CN110971457B - 一种基于elm的时间同步方法 - Google Patents
一种基于elm的时间同步方法 Download PDFInfo
- Publication number
- CN110971457B CN110971457B CN201911143597.4A CN201911143597A CN110971457B CN 110971457 B CN110971457 B CN 110971457B CN 201911143597 A CN201911143597 A CN 201911143597A CN 110971457 B CN110971457 B CN 110971457B
- Authority
- CN
- China
- Prior art keywords
- time synchronization
- elm
- network model
- vector
- output
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0008—Synchronisation information channels, e.g. clock distribution lines
- H04L7/0012—Synchronisation information channels, e.g. clock distribution lines by comparing receiver clock with transmitter clock
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
Abstract
Description
技术领域
本发明涉及时间同步技术领域,特别涉及一种基于ELM(extreme learningmachine极限学习机)的时间同步方法。
背景技术
通信系统中的发射机存在大量非线性器件或模块,造成发射信号不可避免的存在非线性失真。作为无线通信系统的重要组成部分之一,时间同步在非线性失真条件下的同步性能严重恶化。
基于“互相关法”的经典时间同步方案因非线性失真的存在,训练序列的正交性遭到破坏,所以同步性能大大降低,继而在非线性失真条件下难以适用;而利用深度神经网络学习进行时间同步虽能提高系统时间同步性能,但其面临复杂的参数调谐、较长的训练时间等一系列问题。
相对于深度学习神经网络,ELM具有不需要反向梯度传播,网络输入权重和偏置根据随机分布产生且固定,学习速度快等优点。本发明在接收端利用ELM网络学习出同步度量特性,从而估计出时间同步的偏移位置。本发明可提高系统的时间同步性能,如可减小时间同步的错误概率;特别地,在系统存在非线性失真时,本发明方法仍可适用,具有重大意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于ELM的时间同步方法,提高了系统(特别是非线性失真系统)的时间同步性能。
本发明的目的是通过以下技术方案来实现的:一种基于ELM的时间同步方法,包括以下步骤:
S2.构建基于ELM的时间同步网络模型,
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数;
步骤S1中所述构建训练数据集合的步骤包括:
所述的标签Ti,i=1,2,…,Nt根据同步偏移值τi,利用one-hot编码得到,即:
所述的τi由接收信号yi确定,根据统计信道模型,或根据实际场景结合现有方法或设备收集得到;
步骤S102中所述的预处理包括:
其中,||γi||表示度量矢量γi的Frobenius范数。
步骤S2中所述的网络模型与参数如下:
ELM网络模型包含1个输入层,1个隐藏层,1个输出层,输入层节点数为N,隐藏层节点数为N=mN,输出层节点数为N,根据随机分布产生权重和偏置隐藏层采用sigmoid作为激活函数,将预处理后的标准度量矢量集合作为输入,其中m根据工程经验预先设置。
步骤S3中所述的离线训练和模型参数保存包括以下子步骤:
所述σ(·)表示激活函数sigmoid;
S303.保存模型参数W,b和β。
步骤S4中所述的在线运行和时间同步估计值求解包括以下子步骤:
本发明的有益效果是:本发明借助ELM的时间同步网络模型,与经典的“互相关”时间同步方法相比,有效提高了系统的时间同步性能。同时,在系统存在非线性失真时,本发明的时间同步方法仍然适用。
附图说明
图1为本发明的流程示意图;
图2为ELM网络模型离线训练流程图;
图3为ELM网络模型在线运行过程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于ELM的时间同步方法,包括以下步骤:
具体地,步骤S1中所述构建训练数据集合的步骤包括:
进一步地,步骤S102中所述的预处理包括:
其中,||γi||表示度量矢量γi的Frobenius范数。
所述的标签Ti,i=1,2,…,Nt根据同步偏移值τi,利用one-hot编码得到,即:
所述的τi由接收信号yi确定,根据统计信道模型,或根据实际场景结合现有方法或设备收集得到;
在本申请的实施例中,假设N=64,τi=3,Nt=105,
S2.构建基于ELM的时间同步网络模型:
ELM网络模型包含1个输入层,1个隐藏层,1个输出层,输入层节点数为N,隐藏层节点数为N=mN,输出层节点数为N,根据随机分布产生权重和偏置隐藏层采用sigmoid作为激活函数,将预处理后的标准度量矢量集合作为输入,其中m根据工程经验预先设置。
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数;
具体地,如图2所示,步骤S3中所述的离线训练和模型参数保存包括以下子步骤:
所述σ(·)表示激活函数sigmoid;
S303.保存模型参数W,b和β。
具体地,如图3所示,步骤S4中所述的在线运行和时间同步估计值求解包括以下子步骤:
需要说明的是,本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于ELM的时间同步方法,其特征在于:包括以下步骤:
步骤S1中所述构建训练数据集合的步骤包括:
所述的标签Ti,i=1,2,…,Nt根据同步偏移值τi,利用one-hot编码得到,即:
所述的τi由接收信号yi确定,根据统计信道模型,或根据实际场景结合现有方法或设备收集得到;
S2.构建基于ELM的时间同步网络模型;
步骤S2中所述的网络模型与参数如下:
ELM网络模型包含1个输入层,1个隐藏层,1个输出层,输入层节点数为N,隐藏层节点数为N=mN,输出层节点数为N,根据随机分布产生权重和偏置隐藏层采用sigmoid作为激活函数,将预处理后的标准度量矢量集合作为输入,其中m根据工程经验预先设置;
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数;
步骤S3中所述的离线训练和模型参数保存包括以下子步骤:
所述σ(·)表示激活函数sigmoid;
S303.保存模型参数W,b和β;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143597.4A CN110971457B (zh) | 2019-11-20 | 2019-11-20 | 一种基于elm的时间同步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143597.4A CN110971457B (zh) | 2019-11-20 | 2019-11-20 | 一种基于elm的时间同步方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110971457A CN110971457A (zh) | 2020-04-07 |
CN110971457B true CN110971457B (zh) | 2022-05-24 |
Family
ID=70031007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143597.4A Active CN110971457B (zh) | 2019-11-20 | 2019-11-20 | 一种基于elm的时间同步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110971457B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112028B (zh) * | 2021-04-06 | 2022-07-01 | 西华大学 | 一种基于标签设计的机器学习时间同步方法 |
CN113381953B (zh) * | 2021-06-11 | 2022-04-22 | 西华大学 | 基于可重构智能表面辅助的极限学习机的信道估计方法 |
CN113762529B (zh) * | 2021-09-13 | 2023-06-20 | 西华大学 | 基于统计先验的机器学习定时同步方法 |
CN117295149B (zh) * | 2023-11-23 | 2024-01-30 | 西华大学 | 一种基于低复杂度elm辅助的帧同步方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1943547A1 (de) * | 1968-08-27 | 1970-03-05 | Plessey Co Ltd | Automatisches Fernmeldevermittlungssystem |
CN109195110A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2910211A1 (fr) * | 2006-12-19 | 2008-06-20 | Canon Kk | Procedes et dispositifs pour re-synchroniser un flux video endommage. |
-
2019
- 2019-11-20 CN CN201911143597.4A patent/CN110971457B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1943547A1 (de) * | 1968-08-27 | 1970-03-05 | Plessey Co Ltd | Automatisches Fernmeldevermittlungssystem |
CN109195110A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Non-Patent Citations (3)
Title |
---|
Analysis of simplified frame synchronization scheme for burst-mode multi-carrier system;H.Zhang,Y.Hou;《IEEE Wireless Communications Letters》;20190630;第23卷(第6期);1054-1056 * |
Bind frame synchronization for error correcting codes having a sparse parity check matrix;IMAD R,SICOT G;《IEEE transactions on communications》;20091231;1574-1577 * |
Complex networks for the analysis of the synchronization of time series relevant for plasmafusion diagnostics;T.Craciunescu,A Murari;《ECCTD》;20171102;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110971457A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971457B (zh) | 一种基于elm的时间同步方法 | |
CN106847302B (zh) | 基于卷积神经网络的单通道混合语音时域分离方法 | |
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
CN111970078B (zh) | 一种非线性失真场景的帧同步方法 | |
CN109150775B (zh) | 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法 | |
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
WO2021223504A1 (zh) | 上下行信道互易的实现方法、通信节点和存储介质 | |
CN103888391B (zh) | 基于双Sigmoid混沌神经网络的信号盲检测方法 | |
CN111127435B (zh) | 基于双流卷积神经网络的无参考图像质量评估方法 | |
Cosovic et al. | Distributed Gauss–Newton method for state estimation using belief propagation | |
CN112039807A (zh) | 下行信道估计方法、装置、通信设备和存储介质 | |
CN112688772B (zh) | 一种机器学习叠加训练序列帧同步方法 | |
CN113194548B (zh) | 一种智能超表面辅助的大规模无源随机接入方法 | |
CN114580498A (zh) | 一种无线通信场景下高通信效率的联邦学习方法 | |
CN113112028B (zh) | 一种基于标签设计的机器学习时间同步方法 | |
CN113381953B (zh) | 基于可重构智能表面辅助的极限学习机的信道估计方法 | |
CN114745233B (zh) | 一种基于导频设计的联合信道估计方法及装置 | |
CN113890795B (zh) | 大规模mimo信道估计模型的构建方法、装置及介质 | |
CN115620316A (zh) | 基于无线联邦学习的图像识别方法、装置、设备及介质 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
Jin et al. | Convergence analysis for iterative learning control of impulsive linear discrete delay systems | |
CN114726412A (zh) | 信道信息获取方法、装置及相关设备 | |
CN106850096B (zh) | 空间相关性估算的方法及装置 | |
CN116017528A (zh) | 流量预测方法、装置及服务器 | |
CN115424079A (zh) | 基于联邦边缘学习的图像分类方法以及相关设备 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200407 Assignee: Chengdu Tiantongrui Computer Technology Co.,Ltd. Assignor: XIHUA University Contract record no.: X2023510000028 Denomination of invention: A Time Synchronization Method Based on ELM Granted publication date: 20220524 License type: Common License Record date: 20231124 |