[go: up one dir, main page]

TWI833461B - 規劃方法及其通訊裝置 - Google Patents

規劃方法及其通訊裝置 Download PDF

Info

Publication number
TWI833461B
TWI833461B TW111144590A TW111144590A TWI833461B TW I833461 B TWI833461 B TW I833461B TW 111144590 A TW111144590 A TW 111144590A TW 111144590 A TW111144590 A TW 111144590A TW I833461 B TWI833461 B TW I833461B
Authority
TW
Taiwan
Prior art keywords
causal
constrained
planning
graph
causal graph
Prior art date
Application number
TW111144590A
Other languages
English (en)
Other versions
TW202423147A (zh
Inventor
陳志明
Original Assignee
緯創資通股份有限公司
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 緯創資通股份有限公司 filed Critical 緯創資通股份有限公司
Priority to TW111144590A priority Critical patent/TWI833461B/zh
Priority to CN202211582109.1A priority patent/CN118074763A/zh
Priority to US18/108,671 priority patent/US20240169222A1/en
Priority to EP23162501.3A priority patent/EP4376318A1/en
Priority to JP2023063017A priority patent/JP7522257B2/ja
Application granted granted Critical
Publication of TWI833461B publication Critical patent/TWI833461B/zh
Publication of TW202423147A publication Critical patent/TW202423147A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0691—Hybrid systems, i.e. switching and simultaneous transmission using subgroups of transmit antennas
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0452—Multi-user MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0689—Hybrid systems, i.e. switching and simultaneous transmission using different transmission schemes, at least one of them being a diversity transmission scheme

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本發明提供一種規劃方法及其通訊裝置。規劃方法用於網路端，包含有根據複數個通訊裝置的一觀察資料產生一受約束因果圖，以及根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元的一動作資料。該受約束因果圖的複數個因果變量及該受約束因果圖的一因果結構是一起決定的。該複數個天線單元是根據該動作資料而分成複數個群組，該複數個群組中的一個群組採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者。

Description

規劃方法及其通訊裝置
本發明係指一種規劃方法及其通訊裝置，尤指一種可提高靈活性及效率的規劃方法及其通訊裝置。
多輸入多輸出(multi-input multi-output，MIMO)通訊技術包括空間多樣(spatial diversity)、空間多工(spatial multiplexing)及波束成型(beamforming)。空間多樣可利用不同傳播路徑發送相同資料而可提高系統的可靠性。空間多工可基於複數個訊息在空間上的可分離性而同時傳輸這些訊息但彼此不相互干擾，從而可提高吞吐量(throughput)。波束成型可改善的信噪比(SNR)而提高頻譜效率。然而，現有的多輸入多輸出智能天線裝置僅能具有空間多工、空間多樣及波束成型其中一個功能，靈活性及效率較低。據此，就如何提高靈活性及效率而言，現有的多輸入多輸出智能天線裝置有改進的必要。
因此，本發明主要提供一種規劃方法及其通訊裝置，以提高靈活性及效率。
本發明一實施例揭露一種規劃方法，用於網路端，包含有根據複數個通訊裝置的一觀察資料產生一受約束因果圖，其中該受約束因果圖的複數個因果變量及該受約束因果圖的一因果結構是一起決定的；以及根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元的一動作資料，其中，該複數個天線單元是根據該動作資料而分成複數個群組，該複數個群組中的一個群組採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶 波束成型及多用戶波束成型其中一者。
本發明一實施例揭露一種通訊裝置，包含有一儲存電路及一處理電路。儲存電路用來儲存一指令，該指令包含有根據複數個通訊裝置的一觀察資料產生一受約束因果圖，其中該受約束因果圖的複數個因果變量及該受約束因果圖的一因果結構是一起決定的；以及根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元的一動作資料，其中，該複數個天線單元是根據該動作資料而分成複數個群組，該複數個群組中的一個群組採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者。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。
10NW,20NW,90NW:網路系統
10UE:通訊裝置
1Dv:一維向量
20b:觀察資料
20c:動作資料
20DU,90DU:分布單元
20RU:無線電單元
20SVR,90SVR:伺服器
210R:因果推理模組
212B:貝葉斯網路模組
212SCM:結構因果模型模組
220P:因果規劃模組
222FDR:有限域表示規劃模組
2Dm:二維矩陣
30g:基礎資料
70:規劃樹
922c:控制器
922p:規劃器
922pm:策略定制模組
922s:排程器
982p:應用程式模組
982s:系統模組
a,act1~act3,act11~act13:動作
CG,CGv:因果圖
CGs,Md、SMm、MMm、SMb、MMb:因果子圖
CG(Π):受約束因果圖
cv(i-1),cvi,cv(j-1),cvj,X1~X3,Y1~Y3,Z1~Z3:因果變量
e0:初始狀態
eff_a(u),eff_a(v):效果
f (i-1),f i ,f (j-1),f j :觀察函數
NWae,UEae:天線單元
NWap:天線埠
pre_a(u):先決條件
P1~P5,P*5:點
S200~S208:步驟
sg:目標狀態
u,v,e1~e3,e11~e13:狀態
v1~vm:屬性
w(i-1),w i ,w(j-1),w j :資料
第1圖及第2圖分別為本發明實施例網路系統的示意圖。
第3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4圖為本發明實施例映射因果子圖的示意圖。
第5圖為本發明實施例一因果圖及因果子圖的示意圖。
第6圖為本發明實施例狀態及局部的一受約束因果圖的示意圖。
第7圖為本發明實施例一規劃樹的示意圖。
第8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網路系統的局部示意圖。
第1圖為本發明實施例一網路系統10NW及通訊裝置10UE的示意圖。網路系統10NW(網路端)及通訊裝置10UE(用戶端)可分別包括複數個 天線單元(antenna element)NWae、UEae。網路系統10NW可根據例如通道(channel)性能(例如通道狀態資訊(channel state information，CSI)或其他來自通訊裝置10UE的資訊)利用演算法(例如下文所提到的規劃方法)將複數個天線單元NWae分組，且使得一組的天線單元NWae的傳輸採用(例如第5圖(a)、(b)、(c)所示的)空間多樣、單用戶(single-user)空間多工、多用戶(multi-user)空間多工、單用戶波束成型及多用戶波束成型其中一者。例如，網路系統10NW可至少切換至第1圖的(a)或(b)的模式。此外，天線單元NWae可視通訊裝置10UE的個數分成更多組。
因此，網路系統10NW可視為多功能的多輸入多輸出智能天線裝置，其可根據通訊鏈路的通道性能而持續地重新規劃天線單元來分別服務通訊裝置10UE，從而提升靈活性及效率。
第2圖為本發明實施例一網路系統20NW的示意圖。網路系統20NW可包含多個通訊裝置(例如一伺服器20SVR、一分布單元(Distributed Unit，DU)20DU及一無線電單元(Radio Unit，RU)20RU)。網路系統20NW可用以實現網路系統10NW。
在一實施例，本發明的規劃方法可用於網路系統20NW(例如伺服器20SVR，但不限於此)，且可包含以下步驟：
步驟S200：開始。
步驟S202：根據複數個通訊裝置10UE的一觀察資料20b產生一受約束因果圖(constrained causal graph)，其中該受約束因果圖的複數個因果變量(causal variable)及該受約束因果圖的一因果結構(causal structure)是一起決定的。此後，執行步驟S204。
步驟S204：根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元NWae的一動作資料20c，其中，該複數個天線單元 NWae是根據動作資料20c而分成複數個群組，該複數個群組中的每一個群組分別操作在空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者。
步驟S206：結束。
伺服器20SVR可包含一因果推理(causal reasoning)模組210R及一因果規劃(causal planning)模組220P。在步驟S202，因果規劃模組220P可自分布單元20DU接收觀察資料20b。觀察資料20b可相關於通道性能(例如通道狀態資訊或其他來自通訊裝置10UE的資訊)。在一實施例，因果規劃模組220P可將觀察資料20b轉換為基礎(grounding)資料。在一實施例，觀察資料20b也可作為基礎資料。
在步驟S202，因果規劃模組220P可自基礎資料得到一因果圖。因果規劃模組220P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，從而得到因果圖，據此，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、或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3圖為本發明實施例一基礎資料30g及局部的一因果圖CG的示意圖，其中(a)、(b)分別繪示基礎資料30g及因果圖CG的兩種可能，i、j是正整數。在第3圖，因果圖CG的因果結構可顯現出因果變量cv(i-1)、cvi、cv(j-1)、cvj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30g的子資料w(i-1)、w i 、w(j-1)、w j 映射到因果變量cv(i-1)、cvi、cv(j-1)、cvj而顯現出因果變量cv(i-1)、cvi、cv(j-1)、cvj與基礎資料30g的子資料w(i-1)、w i 、w(j-1)、w j 之間的關係。映射是基於相應的子資料(例如子資料w(i-1)、wi、w(j-1)、wj)(第3圖的框線區域)而不是整個基礎資料30g。
在步驟S202，因果規劃模組220P可將基礎資料30g的子資料w i 分到觀察函數f i 及因果圖CG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30g的子資料w i 得到因果結構C及其中的因果變量evi。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)、cvi、cv(j-1)、cvj)及因果結構是一併得到的，因此因果變量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)
Figure 111144590-A0305-02-0007-21
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30g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
Figure 111144590-A0305-02-0007-1
，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
Figure 111144590-A0305-02-0007-2
。在一實施例，P(w i,t |s t-1 ,C,f i )可為
Figure 111144590-A0305-02-0007-3
或
Figure 111144590-A0305-02-0007-5
，其中s i,t 可代表一 因果變量cvi在一時間點t的狀態，N可代表所有因果變量(例如因果變量cv(i-1)、cvi、cv(j-1)、cvj)的總個數，N是正整數，
Figure 111144590-A0305-02-0007-22
可代表基礎資料30g中與因果變量cvi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
Figure 111144590-A0305-02-0007-23
來選擇出因果變量cvi，如此可使得基礎資料30g中較常用到的資料(例如子資料w i )(相較不常用到的資料)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)、cvi、cv(j-1)、cvj)的個數、因果變量的狀態、因果結構或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30g，從而產生因果圖CG。其中，因果圖CG的因果變量(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220P可區別出第3圖(a)、(b)的不同。
如第3圖所示，每個因果變量(例如因果變量cvi)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30g)預測出低維狀態屬性(例如因果變量cvi的狀態的屬性(attribute))。若因果變量(例如因果變量cv(i-1)、cvi、cv(j-1)、cvj)是人工定義(例如由領域專家(domain expert)(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)，每個因果變量(例如因果變量cvi)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wi)(第3圖的框線區域)，意即子資料(第3圖的框線區域對應的子資料w(i-1)、wi、w(j-1)、wj)是根據領域專家對於特定的因果變量的定義而決定的。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cvi)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cvi)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
Figure 111144590-A0305-02-0008-8
，或者，觀察函數f i 可相關於N((
Figure 111144590-A0305-02-0008-32
)|(
Figure 111144590-A0305-02-0008-10
),Σ)。其 中z為基礎資料30g中對因果變量cvi沒有貢獻的資料，均值
Figure 111144590-A0305-02-0008-24
、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
Figure 111144590-A0305-02-0009-7
。矩陣
Figure 111144590-A0305-02-0009-25
、L zz 可為更小的下三角矩陣，矩陣
Figure 111144590-A0305-02-0009-26
可為任意矩陣。矩陣
Figure 111144590-A0305-02-0009-27
、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cvi)與子資料(例如子資料wi)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，語意因素與變化因素之間可存在領域特定的先驗(prior)。或者，可引入獨立的先驗來反映干預，以改善分布外泛化效能(out-of-Distribution generalization performance)。或者，可根據因果不變性準則(causal invariance principle)引入語意因素與變化因素之間的先驗來反映干預，以利用未監督資料(unsupervised data)。或者，可藉由最大化似然率來將因果語意生成模型擬合至子資料，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。
在步驟S202，因果規劃模組220P還可找到其他可能的路徑/分支作為替代(alternative)。例如，除了第3圖(a)的因果變量cv(i-1)可作為因果變量cvi的因外，因果規劃模組220P還可找到另一個因果變量作為因果變量cv(i-1)的替代。因果圖(例如因果圖CG)的因果變量(例如因果變量cv(i-1))及因果變量(例如因果變量cv(i-1))的替代可構成完整的因果圖。
在一實施例，可利用因果階梯第3級別(例如結構因果模型(Structural Causal Model，SCM))來尋找替代。在一實施例，可利用深度結構化語義模型(Deep Structured Semantic Model，DSSM)來尋找替代。在一實施例，可將領域專家(domain expert)定義的所有因果子圖(causal subgraph)(或因果圖)映 射到語義空間(semantic space)，再根據語義空間的距離函數(例如利用餘弦相似度(cosine similarity)量測的關聯(relevance)來實現)來分別找到最接近所求的因果子圖的因果子圖作為替代。例如，如第4圖所示，因果子圖CGs(或因果圖)可利用例如圖卷積網路(Graph Convolutional Network，GCN)轉換成二維矩陣2Dm(即二維圖特徵)，再將二維矩陣2Dm轉換成一維向量1Dv(即一維特徵)，例如利用哈希層(hashing layer)、卷積層(convolutional layer)、池化層、最大池化層(Max polling layer)、語義層、全連接層(Fully Connected Layer)或平坦層(Flatten Layer)，接著，再自語義空間尋找與一維向量1Dv的餘弦相似度最小(或較小)的一維向量作為替代。
例如，第5圖為本發明實施例一因果圖CGv及因果子圖Md、SMm、MMm、SMb、MMb的示意圖，其中，第5圖的(a)為空間多樣對應的因果子圖Md，第5圖的(b)為單用戶空間多工對應的因果子圖SMm或多用戶空間多工對應的因果子圖MMm，第5圖的(c)為單用戶波束成型對應的因果子圖SMb或多用戶波束成型對應的因果子圖MMb，第5圖的(d)的因果圖CGv由複數個因果子圖(例如因果子圖Md、SMm、MMm、SMb或MMb)構成。因果規劃模組220P可分別將因果子圖Md、SMm、MMm、SMb及MMb轉換成一維向量。在一實施例，因果圖CGv(水平橫向)第一排的因果子圖Md對應的一維向量與因果圖CGv第一排的因果子圖SMm(或MMb)對應的一維向量的餘弦相似度很小，因此因果子圖SMm(或MMb)可作為因果子圖Md的替代。類似地，因果圖CGv第二排的因果子圖MMm可作為因果圖CGv第二排的因果子圖SMm的替代，因果圖CGv第三排的因果子圖MMb可作為因果圖CGv第三排的因果子圖MMm的替代。換言之，因果圖的因果變量(例如因果子圖Md)及因果變量的替代(例如作為因果子圖Md的替代的因果子圖SMm)可構成完整的因果圖CGv。
此外，一個因果子圖(例如因果子圖Md、SMm、MMm、SMb或MMb) 可視為一個複合(composite)因果變量而包括複數個標準(normal)因果變量(例如第5圖的(a)、(b)、(c)所示的天線埠(antenna port)NWap或天線單元NWae、UEae)，其中，天線埠NWap、天線單元NWae或UEae的數量可視不同設計考量而調整。在一實施例，可根據例如通道性能及軟體硬體實現分別對應通訊裝置(例如通訊裝置10UE)將觀察資料20b映射至因果子圖(例如因果圖CGv第一排的因果子圖Md、第二排的因果子圖SMm、第三排的因果子圖MMm)。在一實施例，因果圖CGv不同排的因果子圖對應至不同通訊裝置，例如，因果圖CGv第一排的因果子圖(例如因果子圖Md)對應一通訊裝置10UE，因果圖CGv第二排的因果子圖(例如因果子圖SMm)對應另一通訊裝置10UE。
在步驟S202，因果規劃模組220P可增加約束至因果圖(例如因果圖CG、CGv)而將因果圖轉換成受約束因果圖，使得受約束因果圖的(複合)因果變量之間不僅存有因果關係(例如因果圖CG的因果變量cv(i-1)、cvi之間或因果圖CGv的複合因果變量Md、SMm之間的因果關係)，受約束因果圖還定義一因果變量(例如因果變量cv(i-1)或複合因果變量Md)基於一動作(action)而導致另一因果變量(例如因果變量cvi或複合因果變量SMm)。值得注意的是，任兩個複合因果變量之間可存有因果關係及動作，一個複合因果變量的任兩個標準因果變量之間可存有因果關係但沒有動作。
例如，第6圖為本發明實施例狀態u、v及局部的一受約束因果圖CG(Π)的示意圖，其中(a)、(b)分別繪示受約束因果圖CG(Π)的兩種可能。有限域表示規劃任務可為Π=(V,A,c,I,G)，其中V是有限組的狀態變量(state variable)，A是有限組的動作，c是損失函數(Loss function)，I是初始狀態(initial state)，G是目標狀態(goal state)。若狀態u不等於狀態v且存在滿足a
Figure 111144590-A0305-02-0011-29
A的動作a使得「存在a
Figure 111144590-A0305-02-0011-30
A使先決條件(precondition)pre_a(u)及效果eff_a(v)都受定義」或「存在a
Figure 111144590-A0305-02-0011-31
A使效果eff_a(u)及效果eff_a(v)都受定義」，則受約束因果圖CG(Π)可為具有節點 V及路徑(arc)的有向圖(directed graph)，狀態u、v之間可具有路徑(u,v)。其中，先決條件pre_a(u)是指給定動作a下節點u作為先決條件的狀態，先決條件定義在什麼情況(狀態)下動作可被執行。效果eff_a(v)是指給定動作a下節點v作為效果的狀態。動作可改變狀態並產生新的狀態(即導致效果(effect))，從而最終達成某個目標狀態。
如第2圖所示，因果規劃模組220P可包含一有限域表示(finite domainrepresentation，FDR)規劃模組222FDR。在步驟S204，有限域表示規劃模組222FDR可利用受約束因果圖(例如受約束因果圖CG(Π))來動態地進行有限域表示規劃。在一實施例，有限域表示規劃的解(solution)是搜索空間(search space)中從初始狀態(例如初始狀態e0)至目標狀態的一個規劃(plan)。在一實施例，有限域表示規劃的解可為一有向圖。
在一實施例，在步驟S204，在利用演算法構建受約束因果圖後，可將受約束因果圖轉換為規劃域描述庫(Planning Domain Description Library，PDDL)的域文件(domain file)(即系統的描述)來進行有限域表示規劃模組222FDR的有限域表示規劃及動態因果貝葉斯優化(Dynamic Causal Bayesian Optimization)。換言之，本發明的域文件可不用人工定義。
在一實施例，可利用域文件來描述動作，可利用問題文件(problem file)來描述初始狀態及目標狀態。在一實施例，域文件的內容可包含如下：
precond_1->action_1->effect_1
precond_2->action_2->effect_2
…
precond_n->action_n->effect_n
其中，狀態precond_1~precond_n可作為先決條件，action_1~action_n可為動作，狀態effect_1~effect_n可作為效果，n是正整數。狀態precond_i 執行action_i後可進入狀態effect_i。在一實施例，precond_i->action_i->effect_i可對應受約束因果圖(例如受約束因果圖CG(Π))的一部分，例如，在第6圖(a)繪示的受約束因果圖CG(Π)，作為因的狀態u(即一因果變量)可對應先決條件precond_i，作為果的狀態v(即另一因果變量)可對應效果effect_i。換言之，受約束因果圖可呈現狀態與動作的結構。
在一實施例，效果effect_1可能是狀態precond_3的因，效果effect_3可能是狀態precond_7的因。據此，有限域表示規劃的解可至少包含動作action_1、action_3、action_7的動作序列(sequence)，但不包含例如動作action_2、action_4至action_6。
在步驟S204，當有限域表示規劃模組222FDR的規劃器(planner)讀入域文件時，規劃器可產生對應域文件(或受約束因果圖)的規劃樹(planning tree)。第7圖為本發明實施例一規劃樹70的示意圖。規劃樹70的路徑(即第7圖的箭頭)是動作，節點是狀態(即因果變量)，每個狀態由一組狀態變量來代表。路徑可顯示狀態的依附關係。換言之，複合因果變量可呈現於規劃樹，但標準因果變量沒有對應的動作因此不會呈現於規劃樹。對於動作act1，初始狀態e0可用作先決條件，狀態e1可用作效果。對於動作act11，動作act1的效果(即狀態e1)可用作先決條件，狀態e11可用作效果。規劃樹70可作為搜索空間。有限域表示規劃模組222FDR的解可為規劃樹70中開始於初始狀態e0並結束於目標狀態sg的有序的動作。例如，可根據當前(環境)狀態決定動作act1的那條分支(branch)不是有限域表示規劃模組222FDR的解，而動作act2、act3的那條分支是有限域表示規劃模組222FDR的解，但不限於此。
在一實施例，規劃器可利用搜索算法(search algorithm)進行搜尋來找到有限域表示規劃模組222FDR的解，例如最佳優先搜索(best-first search)、迭代深化搜索(iterative deepening search)、爬坡搜尋(hill-climbing search)或 貪婪最佳優先搜索(greedy best-first search)。
在一實施例，由於替代(例如作為替代的因果變量及其路徑)可構成/對應一部分的規劃樹(例如規劃樹70)，使得初始狀態e0至目標狀態sg之間存有多條(規劃)路徑/分支，規劃器可基於動態因果貝葉斯優化(或貝葉斯優化、因果貝葉斯優化)來找到有限域表示規劃任務的最佳的解。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，B(cvP)=uef(cvP)，其中，B()代表目標函數，uef()代表表達式未知的函數關係，cvP代表一條路徑/分支上的所有(複合)因果變量。換言之，目標函數B()與複合因果變量cvP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目標函數B()最大(或最小)時的複合因果變量cvP，也就是找到有限域表示規劃任務的哪一種規劃(或動作序列)是最佳的。在一實施例，目標函數B()由領域專家定義，以用來決定哪一種的複合因果變量cvP的組合(即哪一條路徑/分支)是最佳的。
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(sampling 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8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B()，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B()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對應的目標函數及複數個複合因果變量)；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P5對應的目標函數及複數個複合因果變量)，據此可利用找到的複合因果變量確定哪一條路徑/分支是最佳的解。
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對應的目標函數)來估計真實的目標函數的均值(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8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。提取函數的相對極值點可對應目標函數的下一個採樣點：例如第8圖的矩形框表示的點P*5為提取函數的極大值點，且(根據對應的複合因果變量)可對應目標函數的下一個採樣點(即實心黑點P5)。
本發明可找到目標函數B()與複合因果變量cvP之間的因果關係或其構成的因果圖，並利用因果貝葉斯優化進行優化，由於因果貝葉斯優化的因果本徵維度(causal intrinsic dimensionality)是由作為目標函數B()的因的複合因果變量cvP的個數來決定，而不是作為複合因果變量cvP的因的因果變量的個數，因此可提高推理(reason)最佳決策策略的能力。更進一步地，本發明可擴展到動態因果貝葉斯優化，而可解釋因果變量之間的因果關係且因果關係可隨時間演進，因此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個不同時間點的一因果變量，Y1~Y3分別代表在3個不同時間點的另一因果變量，Z1~Z3分別代表在3個不同時間點的另一因果變量，但本發明不限於此而可擴展至多個不同的時間點或因果變量。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(可表示目標函數B()的)因果變量Y1的極值，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(可表示目標函數B()的)因果變量Y2的極值，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(可表示目標函數B()的)因果變量Y3的極值，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)的極值。
在步驟S204，因果子圖(即複合因果變量)是基於通道性能構建/選擇的。若通道需要高可靠性，則較佳地以空間多樣進行操作。如果通道需要高吞吐量，則較佳地以空間多工進行操作。如果通道需要高增益及長距離，則較佳地以波束成型進行操作。單用戶或多用戶則由軟體硬體實現決定。換言之，本發明基於通道性能判斷應該執行哪個(動態)動作(例如對應因果子圖Md、SMm、MMm、SMb或MMb的動作)，利用(動態)動作可依據通道性能將因果子圖(例如因果子圖Md、SMm、MMm、SMb或MMb)所需的動作資料20c輸出至分布單元20DU，分布單元20DU再將動作資料20c傳送至無線電單元20RU。
在一實施例，動作資料20c可包含有限域表示規劃的解或與有限域表示規劃的解相關，例如，動作資料20c可包括限域表示規劃的解中的所有動作。在一實施例，動作資料20c可相關於網路系統10NW的複數個天線單元NWae的配置方式。可利用廣度優先搜尋法(breadth first traversal)或深度優先搜尋法(depth first traversal)而建構出因果子圖(或展成一規劃樹)，透過遍尋(traverse)因果子圖的節點，可確定整個結構關係，使得複數個天線單元NWae可據以被配 置。動作資料20c可利用對因果子圖(例如因果子圖Md、SMm、MMm、SMb或MMb)進行廣度優先搜尋法或深度優先搜尋法而得到。例如，對於某個場景，因果規劃模組220P可如同第5圖的因果圖CGv將最左邊(垂直縱向)分支的因果子圖Md、SMm、MMm規劃於第1圖的三個通訊裝置10UE，動作資料20c可使得(分別對應三個通訊裝置10UE的)三組的天線單元NWae的傳輸分別採用空間多樣、單用戶空間多工及多用戶空間多工。
在步驟S204，因果推理模組210R可提供初始狀態e0至因果規劃模組220P，因果規劃模組220P可用初始狀態e0作為起點並利用受約束因果圖來進行有限域表示規劃。
如第2圖所示，因果推理模組210R可包含結構因果模型模組212SCM或貝葉斯網路模組212B。在步驟S204，因果推理模組210R可將普通(generic)因果圖輸入至結構因果模型模組212SCM或貝葉斯網路模組212B，以輸出初始狀態e0。換言之，因果推理模組210R可根據結構因果模型或貝葉斯網路來驗證或處理普通因果圖，然後預測/推理出當前狀態，並將當前狀態作為因果規劃模組220P的初始狀態e0。普通因果圖是非受約束因果圖。
在一實施例，因果推理模組210R可僅設置結構因果模型模組212SCM及貝葉斯網路模組212B其中一者而移除另一者。
在一實施例，類似於因果圖CG，因果推理模組210R可將相關於來自通訊裝置10UE的資訊或環境的資料(例如初始的通訊鏈路的通道性能、通訊裝置10UE或天線單元UEae的個數、位置、或角度、天線單元NWae的個數、天線單元NWae(最多)能分成幾組、一組內的天線單元NWae的個數限制或能不能是奇數或偶數)基於最大後驗及點估計來得到普通因果圖。
由上述可知，伺服器10SVR的軟體的演算法可區分為因果推理階段及因果規劃階段。因果推理階段可藉由高維環境變量來推斷出初始狀態；因果 規劃階段則可根據初始狀態來做規劃，因此可考量到目前的狀態。
第10圖為本發明實施例一網路系統90NW的局部示意圖。網路系統90NW可包含一伺服器90SVR及一分布單元90DU。網路系統90NW可用以實現網路系統10NW、20NW。
分布單元90DU可包含一應用程式(application)模組982p及一系統模組982s。應用程式模組982p可輸出事件(event)的訊號至系統模組982s並自系統模組982s接收命令(command)。系統模組982s可輸出觀察資料20b至伺服器90SVR並自伺服器90SVR接收動作資料20c。在一實施例，分布單元90DU也可由一無線電單元或分布單元與無線電單元的組合來取代。
伺服器90SVR可包含一控制器(controller)922c、一排程器(scheduler)922s、一規劃器922p、一策略定制(policy maker)模組922pm。控制器922c可將接收到的觀察資料20b轉換為可延伸標記式語言(Extensible Markup Language，XML)格式(format)，並據此輸出可延伸標記式語言格式的執行態樣(execution status)至排程器922s。排程器922s可將長度不固定的可延伸標記式語言格式轉換為長度固定的格式，並據此輸出反應(reactivity)的訊號(例如基礎資料30g)至規劃器922p。
規劃器922p可根據初始狀態e0、目的的訊號(例如對應目標狀態sg)、來自排程器922s的反應的訊號及來自策略定制模組922pm的系統的描述(description of system)，來輸出關於內容(what)的未排程規劃(unscheduled plan)至排程器922s，來提供關於哪些動作的資訊。排程器922s可據以輸出關於時間(when)及方式(how)的排程規劃至控制器922c，來指示如何及何時提供關於動作的資訊。
在一實施例，在步驟S204配置天線單元NWae後，規劃器922p可根據反應的訊號判斷是否需要重新規劃。若規劃器922p判斷需要再次重新規劃(例 如反應的訊號偏離目的的訊號)，伺服器90SVR可輸出調整後的動作資料20c至分布單元90DU，來重新配置天線單元NWae。其中，目的可由用戶決定或與應用場景(scenario)相關。
本發明的規劃方法可被編譯成一程式碼而由網路系統10NW(或伺服器20SVR)的一處理電路執行，並儲存於網路系統10NW(或伺服器20SVR)的一儲存電路中。在一實施例，儲存電路可為唯讀式記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)或隨機存取記憶體(Random-Access Memory，RAM)、硬碟(Hard disk)，但不限於此。在一實施例，處理電路可為中央處理器(Central Processing Unit，CPU)、微處理器(microprocessor)或特定應用積體電路(Application-Specific Integrated Circuit，ASIC)，但不限於此。在一實施例，伺服器10SVR可為一Oracle存取管理器(Oracle Access Manager，OAM)伺服器，但不限於此。
在一實施例，無線電單元與分布單元之間的接口可採用eCPRI接口，但不限於此，例如也可為CPRI接口。
在一實施例，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。
綜上所述，網路系統可根據通訊鏈路的通道性能而利用演算法持續地重新規劃天線單元，以優化天線單元的分組，且使得每一組的天線單元的傳輸分別採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者來最佳化傳輸，從而提升靈活性及效率。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。
10NW:網路系統
10UE:通訊裝置
NWae,UEae:天線單元

Claims (20)

  1. 一種規劃方法，用於網路端，包含有：根據複數個通訊裝置的一觀察資料產生一受約束因果圖，其中該受約束因果圖的複數個因果變量及該受約束因果圖的一因果結構是一起決定的；以及根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元的一動作資料，其中，進行該有限域表示規劃的步驟包含有：在對應於該受約束因果圖的一規劃樹的至少一規劃路徑選出一第一規劃路徑，該動作資料包含有該第一規劃路徑或與該第一規劃路徑相關，其中，該複數個天線單元是根據該動作資料而分成複數個群組，該複數個群組中的一個群組採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者。
  2. 如請求項1所述之規劃方法，其中，根據該複數個通訊裝置的該觀察資料產生該受約束因果圖的步驟包含有：將該觀察資料轉換為一基礎資料；以及基於最大後驗及點估計來從該基礎資料產生該受約束因果圖。
  3. 如請求項2所述之規劃方法，其中，基於最大後驗及點估計來從該基礎資料產生該受約束因果圖的步驟包含有：利用複數個觀察函數將該基礎資料中的複數個子資料映射到該受約束因果圖的該複數個因果變量。
  4. 如請求項3所述之規劃方法，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。
  5. 如請求項1所述之規劃方法，其中，根據該受約束因果圖來進行 有限域表示規劃的步驟包含有：利用圖卷積網路將複數個因果子圖分別轉換成複數個二維矩陣，再將該複數個二維矩陣分別轉換成複數個第一一維向量；分別尋找與該複數個第一一維向量的餘弦相似度最小的複數個第二一維向量作為替代，使得該受約束因果圖包含有至少一替代分支。
  6. 如請求項1所述之規劃方法，其中，利用該受約束因果圖來進行該有限域表示規劃的步驟包含有：將該受約束因果圖轉換為一規劃域描述庫的一域文件以進行該有限域表示規劃。
  7. 如請求項6所述之規劃方法，其中，該受約束因果圖中的一因對應至該域文件中一動作的一先決條件，該因對應的一果對應至該域文件中該動作的一效果。
  8. 如請求項1所述之規劃方法，其中，根據該受約束因果圖來進行有限域表示規劃的步驟包含有：根據貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化自對應該受約束因果圖的該規劃樹決定該有限域表示規劃的解。
  9. 如請求項1所述之規劃方法，其中，根據該受約束因果圖來進行有限域表示規劃的步驟包含有：利用一初始狀態及該受約束因果圖來進行該有限域表示規劃。
  10. 如請求項9所述之規劃方法，其中，該初始狀態是根據一結構因果模型或一貝葉斯網路來從另一因果圖產生。
  11. 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：根據複數個通訊裝置的一觀察資料產生一受約束因果圖，其中該受約 束因果圖的複數個因果變量及該受約束因果圖的一因果結構是一起決定的；以及根據該受約束因果圖來進行有限域表示規劃，以產生關於如何配置複數個天線單元的一動作資料，其中，進行該有限域表示規劃的步驟包含有：在對應於該受約束因果圖的一規劃樹的至少一規劃路徑選出一第一規劃路徑，該動作資料包含有該第一規劃路徑或與該第一規劃路徑相關，其中，該複數個天線單元是根據該動作資料而分成複數個群組，該複數個群組中的一個群組採用空間多樣、單用戶空間多工、多用戶空間多工、單用戶波束成型及多用戶波束成型其中一者；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。
  12. 如請求項11所述之通訊裝置，其中，根據該複數個通訊裝置的該觀察資料產生該受約束因果圖的步驟包含有：將該觀察資料轉換為一基礎資料；以及基於最大後驗及點估計來從該基礎資料產生該受約束因果圖。
  13. 如請求項12所述之通訊裝置，其中，基於最大後驗及點估計來從該基礎資料產生該受約束因果圖的步驟包含有：利用複數個觀察函數將該基礎資料中的複數個子資料映射到該受約束因果圖的該複數個因果變量。
  14. 如請求項13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。
  15. 如請求項11所述之通訊裝置，其中，根據該受約束因果圖來進行 有限域表示規劃的步驟包含有：利用圖卷積網路將複數個因果子圖分別轉換成複數個二維矩陣，再將該複數個二維矩陣分別轉換成複數個第一一維向量；分別尋找與該複數個第一一維向量的餘弦相似度最小的複數個第二一維向量作為替代，使得該受約束因果圖包含有至少一替代分支。
  16. 如請求項11所述之通訊裝置，其中，利用該受約束因果圖來進行該有限域表示規劃的步驟包含有：將該受約束因果圖轉換為一規劃域描述庫的一域文件以進行該有限域表示規劃。
  17. 如請求項16所述之通訊裝置，其中，該受約束因果圖中的一因對應至該域文件中一動作的一先決條件，該因對應的一果對應至該域文件中該動作的一效果。
  18. 如請求項11所述之通訊裝置，其中，根據該受約束因果圖來進行有限域表示規劃的步驟包含有：根據貝葉斯優化、因果貝葉斯優化、或動態因果貝葉斯優化自對應該受約束因果圖的該規劃樹決定該有限域表示規劃的解。
  19. 如請求項11所述之通訊裝置，其中，根據該受約束因果圖來進行有限域表示規劃的步驟包含有：利用一初始狀態及該受約束因果圖來進行該有限域表示規劃。
  20. 如請求項19所述之通訊裝置，其中，該初始狀態是根據一結構因果模型或一貝葉斯網路來從另一因果圖產生。
TW111144590A 2022-11-22 2022-11-22 規劃方法及其通訊裝置 TWI833461B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
TW111144590A TWI833461B (zh) 2022-11-22 2022-11-22 規劃方法及其通訊裝置
CN202211582109.1A CN118074763A (zh) 2022-11-22 2022-12-08 规划方法及其通信装置
US18/108,671 US20240169222A1 (en) 2022-11-22 2023-02-13 Planning Method and Communication Device Thereof
EP23162501.3A EP4376318A1 (en) 2022-11-22 2023-03-17 Planning method and communication device thereof
JP2023063017A JP7522257B2 (ja) 2022-11-22 2023-04-07 計画方法及びその通信装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111144590A TWI833461B (zh) 2022-11-22 2022-11-22 規劃方法及其通訊裝置

Publications (2)

Publication Number Publication Date
TWI833461B true TWI833461B (zh) 2024-02-21
TW202423147A TW202423147A (zh) 2024-06-01

Family

ID=85703640

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111144590A TWI833461B (zh) 2022-11-22 2022-11-22 規劃方法及其通訊裝置

Country Status (5)

Country Link
US (1) US20240169222A1 (zh)
EP (1) EP4376318A1 (zh)
JP (1) JP7522257B2 (zh)
CN (1) CN118074763A (zh)
TW (1) TWI833461B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806707B (zh) * 2022-07-13 2023-06-21 緯創資通股份有限公司 通訊方法及其通訊裝置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201721174A (zh) * 2015-09-23 2017-06-16 英特爾智財公司 用於高準確度距離及定向測量的裝置及方法
US9912382B2 (en) * 2015-06-03 2018-03-06 At&T Intellectual Property I, Lp Network termination and methods for use therewith
US10396919B1 (en) * 2017-05-12 2019-08-27 Virginia Tech Intellectual Properties, Inc. Processing of communications signals using machine learning
US20200394512A1 (en) * 2019-06-13 2020-12-17 Microsoft Technology Licensing, Llc Robustness against manipulations in machine learning
US11342946B1 (en) * 2021-03-22 2022-05-24 Bae Systems Information And Electronic Systems Integration Inc. Neural network kernels for signal processing in lieu of digital signal processing in radio receivers

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014175918A1 (en) 2013-04-25 2014-10-30 Intel Corporation Millimeter-wave communication device and method for intelligent control of transmit power and power density
JP7059511B2 (ja) 2017-02-22 2022-04-26 富士通株式会社 制御装置、アンテナ設定方法及び無線システム
WO2020139360A1 (en) * 2018-12-28 2020-07-02 Sony Corporation Methods, devices and computer program products for antenna selection in a communication system
JP2020198512A (ja) 2019-05-31 2020-12-10 ソニーセミコンダクタソリューションズ株式会社 情報通信装置および情報通信システム
JP6723424B1 (ja) 2019-06-21 2020-07-15 株式会社横須賀テレコムリサーチパーク 送受信方法および送受信システム
US11581936B2 (en) * 2021-03-03 2023-02-14 Samsung Electronics Co., Ltd. Method and apparatus for beam management in antenna array sharing radar and communication systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9912382B2 (en) * 2015-06-03 2018-03-06 At&T Intellectual Property I, Lp Network termination and methods for use therewith
TW201721174A (zh) * 2015-09-23 2017-06-16 英特爾智財公司 用於高準確度距離及定向測量的裝置及方法
US10396919B1 (en) * 2017-05-12 2019-08-27 Virginia Tech Intellectual Properties, Inc. Processing of communications signals using machine learning
US20200394512A1 (en) * 2019-06-13 2020-12-17 Microsoft Technology Licensing, Llc Robustness against manipulations in machine learning
US11342946B1 (en) * 2021-03-22 2022-05-24 Bae Systems Information And Electronic Systems Integration Inc. Neural network kernels for signal processing in lieu of digital signal processing in radio receivers

Also Published As

Publication number Publication date
CN118074763A (zh) 2024-05-24
TW202423147A (zh) 2024-06-01
JP2024075463A (ja) 2024-06-03
US20240169222A1 (en) 2024-05-23
JP7522257B2 (ja) 2024-07-24
EP4376318A1 (en) 2024-05-29

Similar Documents

Publication Publication Date Title
Shi et al. Machine learning for large-scale optimization in 6G wireless networks
Solozabal et al. Virtual network function placement optimization with deep reinforcement learning
Deb et al. A taxonomy for metamodeling frameworks for evolutionary multiobjective optimization
US20220158913A1 (en) Method for Network Slicing, Device and Storage Medium thereof
Ghorabaee et al. Genetic algorithm for solving bi-objective redundancy allocation problem with k-out-of-n subsystems
CN105790813B (zh) 一种大规模mimo下基于深度学习的码本选择方法
Luis et al. Artificial intelligence algorithms for power allocation in high throughput satellites: A comparison
Gai et al. Decentralized online learning algorithms for opportunistic spectrum access
Tang et al. Adaptive inference reinforcement learning for task offloading in vehicular edge computing systems
TWI833461B (zh) 規劃方法及其通訊裝置
Pereira-Ruisánchez et al. DRL-based sequential scheduling for IRS-assisted MIMO communications
Sun et al. Zeroth-order supervised policy improvement
Kan et al. GDPlan: Generative Network Planning via Graph Diffusion Model
Alpcan et al. An information analysis of iterative algorithms for network utility maximization and strategic games
D'Aronco et al. Online resource inference in network utility maximization problems
CN118102341A (zh) 零阶并行无线网络参数优化方法
WO2025074369A1 (en) System and method for efficient collaborative marl training using tensor networks
Chen et al. An ant colony optimization algorithm for the time-varying workflow scheduling problem in grids
Hegde et al. COUNSEL: Cloud resource configuration management using deep reinforcement learning
Ioannou et al. Optimization of the D2D Topology Formation Using a Novel Two-Stage Deep ML Approach for 6G Mobile Networks
Yin et al. Graph Neural Network Based Energy-Efficient Optimization for RIS-Assisted Wireless Networks
CN118265144B (zh) 一种基于mamfsac算法的认知无蜂窝功率分配方法
CN115242796B (zh) 一种面向云-边-端场景的任务调度方法
Di Cicco Machine learning as a network management primitive: from end-to-end optimization to atomic network functions
Talbi High Speed B5G/6G Communication Network Analysis Using Machine Learning and Queueing Techniques