CN112865891B - Pucch信号检测方法、装置、通信设备和存储介质 - Google Patents

Pucch信号检测方法、装置、通信设备和存储介质 Download PDF

Info

Publication number
CN112865891B
CN112865891B CN202011639334.5A CN202011639334A CN112865891B CN 112865891 B CN112865891 B CN 112865891B CN 202011639334 A CN202011639334 A CN 202011639334A CN 112865891 B CN112865891 B CN 112865891B
Authority
CN
China
Prior art keywords
signal
noise
pucch
uplink
uplink 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.)
Active
Application number
CN202011639334.5A
Other languages
English (en)
Other versions
CN112865891A (zh
Inventor
杨雨翰
姜成玉
刘重军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Comba Network Systems Co Ltd
Original Assignee
Comba Network Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Comba Network Systems Co Ltd filed Critical Comba Network Systems Co Ltd
Priority to CN202011639334.5A priority Critical patent/CN112865891B/zh
Publication of CN112865891A publication Critical patent/CN112865891A/zh
Application granted granted Critical
Publication of CN112865891B publication Critical patent/CN112865891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种PUCCH信号检测方法、装置、通信设备和存储介质。所述方法包括：在指定的时频资源位置上接收上行信号；通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；若是，则计算所述上行信号的信噪比；根据所述信噪比，确定是否接收到所述PUCCH信号。采用本方法能够满足URLLC对时延和可靠性的要求。

Description

PUCCH信号检测方法、装置、通信设备和存储介质
技术领域
本申请涉及通信技术领域，特别是涉及一种PUCCH信号检测方法、装置、通信设备和存储介质。
背景技术
移动通信新空口技术主要支持的业务场景包括增强型移动宽带(eMBB，enhancedMobile BroadBand)、超可靠和低延迟通信(URLLC，Ultra-Reliable and Low LatencyCommunications)和大规模机器类型通信(mMTC，massive Machine TypeCommunications)，其中URLLC广泛应用于工业控制、设备自动化、物联网和远程手术，可以提供l-10ms的端到端时延以及99.999％的业务可靠性保证。URLLC对于业务可靠性的高要求需要其具备较低的虚警概率。
PUCCH(Physical Uplink Control Channel，物理上行链路控制信道)供用户终端向基站发送必要的上行控制信息，目前的PUCCH信号检测方法是通过离散傅里叶变换计算接收信号的功率谱，然后根据功率谱计算信噪比，通过将信噪比与判决门限做比较，判断是否为虚警信号。然而，当应用于URLLC时，目前的PUCCH信号检测方法无法满足URLLC对时延和可靠性的要求。
因此，目前的PUCCH信号检测方法存在无法满足URLLC时延和可靠性要求的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够满足URLLC时延和可靠性要求的PUCCH信号检测方法、装置、通信设备和存储介质。
一种PUCCH信号检测方法，所述方法包括：
在指定的时频资源位置上接收上行信号；
通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；
若是，则计算所述上行信号的信噪比；
根据所述信噪比，确定是否接收到所述PUCCH信号。
在其中一个实施例中，所述方法还包括：
当所述上行信号为所述解调参考信号时，通过对所述上行信号进行插值处理，得到插值后上行信号；
根据所述插值后上行信号，得到所述信噪比。
在其中一个实施例中，所述根据所述插值后上行信号，得到所述信噪比，包括：
通过计算所述插值后上行信号的频域噪声方差，得到噪声能量；
通过对所述插值后上行信号进行时域滑动相关运算，得到信号能量；
根据所述信号能量与所述噪声能量的比值，得到所述信噪比。
在其中一个实施例中，所述通过计算所述插值后上行信号的频域噪声方差，得到噪声能量，包括：
建立噪声概率模型；所述噪声概率模型包括至少一个正态分布模型；
获取各个所述正态分布模型的初始参数和初始权值；所述初始参数包括所述频域噪声方差；
根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值；
判断所述更新后参数是否符合预设的收敛条件；
若不符合，则将所述更新后权值作为所述初始权值、更新后参数作为所述初始参数，并返回至所述根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值的步骤；
若符合，则根据最大更新后权值所对应的频域噪声方差，得到所述噪声能量。
在其中一个实施例中，所述通过对所述插值后上行信号进行时域滑动相关运算，得到信号能量，包括：
计算所述插值后上行信号与本地解调参考信号之间的滑动相关序列；
确定所述滑动相关序列中的有效相关峰值；
通过对所述有效相关峰值求平均，得到所述信号能量。
在其中一个实施例中，所述获取各个所述正态分布模型的初始参数和初始权值，包括：
获取所述插值后上行信号为预设解调参考信号可能值的指标；
根据所述指标，统计所述插值后上行信号为所述解调参考信号可能值的个数；
根据所述个数与所述插值后上行信号总数之间的比值，得到所述初始权值。
在其中一个实施例中，所述方法还包括：
获取训练样本；所述训练样本包括解调参考信号样本和噪声信号样本；
基于所述解调参考信号样本和所述噪声信号样本，对待训练的深度神经网络模型进行训练；
当训练后的深度神经网络模型满足预设的训练条件时，得到所述预训练的深度神经网络模型。
在其中一个实施例中，所述在指定的时频资源位置上接收上行信号，包括：
获取PUCCH格式；
根据所述PUCCH格式，确定解调参考信号时频资源位置；
在所述解调参考信号时频资源位置上接收所述上行信号。
一种PUCCH信号检测装置，所述装置包括：
信号接收模块，用于在指定的时频资源位置上接收上行信号；
第一检测模块，用于通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；
计算模块，用于若是，则计算所述上行信号的信噪比；
第二检测模块，用于根据所述信噪比，确定是否接收到所述PUCCH信号。
一种通信设备，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以下步骤：
在指定的时频资源位置上接收上行信号；
通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；
若是，则计算所述上行信号的信噪比；
根据所述信噪比，确定是否接收到所述PUCCH信号。
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以下步骤：
在指定的时频资源位置上接收上行信号；
通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；
若是，则计算所述上行信号的信噪比；
根据所述信噪比，确定是否接收到所述PUCCH信号。
上述PUCCH信号检测方法、装置、通信设备和存储介质，通过在指定的时频资源位置上接收上行信号，通过预训练的深度神经网络模型检测上行信号是否为解调参考信号，可以快速检测是否接收到解调参考信号，降低信号检测时延，若是，则计算上行信号的信噪比，根据信噪比确定是否接收到PUCCH信号，可以进一步判断上行信号是否为解调参考信息，降低虚警概率，提高信号检测可靠性，由于解调参考信号与PUCCH信号同时存在，可以使PUCCH信号检测降低时延和提高可靠性，满足URLLC对时延和可靠性的要求。
附图说明
图1为一个实施例中PUCCH信号检测方法的应用环境图；
图2为一个实施例中PUCCH信号检测方法的流程示意图；
图3为一个实施例中噪声能量估计递归神经网络结构图；
图4为一个实施例中信号能量估计的流程示意图；
图5为一个实施例中深度神经网络模型的结构框图；
图6为另一个实施例中PUCCH信号检测方法的流程示意图；
图7为一个实施例中PUCCH信号检测装置的结构框图；
图8为一个实施例中通信设备的内部结构图。
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。
本申请提供的PUCCH信号检测方法，可以应用于如图1所示的应用环境中。其中，用户终端102(UE，User Equipment)通过移动通信网络与基站104进行通信，用户终端102至基站104的通信链路为上行链路，基站104至用户终端102的通信链路为下行链路。其中，用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，基站104可以但不限于是各种宏基站、微基站、微微基站和分布式基站，进一步的，基站104可以是5G基站。
在一个实施例中，如图2所示，提供了一种PUCCH信号检测方法，可以应用于超可靠低延迟通信，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：
步骤S210，在指定的时频资源位置上接收上行信号。
其中，指定的时频资源位置可以为解调参考信号(DMRS，Demodulation ReferenceSignal)所在的时频资源位置。
其中，上行信号可以为UE发送至基站的信号。
具体实现中，基站可以获取PUCCH格式(PUCCH format)，根据PUCCH格式确定相应的DMRS时频资源位置，在该时频资源位置上接收上行信号。
实际应用中，可以在频域接收上行信号，记作X＝(x1，x2，x3，...，xN)T。
步骤S220，通过预训练的深度神经网络模型，检测上行信号是否为解调参考信号。
具体实现中，可以预先建立深度神经网络模型，并获取多个上行信号作为训练样本，对深度神经网络模型进行训练，得到预训练的深度神经网络模型，在指定的时频资源位置上接收到上行信号后，可以将上行信号输入预训练的深度神经网络模型进行识别，根据识别结果检测上行信号是否为DMRS。
在一种具体实施方式中，当使用PUCCH format 1格式发送时，DMRS和PUCCH通过不同的OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用)符号发送，可以使用DMRS的各个状态(例如，不同信噪比和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练。为检测PUCCH信号，可以使用对应PUCCH OFDM符号提取的DMRS，输入深度神经网络，对UE是否发送PUCCH信号作初步判断。
在另一种具体实施方式中，当使用PUCCH format 2格式发送时，DMRS和PUCCH使用同一个OFDM符号以梳状形式在频域映射，可以使用DMRS的各个状态(例如，不同信噪比和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练。为检测PUCCH信号，可以提取PUCCH对应频率上的DMRS，输入深度神经网络，对UE是否发送PUCCH信号作初步判断。
步骤S230，若是，则计算上行信号的信噪比。
具体实现中，在基站通过深度神经网络判定接收到的上行信号为DMRS后，为进一步降低虚警概率，提供信号检测可靠性，可以计算该上行信号的信噪比。具体地，可以分别计算信号能量和噪声能量，根据信号能量和噪声能量之间的比值，得到信噪比。
实际应用中，可以对上行信号进行α倍插值，得到
Figure BDA0002877876770000061
使用
Figure BDA0002877876770000062
来计算信噪比，需要说明的是，当α＝0时，
Figure BDA0002877876770000063
可以根据信道条件建立经验概率模型，通过计算概率模型的相应参数来得到噪声能量。根据中心极限定理，很多独立随机变量的和都可以近似服从正态分布，因此，很多复杂系统都可以被成功建模成正态分布的噪声，可以假设噪声为高斯白噪声，使用k个正态分布
Figure BDA0002877876770000064
的加权和建立概率分布模型，其中μ和∑分别表示正态分布的均值和协方差矩阵。为概率分布模型设置初始值，具体地，可以设置每个正态分布的初始权值为Wi，进而得到μi和∑i，根据Wi、μi和∑i计算模型观测数据
Figure BDA0002877876770000065
的响应度，公式可以为
Figure BDA0002877876770000066
其中，i＝1，2，...，k，j＝1，2，...，Nα。根据响应度wij，离散随机变量的均值和方差可以分别为
Figure BDA0002877876770000067
重复以上操作直至收敛或达到预设迭代次数，返回Wi中的最大值Wmax＝max(Wi)，根据Wmax对应的参数σi，可以得到噪声功率
Figure BDA0002877876770000071
信号能量可以先通过时域滑动相关得到相应的功率时延谱(PDP，Power DelayProfile)，再根据PDP得到相应的时域信号能量。根据ZC(Zadoff-Chu)序列相关性，可以得到
Figure BDA0002877876770000072
所以当信号经过AWGN信道时，求接收信号与本地信号的相关函数可以写成如下形式
Rxx(τ)＝E{r(t)x*(t-τ)}＝E{(n(t)+x(t))x*(t-τ)}＝E{|x(t)|2}
＝Rxx(0)，
通过以上分析可以设计在多径环境下系统操作流程如下所示
Rxx(0)＝ifft(X·X*)，Rrx(0)＝E{r(t)x*(t)}＝ifft((HX+N)·X*)
＝ifft(HX·X*)＝conv(h(τ)，Rxx(0))。
因此，可以计算上行信号
Figure BDA0002877876770000073
与本地DMRS信号之间的时域滑动相关序列，并以预设阈值作为多径衡量标准，将时域滑动相关序列中延时max(τ)＜CP(Cyclic Prefix，循环前缀)长度的相关峰确定为有效相关峰，根据有效相关峰计算信号平均能量Es。
步骤S240，根据信噪比，确定是否接收到PUCCH信号。
具体实现中，可以根据信号能量与噪声能量之间的比值，得到信噪比(SNR，SignalNoise Ratio)，例如，SNR＝Es/En。将SNR与预设的信噪比阈值相比较，若SNR超过信噪比阈值，可以判定在上行信号中检测到DMRS信号，由于DMRS信号与PUCCH信号同时存在，则可以判定检测到PUCCH信号，否则，若SNR未超过信噪比阈值，则可以判定在上行信号中未检测到DMRS信号，同时也未检测到PUCCH信号。
上述PUCCH信号检测方法，通过在指定的时频资源位置上接收上行信号，通过预训练的深度神经网络模型检测上行信号是否为解调参考信号，可以快速检测是否接收到解调参考信号，降低信号检测时延，若是，则计算上行信号的信噪比，根据信噪比确定是否接收到PUCCH信号，可以进一步判断上行信号是否为解调参考信息，降低虚警概率，提高信号检测可靠性，由于解调参考信号与PUCCH信号同时存在，可以使PUCCH信号检测降低时延和提高可靠性，满足URLLC对时延和可靠性的要求。
在一个实施例中，上述PUCCH信号检测方法，具体还可以包括：
步骤S231，当上行信号为解调参考信号时，通过对上行信号进行插值处理，得到插值后上行信号；
步骤S232，根据插值后上行信号，得到信噪比。
具体实现中，当上行信号为DMRS信号、且上行信号数量少于预设数量时，可以对上行信号进行插值，得到插值后上行信号，包括但不限于是线性插值、三次样条插值和多项式插值。之后，可以针对插值后上行信号计算信号能量和噪声能量，根据信号能量和噪声能量之间的比值得到信噪比。
本实施例中，通过当上行信号为解调参考信号时，通过对上行信号进行插值处理，得到插值后上行信号，可以增加上行信号数量，解决数据数量缺乏的问题，根据插值后上行信号得到信噪比，可以提高信噪比的准确性，进而提高PUCCH信号检测的可靠性。
在一个实施例中，上述步骤S232，可以具体包括：
步骤S233，通过计算插值后上行信号的频域噪声方差，得到噪声能量；
步骤S234，通过对插值后上行信号进行时域滑动相关运算，得到信号能量；
步骤S235，根据信号能量与噪声能量的比值，得到信噪比。
具体实现中，基站可以对插值后上行信号使用一种迭代的方式对频域噪声方差进行估计，进而推断出噪声能量，根据帕塞瓦尔定理(Parseval's Theorem)，时域信号能量等于频域信号能量，可以通过时域滑动相关算法估计信号能量。根据信号能量与噪声能量之间的比值，可以得到插值后上行信号的信噪比。
本实施例中，通过计算插值后上行信号的频域噪声方差，得到噪声能量，可以准确计算噪声能量，通过对插值后上行信号进行时域滑动相关运算，得到信号能量，可以准确计算信号能量，根据信号能量与噪声能量的比值得到信噪比，可以提高信噪比的准确性，进而提高PUCCH信号检测的可靠性。
在一个实施例中，上述步骤S233，可以具体包括：建立噪声概率模型；噪声概率模型包括至少一个正态分布模型；获取各个正态分布模型的初始参数和初始权值；初始参数包括频域噪声方差；根据初始参数和初始权值，计算各个正态分布模型的更新后参数和更新后权值；判断更新后参数是否符合预设的收敛条件；若不符合，则将更新后权值作为初始权值、更新后参数作为初始参数，并返回至根据初始参数和初始权值，计算各个正态分布模型的更新后参数和更新后权值的步骤；若符合，则根据最大更新后权值所对应的频域噪声方差，得到噪声能量。
具体实现中，可以根据信道条件建立噪声概率模型，通过计算概率模型的相应参数来得到噪声能量。根据中心极限定理，很多独立随机变量的和都可以近似服从正态分布，因此，很多复杂系统都可以被成功建模成正态分布的噪声，可以假设噪声为高斯白噪声，使用k个正态分布
Figure BDA0002877876770000091
的加权和建立概率分布模型，其中μ和∑分别表示正态分布的均值和协方差矩阵。为概率分布模型设置初始值，具体地，可以设置每个正态分布的初始权值为Wi，进而得到初始参数μi和∑i，根据Wi、μi和∑i计算模型观测数据
Figure BDA0002877876770000092
的响应度，公式可以为
Figure BDA0002877876770000093
其中，i＝1，2，...，k，j＝1，2，...，Nα。根据响应度wij，离散随机变量的均值和方差可以分别为
Figure BDA0002877876770000094
重复以上操作直至收敛或达到预设迭代次数，返回更新后权值Wi中的最大值Wmax＝max(Wi)，根据Wmax对应的更新后参数σi，可以得到噪声功率
Figure BDA0002877876770000095
图3是一个实施例中噪声能量估计递归神经网络结构图，具体实现中，可以在输入层输入上行信号x1，x2，x3，...，xN，在隐层对k个正态分布的参数μ，σ2和权值W通过迭代方法进行估计，通过输出层输出噪声功率En。
本实施例中，通过建立噪声概率模型，可以便于使用概率方法进行噪声估计，获取各个正态分布模型的初始参数和初始权值，根据初始参数和初始权值计算各个正态分布模型的更新后参数和更新后权值，判断更新后参数是否符合预设的收敛条件，若不符合则将更新后权值作为初始权值、更新后参数作为初始参数，并返回至根据初始参数和初始权值，计算各个正态分布模型的更新后参数和更新后权值的步骤，若符合则根据最大更新后权值所对应的频域噪声方差得到噪声能量，可以基于迭代终止条件来迭代更新噪声概率模型的参数和权值，提高噪声估计的准确性，进而准确计算信噪比，提高PUCCH信号检测的可靠性。
在一个实施例中，上述步骤S234，可以具体包括：计算插值后上行信号与本地解调参考信号之间的滑动相关序列；确定滑动相关序列中的有效相关峰值；通过对有效相关峰值求平均，得到信号能量。
具体实现中，如图4所示，提供了一个信号能量估计的流程图。根据公式
Rrx(0)＝E{r(t)x*(t)}＝ifft((HX+N)·X*)＝ifft(HX·X*)＝conv(h(τ)，Rxx(0))，
可以将本地DMRS信号的共轭与插值后上行信号相乘，然后进行IFFT(InverseFast Fourier Transform)运算，得到时域相关序列，可以将时域相关序列的相关峰值作为信号能量。当上行链路为多径时，时域相关序列可能存在多于一个相关峰，可以将时延τ超过循环前缀长度的径所对应的相关峰削去，保留剩余的相关峰，作为有效相关峰，通过对有效相关峰进行求平均，可以得到信号能量。
本实施例中，通过计算插值后上行信号与本地解调参考信号之间的滑动相关序列，确定滑动相关序列中的有效相关峰值，通过对有效相关峰值求平均得到信号能量，可以准确计算信号能量，提高PUCCH信号检测的可靠性。
在一个实施例中，上述步骤S233，具体还可以包括：获取插值后上行信号为预设解调参考信号可能值的指标；根据指标，统计插值后上行信号为解调参考信号可能值的个数；根据个数与插值后上行信号总数之间的比值，得到初始权值。
具体实现中，当PUCCH使用format 1格式发送时，存在DMRS信号，可以得到先验信息每个概率分布上的初始权值为
Figure BDA0002877876770000111
其中，χ为DMRS信号的可能值，K为χ的所有可能个数，λ为平滑系数，当λ＝1时为拉普拉斯平滑，I(·)是指标函数，表示满足内部的条件取值为1，不满足取值为0，因此I(xi＝χ)可以为插值后上行信号为预设解调参考信号可能值的指标，插值后上行信号为解调参考信号可能值的个数可以通过∑I(xi＝χ)计算得到，由于插值后上行信号总数为Nα，根据插值后上行信号为解调参考信号可能值的个数与插值后上行信号总数之间的比值，可以得到初始权值Wi。
本实施例中，通过获取插值后上行信号为预设解调参考信号可能值的指标，根据指标统计插值后上行信号为解调参考信号可能值的个数，根据个数与插值后上行信号总数之间的比值得到初始权值，可以得到适应于PUCCH format 1的初始权值，提高噪声能量计算的收敛速度，降低PUCCH信号检测时延。
在一个实施例中，上述PUCCH信号检测方法，具体还可以包括：获取训练样本；训练样本包括解调参考信号样本和噪声信号样本；基于解调参考信号样本和噪声信号样本，对待训练的深度神经网络模型进行训练；当训练后的深度神经网络模型满足预设的训练条件时，得到预训练的深度神经网络模型。
其中，解调参考信号样本可以为使用DMRS的各个状态作为训练样本。噪声信号样本可以为使用无信号发送时的噪声作为训练样本。
具体实现中，可以预先建立深度神经网络模型，并获取多个上行信号作为训练样本，对深度神经网络模型进行训练，得到预训练的深度神经网络模型。
在一种具体实施方式中，当使用PUCCH format 1格式发送时，DMRS和PUCCH通过不同的OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用)符号发送，可以使用DMRS的各个状态(例如，不同信噪比和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练。
在另一种具体实施方式中，当使用PUCCH format 2格式发送时，DMRS和PUCCH使用同一个OFDM符号以梳状形式在频域映射，可以使用DMRS的各个状态(例如，不同信噪比和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练。
图5是一个实施例中深度神经网络模型的结构框图，其中神经元的个数可以为
Figure BDA0002877876770000121
其中
Figure BDA0002877876770000122
为经验值，取值范围可以为(0，10)，N为基站接收的频域信号个数，B为输出的个数，这里表示判断是否为信号的概率。向前传播时第h个隐藏神经元的输入
Figure BDA0002877876770000123
其中
Figure BDA0002877876770000124
表示第h个隐藏神经元的输入，li表示第h个隐藏神经元的所有输入值，vih表示不同的输入所占的权重。建立损失函数，使用梯度下降法对中间权值进行迭代求解。由于在本模型中神经元层数为2或3，所以不用考虑梯度消失等问题，直接使用sigmiod函数作为激活函数，此函数的优势是在向后传播时，有简单的梯度求解方式，即
Figure BDA0002877876770000125
根据链式求导法则，可得到输入层权值的变化。
本实施例中，通过获取训练样本，基于解调参考信号样本和噪声信号样本，对待训练的深度神经网络模型进行训练，当训练后的深度神经网络模型满足预设的训练条件时，得到预训练的深度神经网络模型，可以使用预训练的深度神经网络模型快速识别上行信号是否为DMRS信号，降低PUCCH信号检测时延。
在一个实施例中，上述步骤S210，可以具体包括：获取PUCCH格式；根据PUCCH格式，确定解调参考信号时频资源位置；在解调参考信号时频资源位置上接收上行信号。
具体实现中，在获取PUCCH格式后，可以基于3GPP标准，根据PUCCH格式确定DMRS信号的时频资源位置，在该时频资源位置上接收上行信号。
实际应用中，当PUCCH使用format 0格式发送时，无DMRS，可以直接用ZC序列产生上行信号，不经过信道编码和调制；当PUCCH使用format 1格式发送时，DMRS和PUCCH通过不同的OFDM符号发送，可以根据PUCCH确定DMRS时频资源位置，在该位置上接收上行信号；当PUCCH使用format 2格式发送时，DMRS和PUCCH使用同一个OFDM符号以梳状形式在频域映射，可以提取对应PUCCH频率上的DMRS信号作为上行信号。
本实施例中，通过获取PUCCH格式，根据PUCCH格式确定解调参考信号时频资源位置，在解调参考信号时频资源位置上接收上行信号，可以针对不同的PUCCH格式接收上行信号，提高PUCCH信号检测的可靠性。
在一个实施例中，如图6所示，提供了一个PUCCH信号检测方法的流程示意图，包括以下步骤：
步骤S601，建立深度神经网络模型；
步骤S602，在当前基站位置所属环境预先提取UE数据作为训练集；
步骤S603，对深度神经网络模型进行训练；
步骤S604，基站接收UE发送的重复数据；
步骤S605，初步判断是否有UE信号发送：若深度神经网络模型输出概率低于预设门限则可以直接判定无UE信号发送，否则，若高于预设门限，则执行步骤S606；
步骤S606，根据信道条件建立概率模型；
步骤S607，将信号放入概率模型中，以迭代的方式计算出相应参数，例如，均值和方差；
步骤S608，通过计算概率模型的相应参数，计算噪声能量；
步骤S609，通过时域滑动相关法得到相应的功率时延谱(PDP)；
步骤S610，通过对PDP进行处理，得到相应的时域信号能量；
步骤S611，根据噪声能量和时域信号能量，估计SNR；
步骤S612，根据SNR是否高于预设门限，判断是否有UE信号发送，若SNR高于预设门限，可以判定有UE信号发送，否则，若SNR低于预设门限，可以判定无UE信号发送。
为了便于本领域技术人员深入理解本申请实施例，以下将结合具体示例进行说明。
假设基站接收UE发送的频域数据记为X＝(x1，x2，x3，...，xN)T。噪声为高斯白噪声，由于在PUCCH中只存在两种调制方式QPSK和π/2BPSK，当提取QPSK和π/2BPSK的虚部部分，则可以看作是同一个概率模型，只是其中参数有所区别，以下将提供一种低复杂度的方法对其建模。
1、当PUCCH使用format 0格式发送时，无DMRS，可以直接用ZC序列产生上行信号，不经过信道编码和调制。接收端相当于是一种“盲”检测，所以对于ZC序列产生的PN(Pseudo-Noise，伪随机)序列，与噪声相似无法用深度神经网络区分，所以可以不通过深度神经网络模型进行检测，仅通过SNR来进行PUCCH信号检测。
为解决数据数量的缺乏的问题，接收数据可以先通过α倍扩展，扩展方式为经验值，记为
Figure BDA0002877876770000141
建立概率模型，由于上述假设噪声为高斯白噪声，概率分布模型可以k个正态分布
Figure BDA0002877876770000142
的加权和，其中μ和∑分别表示正态分布的均值和协方差矩阵。
为概率分布模型设置初始值，由于在format 0中上行信号直接用ZC序列产生，无DMRS信号，所以没有任何先验信息，所以每个概率分布上的初始权值可以设为Wi＝1/k，在这里k＝2，Wi＝1/2，
Figure BDA0002877876770000143
(对于π/2BPSK，取μ＝±1)，∑为经验值。依据当前模型参数，计算各个模型观测数据
Figure BDA0002877876770000147
的响应度，得到
Figure BDA0002877876770000144
其中，i＝1，2，...，k，j＝1，2，...，Nα。离散随机变量的均值和方差可以分别为
Figure BDA0002877876770000145
重复以上操作直至收敛或达到预设迭代次数，返回Wi中的最大值Wmax＝max(Wi)，根据Wmax对应的参数σi，可以得到噪声功率
Figure BDA0002877876770000146
在format 0数据序列是由ZC序列产生，有着良好的相关性，可以通过时域滑动相关算法估计信号能量Es，得到SNR＝Es/En，当SNR高于预设阈值时，可以判定PUCCH有UE信号发送。
2、当PUCCH使用format 1格式发送时，DMRS和PUCCH通过不同OFDM符号发送，使用DMRS的各个状态(不同的SNR和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练，训练完成后可以使用对应OFDM符号提取的DMRS作为深度神经网络的输入，对UE是否发送PUCCH信号作初步判断。
将接收到的DMRS进行α倍扩展，扩展方式为经验值，记为
Figure BDA0002877876770000151
建立概率模型，由于上述假设噪声为高斯白噪声，概率分布模型可以k个正态分布
Figure BDA0002877876770000152
的加权和，其中μ和∑分别表示正态分布的均值和协方差矩阵。
为概率分布模型设置初始值，在format 1中存在DMRS信号，可以得到先验信息每个概率分布上的初始权值为
Figure BDA0002877876770000153
其中，χ为DMRS信号的可能值，K为χ的所有可能个数，λ为平滑系数，当λ＝1时为拉普拉斯平滑，∑为经验值。依据当前模型参数.好的初始值可以加速算法收敛，提高准确性。接下来计算各个模型观测数据
Figure BDA0002877876770000157
的响应度，得到
Figure BDA0002877876770000154
其中，i＝1，2，...，k，j＝1，2，...，Nα。离散随机变量的均值和方差可以分别为
Figure BDA0002877876770000155
重复以上操作直至收敛或达到预设迭代次数，返回Wi中的最大值Wmax＝max(Wi)，根据Wmax对应的参数σi，可以得到噪声功率
Figure BDA0002877876770000156
PUCCH format 1采用的DRMS序列是由ZC序列产生，有着良好的相关性，可以通过时域滑动相关算法估计信号能量Es，得到SNR＝Es/En，当SNR高于预设阈值时，可以判定PUCCH有UE信号发送。
3、当PUCCH使用format 2格式发送时，DMRS和PUCCH使用同一个OFDM符号以梳状形式在频域映射，使用DMRS的各个状态(不同的SNR和/或信道模型)以及无信号发送时的噪声作为训练序列，对深度神经网络进行训练，训练完成后可以提取对应频率上的DMRS作为深度神经网络的输入，对UE是否发送PUCCH信号作初步判断。
接收信号可以表示为
Figure BDA0002877876770000161
建立概率模型，由于上述假设噪声为高斯白噪声，概率分布模型可以k个正态分布
Figure BDA0002877876770000162
的加权和，其中μ和∑分别表示正态分布的均值和协方差矩阵。
为概率分布模型设置初始值，由于format 2格式发送时，DMRS和PUCCH使用同一个OFDM符号以梳状形式在频域映射，可以取k＝2，W1＝1/2，W2＝1/2，W3＝0.01，
Figure BDA0002877876770000163
μ3＝0(对于π/2BPSK，取μ＝±1，0)，∑为经验值。依据当前模型参数.好的初始值可以加速算法收敛，提高准确性。根据当前模型参数计算各个模型观测数据
Figure BDA0002877876770000164
的响应度，得到
Figure BDA0002877876770000165
其中，i＝1，2，...，k，j＝1，2，...，Nα。离散随机变量的均值和方差可以分别为
Figure BDA0002877876770000166
重复以上操作直至收敛或达到预设迭代次数，返回W1、W2中的最大值Wmax＝max(W1，W2)，根据Wmax对应的参数σi，可以得到噪声功率
Figure BDA0002877876770000167
如果W3＝1，则可以直接判定PUCCH无UE信号发送。
PUCCH format 2采用的DRMS序列是由ZC序列产生，有着良好的相关性，可以通过时域滑动相关算法估计信号能量Es，得到SNR＝Es/En，当SNR高于预设阈值时，可以判定PUCCH有UE信号发送。
上述实施例中的技术方案，只需要对深度神经网络进行预训练，当接收有明显偏差即概率小于某个阈值时可以直接判断UE无信号发送，大大降低了信号检测的时间。
而且，基站接收UE发送的重复数据，对所有信号使用一种迭代的方式对频域的噪声方差进行估计，得到噪声能量，联合时域相关算法估计信号能量，得出SNR，通过对SNR的估计判断是否有信号存在，可以有效降低虚警概率，提高URLLC可靠性，提高系统性能。
进一步地，上述实施例中的技术方案针对不同场景均有较好的效果，泛化能力良好。
应该理解的是，虽然图2和6的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，图2和6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种PUCCH信号检测装置，可以应用于超可靠低延迟通信，该装置包括：信号接收模块710、第一检测模块720、计算模块730和第二检测模块740，其中：
信号接收模块710，用于在指定的时频资源位置上接收上行信号；
第一检测模块720，用于通过预训练的深度神经网络模型，检测所述上行信号是否为解调参考信号；
计算模块730，用于若是，则计算所述上行信号的信噪比；
第二检测模块740，用于根据所述信噪比，确定是否接收到所述PUCCH信号。
在一个实施例中，上述PUCCH信号检测装置，还包括：
插值模块，用于当所述上行信号为所述解调参考信号时，通过对所述上行信号进行插值处理，得到插值后上行信号；
信噪比计算模块，用于根据所述插值后上行信号，得到所述信噪比。
在一个实施例中，上述信噪比计算模块，还包括：
噪声能量计算模块，用于通过计算所述插值后上行信号的频域噪声方差，得到噪声能量；
信号能量计算模块，用于通过对所述插值后上行信号进行时域滑动相关运算，得到信号能量；
比值计算模块，用于根据所述信号能量与所述噪声能量的比值，得到所述信噪比。
在一个实施例中，上述噪声能量计算模块，还用于建立噪声概率模型；所述噪声概率模型包括至少一个正态分布模型；获取各个所述正态分布模型的初始参数和初始权值；所述初始参数包括所述频域噪声方差；根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值；判断所述更新后参数是否符合预设的收敛条件；若不符合，则将所述更新后权值作为所述初始权值、更新后参数作为所述初始参数，并返回至所述根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值的步骤；若符合，则根据最大更新后权值所对应的频域噪声方差，得到所述噪声能量。
在一个实施例中，上述信号能量计算模块，还用于计算所述插值后上行信号与本地解调参考信号之间的滑动相关序列；确定所述滑动相关序列中的有效相关峰值；通过对所述有效相关峰值求平均，得到所述信号能量。
在一个实施例中，上述噪声能量计算模块，还用于获取所述插值后上行信号为预设解调参考信号可能值的指标；根据所述指标，统计所述插值后上行信号为所述解调参考信号可能值的个数；根据所述个数与所述插值后上行信号总数之间的比值，得到所述初始权值。
在一个实施例中，上述PUCCH信号检测装置，还用于获取训练样本；所述训练样本包括解调参考信号样本和噪声信号样本；基于所述解调参考信号样本和所述噪声信号样本，对待训练的深度神经网络模型进行训练；当训练后的深度神经网络模型满足预设的训练条件时，得到所述预训练的深度神经网络模型。
在一个实施例中，上述信号接收模块710还用于获取PUCCH格式；根据所述PUCCH格式，确定解调参考信号时频资源位置；在所述解调参考信号时频资源位置上接收所述上行信号。
关于PUCCH信号检测装置的具体限定可以参见上文中对于PUCCH信号检测方法的限定，在此不再赘述。上述PUCCH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通信设备中的处理器中，也可以以软件形式存储于通信设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种通信设备，该通信设备可以是基站，其内部结构图可以如图8所示。该通信设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该通信设备的处理器用于提供计算和控制能力。该通信设备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。该通信设备的数据库用于存储PUCCH信号检测数据。该通信设备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PUCCH信号检测方法。
本领域技术人员可以理解，图8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通信设备的限定，具体的通信设备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，提供了一种通信设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种PUCCH信号检测方法的步骤。此处一种PUCCH信号检测方法的步骤可以是上述各个实施例的一种PUCCH信号检测方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种PUCCH信号检测方法的步骤。此处一种PUCCH信号检测方法的步骤可以是上述各个实施例的一种PUCCH信号检测方法中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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。
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 (11)

1.一种PUCCH信号检测方法，其特征在于，所述方法包括：
获取训练样本；所述训练样本包括解调参考信号样本和噪声信号样本；
基于所述解调参考信号样本和所述噪声信号样本，对待训练的深度神经网络模型进行训练；
当训练后的深度神经网络模型满足预设的训练条件时，得到预训练的深度神经网络模型；
在指定的时频资源位置上接收上行信号；
将所述上行信号输入所述预训练的深度神经网络模型进行识别，根据识别结果检测所述上行信号是否为解调参考信号；
若是，则计算所述上行信号的信噪比；
若所述信噪比超过预设的信噪比阈值，判定接收到所述PUCCH信号，若所述信噪比未超过所述信噪比阈值，判定未接收到所述PUCCH信号。
2.根据权利要求1所述的PUCCH信号检测方法，其特征在于，所述方法还包括：
当所述上行信号为所述解调参考信号时，通过对所述上行信号进行插值处理，得到插值后上行信号；
根据所述插值后上行信号，得到所述信噪比。
3.根据权利要求2所述的PUCCH信号检测方法，其特征在于，所述根据所述插值后上行信号，得到所述信噪比，包括：
通过计算所述插值后上行信号的频域噪声方差，得到噪声能量；
通过对所述插值后上行信号进行时域滑动相关运算，得到信号能量；
根据所述信号能量与所述噪声能量的比值，得到所述信噪比。
4.根据权利要求3所述的PUCCH信号检测方法，其特征在于，所述通过计算所述插值后上行信号的频域噪声方差，得到噪声能量，包括：
建立噪声概率模型；所述噪声概率模型包括至少一个正态分布模型；
获取各个所述正态分布模型的初始参数和初始权值；所述初始参数包括所述频域噪声方差；
根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值；
判断所述更新后参数是否符合预设的收敛条件；
若不符合，则将所述更新后权值作为所述初始权值、更新后参数作为所述初始参数，并返回至所述根据所述初始参数和所述初始权值，计算各个所述正态分布模型的更新后参数和更新后权值的步骤；
若符合，则根据最大更新后权值所对应的频域噪声方差，得到所述噪声能量。
5.根据权利要求3所述的PUCCH信号检测方法，其特征在于，所述通过对所述插值后上行信号进行时域滑动相关运算，得到信号能量，包括：
计算所述插值后上行信号与本地解调参考信号之间的滑动相关序列；
确定所述滑动相关序列中的有效相关峰值；
通过对所述有效相关峰值求平均，得到所述信号能量。
6.根据权利要求4所述的PUCCH信号检测方法，其特征在于，所述获取各个所述正态分布模型的初始参数和初始权值，包括：
获取所述插值后上行信号为预设解调参考信号可能值的指标；
根据所述指标，统计所述插值后上行信号为所述解调参考信号可能值的个数；
根据所述个数与所述插值后上行信号总数之间的比值，得到所述初始权值。
7.根据权利要求1所述的PUCCH信号检测方法，其特征在于，所述方法还包括：
若所述预训练的深度神经网络模型输出概率高于预设门限，则计算所述上行信号的信噪比。
8.根据权利要求1所述的PUCCH信号检测方法，其特征在于，所述在指定的时频资源位置上接收上行信号，包括：
获取PUCCH格式；
根据所述PUCCH格式，确定解调参考信号时频资源位置；
在所述解调参考信号时频资源位置上接收所述上行信号。
9.一种PUCCH信号检测装置，其特征在于，所述装置包括：
信号接收模块，用于在指定的时频资源位置上接收上行信号；
第一检测模块，用于将所述上行信号输入预训练的深度神经网络模型进行识别，根据识别结果检测所述上行信号是否为解调参考信号；所述预训练的深度神经网络模型为获取训练样本，基于解调参考信号样本和噪声信号样本对待训练的深度神经网络模型进行训练，当训练后的深度神经网络模型满足预设的训练条件时，得到的预训练的深度神经网络模型；所述训练样本包括所述解调参考信号样本和所述噪声信号样本；
计算模块，用于若是，则计算所述上行信号的信噪比；
第二检测模块，用于若所述信噪比超过预设的信噪比阈值，判定接收到所述PUCCH信号，若所述信噪比未超过所述信噪比阈值，判定未接收到所述PUCCH信号。
10.一种通信设备，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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
CN202011639334.5A 2020-12-31 2020-12-31 Pucch信号检测方法、装置、通信设备和存储介质 Active CN112865891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011639334.5A CN112865891B (zh) 2020-12-31 2020-12-31 Pucch信号检测方法、装置、通信设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011639334.5A CN112865891B (zh) 2020-12-31 2020-12-31 Pucch信号检测方法、装置、通信设备和存储介质

Publications (2)

Publication Number Publication Date
CN112865891A CN112865891A (zh) 2021-05-28
CN112865891B true CN112865891B (zh) 2022-08-19

Family

ID=76000576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011639334.5A Active CN112865891B (zh) 2020-12-31 2020-12-31 Pucch信号检测方法、装置、通信设备和存储介质

Country Status (1)

Country Link
CN (1) CN112865891B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11924666B2 (en) * 2021-01-13 2024-03-05 Qualcomm Incorporated Techniques for demodulation reference signal based signal-to-noise ratio for demodulation processing
CN113411177B (zh) * 2021-08-10 2021-11-16 广州慧睿思通科技股份有限公司 信号类型的检测方法、装置、设备及存储介质
CN118317354B (zh) * 2024-05-29 2024-08-27 北京万盛华通科技有限公司 一种5gnr终端信号检测方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111512571A (zh) * 2017-12-28 2020-08-07 上海诺基亚贝尔股份有限公司 用于mimo通信系统中的信号检测的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3566376B1 (en) * 2017-01-09 2020-10-21 Motorola Mobility LLC Method and apparatus for a physical uplink control channel in resource blocks
CN115118408A (zh) * 2017-03-24 2022-09-27 苹果公司 新无线电（nr）短持续时间和长持续时间物理上行链路控制信道（pucch）设计
CN109525999B (zh) * 2017-09-18 2021-09-24 维沃移动通信有限公司 Dmrs确定方法、配置方法、终端和基站
CN109995464B (zh) * 2017-12-29 2021-10-26 普天信息技术有限公司 检测处理的方法、装置、电子设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111512571A (zh) * 2017-12-28 2020-08-07 上海诺基亚贝尔股份有限公司 用于mimo通信系统中的信号检测的方法和装置

Also Published As

Publication number Publication date
CN112865891A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112865891B (zh) Pucch信号检测方法、装置、通信设备和存储介质
TWI618435B (zh) Uplink detection method and device in non-orthogonal multiple access system
CN107276646B (zh) 大规模mimo-ofdm上行链路迭代检测方法
CN104125190A (zh) 适于低信噪比信道环境的ofdm系统符号定时同步实现方法
KR102209630B1 (ko) 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체
TWI736753B (zh) 一種估計定時位置的方法及裝置
CN111865843A (zh) 大规模mimo-ofdm系统混合消息传递信道估计方法
CN111031611A (zh) 一种基于非授权的导频随机接入方法
CN108566227B (zh) 一种多用户检测方法
Hassan et al. Effective deep learning-based channel state estimation and signal detection for OFDM wireless systems
US10404318B2 (en) Method for recovering original signal in reduced complexity DS-CDMA system
CN116032317B (zh) 一种免授权的联合活跃用户与数据检测方法
Najjar Pilot allocation by genetic algorithms for sparse channel estimation in OFDM systems
Sun et al. Joint user identification and channel estimation in massive connectivity with transmission control
CN112995072B (zh) 信道估计方法、装置、计算机设备和存储介质
CN113472703B (zh) 一种ofdm信道估计方法
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
US9294327B2 (en) Method for identifying OFDM communication signal using OFDM symbol estimation
Chakraborty et al. Domain knowledge aided neural network for wireless channel estimation
Zou et al. Joint user activity and data detection in grant-free NOMA using generative neural networks
Panda et al. Signal detection in NOMA systems using DNN with bidirectional LSTM
CN103905350B (zh) 一种ofdm系统中基于s‑ifft的信道估计方法
CN111181885B (zh) 超高速移动宽带通信中前导信号的发送方法与接收方法
Wang et al. Variational bayesian inference based channel estimation for OTFS system with LSM prior
Hassan et al. An efficient and reliable OFDM channel state estimator using deep learning convolutional neural networks

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