CN112738000A - 一种pss分块互相关检测方法 - Google Patents

Abstract

本发明公开了一种PSS分块互相关检测方法，步骤一：在本地PSS时间序列生成时添加循环前缀CP，间接地增加进行互相关的序列长度；步骤二：使用非相干积累改善检测性能；步骤三：接收机在生成本地PSS时间序列后，对这些本地序列进行频偏预补偿，从而实现粗频偏估计；步骤四：对残留频偏进行估计和补偿；步骤五：考虑在低信噪比条件下，从降低粗频偏估计误差的影响、残留频偏估计抗噪声优化两方面对频偏估计算法进行优化。本发明可以提升在低信噪比环境下的检测性能和抗频偏性能，满足5G下行同步的需要。

Description

一种PSS分块互相关检测方法

技术领域

本发明涉及一种新的PSS分块互相关检测算法，属于信号与信息处理技术领域。

背景技术

小区搜索作为UE与基站建立通信的第一步，在SA组网下，UE首先尝试接入上次驻留小区。如果没有上次驻留信息，在5G工作频带上，UE根据支持的子载波间隔利用GSCN(全局同步信道号)去搜索SS/PBCH block(同步信号和PBCH块)，然后完成检测PSS(主同步信号)、SSS(辅同步信号)，以及解码PBCH(物理广播信道)获取MIB(主系统信息块)。

PSS序列的检测是解析整个SS/PBCH block中第一步，通过PSS序列得到小区组内标识，降低SSS序列检测的复杂度。在LTE中为了提高PSS检测准确性，对下变频后的数字基带信号低通滤波后，再进行PSS检测。由于SS/PBCH block频域位置可能不位于信道带宽中央，故在5G中可能无法对接收到的数字基带信号进行低通滤波。在接收机未知基站信道带宽的条件下，接收机使用最大采样率61.44MHz进行采样得到4096点的序列，并且为了减小计算复杂度，对采样后的信号进行16倍降采样。对降采样后的信号进行相关检测，完成粗定时同步。由于降采样，此时定时位置分辨率为16个采样点，需要细定时同步进一步确定原始序列定时点的位置。

PSS序列的时域相关检测算法可分为自相关检测算法和互相关检测算法。自相关检测算法利用接收信号与接收信号的延迟版本进行相关计算，算法复杂度相比互相关算法低，但是在低信噪比下性能较差。5G中接收信号不能通过低通滤波器去除同步信号两侧的子载波干扰，因此自相关检测算法性能会受到影响。

发明内容

发明目的：传统的互相关算法在低信噪比下性能表现不能满足5G下行同步的需要，本发明提供一种PSS分块互相关检测方法，基于传统分块互相关算法，针对传统算法在时间色散、频率色散以及恶劣的信噪比下性能下降，提出改进本地PSS时间序列、引入雷达信号中的非相干积累方法和优化频偏估计算法三种改进方法，该方法改进了本地PSS时间序列，减小了降采样对m序列自相关特性的影响，使得PSS互相关检测算法能在恶劣信噪比条件下有着稳定的性能表现，并解决了传统算法在低信噪比下RMSE偏高的缺陷。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种PSS分块互相关检测算法，包括以下步骤：

步骤一：在本地PSS时间序列生成时添加循环前缀CP，间接地增加进行互相关的序列长度；具体为：

根据m序列的PSS生成式(1)：

其中，d_PSS(n)表示PSS频域序列，x(m)表示一个长度为127的m序列，mod表示求余函数，n表示序列的自变量，

表示小区组内标识。

生成三组长度为127的m序列，分别对应着

以及

然后对m序列两端补零至L_window点，对补零后的m序列做IFFT变换，并且进行功率归一化，归一化因子为

最后，根据OFDM符号长度来添加CP，L_window表示滑动窗口的长度。

步骤二：使用非相干积累改善检测性能；具体为：

在分块互相关算法的基础上，对每个滑动窗口的互相关模值平方进行M次累积，最后通过M次积累后的结果集

得到粗定时位置估计和小区组内标识估计。除此之外，在非相干积累过程中设定积累结束条件使得累计次数M自适应化，积累结束条件为：当第i次积累值得到的粗定时位置d和小区组内标识

与第i-1次积累值得到的结果相同时，结束积累。为了避免由于某些问题陷入无限积累中，设定M最大值为M_max＝10，达到最大值结束积累。

步骤三：接收机在生成本地PSS时间序列后，对这些本地序列进行频偏预补偿，从而实现粗频偏估计；具体为：

为了提升算法检测性能，粗频偏估计不等于整数倍频偏估计，频偏检测粒度设为1/2子载波间隔；为了减小融合粗频偏估计带来的计算复杂度的影响，粗频偏估计使用次最优信号检测算法，即蒙特卡罗(Monte Carlo，MC)检测算法。融合粗频偏估计的PSS互相关检测算法具体描述如下：

蒙特卡罗的归一化频偏ε_est待选集合为{-1，-0.5，0，0.5，1}，接收机在生成本地PSS时间序列后，对这些本地序列进行频偏预补偿，总计生成15种PSS本地时间序列。

原本地PSS时间序列为s_u(n)u∈{0,1,2}，粗频偏补偿后的新序列为：

其中，

表示粗频偏补偿后的本地PSS时间序列，j表示虚数单位，n表示离散序列的自变量。

基于分块互相关检测算法，粗定时位置、小区组内标识和粗频偏估计的估计式为：

其中，M表示分块的数目，L表示每块序列的长度，r表示接收序列，d表示窗口开始位置，

表示本地PSS时间序列的共轭形式，在每个窗口位置上，分别用三种本地PSS时间序列对r(n+d+k·L)做相关，并存储相关值的模值平方，得到三个结果集C′_u(d)，再对结果集做近似的能量归一化处理，得到C_u(d)，P(d)表示滑动窗口内的信号能量，

分别表示粗定时位置、小区组内标识和粗频偏估计的估计值；

步骤四：对残留频偏进行估计和补偿；具体为：

假设通过PSS互相关检测，小区组内标识估计值为

对应本地PSS时间序列为

粗频偏估计值为

粗频偏补偿后的接收序列计算如下：

其中，

表示粗频偏补偿后的接收序列，r(n)表示接收序列，

表示频偏。对粗频偏补偿后的对接收序列

和本地PSS序列

做逐点共轭相乘，得到y(n)：

式(5)中，E(n)表示PSS时间序列采样点能量，I(n)表示噪声项，y(n)表示接收序列和本地序列共轭相乘的结果序列，

表示本地PSS序列的共轭形式，w(n)表示噪声项。

当信噪比高于8dB时，忽略噪声项I(n)，将序列y(n)等分成2个子序列，分别为

和

两个子序列做逐点共轭相乘并累加得到：

式(6)中，E(i)和

均为实数，通过下式对复数P计算相位得到频偏

其中，angle(P)表示复数P的相角。

由于相位范围为(-π,π)，因此频偏

检测范围为(-1,1)，满足算法设计要求，能够覆盖最大半个子载波间隔的残留频偏。

步骤五：考虑在信噪比低于8dB时，从降低粗频偏估计误差的影响、残留频偏估计抗噪声优化两方面对频偏估计算法进行优化；具体为：

在低信噪比下，式(5)中的噪声项不可忽略，使用式(6)和式(7)进行残留频偏估计将会有较大的误差，基于循环前缀的估计算法的RMSE也会上升。故从以下两个方面优化算法的抗噪声性能。

A.降低粗频偏估计误差的影响

每次非相干积累后进行一次粗频偏估计，M次非相干积累完成得到粗频偏估计集合

各次积累后的粗频偏估计按权值叠加得到最终估计值

计算式如下所示：

式(8)中，{w₁,w₂,...,w_M}为归一化的权值序列，根据信噪比改善因子

计算权值，计算式如下：

其中，w_i表示第i次非相干积累后归一化的权值。

B.残留频偏估计抗噪声优化

基于粗频偏估计的改进算法，每次计算

后进行残留频偏估计，得到M个结果序列y_i(n)i∈{1,2,...,M}，利用式(6)计算得到M个复数P_i i∈{1,2,...,M}，则改进后的残留频偏估计式为：

其中，

表示改进后的残留频偏估计。

相对于现有技术，本发明的有益效果如下：

本发明从传统LTE下行同步方案出发，分析传统PSS时域互相关检测算法的优缺点，针对传统算法在时间色散、频率色散以及恶劣的信噪比下性能下降，提出改进本地PSS时间序列、引入雷达信号中的非相干积累方法和优化频偏估计算法三种改进方法。这些方法改进了本地PSS时间序列，减小了降采样对m序列自相关特性的影响，使得PSS互相关检测算法能在恶劣信噪比条件下有着稳定的性能表现，并解决了传统算法在低信噪比下RMSE偏高的缺陷。

附图说明

图1为本发明具体实施方式中的方法流程图；

图2为本发明具体实施方式中的本地PSS时间序列生成流程图；

图3为本发明具体实施方式中的非相干积累算法流程图；

图4为本发明具体实施方式中的本地PSS时间序列频偏预补偿流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种PSS分块互相关检测方法，如图1所示，包括以下步骤：

步骤一：在本地PSS时间序列生成时添加CP，间接地增加进行互相关的序列长度；

图2是本发明使用的本地PSS时间序列生成流程图。步骤一中，根据m序列的PSS生成式(1)：

生成三组长度为127的m序列，分别对应着

以及

然后对m序列两端补零至L_window点，对补零后的m序列做IFFT变换，并且进行功率归一化，归一化因子为

最后，根据OFDM符号长度来添加CP。

步骤二：使用非相干积累改善检测性能；

图3是本发明使用的非相干积累算法流程图。步骤二中，在分块互相关算法的基础上，对每个滑动窗口的互相关模值平方进行M次累积，最后通过M次积累后的结果集

得到粗定时位置估计和小区组内标识估计。除此之外，在非相干积累过程中设定积累结束条件使得累计次数M自适应化，积累结束条件为：当第i次积累值得到的粗定时位置d和小区组内标识

与第i-1次积累值得到的结果相同时，结束积累。为了避免由于某些问题陷入无限积累中，设定M最大值为M_max＝10，达到最大值结束积累。

步骤三：接收机在生成本地PSS时间序列后，对这些本地序列进行频偏预补偿，从而实现粗频偏估计；

图4是本发明使用的本地PSS时间序列频偏预补偿流程图。步骤三中，为了提升算法检测性能，粗频偏估计不等于整数倍频偏估计，频偏检测粒度设为1/2子载波间隔；为了减小融合粗频偏估计带来的计算复杂度的影响，粗频偏估计使用次最优信号检测算法，即蒙特卡罗(Monte Carlo，MC)检测算法。融合粗频偏估计的PSS互相关检测算法具体描述如下：

蒙特卡罗的归一化频偏ε_est待选集合为{-1，-0.5，0，0.5，1}，接收机在生成本地PSS时间序列后，对这些本地序列进行频偏预补偿，总计生成15种PSS本地时间序列。

原本地PSS时间序列为s_u(n)u∈{0,1,2}，粗频偏补偿后的新序列为：

基于分块互相关检测算法，粗频偏估计、粗定时位置和小区组内标识的估计式为：

步骤四：对残留频偏进行估计和补偿；

步骤四中，假设通过PSS互相关检测，小区组内标识估计值为

对应本地PSS时间序列为

粗频偏估计值为

粗频偏补偿后的接收序列计算如下：

对接收序列

和本地PSS序列

做逐点共轭相乘，得到y(n)：

式(5)中，E(n)表示PSS时间序列采样点能量，I(n)表示噪声项。

当信噪比较高时，忽略噪声项I(n)，将序列y(n)等分成2个子序列，分别为

和

两个子序列做逐点共轭相乘并累加得到：

式(6)中，E(i)和

均为实数，通过下式对复数P计算相位得到频偏

由于相位范围为(-π,π)，因此频偏

检测范围为(-1,1)，满足算法设计要求，能够覆盖最大半个子载波间隔的残留频偏。

步骤五：考虑在低信噪比条件下，从降低粗频偏估计误差的影响、残留频偏估计抗噪声优化两方面对频偏估计算法进行优化。

步骤五中，在低信噪比下，式(5)中的噪声项不可忽略，使用式(6)和式(7)进行残留频偏估计将会有较大的误差，基于循环前缀的估计算法的RMSE也会上升。故从以下两个方面优化算法的抗噪声性能。

A.降低粗频偏估计误差的影响

每次非相干积累后进行一次粗频偏估计，M次非相干积累完成得到粗频偏估计集合

各次积累后的粗频偏估计按权值叠加得到最终估计值

计算式如下所示：

式(8)中，{w₁,w₂,...,w_M}为归一化的权值序列，根据信噪比改善因子

计算权值，计算式如下：

B.残留频偏估计抗噪声优化

基于粗频偏估计的改进算法，每次计算

后进行残留频偏估计，得到M个结果序列y_i(n)i∈{1,2,...,M}，利用式(6)计算得到M个复数P_i i∈{1,2,...,M}，则改进后的残留频偏估计式为：

本发明可以提升在低信噪比环境下的检测性能和抗频偏性能，满足5G下行同步的需要。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种PSS分块互相关检测方法，其特征在于，包括以下步骤：

步骤一：在本地PSS时间序列生成时添加循环前缀CP，间接地增加进行互相关的序列长度；

步骤二：使用非相干积累改善检测性能：对每个滑动窗口的互相关模值平方进行M次累积，最后通过M次积累后的结果集

得到粗定时位置估计和小区组内标识估计；设定积累结束条件使得累计次数M自适应化，积累结束条件为：当第i次积累值得到的粗定时位置d和小区组内标识

与第i-1次积累值得到的结果相同时，结束积累；

步骤三：接收机在生成本地PSS时间序列后，对本地PSS时间序列进行频偏预补偿，从而实现粗频偏估计；

频偏检测粒度设为1/2子载波间隔；粗频偏估计使用蒙特卡罗检测方法，融合粗频偏估计的PSS互相关检测方法具体描述如下：

蒙特卡罗的归一化频偏ε_est待选集合为{-1，-0.5，0，0.5，1}，接收机在生成本地PSS时间序列后，对本地PSS时间序列进行频偏预补偿，总计生成15种PSS本地时间序列；

原本地PSS时间序列为s_u(n)，u∈{0,1,2}，粗频偏补偿后的新序列为：

其中，

表示粗频偏补偿后的本地PSS时间序列，j表示虚数单位，n表示离散序列的自变量；

粗定时位置、小区组内标识和粗频偏估计的估计式为：

u∈{0,1,2},ε_est∈{-1,-0.5,0,0.5,1}

其中，M表示分块的数目，L表示每块序列的长度，r表示接收序列，d表示窗口开始位置，

表示本地PSS时间序列的共轭形式，在每个窗口位置上，分别用三种本地PSS时间序列对r(n+d+k·L)做相关，并存储相关值的模值平方，得到三个结果集C′_u(d)，再对结果集做近似的能量归一化处理，得到C_u(d)，P(d)表示滑动窗口内的信号能量，

分别表示粗定时位置、小区组内标识和粗频偏估计的估计值；

步骤四：对残留频偏进行估计和补偿：

假设通过PSS互相关检测，小区组内标识估计值为

对应本地PSS时间序列为

粗频偏估计值为

粗频偏补偿后的接收序列计算如下：

其中，

表示粗频偏补偿后的接收序列，r(n)表示接收序列，

表示频偏；

对粗频偏补偿后的接收序列

和本地PSS序列

做逐点共轭相乘，得到y(n)：

式(5)中，E(n)表示PSS时间序列采样点能量，I(n)表示噪声项，y(n)表示接收序列和本地序列共轭相乘的结果序列，

表示本地PSS序列的共轭形式，w(n)表示噪声项；

当信噪比大于8dB时，忽略噪声项I(n)，将序列y(n)等分成2个子序列，分别为

和

两个子序列做逐点共轭相乘并累加得到：

式(6)中，E(i)和

均为实数，通过下式对复数P计算相位得到频偏

其中，angle(P)表示复数P的相角；

步骤五：考虑在低信噪比条件下，从降低粗频偏估计误差的影响、残留频偏估计抗噪声优化两方面对频偏估计算法进行优化：

在信噪比低于8dB时，式(5)中的噪声项不可忽略，使用式(6)和式(7)进行残留频偏估计将会有较大的误差，基于循环前缀的估计算法的RMSE也会上升，故从以下两个方面优化算法的抗噪声性能：

A.降低粗频偏估计误差的影响

每次非相干积累后进行一次粗频偏估计，M次非相干积累完成得到粗频偏估计集合

各次积累后的粗频偏估计按权值叠加得到最终估计值

计算式如下所示：

式(8)中，{w₁，w₂，...，w_M}为归一化的权值序列，根据信噪比改善因了

计算权值，计算式如下：

其中，w_i表示第i次非相干积累后归一化的权值；

B.残留频偏估计抗噪声优化

基于粗频偏估计的改进方法，每次计算

后进行残留频偏估计，得到M个结果序列y_i(n)，i∈{1，2，...，M}，利用式(6)计算得到M个复数P_i i∈{1，2，...，M}，则改进后的残留频偏估计式为：

其中，

表示改进后的残留频偏估计。

2.根据权利要求1所述PSS分块互相关检测方法，其特征在于：所述步骤一：在本地PSS时间序列生成时添加CP，间接地增加进行互相关的序列长度的方法：

根据m序列的PSS生成式(1)：

d_PSS(n)＝1-2x(m)

0≤n＜127 (1)

其中，d_PSS(n)表示PSS频域序列，x(m)表示一个长度为127的m序列，mod表示求余函数，n表示序列的自变量，

表示小区组内标识；

生成三组长度为127的m序列，分别对应着

以及

然后对m序列两端补零至L_window点，对补零后的m序列做IFFT变换，并且进行功率归一化，最后，根据OFDM符号长度来添加CP，L_window表示滑动窗口的长度。

3.根据权利要求2所述PSS分块互相关检测方法，其特征在于：归一化因子为

4.根据权利要求3所述PSS分块互相关检测方法，其特征在于：步骤二中设定M最大值为M_max＝10，达到最大值结束积累。

Images