CN110351825A - Nprach信号检测方法、装置、nprach接收机及存储介质 - Google Patents
Nprach信号检测方法、装置、nprach接收机及存储介质 Download PDFInfo
- Publication number
- CN110351825A CN110351825A CN201910420360.XA CN201910420360A CN110351825A CN 110351825 A CN110351825 A CN 110351825A CN 201910420360 A CN201910420360 A CN 201910420360A CN 110351825 A CN110351825 A CN 110351825A
- Authority
- CN
- China
- Prior art keywords
- value
- variable
- nprach
- model
- signal
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 230000011664 signaling Effects 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 238000007689 inspection Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种NPRACH信号检测方法、装置、NPRACH接收机和存储介质。所述方法包括:获取NPRACH中的终端信号的检验矩阵模型;检验矩阵模型中包含有RCFO变量和TA变量;对检验矩阵模型进行特征值分解,得到检验矩阵模型的最大特征值,作为检验度量值;比较检验度量值与检测阈值;若检验度量值不小于检测阈值,确定NPRACH中存在终端信号,并计算检验度量值对应的特征向量,作为基础向量;根据基础向量,构建信号值优化模型;对信号值优化模型进行求解,当得到目标函数的最大值时,得到信号值优化模型中参数变量的值,根据参数变量的值,确定NPRACH中的终端信号的最优检测值。该方法复杂度合理,且能够快速、准确地估计信号中的RCFO和TA,NPRACH信号检测效果佳。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种NPRACH信号检测方法、装置、NPRACH接收机以及存储介质。
背景技术
物联网(Internet of Things,IoT)是互联网、传统电信网等信息承载体,让所有能行使独立功能的普通物体实现互联互通的网络。窄带物联网(Narrow Band Internet ofThings,NB-IoT)为万物互联网络的一个重要分支。NB-IoT构建于蜂窝网络,只消耗180KHz的带宽,可直接部署于GSM网络、UMTS网络或LTE网络,以降低部署成本、实现平滑升级。
在NB-IoT系统中,当终端(user equipment,UE)在需要建立或恢复与基站(E-NodeB,eNB)之间的空口连接时,首先在物理层完成时频同步并获取必要的系统广播信息,然后,通过窄带物理层随机接入信道(narrowband physical random access channel,NPRACH)向eNB发起无线资源控制(radio resource control,RRC)连接请求。在eNB侧,物理层接收机会根据NPRACH配置参数周期性地检测UE发送的接入请求信号,并估计UE发射机与eNB接收机之间的定时提前量(timing advanced,TA),以实现两者进行数据传输时的定时同步。
若eNB接收机的信号检测性能不佳,则会造成频繁的误警或漏检,降低服务质量;若检测方法复杂度过高,则会大大增加eNB的成本。另外,如果eNB接收机的TA估计方法设计不完善,则会导致TA估计不准确甚至估计误差过大,所产生误差将会在控制信道或共享信道引入明显的定时误差,从而造成符号间干扰,最终严重降低UE与eNB之间的通信质量。因此,设计一种可准确估计TA值的NPRACH接收机是很有必要的。
目前,针对NPRACH信号检测方法的研究尚未十分深入,在UE存在残余载频偏移(residual carrier frequency offset,RCFO)情况下的信号检测以及TA估计算法尚未完善。具体地,当UE因为多普勒频移或时频同步误差等因素而引入RCFO时,TA估计的难度将大大提升;一般而言,若接收机信号检测方法不考虑纠正RCFO,则无法有效估计出最佳的TA值。
由此可见,设计一种复杂度合理的NPRACH接收机,以有效检测UE信号,并快速、准确地估计信号中的RCFO参数和TA参数,是十分必要的。
发明内容
基于此,有必要针对上述技术问题,提供一种NPRACH信号检测方法、装置、NPRACH接收机和存储介质。
一方面,本发明实施例提供一种NPRACH信号检测方法,所述方法包括:
获取NPRACH中的终端信号的检验矩阵模型;所述检验矩阵模型中包含有RCFO变量和TA变量;
对所述检验矩阵模型进行特征值分解,得到所述检验矩阵模型的最大特征值,作为检验度量值;
比较所述检验度量值与检测阈值;
若所述检验度量值不小于所述检测阈值,确定NPRACH中存在终端信号,并计算所述检验度量值对应的特征向量,作为基础向量;
根据所述基础向量,构建信号值优化模型;所述信号值优化模型以所述基础向量与所述基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:所述RCFO变量的取值范围和所述TA变量的取值范围;
对所述信号值优化模型进行求解,当得到所述目标函数的最大值时,得到所述信号值优化模型中参数变量的值,根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值;所述参数变量包括所述RCFO变量和所述TA变量。
在其中一个实施例中,所述获取NPRACH中的终端信号的检验矩阵模型的步骤,包括:
获取NPRACH中的终端信号的信号值模型;
根据所述信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
在其中一个实施例中,所述方法还包括:
确定所述信号值优化模型中所述RCFO变量的迭代初始值和所述TA变量的迭代初始值;
根据所述RCFO变量的迭代初始值和所述TA变量的迭代初始值,对所述信号值优化模型进行交替迭代,得到所述RCFO变量的最优解和所述TA变量的最优解;
所述根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值的步骤,包括:
将所述RCFO变量的最优解和所述TA变量的最优解代入所述信号值模型,得到NPRACH中的终端信号的最优检测值。
在其中一个实施例中,所述确定所述信号值优化模型中所述RCFO变量的迭代初始值和所述TA变量的迭代初始值的步骤,包括:
确定所述信号值优化模型中所述RCFO变量的迭代初始值;
将所述RCFO变量的迭代初始值代入所述信号值优化模型中,当得到所述目标函数的最大值时,确定TA变量的迭代初始值。
在其中一个实施例中,所述计算所述检验度量值对应的特征向量的步骤,包括:
根据公式:
R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;
从Q中提取R的最大特征值对应的归一化特征向量,作为所述检验度量值对应的特征向量。
在其中一个实施例中,所述检测阈值根据Neyman-Pearson准则计算得到。
在其中一个实施例中,所述方法还包括:
若所述检验度量值小于所述检测阈值,确定NPRACH中不存在终端信号。
另一方面,本发明实施例提供一种NPRACH信号检测装置,所述装置包括:
矩阵模型获取模块,用于获取NPRACH中的终端信号的检验矩阵模型;所述检验矩阵模型中包含有RCFO变量和TA变量;
度量值获取模块,用于对所述检验矩阵模型进行特征值分解,得到所述检验矩阵模型的最大特征值,作为检验度量值;
比较模块,用于比较所述检验度量值与检测阈值;
基础向量计算模块,用于若所述检验度量值不小于所述检测阈值,确定NPRACH中存在终端信号,并计算所述检验度量值对应的特征向量,作为基础向量;
优化模型构建模块,用于根据所述基础向量,构建信号值优化模型;所述信号值优化模型以所述基础向量与所述基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:所述RCFO变量的取值范围和所述TA变量的取值范围;
最优值计算模块,用于对所述信号值优化模型进行求解,当得到所述目标函数的最大值时,得到所述信号值优化模型中参数变量的值,根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值;所述参数变量包括所述RCFO变量和所述TA变量。
再一方面,本发明实施例提供一种NPRACH接收机,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种NPRACH信号检测方法的步骤。
再一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现一种NPRACH信号检测方法的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果:该信号检测方法针对NPRACH多次重复发送的特点,提出对检验矩阵模型进行特征值分解(eigenvaluedecomposition,EVD)并根据分解结果得到检验矩阵模型的最大特征值,作为检验度量值;若检验度量值不小于检测阈值,确定NPRACH中存在终端信号;针对终端信号存在的RCFO和TA,提出使用凸优化的方法进行迭代,获取最优值作为二者的估计值,并最终确定NPRACH中终端信号的信号检测值;该方法复杂度合理,且能够快速、准确地估计信号中的RCFO和TA,信号检测效果佳。
附图说明
图1为一个实施例中NPRACH信号检测方法的应用环境图;
图2为一个实施例中NPRACH信号检测方法的示意性流程图;
图3为另一个实施例中NPRACH信号检测方法的示意性流程图;
图4为一个实施例中NPRACH信号检测装置的示意性结构图;
图5为一个实施例中NPRACH接收机的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供的NPRACH信号检测方法,可以应用于如图1所示的应用环境中。其中,包括终端、基站和连接在终端与基站之间且用于传输无线信号的窄带物理层随机接入信道(NPRACH),若NPRACH中存在信号,可包括至少一个终端发射机发出的信号。需要说明的是,本发明实施例中,所说终端既可以是包含多台终端的一个终端群组,也可以是单台终端。
在一个实施例中,如图2所示,提供了一种NPRACH信号检测方法,具体用于检测NPRACH中单个UE信号,以该方法应用于图1中的基站为例进行说明,包括以下步骤:
S202,获取NPRACH中的终端信号的检验矩阵模型;检验矩阵模型中包含有RCFO变量和TA变量。
其中,检验矩阵模型用于确定NPRACH中是否存在终端信号,该检验矩阵模型可由特定的或现有的,用于计算NPRACH中终端信号具体数值的信号值模型转化和计算得到。当然,该信号值模型同样需要包含有RCFO变量和TA变量。
具体地,获取检验矩阵模型可通过直接从数据库中调用预存储的模型,也可在检测信号时通过实时计算和转化得到,具体可根据实际情况设置获取方式。
S204,对检验矩阵模型进行特征值分解,得到检验矩阵模型的最大特征值,作为检验度量值。
S206,比较检验度量值与检测阈值。
其中,该检验阈值可通过根据现有的Neyman-Pearson准则计算得到,也可预先计算好后,通过查表得到;具体地,查阅的表格可为符号组的总重复次数和检验阈值的映射表。
S208,若检验度量值不小于检测阈值,确定NPRACH中存在终端信号,并计算检验度量值对应的特征向量,作为基础向量。
S210,根据基础向量,构建信号值优化模型;信号值优化模型以基础向量与基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:RCFO变量的取值范围和TA变量的取值范围。
S212,对信号值优化模型进行求解,当得到目标函数的最大值时,得到信号值优化模型中参数变量的值,根据参数变量的值,确定NPRACH中的终端信号的最优检测值;参数变量包括RCFO变量和TA变量。
应当指出的是,对信号值优化模型进行求解时,当得到目标函数的最大值时,可得到RCFO变量的最优解和TA变量的最优解;通过RCFO变量的最优解和TA变量的最优解,即可确定NPRACH中的终端信号的最优检测值。
本发明上述实施例中,执行主体可为基站的接收机(NPRACH接收机),当然也可根据实际情况进行选择和变更。
上述实施例的NPRACH信号检测方法中,首先检测NPRACH中是否存在终端信号,若确定存在终端信号,再通过凸优化的方法得到具体的信号检测值;具体地,针对NPRACH多次重复发送的特点,提出对检验矩阵模型进行特征值分解并根据分解结果得到检验矩阵模型的最大特征值,作为检验度量值;若检验度量值不小于检测阈值,确定NPRACH中存在终端信号;针对终端信号存在的RCFO和TA,提出使用凸优化的方法进行迭代,获取最优值作为二者的估计值,并最终确定NPRACH中终端信号的信号检测值;该方法复杂度合理,且能够快速、准确地估计信号中的RCFO和TA,信号检测效果佳。
在一些实施例中,S202具体包括:获取NPRACH中的终端信号的信号值模型;根据信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
在一些实施例中,该NPRACH信号检测方法还包括:确定信号值优化模型中RCFO变量的迭代初始值和TA变量的迭代初始值;根据RCFO变量的迭代初始值和TA变量的迭代初始值,对信号值优化模型进行交替迭代,得到RCFO变量的最优解和TA变量的最优解;此时S212具体包括:将RCFO变量的最优解和TA变量的最优解代入信号值模型,得到NPRACH中的终端信号的最优检测值。
具体优化过程中,确定RCFO变量的迭代初始值和TA变量的迭代初始值的次序不作限定,可先确定RCFO变量的迭代初始值,后确定TA变量的迭代初始值,亦可相反,可根据实际情况进行设定。
对信号值优化模型进行交替迭代,即可对两个维度交替使用牛顿法迭代的方式搜寻到RCFO和TA的最优解,当然,优化或迭代方式并不限于此。
在一些实施例中,上述的确定信号值优化模型中RCFO变量的迭代初始值和TA变量的迭代初始值的步骤,包括:确定信号值优化模型中RCFO变量的迭代初始值;将RCFO变量的迭代初始值代入信号值优化模型中,当得到目标函数的最大值时,确定TA变量的迭代初始值。
在一些实施例中,S208中的计算检验度量值对应的特征向量的步骤,具体包括:根据公式:R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;从Q中提取R的最大特征值对应的归一化特征向量
在一些实施例中,该NPRACH信号检测方法还包括:若检验度量值小于检测阈值,确定NPRACH中不存在终端信号。
在一个具体实施例中,NPRACH使用3.75kHz的单载波跳频结构发送随机接入前导序列,其时域上的基本单位是由五个相同的OFDM符号以及一段循环前缀(cyclic prefix,CP)所组成的符号组。NPRACH的配置支持两种不同格式的符号组,分别为Format 0和Format1,两种格式下TSEQ均为1.333ms,但两者对应不同的CP长度:Format 0对应TCP=66.7μs,适用于小区半径小于10km的部署场景;Format 1对应TCP=266.7μs,适用于最大小区半径为40km的部署场景。
在UE发射端,发送信号波形为单载波跳频OFDM波形,其时域上第i个符号组对应的基带等效信号可表示为:
其中0≤t<TSEQ+TCP,β为UE端的发射功率控制因子,ΔfRA=3.75kHz为子载波间隔,Ω(i)表示跳频序列,i∈{1,2,…,Nrep},这里我们使用Nrep表示符号组的总重复次数,其值为上层配置参数的四倍。在对应的数字域中,若使用采样频率为1/Ts=NΔfRA的冲激序列对(1)进行采样,得到对应的数字信号表达式为:
其中,n=-NCP,…,ηN-1,NCP=TCP/Ts,η=5表示每个符号组内包含的OFDM符号个数,N为单个OFDM符号内的采样数。在NPRACH中,无线信道hi[n]可以建模为单抽头的分组衰落信道。假设信道在一个符号组内保持不变,则有hi[n]=hi。发射信号si[n]受到UE自身的RCFO影响,并因自身与基站的地理位置间隔而引入一个时延,因此,最后经过信道到达eNB接收端的信号为:
其中,f为归一化RCFO,它与绝对频率偏移的关系为D∈[0,NCP-1]为TA参数,wi[n]为高斯白噪声。在NB-IoT场景下,的取值一般在数十赫兹内,本申请假设
在eNB侧,接收机可能会同时收到来自多个UE的NPRACH信号,利用OFDM系统的特性,接收机需要先对时域接收信号进行FFT变换,从而把接收信号根据不同的子载波进行分离,然后根据预先配置好的跳频序列Ω(i),把各子载波编号与UE对应起来。具体地,单个UE在第i个符号组内第l个符号对应的信号值(终端信号的信号值模型)可表示为:
其中,仍是服从高斯分布的白噪声,而且
为一常量,以下简写为C。通常而言,f的取值非常小,所以接收信号中的载波间干扰可以忽略不计,|C|≈βN。
eNB接收机需要完成两方面的任务:一是完成假设检验
要求误警率PFA=P{检验结果为H1|H0}≤0.1%,且检测率PD=P{检验结果为H1|H1}≥99%;二是对UE信号中的{f,D}参数进行估计。
本申请的NRPACH信号接收算法是基于单个UE实施的,对于每个UE的信号Yi[l],我们将其按照i和l重新排列成一个矩阵,记为Z,即Z中第p行第q列的元素Z(p,q)=Yp[q],可以发现在无噪声的情况下,矩阵Z的秩为1。对于UE信号的检测,本申请首先计算R=ZZH(即终端信号的检验矩阵模型),显然:
可见,矩阵R的秩也为1。而且,矩阵R只与符号组索引有关,而已经把每个符号组内的五个符号进行了合并,提高了信噪比。另外,相比已有的基于Z进行的信号处理方法,利用R进行的后续运算将得到一定程度的简化。为了完成(6)中的假设检验,我们对R进行EVD,得到:R=QΛQH,其中是酉矩阵,是对角阵,然后取矩阵Λ的最大值λ1(R),也即R最大特征值,作为检验度量值。接收机通过将该值与预设的阈值λth(即检测阈值)进行对比,判断哪一种假设成立,即:若λ1(R)≥λth,则判H1成立,否则判H0成立。值得一提的是,本申请只使用了R最大特征值及其对应特征向量(见下文),所以EVD的数值计算过程可以大大简化。
关于阈值λth的计算,我们应用经典的Neyman-Pearson准则,对于给定的误警率PFA,最大化检测率PD。实际上,由于矩阵R服从Wishart分布,H0下其最大特征值的累计分布函数(cumulative distribution function,CDF)为:
其中,s=min{η,Nrep},t=max{η,Nrep},为伽玛函数,Ψ(x)是一个与x(x>0)有关的Hankel矩阵,其中各元素为Ψ(x)(p,q)=γ(t-s+p+q-1,x),p,q=1,…,s,为非完全伽玛函数。通过计算满足PFA≥1-P{λ1(R)≤x|H0}的最小x,我们便可以得到合适的阈值λth,例如,当Nrep=8并给定PFA=0.1%时,我们把s=5,t=8代入(8)式,再利用CDF的单调性,通过常用的数值方法(如二分法)求出满足P{λ1(R)≤x|H0}=99.9%的x值为5.6247,则此时检测阈值λth应设置为5.6247。在实际工程中,上述计算过程可预先完成,λth的取值可通过查表的方式获取。我们在表1中列举了单位噪声功率下,不同Nrep取值对应的λth值。
表1不同重复次数下的检测阈值
N<sub>rep</sub> | 4 | 8 | 16 | 32 | 64 | 128 | 256 | 512 |
λ<sub>th</sub> | 4.8145 | 5.6247 | 6.7753 | 8.4167 | 10.7452 | 14.0494 | 18.7255 | 25.3477 |
对于参数{f,D}的估计,本申请采用优化的方法交替迭代寻找两个参数的最优值。首先从Q中提取矩阵R最大特征值对应的归一化特征向量(基础向量)。考虑到无线信道有可能是时变的,我们假设信道是分组衰落信道,且信道的冲激响应在I=4个符号组内保持不变,即共有K=Nrep/I个分组,令其中⊙表示Hadamard乘积,M为一分组对角阵,其每个分组为I×I的全一矩阵,同时对α进行分组,得我们考虑如下优化问题:
(信号值优化模型)
其中估计向量的第i个元素为
由于待优化的目标函数含有多个局部最优值,因此直接对其进行优化是不可行的。为了求解该优化问题,我们考虑先选取合适的迭代初始点,再利用目标函数在小范围内的凸性进行迭代优化。
本申请提出了一种初始点选择的方法:先假设然后计算不同取值下目标函数的值,选取最大值对应的作为迭代的起始点,即:
实验结果表明,当取时,算法已可获取十分合适的初始点。若信道条件较好,可以适当减少的取值。
而后,鉴于目标函数在和两个维度上的凸性,我们通过对两个维度交替使用牛顿法迭代的方式搜寻最优解{f*,D*},具体过程如算法1所示。
综上,本申请方案利用了NPRACH重复发送的特点,通过计算相关矩阵的最大特征值作为检测度量,在给定误警率的前提下,相比能量检测算法可以得到更高的检测率。另外,本申请针对UE发射信号受到RCFO影响的情况,在eNB接收机算法上利用优化算法对该频率偏移加以纠正,从而得出十分准确的TA估计结果。本申请方案对NPRACH接收机性能有较好的改善,具有较强的工程实施意义。
应该理解的是,对于前述的各方法实施例,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,方法实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述实施例中的NPRACH信号检测方法相同的思想,本文还提供一种NPRACH信号检测装置。
在一个实施例中,如图4所示,提供了一种NPRACH信号检测装置,包括:矩阵模型获取模块401、度量值获取模块402、比较模块403、基础向量计算模块404、优化模型构建模块405和最优值计算模块406,其中:
矩阵模型获取模块401,用于获取NPRACH中的终端信号的检验矩阵模型;检验矩阵模型中包含有RCFO变量和TA变量;
度量值获取模块402,用于对检验矩阵模型进行特征值分解,得到检验矩阵模型的最大特征值,作为检验度量值;
比较模块403,用于比较检验度量值与检测阈值;
基础向量计算模块404,用于若检验度量值不小于检测阈值,确定NPRACH中存在终端信号,并计算检验度量值对应的特征向量,作为基础向量;
优化模型构建模块405,用于根据基础向量,构建信号值优化模型;信号值优化模型以基础向量与基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:RCFO变量的取值范围和TA变量的取值范围;
最优值计算模块406,用于对信号值优化模型进行求解,当得到目标函数的最大值时,得到信号值优化模型中参数变量的值,根据参数变量的值,确定NPRACH中的终端信号的最优检测值;参数变量包括RCFO变量和TA变量。
在一些实施例中,矩阵模型获取模块401,具体用于获取NPRACH中的终端信号的信号值模型;根据信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
在一些实施例中,最优值计算模块406,具体用于确定信号值优化模型中RCFO变量的迭代初始值和TA变量的迭代初始值;根据RCFO变量的迭代初始值和TA变量的迭代初始值,对信号值优化模型进行交替迭代,得到RCFO变量的最优解和TA变量的最优解;将RCFO变量的最优解和TA变量的最优解代入信号值模型,得到NPRACH中的终端信号的最优检测值。
在一些实施例中,最优值计算模块406,还具体用于确定信号值优化模型中RCFO变量的迭代初始值;将RCFO变量的迭代初始值代入信号值优化模型中,当得到目标函数的最大值时,确定TA变量的迭代初始值。
在一些实施例中,基础向量计算模块404,具体用于:根据公式:R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;从Q中提取R的最大特征值对应的归一化特征向量
在一些实施例中,检测阈值根据Neyman-Pearson准则计算得到。
在一些实施例中,NPRACH信号检测装置还包括:无信号检测模块:用于若检验度量值小于检测阈值,确定NPRACH中不存在终端信号。
关于NPRACH信号检测装置的具体限定可以参见上文中对于NPRACH信号检测方法的限定,在此不再赘述。上述NPRACH信号检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于NPRACH接收机中的处理器中,也可以以软件形式存储于NPRACH接收机中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
此外,上述示例的NPRACH信号检测装置的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将NPRACH信号检测装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
在一个实施例中,提供了一种NPRACH接收机,该NPRACH接收机的内部结构图可以如图5所示。该NPRACH接收机包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该NPRACH接收机的处理器用于提供计算和控制能力。该NPRACH接收机的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该NPRACH接收机的数据库用于存储NPRACH信号检测数据。该NPRACH接收机的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种NPRACH信号检测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的NPRACH接收机的限定,具体的NPRACH接收机可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种NPRACH接收机,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取NPRACH中的终端信号的检验矩阵模型;检验矩阵模型中包含有RCFO变量和TA变量;对检验矩阵模型进行特征值分解,得到检验矩阵模型的最大特征值,作为检验度量值;比较检验度量值与检测阈值;若检验度量值不小于检测阈值,确定NPRACH中存在终端信号,并计算检验度量值对应的特征向量,作为基础向量;根据基础向量,构建信号值优化模型;信号值优化模型以基础向量与基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:RCFO变量的取值范围和TA变量的取值范围;对信号值优化模型进行求解,当得到目标函数的最大值时,得到信号值优化模型中参数变量的值,根据参数变量的值,确定NPRACH中的终端信号的最优检测值;参数变量包括RCFO变量和TA变量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取NPRACH中的终端信号的信号值模型;根据信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定信号值优化模型中RCFO变量的迭代初始值和TA变量的迭代初始值;根据RCFO变量的迭代初始值和TA变量的迭代初始值,对信号值优化模型进行交替迭代,得到RCFO变量的最优解和TA变量的最优解;将RCFO变量的最优解和TA变量的最优解代入信号值模型,得到NPRACH中的终端信号的最优检测值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定信号值优化模型中RCFO变量的迭代初始值;将RCFO变量的迭代初始值代入信号值优化模型中,当得到目标函数的最大值时,确定TA变量的迭代初始值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据公式:R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;从Q中提取R的最大特征值对应的归一化特征向量
在一个实施例中,检测阈值根据Neyman-Pearson准则计算得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若检验度量值小于检测阈值,确定NPRACH中不存在终端信号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取NPRACH中的终端信号的检验矩阵模型;检验矩阵模型中包含有RCFO变量和TA变量;对检验矩阵模型进行特征值分解,得到检验矩阵模型的最大特征值,作为检验度量值;比较检验度量值与检测阈值;若检验度量值不小于检测阈值,确定NPRACH中存在终端信号,并计算检验度量值对应的特征向量,作为基础向量;根据基础向量,构建信号值优化模型;信号值优化模型以基础向量与基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:RCFO变量的取值范围和TA变量的取值范围;对信号值优化模型进行求解,当得到目标函数的最大值时,得到信号值优化模型中参数变量的值,根据参数变量的值,确定NPRACH中的终端信号的最优检测值;参数变量包括RCFO变量和TA变量。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取NPRACH中的终端信号的信号值模型;根据信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:确定信号值优化模型中RCFO变量的迭代初始值和TA变量的迭代初始值;根据RCFO变量的迭代初始值和TA变量的迭代初始值,对信号值优化模型进行交替迭代,得到RCFO变量的最优解和TA变量的最优解;将RCFO变量的最优解和TA变量的最优解代入信号值模型,得到NPRACH中的终端信号的最优检测值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:确定信号值优化模型中RCFO变量的迭代初始值;将RCFO变量的迭代初始值代入信号值优化模型中,当得到目标函数的最大值时,确定TA变量的迭代初始值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据公式:R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;从Q中提取R的最大特征值对应的归一化特征向量
在一个实施例中,检测阈值根据Neyman-Pearson准则计算得到。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:若检验度量值小于检测阈值,确定NPRACH中不存在终端信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种NPRACH信号检测方法,其特征在于,所述方法包括:
获取NPRACH中的终端信号的检验矩阵模型;所述检验矩阵模型中包含有RCFO变量和TA变量;
对所述检验矩阵模型进行特征值分解,得到所述检验矩阵模型的最大特征值,作为检验度量值;
比较所述检验度量值与检测阈值;
若所述检验度量值不小于所述检测阈值,确定NPRACH中存在终端信号,并计算所述检验度量值对应的特征向量,作为基础向量;
根据所述基础向量,构建信号值优化模型;所述信号值优化模型以所述基础向量与所述基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:所述RCFO变量的取值范围和所述TA变量的取值范围;
对所述信号值优化模型进行求解,当得到所述目标函数的最大值时,得到所述信号值优化模型中参数变量的值,根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值;所述参数变量包括所述RCFO变量和所述TA变量。
2.根据权利要求1所述的方法,其特征在于,所述获取NPRACH中的终端信号的检验矩阵模型的步骤,包括:
获取NPRACH中的终端信号的信号值模型;
根据所述信号值模型,获取NPRACH中的终端信号的检验矩阵模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述信号值优化模型中所述RCFO变量的迭代初始值和所述TA变量的迭代初始值;
根据所述RCFO变量的迭代初始值和所述TA变量的迭代初始值,对所述信号值优化模型进行交替迭代,得到所述RCFO变量的最优解和所述TA变量的最优解;
所述根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值的步骤,包括:
将所述RCFO变量的最优解和所述TA变量的最优解代入所述信号值模型,得到NPRACH中的终端信号的最优检测值。
4.根据权利要求3所述的方法,其特征在于,所述确定所述信号值优化模型中所述RCFO变量的迭代初始值和所述TA变量的迭代初始值的步骤,包括:
确定所述信号值优化模型中所述RCFO变量的迭代初始值;
将所述RCFO变量的迭代初始值代入所述信号值优化模型中,当得到所述目标函数的最大值时,确定TA变量的迭代初始值。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述计算所述检验度量值对应的特征向量的步骤,包括:
根据公式:
R=QΛQH;其中,是酉矩阵,是对角阵,Nrep表示符号组的总重复次数,R表示检验矩阵模型;
从Q中提取R的最大特征值对应的归一化特征向量,作为所述检验度量值对应的特征向量。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述检测阈值根据Neyman-Pearson准则计算得到。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
若所述检验度量值小于所述检测阈值,确定NPRACH中不存在终端信号。
8.一种NPRACH信号检测装置,其特征在于,所述装置包括:
矩阵模型获取模块,用于获取NPRACH中的终端信号的检验矩阵模型;所述检验矩阵模型中包含有RCFO变量和TA变量;
度量值获取模块,用于对所述检验矩阵模型进行特征值分解,得到所述检验矩阵模型的最大特征值,作为检验度量值;
比较模块,用于比较所述检验度量值与检测阈值;
基础向量计算模块,用于若所述检验度量值不小于所述检测阈值,确定NPRACH中存在终端信号,并计算所述检验度量值对应的特征向量,作为基础向量;
优化模型构建模块,用于根据所述基础向量,构建信号值优化模型;所述信号值优化模型以所述基础向量与所述基础向量的共轭转置向量的相似度最大作为目标函数,约束条件包括:所述RCFO变量的取值范围和所述TA变量的取值范围;
最优值计算模块,用于对所述信号值优化模型进行求解,当得到所述目标函数的最大值时,得到所述信号值优化模型中参数变量的值,根据所述参数变量的值,确定NPRACH中的终端信号的最优检测值;所述参数变量包括所述RCFO变量和所述TA变量。
9.一种NPRACH接收机,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910420360.XA CN110351825B (zh) | 2019-05-20 | 2019-05-20 | Nprach信号检测方法、装置、nprach接收机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910420360.XA CN110351825B (zh) | 2019-05-20 | 2019-05-20 | Nprach信号检测方法、装置、nprach接收机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110351825A true CN110351825A (zh) | 2019-10-18 |
CN110351825B CN110351825B (zh) | 2020-10-09 |
Family
ID=68173951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910420360.XA Active CN110351825B (zh) | 2019-05-20 | 2019-05-20 | Nprach信号检测方法、装置、nprach接收机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110351825B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212014A (zh) * | 2019-12-17 | 2020-05-29 | 重庆邮电大学 | 一种基于跳频规则的nb-iot定时提前量估计方法 |
CN113709857A (zh) * | 2021-08-26 | 2021-11-26 | 中山大学 | 一种窄带物联网系统下行同步预处理方法 |
WO2022088070A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种接入检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106231624A (zh) * | 2016-08-31 | 2016-12-14 | 重庆大学 | 用于通信系统的信号检测方法和装置 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN108260108A (zh) * | 2018-01-16 | 2018-07-06 | 重庆邮电大学 | 一种基于非正交的窄带物联网NB-IoT随机接入方法 |
CN108633103A (zh) * | 2017-03-20 | 2018-10-09 | 华硕电脑股份有限公司 | 针对系统信息请求的随机接入程序的方法和设备 |
CN108924943A (zh) * | 2018-07-09 | 2018-11-30 | 重庆邮电大学 | 基于窄带物联网随机接入信道的最大相关估计检测方法 |
WO2019032024A1 (en) * | 2017-08-09 | 2019-02-14 | Telefonaktiebolaget Lm Ericsson (Publ) | NETWORK NODE, WIRELESS DEVICE AND METHODS IN A WIRELESS COMMUNICATIONS NETWORK |
US20190149365A1 (en) * | 2018-01-12 | 2019-05-16 | Intel Corporation | Time domain resource allocation for mobile communication |
-
2019
- 2019-05-20 CN CN201910420360.XA patent/CN110351825B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106231624A (zh) * | 2016-08-31 | 2016-12-14 | 重庆大学 | 用于通信系统的信号检测方法和装置 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN108633103A (zh) * | 2017-03-20 | 2018-10-09 | 华硕电脑股份有限公司 | 针对系统信息请求的随机接入程序的方法和设备 |
WO2019032024A1 (en) * | 2017-08-09 | 2019-02-14 | Telefonaktiebolaget Lm Ericsson (Publ) | NETWORK NODE, WIRELESS DEVICE AND METHODS IN A WIRELESS COMMUNICATIONS NETWORK |
US20190149365A1 (en) * | 2018-01-12 | 2019-05-16 | Intel Corporation | Time domain resource allocation for mobile communication |
CN108260108A (zh) * | 2018-01-16 | 2018-07-06 | 重庆邮电大学 | 一种基于非正交的窄带物联网NB-IoT随机接入方法 |
CN108924943A (zh) * | 2018-07-09 | 2018-11-30 | 重庆邮电大学 | 基于窄带物联网随机接入信道的最大相关估计检测方法 |
Non-Patent Citations (2)
Title |
---|
HUAWEI, HISILICON: "Correction to NPRACH resource default configuration", 《3GPP TSG-RAN2 MEETING #105BIS R2-1905257》 * |
黄炎水;谢佳锐: "基于改进Welsh Powell的NPRACH子载波偏置自配置算法", 《移动通信》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212014A (zh) * | 2019-12-17 | 2020-05-29 | 重庆邮电大学 | 一种基于跳频规则的nb-iot定时提前量估计方法 |
CN111212014B (zh) * | 2019-12-17 | 2022-07-15 | 重庆邮电大学 | 一种基于跳频规则的nb-iot定时提前量估计方法 |
WO2022088070A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种接入检测方法及装置 |
CN113709857A (zh) * | 2021-08-26 | 2021-11-26 | 中山大学 | 一种窄带物联网系统下行同步预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110351825B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2698918C9 (ru) | Обнаружение преамбулы и оценка времени прихода преамбулы произвольного доступа однотонального сигнала со скачкообразной перестройкой частоты | |
JP4048186B2 (ja) | 直交波周波数分割多重セルラー通信システムのセルサーチ方法 | |
JP4820941B2 (ja) | 高速なセル探索の方法および装置 | |
CN110351825A (zh) | Nprach信号检测方法、装置、nprach接收机及存储介质 | |
US10700900B2 (en) | Electronic device, method and computer-readable medium for sensing spectrum usage in a cognitive radio communication system | |
EP2005617A1 (en) | Method and apparatus for searching for cells utilizing downlink preamble signal | |
CN101820321B (zh) | 一种lte下行辅同步信道检测方法 | |
EP2153572A1 (en) | Low-complexity primary synchronization sequences | |
CN109743278A (zh) | 物理帧中前导符号的接收处理方法 | |
EP2101459B1 (en) | Method and apparatus for investigating whether a given signal is received in a given set of OFDMA resource elements | |
CN108989259B (zh) | 无线综测仪窄带物理上行共享信道的时偏估计方法及系统 | |
CN108696305A (zh) | 适用于lte-a mimo信号分析系统的高精度频偏测量方法 | |
CN112637946A (zh) | 一种适用于大频偏的pss定时同步方法 | |
CN104244341A (zh) | 用于联合小区测量和系统信息识别的方法 | |
US8804691B1 (en) | Phase based preamble detection | |
Pyatin et al. | Implementation and analysis of 5G network identification operations at low signal-to-noise ratio | |
CN104754623A (zh) | 基于lte系统干扰消除的小区搜索方法和系统 | |
US20070217532A1 (en) | Apparatus and method for acquiring frame synchronization in broadband wireless communication system | |
CN102695183B (zh) | 签名检测和时偏估计 | |
CN105429920B (zh) | 同频信道干扰的检测方法及其检测电路 | |
KR101449865B1 (ko) | Ofdm 시스템에서의 초기 동기화 방법 및 그 장치 | |
Lee et al. | An improved synchronization scheme for OFDMA systems with initial ranging transmissions | |
Naveen et al. | Multi‐phase initial ranging process for OFDMA systems: improved dynamic threshold‐based multi‐user detection approach | |
CN107196720A (zh) | 针对时间同步且不存在频偏情况下的ofdm信号频谱感知方法 | |
Nassralla et al. | Multiplication-Free Detection Algorithm of the Primary Synchronization Signal in LTE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |