阅读说明：本技术 自适应无线通信的学习与部署 (Learning and deployment of adaptive wireless communications ) 是由 T·J·奥谢 于 2018-05-03 设计创作，主要内容包括：本发明涉及用于训练和部署通过射频RF信道进行的机器学习通信的方法、系统和设备,包含编码在计算机存储媒体上的计算机程序。所述方法中的一种方法包含：确定第一信息；使用编码器机器学习网络处理所述第一信息并生成第一RF信号以通过通信信道传输；确定第二RF信号,所述第二RF信号表示通过经由所述通信信道的传输改变的所述第一RF信号；使用解码器机器学习网络处理所述第二RF信号并生成第二信息作为对所述第一信息的重构；计算所述第二信息与所述第一信息之间的距离量度；以及基于所述第二信息与所述第一信息之间的所述距离量度更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。(The present invention relates to methods, systems, and apparatus, including computer programs encoded on computer storage media, for training and deploying machine learning communications over Radio Frequency (RF) channels. One of the methods comprises: determining first information; processing the first information using an encoder machine learning network and generating a first RF signal for transmission over a communication channel; determining a second RF signal representative of the first RF signal altered by transmission via the communication channel; processing the second RF signal using a decoder machine learning network and generating second information as a reconstruction of the first information; calculating a distance measure between the second information and the first information; and updating at least one of the encoder machine learning network or the decoder machine learning network based on the distance metric between the second information and the first information.)

自适应无线通信的学习与部署

相关申请的交叉引用

本申请要求于2017年5月3日提交的美国临时申请第62/500,621号的优先权。此在先申请的公开内容被视为本申请的公开的一部分并且通过引用的方式并入本申请的公开中。

技术领域

本公开涉及自适应无线通信的机器学习与部署，并且具体地说涉及用于射频(RF)信号。

背景技术

射频(RF)波形在许多系统中普遍存在以用于通信、存储、感测、测量和监测。通过各种类型的通信媒体(如空中、水下或通过外层空间)来发射和接收RF波形。在一些场景中，RF波形传输调制到以RF频率操作的一或多个载波波形上的信息。在其它场景中，RF波形本身就是信息，如传感器或探头的输出。RF波形中承载的信息通常通过其它通信形式(如通过计算机中的内部系统总线或者通过局域网或广域网)进行处理、储存和/或运输。

发明内容

本公开所描述的主题总体上可以体现在用于训练和部署机器学习网以通过RF信道进行通信并且具体地说对信息进行编码和解码以用于通过RF信道进行通信的方法、设备和系统中。

一方面，一种方法由至少一个处理器执行以训练至少一个机器学习网络通过RF信道进行通信，所述方法包含：确定第一信息；使用编码器机器学习网络处理所述第一信息并生成第一RF信号以通过通信信道传输；确定第二RF信号，所述第二RF信号表示通过经由所述通信信道的传输改变的所述第一RF信号；使用解码器机器学习网络处理所述第二RF信号并生成第二信息作为对所述第一信息的重构；计算所述第二信息与所述第一信息之间的距离量度；以及基于所述第二信息与所述第一信息之间的所述距离量度更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。这方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。在所述方法中，基于所述第二信息与所述第一信息之间的所述距离量度更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含：确定包含所述第二信息与所述第一信息之间的所述距离量度的目标函数；计算所述目标函数相对于所述编码器机器学习网络或所述解码器机器学习网络中的至少一个的变化的变化率；基于所述目标函数的计算的变化率选择第一变化用于所述编码器机器学习网络或第二变化用于所述解码器机器学习网络中的至少一个；以及基于所述编码器机器学习网络的所选第一变化或所述解码器机器学习网络的所选第二变化中的所述至少一个更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。在所述方法中，所述第二信息与所述第一信息之间的所述距离量度包含(i)所述第二信息与所述第一信息之间的交叉熵或(ii)所述第二信息与所述第一信息之间的几何距离度量中的至少一个。在所述方法中，更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含以下中的至少一个：更新所述编码器机器学习网络中的一或多层中的至少一个编码网络权重或网络连接性，或者更新所述解码器机器学习网络中的一或多层中的至少一个解码网络权重或网络连接性。在所述方法中，更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个进一步包含：从多个信道模式中确定表示所述通信信道的状态的信道模式；以及基于所述通信信道的所述信道模式更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。在所述方法中，所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自动编码器以学习通过通信信道进行的通信，并且其中所述自动编码器包含表示所述通信信道对传输的波形的影响的至少一个信道建模层。在所述方法中，所述至少一个信道建模层表示以下中的至少一个：(i)所述通信信道中的加性高斯热噪声；(ii)由所述通信信道的时变效应引起的延迟扩展；(iii)由通过所述通信信道的发射和接收引起的相位噪声；(iv)由通过所述通信信道的发射和接收引起的相位偏移、频率偏移或定时偏移。在所述方法中，所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含深度密集神经网络(DNN)、卷积神经网络(CNN)或循环神经网络(RNN)中的至少一个，所述DNN、CNN或RNN包含参数乘法、加法和非线性特性。所述方法进一步包含：处理所述第一RF信号以生成第一模拟RF波形，所述第一模拟RF波形输入到所述通信信道中；接收第二模拟RF波形作为所述通信信道的输出，所述输出表示通过所述通信信道改变的所述第一模拟RF波形；以及处理所述第二模拟RF波形以生成所述第二RF信号。在所述方法中，所述通信信道包含无线电通信信道、声学通信信道或光学通信信道中的至少一个。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

另一方面，一种方法由至少一个处理器执行以通过RF信道部署学习通信系统。所述方法包含：确定编码器和解码器，所述编码器和所述解码器中的至少一个被配置成实施编码或解码，所述编码或解码基于被训练成通过通信信道对信息进行编码或解码的编码器机器学习网络或解码器机器学习网络中的至少一个；确定第一信息；使用所述编码器处理所述第一信息并生成第一RF信号；由至少一个发射器通过所述通信信道发射所述第一RF信号；由至少一个接收器接收表示通过经由所述通信信道的发射改变的所述第一RF信号的第二RF信号；以及使用所述解码器处理所述第二RF信号并生成第二信息作为对所述第一信息的重构。这方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。所述方法进一步包含：确定指示(i)所述第二信息与所述第一信息之间的距离量度或(ii)关于所述通信信道的信道状态信息中的至少一个的反馈信息；以及基于所述反馈信息更新所述编码器或所述解码器中的至少一个。在所述方法中，基于所述反馈信息更新所述编码器或所述解码器中的至少一个进一步包含：基于所述反馈信息从多个信道模式中确定表示所述通信信道的状态的信道模式；以及基于所述通信信道的所述信道模式更新所述编码器或所述解码器中的至少一个。在所述方法中，所述编码器实施基于训练编码器机器学习网络的结果的编码映射并且所述解码器实施基于训练解码器机器学习网络的结果的解码映射，并且其中所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自动编码器以学习通过通信信道进行的通信。所述方法进一步包含：处理所述第一RF信号以生成第一模拟RF波形；使用一或多个发射天线通过所述通信信道发射所述第一模拟RF波形；使用一或多个接收天线接收表示通过所述通信信道改变的所述第一模拟RF波形的第二模拟RF波形；以及处理所述第二模拟RF波形以生成所述第二RF信号。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

另一方面包含一种系统，所述系统包含：至少一个处理器；以及至少一个计算机存储器，所述至少一个计算机存储器在其上存储有指令、耦接到所述至少一个处理器，所述指令当由所述至少一个处理器执行时使所述至少一个处理器执行包含以下的操作：确定第一信息；使用编码器机器学习网络处理所述第一信息并生成第一RF信号以通过通信信道传输；确定第二RF信号，所述第二RF信号表示通过经由所述通信信道的传输改变的所述第一RF信号；使用解码器机器学习网络处理所述第二RF信号并生成第二信息作为对所述第一信息的重构；计算所述第二信息与所述第一信息之间的距离量度；以及基于所述第二信息与所述第一信息之间的所述距离量度更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。这方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。在所述系统中，基于所述第二信息与所述第一信息之间的所述距离量度更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含：确定包含所述第二信息与所述第一信息之间的所述距离量度的目标函数；计算所述目标函数相对于所述编码器机器学习网络或所述解码器机器学习网络中的至少一个的变化的变化率；基于所述目标函数的计算的变化率选择第一变化用于所述编码器机器学习网络或第二变化用于所述解码器机器学习网络中的至少一个；以及基于所述编码器机器学习网络的所选第一变化或所述解码器机器学习网络的所选第二变化中的所述至少一个更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。在所述系统中，所述第二信息与所述第一信息之间的所述距离量度包含(i)所述第二信息与所述第一信息之间的交叉熵或(ii)所述第二信息与所述第一信息之间的几何距离度量中的至少一个。在所述系统中，更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含以下中的至少一个：更新所述编码器机器学习网络中的一或多层中的至少一个编码网络权重或网络连接性，或者更新所述解码器机器学习网络中的一或多层中的至少一个解码网络权重或网络连接性。在所述系统中，更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个进一步包含：从多个信道模式中确定表示所述通信信道的状态的信道模式；以及基于所述通信信道的所述信道模式更新所述编码器机器学习网络或所述解码器机器学习网络中的至少一个。在所述系统中，所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自动编码器以学习通过通信信道进行的通信，并且其中所述自动编码器包含表示所述通信信道对传输的波形的影响的至少一个信道建模层。在所述系统中，所述至少一个信道建模层表示以下中的至少一个：(i)所述通信信道中的加性高斯热噪声；(ii)由所述通信信道的时变效应引起的延迟扩展；(iii)由通过所述通信信道的发射和接收引起的相位噪声；(iv)由通过所述通信信道的发射和接收引起的相位偏移、频率偏移或定时偏移。在所述系统中，所述编码器机器学习网络或所述解码器机器学习网络中的至少一个包含深度密集神经网络(DNN)、卷积神经网络(CNN)或循环神经网络(RNN)中的至少一个，所述DNN、CNN或RNN包含参数乘法、加法和非线性特性。在所述系统中，所述操作进一步包含：处理所述第一RF信号以生成第一模拟RF波形，所述第一模拟RF波形输入到所述通信信道中；接收第二模拟RF波形作为所述通信信道的输出，所述输出表示通过所述通信信道改变的所述第一模拟RF波形；以及处理所述第二模拟RF波形以生成所述第二RF信号。在所述系统中，所述通信信道包含无线电通信信道、声学通信信道或光学通信信道中的至少一个。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

另一方面包含一种系统，所述系统包含：至少一个处理器；以及至少一个计算机存储器，所述至少一个计算机存储器在其上存储有指令、耦接到所述至少一个处理器，所述指令当由所述至少一个处理器执行时使所述至少一个处理器执行包含以下的操作：确定编码器和解码器，所述编码器和所述解码器中的至少一个被配置成实施编码或解码，所述编码或解码基于被训练成通过通信信道对信息进行编码或解码的编码器机器学习网络或解码器机器学习网络中的至少一个；确定第一信息；使用所述编码器处理所述第一信息并生成第一RF信号；由至少一个发射器通过所述通信信道发射所述第一RF信号；由至少一个接收器接收表示通过经由所述通信信道的发射改变的所述第一RF信号的第二RF信号；以及使用所述解码器处理所述第二RF信号并生成第二信息作为对所述第一信息的重构。这方面的其它实施方案包含对应的计算机系统、设备和记录在一或多个计算机存储装置上的计算机程序，所述计算机系统、设备和计算机程序各自被配置成使至少一个可操作地连接的处理器执行所述方法的动作。

实施方案可以包含以下特征中的一或多个。在所述系统中，所述操作进一步包含：确定指示(i)所述第二信息与所述第一信息之间的距离量度或(ii)关于所述通信信道的信道状态信息中的至少一个的反馈信息；以及基于所述反馈信息更新所述编码器或所述解码器中的至少一个。在所述系统中，基于所述反馈信息更新所述编码器或所述解码器中的至少一个进一步包含：基于所述反馈信息从多个信道模式中确定表示所述通信信道的状态的信道模式；以及根据所述通信信道的所述信道模式更新所述编码器或所述解码器中的至少一个。在所述系统中，所述编码器实施基于训练编码器机器学习网络的结果的编码映射并且所述解码器实施基于训练解码器机器学习网络的结果的解码映射，并且其中所述编码器机器学习网络和所述解码器机器学习网络被共同训练为自动编码器以学习通过通信信道进行的通信。在所述系统中，所述操作进一步包含：处理所述第一RF信号以生成第一模拟RF波形；使用一或多个发射天线通过所述通信信道发射所述第一模拟RF波形；使用一或多个接收天线接收表示通过所述通信信道改变的所述第一模拟RF波形的第二模拟RF波形；以及处理所述第二模拟RF波形以生成所述第二RF信号。所描述技术的实施方案可以包含硬件、方法或过程或者在计算机可访问媒体上的计算机软件。

所述方面或其它方面的的其它实施方案包含对应的系统、设备和在计算机存储装置上编码的被配置成执行所述方法的动作的计算机程序。一或多个计算机的系统可以通过在操作时使系统执行所述动作的安装在系统上的软件、固件、硬件或其组合来进行配置。一或多个计算机程序可以通过具有当由数据处理设备执行时使所述设备执行所述动作的指令来进行配置。

贯穿本申请描述的特征中的全部或部分特征可以被实施为包含被存储在一或多个非暂时性机器可读存储媒体上并且在一或多个处理装置上可执行的指令的计算机程序产品。贯穿本申请描述的特征中的全部或部分特征可以被实施为可以包含一或多个处理装置和用来存储可执行指令以实施所陈述功能的存储器的设备、方法或电子系统。

下文在附图和描述中阐述了本公开的主题的一或多个实施方案的详细内容。根据描述、附图和权利要求书，主题的其它特征、方面和优点将变得显而易见。

附图说明

图1展示了实施机器学习编码器和解码器以通过一或多个射频(RF)信道执行学习到的通信的RF系统的实例；

图2展示了可以在RF系统中实施以通过RF信道执行学习到的通信的机器学习编码器和解码器网络的网络结构的实例；

图3展示了训练实施机器学习编码器和解码器网络以通过RF信道学习编码和解码的RF系统的实例；

图4是展示了训练实施机器学习编码器和解码器网络以通过RF信道学习编码和解码的RF系统的实例方法的流程图；

图5展示了可以由编码器机器学习网络和/或解码器机器学习网络学习并用来通过RF信道通信的基函数的实例；

图6展示了可以由编码器机器学习网络和解码器机器学习网络学习以用于通过RF信道进行通信的发射RF信号和接收RF信号的实例；

图7展示了部署实施基于训练编码和解码机器学习网络的结果利用编码和/或解码技术通过真实世界RF信道执行学习到的通信的编码器和解码器的系统的实例；

图8是展示了部署基于训练编码和解码机器学习网络利用编码和/或解码技术通过真实世界RF信道执行学习到的通信的编码器和解码器的实例方法的流程图；并且

图9是展示了可以用于实施通过RF信道执行学习到的通信的系统的一或多个组件的计算系统的实例的图。

具体实施方式

本文公开了实现对通过受损RF信道进行的通信进行机器学习和部署的系统和技术。在一些实施方案中，训练至少一个机器学习网络将信息编码为通过无线电传输信道传输的信号并对接收的信号进行解码以恢复原始信息。训练可以被设计成实现各种标准、这样的低比特误码率、低功率、低带宽、低复杂性，从而在特定状态下表现良好，如在低信噪比(SNR)或在特定类型的信道衰落或干扰下和/或其它标准。然后，可以利用训练此些机器学习网络的结果来在通信场景中部署真实世界的编码器和解码器，以通过各种类型的RF通信媒体对信息进行编码和解码。在一些实施方案中，编码器和解码器的进一步学习和适配可以基于反馈信息在部署期间实施。这些编码器和解码器可以替换或增强一或多个信号处理功能，如调制、解调、映射、纠错或那些系统中现在存在的其它分量。

所公开的实施方案提出了用于为无线电通信应用设计和部署数字无线电系统的新方法。例如，所公开的实施方案可以帮助改进无线电信号处理工程的通常缓慢且增量的过程，反而实现了设计、构造和实现无线电通信系统的新方式。通过实施可以被训练成针对不同类型的通信媒体学习适合的编码和解码技术的机器学习网络，本文公开的技术提供了各种优势，如与当前可用的系统相比，改进的功率、弹性和复杂性优势。在一些场景中，这会对具有非常复杂的效应集的通信信道尤为重要，所述效应难以建模或者难以优化用于使用其它方法。

本文所公开的实施方案可以应用于广泛范围的无线电通信系统，如蜂窝、卫星、光学、声学、物理、紧急手持、广播、点对点、Wi-Fi、蓝牙和经受传输损伤的其它无线电形式。信道损伤可以包含例如如高斯样噪声等热噪声到如多径衰落、脉冲噪声、杂散或连续扰乱、干扰、失真、硬件效应和其它损伤等更复杂的损伤。

编码器和解码器可以实施从一或多个机器学习网络学习的编码和解码技术，所述机器学习网络被训练成基于一或多个客观标准学习适合的输入-输出编码和解码映射。例如，机器学习网络可以是人工神经网络。在训练期间，可以通过选择编码器和/或解码器中的模型架构、权重和参数来适配机器学习网络，以学习编码和解码映射。可以共同训练或者可以迭代地训练编码机器学习网络和解码机器学习网络。

例如，编码器机器学习网络和解码器机器学习网络可以实施为自动编码器，在所述自动编码器中，编码器网络和解码器网络被共同优化。在一些实施方案中，可以通过将受损信道的效应建模为一或多个信道建模层或表示无线信道行为的另一个可微分函数集来训练自动编码器，所述信道建模层如可以包含在自动编码器网络中的变分层的随机层(例如变分层、转化层、变化层/采样器、噪声层、混合层等)。对信道进行建模的层可以跨信道的随机行为形成变分函数。

在训练期间，可以训练编码器机器学习网络和解码器机器学习网络执行无监督的或部分监督的机器学习，以确定用于通过受损信道发射和接收信息的技术。因此，在一些场景中，本文的公开的实施方案可以自适应地学习用于将信息编码成通过信道发射的波形的技术以及用于将接收的波形解码成重构信息的技术，而不是依赖于用于纠错、调制、预编码和成形的预先设计的系统。可以在真实或模拟信道条件下训练编码器机器学习网络和/或解码器机器学习网络。可以在部署期间进一步更新利用训练此些机器学习网络的结果的编码器和/或解码器，从而在适应不同类型的无线系统需求方面提供优势并且在一些情况下提高此些系统的吞吐量、误码率、复杂性和功耗性能。

如此，不管RF信道的类型或RF信道损伤的类型如何，本文所公开的实施方案可以提供用于学习信息表示的广泛适用的技术，所述信息表示实现了通过受损RF信道进行可靠通信。根据训练系统的配置以及所使用的数据集和信道模型，此些机器学习通信技术可以专门研究较窄种类的条件、信号或信道类型的性能或者可以针对广泛范围的信号或信道类型或者一或多个信号或信道的混合来概括和优化性能。

图1展示了实施编码器和解码器以通过一或多个射频(RF)信道执行学习到的通信的RF系统100的实例。系统100包含编码器102和解码器104两者，所述编码器和所述解码器实施由机器学习网络学习的编码和解码技术，以通过受损的RF信道106进行通信。

在训练场景中，编码器102包含学习如何将输入信息108表示为用于通过信道106发射的发射信号112的机器学习网络。类似地，在训练期间，解码器104包含学习如何将接收的信号114解码成近似于原始输入信息108的重构信息110的机器学习网络。在训练期间，可以通过网络更新过程116来训练编码器102和/或解码器104。可以训练编码器102和解码器104以实现各种类型的目标函数，如重构误差的量度、计算复杂性的量度、带宽、等待时间、功率或其各种组合以及其它目标。训练的进一步细节在下文例如参考图3进行描述。

在部署场景中，编码器102和解码器104可以实施先前从训练中学习到的编码和解码技术或者可以在部署期间(进一步)进行训练。使用在训练期间学习到的编码和解码表示，编码器102和解码器104可以部署在各种应用场景中以执行通信。在一些实施方案中，编码器102和/或解码器104可以基于实时性能结果(如重构误差、功耗、延迟等)在部署期间进一步更新。部署的进一步细节在下文例如参考图7进行描述。在这些情况下，损失函数的错误反馈可能在某些情况下经由通信总线或可以用于更新编码器102和/或解码器104的在无线系统内的协议消息以及用于帮助表征信道106的响应的信息发生。

输入信息108和重构信息110可以是用于通过信道传送的任何适合的信息形式，如比特流、分组、离散时间信号或连续时间波形。本文所公开的实施方案不限于任何特定类型的输入信息108和重构信息110并且通常适用于学习用于通过RF信道106传送各种类型的信息的编码和解码技术。

在一些实施方案中，编码器102和解码器104采用一或多个信号处理操作，所述一或多个信号处理操作适于RF通信域的类型。作为实例，编码器102和/或解码器可以实施滤波、调制、模数(A/D)或数模(D/A)转换、均衡或适于特定类型的RF信号或通信域的其它信号处理方法。在一些实施方案中，编码器102和/或解码器104可以实施一或多个发射和接收天线以及适于通过RF信道106发射信号112并接收信号114的其它硬件或软件。

因此，在此些场景中，如图1的实例所示出的，发射信号112和接收信号114可以表示通过一或多个天线经由RF信道106发射和接收的实际RF波形。因此，编码器102和解码器104表示信息108/110与RF波形112/114之间的广义映射。

相比之下，在一些实施方案中，系统100可以与编码器102和解码器104分开地实施信号处理和RF发射/接收过程。在此些实施方案中，一或多个信号发射和/或信号接收组件，如滤波、调制、A/D或D/A转换、单个或多个天线等可以被表示为信道106的一部分。因此，信道106的损伤可以包含发射器/接收器效应，如滤波损伤、加性噪声或发射器和/或接收器组件的其它损伤。因此，在此些场景中，发射信号112和接收信号114表示信息108/110的中间表示，并且信道106表示信息的这些中间表示到和自通过RF媒体发射和接收的实际RF波形的一般转化。例如，发射信号112和接收信号114可以表示RF波形的基系数、RF波形的时域样本、在RF波形值上的分布，或可以转化成RF波形并从RF波形转化的其它中间表示。

在训练场景中，可以将重构信息110与原始信息108进行比较，并且可以基于重构的结果来训练(更新)编码器102和/或解码器104。在一些实施方案中，更新编码器102和/或解码器104还可以基于其它因素，如机器学习网络的计算复杂性(所述计算复杂性可以例如通过参数的数量、乘法/加法的数量、执行时间、柯尔莫哥洛夫复杂性(Kolmogorovcomplexity)或以其它方式进行测量)、用于通过信道106通信的传输带宽或功率或其各种组合以及其它度量。

在一些实施方案中，编码器102和解码器104可以包含人工神经网络，所述人工神经网络由参数乘法、加法和非线性特性的一或多个连接层组成。在此些场景中，更新编码器102和/或解码器104可以包含更新神经网络层的权重、或更新神经网络层中的连接性、或神经网络架构的其它修改，以便修改输入到输出的映射。

编码器102和解码器104可以被配置成使用任何适合的机器学习技术进行编码和解码。通常，编码器102可以被配置成学习从输入信息108到较低维或较高维表示的映射作为发射信号112。类似地，解码器104可以被配置成学习从较低维或较高维接收信号114到重构信息110的反向映射。

作为实例，在编码器102和解码器104中实施的映射可以涉及学习用于RF信号的基函数集。在此些场景中，对于特定的基函数集，编码器102可以将输入信息108转化成对应于那些基函数的基系数集，并且然后基系数可以用于生成发射的RF波形(例如通过采取由基系数加权的基函数的加权组合)。类似地，解码器104可以通过从接收的RF波形生成基系数集(例如通过将接收的RF波形投射到基函数集上)来生成重构信息110。基函数本身可以是任何适合的正交或非正交基函数集，受能量、振幅、带宽或其它条件的适当约束。

在部署期间，在一些实施方案中，编码器102和/或解码器104可以基于训练机器学习网络的结果利用简化的编码和解码技术。例如，编码器102和/或解码器104可以基于学习到的编码/解码映射利用近似值或紧凑的查找表。在此些部署场景中，编码器102和/或解码器104可以实施更简化的结构，而不是完整的机器学习网络。例如，如蒸馏等技术可以用来训练执行同一信号处理功能的较小的机器学习网络。对此些部署场景的进一步讨论在下文关于图7提供。

在一些实施方案中，编码器102和/或解码器104可以包含被设计成促进通过RF信道通信的一或多个固定组件或算法，如专业同步器、均衡器等。如此，在训练期间，可以训练编码器102和/或解码器104学习适于此些固定组件或算法的编码/解码技术。

由系统100发射和接收的RF信号可以包含任何适合的射频信号，如声学信号、光学信号或其它模拟波形。由系统100处理的RF信号的频谱可以在1kHz到300GHz的范围内。例如，此些RF信号包含在1kHz到30kHz之间的特低频(VLF)RF信号、在30kHz到300kHz之间的低频(LF)RF信号、在300kHz到1MHz之间的中频(MF)RF信号、在1MHz到30MHz之间的高频(HF)RF信号以及高达300GHz的高频RF信号。

图2展示了可以在RF系统中实施以通过RF信道执行学习到的通信的机器学习编码器网络和解码器网络的网络结构200的实例。

网络结构200使用形成编码器网络202和解码器网络204的一或多层。每层的输出被用作到网络中的下一层的输入。网络的每一层根据相应参数集的当前值从接收的输入生成输出。例如，在一些实施方案中，编码器网络202和/或解码器网络204可以包含可以被共同或迭代地训练的多个网络。如此，图2中的网络输入208可以是原始信息(例如上文图1中的输入信息108)或者可以是编码器网络204中的先前的一或多层的输出。类似地，网络输出210可以表示重构信息(例如上文图1中的重构信息110)或者可以是到解码器网络204中的后续一或多层的输入。在某些情况下，网络本质上可能不是连续的，从而利用了绕过或路由通过多个可能架构的各个层或神经元之间的连接。

在训练期间，可以训练编码器网络202和/或解码器网络204学习用于通过各种类型的RF信道通信的编码和/或解码技术。在部署期间，编码器网络202和/或解码器网络204(经过训练)可以在编码器和/或解码器中实施。可替代地，在一些部署场景中，部署的编码器和解码器可以基于训练编码器网络202和/或解码器网络204的结果来利用简化的编码和解码映射。在稍后的场景中，编码器网络202和/或解码器网络204仅在训练期间利用并且提供了可以在真实世界系统中部署的更简化的编码器和解码器中利用的学习到的编码和/或解码技术。对此些简化部署场景的进一步讨论在下文关于图7提供。

在图2的实例中，编码器网络202和解码器网络204用被配置成自动编码器的神经网络结构200来实施。在自动编码器结构的场景中，编码器和解码器被共同训练，以学习最佳信息表示以用于通过信道206通信。然而，通常，网络结构200可以被配置成编码器网络202和解码器网络204中的单独的网络，所述编码器网络和所述解码器网络可以被共同或迭代地训练。在训练期间，可以通过网络更新过程216来更新编码器网络202和/或解码器网络204。

通常，编码器网络202和/或解码器网络204可以包含输入和中间值的乘法、除法和求和或其它运算的一或多个集合，任选地之后是非线性特性(如修正线性单元、S型函数或其它)或其它运算(例如归一化)，所述运算可以以前馈方式或以具有反馈和层内连接的方式布置(例如在某些情况下可以使用训练信息序列的循环神经网络(RNN))。例如，循环神经网络可以是包含一或多个LSTM记忆块的长短期记忆(LSTM)神经网络或将卷积网络的元素与循环网络组合的准循环神经网络(QRNN)。

网络中的参数和权重值可以如在完全连接的神经网络(DNN)中那样用于单次乘法，或者所述参数和权重值可以跨网络内的多个位置被“连结(tie)”或复制以形成一或多个感受野，如在卷积神经网络、扩张的卷积神经网络、残差网络单元等中。这些层中的一或多层的集合可以构成编码器202和解码器204两者，如图2的实例所示出的。可以在设计时明确地指定或者可以从多个可能的架构候选项中选择网络的具体结构，以确定表现最佳的候选项。

在一些实施方案中，编码器网络202可以包含输出层，所述输出层包含线性回归层。解码器网络204可以包含以下中的至少一个：(i)包含用于在对接收的RF信号214进行解码时对重构信息210进行回归的线性层的输出层、或(ii)用于对接收的RF信号214进行概率回归或削波的S型或硬S型激活层、或(iii)激活S型表达的组合，如SoftMax或分层SoftMax，所述SoftMax或分层SoftMax可以计算概率表达，如离散消息或比特集的伪似然度。

在一些实施方案中，编码器网络202和/或解码器网络204可以包含实施如同步、均衡等固定通信算法的一或多层。如此，在一些场景中，编码器网络202和/或解码器网络204可以被训练和部署，以基于网络中的此些固定层来学习适合的编码和/或解码技术。因此，本文所公开的网络结构200通常实现了对编码器网络202和解码器网络204的灵活设计和训练，例如通过并入一或多个现有的通信算法，所述通信算法可以结合机器学习技术部署在真实世界系统中以围绕这些固定算法进行优化。

图2的实例仅示出了可以实施的网络结构的一种可能实施方案。通常，实施方案不限于这些具体类型的层，并且可以使用层和非线性特性的其它配置，如密集的、完全连接的和/或DNN层，包含修正线性单元(ReLU)、S型、双曲正切等。网络结构200使用这些层来预测接收的输入208的输出210。在一些实施方案中，可以在编码器202的输出上实施线性回归层，并且可以在解码器204的输出上实施线性层(以用于软解码)，或者可以在解码器204的输出上实施硬S型激活(以用于硬解码)。

由编码器202产生的发射信号212可以是模拟形式的实际RF波形，或者可以是基于时间、频率或任何其它信号表示的一系列无线电样本，或者可以是中间表示(例如RF样本、基系数、在RF波形值上的分布等)，以用于将输入信息208映射到RF波形中，以便通过信道206传输。类似地，接收的信号214可以是模拟形式的实际接收RF波形，或者可以是中间表示(例如RF样本、基系数、在RF波形值上的分布等)，以用于将接收的RF波形映射到重构信息210中。例如，在编码器202和解码器204被实施为变分自动编码器的场景中，发射的RF信号212和接收的RF信号214可以表示在RF波形值上的分布。

网络结构200还可以包含一或多个信道建模层207，所述一或多个信道建模层可以是随机层(例如变分层)。在一些情况下，信道建模层207可以具有对卷积网络层权重进行权重变分、对密集网络层激活进行活动变分或者对激活或权重的其它随机损伤(如丢失(dropout))中的至少一个。在某些情况下或除这些情况之外，所述层可以对信道系统中存在的非线性特性执行另外的求近似(如放大器或RF组件行为)，或者所述层可以利用变分层，如从由权重或激活指定或参数化的随机分布中采样的层。

在一些实施方案中，所述一或多个信道建模层207可以对信道206中的损伤效应进行建模，所述损伤效应可以包含RF媒体和/或发射和接收组件的各种类型的损伤。此些信道建模层207可以在网络结构200的训练期间实施，在这种情况下，所述一或多个信道建模层207可以实施为整体自动编码器结构中的一或多层，以表示信道206的损伤效应。在通过真实RF信道进行评估或部署期间，信道206将会是真实世界通信信道(包含可能的发射器和/或接收器效应)，并且对应的信道建模层207将会从部署中移除，仅将编码器202和解码器204的网络层部署在真实信道206上。

然而，信道建模层207通常可以出于各种原因在网络结构200的各个不同部分实施，如以预防过度拟合、或实施丢失如对卷积层权重的惩罚以鼓励最小能量基数、或对密集层激活实施惩罚以鼓励解的稀疏性、或改善系统对未看到的条件或信道状态或行为的泛化。

在训练期间使用一或多个信道建模层207对信道206进行建模的场景中，网络结构200可以实施域特定变分来对RF信道损伤效应进行建模。例如，所述一或多个信道建模层207可以对在无线RF系统中进行空中传输期间出现的不同类型的损伤进行建模，如接收的信号的加性高斯热噪声、未知到达时间和速率、载波频率和相位偏移、衰落、硬件失真、干扰和/或延迟扩展。

此些信道建模层207，如高斯噪声和丢失可以在训练期间使用并且在通过真实信道进行评估或部署期间移除。在无线电通信中，如加性高斯白噪声(AWGN)等加性噪声可以通过将实值高斯随机变量加到不同的信号分量来进行建模，所述信号分量可以是通过信道的信号基函数(例如同相(I)和正交(Q)分量)。在一些实施方案中，可以在AWGN效应之前实施归一化层，所述归一化层将平均功率输入激活归一化例如到等于1的归一化值。这种形式的约束可以应用于编码器202，以实施广泛范围的可能波形设计标准，如最大功率、最小功率、平均功率、平均振幅、峰均功率比或可以用作硬约束的发射波形的广泛范围的性质。可替代地，类似的此些波形设计目标可以作为软约束被包含在内，所述软约束在训练期间被组合到网络的损失函数中，如以下关于图3进一步讨论的。

还可以实施信道建模层207以对未知时间和到达速率进行建模，例如通过在时域中应用随机或先验未知偏移和缩放，这样可以对无线电传播时间发生变化并且分布式无线电系统上的时钟不同步的场景进行建模。这些效应可以例如通过具有高斯分布的随机时间偏移和随机时间膨胀速率来进行建模。

作为信道建模层207的其它实例，载波频率和相位偏移可以被建模为信号分量的旋转，所述信号分量可以是信号基函数。在一些实施方案中，可以使用复杂的基带表示来执行采样，在这种情况下，由于发射器和接收器上的振荡器不同步导致的到达的中心频率和绝对相位的未知偏移以及多普勒频移可能导致不同信号分量进行静态或线性极性混合。为了模拟真实系统并提高泛化，此些信道建模层207可以基于由于独立的漂移振荡器引起的预期中心频率偏移误差来随机地选择相位和频率偏移或线性相位斜坡。

作为信道建模层207的又一个实例，可以对接收的信号的延迟扩展进行建模，以模拟到达接收器的信号的众多延迟和相移副本的到达。由于这被模拟为线性系统并且我们假设在单个采样时间窗口上具有稳定性，因此我们可以选择随机非脉冲信道延迟扩展滤波器并将其与输入信号进行卷积，以获得根据随机信道响应在时间上线性地扩展的输出。例如，在信号窗口小于信道相干时间的场景中，这种假设可能是适合的。在信号窗口大于信道相干时间的场景中，信道进展可以被建模为具有某种相关度的序列，并且网络200可以学习对延迟扩展模式序列进行校正的技术。

此延迟扩展和相干时间可以在不同类型的通信系统中有所变化，包含有时可以具有非常短的脉冲信道响应的基于金属线和空间的无线系统或者可以具有较长延迟扩展的高频密集多径无线系统。在一些实施方案中，延迟扩展被建模为对发射的RF信号实施一或多个卷积或滤波操作的信道建模层207。

在一些实施方案中，网络结构200可以与一或多种固定发射和/或接收技术一起使用，并且可以适应编码网络202和/或解码网络204的层，以学习适于那些固定发射/接收组件的编码和解码操作。例如，在一些场景中，网络结构200可以采用固定滤波、采样、调制、均衡、子载波分配、参考信号插入、编码或其它发射/接收技术，并且可以学习适配整个通信系统以最佳地利用这些固定分量的适合的网络层参数或网络结构。

网络结构200的总体设计目标可以是获得经受其它目标或约束的重构信息210的期望重构性能。例如，系统的某些实现可能有利于降低的功率和/或带宽、通过信道传输的RF信号的其它改进的性质或者改进的计算复杂性。如此，系统可以评估这些目标之间的权衡，这可以用来帮助确定用于编码、解码或其它信号推理任务的特定架构。

图3展示了训练实施机器学习编码器和解码器网络以通过RF信道进行通信的RF系统300的实例。系统300包含编码器网络302和解码器网络304，所述编码器网络和所述解码器网络被训练成通过信道306进行通信。图3所展示的训练可以在部署之前实施，或者在一些场景中可以作为部署的一部分被并入，例如以基于真实世界性能进一步更新和精制编码器网络302和解码器网络304。

在一些实施方案中，编码器网络302和解码器网络304可以用于训练以学习适合的编码和解码映射，并且此些映射可以在使用更简化的编码器和解码器的部署系统中实施。例如，部署的系统可以利用在编码器处使用查找表并在解码器处使用基于距离的度量、或基于训练编码器网络302和解码器网络304的结果设计的编码和解码的其它简化形式。对此些简化部署场景的进一步讨论在下文关于图7提供。

在训练期间实施的信道306可以是经由模拟和/或基于真实世界RF信道数据获得的RF信道的模型。例如，在一些实施方案中，训练可以从模拟的信道模型开始并且基于反映真实世界传播环境或发射器数据的模拟传播模型来训练编码器网络302和解码器网络304。编码器网络302和解码器网络304然后可以针对真实信道进一步训练，在所述真实信道中，硬件与训练反馈环路一起使用。

在一些实施方案中，信道306的模型可以包含发射器和接收器组件的效应，如滤波、调制等。例如，在模拟信道被用于训练的场景中，可以利用适合具体硬件/软件和无线部署条件集的分析型信道损伤模型。如此，图3中的训练可以训练编码器网络302和解码器网络304以在不同的信道条件下操作并用于不同的真实世界发射器和接收器场景。

在训练期间，可以共同训练或迭代地训练编码器网络302和解码器网络304。例如，可以将编码器网络302和解码器网络304共同训练为自动编码器(如上文关于图2所描述的)。在一些实施方案中，可以分别训练编码器网络302和解码器网络304。在此些场景中，可以通过先前的训练或通过发射/接收方案来固定所述网络中的一个网络，同时训练另一个网络学习适于固定对等网络的编码/解码策略。

例如，可以固定编码器网络302以生成输入信息308到发射的RF信号312的特定映射，并且可以训练解码器网络304学习从接收的RF信号314到最适于固定编码器302的重构信息310的映射。在一些实施方案中，输入信息308可以由用于训练目的的训练数据表示。训练数据可以具有与输入信息308不同的形式，但是出于训练的目的，可以表示输入信息308。在此些场景中，编码器网络302可以处理表示第一信息的训练数据，并且解码器网络304可以生成重构信息310作为由训练数据表示的对第一信息308的重构。

系统300可以计算原始输入信息308与重构信息310之间的损失函数318。损失函数318可以是输入信息308与重构信息310之间的距离的任何适合的量度，如交叉熵、均方差或其它几何距离度量(例如平均绝对误差(MAE))。在一些实施方案中，损失函数318可以将若干个几何的、基于熵的和/或其它种类的距离度量组合成距离或损失的聚合表达。

在一些实施方案中，另外的损失项可以与此些主要损失项结合地在损失函数318中使用，例如以完成次要目标(例如以减少施加于次要接收器上的干扰或改善如峰均功率比(PAPR)等有利的信号性质)。

除了实现包含损失函数318的目标之外，系统300还可以被配置成实现与其它性能量度有关的目标，如功率、带宽、复杂性或与通信相关的其它性能度量。在一些实施方案中，系统300可以被配置成在不同的性能度量之间实现期望的权衡。例如，实现此权衡可以使用将不同度量组合为例如度量的加权组合的目标函数来实施。另外或作为替代性方案，这种权衡可以通过根据用户偏好或应用规格选择模型来实现。另外或作为替代性方案，系统300可以实施对性能度量的一或多个硬约束，如对功率、带宽、重构误差等的约束。

在一些实施方案中，网络更新过程316可以基于各种性能度量来更新编码器网络302和/或解码器网络304。这种更新可以包含对编码器网络302和/或解码器网络304中的网络的网络架构、参数或权重的更新。例如，更新可以包含更新网络的一或多层中的权重或参数、为编码器网络302和解码器网络304选择机器学习模型、或选择具体的网络架构(如选择层、层超参数或其它网络特征)。如所讨论的，更新可以在编码器网络302和解码器网络304上以共同或迭代的方式实施或者单独实施(如在所述网络中的一个网络固定的情况下那样)。

如以上所讨论的，通过网络更新过程316执行的更新可以在训练期间执行以在部署之前学习适合的编码和解码技术，和/或可以在部署期间执行(如果部署的编码器和/或解码器实施了机器学习网络的话)以基于真实世界部署性能结果进一步更新编码器网络302和/或解码器网络304。

在一些实施方案中，网络更新过程316可以更新编码器网络302和/或解码器网络304，以实现期望的目标函数，所述目标函数可以包含损失函数318和以上所讨论的其它性能度量。在一些实施方案中，网络更新过程316可以利用优化方法，如进化、梯度下降、随机梯度下降或其它求解技术中的一种。

作为基于梯度的更新的实例，网络更新过程316可以计算目标函数相对于编码器网络302和/或解码器网络304的变化的变化率，例如通过计算目标函数的梯度或对目标函数的梯度求近似。此些变化可以包含例如如图3的实例中示出的一或多个网络层的权重的变化或其它网络架构选择。在信道306基于真实RF信道数据并且不具有封闭形式梯度解的场景中，可以使用近似法来估计目标函数的梯度。

基于计算的目标函数的变化率，网络更新过程316可以确定编码器网络302的第一变化和/或解码器网络304的第二变化。这些变化可以例如使用随机梯度下降(SGD)风格优化器来计算，如Adam、AdaGrad、Nesterov SGD或其它优化器。在一些实施方案中，这些变化可以使用用于直接搜索的其它可缩放方法来计算，如进化算法或粒子群优化。

一旦确定了变化，网络更新过程316就将这些变化应用于编码器网络302和/或解码器网络304。例如，网络更新过程316可以更新编码器网络302的一或多层中的至少一个编码网络权重和/或解码器网络304的一或多层中的至少一个解码网络权重。

更新编码器网络302和解码器网络304通常不限于更新网络权重，并且可以实施其它类型的更新。例如，更新编码器网络302和解码器网络304可以包含从多个编码模型中选择机器学习模型用于编码器网络302以及从多个解码模型中选择机器学习模型用于解码器网络304。在此些实施方案中，选择机器学习模型可以包含选择具体的网络架构，如选择层、层超参数或其它网络特征。

编码器网络302和/或解码器网络304可以根据信道306的各种训练模型进行训练，所述训练模型可以是同一类型或不同类型的信道模型。根据信道306的模型集的组成，可以优化编码器网络302和解码器网络304以通过某种类型的RF信道或广泛范围的不同类型的RF信道进行通信。

在一些实施方案中，信道306的模型可以被分类成许多不同的模式。在训练期间，编码器网络302和/或解码器网络304可以根据信道306的不同模式进行训练。对于这些模式中的每个模式，编码器网络302和/或解码器网络304可以针对不同的模式学习适合的编码和/或解码技术。信道306的不同模式可以表示对信道条件的任何适合的分类，如噪声水平、SNR、延迟扩展、信道变化率、带宽等。

在一些实施方案中，代替信道306是模拟信道，真实信道可以用于训练编码器网络302和/或解码器网络304。在此些实施方案中，可以实施另外的发射和接收组件(硬件或软件)以通过真实信道发射和接收模拟RF波形。此些发射和接收组件可以在编码器网络302和解码器网络304中实施，或者它们的效应可以包含在信道306的模型中考虑到的信道效应中。如此，无论是模拟的还是真实的，图3中的训练可以通过任何适合的信道306执行，以训练编码器网络302和解码器网络304学习适合的编码和解码技术。

在训练期间，编码器网络302可以被配置成学习从输入信息308到发射的RF信号312的映射。类似地，解码器网络304可以被配置成学习从接收的RF信号314到重构信息310的反向映射。如以上所讨论的，发射的RF信号312和接收的RF信号314可以表示通过RF信道发射和接收的模拟RF波形，或者可以表示中间表示(例如RF波形样本、基函数系数、在RF波形上的分布等)，所述中间表示通过一或多个其它组件(如滤波器、调制器、均衡器等)的处理转化成模拟RF波形或从模拟RF波形转化而来。例如，在编码器网络302和解码器网络304被实施为变分自动编码器的场景中(如以上关于图2所讨论的)，RF信号212和214可以表示在RF波形值上的分布。发射的RF信号312和接收的RF信号314通常可以表示由编码器网络302和解码器网络304学习到的用于通过特定信道或特定种类的信道对信息进行编码和解码信息的任何适合的RF信号表示。

在一些实施方案中，编码和解码映射可以涉及基函数集。基函数可以被编码器网络302用来将输入信息308转化成发射的RF信号(所述信号可以是基系数集)、或是基函数的加权组合的RF波形、或使用特定基函数集的其它适合的表示。类似地，解码器网络304可以使用同一基函数集来处理接收的RF信号314以生成重构信息310，例如通过将RF信号314投射到基函数集上以生成基系数或者在RF信号314本身是基系数集的场景中通过将RF信号314中的基系数转化成重构信息310。

基函数可以是正交或非正交基函数集中的任何适合的集合。例如，基函数可以是同相和正交相位(I/Q)信号、傅立叶基函数、多项式基函数、高斯基函数、指数基函数、小波基函数或这些和/或可以用来表示通过信道传输的RF波形的其它适合的基函数集的组合。基函数可以具有不同的相位、振幅和/或频率分量。在一些实施方案中，基函数可以被参数化，并且训练可以涉及跨基函数的参数进行优化。

训练编码器网络302和解码器网络304可以从任何适合的初始条件集开始。例如，训练可以从受某些条件限制的基函数随机集合开始。可替代地，训练可以从基函数的固定集合开始，如常用的RF通信基函数，包含正交相移键控(QPSK)或高斯二进制频移键控(GFSK)、正交频分多址(正交频分复用(OFDM))或其它基函数固定集合。

在训练期间，编码器网络302和解码器网络304试图根据编码和解码的结果学习改进的基函数。训练编码器102和解码器104可以涉及例如使用贪婪搜索或其它优化型算法跨基函数集或不同的基函数集进行优化。

在一些实施方案中，输入信息308可以从训练的信息集合中选择。在一些实施方案中，输入信息308可以限于特定种类的信息，如二进制信息、离散时间信息、模拟波形或其它种类的信息。在此些场景中，训练系统300学习通信编码和解码技术，调谐所述技术以(通过特定信道或特定种类的信道)传送所述特定种类的信息。通过对不同类型的信息308和不同类型的信道306进行训练，系统300可以被训练来学习适用于不同通信场景的不同编码和解码操作。

损失函数318可以是输入信息308与重构信息310之间的距离的任何适合的量度或量度组合。例如，损失函数318可以包含交叉熵、均方差(MSE)、根据MSE惩罚预测值但仅针对落在决策阈值错误一侧的值的剪切MSE、或以指数方式惩罚损失的指数损失函数、或一或多个其它合适的距离度量。

另外，如以上所讨论的，其它性能度量可以并入训练中，例如作为损失函数318的一部分和/或作为硬约束等。例如，此些性能度量可以包含作为信噪比(SNR)、通信带宽、通信功率、频谱效率的函数的误码率(BER)(可以在特定SNR下通过固定带宽信道传输的每秒比特数)。除了损失函数318之外，此些度量中的任何一个或组合可以在训练期间用作损失函数318的一部分(例如作为加权组合)和/或作为硬约束。

图4是展示了训练实施机器学习编码器和解码器网络以通过RF信道学习编码和解码的RF系统的实例方法400的流程图。训练方法400可以由执行在计算机存储媒体上编码的指令的一或多个处理器来执行，如一或多个中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、任务处理单元(TPU)或神经形态芯片或向量加速器。

训练方法400包含确定第一信息(402)，所述第一信息可以是用于通过RF信道传送的信息。如以上所讨论的，第一信息可以是任何适合的离散时间、模拟、离散值或连续值信息。例如，在一些情况下，所述输入信息可以是白化离散比特或符号，或者在其它情况下，输入信息可以遵循非白化信息源的分布。如上文先前关于图3所讨论的，在一些实施方案中，第一信息可以由用于训练目的的训练数据来表示。在此些场景中，训练数据可以具有与第一信息不同的形式，但是出于训练的目的，可以表示第一信息。

使用编码器机器学习网络来处理所述第一信息以生成用于通过通信信道传输的第一RF信号(404)。如以上所讨论的，在一些实施方案中，第一信息可以由训练数据表示，在这种情况下，编码器机器学习网络处理了表示第一信息的训练数据。此外，如以上所讨论的，生成的第一RF信号可以表示通过信道传输的模拟RF波形或者可以是经受进一步处理(例如滤波、D/A转换、调制等)以生成模拟RF波形的中间表示(例如样本、基系数、在RF波形上的分布等)。所述编码过程可以利用从输入信息空间到RF信号空间的任何适合的映射，如以上关于图3所讨论的。

训练方法400进一步包含确定表示通过经由通信信道的传输改变的第一RF信号的第二RF信号(406)。在训练场景中，通信信道的效应可以由通过模拟和/或真实信道数据获得的信道的模型来实施或者可以由真实世界通信信道来实施。如以上所讨论的，第二RF信号可以表示通过信道接收的模拟RF波形或者可以是处理(例如滤波、采样、均衡等)接收的RF波形的结果的中间表示(例如样本、基系数、在RF波形上的分布等)。

然后使用解码器机器学习网络处理接收的RF信号并生成第二信息作为对第一信息的重构(408)。如上文先前关于图3以及关于步骤402和404所讨论的，在一些实施方案中，第一信息可能已经由用于训练目的的训练数据表示。在此些场景中，输入的训练数据可以具有与原始的第一信息不同的形式，但是解码器可以生成第二信息作为由训练数据表示的对第一信息的重构。所述解码过程可以利用从RF信号空间到重构信息空间的任何适合的映射，如以上关于图3所讨论的。

计算第二信息与第一信息之间的距离量度(410)。所述距离量度可以实施为损失函数(例如图3中的损失函数318)并且可以表示原始输入信息与第二(重构)信息之间的差异或误差。作为实例，距离量度可以包含交叉熵、均方差或其它几何距离度量(例如MSE、MAE、键阶层(KL)散度)或者可以将若干个几何和/或基于熵的距离度量组合成距离的聚合表达。

训练方法400进一步包含基于第二信息与第一信息之间的距离量度更新编码器网络或解码器网络中的至少一个(412)。如以上所讨论的，所述更新可以以共同或迭代的方式或单独地应用于编码器网络和/或解码器网络。如以上关于图3所讨论的，更新通常可以包含更新编码器网络和/或解码器网络的任何适合的机器学习网络特征，如网络权重、架构选择、机器学习模型或者其它参数或连接性设计。作为实例，在一些实施方案中，如果编码器网络和/或解码器网络被训练来学习基函数集以用于通过RF信道通信，则更新过程可以包含更新在编码器网络和/或解码器网络中使用的基函数集。

图5展示了可以由编码器机器学习网络和/或解码器机器学习网络学习并用来通过RF信道通信的基函数的实例。图5中的实例展示了由编码器针对通信信道中的四个不同的延迟扩展值学习的四个不同的卷积基函数集。然而，通常，编码器网络和/或解码器网络可以学习任何适合形式的基函数。

如图5所示出的，对于不同的延迟扩展值(延迟扩展值4、3、2和1)，学习不同类型的基函数。在这些实例中，每个基函数集有两个分量，虽然通常可以学习任何适合数量的基函数。在这些实例中，编码器已经学会根据信道中的延迟扩展来调整这两个基础分量的紧凑性。

因此，基于此训练，可以以自适应的方式部署编码器和/或解码器以针对不同的信道条件(例如不同的信道延迟扩展)利用不同的基函数集。例如，在机器学习网络被部署在真实世界通信系统中的场景中，系统可以获得信道状态信息(CSI)并根据信道的状态调整编码器网络和/或解码器网络。根据信道的状态，编码器网络和/或解码器网络可以针对同一基函数集简单地调整参数(例如传输功率)或者可以完全改变所述基函数集(例如通过在图5中的四个基函数集之间切换)。此些更新还可以在部署期间基于简化的编码器和/或解码器来执行，所述编码器和/或解码器并未利用完整的机器学习网络，而是基于训练对应编码器机器学习网络和解码器机器学习网络的结果利用了简化的编码和/或解码技术。

图6展示了可以由编码器机器学习网络和解码器机器学习网络学习以用于通过RF信道通信的发射的RF信号612和接收的RF信号614的实例。所述信号可以对应于上文中在图3中先前讨论的发射的RF信号312和接收的RF信号314。

在图6的实例中，发射的RF信号612和接收的RF信号614表示通过信道实际上发射和接收的模拟RF波形。例如，发射的RF信号312可以是通过通信媒体实际上发射的波形，并且接收的RF信号314可以是在经受损伤后通过通信媒体实际上接收的波形。然而，如以上关于图1和3所讨论的，编码器和解码器学习到的发射的RF信号和接收的RF信号通常可以是可以进一步处理或转化成模拟RF波形的任何适合的表示(例如样本、基系数等)。

在图6的实例中，对于128位信息，RF信号的SNR为0dB，并且对于发射的RF信号和接收的RF信号，示出了同相分量和正交相位分量。然而，编码器机器学习网络和解码器机器学习网络通常可以被训练成学习发射的RF信号和接收的RF信号的任何适合的形式并且不限于每个RF信号中的分量数。

如图6所示出的，发射的RF信号612无法立即识别为对应于如今在系统中当前使用的任何已知调制方案。例如，发射的RF信号612看起来使用了至少三个公共离散电平并且看起来跨样本空间以时间和频率的某种混合对信息进行编码。

图7展示了具有可以被部署用于通过真实世界通信信道进行学习到的信息通信编码器和解码器的系统700的实例，所述编码器和解码器。系统700包含被部署成通过真实世界信道706通信的编码器702和解码器704。

编码器702接收要传送的输入信息708并将输入信息708映射成发射的RF信号712中。编码器702利用的编码映射可以基于对机器学习网络的先前训练来设计，所述机器学习网络使用以上关于图3和4所描述的训练学习了如何将信息编码成RF信号。例如，编码器702可以在部署期间实施经过训练的机器学习网络或者可以实施利用训练机器学习网络的结果的简化编码映射，如以下进一步讨论的。

如先前所讨论的，在一些实施方案中，编码器702可以包含生成RF信号712作为模拟RF波形以供传输的处理(例如滤波、调制等)。可替代地，在其它实施方案中，编码器702可以生成RF信号712作为中间表示，所述中间表示随后通过如滤波或调制等另外的处理被处理成模拟RF波形以通过信道706传输。

解码器704接收被信道706削弱的RF信号714并将接收的RF信号714映射到重构信息710中。解码器704利用的解码映射可以基于对机器学习网络的先前训练来设计，所述机器学习网络使用以上关于图3和4所描述的训练学习了如何将RF信号解码成重构信息。例如，解码器704可以在部署期间实施经过训练的机器学习网络或者可以实施利用训练机器学习网络的结果的简化解码映射，如以下进一步讨论的。

如先前所讨论的，在一些实施方案中，解码器704可以包含直接输入接收的RF信号714作为通过信道接收的模拟RF波形的处理(例如滤波、调制等)。可替代地，在其它实施方案中，解码器704可以将RF信号处理成中间表示，所述中间表示由对从信道706接收的模拟RF波形的先前处理产生的。

在一些实施方案中，编码器702和/或解码器704可以在部署期间基于通信结果例如通过更新过程716进行更新。此些更新可以基于反馈信息，所述反馈信息是基于部署期间的传输和重构的结果确定的。

在一些实施方案中，系统700可以被配置成例如使用信道状态和性能估计器718来收集关于信道706和/或关于性能度量的信息。估计器718可以被配置成例如通过检测作为发射的RF信号712发射的训练信号来检测此信息。估计器718可以经由反馈提供此信息，以在部署期间控制对编码器702和/或解码器704的各种更新，如图7的实例所示出的。此些更新可以包含更新一或多个机器学习特征(在编码器702和/或解码器704在部署期间实施机器学习网络的场景中)，或者可以包含更新编码器702和/或解码器704所利用的简化编码和/或解码映射(在编码器702和/或解码器704基于先前训练的机器学习网络实施简化编码/解码技术的场景中)。

从信道状态和性能估计器718发送的反馈可以采取任何适合的形式并且可以按照任何适合的时间标度进行传输。例如，此反馈可以基于从前向链路(编码器702到解码器704)或从反向链路(解码器704到编码器702)获得的估计来提供，以估计信道状态和/或性能估计。反馈信息的大小可以根据各种因素而变化，如供选择的模式数量、反馈信道的可用带宽和等待时间以及其它考虑因素。在一些情况下，所述反馈信息可以被编码成无线系统内的协议消息。

作为实例，反馈可以由发射已知训练RF信号的编码器702和基于接收的RF信号与已知发射的训练RF信号的比较确定信道状态和性能测量结果的解码器704(和/或RF接收器中的其它组件)来生成。在一些实施方案中，反馈可以仅被提供到接收器以更新解码器704，而不必向发射器提供反馈以更新编码器702(半模型更新)。

信道706的条件可以例如根据传送RF信号的环境的类型在不同的时间标度上改变。例如，信道706的变化的时间标度可以取决于环境是农村还是城市、环境对象是快速移动还是缓慢移动(例如指定信道统计的相干时间或相关时间)、环境是处于飞行器还是航天器中、或其它无线电发射器是否位于附近。在信道相干时间非常长或静态(例如固定无线电和反射器)的一些情况下，可以明确地针对长时间标度上的这些损伤学习编码。这种情况的一个实例可能是在固定几何形状的工业或城市通信环境中。

在一些实施方案中，信道706中存在的条件可以被分类成许多不同的模式。不同的模式可以表示对信道条件的任何适合的分类，如噪声水平、SNR、延迟扩展、信道变化的时间标度等。对于这些模式中的每个模式，编码器702和/或解码器704可能已经被训练来学习适合的编码和/或解码技术集，如以上关于图3所讨论的。在部署期间，可以基于估计的信道706的特定模式自适应地更新编码器702和/或解码器704。如图7所示出的，在一些实施方案中，可以实施传输模式控制器720来决定编码器702和/或解码器704将要利用哪种模式配置。

传输模式控制器720可以利用来自信道状态和性能估计718的反馈。如以上所讨论的，此反馈可以从前向和/或反向链路获得并且可以提供到传输模式控制器720以帮助决定在任何给定时间选择哪种操作模式。以这种方式，系统700可以针对一系列不同的信道条件学习适合的编码和/或解码技术并且然后自适应地更新编码器702和/或解码器704以在任何给定的信道条件下选择适合的模式。

在许多场景中，学习到的通信可以在真实世界应用中使用。例如，在训练期间，可以通过信道706的封闭形式分析模型训练编码器702和/或解码器704。考虑到感兴趣信道的足够准确的稳定分析模型，可以在无任何在线自适应的情况下学习并使用用于跨信道706通信的高效表示。此些实施方案可以适于真实世界信道706充分对应于分析模型的环境，如在时间上缓慢变化的信道或以其它方式更稳定且可预测的信道。

作为另一个实例，在信道如根据部署位置、条件或附近的影响在真实世界中更加不可预测地变化的场景中，系统700可以对针对给定的真实世界部署场景表现良好的专用编码和/或解码技术执行在线自适应和在线学习。在此些实施方案中，对编码器702和/或解码器704的更新可以在部署期间基于对信道和/或系统性能的真实世界测量结果来执行。此些更新可以基于以上关于图3和4中的训练学习到的目标实现策略的结果来执行。

然而，如果真实世界反馈本身不适于针对信道转化的精确分析表达，则更新过程716可以利用近似值而不是精确分析解来确定用于编码器702和/或解码器704的更新。例如，在计算目标函数的梯度的实施方案中，可以计算近似梯度而不是精确导数计算。此外，在真实世界场景中，更新过程716可以另外考虑真实世界因素，如来自信道状态和性能估计器718的反馈信道的通信成本、等待时间和容量。更准确且更广泛的反馈通常允许更新过程716进行更有效的更新，但要以通信、等待时间和带宽为代价。因此，在基于反馈信息更新编码器702和/或解码器704的部署场景中，可以将此些另外的考虑因素考虑到更新过程716中。

在一些实施方案中，编码器702和/或解码器704可以利用在训练期间学习到的编码和/或解码映射的简化形式。例如，编码器702可以基于输入信息708利用简化的查找表来生成发射的RF信号712。类似地，在一些实施方案中，解码器704可以通过利用基于距离的解码技术或其它简化的解码技术从接收的RF信号714生成重构信息710，所述简化的解码技术基于在训练期间学习到的更一般的解码映射或基于在训练期间学习到的编码器映射。

作为此简化部署的具体实例，在一些实施方案中，在训练期间，编码器机器学习网络可以学习从输入信息708到RF信号712的映射。所述映射可以是例如信号星座，所述信号星座将不同的RF信号712表示为星座中对应于特定输入708的不同点。然而，在部署期间，编码器702可以基于编码器机器学习网络的训练结果利用简化的查找表(LUT)将输入信息708映射到星座上的点，以生成RF信号712。类似地，解码器704可以利用简化的解码算法(例如基于距离的解码算法)，所述解码算法基于训练解码器机器学习网络的结果或者基于对应的经过训练的编码器机器学习网络。

在此些场景中，编码器702和/或解码器704可以在训练期间出于系统设计进行训练(例如作为自动编码器)，但是编码器702和/或解码器704中可以利用近似值或紧凑的查找表来在真实世界应用中部署和实施系统700。如此，在一些实施方案中，在部署的系统中实施的编码器702和解码器704可以不实施完整的机器学习网络，相反可以利用机器学习网络在训练期间学习到的编码和解码映射的结果。在一些情况下，来自神经网络的这些学习到的映射可能已经形成非常紧凑且高效的张量计算表达，所述张量计算表达可以高效地部署到基带处理器中。

图8是展示了部署编码器和解码器以通过真实RF信道执行学习到的通信的实例方法800的流程图。此部署可以利用先前在例如通过使用上文关于图3和4所讨论的训练技术或类似的训练技术进行训练期间由机器网络学习到的编码和解码技术。

方法800包含确定编码器和解码器，所述编码器和所述解码器中的至少一个实施编码或解码，所述编码或解码基于被训练成通过通信信道对信息进行编码或解码信息的编码器机器学习网络或解码器机器学习网络中的至少一个(802)。在一些场景中，部署的编码器和/或解码器可以实施先前经过训练的机器学习网络。可替代地，在其它场景中，如上文关于图7所讨论的，编码器和/或解码器可以利用基于先前训练编码器机器学习网络和/或解码器机器学习网络的结果的简化编码/解码映射。

方法800进一步包含确定第一信息(804)。如以上所讨论的，第一信息可以是任何适合的离散时间、模拟、离散值或连续值信息。

然后使用编码器处理所述第一信息以生成第一RF信号(806)。如上文所讨论的，第一RF信号可以表示通过信道传输的模拟RF波形或者可以是经受进一步处理(例如滤波、D/A转换、调制等)以生成模拟RF波形的中间表示(例如样本、基系数等)。所述编码过程可以利用在例如使用上文关于图3所讨论的训练技术训练编码器机器学习网络期间学到的从输入信息空间到RF信号空间中的任何适合的映射或映射的简化形式。

方法800进一步包含使用至少一个发射器通过通信信道发射第一RF信号(808)。如上文关于步骤806所讨论的，第一RF信号的发射可以涉及直接发射第一RF信号本身(例如如果编码器已经生成第一RF信号作为适于通过信道发射的模拟RF波形的话)，或者可以涉及(例如使用滤波、D/A转换、调制等)处理第一RF信号以将第一RF信号转换成模拟RF波形以供发射。发射可以利用任何适合的发射技术，所述技术可以包含其它特征或参数，例如使用单个或多个天线、自适应功率控制等。

方法800进一步包含接收号表示通过经由通信信道的发射改变的第一RF信号的第二RF信号(810)。在部署场景中，通信是真实世界信道(相比于图3和4的训练场景，在所述训练场景中，信道可以是模拟信道或真实世界信道)。如上文所讨论的，第二RF信号可以表示通过信道接收的模拟RF波形或者可以是处理(例如滤波、采样、均衡等)接收的模拟RF波形的结果的中间表示(例如样本、基系数等)。

然后使用解码器处理接收的第二RF信号并生成第二信息作为对第一信息的重构(812)。这个解码过程可以利用在例如使用上文关于图3所讨论的训练技术训练期间由解码器机器学习网络学习到的从RF信号空间到重构信息空间中的任何适合的映射或映射的简化形式。

如上文关于图7所讨论的，在一些实施方案中，部署的系统可以进一步利用接收的第二RF信号(和/或由于通信产生的其它信息)来生成反馈并更新编码器和/或解码器。

此外，如上文关于图7所讨论的，在一些实施方案中，编码器和/或解码器可以利用在训练期间学习到的编码和/或解码映射的简化形式。例如，编码器可以基于第一信息利用简化的查找表来生成第一RF信号。此外，在一些实施方案中，解码器可以利用基于距离的解码技术或其它简化的解码技术，所述简化的解码技术基于在训练期间学习到的更一般的解码映射或基于在训练期间学习到的编码器映射。如此，在一些实施方案中，在部署的系统中实施的编码器和解码器可以不实施完整的机器学习网络，相反可以利用机器学习网络在训练期间学习到的编码和解码映射的结果。

图9是展示了可以用于实施通过RF信道执行学习到的通信的系统的一或多个组件的计算系统的实例的图。

计算系统包含可以用来实施本文描述的技术的计算装置900和移动计算装置950。例如，编码器机器学习网络系统或解码器机器学习网络的一或多个部分可以是这里描述的系统900的实例，如在任何机器学习网络中实施的计算机系统、访问来自机器学习网络的信息的装置、或者访问或存储关于机器学习网络所执行的编码和解码的信息的服务器。

计算装置900旨在表示各种形式的数字计算机，如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其它适合的计算机。移动计算装置950旨在表示各种形式的移动装置，如个人数字助理、蜂窝电话、智能电话、移动嵌入式无线电系统、无线电诊断计算装置和其它类似的计算装置。这里示出的部件、其连接和关系以及其功能意味着仅为实例，而并不意味着是限制性的。

计算装置900包含处理器902、存储器904、存储装置906、连接到存储器904和多个高速扩展端口910的高速接口908以及连接到低速扩展端口914和存储装置906的低速接口912。处理器902、存储器904、存储装置906、高速接口908、高速扩展端口910和低速接口912中的每一个使用各种总线进行互连并且可以安装到公共母板上或在适当时通过其它方式安装。处理器902可以处理用于在计算装置900内执行的指令，所述指令包含存储在存储器904中或存储装置906上以在外部输入/输出装置(如耦接到高速接口908的显示器916)上显示图形用户界面(GUI)的图形信息的指令。在其它实施方案中，多个处理器和/或多条总线在适当时可以连同多个存储器和多种类型的存储器一起使用。另外，可以连接多个计算装置，每个装置提供操作的一部分(例如作为服务器组、一组刀片服务器或多处理器系统)。在一些实施方案中，处理器902是单线程处理器。在一些实施方案中，处理器902是多线程处理器。在一些实施方案中，处理器902是量子计算机。

存储器904存储计算装置900内的信息。在一些实施方案中，存储器904是一或多个易失性存储器单元。在一些实施方案中，存储器904是一或多个非易失性存储器单元。存储器904还可以是另一种形式的计算机可读媒体，如磁盘或光盘。

存储装置906能够为计算装置900提供大容量存储。在一些实施方案中，存储装置906可以是或者包含计算机可读媒体，如软盘装置、硬盘装置、光盘装置或磁带装置、闪速存储器或其它类似的固态存储器装置、或包含存储区域网络或其它配置中的装置的装置阵列。指令可以存储在信息载体中。指令在由一或多个处理装置(例如处理器902)执行时实施一或多种方法，如上文中描述的那些方法。指令还可以由如计算机或机器可读媒体(例如存储器904、存储装置906或在处理器902上的存储器)等一或多个存储装置存储。高速接口908管理计算装置900的带宽密集型操作，而低速接口912管理较低带宽密集型操作。此功能分配仅仅是实例。在一些实施方案中，高速接口908(例如通过图形处理器或加速器)耦接到存储器904、显示器916以及到可以接受各种扩展卡(未示出)的高速扩展端口910。在实施方案中，低速接口912耦接到存储装置906和低速扩展端口914。低速扩展端口914可以例如通过网络适配器耦接到一或多个输入/输出装置，如键盘、指向装置、扫描仪或联网装置(如交换机或路由器)，所述低速扩展端口可以包含各种通信端口(例如通用串行总线(USB)、蓝牙、以太网、无线以太网)。

计算装置900可以如附图中示出的以多种不同的形式实施。例如，计算装置可以实施为标准服务器920或多次实施在一组此些服务器中。另外，计算装置可以实施在如膝上型计算机922等个人计算机中。计算装置还可以实施为机架服务器系统924的一部分。可替代地，计算装置900的组件可以与如移动计算装置950等移动装置(未示出)中的其它组件组合。此些装置中的每个装置可以包含计算装置900和移动计算装置950中的一或多个，并且整个系统可以由彼此通信的多个计算装置构成。

移动计算装置950包含处理器952、存储器964、如显示器954等输入/输出装置、通信接口966和收发器968以及其它组件。移动计算装置950还可以设置有用于提供另外的存储的存储装置，如微型驱动器或其它装置。处理器952、存储器964、显示器954、通信接口966和收发器968中的每一个使用各种总线进行互连，并且所述组件中的多个组件可以安装到公共母板上或在适当时通过其它方式安装。

处理器952可以执行移动计算装置950内的指令，所述指令包含存储在存储器964中的指令。处理器952可以实施为包含单独的以及多个模拟和数字处理器的芯片的芯片组。处理器952可以提供例如对移动计算装置950的其它组件的协调，如用户接口的控制、由移动计算装置950运行的应用以及由移动计算装置950进行的无线通信。

处理器952可以通过耦接到显示器954的控制接口958和显示器接口956与用户通信。显示器954可以是例如TFT(薄膜晶体管液晶显示器)显示器或OLED(有机发光二极管)显示器或其它适合的显示技术。显示接口956可以包含用于驱动显示器954向用户呈现图形和其它信息的适合的电路系统。控制接口958可以从用户接收命令并转换命令以提交到处理器952。另外，外部接口962可以提供与处理器952的通信，以实现移动计算装置950与其它装置的近区域通信。外部接口962可以例如在一些实施方案中提供有线通信或者在其它实施方案中提供无线通信，并且也可以使用多个接口。

存储器964存储移动计算装置950内的信息。存储器964可以实施为一或多个计算机可读媒体、一或多个易失性存储器单元或者一或多个非易失性存储器单元中的一或多个。还可以提供扩展存储器974并通过扩展接口972连接到移动计算装置950，所述扩展接口可以包含例如SIMM(单列直插式存储器模块)卡接口。扩展存储器974可以为移动计算装置950提供额外的存储空间或者还可以为移动计算装置950存储应用或其它信息。具体地，扩展存储器974可以包含用于实行或补充上文中描述的进程的指令并且还可以包含安全信息。因此，例如，扩展存储器974可以设置为移动计算装置950的安全模块并且可以用允许安全使用移动计算装置950的指令进行编程。另外，安全应用可以连同另外的信息一起经由SIMM卡提供，如以不可破解的方式将标识信息置于SIMM卡中。

如下文中讨论的，存储器可以包含例如闪速存储器和/或NVRAM存储器(非易失性随机存取存储器)。在一些实施方案中，指令存储在信息载体中，使得指令在由一或多个处理装置(例如处理器952)执行时执行一或多种方法，如上文中描述的那些方法。指令还可以由如一或多个计算机或机器可读媒体(例如存储器964、存储装置974或在处理器952上的存储器)等一或多个存储装置存储。在一些实施方案中，指令可以例如通过收发器968或外部接口962接收在传播信号中。

移动计算装置950可以通过通信接口966无线地通信，所述通信接口在必要时可以包含数字信号处理电路系统。通信接口966可以提供多个模式或协议下的通信，如GSM语音呼叫(全球移动通信系统)、SMS(短信服务)、EMS(增强型消息传送服务)或MMS消息传送(多媒体消息传送服务)、CDMA(码分多址)、TDMA(时分多址)、PDC(个人数字蜂窝)、WCDMA(宽带码分多址)、CDMA 2000或GPRS(通用无线分组业务)、长期演进(LTE)、5G/6G蜂窝等等。此通信可以例如使用射频通过收发器968发生。另外，短程通信可以如使用蓝牙、无线保真(Wi-Fi)或其它此收发器(未示出)发生。另外，GPS(全球定位系统)接收器模块970可以向移动计算装置950提供另外的导航和定位相关无线数据，所述无线数据可以在适当时由在移动计算装置950上运行的应用使用。

移动计算装置950还可以使用音频编码解码器960来可听地通信，所述音频编码解码器可以从用户接收口头信息并将口头信息转换成可用的数字信息。音频编码解码器960同样可以如通过例如移动计算装置950的听筒中的扬声器为用户生成可听声音。此声音可以包含来自语音电话呼叫的声音，可以包含记录的声音(例如语音消息、音乐文件等)并且还可以包含在移动计算装置950上运行的应用所生成的声音。

如附图中示出的，移动计算装置950可以以多种不同的形式实施。例如，移动计算装置可以实施为蜂窝电话980。移动计算装置还可以实施为智能电话982、个人数字助理或其它类似的移动装置的一部分。

如本公开中使用的术语“系统”可以涵盖用于处理数据的所有设备、装置和机器，包含例如可编程处理器、计算机或者多个处理器或计算机。除了硬件以外，处理系统可以包含为正在讨论的计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或其中的一或多个的组合的代码。

计算机程序(又称为程序、软件、软件应用、脚本、可执行逻辑或代码)可以用任何形式的编程语言编写，包含编译型语言或解释型语言、或声明型语言或程序型语言，并且其可以用任何形式部署，包含作为独立程序或作为模块、组件、子例程、或适于在计算环境中使用的其它单元。计算机程序不一定对应于文件系统中的文件。程序可以存储在保持其它程序或数据的文件的一部分(例如存储在标记语言文档中的一或多个脚本)中、存储在专用于所讨论的程序的单个文件中、或者存储在多个协调文件(例如存储一或多个模块、子程序、或代码的各部分的文件)中。计算机程序可以被部署成在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互连的多个计算机上执行。

适于存储计算机程序指令和数据的计算机可读媒体包含所有形式的非易失性存储器或易失性存储器、媒体和存储器装置，举例来说，包含：半导体存储器装置，例如电可编程序只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和闪存装置；磁盘，例如内部硬盘或可移动磁盘或磁带；磁光盘；以及紧凑型光盘-只读储存器(CD-ROM)盘和数字视频盘-只读存储器(DVD-ROM)盘。处理器和存储器可以由专用逻辑电路系统补充或并入专用逻辑电路系统中。服务器有时是通用计算机，并且有时是定制的专用电子装置，并且有时是这些的组合。

实施方案可以包含后端组件(例如数据服务器)、或中间件组件(例如应用服务器)、或前端组件(例如具有图形用户界面或Web浏览器的客户端计算机，用户可以通过所述图形用户界面或Web浏览器与本说明书中描述的主题的实施方案进行交互)、或一或多个此些后端组件、中间件组件或前端组件的任何组合。系统的组件可以通过数字数据通信的任何形式或媒体(例如通信网络)进行互连。通信网络的实例包含局域网(“LAN”)和广域网(“WAN”)，例如互联网。

所描述的特征可以在数字电子电路系统中实施或者在计算机硬件、固件、软件或其组合中实施。设备可以在有形地体现在信息载体中(例如在机器可读存储装置中)的计算机程序产品中实施以用于由可编程处理器执行；并且方法步骤可以由执行指令程序的可编程处理器来执行，以通过对输入数据进行操作并生成输出来执行所描述实施方案的功能。所描述特征可以有利地在可编程系统上可执行的一或多个计算机程序中实施，所述可编程系统包含至少一个可编程处理器，所述可编程处理器被耦接以从数据存储系统、至少一个输入装置和至少一个输出装置接收数据和指令并发射数据和指令到数据存储系统、至少一个输入装置和至少一个输出装置。计算机程序是可以在计算机中直接或间接地用于执行某种活动或产生某种结果的指令集。计算机程序可以以包含编译型或解释型语言在内的任何形式的编程语言编写，并且可以以任何形式部署，包含作为单独的程序或作为模块、组件、子例程或适于在计算环境中使用的其它单元。

虽然本公开包含许多具体实施方案细节，但这些细节不应被解释为对任何发明或可能要求的事物的范围的限制，而是被解释为对可能特定于特定发明的特定实施方案的特征的描述。在单独的实施方案的背景下在本公开中描述的某些特征还可以组合地实施在单个实施方案中。相反，在单个实施方案的背景下描述的各个特征也可以被单独地或以任何适合的子组合的方式实施在多个实施方案中。而且，虽然特征在上文可以被描述为以某些组合起作用并且甚至如此最初被要求，但来自所要求的组合的一或多个特征在某些情况下可以与组合离体，并且所要求的组合可以涉及子组合或子组合的变化。

类似地，虽然在附图中以特定顺序描绘了操作，但这不应被理解成要求以所示的特定顺序或按先后顺序执行此些操作，或者执行所有展示的操作，以实现期望的结果。在某些情况下，多重任务处理和并行处理可能是有利的。而且，上述实施方案中的各个系统模块和组件的分离不应被理解为在所有实施方案中都要求这种分离，并且应理解的是，描述的程序组件和系统通常可以一起整合在单个软件产品中或封装进多个软件产品中。