具体实施方式

图1示出了根据实施例的终端设备100。终端设备100具体用于执行本文中提出的差分CQI值报告过程。终端设备100可以是例如LTE网络中的UE。终端设备100可以关联到网络节点(例如基站设备200(也参见图2))，例如关联到LTE网络中的eNB。终端设备100可以经由DL信道102从基站设备200接收数据，并且可以经由上行(uplink，UL)信道(未示出)向基站设备200发送数据。在下文中，为了简洁起见，实施例的描述将参考基站设备。

终端设备100具体用于在当前时间间隔获得与基站设备200和终端设备100之间的DL信道102相关的CQI值101。例如，终端设备100可以为此估计DL信道102，并且可以从信噪比(signal-to-noise ratio，SNR)计算上述CQI值101。在正常情况下，终端设备100可以将获得的CQI值101存储为当前时间间隔的CQI值。在异常情况下(稍后描述)，终端设备100可以忽略获得的CQI值101，可以预测CQI值，并且可以将该预测的CQI值存储为当前时间间隔的CQI值。

此外，终端设备100用于基于获得的CQI值101和先前时间间隔的CQI值104计算差分CQI值103。为此，终端设备100可以从存储器等中检索先前时间间隔的CQI值104。从而，终端设备100可以用于存储一个或多个先前时间间隔的一个或多个CQI值104，并且可以在设置当前时间间隔的CQI值时(即对当前时间间隔的CQI值做出最终决定时)立即存储该CQI值。应注意，终端设备100使用获得的CQI值101生成差分CQI值103，而不管获得的CQI值101是否被设置为当前时间间隔的CQI值。

此外，终端设备100用于向基站设备200发送差分CQI值103。终端设备100可以具体通过与传统终端设备(例如UE)报告传统的完整CQI值相同的机制来报告差分CQI值103。

图2示出了根据本发明实施例的基站设备200。基站设备200用于执行本文中提出的差分CQI值报告过程。基站设备200可以是例如LTE网络中的eNB。基站设备200可以关联到至少一个终端设备100(也参见图1)(例如LTE网络中的UE)。基站设备200可以经由UL信道(未示出)从终端设备100接收数据，并且可以经由DL信道102向终端设备100发送数据。

基站设备200具体用于从终端设备100接收差分CQI值103，其中，差分CQI值103与基站设备200和终端设备100之间的DL信道102相关。基站设备200可以具体通过与传统基站设备(例如eNB)从传统终端设备接收传统的完整CQI值相同的机制来接收差分CQI值103。

此外，基站装置200用于基于差分CQI值103和先前时间间隔的CQI值104获得当前时间间隔的CQI值201。具体地，基站设备200可以使用差分CQI值103直接从先前时间间隔的CQI值104计算当前时隙的CQI值201。在正常情况下尤其如此。基站装置200也可以基于差分CQI值103决定宁可预测CQI值并且将预测的CQI值设置为当前时间间隔的CQI值。

图3示出了由根据本发明实施例的终端设备100(以图1的终端设备100为基础)和根据本发明实施例的基站设备200(以图2的基站设备200为基础)执行的提出的差分CQI值报告过程。图1、图2、以及图3中的相同元件用相同参考标号标记并且作用相同。

对于差分CQI值报告过程，假设完整CQI值具有四个比特，即在时间间隔n，将CQI[n]∈{0,1，...，15}假设为终端设备100计算的4比特的量化CQI的值，并且可以采取16种不同的值(或单位)。提出差分CQI值103只有两个比特，即只有完整CQI值一半的比特。在时间间隔n，终端设备100向基站设备200报告两个比特，其中，这两个比特描述终端设备100为当前间隔获得的CQI值101与对先前时间间隔n-1有效的CQI值104之差。可以用这种两比特的差分CQI值103指示四种情况：

·CQI[n]＝CQI[n-1]+x(例如x＝1)，即获得的CQI值101增大第一预定义量，该第一预定义量与先前CQI值104相比为较小量x。例如，增大上述16种可能单位中的一个单位(该事件可以与差分CQI值103的比特对“10”关联)。

·CQI[n]＝CQI[n-1]-x(例如x＝1)，即获得的CQI值101减小第二预定义量，该第二预定义量与先前CQI值104相比为较小量x。例如，减小一个单位(该事件可以与比特对“01”关联)。

·CQI[n]＝CQI[n-1]，即获得的CQI值101与先前CQI值104保持相同(该事件可以与比特对“00”相关联)。

·|CQI[n]-CQI[n-1]|>x(例如x＝1)，即获得的CQI值101与先前CQI值104相比改变较大量(大于x)。该较大量大于如上定义的第一预定量和/或第二预定量。例如，改变多于一个单位(该异常事件可以与比特对“11”关联)。

应注意，优选地应用初始化阶段以开始本发明提出的报告过程。基站设备200和终端设备100可以从标准化的CQI值开始，然后可以使用差分方法，直到达到正确值。

CQI值在短期内的有限可变性已在文献中得到证明，并且这也是3GPP所要求的，从而最大化MCS的连续性。这意味着在上述示例性过程中，与先前的CQI值104相比，大多数差分CQI值103将指示获得的CQI值101与先前CQI值104相比的前三个状态(即-1、0、或+1)之一。然而，终端设备100所见的衰减可以根据其在与基站设备200关联的确定区域中的位置改变，该确定区域也称为感兴趣区域(region of interest，ROI)。例如，终端设备100和基站设备200之间的距离可能会改变和/或传播条件可能会改变。具体地，异常事件(在差分CQI值103的上述示例性示例中为“11”)可能会例如发生在街角处或在视距(line-of-sight，LOS)传播条件和非LOS(non-LOS，NLOS)传播条件之间的转换处(反之亦然)。

在发生由差分CQI值103指示的异常事件的情况下，不建议基站装置200直接从先前CQI值104和差分CQI值103计算当前时间间隔的CQI值201。而是建议基站设备200从过去时间间隔的一个或多个CQI值104预测当前时间间隔的CQI值201。特别地，可以如下将机器学习方法用于该预测。

在训练阶段，机器学习算法(或执行机器学习算法的实体)可以特别是使用LTE的传统4比特CQI反馈来学习异常事件之前的CQI值和缺失的CQI的值之间的对应关系。在开发阶段期间，在从终端设备100接收到异常事件的指示时，机器学习算法可以基于对过去CQI值的观察，将预测的CQI值300提供给基站设备200(参见图3中的“CQI预测器”)。

如果机器学习算法做出的预测是错误的，则提出的协议可能会导致系统性能下降。在这种情况下，当在异常事件之后重新开始差分过程时，基站设备200将与终端设备100失准。为了防止这种情况，基站设备200可以(特别是在终端设备100进入ROI时)向终端设备100发送机器学习算法的预测系数。终端设备100可以使用与基站设备200相同的机器学习算法，来从一个或多个先前时间间隔的CQI值104预测当前时间间隔的CQI值201，由于预测系数304，这两个设备100和200可以保持完全同步。

因此，在异常事件时，基站装置200和终端装置100可以利用例如神经网络来获得预测的CQI值300(由CQIpred[n]表示)。因此，在下一时间间隔n+1用于报告的差分CQI值103为CQI[n+1]-CQIpred[n]，并且可以如上所述应用差分方案。

图1的操作流程可以总结如下。在终端设备100侧，终端设备100例如通过对DL信道102进行测量或估计并且例如通过从信噪比(SNR)计算CQI值101来获得当前时间间隔的CQI值101。然后，终端设备100向基站设备200反馈获得的CQI值101和先前CQI值104(例如存储在本地存储器中)之差。

对于差分CQI值103，使用2个比特。如果如框303处所确定，差分CQI值103例如是“11”(指示异常事件)，则终端设备100从一个或多个先前时间间隔的CQI值104确定预测的CQI值300，并用预测的CQI值300更新存储器。或者，考虑差分CQI值103，将存储器中的先前时间间隔的CQI值104更新为当前时间间隔的CQI值201。或者，简单地将获得的CQI值101存储为当前时间间隔的CQI值201。

在基站设备200侧，基站设备从终端设备100接收包含CQI校正(即差分CQI值103)的反馈消息。如果如框302处所确定，差分CQI值103为“11”(指示异常事件)，则基站设备200激活机器学习实体(“CQI预测器”)预测CQI值300，并且例如将其提供给MCS选择框301。即，基站设备200通过从一个或多个先前时间间隔的CQI值104确定预测的CQI值300来获得当前时间间隔的CQI值201。如果差分CQI值103不是例如“11”，则基站装置200将更新的CQI值201提供给MCS选择框301。即，基站装置200通过基于与差分CQI值103指示的状态关联的变化更新先前时间间隔的CQI值104，来获得当前时间间隔的CQI值201。

图4根据以上示出了根据本发明实施例的用于终端设备100的一般方法400。方法400包括步骤401：在当前时间间隔获得与基站设备200和终端设备100之间的DL信道102相关的CQI值101。此外，方法400包括步骤402：基于获得的CQI值101和先前时间间隔的CQI值104计算差分CQI值103，以及步骤403：向基站设备200发送差分CQI值103。

图5根据以上示出了根据本发明实施例的用于基站设备200的一般方法500。方法500包括步骤501：从终端设备100接收501差分CQI值103，其中，差分CQI值103与基站设备200和终端设备100之间的DL信道102相关。此外，方法500包括步骤502：基于差分CQI值103和先前时间间隔的CQI值104获得当前时间间隔的CQI值201。

在下文中提出了示例性实施例。在该实施例中，参考图6，将确定区域600视为ROI，特别是具有曼哈顿拓扑的边为S的正方形区域，该曼哈顿拓扑具有道路602和建筑块601。基站设备200位于区域600的中心(例如位于半径为5m的环形交叉口的中心处的桅杆顶部)。假设终端设备100多次经过随机生成的沿区域600中的街道602的路径603，每次改变选择的街道车道和速度。为了对这种移动图案进行采样，将时间轴划分为长度为τ(可以等于CQI报告周期)的间隔，即，τ＝N_pdT_TTI，其中，T_TTI是传输时间间隔的持续时间。

总而言之，基于确定区域600的实施例示例性地假设：

·曼哈顿拓扑

·边长为525m

·道路宽度为15m

·块大小为75m

·基站装置200位于区域600的中心

·终端设备100多次重复同一路径(改变街道车道和速度)

·N_pd＝160

·条纹区域604在LOS中，其他处于NLOS条件。

假设无线信道模型如下。如大多数文献，DL无线信道模型视为有由以下造成的全局增益：

·“传播损耗(propagation loss)”：区分LOS传播和NLOS传播

·“相关阴影(correlated shadowing)”：由于存在建筑物造成的对数正态分布随机变量

·“快速衰落(fast-fading)”分量，由于多径传播造成并且遵循瑞利分布，可以忽略(因为其是在考虑(N_pd＝160)下的时间尺度上进行平均的)

下表中总结了无线信道参数：

图7描绘了以上提出的报告方案的示例结果。具体地：

·顶部的图示出了SNR时间序列

·中间的图示出了CQI时间序列

·底部的图示出了提出的差分CQI反馈，其中，反馈值“2”通常只表示异常情况。

可以看出，除了由于LOS-NLOS转换(反之亦然)而处于异常情况的少数样本，大多数轨迹可以通过设想的差分CQI值报告方案来有效描述。在这种情况下，提出的机器学习方法会提供缺失的CQI值。观察到，即使机器学习实体做出的预测不是最优的，但由于基站设备200(特别是在终端设备100进入区域600时)将机器学习算法的预测系数发送到终端设备100，并且可能周期性地更新这些预测系数，因此基站设备200和终端设备100保持同步。

评估差分反馈过程的性能。特别地，为了获得该过程的性能统计，在Q＝50个随机生成的路径上仿真该过程的操作，每个路径有q＝250个副本(具有范围[2.5，…，20]m/s内的不同行进速度)。注意，只考虑没有环路的路径。

机器学习算法由具有1个大小为γ的隐藏层的神经网络实现。为了实现神经网络，采用模式识别网络，该网络经过训练以根据目标类别对输入进行分类。在当前情况下，神经网络的输入是异常事件之前的P个非连续样本的CQI值。采用相隔μ个间隔的CQI值有两个原因：一方面，降低了神经网络的复杂性；另一方面，神经网络更鲁棒以加快不同实现之间的改变。神经网络的目标是对应于异常事件的CQI值。在开发阶段，提供CQI跟踪，上述跟踪与为训练阶段提供的跟踪不同。P_err定义为在观察到异常事件的情况下CQI值预测错误的概率。

图8示出了各种神经网络配置的P_err的累积分布函数(cumulative distributionfunction，CDF)。对于训练阶段和开发阶段，使用以因子μ＝2进行下采样的CQI序列。可以看出，在约20％的随机生成的路径中神经网络始终正确，因此，提出的差分方法无错误并且有效地将反馈降至1/2。另一方面，考虑所有仿真路径，在最坏的情况下，最多约25％的神经网络预测错误。此外还可以看出，在50％(85％)的这些路径中，错误率低于5％(15％)。还应注意，具有不同配置的神经网络之间的性能差距可以忽略不计。从仿真中还可以观察到，神经网络错误通常由于不同异常事件之前(即具有不同CQI目标)的CQI序列相似。在这些情况下，神经网络可能会将一个事件误认为另一事件，从而导致CQI值预测错误。

已经结合各种实施例作为示例以及实施方式描述了本公开。然而，根据对附图、本公开、以及独立权利要求的研究，实践要求保护的主题的本领域技术人员可以理解和实现其他变型。在权利要求书和说明书中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个元件或其他单元可以实现权利要求中记载的若干实体或项的功能。在互不相同的从属权利要求中记载了某些措施的这一事实并不表示不能在有利实施方式中使用这些措施的组合。