CN112672403B - 适用于5g-nr毫米波通信系统的初始小区发现方法 - Google Patents

Abstract

本发明属于无线通信技术领域，具体是一种适用于5G‑NR毫米波通信系统的初始小区发现方法。本发明方法首先获得主同步信号所在子载波上的频域接收信号；将该信号除以主同步信号后进行逆傅里叶变换；将所得向量超过循环前缀长度的部分置零，再将结果进行傅里叶变换；然后用最初得到的频域接收信号除以该信号，并将得到的信号取实部和虚部后进行组合；将组合后得到的矩阵输入离线训练好的二分类神经网络，最后根据神经网络的输出判断是否存在主同步信号。本发明方法可以极大降低系统在低信噪比且存在频偏的情况下主同步信号的漏检率，提高小区发现的成功率。

Description

适用于5G-NR毫米波通信系统的初始小区发现方法

技术领域

本发明属于无线通信技术领域，具体涉及一种适用于5G-NR毫米波通信系统的初始小区发现方法。

背景技术

毫米波通信是5G-NR(5G新空口)中极具前景的技术之一。由于毫米波频段具有丰富的频谱资源，因此毫米波通信系统可以支持超高速数据传输。然而为了抵抗毫米波频段所面临的严重的路径损耗，毫米波通信系统需要采用基于大规模天线阵列的波束赋形技术。

初始小区发现是无线通信中最基本的物理层过程。在这个过程中，基站(BS)周期性地发送IA块，然后用户(UE)通过对接收的IA块信号进行处理来发现最近的BS，并与其建立链接。根据3GPP协议的规定，5G-NR毫米波系统采用OFDM技术，其IA块的结构如图1所示，其中一个IA块中包含M个突发块，每一个突发块中包含4个OFDM符号，分别放置主同步信号(PSS)、物理广播信道(PBCH)、辅同步信号(SSS)和PBCH。PSS的长度为P＝127，放置于第56到第182个子载波上，用于初始小区发现。在5G-NR中，PSS采用m序列，一共有3个。BS和UE分别使用M_T个发送和M_R个接收波束来覆盖整个角度空间。每一个发送波束和每一个接收波束都可以组成一个发送-接收波束对，因此一共有M_TM_R个波束对。

普通的小区发现方法主要是利用PSS良好的相关特性，通过相关运算来完成PSS检测，具体包含以下步骤：

(1)将接收到的时域IA块信号与三个标准的PSS时域信号分别进行相关，得到检测量，也即：

其中，n∈[0，N_IA-1]，N_IA代表一个IA块的长度，(·)^*表示取共轭，s_t，i[p]表示第i个PSS时域信号第p时刻的值，i＝1，2，3。理想情况下，一个IA块中将有M个相关峰。

(2)将M个对应位置上的峰值能量相加平均，得到检验统计量，也即：

其中,N_b代表一个突发块的长度。

(3)将3个γ_i中的最大值与门限值进行对比，如果大于门限值，则表明检测到PSS，且最大值对应的PSS序列即为最终检测到的序列，否则，认为没有检测到PSS。

上述基于能量的小区发现方法对于信噪比和频偏比较敏感，较低的信噪比或较大的频偏都将影响PSS的检测性能，从而导致小区发现失败，因此，非常有必要发展更加有效、鲁棒的初始小区发现方法。

发明内容

本发明的目的在于提供一种适用于5G-NR毫米波通信系统的初始小区发现方法，使得用户在极低信噪比且存在频偏的情况下，可以实现初始的小区发现。

本发明提供的适用于5G-NR毫米波通信系统的初始小区发现方法，参见图3所示，具体步骤如下：

步骤1：用户接收到时域IA块信号后，首先取出所有突发块中的第一个OFDM时域信号，将该信号去除CP后作傅里叶变换，再取出中间127个子载波上的信号，得到PSS所在子载波上的M个频域接收向量y_m，m＝1，...，M；

步骤2：将y_m与3个PSS序列分别进行点除，然后作逆傅里叶变换，得到向量h_m，i，也即：

h_m，i＝F^-1{y_m·/s_i}， (3)

其中，F^-1{·}代表逆傅里叶变换，s_i代表第i个PSS序列，i＝1，2，3；

步骤3：根据CP的长度K_CP，将h_m，i中的前K_CP个值保留，将剩下的值全部置为零，然后作傅里叶变换，得到向量

也即：

其中，F{·}代表傅里叶变换，(·)^T表示转置，h_m，i(k)代表h_m，i中第k个元素，k＝1，...，K_CP；

步骤4：将步骤1中得到的y_m点除

得到向量x_m，i，也即：

步骤5：根据x_m，i构造矩阵X_i，也即：

其中，Re{·}和Im{·}分别表示取实部和虚部；

步骤6：将X_i输入一个离线训练好的二分类神经网络，得到网络输出p_i，其中p_i代表接收信号属于“含有PSS”这类信号的概率。如果3个p_i中的最大值大于给定的门限值，则认为检测到PSS，且最大值对应的PSS序列即为最终检测到的序列，否则，认为没有检测到PSS。这里，门限值为0到1之间的数，一般根据系统需要经验选取，例如可以根据给定的系统虚警率来经验选取门限值。

本发明步骤1中，所述获得向量y_m的过程如下：

根据3GPP NR协议在毫米波频段上的规定，一个IA块中包含M个突发块，每一个突发块中包含4个正交频分复用(OFDM)符号，其中第一个OFDM符号的中间P＝127个子载波即子载波56到子载波182，用来放置PSS；PSS序列采用最大长度序列即m序列，一共有3个；

当用户接收到时域的IA块信号后，首先取出每个突发块中的第一个OFDM时域接收信号，将该信号去除CP后作傅里叶变换，再取出中间127个子载波上的信号，即得到M个向量y_m，m＝1，...，M。

本发明中，所述离线训练二分类神经网络，具体过程如下：

离线产生训练数据；所述训练数据中包含两类信号：一类是含有PSS的信号，另一类是不含PSS的信号；

含有PSS的信号的产生过程如下：

(1)产生包含第i个PSS序列的时域IA块接收信号，其中i在{1，2，3}中任意选取；

(2)按照步骤1的操作，对该时域信号进行处理，得到M个长度为127的频域接收向量；

(3)将得到M个向量分别点除第i个PSS序列并作逆傅里变换；

(4)按照步骤3、4、5的操作，依次对信号进行处理，最终得到的矩阵，即为一个训练样本；重复上述过程若干次，可以得到该类信号的多个训练样本。

不含PSS的信号的产生过程如下：

(1)产生时域IA块长度的纯噪声接收信号；

(2)按照步骤1的操作，对该时域信号进行处理，得到M个长度为127的频域接收向量；

(3)将得到M个向量点除任意一个PSS序列并作逆傅里变换；

(4)按照步骤3、4、5的操作，依次对信号进行处理，最终得到的矩阵即为一个训练样本；重复上述过程若干次，可以得到该类信号的多个训练样本。

本发明中，可以分别用0和1作为上述两类信号的标签。如果采用One-hot编码，则可以分别用[10]和[01]作为上述两类信号的标签。

本发明中，所述二分类神经网络，不是唯一的，例如，可以是一个卷积神经网络(CNN)来实现二分类。神经网络的层数、卷积核大小等参数可以根据实际训练结果进行调整。

本发明可以极大降低低信噪比和存在频偏的情况下PSS的漏检率，提高初始小区发现的成功率。

附图说明

图1为5G-NR毫米波系统IA块的结构图示。

图2为不同信噪比和不同频偏下，本发明方法与普通小区发现方法的PSS漏检率。

图3为本发明方法流程图。

具体实施方式

考虑一个载波频率为28GHz，带宽为57.6MHz的5G-NR毫米波通信系统，其中基站配置N_T＝128根天线，用户配置N_R＝32根天线。基站采用M_T＝16个发送波束，用户采用M_R＝4个接收波束。一个IA块中的突发块个数设置为M＝M_TM_R＝64，其中每个突发块包含4个OFDM符号，第一个OFDM符号用来放置PSS。PSS为3个m序列，根据3GPP-NR协议产生。OFDM子载波个数为248，CP长度为K_CP＝8。系统采用基于频率采样的扇区波束形成(FSM-Sec)码本。信道采用二维Saleh Valenzuela(S-V)信道模型，最大路径时延长度设置为N_c＝4。

在仿真中，BS首先根据图1给出的结构产生时域IA信号，然后对该信号进行发送波束成形后送入信道。信号在经过信道并叠加上噪声后到达接收端。UE对该信号进行接收波束成形后可以得到最终的时域IA接收信号。具体的，第n时刻接收到的时域IA信号由下式给出：

其中，n∈[0，N_IA-1]，ε_F为归一化的初始频偏，

为相位噪声，w[n]为N_R×1维向量，代表第n时刻用户采用的接收波束成形向量，v[n]为N_T×1维向量，代表第n时刻基站采用的发送波束成形向量，w[n]和v[n]均从预先给定的FSM-Sec码本中进行选择，H[d]为N_R×N_T维信道矩阵，根据S-V信道模型产生，x[n]为BS产生的IA信号在第n时刻的值，z[n]为N_R×1维零均值且协方差阵为

的高斯白噪声向量。仿真中，发送波束成形向量v每4个突发块切换一次，接收波束成形向量w每16个突发块切换一次。

UE接收到时域IA信号后，首先取出每个突发块中的第一个OFDM信号，对该信号去除CP后作傅里叶变换，再取出中间127个子载波上的信号，得到64个向量y_m。

将64个y_m分别与3个PSS序列进行点除后作逆傅里叶变换，再保留所得向量中的前K_CP个值，剩下的值全部置为零，然后再作傅里叶变换，得到64×3＝192个向量

其中i＝1，2，3表示PSS序列的索引。

对于每一个i，将64个y_m分别与64个

进行点除，得到64个向量，再将这些向量分别取实部和虚部，然后进行组合，得到254×64维矩阵X_i。

将X_i输入离线训练好的二分类神经网络，可以得到接收信号属于“含有PSS”这类信号的概率p_i。如果3个p_i中的最大值大于给定的门限值，则认为检测到PSS，且最大值对应的PSS序列即为最终检测到的序列，否则，认为没有检测到PSS。仿真中，将虚警率(也即没有PSS时判断为有PSS的概率)固定为0.01，并由此来设置门限值。

仿真中采用的神经网络为二分类CNN网络，包含两个卷积层、两个池化层、一个全连接层和一个输出层，其中两个卷积层均采用3×3的卷积核和ReLU激活函数，两个池化层均采用2×2的最大池化层，全连接层包含64个神经元，采用ReLU激活函数，输出层采用softmax激活函数。选择多分类交叉熵作为损失函数，RMSprop作为优化器。仿真产生110000个样本对网络进行离线训练，其中“含有PSS”这类样本数为6000个，“不含PSS”这类样本为5000个，信噪比设置为-20dB。样本标签采用One-hot编码。训练时迭代次数(epochs)设置为15，批量大小(batch size)设置为100。

实验例1：本实验例仿真在不同信噪比(SNR)和不同频偏(CFO)的情况下，PSS的漏检率(MDP)。仿真比较了本发明方法和普通的基于能量的小区发现方法，结果如图2所示。图2表明，与普通的小区发现方法相比，本发明方法可以极大降低PSS的漏检率，从而极大提高小区发现的成功率。例如，当SNR＝-16dB时，在没有频偏的情况下，本发明方法可以将PSS漏检率从6×10^-3降低到4×10^-4；在频偏为5ppm的情况下，本发明方法可以将PSS漏检率从3×10^-2降低到3×10^-3，也即都降低了一个数量级。

Claims (4)

1.一种适用于5G-NR毫米波通信系统的初始小区发现方法，应用场景为信噪比极低且存在频偏的情况下，用户初始接入IA时的小区发现，其特征在于，具体步骤如下：

步骤1：用户根据接收的时域IA块信号，得到主同步信号PSS所在子载波上的频域接收向量y_m，m＝1,…,M，其中，M为一个IA块中突发块的个数；

步骤2：将y_m与3个PSS序列分别进行点除，然后作逆傅里叶变换，得到向量h_m,i，即：

h_m,i＝F^-1{y_m./s_i}

其中，F^-1{·}代表逆傅里叶变换，s_i代表第i个PSS序列，i＝1,2,3；

步骤3：根据循环前缀CP的长度K_CP，将h_m,i中的前K_CP个值保留，将剩下的值全部置为零，然后作傅里叶变换，得到向量

即：

其中，F{·}代表傅里叶变换，(·)^T表示转置，h_m,i(k)代表h_m,i中第k个元素，k＝1,…,K_CP；

步骤4：将步骤1中得到的y_m点除

得到向量x_m,i，即：

步骤5：根据x_m,i构造矩阵X_i：

其中，Re{·}和Im{·}分别表示取实部和虚部；

步骤6：将X_i输入一个离线训练好的二分类神经网络，得到网络输出p_i，其中，p_i代表接收信号属于“含有PSS”这类信号的概率；如果3个p_i中的最大值大于给定的门限值，则认为检测到PSS，且最大值对应的PSS序列即为最终检测到的序列；否则，认为没有检测到PSS；

步骤1中所述获得向量y_m的过程如下：

根据3GPP NR协议在毫米波频段上的规定，一个IA块中包含M个突发块，每一个突发块中包含4个正交频分复用OFDM符号，其中第一个OFDM符号的中间P＝127个子载波即子载波56到子载波182，用来放置PSS；PSS序列采用最大长度序列即m序列，一共有3个；

当用户接收到时域的IA块信号后，首先取出每个突发块中的第一个OFDM时域接收信号，将该信号去除CP后作傅里叶变换，再取出中间127个子载波上的信号，即得到M个向量y_m，m＝1,…,M；

步骤6中所述离线训练二分类神经网络，具体过程如下：

离线产生训练数据；所述训练数据中包含两类信号：一类是含有PSS的信号，另一类是不含PSS的信号；

含有PSS的信号的产生过程如下：

(1)产生包含第i个PSS序列的时域IA块接收信号，其中i在{1,2,3}中任意选取；

(2)按照步骤1的操作，对该时域信号进行处理，得到M个长度为127的频域接收向量；

(3)将得到M个向量分别点除第i个PSS序列并作逆傅里变换；

(4)按照步骤3、4、5的操作，依次对信号进行处理，最终得到的矩阵，即为一个训练样本；重复上述过程若干次，得到该类信号的多个训练样本；

不含PSS的信号的产生过程如下：

(1)产生时域IA块长度的纯噪声接收信号；

(2)按照步骤1的操作，对该时域信号进行处理，得到M个长度为127的频域接收向量；

(3)将得到M个向量点除任意一个PSS序列并作逆傅里变换；

(4)按照步骤3、4、5的操作，依次对信号进行处理，最终得到的矩阵即为一个训练样本；重复上述过程若干次，得到该类信号的多个训练样本。

2.根据权利要求1所述的适用于5G-NR毫米波通信系统的初始小区发现方法，其特征在于，用0和1分别作为所述两类信号的标签；对于采用One-hot编码，则别用[10]和[01]分别作为所述两类信号的标签。

3.根据权利要求1所述的适用于5G-NR毫米波通信系统的初始小区发现方法，其特征在于，所述二分类神经网络采用卷积神经网络CNN；神经网络的层数、卷积核大小等参数根据实际训练结果进行调整。

4.根据权利要求3所述的适用于5G-NR毫米波通信系统的初始小区发现方法，其特征在于，卷积神经网络，包含两个卷积层、两个池化层、一个全连接层和一个输出层；其中，两个卷积层均采用3×3的卷积核和ReLU激活函数，两个池化层均采用2×2的最大池化层，全连接层包含64个神经元，采用ReLU激活函数，输出层采用softmax激活函数；选择多分类交叉熵作为损失函数，RMSprop作为优化器。

Images