料傳輸系統的複數個測試測量，其中複數個測試測量之每一者測試測量與第一類型的電子設備的預先定義的用例相關聯；及基於複數個測試測量來訓練機器學習模型，以基於第一類型的電子設備的複數個運算值來決定第一類型的電子設備的用例。
另外的態樣提供一種用於自適應地調諧電子設備中的無線資料傳輸系統的方法，包括：產生對在電子設備中的無線資料傳輸系統的元件的複數個測量；基於用例決定模型和複數個測量來產生決定的針對電子設備的用例；決定與所決定的用例相關聯的一或多個天線設置；基於一或多個天線設置來調諧無線資料傳輸系統；及使用一或多個天線設置經由無線資料傳輸系統來傳輸資料。
另外的態樣提供一種電子設備，包括：無線資料傳輸系統；包括電腦可執行指令的記憶體；處理器，其被配置為執行該電腦可執行指令並使該電子設備進行以下操作：產生對在電子設備中的無線資料傳輸系統的元件的複數個測量；基於用例決定模型和複數個測量來產生決定的針對電子設備的用例；決定與所決定的用例相關聯的一或多個天線設置；基於一或多個天線設置來調諧無線資料傳輸系統；及使用一或多個天線設置經由無線資料傳輸系統來發送資料。
以下描述和相關附圖詳細闡述了一或多個態樣的某些說明性特徵。
本案的各態樣提供了用於機器學習輔助用例分類和自適應天線調諧的裝置、方法、處理系統和電腦可讀取媒體。
隨著無線電子設備變得越來越小但功能越來越強大，至少部分由於在此類設備的緊湊且複雜的內部範圍內設計有效天線的複雜性，設計無線資料傳輸系統的挑戰變得更加複雜。實際上，因為現代無線電子設備同時在多個無線頻率上操作以進行發射和接收，因此在單個設備中經常需要不同設計的多個天線。
功能設計和封裝挑戰只是為無線電子設備建立有效的無線資料傳輸系統的整體挑戰的一個態樣。這種設備的不同使用模式或「用例」帶來了另一挑戰，因為不同的用例對無線資料傳輸系統的效能產生不同的影響。
例如，用左手或右手或雙手持有無線電子設備（例如智慧手機或平板電腦）可能會改變無線資料傳輸效能，因為不同的手放置位置會以不同方式影響不同的天線。因此，用例，例如：左手使用，右手使用，在表面上放置（例如，用戶的大腿），在界限內放置（例如，在口袋、汽車或飛機上），插入時使用（通常經由USB或類似電纜），等等大體都會對無線資料傳輸效能產生不同的影響。注意，這些僅是一些示例性用例，並且大體用於無線電子設備的用例可以是使用該設備的任何可辨識的方式。
可以以各種方式減輕和恢復由無線電子設備不同用例引起的效能下降。
例如，可以動態地執行阻抗匹配和調諧以改善電子設備中天線的效能。大體上，阻抗與通過系統的能量流相反。恆定的電子信號可以具有恆定的阻抗，而變化的電子信號可以具有隨頻率變化而變化的阻抗。阻抗大體具有複值，該複值包括電阻分量和電抗分量，該電阻分量構成該複值的「實」部，該電抗分量構成該複值的「虛」部。
天線阻抗與天線輸入端的電壓和電流有關。天線阻抗的「實」部表示在天線內輻射或吸收的功率，而阻抗的「虛」部表示儲存在天線近場中的功率，即非輻射功率。當針對天線來最佳化系統的阻抗時，天線大體更高效，因此也更有效。
阻抗匹配是指設計電負載的輸入阻抗或其對應信號源的輸出阻抗，以最大化功率傳輸並最小化來自負載的信號反射。因為阻抗隨可變頻率信號而變化，但是，可以使用動態阻抗調諧來對天線進行調諧以匹配射頻前端（RFFE），使得最大化從RF前端到天線的功率傳輸。
阻抗調諧可以在「開環」配置中執行，其中使用預定參數（例如，用於預定用例）來將天線調諧到系統；或者在「閉環」配置中執行，其中動態調整參數以將天線調諧至系統。在兩種情況下，可以將預定或動態決定的參數與用例匹配，以便在根據該用例來使用無線電子設備的同時改善天線效能（例如，總輻射功率和回波損耗）。
孔徑調諧是恢復由無線電子設備的不同用例引起的效能的另一種方式。大體上，天線孔徑調諧是修改天線的共振頻率以匹配特定應用或頻率的程序。經由針對特定應用或頻率調諧天線的共振頻率，可以針對該特定應用或在該特定頻率上提高天線的效率。因此，孔徑調諧可以允許將同一天線用於多個頻率下的多個應用。
執行天線的孔徑調諧的一種方式是修改天線的電長度以調整其共振頻率。在一些態樣中，使用開關，經由將天線連接到不同長度的接地路徑，來調整天線的共振頻率。電容器或電感器還可用於進一步調整共振頻率，以支援不同的頻帶。它們可以連接在開關和輻射元件之間。
有益的是，孔徑調諧可能比阻抗調諧損失更少，並且甚至比阻抗調諧更能夠改善天線效率。但是，這兩種方法並不互斥，並且兩種方式的組合可能會比單獨使用任一種方式產生更好的結果。
孔徑調諧大體可以改善天線的效能，例如其操作頻帶，回波損耗，頻寬，增益和效率。在諸如智慧手機、平板電腦、智慧穿戴設備等的現代行動設備中，孔徑調諧可以有效地提高設備在不同時間在多個頻帶中進行操作的能力，這稱為頻帶選擇調諧。
在一些態樣中，可以使用在天線饋線和天線之間並聯（例如，分路型開關）或串聯的一或多個開關來執行孔徑調諧。每個開關選擇性地將天線連接到不同電長度的接地路徑，從而移動天線的共振，並由此改變天線的效能，而無需對天線進行任何結構改變。
自適應孔徑調諧器可以使用各種測量來決定天線的最佳孔徑設置。例如，回饋接收測量可以用於決定無線電子設備的當前用例。
習知可以在多個不同的用例中對無線電子設備進行測試，以產生用於查找表（或類似表）的用例表徵資料，該查找表隨後可用於在使用設備時決定用例。
例如，圖1A圖示了三種不同用例（自由空間、右手和左手）的測試結果以及測試結果集合之每一者結果的計算平均值。基於測試結果，平均點可以稱為用例的特性點或代表點。在該示例中，測試結果針對給定頻率測量實阻抗和虛阻抗，並且可以基於無線電子設備的能力在許多不同的頻率上執行測試。基於這些測量結果，可以決定簡單的用例決策邊界，如圖1B所示（如弧線所示）。
進一步如圖1B所示，可以繪製「即時」測量102，並將其與不同用例的代表點及/或用例決策邊界進行比較，以決定當前是如何使用無線電子設備的（例如，無線電子設備的當前用例）。
不幸的是，在測量和用例之間的初始模型化（如圖1A所示）是費時的、高成本的，並且大體是代表性不足的，因為測試由進入量產的任意給定設備可能使用的大量不同方式（例如，關於各種用例）是不切實際的。例如，可以在幾個不同的位置測試設備以決定幾個不同的用例，但是該測試很少能真正代表各種使用者處理設備的多種不同方式。例如，如圖1B所示，對於三個示例性用例之每一者用例，決策邊界覆蓋代表點周圍的廣闊區域，並且那些較大的區域可能過度代表了特定用例。
進一步如圖1B所示，在許多區域中，用例決策邊界相重疊，使得點可能落在多個用例的範圍之內，這導致用例決定中的附加不決定性。因此，如本示例中那樣，使用簡單的、重疊的決策邊界和代表點可能需要無線電子設備進行附加的處理，這會減慢操作並使用更多電力。
更一般而言，習知測試的局限性導致有限的用例測試資料和模型，該資料和模型具有有限的能力來基於即時資料測量而可靠地決定當前如何使用設備（例如，相對於用例的定義集合）的情況。注意，用例決定錯誤或預測錯誤會導致應用錯誤的天線調諧器設置，並導致設備的無線資料傳輸效能欠佳。
為了改進一般測試和用例決定，本文所述的系統和方法實現經訓練的機器學習模型，以基於測量資料來決定與如何使用設備相關聯的用例。可以基於測試測量資料以及合成資料來訓練機器學習模型（例如，神經網路模型），以減少資料收集和測試需求，從而簡化用例決定。通常，用例決定可以基於模型的連續數值輸出或基於模型的類別型或離散輸出（例如分類）。在一些態樣中，用例決定可以被稱為用例預測。
此外，本文所述的經訓練的機器學習模型可以實現過濾器或兩階段分類器，以決定是否有必要在任何給定的時間點進行新的用例決定，這在不需要新決定的許多情況下節省了處理能力。
此外，本文所述的經訓練的機器學習模型可以被配置為自動忽略不可區分的用例，這避免了基於習知的涵蓋過廣的決策邊界的錯誤用例決定，例如關於圖1B所討論的。最後，本文所述的機器學習模型可以按頻率及/或孔徑調諧器狀態進行劃分，以減小其維度，從而進一步降低處理能力要求。 用於執行自適應天線調諧的示例性系統
圖2圖示了用於在無線電子設備中執行自適應天線調諧的示例性系統200。
系統200包括數據機210，在此態樣中，數據機210包括測量元件212、用例決定模型214、自適應天線調諧元件216和用例設置資料庫218。
測量元件212可以被配置為從無線電子設備的其它態樣接收測量資料，例如阻抗和頻率測量。例如，在一個態樣中，測量元件212可以從射頻前端230接收測量。
另外或替代地，測量元件212可以從無線收發機220接收測量資料。例如，在一些態樣中，無線收發機220可以包括回饋接收器（FBRx），該RBRx是用於比較沿著傳輸鏈在不同點的發射信號的測量的電路。在這種態樣中，可以決定電壓駐波比（VSWR），其提供對發射信號的複阻抗的測量。然後，數據機210的一態樣（例如，自適應天線調諧216）可以採用複阻抗並將其轉換為天線處的阻抗。如前述，該天線阻抗可用於決定天線如何受到不同設備用例的影響。該程序類似於使用網路分析儀來測量天線的阻抗及/或回波損耗。
用例決定模型214可以被配置為經由測量元件212接收測量並決定無線電子設備的用例。下面參考圖4更詳細地描述用例決定模型214的示例。
自適應天線調諧元件216可以從用例決定模型214接收無線電子設備的所決定用例，並從用例設置資料庫218中取回相關聯的用例設置，以便決定一或多個天線調諧參數，例如孔徑及/或阻抗調諧參數。自適應天線調諧元件216還被配置為向射頻前端230中的阻抗調諧器232和孔徑調諧器234提供調諧參數，以便改善天線250的效能。
為了發送和接收資料，數據機210連接到無線收發機220，該無線收發機220又連接到射頻前端（RFFE）230，該RFFE 2330連接到天線250（其可以表示多個天線）。注意，數據機210可以包括為簡單起見而在該示例中未示出的許多其它態樣，例如：處理核心、唯讀記憶體（ROM）、隨機存取記憶體（RAM）、安全元件、周邊元件、快取記憶體等。
在這個態樣中，射頻前端230包括阻抗調諧器232和孔徑調諧器234，其被配置為分別執行阻抗調諧和孔徑調諧。注意，射頻前端230可以包括為簡單起見在該示例中未示出的許多其它態樣，例如：功率放大器、功率追蹤器、雙工器、六工器、開關、低雜訊放大器、濾波器、天線開關和提取器，等等。
射頻前端230還連接到天線250。注意，在該示例中，為簡單起見圖示了單個天線250，但是射頻前端230可以連接到複數個天線。此外，該示例圖示了單個射頻前端，但是其它態樣可以包括多個射頻前端，例如用於不同的無線存取技術。
在無線電子設備中，實現使用基於機器學習的用例決定模型來執行自適應天線調諧的系統（例如系統200），可以顯著提高電子設備的無線資料傳輸系統的效能。例如，可以實現天線效率提高3-5 dB，並減少能量使用，延長電池壽命，並減少網路干擾。這種改進雖然整體上是有益的，但是可能與某些場景特別相關，例如室內及/或細胞邊緣處的使用，或者當以覆蓋多個天線的方式握持無線電子設備時。
注意，為了簡單起見，圖2僅圖示了無線電子設備的所選態樣，並且許多其它態樣也是可能的，例如其它處理器、記憶體、感測器、輸入和輸出設備、周邊系統等。 針對用例決定模型產生訓練資料的示例性方法
圖3圖示了產生訓練資料以訓練被配置為決定如何使用電子設備的用例決定模型的各態樣。
特別地，圖3圖示了收集與不同用例相關聯的測試資料的示例300，在該示例中，該測試資料包括：自由空間，右手使用和左手使用。在該示例中，如圖1A的示例所示，測試資料測量包括針對各種頻率的虛阻抗和實阻抗。例如，可以相對於無線電子設備的天線進行測量。
在一些態樣中，例如在圖3中所圖示的（與圖1A不同），基於測試資料點的統計採樣來產生附加的合成資料點。例如，可以在各態樣中使用合成少數過採樣技術（SMOTE）和核心密度估計（KDE）。然而，可以使用任何統計方法用於對分佈進行過採樣。合成的資料點經由增加可用於模型訓練的經標記資料點的數量來提高訓練機器學習模型的能力。
在一些態樣中，除了與用例相關聯的合成資料點之外，還可以產生不與用例相關聯的其它合成資料點。此類資料點（可以稱為合成背景資料點）可以在訓練用例決定模型期間提高用例決策邊界的穩健性。例如，可以放置這些資料點，使得它們維持與任何其它測試資料點（包括其它合成背景資料點）的最小距離，使得剩餘的測試區域以此類點填充。
測試資料點以及在該態樣中合成的測試資料點用作模型訓練302的經標記測試資料。在該示例中，模型訓練302可以包括監督式機器學習訓練技術，以訓練基於機器學習的用例決定模型304。在一些態樣中，用例決定模型304是神經網路模型。例如，用例決定模型304可以是如圖2所示的用例決定模型214的示例。
在一些態樣中，可經由基於特定狀態（例如，孔徑調諧器或阻抗調諧器狀態）以及基於不同頻率來將訓練分為訓練批次，從而降低模型訓練步驟302的複雜性。這種分批訓練可以將模型的訓練時間減少到數分鐘，而不是數小時或數天。
在訓練之後，用例決定模型304被配置為基於即時資料來決定用例，該等即時資料例如在圖2中的測量元件212處接收到的測量資料。
在一個態樣中，用例決定模型304可以被配置為決定每個用例的用例決策邊界，例如用例決策邊界306A-C。在一些態樣中，可以經由跨寬範圍的值模擬針對阻抗的實部和虛部（在該示例中）的測量，以及決定其中每個用例的概率高於閾值（例如，高於95％的概率）的邊界點，來決定決策邊界306A-C。然而，閾值對於不同場景是可調的。
圖3中的決策邊界306A-C可以稱作封閉的且複雜的決策邊界，因為邊界包圍測量值的特定區域並且因為邊界不一定是距單個「代表點」的固定距離，例如圖1B的示例中所圖示的。而是，基於用例決定模型的訓練，每個決策邊界都是複雜的。
可以經由更改基於神經網路的用例決定模型中的節點數量來操縱決策邊界的複雜性或「緊密性」。例如，大致增加節點的數量將趨向於形成更緊密和更複雜的決策邊界，而減少節點的數量將形成較鬆散或更簡單的決策邊界。
可以繪製諸如點308A和308B的即時資料，並將其與諸如306A-C的決策邊界進行比較，以便決定無線電子設備如何被使用（例如，參考由決策邊界所定義的用例）。
例如，由於即時資料點308A落在決策邊界306A內，因此可以為無線電子設備決定「自由空間」用例。相比之下，由於即時資料點308B落在所有特性化的決策邊界306A-C之外，因此無法可靠地決定當前用例。在此類情況下，因為沒有可靠的對替代用例的決定，所以可以維持無線電子設備的現有用例並忽略即時資料。注意，這與圖1B中圖示的簡單決策邊界相反，圖1B中基於定義欠佳的用例決策邊界將更頻繁地決定新用例。
在另一示例中，用例決定模型可以輸出與每個用例相對應的概率，並選擇超過概率閾值的最高概率。在此類示例中，截止閾值可以被認為是用於測試資料點的過濾器，該測試資料點肯定不是任何特性化的用例。
示例性用例決定模型架構
圖4圖示了用例決定模型400架構的示例。用例決定模型400可以是圖2中的用例決定模型214或圖3中的304的示例。
用例決定模型400包括兩個分類器404和408，它們可以被稱為第一級或第一階以及第二級或第二階分類器。特別地，第一級分類器404可以是經訓練的機器學習模型，例如神經網路模型，其採用以下各項中的一項或多項作為輸入：實阻抗測量、虛阻抗測量、頻率、孔徑調諧器狀態和阻抗調諧器狀態。注意，在其它態樣中，第一級分類器可以將圖4中所圖示的那些項的子集作為輸入，或圖4中未示出的附加輸入，這只是一個可能的態樣。
基於輸入402，第一級分類器404可以輸出複數個決定406中的一個。例如，第一級分類器404可以決定無線電子設備應該保持其當前用例，這意味著孔徑調諧器設置和阻抗調諧器設置可以保持其當前狀態，並且可以繞過第二級分類器。
例如，在一個態樣中，第一級分類器404比較先前的資料點和當前的資料點，並決定差異。如果該差異小於差異閾值，則無線電子設備保持其當前用例。在另一方面，如果差異大於差異閾值，則第一級分類器404可以決定無線電子設備處於「過渡」。一旦差異回到差異閾值以下（即，在決定無線電子設備正處於過渡之後），則第二級分類器408可以用於決定無線電子設備的新用例。
因此，第一級分類器404充當第二級分類器408的旁路濾波器。繞過第二級分類器節省了處理資源。測試表明，在一些情況下，只有1.4％的資料點需要二級分類。
作為另一示例，第一級分類器404可以決定無線電子設備處於過渡狀態，因此它不應改變其天線調諧。例如，圖3中的資料點308B可以表示在由決策邊界306A指示的自由空間用例和由決策邊界306C指示的左手用例之間的過渡狀態。
作為另一示例，第一級分類器404可以決定無線電子設備的用例已經改變，因此第二級分類器408應該用於決定新的用例。在這種情況下，第二級分類器可以採用相同的輸入——輸入402（或其一些子集），並決定無線電子設備的新用例410。新用例可以由諸如圖2中的元件216之類的自適應天線調諧元件使用，以便改變一或多個天線的調諧來改善電子設備的無線資料傳輸系統的整體效能。
注意，圖4僅是用例決定模型配置的一個示例，並且可以使用其它模型類型和配置。例如，在替代態樣中，可以使用單級分類器來直接決定用例，而無需過濾階段。此外，可以使用不同的輸入或輸入的混合，並且第一級分類器的不同輸出是可能的。
可以針對無線電子設備的不同類型（例如，不同模型或配置）來訓練如圖4的用例決定模型。在一些態樣中，可以將基礎用例決定模型載入到無線電子設備中，然後可以經由例如設定檔將用於特定無線電子設備的特定參數載入到無線電子設備上。例如，設定檔可以包括用於一或多個分類器（例如，圖4的第一級分類器404和第二級分類器408）的參數的一或多個矩陣。
部署基於機器學習的用例決定模型可以顯著改善正確的用例辨識。例如，測試已顯示本文所述的系統和方法的用例決定準確性為95％，而習知系統和方法為67％。 示例性用例決定和自適應天線調諧流程
圖5圖示了用於執行用例決定和自適應天線調諧的示例性流程圖500。
流程500開始於502，其中射頻前端（例如，圖2中的230）可以進行與無線電子設備中的一或多個天線的效能有關的測量，並將它們轉發給測量元件，例如圖2中的測量元件212。在一些態樣中，測量可以與以下各項中的一項或多項有關：虛阻抗、實阻抗、及/或傳輸鏈中的元件（例如天線）的頻率。
在其它態樣中，測量可以由收發機的元件執行，例如以上關於圖2中的回饋接收器222所討論的。
然後，測量元件212在步驟504處將測量轉發給用例決定模型，例如圖2中的用例決定模型214或圖4中的400。
用例決定模型214然後在步驟506處將測量用作輸入並決定無線電子設備的用例。注意，如圖4所示，用例決定模型214的決定可以是不改變無線電子設備的用例。在這種情況下，決定出的用例可以是當前用例。
當用例決定模型214在步驟506處決定新用例時，即與無線電子設備的當前用例不同的新用例，在步驟508處將決定出的用例轉發給自適應天線調諧器，例如圖2中的自適應天線調諧元件216。
然後，在步驟510處，自適應天線調諧元件216基於所決定的用例來從用例設置資料庫（例如，查找表或關聯式資料庫）請求特定於用例的天線調諧設置。用例設置資料庫218在步驟512處返回特定於用例的天線設置。特定於用例的天線設置可以包括例如阻抗調諧器設置及/或孔徑調諧器設置，例如用於圖2的阻抗調諧器232和孔徑調諧器234。
然後，在步驟514處，自適應天線調諧元件216將特定於用例的天線設置轉發到射頻前端230以用於實施。
射頻前端230然後在步驟516處實現特定於用例的天線設置並使用特定於用例的天線設置來發送資料。在一些態樣中，實現特定於用例的天線設置可以涉及阻抗及/或孔徑調諧多個天線。
注意，圖5僅是流程的一個示例，並且不同的流程是可能的。例如，在其它態樣中，可以經由將各種資料放在共享資料匯流排上而不是將其從無線電子設備的一個元件直接發送給無線電子設備的另一元件，來執行流程500的各態樣。 產生用例決定模型的示例性方法
圖6圖示了產生無線電子設備用例決定模型並將其部署到無線電子設備的示例性方法600。
方法600開始於步驟602，其產生對在第一類型的電子設備中的無線資料傳輸系統的複數個測試測量。在一些態樣中，複數個測試測量之每一者測試測量與第一類型的電子設備的預先定義的用例相關聯。
在一些態樣中，複數個測試測量包括以下各項中的一項或多項：無線資料傳輸系統的元件的實阻抗；無線資料傳輸系統的元件的虛阻抗；無線資料傳輸系統的頻率；阻抗調諧器狀態；及/或孔徑調諧器狀態。在一些態樣中，元件是無線資料傳輸系統的天線。
然後，方法600進行到步驟604，此處基於複數個測試測量來訓練機器學習模型，以基於第一類型的電子設備的複數個即時或運算數據值來決定第一類型的電子設備的用例。例如，運算數據值可以是與電子設備的無線資料傳輸系統相關聯的即時測量。此外，電子設備的類型可以是例如電子設備的特定型號，或者共享相同或相似的無線資料傳輸系統或其元件的電子設備的特定系列。
在一些態樣中，機器學習模型是神經網路模型。
在一些態樣中，訓練機器學習模型還包括訓練機器學習模型的第一分類器以決定第一類型的電子設備是否不再處於第一用例中，以及訓練機器學習模型的第二分類器以決定第一類型的電子設備的第二用例，例如以上參考圖4所描述的。
然後，方法600進行到步驟606，其中將機器學習模型部署到第一類型的電子設備。部署機器學習模型的電子設備可以是對其進行測試測量的同一設備，同一特定模型的不同設備，或共享到針對其進行測試測量的設備的相同或相似無線資料傳輸系統（或其元件）的同一特定系列的電子設備的不同設備。
在一些態樣中，方法600還包括基於複數個測試測量來產生複數個合成測量，並且基於複數個合成測量來訓練機器學習模型。
在一些態樣中，方法600還包括基於經訓練的機器學習模型來決定複數個封閉的決策邊界，其中複數個決策邊界之每一者決策邊界與第一類型的電子設備的預先定義的用例相關聯，例如以上關於圖3所描述的。 執行自適應天線調諧的示例性方法
圖7圖示了基於用例決定模型來執行自適應天線調諧的示例性方法700。
方法700開始於步驟702，其中產生電子設備中的無線資料傳輸系統的元件的複數個測量。
在一些態樣中，複數個測量包括以下各項中的一項或多項：無線資料傳輸系統的元件的實阻抗、無線資料傳輸系統的元件的虛阻抗、無線資料傳輸系統的頻率、阻抗調諧器狀態以及孔徑調諧器狀態。
然後，方法700進行到步驟704，其中基於用例決定模型並基於複數個測量來決定電子設備的用例。
在一些態樣中，用例決定模型是神經網路模型。在一些態樣中，用例決定模型包括：第一分類器，其被配置為決定電子設備是否不再處於第一用例中；及第二分類器，其被配置為決定電子設備的第二用例，例如以上關於圖4所描述的。在一些態樣中，用例決定模型儲存於電子設備的數據機的記憶體中。
在一些態樣中，決定電子設備的用例包括將測量與複數個封閉的決策邊界進行比較，其中複數個決策邊界之每一者決策邊界與電子設備的預先定義的用例相關聯，例如以上關於圖3所描述的。
然後，方法700進行到步驟706，決定與決定出的用例相關聯的一或多個天線設置。
在一些態樣中，與決定出的用例相關聯的一或多個天線設置包括以下各項中的一項或多項：阻抗調諧器設置；或孔徑調諧器設置。
在一些態樣中，決定與決定出的用例相關聯的一或多個天線設置包括：查詢用例設置資料庫；及從用例設置資料庫中接收與決定出的用例相關聯的一或多個天線設置，例如以上關於圖5所描述的。
然後，方法700進行到步驟708，其中基於一或多個天線設置來調諧無線傳輸系統。
在一些態樣中，基於一或多個天線設置來調諧無線傳輸系統包括：將孔徑調諧器設置提供給電子設備的孔徑調諧器。
在一些態樣中，基於一或多個天線設置來調諧無線傳輸系統還包括：將阻抗調諧器設置提供給電子設備的阻抗調諧器。
然後，方法700進行到步驟710，其中使用一或多個天線設置經由無線傳輸系統傳輸資料。
圖8圖示示例性電子設備800。電子設備800可以被配置為執行本文所描述的方法，包括關於圖5-7所述的方法。
電子設備800包括中央處理單元(CPU)802，在一些實施例中，該CPU 802可以是多核CPU。在CPU 802處執行的指令可以例如從與CPU 802相關聯的程式記憶體中載入，或者可以從記憶體塊824中載入。
電子設備800還包括適合於特定功能的附加處理模組，例如圖形處理單元(GPU)804、數位訊號處理器 (DSP)806、神經處理單元(NPU)808、多媒體處理塊810、多媒體處理單元810和無線連接塊812。
在一種實現方式中，NPU 808在CPU 802、GPU 804及/或DSP 806中的一或多個中實現。
在一些實施例中，無線連接塊812可以包括例如用於第三代(3G)連接、第四代(4G)連接(例如4G LTE)、第五代連接(例如5G或NR)、Wi-Fi連接、藍芽連接和根據其它無線資料傳輸標準的其它連接的元件。無線連接處理塊812還連接到一或多個天線814。
電子設備800還可以包括與任何形式的感測器相關聯的一或多個感測器處理器816，與任何形式的圖像感測器相關聯的一或多個圖像信號處理器(ISP)816，及/或導航處理器820，其包括基於衛星的定位系統元件(例如GPS或GLONASS)以及慣性定位系統元件。
電子設備800還可以包括一或多個輸入及/或輸出設備822，例如，螢幕、觸敏表面(包括觸敏顯示器)、實體按鈕、揚聲器、麥克風等。
在一些實施例中，電子設備800的一或多個處理器可以基於ARM指令集。
電子設備800還包括記憶體824，其代表一或多個靜態及/或動態儲存裝置器，例如動態隨機存取記憶體、基於快閃記憶體的靜態記憶體等。在該示例中，記憶體824包括電腦可執行元件，其可以由電子設備800的前述處理器中的一或多個執行。特別地，在該實施例中，記憶體824包括產生元件824A、決定元件824B、調諧元件824C、接收元件824D和發送元件824E。
大體上，電子設備800或其元件可以被配置為執行本文描述的方法。 替代態樣
在以下編號的條款中列出了替代態樣。
條款1：一種產生針對電子設備的電子設備用例決定模型的方法，包括：產生對在第一類型的電子設備中的無線資料傳輸系統的複數個測試測量，其中複數個測試測量之每一者測試測量與第一類型的電子設備的預先定義的用例相關聯；及基於複數個測試測量來訓練機器學習模型，以基於第一類型的電子設備的複數個運算值來決定第一類型的電子設備的用例。
條款2：條款1的方法，其中機器學習模型是神經網路模型。
條款3：條款1或2中任一項的方法，其中複數個測試測量包括：無線資料傳輸系統的元件的實阻抗；無線資料傳輸系統的元件的虛阻抗；無線資料傳輸系統的頻率；及以下各項中的一項或多項：阻抗調諧器狀態；或者孔徑調諧器狀態。
條款4：條款3的方法，其中元件是無線資料傳輸系統的天線。
條款5：條款1-4中任一項的方法，還包括：基於複數個測試測量來產生複數個合成測量；及基於複數個合成測量來訓練機器學習模型。
條款6：條款1-5中任一項的方法，其中訓練該機器學習模型還包括：訓練述機器學習模型的第一分類器，以決定第一類型的電子設備是否不再處於第一用例中；及訓練機器學習模型的第二分類器，以決定第一類型的電子設備的第二用例。
條款7：條款1-6中任一項的方法，還包括：基於經訓練的機器學習模型來決定複數個封閉的決策邊界；其中該複數個封閉的決策邊界之每一者封閉的決策邊界與第一類型電子設備的預先定義的用例相關聯。
條款8：條款1-7中任一項的方法，還包括：將機器學習模型部署到第一類型的電子設備。
條款9：一種訓練系統，包括：包括電腦可執行指令的記憶體；處理器，其被配置為執行電腦可執行指令並使訓練系統用於：產生對在第一類型的電子設備中的無線資料傳輸系統的複數個測試測量，其中複數個測試測量之每一者測試測量與第一類型的電子設備的預先定義的用例相關聯；及基於複數個測試測量來訓練機器學習模型，以基於第一類型的電子設備的複數個運算值來決定第一類型的電子設備的用例。
條款10：條款9的訓練系統，其中機器學習模型是神經網路模型。
條款11：條款9-10中任一項的訓練系統，其中複數個測試測量包括：無線資料傳輸系統的元件的實阻抗；無線資料傳輸系統的元件的虛阻抗；無線資料傳輸系統的頻率；及以下各項中的一項或多項：阻抗調諧器狀態；或者孔徑調諧器狀態。
條款12：條款11的訓練系統，其中元件是無線資料傳輸系統的天線。
條款13：條款9-12中任一項的訓練系統，還包括：基於複數個測試測量來產生複數個合成測量；及基於複數個合成測量來訓練機器學習模型。
條款14：條款9-13中任一項的訓練系統，其中為了訓練機器學習模型，該處理器還被配置為使得訓練系統用於：訓練機器學習模型的第一分類器，以決定第一類型的電子設備是否不再處於第一用例中；及訓練機器學習模型的第二分類器，以決定第一類型的電子設備的第二用例。
條款15：條款9-14中任一項的訓練系統，其中：該處理器還被配置為使得訓練系統用於基於經訓練的機器學習模型來決定複數個封閉的決策邊界；及該複數個封閉的決策邊界之每一者封閉的決策邊界與第一類型電子設備的預先定義的用例相關聯。
條款16：條款9-15中任一項的訓練系統，其中該處理器還被配置為使得訓練系統進行以下操作：將機器學習模型部署到第一類型的電子設備。
條款17：一種包括電腦可執行指令的非暫時性電腦可讀取媒體，該等指令在由處理系統的處理器執行時，使得處理系統執行根據條款1-8中任一項的方法。
條款18：一種用於自適應地調諧電子設備中的無線資料傳輸系統的方法，包括：產生對在電子設備中的無線資料傳輸系統的元件的複數個測量；基於用例決定模型和複數個測量來決定電子設備的用例；決定與所決定的用例相關聯的一或多個天線設置；基於一或多個天線設置來調諧無線資料傳輸系統；及使用一或多個天線設置經由無線資料傳輸系統來發送資料。
條款19：條款18的方法，其中：用例決定模型是神經網路模型。
條款20：條款18或19的方法，其中用例決定模型儲存於電子設備的數據機的記憶體中。
條款21：條款18-20中任一項的方法，其中複數個測量包括：無線資料傳輸系統的元件的實阻抗；無線資料傳輸系統的元件的虛阻抗；無線資料傳輸系統的頻率；及以下各項中的一項或多項：阻抗調諧器狀態；或者孔徑調諧器狀態。
條款22：條款18-21中任一項的方法，其中用例決定模型包括：第一分類器，其被配置為決定電子設備是否不再處於第一用例中；及第二分類器，其被配置為決定電子設備的第二用例。
條款23：條款18-22中任一項的方法，其中決定電子設備的用例包括：將該測量與複數個封閉的決策邊界進行比較；其中複數個封閉的決策邊界之每一者封閉的決策邊界與電子設備的預先定義的用例相關聯。
條款24：條款18-23中任一項的方法，其中與所決定的用例相關聯的一或多個天線設置包括以下各項中的一項或多項：阻抗調諧器設置；或者孔徑調諧器設置。
條款25：條款18-24中任一項的方法，其中決定與所決定的用例相關聯的一或多個天線設置包括：查詢用例設置資料庫；及從用例設置資料庫中接收與所決定的用例相關聯的一或多個天線設置。
條款26：條款18-25中任一項的方法，其中基於一或多個天線設置來調諧無線資料傳輸系統包括：向電子設備的孔徑調諧器提供孔徑調諧器設置。
條款27：條款18-26中任一項的方法，其中基於一或多個天線設置來調諧無線資料傳輸系統還包括：向電子設備的阻抗調諧器提供阻抗調諧器設置。
條款28：一種電子設備，包括：無線資料傳輸系統；包括電腦可執行指令的記憶體；處理器，其被配置為執行電腦可執行指令並使電子設備用於：產生對在電子設備中的無線資料傳輸系統的元件的複數個測量；基於用例決定模型和複數個測量來決定電子設備的用例；決定與所決定的用例相關聯的一或多個天線設置；基於一或多個天線設置來調諧無線資料傳輸系統；及使用一或多個天線設置經由無線資料傳輸系統來發送資料。
條款29：條款28的電子設備，其中：用例決定模型是神經網路模型。
條款30：條款28或29中任一項的電子設備，其中：無線資料傳輸系統包括數據機；該數據機包括記憶體，並且用例決定模型儲存於該數據機的記憶體中。
條款31：條款28-30中任一項的電子設備，其中複數個測量包括：無線資料傳輸系統的元件的實阻抗；無線資料傳輸系統的元件的虛阻抗；無線資料傳輸系統的頻率；及以下各項中的一項或多項：阻抗調諧器狀態；或者孔徑調諧器狀態。
條款32：條款28-31中任一項的電子設備，其中用例決定模型包括：第一分類器，其被配置為決定電子設備是否不再處於第一用例中；及第二分類器，其被配置為決定電子設備的第二用例。
條款33：條款28-32中任一項的電子設備，其中為了決定電子設備的用例，該處理器還被配置為使得電子設備用於：將該等測量與複數個封閉的決策邊界進行比較；其中複數個封閉的決策邊界之每一者封閉的決策邊界與電子設備的預先定義的用例相關聯。
條款34：條款28-33中任一項的電子設備，其中與所決定的用例相關聯的一或多個天線設置包括以下各項中的一項或多項：阻抗調諧器設置；或者孔徑調諧器設置。
條款35：條款28-34中任一項的電子設備，其中為了決定與所決定的用例相關聯的一或多個天線設置，該處理器還被配置為使得電子設備用於：查詢用例設置資料庫；及從該用例設置資料庫中接收與所決定的用例相關聯的一或多個天線設置。
條款36：條款28-35中任一項的電子設備，其中為了基於一或多個天線設置來調諧無線資料傳輸系統，該處理器還被配置為使得電子設備進行以下操作：向電子設備的孔徑調諧器提供孔徑調諧器設置。
條款37：條款28-36中任一項的電子設備，其中為了基於一或多個天線設置來調諧無線資料傳輸系統，該處理器還被配置為使得電子設備進行以下操作：向電子設備的阻抗調諧器提供阻抗調諧器設置。
條款38：一種包括電腦可執行指令的非暫時性電腦可讀取媒體，該等指令在由處理系統的處理器執行時使處理系統執行根據條款18-27中任一項的方法。
提供前面的描述以使本領域的任何技藝人士能夠實踐本文描述的各個態樣。本文討論的示例不限制請求項中闡述的範圍、適用性或態樣。對這些態樣的各種修改對於本領域技藝人士而言將是顯而易見的，並且本文定義的一般原理可以應用於其它態樣。例如，可以在不背離本案的範圍的情況下對所討論的元件的功能和佈置進行改變。各種示例可以適當地省略、替代或添加各種程序或元件。例如，可以以與所描述的次序不同的次序執行所描述的方法，並且可以添加、省略或組合各種步驟。而且，關於一些示例描述的特徵可以在一些其它示例中組合。例如，可以使用本文闡述的任何數量的態樣來實現裝置或可以實踐方法。另外，本案的範圍旨在覆蓋使用其它結構、功能或除了或不同於本文闡述的本案的各個態樣的結構和功能來實踐此類裝置或方法。應當理解，本文揭露的本案的任何態樣可以由請求項的一或多個來體現。
如本文所使用的，詞語「示例性」是指「用作示例、實例或說明」。本文中被描述為「示例性」的任何態樣不一定被解釋為比其它態樣優選或有利。
如本文所使用的，代表項目列表中的「至少一個」的短語是指彼等項目的任何組合，包括單個成員。例如，「a、b或c中的至少一個」旨在涵蓋a，b，c，a-b，a-c，b-c和a-b-c，以及與多個相同元素的組合（例如，a-a，a-a-a，a-a-b，a-a-c，a-b-b，a-c-c，b-b，b-b-b，b-b-c，c-c和c-c-c或a、b和c的任何其它次序）。
如本文所使用的，術語「決定」涵蓋各種各樣的動作。例如，「決定」可以包括計算、運算、處理、推導、調查、檢視（例如，在表、資料庫或另一資料結構中檢視）、決定等。而且，「決定」可以包括接收（例如，接收資訊），存取（例如，存取記憶體中的資料）等。而且，「決定」可以包括解決、選擇、挑選、建立等。
本文揭露的方法包括用於實現該等方法的一或多個步驟或動作。方法步驟及/或動作可以在不背離請求項的範圍的情況下彼此互換。換句話說，除非指定了步驟或動作的特定次序，否則可以修改特定步驟及/或動作的次序及/或使用而不背離請求項的範圍。此外，可以經由能夠執行對應功能的任何合適的構件來執行上述方法的各種操作。該等構件可以包括各種硬體及/或軟體元件及/或模組，包括但不限於電路、專用積體電路（ASIC）或處理器。大體上，在附圖中圖示操作的情況下，彼等操作可以包括具有相似編號的對應的配對功能單元元件。
以下請求項並不旨在限於本文中所示的態樣，而是應被賦予與請求項的語言一致的全部範圍。在請求項中，除非特別聲明，否則以單數形式提及元件並不旨在表示「一個且僅一個」，而是「一或多個」。除非另有明確說明，否則術語「一些」是指一或多個。不應依據專利法施行細則第19條第4項的條款來解釋任何請求項要素，除非該要素明確使用了「功能性單元」的措辭進行記載，或者在方法請求項中該構成要素是用「功能性步驟」的措辭來記載的。貫穿本案描述的各個態樣的元件的所有結構和功能均等物以引用方式明確地併入本案中並意圖由請求項所涵蓋，該等結構和功能均等物對於本領域一般技藝人士來說是公知的或將要是公知的。此外，本發明中沒有任何揭露內容是想要奉獻給公眾的，不管此類揭露內容是否明確記載在申請專利範圍中。
102:「即時」測量
200:系統
210:數據機
212:測量元件
214:用例決定模型
216:自適應天線調諧元件
218:用例設置資料庫
220:無線收發機
222:回饋接收器
230:射頻前端
232:阻抗調諧器
234:孔徑調諧器
250:天線
300:示例
302:模型訓練
304:用例決定模型
306A:用例決策邊界
306B:用例決策邊界
306C:用例決策邊界
308A:即時資料點
308B:即時資料點
400:用例決定模型
402:輸入
404:分類器
406:決定
408:分類器
410:新用例
500:示例性流程圖
502:步驟
504:步驟
506:步驟
508:步驟
510:步驟
512:步驟
514:步驟
516:步驟
600:示例性方法
602:步驟
604:步驟
606:步驟
700:方法
702:步驟
704:步驟
706:步驟
708:步驟
710:步驟
800:電子設備
802:中央處理單元(CPU)
804:圖形處理單元（GPU）
806:數位訊號處理器（DSP）
808:神經處理單元（NPU）
810:多媒體處理塊
812:無線連接塊
814:天線
816:感測器處理器
820:導航處理器
822:輸入及/或輸出設備
824:記憶體
824A:產生元件
824B:決定元件
824C:調諧元件
824D:接收元件
824E:發送元件
附圖圖示了一或多個態樣的某些態樣，因此不應視為限制本案的範圍。
圖1A圖示了無線電子設備的三種不同用例的測試結果的示例。
圖1B圖示了基於測量出的測試結果的用於無線電子設備的示例性用例決策邊界。
圖2圖示了用於決定用例並執行無線電子設備中的自適應孔徑（aperture）調諧的示例性系統。
圖3圖示了產生訓練資料以訓練用例決定模型的各態樣。
圖4圖示了用例決定模型的示例。
圖5圖示了用於執行用例決定和自適應天線調諧的示例性流程圖。
圖6圖示了產生無線電子設備用例決定模型並將其部署到無線電子設備的示例性方法。
圖7圖示了基於用例決定模型來執行自適應天線調諧的示例性方法。
圖8圖示示例性電子設備，其可以被配置為基於用例決定模型來執行自適應天線調諧的方法。
為了促進理解，在可能的地方使用了相同的元件符號來表示附圖共有的相同元件。可以預期的是，一個態樣的元件和特徵可以有益地併入其它態樣，而無需進一步敘述。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
600:示例性方法
602:步驟
604:步驟
606:步驟

Claims (35)

  1. 一種產生針對一電子設備的一電子設備用例決定模型的方法，包括以下步驟： 產生對在一第一類型的電子設備中的一無線資料傳輸系統的複數個測試測量，其中該複數個測試測量之每一者測試測量與該第一類型的電子設備的一預先定義的用例相關聯；及 基於該複數個測試測量來訓練一機器學習模型，以基於該第一類型的電子設備的複數個運算值來決定針對該第一類型的電子設備的一用例。
  2. 根據請求項1之方法，其中該機器學習模型是一神經網路模型。
  3. 根據請求項2之方法，其中該複數個測試測量包括： 該無線資料傳輸系統的一元件的一實阻抗； 該無線資料傳輸系統的該元件的一虛阻抗； 該無線資料傳輸系統的一頻率； 以及以下各項中的一項或多項： 一阻抗調諧器狀態；或者 一孔徑調諧器狀態。
  4. 根據請求項3之方法，其中該元件是該無線資料傳輸系統的一天線。
  5. 根據請求項1之方法，還包括以下步驟： 基於該複數個測試測量來產生複數個合成測量；及 基於該複數個合成測量來訓練該機器學習模型。
  6. 根據請求項1之方法，其中訓練該機器學習模型還包括以下步驟： 訓練該機器學習模型的一第一分類器，以決定該第一類型的電子設備是否不再處於一第一用例中；及 訓練該機器學習模型的一第二分類器，以決定針對該第一類型的電子設備的一第二用例。
  7. 根據請求項1之方法，還包括以下步驟： 基於該訓練的機器學習模型來決定複數個封閉的決策邊界； 其中該複數個封閉的決策邊界之每一者封閉的決策邊界與該第一類型的電子設備的一預先定義的用例相關聯。
  8. 根據請求項1之方法，還包括以下步驟：將該機器學習模型部署到該第一類型的一電子設備。
  9. 一種訓練系統，包括： 包括電腦可執行指令的一記憶體； 一處理器，該處理器被配置為執行該等電腦可執行指令並使該訓練系統進行以下操作： 產生對在一第一類型的電子設備中的一無線資料傳輸系統的複數個測試測量，其中該複數個測試測量之每一者測試測量與該第一類型的電子設備的一預先定義的用例相關聯；及 基於該複數個測試測量來訓練一機器學習模型，以基於該第一類型的電子設備的複數個運算值來決定針對該第一類型的電子設備的一用例， 其中該機器學習模型是一神經網路模型。
  10. 根據請求項9之訓練系統，其中該複數個測試測量包括： 該無線資料傳輸系統的一元件的一實阻抗； 該無線資料傳輸系統的該元件的一虛阻抗； 該無線資料傳輸系統的一頻率； 以及以下各項中的一項或多項： 一阻抗調諧器狀態；或者 一孔徑調諧器狀態。
  11. 根據請求項10之訓練系統，其中該元件是該無線資料傳輸系統的一天線。
  12. 根據請求項9之訓練系統，還包括： 基於該複數個測試測量來產生複數個合成測量；及 基於該複數個合成測量來訓練該機器學習模型。
  13. 根據請求項9之訓練系統，其中為了訓練該機器學習模型，該處理器還被配置為使得該訓練系統進行以下操作： 訓練該機器學習模型的一第一分類器，以決定該第一類型的電子設備是否不再處於一第一用例中；及 訓練該機器學習模型的一第二分類器，以決定針對該第一類型的電子設備的一第二用例。
  14. 根據請求項9之訓練系統，其中： 該處理器還被配置為使得該訓練系統基於該訓練的機器學習模型來決定複數個封閉的決策邊界；及 該複數個封閉的決策邊界之每一者封閉的決策邊界與該第一類型的電子設備的一預先定義的用例相關聯。
  15. 根據請求項9之訓練系統，其中該處理器還被配置為使得該訓練系統進行以下操作：將該機器學習模型部署到該第一類型的一電子設備。
  16. 一種用於自適應地調諧一電子設備中的一無線資料傳輸系統的方法，包括以下步驟： 產生對在該電子設備中的該無線資料傳輸系統的一元件的複數個測量； 基於一用例決定模型和該複數個測量來決定針對該電子設備的一用例； 決定與所決定的用例相關聯的一或多個天線設置； 基於該一或多個天線設置來調諧該無線資料傳輸系統；及 使用該一或多個天線設置經由該無線資料傳輸系統來發送資料。
  17. 根據請求項16之方法，其中：該用例決定模型是一神經網路模型。
  18. 根據請求項17之方法，其中該用例決定模型儲存於該電子設備的一數據機的一記憶體中。
  19. 根據請求項16之方法，其中該複數個測量包括： 該無線資料傳輸系統的該元件的一實阻抗； 該無線資料傳輸系統的該元件的一虛阻抗； 該無線資料傳輸系統的一頻率； 以及以下各項中的一項或多項： 一阻抗調諧器狀態；或者 一孔徑調諧器狀態。
  20. 根據請求項16之方法，其中該用例決定模型包括： 第一分類器，該第一分類器被配置為決定該電子設備是否不再處於第一用例中；及 第二分類器，該第二分類器被配置為決定針對該電子設備的第二用例。
  21. 根據請求項16之方法，其中決定針對該電子設備的該用例包括以下步驟： 將該等測量與複數個封閉的決策邊界進行比較； 其中該複數個封閉的決策邊界之每一者封閉的決策邊界與該電子設備的一預先定義的用例相關聯。
  22. 根據請求項16之方法，其中與所決定的用例相關聯的該一或多個天線設置包括以下各項中的一項或多項： 一阻抗調諧器設置；或者 一孔徑調諧器設置。
  23. 根據請求項16之方法，其中決定與所決定的用例相關聯的該一或多個天線設置包括以下步驟： 查詢一用例設置資料庫；及 從該用例設置資料庫接收與該決定的用例相關聯的該一或多個天線設置。
  24. 根據請求項16之方法，其中基於該一或多個天線設置來調諧該無線資料傳輸系統包括以下步驟：向該電子設備的一孔徑調諧器提供一孔徑調諧器設置。
  25. 根據請求項16之方法，其中基於該一或多個天線設置來調諧該無線資料傳輸系統還包括以下步驟：向該電子設備的一阻抗調諧器提供一阻抗調諧器設置。
  26. 一種電子設備，包括： 一無線資料傳輸系統； 包括電腦可執行指令的一記憶體； 一處理器，該處理器被配置為執行該等電腦可執行指令並且使該電子設備進行以下操作： 產生對在該電子設備中的該無線資料傳輸系統的一元件的複數個測量； 基於一用例決定模型和該複數個測量來決定針對該電子設備的一用例； 決定與該決定的用例相關聯的一或多個天線設置； 基於該一或多個天線設置來調諧該無線資料傳輸系統；及 使用該一或多個天線設置經由該無線資料傳輸系統來發送資料。
  27. 根據請求項26之電子設備，其中：該用例決定模型是一神經網路模型。
  28. 根據請求項27之電子設備，其中： 該無線資料傳輸系統包括一數據機， 該數據機包括該記憶體，並且 該用例決定模型儲存於該數據機的該記憶體中。
  29. 根據請求項26之電子設備，其中該複數個測量包括： 該無線資料傳輸系統的該元件的一實阻抗； 該無線資料傳輸系統的該元件的一虛阻抗； 該無線資料傳輸系統的頻率； 以及以下各項中的一項或多項： 一阻抗調諧器狀態；或者 一孔徑調諧器狀態。
  30. 根據請求項26之電子設備，其中該用例決定模型包括： 一第一分類器，該第一分類器被配置為決定該電子設備是否不再處於一第一用例中；及 一第二分類器，該第二分類器被配置為決定針對該電子設備的一第二用例。
  31. 根據請求項26之電子設備，其中為了決定針對該電子設備的該用例，該處理器還被配置為使得該電子設備用於： 將該等測量與複數個封閉的決策邊界進行比較， 其中該複數個封閉的決策邊界之每一者封閉的決策邊界與該電子設備的一預先定義的用例相關聯。
  32. 根據請求項26之電子設備，其中與所決定的用例相關聯的該一或多個天線設置包括以下各項中的一項或多項： 一阻抗調諧器設置；或者 一孔徑調諧器設置。
  33. 根據請求項26之電子設備，其中為了決定與所決定的用例相關聯的該一或多個天線設置，該處理器還被配置為使得該電子設備用於： 查詢一用例設置資料庫；及 從該用例設置資料庫接收與該決定的用例相關聯的該一或多個天線設置。
  34. 根據請求項26之電子設備，其中為了基於該一或多個天線設置來調諧該無線資料傳輸系統，該處理器還被配置為使得該電子設備進行以下操作：向該電子設備的一孔徑調諧器提供一孔徑調諧器設置。
  35. 根據請求項26之電子設備，其中為了基於該一或多個天線設置來調諧該無線資料傳輸系統，該處理器還被配置為使得該電子設備進行以下操作：向該電子設備的一阻抗調諧器提供一阻抗調諧器設置。
TW109137874A 2019-11-01 2020-10-30 機器學習輔助用例分類和自適應天線調諧 TWI869477B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/671,721 US11533640B2 (en) 2019-11-01 2019-11-01 Machine learning-assisted use case classification and adaptive antenna tuning
US16/671,721 2019-11-01

Publications (2)

Publication Number Publication Date
TW202131238A TW202131238A (zh) 2021-08-16
TWI869477B true TWI869477B (zh) 2025-01-11

Family

ID=73598202

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109137874A TWI869477B (zh) 2019-11-01 2020-10-30 機器學習輔助用例分類和自適應天線調諧

Country Status (9)

Country Link
US (1) US11533640B2 (zh)
EP (1) EP4052376A1 (zh)
JP (1) JP7682873B2 (zh)
KR (1) KR20220092503A (zh)
CN (1) CN114600118A (zh)
BR (1) BR112022007546A2 (zh)
PH (1) PH12022550758A1 (zh)
TW (1) TWI869477B (zh)
WO (1) WO2021087387A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102806168B1 (ko) * 2020-04-17 2025-05-13 삼성전자주식회사 Endc에서 애퍼처 스위치를 제어하는 방법 및 이를 지원하는 전자 장치
US12040772B2 (en) * 2021-07-02 2024-07-16 Apple Inc. Machine-learning based tuning algorithm for duplexer systems
US11916606B2 (en) 2021-08-31 2024-02-27 Qualcomm Incorporated Machine learning-assisted adaptive antenna tuning
US12160258B2 (en) * 2021-09-24 2024-12-03 Qualcomm Incorporated Avoiding ping-pong between different antenna tuning configurations
US12517159B2 (en) * 2022-08-04 2026-01-06 Viasat, Inc. Machine learning based tuning of radio frequency apparatuses
US20240080055A1 (en) * 2022-09-02 2024-03-07 Samsung Electronics Co., Ltd. Antenna impedance and frequency tuning using physical-interaction detection aided by machine learning
WO2024085791A1 (en) * 2022-10-20 2024-04-25 Telefonaktiebolaget Lm Ericsson (Publ) Adaptive antenna matching tuning
CN119359475A (zh) * 2024-12-23 2025-01-24 济南农智信息科技有限公司 一种边坡土壤肥力预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201102942A (en) * 2009-07-10 2011-01-16 Univ Chung Hua Nerve stimulating and signal-monitoring device, the system thereof and method for manufacturing the same
US20150044977A1 (en) * 2013-08-06 2015-02-12 Motorola Mobility Llc Method and wireless communication device for using an antenna as a sensor device in guiding selection of optimized tuning networks
US9774362B1 (en) * 2014-11-07 2017-09-26 Amazon Technologies, Inc. Adaptive antenna tuning based on a sensed characteristic

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6414562B1 (en) * 1997-05-27 2002-07-02 Motorola, Inc. Circuit and method for impedance matching
US8866561B2 (en) * 2009-02-17 2014-10-21 Qualcomm Technologies, Inc. Adaptive impedance matching network
US8232925B2 (en) * 2009-05-29 2012-07-31 Intel Mobile Communications GmbH Impedance tuning of transmitting and receiving antennas
TWI431935B (zh) * 2010-09-28 2014-03-21 Htc Corp 天線模組
US9692875B2 (en) * 2012-08-31 2017-06-27 Analog Devices, Inc. Grip detection and capacitive gesture system for mobile devices
US8744418B2 (en) * 2012-08-31 2014-06-03 Analog Devices, Inc. Environment detection for mobile devices
EP2722996B1 (en) * 2012-10-22 2014-12-17 BlackBerry Limited Method and apparatus for radio frequency tuning utilizing a determined use case
JP2014138285A (ja) 2013-01-17 2014-07-28 Kyocera Corp 携帯通信端末及び制御方法
US9595994B2 (en) 2014-02-10 2017-03-14 Qualcomm Incorporated Mode-based antenna tuning
US10141655B2 (en) * 2014-02-25 2018-11-27 Ethertronics, Inc. Switch assembly with integrated tuning capability
US9444425B2 (en) * 2014-06-20 2016-09-13 Apple Inc. Electronic device with adjustable wireless circuitry
US10707562B2 (en) 2015-09-22 2020-07-07 Futurewei Technologies, Inc. System and method for adaptive aperture tunable antenna
FR3053185A1 (fr) * 2016-06-22 2017-12-29 Tekcem Procede pour le reglage automatique d'un circuit d'adaptation accordable, et systeme d'accord automatique utilisant ce procede.
FR3053546A1 (fr) * 2016-06-30 2018-01-05 Tekcem Procede de reglage automatique d’un circuit d’adaptation accordable, et systeme d'accord automatique utilisant ce procede
US10560953B2 (en) * 2017-02-20 2020-02-11 Samsung Electronics Co., Ltd. Antenna tuning devices and antenna tuning methods
CN111434049B (zh) 2017-06-19 2021-06-11 弗吉尼亚科技知识产权有限公司 使用多天线收发器无线传输的信息的编码和解码
CN107835033B (zh) * 2017-11-30 2020-06-05 Oppo广东移动通信有限公司 天线调谐开关的控制方法、装置、终端设备及存储介质
CN108712178A (zh) * 2018-04-25 2018-10-26 深圳市万普拉斯科技有限公司 智能调谐天线的方法、装置和移动终端
US10693516B2 (en) * 2018-06-25 2020-06-23 Apple Inc. Electronic device having adjustable antenna settings

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201102942A (en) * 2009-07-10 2011-01-16 Univ Chung Hua Nerve stimulating and signal-monitoring device, the system thereof and method for manufacturing the same
US20150044977A1 (en) * 2013-08-06 2015-02-12 Motorola Mobility Llc Method and wireless communication device for using an antenna as a sensor device in guiding selection of optimized tuning networks
US9774362B1 (en) * 2014-11-07 2017-09-26 Amazon Technologies, Inc. Adaptive antenna tuning based on a sensed characteristic

Also Published As

Publication number Publication date
EP4052376A1 (en) 2022-09-07
JP7682873B2 (ja) 2025-05-26
TW202131238A (zh) 2021-08-16
JP2022553576A (ja) 2022-12-23
US11533640B2 (en) 2022-12-20
PH12022550758A1 (en) 2023-08-23
CN114600118A (zh) 2022-06-07
US20210136601A1 (en) 2021-05-06
BR112022007546A2 (pt) 2022-07-12
KR20220092503A (ko) 2022-07-01
WO2021087387A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
TWI869477B (zh) 機器學習輔助用例分類和自適應天線調諧
US9762416B2 (en) Reflection coefficient reader
US11450935B2 (en) Tunable radio frequency circuit, control method and electronic device including the same
US12328151B2 (en) Machine learning-assisted adaptive antenna tuning
CN107852180A (zh) 天线调谐器的校准和自适应控制
CN110708125B (zh) 一种构建动态目标信道的方法及空口测试系统
US20250062788A1 (en) Avoiding ping-pong between different antenna tuning configurations
US10523250B2 (en) Systems and methods for mitigating intermodulation effects
US20210099241A1 (en) Systems and methods for radio frequency head validation via antenna coupling or signal reflection
KR101854980B1 (ko) 트랜시버 디바이스 및 신호를 프로세싱하는 방법
EP4165781B1 (en) Antenna tuning for wireless links
US10219167B2 (en) Antenna array uplink sector level sweep to allow coexistence with other in-device radios
WO2024083004A1 (zh) Ai模型配置方法、终端及网络侧设备
CN115062729A (zh) 分类模型及其训练方法、分类方法、设备及介质
CN102739273B (zh) 动态进行阻抗匹配的方法及通讯装置
US12470238B2 (en) Systems and methods for managing RF coexistence between accessories
CN111193522B (zh) 信号接收方法、装置、存储介质及电子设备
WO2025176073A1 (zh) Csi处理方法、装置、设备和介质