模型训练方法、数据处理方法及装置

1.本技术涉及人工智能领域，尤其涉及一种模型训练方法、数据处理方法及装置。


背景技术：

2.大规模多输入多输出(massive multi-input multi-output，massive mimo)是第五代移动通信技术(5th generation mobile communication technology，5g)无线通信网络的一种关键技术，已经在5g中广泛使用。通过massive mimo一方面可以同时为多个用户设备(user equipment，ue)服务，另一方面，每个ue可以配置更多的天线，因此可以在频谱资源受限的情况下增大信道的容量。在massive mimo系统中，为了实现同时为多ue、多天线服务，需要将ue的信道状态信息(channel state information，csi)反馈给基站(base station，bs)，但是，csi是一个维度为天线数*频带数的复数矩阵，反馈该矩阵的开销很大。
3.为了解决反馈开销过大的问题，需要在ue端将原始csi矩阵通过一系列操作进行压缩、量化，得到比特流。当bs端接收到这些比特流后，再重构出csi矩阵。如何降低csi矩阵的量化误差与重构误差成为当前亟待解决的问题。


技术实现要素：

4.有鉴于此，提出了一种模型训练方法、数据处理方法及装置，能够有效降低信道状态信息矩阵的量化误差与重构误差。
5.第一方面，本技术的实施例提供了一种模型训练方法，所述模型包括编码网络和解码网络，所述方法包括：
6.获取第一训练集，所述第一训练集中包括多个第一稀疏矩阵，每个第一稀疏矩阵表示一个角度域和时延域的信道状态信息；
7.针对任意一个第一稀疏矩阵：
8.将所述第一稀疏矩阵输入所述编码网络，输出第一均值矩阵和第一尺度矩阵；
9.根据所述第一均值矩阵和所述第一尺度矩阵，构建第一量化矩阵；
10.将所述第一量化矩阵输入所述解码网络，输出第一估计矩阵和第一指示矩阵；
11.根据所述第一均值矩阵和所述第一尺度矩阵，确定第一损失；
12.根据所述第一估计矩阵和所述第一指示矩阵，确定第二损失；
13.基于所述第一损失和所述第二损失调整所述编码网络的参数以及所述解码网络的参数，调整后的所述编码网络用于对信道在角度域和时延域的信道状态信息进行编码，调整后的所述解码网络用于解码得到信道在角度域和时延域的信道状态信息。
14.在一种可能的实现方式中，所述根据所述第一均值矩阵和所述第一尺度矩阵，确定第一损失，包括：
15.基于所述第一均值矩阵和所述第一尺度矩阵，生成第一稀疏分布；
16.获取所述第一稀疏分布对应的第一标准分布，所述第一稀疏分布与所述第一标准分布对应的分布类型相同，且所述第一标准分布的均值为第一均值、尺度为第一尺度；
17.将所述第一稀疏分布和所述第一标准分布之间的kl散度，确定为所述第一损失。
18.在一种可能的实现方式中，所述根据所述第一均值矩阵和所述第一尺度矩阵，构建第一量化矩阵包括：
19.在所述第一标准分布中进行采样，得到第一采样矩阵；
20.基于所述第一均值矩阵、所述第一尺度矩阵和所述第一采样矩阵，生成第一隐层特征矩阵；
21.在第一阈值范围内的均匀分布中进行采样，得到第二采样矩阵；
22.根据所述第一隐层特征矩阵和所述第二采样矩阵，生成所述第一量化矩阵。
23.在一种可能的实现方式中，所述根据第一估计矩阵和所述第一指示矩阵，确定第二损失，包括：
24.根据所述第一稀疏矩阵、所述第一估计矩阵，生成第二稀疏分布；
25.获取所述第二稀疏分布对应的第二标准分布，所述第二稀疏分布与所述第二标准分布对应的分布类型以及尺度相同，且所述第二标准分布的均值为第二均值；
26.根据所述第二稀疏分布、所述第二标准分布以及所述第一指示矩阵，确定伯努利分布；
27.根据所述伯努利分布，确定所述第二损失。
28.在一种可能的实现方式中，所述获取第一训练集包括：
29.获取多个第一原始矩阵，每个第一原始矩阵表示一个空域和频域的信道状态信息；
30.针对任意一个第一原始矩阵，对所述第一原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第一稀疏矩阵。
31.第二方面，本技术的实施例提供了一种数据处理方法，所述方法应用于第一装置，所述方法包括：
32.获取第二稀疏矩阵，所述第二稀疏矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
33.将所述第二稀疏矩阵输入编码网络，输出第二均值矩阵和第二尺度矩阵，所述编码网络为通过第一方面或者第一方面的任意一种可能的实现方式所述的模型训练方法进行训练后得到的编码网络；
34.根据所述第二均值矩阵和所述第二尺度矩阵，构建第二量化矩阵；
35.对所述第二量化矩阵进行熵编码，生成第一比特流；
36.向所述第二装置发送所述第一比特流。
37.在一种可能的实现方式中，所述获取第二稀疏矩阵包括：
38.获取第二原始矩阵，所述第二原始矩阵表示所述第一信道在空域和频域的信道状态信息；
39.对所述第二原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第二稀疏矩阵。
40.在一种可能的实现方式中，所述根据所述第二均值矩阵和所述第二尺度矩阵，构建第二量化矩阵，包括：
41.在第一分布类型的标准分布中进行采样，得到第三采样矩阵，所述第一分布类型
表示确定所述第一损失过程中使用的第一标准分布的分布类型；
42.基于所述第二均值矩阵、所述第二尺度矩阵和所述第三采样矩阵，生成第二隐层特征矩阵；
43.对所述第二隐层特征矩阵进行均匀量化，得到所述第二量化矩阵。
44.第三方面，本技术的实施例提供了一种数据处理方法，所述方法应用于第二装置，所述方法包括：
45.接收来自第一装置的第一比特流；
46.对所述第一比特流进行逆向熵编码，得到第三量化矩阵；
47.将所述第三量化矩阵输入解码网络，输出第二估计矩阵和第二指示矩阵，所述解码网络为通过第一方面或者第一方面的任意一种可能的实现方式所述的模型训练方法进行训练后得到的解码网络；
48.对所述第二指示矩阵进行逐元素二值化处理，并根据处理结果与所述第二估计矩阵，生成第一重构矩阵，所述第一重构矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
49.对所述第一重构矩阵进行补零操作，并对操作结果进行二维逆向离散傅里叶变换，得到第二重构矩阵，所述第二重构矩阵表示所述第一信道在空域和频域的信道状态信息。
50.第四方面，本技术的实施例提供了一种模型训练装置，在一种可能的实现方式中，所述模型包括编码网络和解码网络，所述装置包括：
51.第一获取模块，用于获取第一训练集，所述第一训练集中包括多个第一稀疏矩阵，每个第一稀疏矩阵表示一个角度域和时延域的信道状态信息；
52.第一输入模块，用于将所述第一稀疏矩阵输入所述编码网络，输出第一均值矩阵和第一尺度矩阵；
53.第一构建模块，用于根据所述第一均值矩阵和所述第一尺度矩阵，构建第一量化矩阵；
54.第二输入模块，用于将所述第一量化矩阵输入所述解码网络，输出第一估计矩阵和第一指示矩阵；
55.第一确定模块，用于根据所述第一均值矩阵和所述第一尺度矩阵，确定第一损失；
56.第二确定模块，用于根据所述第一估计矩阵和所述第一指示矩阵，确定第二损失；
57.调整模块，用于基于所述第一损失和所述第二损失调整所述编码网络的参数以及所述解码网络的参数，调整后的所述编码网络用于对信道在角度域和时延域的信道状态信息进行编码，调整后的所述解码网络用于解码得到信道在角度域和时延域的信道状态信息。
58.在一种可能的实现方式中，所述第一确定模块还用于：
59.基于所述第一均值矩阵和所述第一尺度矩阵，生成第一稀疏分布；
60.获取所述第一稀疏分布对应的第一标准分布，所述第一稀疏分布与所述第一标准分布对应的分布类型相同，且所述第一标准分布的均值为第一均值、尺度为第一尺度；
61.将所述第一稀疏分布和所述第一标准分布之间的kl散度，确定为所述第一损失。
62.在一种可能的实现方式中，所述第一构建模块还用于：
63.在所述第一标准分布中进行采样，得到第一采样矩阵；
64.基于所述第一均值矩阵、所述第一尺度矩阵和所述第一采样矩阵，生成第一隐层特征矩阵；
65.在第一阈值范围内的均匀分布中进行采样，得到第二采样矩阵；
66.根据所述第一隐层特征矩阵和所述第二采样矩阵，生成所述第一量化矩阵。
67.在一种可能的实现方式中，所述第二确定模块还用于：
68.根据所述第一稀疏矩阵、所述第一估计矩阵，生成第二稀疏分布；
69.获取所述第二稀疏分布对应的第二标准分布，所述第二稀疏分布与所述第二标准分布对应的分布类型以及尺度相同，且所述第二标准分布的均值为第二均值；
70.根据所述第二稀疏分布、所述第二标准分布以及所述第一指示矩阵，确定伯努利分布；
71.根据所述伯努利分布，确定所述第二损失。
72.在一种可能的实现方式中，所述第一获取模块还用于：
73.获取多个第一原始矩阵，每个第一原始矩阵表示一个空域和频域的信道状态信息；
74.针对任意一个第一原始矩阵，对所述第一原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第一稀疏矩阵。
75.第五方面，本技术的实施例提供了一种数据处理装置，所述装置应用于第一装置，所述装置包括：
76.第二获取模块，用于获取第二稀疏矩阵，所述第二稀疏矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
77.第三输入模块，用于将所述第二稀疏矩阵输入编码网络，输出第二均值矩阵和第二尺度矩阵，所述编码网络为通过第三方面或者第三方面的任意一种可能的实现方式所述的模型训练装置进行训练后得到的编码网络；
78.第二构建模块，用于根据所述第二均值矩阵和所述第二尺度矩阵，构建第二量化矩阵；
79.熵编码模块，用于对所述第二量化矩阵进行熵编码，生成第一比特流；
80.发送模块，用于向所述第二装置发送所述第一比特流。
81.在一种可能的实现方式中，所述第二获取模块还用于：
82.获取第二原始矩阵，所述第二原始矩阵表示所述第一信道在空域和频域的信道状态信息；
83.对所述第二原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第二稀疏矩阵。
84.在一种可能的实现方式中，所述第二构建模块还用于：
85.在第一分布类型的标准分布中进行采样，得到第三采样矩阵，所述第一分布类型表示确定所述第一损失过程中使用的第一标准分布的分布类型；
86.基于所述第二均值矩阵、所述第二尺度矩阵和所述第三采样矩阵，生成第二隐层特征矩阵；
87.对所述第二隐层特征矩阵进行均匀量化，得到所述第二量化矩阵。
88.第六方面，本技术的实施例提供了一种数据处理装置，所述装置应用于第二装置，所述装置包括：
89.接收模块，用于接收来自第一装置的第一比特流；
90.熵解码模块，用于对所述第一比特流进行逆向熵编码，得到第三量化矩阵；
91.第三输出模块，用于将所述第三量化矩阵输入解码网络，输出第二估计矩阵和第二指示矩阵，所述解码网络为通过第三方面或者第三方面的任意一种可能的实现方式所述的模型训练装置进行训练后得到的解码网络；
92.第一处理模块，用于对所述第二指示矩阵进行逐元素二值化处理，并根据处理结果与所述第二估计矩阵，生成第一重构矩阵，所述第一重构矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
93.第二处理模块，用于对所述第一重构矩阵进行补零操作，并对操作结果进行二维逆向离散傅里叶变换，得到第二重构矩阵，所述第二重构矩阵表示所述第一信道在空域和频域的信道状态信息。
94.第七方面，本技术的实施例提供了一种电子设备，该电子设备可以执行上述第一方面或者第一方面的多种可能的实现方式中的一种或几种的模型训练方法，或者，上述第二方面或者第二方面的多种可能的实现方式中的一种或几种的数据处理方法，或者，上述第三方面或者第三方面的多种可能的实现方式中的一种或几种的数据处理方法。
95.第八方面，本技术的实施例提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述第一方面或者第一方面的多种可能的实现方式中的一种或几种的模型训练方法，或者，上述第二方面或者第二方面的多种可能的实现方式中的一种或几种的数据处理方法，或者，上述第三方面或者第三方面的多种可能的实现方式中的一种或几种的数据处理方法。。
96.第九方面，本技术的实施例提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行上述第一方面或者第一方面的多种可能的实现方式中的一种或几种的模型训练方法，或者，上述第二方面或者第二方面的多种可能的实现方式中的一种或几种的数据处理方法，或者，上述第三方面或者第三方面的多种可能的实现方式中的一种或几种的数据处理方法。
97.在本技术实施例中，通过编码网络和解码网络先输出稀疏矩阵相关的参数，再基于参数进行稀疏矩阵构建，具有良好的通用性和适应性。同时，本技术实施例中，可以通过改变第一尺度，精准控制隐层特征的熵，进而精准控制熵编码得到的比特流的长度。而隐层特征的熵越低，对其进行均匀量化得到量化矩阵时，量化损失越小，因此本技术实施例还可以通过改变第一尺度，实现更小的量化损失。另外，本技术实施例训练得到的编码网络和解码网络在同样的压缩比下，能够获得更小的重构损失。
98.本技术的这些和其他方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
99.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本技术的示例性实施例、特征和方面，并且用于解释本技术的原理。
100.图1示出本技术实施例提供的应用场景示意图。
101.图2示出本技术实施例提供的模型训练系统架构图。
102.图3示出本技术实施例提供的模型训练方法的流程示意图。
103.图4示出本技术实施例提供的编码网络的示例性结构示意图。
104.图5示出本技术实施例提供的解码网络的示例性结构示意图。
105.图6示出本技术实施例提供的数据处理方法的流程交互图。
106.图7示出本技术实施例提供的数据处理方法的实施过程示意图。
107.图8示出本技术实施例提供的模型训练装置的框图。
108.图9示出本技术实施例提供的数据处理装置的框图。
109.图10示出本技术实施例提供的数据处理装置的框图。
具体实施方式
110.以下将参考附图详细说明本技术的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
111.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
112.另外，为了更好的说明本技术，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本技术同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本技术的主旨。
113.图1示出本技术实施例提供的应用场景示意图。如图1所示，用户设备与基站之间建立通信链路。用户设备将原始csi矩阵进行压缩和量化，得到比特流，并将比特流发送至基站。基站接收到比特流后，重构出csi矩阵，以便于同时为多用户设备以及多天线服务。
114.其中，原始csi矩阵可以表示信道在空域和时域的信道状态信息。其中，信道状态信息就是通信链路(即信道)的信道属性，它描述了信号在每条传输路径上的衰弱因子，即信道增益矩阵中每个元素的值，如信号散度、环境衰弱、距离衰减等信息。信道状态信息可以使通信系统适应当前的信道条件，在多天线系统中为高可靠性高速率的通信提供了保障。原始csi矩阵是一个维度为发射天线数n
t
*频带数nc的复数矩阵。
115.本技术实施例提供了一种模型训练方法、数据处理方法及装置，能够有效降低信道状态信息矩阵的量化误差与重构误差；可以适用于用户设备与基站之间复杂多变的环境，具有较高的通用型及泛化性；能够实现多种压缩比；在压缩比相同的情况下，重构csi和原始csi之间的归一化均方误差(normalized mean squared error，nmse)相对较小。其中，比特流占用内存大小与原始csi矩阵占用内存大小之比称为压缩比。
116.需要说明的是，本技术实施例提供的模型训练方法、数据处理方法及装置，还可以用于其他稀疏矩阵的量化与重构，本技术实施例对进行量化与重构的稀疏矩阵不做限制。训练后的编码网络可以应用于第一装置，训练后的解码网络可以应用于第二装置。其中，第一装置可以为上述用户设备也可以为其他通信设备，第二装置可以为上述基站也可以为其他通信设备。本技术实施例对第一装置和第二装置不做限制。
117.图2示出本技术实施例提供的模型训练系统架构图。如图2所示，所述模型训练系
统包括预处理模块、编码模块、解码模块和后处理模块。
118.原始csi矩阵可以表示一个空域和频域的信道状态信息。如图2所示，原始csi矩阵如数预处理模块之后，预处理模块可以通过二维离散傅里叶变换(discrete fourier transform，dft)将原始csi矩阵转换为角度域和时延域的csi矩阵，该矩阵为稀疏矩阵，称为原始稀疏矩阵。原始稀疏矩阵输入编码模块之后，编码模块可以通过编码网络从原始稀疏矩阵中提取出稀疏特征，然后对稀疏特征进行量化，最后对量化后的特征进行熵编码，得到比特流。比特流输入解码模块之后，解码模块可以先对比特流进行逆向熵编码，得到量化后的特征，然后将量化后的特征输入到解码网络中，得到重构稀疏矩阵。重构稀疏矩阵输入后处理模块后，后处理模块可以对重构稀疏矩阵进行二维逆向离散傅里叶变换，得到重构csi矩阵。
119.图2所示的模型训练系统可以用于对模型进行训练。该模型包括编码网络和解码网络，其中，编码网络可以用于对信息到在角度域和时延域的信道状态信息(例如上述的原始稀疏矩阵)进行编码，解码网络可以用于解码得到信道在角度域和时延域的信道状态信息(例如上述的重构稀疏矩阵)。图3示出本技术实施例提供的模型训练方法的流程示意图。该方法可以应用于图2所示的模型训练系统，以获取训练后的编码网络和解码网络。如图3所示，该方法可以包括：
120.步骤s101，获取第一训练集，所述第一训练集中包括多个第一稀疏矩阵。
121.第一训练集可以表示进行模型训练时采用的训练集。第一稀疏矩阵可以表示进行模型训练时采用的训练样本。第一训练集中可以包括多个第一稀疏矩阵。在本技术实施例中，每个第一稀疏矩阵可以表示一个角度域和时延域的信道状态信息。
122.第一装置采集到的是空域和频域的信道状态信息，为了得到利于压缩与量化的稀疏矩阵，在本技术实施例中，对二维的离散傅里叶变换将空域和频域的信道状态信息进行预处理，将其转换为角度域和时延域的信道状态信息。
123.在一种可能的实现方式中，步骤s101可以包括：获取多个第一原始矩阵，每个第一原始矩阵表示一个空域和频域的信道状态信息；针对任意一个第一原始矩阵，对所述第一原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第一稀疏矩阵。
124.在一个示例中，在massive mimo系统中，可以通过cost2100模型分别设置室内和室外两种环境，蜂窝设置为分别为5.3mhz和300mhz，设置频带数nc为1024，设置基站的发射天线数n
t
为32，用户设备的接收天线数为1。在室内环境和室外环境各生成150000个csi数据样本。其中，100000个csi数据样本作为第一原始矩阵，用于进行模型训练。剩余的csi数据样本可以用于进行模型验证以及模型测试。
125.在一个示例中，可以通过公式一对第一原始矩阵进行二维离散傅里叶变换得到第一中间矩阵，然后删除第一中间矩阵中所有元素取值为零的行和列，得到第二中间矩阵，接着将第二中间矩阵的实部和虚部单独作为一个维度，得到第一稀疏矩阵。
[0126][0127]
其中，h
′
为第一中间矩阵，h
′
是一个维度为1024*32(即nc*n
t
)的复数矩阵。fc和均为离散傅里叶矩阵，此处上标h代表共轭转置。h为第一原始矩阵，h是一个维度为1024*32的复数矩阵。
[0128]
由于多径到达时间具有延迟，第一中间矩阵h
′
只有前面部分的行存在非零元素。假设第一中间矩阵h
′
只是前23行存在非零元素，则取其前23行，得到第二中间矩阵，第二中间矩阵是一个维度为32*32的复数矩阵。将第二中间矩阵的实部和虚部单独作为一个维度，得到第一稀疏矩阵x，第一稀疏矩阵是一个维度为32*32*2的实数矩阵。
[0129]
针对第一训练集中的任意一个第一稀疏矩阵执行步骤s102至步骤s107。
[0130]
步骤s102，将所述第一稀疏矩阵输入所述编码网络，输出第一均值矩阵和第一尺度矩阵。
[0131]
在本技术实施例中，编码网络至少输出两个矩阵，分别为均值矩阵和尺度矩阵。其中，均值矩阵中用于指示稀疏分布的均值参数，尺度矩阵用于指示稀疏分布的尺度参数。这里稀疏分布的分布类型包括但不限于拉普拉斯分布或者高斯分布等。在确定了均值参数以及尺度参数的情况下，可以得到拉普拉斯分布、高斯分布或者其他类型的稀疏分布。
[0132]
本步骤中的，第一均值矩阵可以表示第一稀疏矩阵输入编码网络后，输出的均值矩阵。第一尺度矩阵可以表示第一稀疏矩阵输入编码网络后，输出的尺度矩阵。因此，基于第一均值矩阵和第一稀疏矩阵可以生成第一稀疏分布。其中，第一稀疏分布可以为拉普拉斯分布、高斯分布或者其他类型的稀疏分布。第一稀疏矩阵、第一均值矩阵和第一尺度矩阵的维度相同。
[0133]
在一种可能的实现方式中，编码网络为全卷积网络。图4示出本技术实施例提供的编码网络的示例性结构示意图。如图4所示，编码网络可以包括三层卷积块、两个并行的卷积神经网络(convolutional neural networks，cnn)以及与其中一个cnn连接的激活函数。其中，每层卷积块包括一层卷积神经网络cnn、一层批归一化层以及一层prelu非线性层，其中，各层卷积块中的cnn的卷积核大小依次为9*9、5*5和5*5。维度为32*32*2的第一稀疏矩阵输入编码网络后，首先经过三个卷积块进行卷积处理，通过补零操作，使得卷积块输出的特征的维度保持为32*32*2。接着，将卷积块输出的特征并行送入两个cnn(卷积核大小均为5*5)中，其中，一个cnn输出第一均值矩阵，另一个cnn的输出经过激活函数处理后，得到第一尺度矩阵。第一均值矩阵和第一尺度矩阵的维度均为32*32*2。
[0134]
需要说明的是，以上仅为编码网络的示例性说明，编码网络还可以为其他的神经网络。全卷积神经网络还可以具有其他的网络结构。本技术实施例对编码网络的具体结构不做限制。
[0135]
步骤s103，根据所述第一均值矩阵和所述第一尺度矩阵，构建第一量化矩阵。
[0136]
第一量化矩阵可以表示根据第一均值矩阵和第一尺度矩阵构建的量化矩阵。第一量化矩阵可以用于进行熵编码，以获取比特流。
[0137]
在一种可能的实现方式中，步骤s103可以包括：在第一标准分布中进行采样，得到第一采样矩阵；基于所述第一均值矩阵、所述第一尺度矩阵和所述第一采样矩阵，生成第一隐层特征矩阵；在第一阈值范围内的均匀分布中进行采样，得到第二采样矩阵；根据所述第一隐层特征矩阵和所述第二采样矩阵，生成所述第一量化矩阵。
[0138]
其中，第一标准分布可以表示与第一稀疏分布对应系统分布类型的标准分布。举例来说，在第一稀疏分布为拉普拉斯分布的情况下，第一标准分布为标准的拉普拉斯分布(即均值为第一均值，尺度为第一尺度的拉普拉斯分布)；在第一稀疏分布为高斯分布的情况下，第一标准分布为标准的高斯分布(即均值为第一均值，尺度为第一尺度的高斯分布)。
[0139]
由于第一采样矩阵是通过在第一标准分布中采样得到的，因此，第一采样矩阵中每个元素均服从第一标准分布。利用重参数化技巧，可以得到第一隐层特征矩阵。在一个示例中，可以通过公式二获得第一隐层特征矩阵。
[0140]
m＝μ
φ
+b
φ
·
l
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式二
[0141]
其中，m表示第一隐层特征矩阵，μ
φ
表示第一均值矩阵，b
φ
表示第一尺度矩阵，l表示第一采样矩阵。这里得到的第一隐层矩阵的维度与第一均值矩阵、第一尺度矩阵以及第一采样矩阵的维度均相同，例如，维度均为32*32*2。
[0142]
均匀分布的第一阈值范围可以根据需要进行设置，例如可以设置为区间[-0.5，0.5]，由于第二采样矩阵是通过在均匀分布中采样得到的，因此，第二采样矩阵中的每个元素均服从均匀分布。基于第一隐层特征矩阵和第二采样矩阵可以生成第一量化矩阵。在一个示例中，可以通过公式三获得第一量化矩阵。
[0143][0144]
其中，表示第一量化矩阵，m表示第一隐层特征矩阵，
△
m表示第二采样矩阵。这里得到的第一量化矩阵的维度与第一隐层特征矩阵以及第二采样矩阵的维度均相同，例如，维度均为32*32*2。
[0145]
步骤s104，将所述第一量化矩阵输入所述解码网络，输出第一估计矩阵和第一指示矩阵。
[0146]
在本技术实施例中，解码网络至少输出两个矩阵，分别为估计矩阵和指示矩阵。其中，估计矩阵用于指示稀疏分布的均值参数，指示矩阵用于指示伯努利分布的成功概率。这里稀疏分布的分布类型包括但不限于拉普拉斯分布或者高斯分布等。在确定了估计矩阵和指示矩阵的情况下，可以得到伯努利-拉普拉斯联合分布、伯努利-高斯联合分布或者伯努利与其他稀疏分布的联合分布。
[0147]
在本步骤中，第一估计矩阵可以表示第一量化矩阵输入解码网络后，输出的估计矩阵。第一指示矩阵可以表示第一量化矩阵输入解码网络后，输出的指示矩阵。因此，基于第一估计矩阵和第一指示矩阵可以得到伯努利与稀疏分布的联合分布。
[0148]
在一种可能的实现方式中，解码网络为全卷积网络。图5示出本技术实施例提供的解码网络的示例性结构示意图。如图5所示，解码网络可以包括两个卷积块、两个残差模块以及并行连接的两组cnn和激活函数。其中，每个残差模块均包括两个卷积核为5*5的卷积块。其中，第一个卷积块和第二个卷积块的卷积均为5*5。维度为32*32(2)第一量化矩阵输入解码网络后，先进入一个卷积块，然后该卷积块的输出复制为两份，一份输入两个残差模块，一份直接与残差模块的输出相加。接着，相加结果再输入一个卷积块，该卷积块的输出并行输入到两个卷积核为5*5的cnn中，且两个cnn的输入均输入激活函数中。其中一个激活函数的输出为第一估计矩阵，另一个激活函数的输出为第一指示矩阵。第一激活函数和第一指示函数的维度均为32*32*2。
[0149]
需要说明的是，以上仅为解码网络的示例性说明，解码网络还可以为其他的神经网络。全卷积神经网络还可以具有其他的网络结构。本技术实施例对解码网络的具体结构不做限制。
[0150]
步骤s105，根据所述第一均值矩阵和所述第一尺度矩阵，确定第一损失。
[0151]
在本技术实施例中，编码网络的优化目标是：通过优化编码网络的参数φ，使第一
隐层特征中的元素均服从第一标准分布，，所述第一稀疏分布与所述第一标准分布对应的分布类型相同，且所述第一标准分布的均值为第一均值、尺度为第一尺度。其中，第一均值和第一尺度可以根据需要进行设置。举例来说，第一均值可以为零或者其他常数。第一尺度的大小可以用于控制熵编码后比特流的长度，第一尺度越大比特流的长度越大，第一尺度越小比特流的长度越小。因此，可以通过对比第一稀疏分布和第一标准分布，来确定第一损失。
[0152]
在一种可能的实现方式中，步骤s105可以包括：基于所述第一均值矩阵和所述第一尺度矩阵，生成第一稀疏分布；获取所述第一稀疏分布对应的第一标准分布将所述第一稀疏分布和所述第一标准分布之间的kl散度，确定为所述第一损失。
[0153]
在一个示例中，可以通过公式四确定第一稀疏分布。
[0154][0155]
其中，q
φ
(m|x)表示第一稀疏分布，m表示第一隐层特征矩阵，x表示第一稀疏矩阵，mj表示第一隐层特征矩阵中的第j个元素，μ
φ,j
表示第一均值矩阵μ
φ
中的第j个元素，b
φ,j
表示第一尺度矩阵b
φ
中的第j个元素，lap表示拉普拉斯分布，j为整数。
[0156]
在一个示例中，可以通过公式五确定第一标准分布。
[0157][0158]
其中，p(m)表示第一标准分布，mj表示第一隐层特征矩阵中的第j个元素，λ为超参数，λ表示第一尺度，lap表示拉普拉斯分布，j为整数。
[0159]
在一个示例中，可以通过公式六确定第一损失。
[0160][0161]
其中，loss
encoder
表示第一损失，q
φ
(m|x)表示第一稀疏分布，p(m)表示第一标准分布，kld表示kl散度(kullback-leibler divergence)。
[0162]
步骤s106，根据所述第一估计矩阵和所述第一指示矩阵，确定第二损失。
[0163]
在一种可能的实现方式中，步骤s106可以包括：根据所述第一稀疏矩阵、所述第一估计矩阵，生成第二稀疏分布；获取所述第二稀疏分布对应的第二标准分布，所述第二稀疏分布与所述第二标准分布对应的分布类型以及尺度相同，且所述第二标准分布的均值为第二均值；根据所述第二稀疏分布、所述第二标准分布以及所述第一指示矩阵，确定伯努利分布；根据所述伯努利分布，确定所述第二损失。其中，第二均值可以根据需要进行设置。举例来说，第二均值可以为零或者其他常数。
[0164]
在一个示例中，可以通过公式七确定伯努利分布。
[0165][0166]
其中，表示伯努利分布，表示第一估计矩阵，表示第一量化矩阵，xj表示第一稀疏矩阵x中的第j个元素，表示第一估计矩阵的第j个元素，n表示高斯分布，
和为超参数，可以控制高斯分布的方差，在本技术实施例中和设为相当，当该值越大时，可以获得更加稀疏的重构矩阵。θ为解码网络的参数。z
θ,j
表示第一指示矩阵z的第j个元素。表示第二稀疏分布，表示第二标准分布。
[0167]
解码网络优化的目标为的似然估计最大化。因此，在一个示例中，可以通过公式八确定第二损失。
[0168][0169]
其中，loss
decoder
表示第二损失，表示伯努利分布。
[0170]
步骤s107，基于所述第一损失和所述第二损失调整所述编码网络的参数以及所述解码网络的参数。
[0171]
在一个示例中，可以通过公式就获取总损失loss。之后，基于总损失loss调整所述编码网络的参数以及所述解码网络的参数，以使调整后的编码网络可以用于对信道在角度域和时延域的信道状态信息进行编码，调整后的解码网络可以用于解码得到信道在角度域和时延域的信道状态信息。
[0172]
loss＝loss
encoder
+loss
decoder
公式九
[0173]
在本技术实施例中，结合先验分布(即标准分布)来设计编码网络和解码网络的输出以及损失函数，提升了编码网络和解码网络输出稀疏矩阵的能力。相较于编码网络和解码网络直接输出稀疏矩阵，本技术实施例通过编码网络和解码网络先输出稀疏矩阵相关的参数，再基于参数进行稀疏矩阵构建，具有良好的通用性和适应性。同时，本技术实施例中，可以通过改变第一尺度，精准控制隐层特征的熵，进而精准控制熵编码得到的比特流的长度。而隐层特征的熵越低，对其进行均匀量化得到量化矩阵时，量化损失越小，因此本技术实施例还可以通过改变第一尺度，实现更小的量化损失。另外，本技术实施例训练得到的编码网络和解码网络同样的压缩比下，获得更小的重构损失。
[0174]
图6示出本技术实施例提供的数据处理方法的流程交互图。其中，第一装置可以为上述用户设备或者其他通信设备，第二装置可以为上述基站或者其他通信设备。第一信道表示第一装置与第二装置之间的信道。如图6所示，该方法可以包括：
[0175]
步骤s201，第一装置获取第二稀疏矩阵。
[0176]
其中，第二稀疏矩阵可以表示第一信道在角度域和时延域的信道状态信息。第二稀疏矩阵可以表示待发送至第二装置的系数矩阵。
[0177]
在一种可能的实现方式中，步骤s201可以包括：获取第二原始矩阵，所述第二原始矩阵表示所述第一信道在空域和频域的信道状态信息；对所述第二原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行和列，得到所述第二稀疏矩阵。
[0178]
步骤s201可以参照步骤s101这里不再赘述。
[0179]
步骤s202，第一装置将第二稀疏矩阵输入编码网络，输出第二均值矩阵和第二尺
度矩阵。
[0180]
本步骤中的，第二均值矩阵可以表示第二稀疏矩阵输入编码网络后，输出的均值矩阵。第二尺度矩阵可以表示第二稀疏矩阵输入编码网络后，输出的尺度矩阵。这里的编码网络为通过图3所示的训练方法训练完成的编码网络。步骤s202可以参照步骤s102，这里不再赘述。
[0181]
步骤s203，第一装置根据第二均值矩阵和第二尺度矩阵，构建第二量化矩阵。
[0182]
在一种可能的实现方式中，在第一分布类型的标准分布中进行采样，得到第三采样矩阵，所述第一分布类型表示确定所述第一损失过程中使用的第一标准分布的分布类型；基于所述第二均值矩阵、所述第二尺度矩阵和所述第三采样矩阵，生成第二隐层特征矩阵；对所述第二隐层特征矩阵进行均匀量化，得到所述第二量化矩阵。
[0183]
其中，生成第二隐层特征的过程可以参照生成第一隐层特征的过程，这里不再赘述。在一个示例中，可以将区间[0,1]b等分等到多个子区间，针对第二隐层特征中的任意一个元素，将该元素所在自取件的中间值确定为第二量化矩阵中该元素对应元素的值。其中，b可以根据需要进行设置，本技术实施例中不做限制。
[0184]
步骤s204，第一装置对第二量化矩阵进行熵编码，生成第一比特流。
[0185]
步骤s205，第一装置向第二装置发送第一比特流。
[0186]
步骤s206，第二装置接收来自第一装置的第一比特流。
[0187]
步骤s207，第二装置对第一比特流进行逆向熵编码，得到第三量化矩阵。
[0188]
步骤s208，第二装置将第三量化矩阵输入解码网络，输出第二估计矩阵和第二指示矩阵。
[0189]
其中，第二估计矩阵可以表示第三量化矩阵输入解码网络后，输出的估计矩阵。第二指示矩阵可以表示第三量化矩阵输入解码网络后，输出的指示矩阵。步骤s208可以参照步骤s104，这里不再赘述。
[0190]
步骤s209，第二装置对第二指示矩阵进行逐元素二值化处理，并根据处理结果与第二估计矩阵，生成第一重构矩阵。
[0191]
其中，第一重构矩阵可以表示第一信道在角度域和时延域的信道状态信息。
[0192]
在一个示例中，可以通过公式十生成第一重构矩阵。
[0193][0194]
其中，表示第二估计矩阵，z1表示第二指示矩阵逐元素二值化后的结果。这里的逐元素二值化是指，将大于0.5的元素置为1，将小于或者等于0.5的元素置为0。可见，z1是一个仅包括0和1的矩阵。
[0195]
步骤s210，第二装置对第一重构矩阵进行补零操作，并对操作结果进行二维逆向离散傅里叶变换，得到第二重构矩阵。
[0196]
其中，第二重构矩阵可以表示第一信道在空域和频域的信道状态信息。
[0197]
另外，本技术实施例中涉及的二维离散傅里叶变化，逆向二维离散傅里叶变换、熵编码以及逆向熵编码可以参照相关技术，这里不再赘述。
[0198]
在本技术实施例中，通过编码网络和解码网络先输出稀疏矩阵相关的参数，再基于参数进行稀疏矩阵构建，具有良好的通用性和适应性。同时，本技术实施例中，可以通过改变第一尺度，精准控制隐层特征的熵，进而精准控制熵编码得到的比特流的长度。而隐层
特征的熵越低，对其进行均匀量化得到量化矩阵时，量化损失越小，因此本技术实施例还可以通过改变第一尺度，实现更小的量化损失。另外，本技术实施例训练得到的编码网络和解码网络在同样的压缩比下，能够获得更小的重构损失。
[0199]
图7示出本技术实施例提供的数据处理方法的实施过程示意图。如图7所示，第一装置中，第二原始矩阵输入预处理模块，得到第二稀疏矩阵。第二稀疏矩阵输入编码模块后，首先进入编码网络，得到第二均值矩阵和第二尺度矩阵，然后经过采样层和量化层得到第二量化矩阵，再经过熵编码层后得到第一比特流。然后，第一装置将第一比特流发送至第二装置。第二装置中，第一比特流输入你想熵编码层后得到第三量化矩阵，接着第三量化矩阵输入解码网络，得到第二估计矩阵和第二指示矩阵，这两个矩阵经过输出层得到第一重构矩阵，最终第一重构矩阵经后处理模块后输出第二重构矩阵。至此，第二装置中实现了对第二原始矩阵的重构，获得了第一信道在在空域和频域的信道状态信息。
[0200]
图8示出本技术实施例提供的模型训练装置的框图。所述模型包括编码网络和解码网络。如图8所示，该装置60可以包括：
[0201]
第一获取模块61，用于获取第一训练集，所述第一训练集中包括多个第一稀疏矩阵，每个第一稀疏矩阵表示一个角度域和时延域的信道状态信息；
[0202]
第一输入模块62，用于将所述第一稀疏矩阵输入所述编码网络，输出第一均值矩阵和第一尺度矩阵；
[0203]
第一构建模块63，用于根据所述第一均值矩阵和所述第一尺度矩阵，构建第一量化矩阵；
[0204]
第二输入模块64，用于将所述第一量化矩阵输入所述解码网络，输出第一估计矩阵和第一指示矩阵；
[0205]
第一确定模块65，用于根据所述第一均值矩阵和所述第一尺度矩阵，确定第一损失；
[0206]
第二确定模块66，用于根据所述第一估计矩阵和所述第一指示矩阵，确定第二损失；
[0207]
调整模块67，用于基于所述第一损失和所述第二损失调整所述编码网络的参数以及所述解码网络的参数，调整后的所述编码网络用于对信道在角度域和时延域的信道状态信息进行编码，调整后的所述解码网络用于解码得到信道在角度域和时延域的信道状态信息。
[0208]
在一种可能的实现方式中，所述第一确定模块还用于：
[0209]
基于所述第一均值矩阵和所述第一尺度矩阵，生成第一稀疏分布；
[0210]
获取所述第一稀疏分布对应的第一标准分布，所述第一稀疏分布与所述第一标准分布对应的分布类型相同，且所述第一标准分布的均值为第一均值、尺度为第一尺度；
[0211]
将所述第一稀疏分布和所述第一标准分布之间的kl散度，确定为所述第一损失。
[0212]
在一种可能的实现方式中，所述第一构建模块还用于：
[0213]
在所述第一标准分布中进行采样，得到第一采样矩阵；
[0214]
基于所述第一均值矩阵、所述第一尺度矩阵和所述第一采样矩阵，生成第一隐层特征矩阵；
[0215]
在第一阈值范围内的均匀分布中进行采样，得到第二采样矩阵；
[0216]
根据所述第一隐层特征矩阵和所述第二采样矩阵，生成所述第一量化矩阵。
[0217]
在一种可能的实现方式中，所述第二确定模块还用于：
[0218]
根据所述第一稀疏矩阵、所述第一估计矩阵，生成第二稀疏分布；
[0219]
获取所述第二稀疏分布对应的第二标准分布，所述第二稀疏分布与所述第二标准分布对应的分布类型以及尺度相同，且所述第二标准分布的均值为第二均值；
[0220]
根据所述第二稀疏分布、所述第二标准分布以及所述第一指示矩阵，确定伯努利分布；
[0221]
根据所述伯努利分布，确定所述第二损失。
[0222]
在一种可能的实现方式中，所述第一获取模块还用于：
[0223]
获取多个第一原始矩阵，每个第一原始矩阵表示一个空域和频域的信道状态信息；
[0224]
针对任意一个第一原始矩阵，对所述第一原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第一稀疏矩阵。
[0225]
图9示出本技术实施例提供的数据处理装置的框图。所述装置应用于第一装置。如图9所示，该装置70可以包括：
[0226]
第二获取模块71，用于获取第二稀疏矩阵，所述第二稀疏矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
[0227]
第三输入模块72，用于将所述第二稀疏矩阵输入编码网络，输出第二均值矩阵和第二尺度矩阵，所述编码网络为通过上述训练方法进行训练后得到的编码网络；
[0228]
第二构建模块73，用于根据所述第二均值矩阵和所述第二尺度矩阵，构建第二量化矩阵；
[0229]
熵编码模块74，用于对所述第二量化矩阵进行熵编码，生成第一比特流；
[0230]
发送模块75，用于向所述第二装置发送所述第一比特流。
[0231]
在一种可能的实现方式中，所述第二获取模块还用于：
[0232]
获取第二原始矩阵，所述第二原始矩阵表示所述第一信道在空域和频域的信道状态信息；
[0233]
对所述第二原始矩阵进行二维离散傅里叶变换，并删除变换结果中所有元素取值均为零的行，得到所述第二稀疏矩阵。
[0234]
在一种可能的实现方式中，所述第二构建模块还用于：
[0235]
在第一分布类型的标准分布中进行采样，得到第三采样矩阵，所述第一分布类型表示确定所述第一损失过程中使用的第一标准分布的分布类型；
[0236]
基于所述第二均值矩阵、所述第二尺度矩阵和所述第三采样矩阵，生成第二隐层特征矩阵；
[0237]
对所述第二隐层特征矩阵进行均匀量化，得到所述第二量化矩阵。
[0238]
图10示出本技术实施例提供的数据处理装置的框图。所述装置应用于第二装置。如图10所示，该装置80可以包括：
[0239]
接收模块81，用于接收来自第一装置的第一比特流；
[0240]
熵解码模块82，用于对所述第一比特流进行逆向熵编码，得到第三量化矩阵；
[0241]
第三输出模块83，用于将所述第三量化矩阵输入解码网络，输出第二估计矩阵和
第二指示矩阵，所述解码网络为通过上述训练方法进行训练后得到的解码网络；
[0242]
第一处理模块84，用于对所述第二指示矩阵进行逐元素二值化处理，并根据处理结果与所述第二估计矩阵，生成第一重构矩阵，所述第一重构矩阵表示第一信道在角度域和时延域的信道状态信息，所述第一信道表示所述第一装置与第二装置之间的信道；
[0243]
第二处理模块85，用于对所述第一重构矩阵进行补零操作，并对操作结果进行二维逆向离散傅里叶变换，得到第二重构矩阵，所述第二重构矩阵表示所述第一信道在空域和频域的信道状态信息。
[0244]
本技术的实施例提供了一种电子设备，包括：处理器以及用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令时实现上述方法。
[0245]
本技术的实施例提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
[0246]
本技术的实施例提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
[0247]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可擦式可编程只读存储器(electrically programmable read-only-memory，eprom或闪存)、静态随机存取存储器(static random-access memory，sram)、便携式压缩盘只读存储器(compact disc read-only memory，cd-rom)、数字多功能盘(digital video disc，dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
[0248]
这里所描述的计算机可读程序指令或代码可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0249]
用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构(instruction set architecture，isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(local area network，lan)或广域网(wide area network，wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信
息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(field-programmable gate array，fpga)或可编程逻辑阵列(programmable logic array，pla)，该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
[0250]
这里参照根据本技术实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0251]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0252]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0253]
附图中的流程图和框图显示了根据本技术的多个实施例的装置、系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0254]
也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行相应的功能或动作的硬件(例如电路或asic(application specific integrated circuit，专用集成电路))来实现，或者可以用硬件和软件的组合，如固件等来实现。
[0255]
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其它变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其它单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0256]
以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。