CN113112028B - 一种基于标签设计的机器学习时间同步方法 - Google Patents

Abstract

本发明公开了一种基于标签设计的机器学习时间同步方法。所述方法包括：根据时间同步偏移值的集合和统计信道模型生成信道冲激响应长度的集合和接收信号的集合，构造得到标签数据集合，并通过标签数据集合和接收信号集合构成的训练数据集去训练ELM网络，最后通过训练完成后的ELM网络获得与接收信号对应的时间同步偏移估计值。本发明可提高通信环境快速变化的场景下的时间同步性能，与现有基于迁移学习的机器学习时间同步方法相比，其具有更好的泛化性能和更低的计算复杂度。

Description

一种基于标签设计的机器学习时间同步方法

技术领域

本发明涉及机器学习时间同步的技术领域，特别涉及一种基于标签设计的机器学习时间同步方法。

背景技术

在过去的数十年间，涌现了许多经典时间同步方法，时间同步作为整个无线通信系统的关键技术，其同步方法的优劣直接决定了通信质量的好坏。近年来，机器学习时间同步方法作为未来无线通信技术的研究热点，由于其超高的同步性能而得到广泛的关注和研究，也涌现了许多提高同步性能的机器学习算法，如时间同步概率。如面对新一代5G(thefifth generation wireless communication)通信系统的三大通信应用场景，即eMBB(enhanced mobile broadband，增强移动宽带)、uRLLC(ultra reliable low latencycommunication，超可靠且超低的时延业务)和MTC(Massive Machine TypeCommunication，海量物联网通信)，使得无线通信要求更快的速度，更低的功耗和更强的稳定性，而另一方面，信号在传播过程中可能遭受各种不可确定的因素的影响，从而造成通信质量不可避免地下降，使得更高、更可靠无线通信的要求受到限制。同时，无线通信系统中存在大量低成本、低分辨率的非线性器件或模块，如，如大功率放大器(HPA,High-PowerAmplifier)、数模转换器(DAC,Digital-to-Analog Converter)等，使得通信系统遭受波动剧烈的非线性失真影响。因此，泛化性能的不足将导致机器学习时间同步方法在实际应用中受到限制，通常，机器学习时间同步方法可以通过迁移学习提升泛化性能，进而改善系统的时间同步性能，然迁移学习需要庞大的参数集和漫长的训练时间等一系列问题，亟待改善。

发明内容

本发明的目的在于提供一种基于标签设计的机器学习的时间同步方法，与现有的基于迁移学习的机器学习时间同步方法相比，其通过标签设计和ELM网络的联合，降低了计算复杂度，有效地提高了机器学习时间同步的泛化性能，进而提高了实际在线中的系统时间同步性能。

本发明的技术方案如下：

一种基于标签设计的机器学习的时间同步方法，其包括：

S1根据时间同步偏移值集合和统计信道模型，生成信道冲激响应长度集合和接收信号集合；

S2根据所述信道冲激响应长度集合，构造标注数据集合；

S3根据所述时间同步偏移值集合和所述标注数据集合，形成标签数据集合；

S4根据所述标签数据集合及所述接收信号集合，训练时间同步网络，获得网络参数；

S5将完成训练后的所述时间同步网络进行在线运行，通过输入的接收信号得到对应的时间同步偏移估计值；

其中，所述时间同步网络为ELM网络。

上述方案中，所述时间同步偏移值是指信号传播过程中的时间延迟，所述ELM网络是指机器学习类属下的极限学习机(extreme learning machine)。

根据本发明的一些优选实施方式，步骤S1中，所述信道冲击响应长度集合通过以下过程生成：

S11根据在0到最大时间同步偏移值之间的均匀分布随机生成多个时间同步偏移值样本；

S12根据统计信道模型，生成与所述时间同步偏移值样本的数量相等的多个信道冲激响应长度，并由其组成所述信道冲击响应长度集合。

根据本发明的一些优选实施方式，步骤S1中，所述接收信号集合通过以下过程生成：

S13根据发射信号，所述时间同步偏移值样本及所述统计信道模型，通过信号传输模型获得与时间同步偏移值数量相等的多个接收信号，并由其组成所述接收信号集合。

根据本发明的一些优选实施方式，所述统计信道模型选自Rayleigh衰落信道模型，Nakagami衰落信道模型或Rice衰落信道模型；和/或所述发射信号为BPSK调制信号、QPSK调制信号或m-QAM调制信号。

根据本发明的一些优选实施方式，所述信号传输模型如下：

y_i＝f(θ_i,L_i,x)；

其中，y_i表示所述接收信号，θ_i表示根据0到最大时间同步偏移值θ_max之间的均匀分布U(0,θ_max)随机生成的N_t个时间同步偏移值

中的第i个训练样本，L_i表示根据统计信道模型生成的N_t个信道冲激响应长度

中的第i个响应长度，x表示所述发射信号，f(·)表示卷积函数。

根据本发明的一些优选实施方式，所述步骤S2中，所述标注数据集合通过以下模型获得：

其中，D表示所述标注数据集合、D_i表示其中第i个标注数据，L_i表示所述信道冲激响应长度、max{L_i}表示其组成的信道冲激响应长度集合L中的最大值，K表示所述标注数据集合的长度其中，a和b分别表示放缩因子和平移截距，exp(·)表示基底为自然常数的指数函数，n表示下标索引。

根据本发明的一些优选实施方式，所述步骤S3中，所述标签数据集合通过以下模型获得：

其中，T_i表示所述标签数据集合T中的第i个标签数据，M表示最大可能的时间同步偏移值的搜索范围。

根据本发明的一些优选实施方式，所述步骤S4包括：

S41构造包括一个输入层、一个隐藏层及一个输出层的ELM网络，作为所述时间同步网络，其中，所述时间同步网络的输入层的神经元个数为N，所述隐藏层的神经元个数为

所述输出层的神经元个数为M；

S42通过均值为0、方差为1的复数高斯正态分布

随机生成所述时间同步网络中隐藏层的输入权值矩阵

和其偏倚向量

并对偏倚向量b进行扩展，得到偏倚矩阵

其中，

表示

维复数集合；N表示前所述收信号的长度；

表示隐藏层节点数；

S43通过以下模型得到所述时间同步网络输出层的输出权值矩阵β：

其中，σ(·)表示tanh激活函数，

表示Moore-Penrose伪逆运算。

根据本发明的一些优选实施方式，所述步骤S5包括：

S51在线接收长度为N的接收信号

S52将所述接收信号y_online输入到已训练好的所述时间同步网络模型中，得到输出向量O＝[O₁，O₂，…，O_n，…，O_M]^T，如下：

O＝β·σ(W·y_online+b)，

其中，O_n表示网络输出层的第n个神经元节点的输出；

S53根据所述输出向量O，通过寻找其平方最大的位置索引，根据以下模型得到时间同步偏移估计值

本发明具备以下有益效果：

本发明根据统计信道模型构造机器学习标签，形成提高机器学习泛化性能的时间同步方法，进而获得较好的时间同步错误概率性能，其具体包括首先利用统计信道模型收集数据集合，构造提高机器学习泛化性能的标签；然后构建ELM(extreme learningmachine，极限学习机)时间同步网络，对时间同步偏移值进行训练，得到网络参数；最后，结合学习到的网络参数，在线运行得到时间同步估计偏移值的过程。

针对存在波动剧烈的非线性失真影响和信道参数变化快速的无线移动通信场景，本发明可在实验室完成对标签的设计和ELM网络的训练，使得ELM网络具有良好的泛化性能，进而在实际场景中得到较好的同步性能，为实际场景中训练标签数据集合难以获得的问题带来了诸多实施方案，具有重大意义。

附图说明

图1为本发明的流程示意图；

图2为本发明的一种标签数据构造过程图；

图3为本发明的一种ELM网络离线训练过程图；

图4为本发明的一种ELM网络在线运行过程图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

根据本发明的技术方案，一种具体实施方式，如图l所示，包括以下步骤：

Sl根据时间同步偏移值的集合θ和统计信道模型，生成信道冲激响应长度集合L和接收信号集合y；

S2根据信道冲激响应长度集合L，构造标注数据集合D；

S3根据时间同步偏移值集合θ和标注数据集合D，形成标签数据集合T；

S4根据接收信号集合y与标签数据集合T组成的训练集{y，T}，训练ELM时间同步网络，获得其网络参数；

S5将训练好的ELM时间同步网络进行在线运行，通过其输入的接收信号得到对应的时间同步偏移估计值

其中，步骤S1所述的信道冲激响应长度集合L可进一步按如下方式生成：

S11根据在0到最大时间同步偏移值θ_max之间的均匀分布U(0，θ_max)，随机生成N_t个时间同步偏移值样本

其中，θ_max、N_t可根据工程经验设置，θ_i以

的概率随机产生，满足0≤θ_i≤θ_max，i＝1，2，…，N_t，

均为非负整数。

S12根据统计信道模型，生成N_t个信道冲激响应长度

并由其形成信道冲击响应长度集合

其中，统计信道模型可根据实际场景测量得到，采用已有的Rayleigh衰落信道模型，Nakagami衰落信道模型和Rice衰落信道模型等统计模型，

均为正整数。

步骤S1所述的接收信号集合y可进一步地按如下方式生成：

S13根据已知发射信号x，利用时间同步偏移值θ_i和统计信道模型，得到N_t组长度为N的接收信号y_i，i＝1，2，…，N_t，并由其组成接收信号集合y，即：

y_i＝f(θ_i，L_i，x)，

其中，发射信号x优选为调制信号，如BPSK调制信号、QPSK调制信号或m-QAM调制信号等调制信号，可通过实验室结合现有方法生成；长度N可根据工程经验设定；f(θ_i，L_i，x)表示信号传播过程，包括根据时间同步偏移值θ_i和统计信道模型使信号发生的时间同步偏移和叠加干扰。

步骤S2所述的标注数据集合D可进一步按如下方式生成：

基于所得信道冲激响应长度L_i，根据以下模型构造长度为K的标注数据

i＝1，2，…，N_t，n＝1，2，…，K，K≥max{L_i}+1，其中：

其中，a和b分别表示放缩因子和平移截距，可根据工程经验设定；exp(·)表示基底为自然常数的指数函数；长度K可根据工程经验确定；max{L_i}表示为信道冲激响应长度集合L中的最大值；n表示下标索引，即标注数据中的第n个元素变量。

由标注数据

形成集合元素为N_t个的标注数据集合D：

步骤S3所述的标签集合T可进一步如附图2所示的过程生成，具体包括：

基于时间同步偏移值θ_i和标注数据D_i，根据以下模型生成标签数据T_i，i＝1，2，…，N_t：

其中M表示最大可能的时间同步偏移值的搜索范围，满足M≥θ_max+K，可由工程经验确定；

将标签数据

形成集合元素N_t个的标签数据集合T：

步骤S4所述的ELM时间同步网络可进一步选择由一个神经元个数为N的网络输入层，一个神经元个数为

的网络隐藏层和一个神经元个数为M的网络输出层组成的ELM网络，其训练过程可进一步如附图3所示的过程进行，具体包括：

S41构造满足上述要求的ELM网络作为所述时间同步网络；

S42通过均值为0、方差为l的复数高斯正态分布

随机生成ELM时间同步网络中隐藏层的输入权值矩阵

和其偏倚向量

并对b进行扩展，得到偏倚矩阵

其中，

表示

维复数集合；N表示前述接收信号长度；

表示隐藏层节点数，其可根据工程经验设定；扩展方式可如将

的向量b进行重复，形成矩阵

S43根据前述训练集，对ELM时间同步网络进行训练，得到网络输出层的输出权值矩阵β，如下：

其中，T表示前述标签数据集合；σ(·)表示tanh激活函数；W、B表示前述隐藏层输入权值矩阵及偏倚矩阵，y表示前述接收信号集合，

表示Moore-Penrose伪逆运算。

步骤S5所述的在线运行可进一步如附图4所示的过程进行，具体包括：

S51在线接收长度为N的接收信号

S52将接收信号y_online输入到已训练好的ELM时间同步网络中，得到网络输出向量O＝[O₁，O₂，...O_n，...O_M]，如下：

O＝β·σ(W·y_online+b)，

其中，O_n表示网络输出层的第n个神经元节点的输出，β表示前述ELM时间同步网络输出层的输出权值矩阵，σ(·)表示前述tanh激活函数；W、b表示前述隐藏层输入权值矩阵及偏倚向量；

S53根据网络输出向量O，通过寻找其平方最大的位置索引，根据以下模型得到时间同步偏移估计值

在上述具体实施方式下，本发明进一步提供了如下的一些实施例：

实施例1

在步骤S1中，设置最大时间偏移值θ_max＝127，根据0到127之间的均匀分布U(0，127)，随机获得时间偏移值样本，其中每个样本均以

的概率随机产生。

所述统计信道模型选用指数衰减信道模型，其功率延迟分布满足：

该信道模型中，当存在正整数l，使得

则该l表示为可分辨最大信道冲激响应长度，即获得本发明的信道冲激响应长度L_i＝l。

其中，υ表示平均到达率，根据实际场景结合现有方法或设备测量得到，log₁₀(·)表示为底数10的对数函数，exp(·)表示为底数为自然常数的指数函数。

根据该指数衰减信道模型，有：

其中，

表示多普勒偏移。

在本实施例中，根据该模型，可具体获得如下的信道冲击响应长度集合：

选择发射信号如由16QAM调制的如下的时域中信号：

x＝[x₀，x₁，…，x_N-1]^T，

根据该信号集、上述指数衰减信道模型及所得信道冲击响应长度，对应得到的如下的接收信号：

y_i＝conv(conv(h_i，x)，δ(θ_i))；

其中，conv(·)表示为卷积函数，δ(·)表示冲激响应函数，其中，conv函数表征的是：如conv(f，g)表示为向量f与向量g进行翻转和滑动平移后的重叠部分相乘后的求和结果。所述的δ(·)函数表征的是：如δ(5)则表示的在位置索引(-∞，+∞)内只有位置索引5所在的位置索引处存在一个能量为1的冲击峰值，其余位置索引上的值为0。

在步骤S2中，根据所得信道冲激响应长度集L_i构造标注数据集，以其中参数为：K＝16，L_i＝8，a＝1，b＝0为例，标注数据为：

在步骤S3中，根据前述训练样本及所得标注数据集生成标签数据集，以其中参数M＝128，θ_i＝64，K＝16为例，标签数据为：

在步骤S4中，所用ELM时间同步网络的具体结构选择隐藏层节点数是输入层的8倍，输入层和输出层的节点数相等。

其离线训练过程如具体实施方式所述，训练参数为一个

的系数矩阵，得到该网络的参数W，b和β，完成训练。

在步骤S5中，将接收信号输入到训练后的ELM时间同步网络中，按具体实施方式所述的过程得到时间同步偏移估计值

以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，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的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于标签设计的机器学习时间同步方法，其特征在于：包括：

S1根据时间同步偏移值集合和统计信道模型，生成信道冲激响应长度集合和接收信号集合；

S2根据所述信道冲激响应长度集合，构造标注数据集合；

S3根据所述时间同步偏移值集合和所述标注数据集合，形成标签数据集合；

S4根据所述标签数据集合及所述接收信号集合，训练时间同步网络，获得网络参数；

S5将完成训练后的所述时间同步网络进行在线运行，通过输入的接收信号得到对应的时间同步偏移估计值；

其中，所述时间同步网络为ELM网络；

且，步骤S1中，所述信道冲激响应长度集合通过以下过程生成：

S11根据在0到最大时间同步偏移值之间的均匀分布随机生成多个时间同步偏移值样本；

S12根据统计信道模型，生成与所述时间同步偏移值样本的数量相等的多个信道冲激响应长度，并由其组成所述信道冲激响应长度集合；

所述接收信号集合通过以下过程生成：

S13根据发射信号，所述时间同步偏移值样本及所述统计信道模型，通过信号传输模型获得与训练样本数量相等的多个接收信号，并由其组成所述接收信号集合；

其中，所述信号传输模型如下：

y_i＝f(θ_i,L_i,x)；

其中，y_i表示所述接收信号，θ_i表示根据0到最大时间同步偏移值θ_max之间的均匀分布U(0,θ_max)随机生成的元素个数为N_t的时间同步偏移值集合

中的第i个时间同步偏移值，L_i表示根据统计信道模型生成的元素个数为N_t的信道冲激响应长度集合

中的第i个响应长度，x表示所述发射信号，f(·)表示卷积函数；

所述步骤S2中，所述标注数据集合通过以下模型获得：

其中，D表示所述标注数据集合、D_i表示其中第i个标注数据，L_i表示所述信道冲激响应长度、max{L_i}表示其组成的信道冲激响应长度集合L中的最大值，K表示所述标注数据集合的长度、其值根据工程经验设置，a和b分别表示放缩因子和平移截距、根据工程经验和实际需要设置，exp(·)表示基底为自然常数的指数函数，n表示下标索引；

所述步骤S3中，所述标签数据集合通过以下模型获得：

其中，T_i表示所述标签数据集合T中的第i个标签数据，M表示为最大可能的时间同步偏移值的搜索范围、其值根据工程经验设置；

所述步骤S4包括：

S41构造包括一个输入层、一个隐藏层及一个输出层的ELM网络，作为所述时间同步网络，其中，所述输入层的神经元个数为N，所述隐藏层的神经元个数为

所述输出层的神经元个数为M；

S42通过均值为0、方差为1的复数高斯正态分布

随机生成所述时间同步网络中隐藏层的输入权值矩阵

和其偏倚向量

并对偏倚向量b进行扩展，得到偏倚矩阵

其中，

表示

维复数集合；N表示所述接收信号的长度；

表示隐藏层节点数；

S43通过以下模型得到所述时间同步网络输出层的输出权值矩阵β，如下：

其中，σ(·)表示tanh激活函数，

表示Moore-Penrose伪逆运算，y表示接收信号集合。

2.根据权利要求1所述的时间同步方法，其特征在于：所述统计信道模型选自Rayleigh衰落信道模型，Nakagami衰落信道模型或Rice衰落信道模型。

3.根据权利要求1所述的时间同步方法，其特征在于：所述发射信号为BPSK调制信号、QPSK调制信号或m-QAM调制信号。

4.根据权利要求1所述的时间同步方法，其特征在于：所述步骤S5包括：

S51在线接收长度为N的接收信号

S52将所述接收信号y_online输入到已训练好的所述时间同步网络模型中，得到输出向量O＝[O₁,O₂,…,O_n,…,O_M]^T，如下：

O＝β·σ(W·y_online+b)，

其中，O_n表示网络输出层的第n个神经元节点的输出；

S53根据所述输出向量O，通过寻找其平方最大的位置索引，根据以下模型得到时间同步偏移估计值

Images