CN113762529B - 基于统计先验的机器学习定时同步方法 - Google Patents

Abstract

本发明公开了一种基于统计先验的机器学习定时同步方法。所述方法包括：根据最大多径时延统计参数集，生成多径时延辅助数据标记集和接收数据集，再通过接收数据集和多径时延辅助数据标记集去完成定时同步网络的训练，最后通过已训练的定时同步网络与在线接收的接收信号完成定时偏移值的估计。本发明可提高通信环境固定和/或快速变化的场景下的定时同步性能，与现有基于迁移学习的定时同步方法相比，其具有更简单的网络架构，更好的泛化性能以及更低的计算复杂度。

Description

基于统计先验的机器学习定时同步方法

技术领域

本发明涉及机器学习定时同步的技术领域，特别涉及一种基于统计先验的机器学习定时同步方法。

背景技术

机器学习定时同步方法作为未来无线网络和移动通信技术的关键技术和研究热点，其同步性能的优劣，直接对后续信号处理的决策产生极大的影响。在通信系统中，统计和信息理论支持的传统信号处理方法基本上依赖于精确和易处理的数学模型。然而，不幸的是，实际的通信系统可能有一系列的不完善和非线性因素，这些因素很难用数学建模，如真实信道与人为建模的信道模型之间存在着很大差异。此外，对于URLLC(ultra reliablelow Latency communication)类服务对信道参数快速变化的无线通信场景下的定时同步，提出了更加严格的要求。基于迁移学习的定时同步方法可以通过迁移学习获得优异的泛化性能，进而提高系统的定时同步性能，然迁移学习需要庞大的参数集、更为复杂网络架构以及漫长的训练时间等一系列问题，亟待改善。

发明内容

本发明的目的旨在提供一种基于统计先验的机器学习定时同步方法，该方法与现有的基于迁移学习的定时同步方法相比，利用了最大多径时延的统计信息，提高了标签的泛化能力，并且通过结合同步器及ELM网络构成定时同步网络，降低了计算复杂度，既有效地提高机器学习定时同步的同步性能，也提高了实际在线中的定时同步网络关于定时同步的泛化能力。

一种基于统计先验的机器学习定时同步方法，其包括：

S1获得样本信道的最大多径时延统计参数集，根据所述最大多径时延统计参数集，生成其多径时延辅助数据标记集和接收数据集；

S2以所述多径时延辅助数据标记集和接收信号数据集训练定时同步网络，

获得其训练后的网络参数；

S3基于训练后的网络参数，将在线接收到接收信号输入所述定时同步网络中，获得其定时偏移估计值；

其中，所述辅助数据是指通过所述最大多径时延统计参数集和定时偏移值推导得到的用于优化网络泛化性及构造标签的数据；

所述定时同步网络的组成包括：同步器和极限学习机。

根据本发明的一些优选实施方式，步骤S1中，所述最大多径时延统计参数集的获得包括：

获得N_t组由信道系数及其对应的多径时延扩展，及定时偏移值组成的样本信道参数集，如下：

其中，

表示第i组的第p个信道系数，/>

表示第i组的第p个多径时延扩展，由工程经验设置和/或现场测试得到，P表示可分辨传播路径数，根据实际接收机性能设置，τ⁽ⁱ⁾,i＝1,2,…,N_t表示第i组的定时偏移值；

根据所述样本信道参数集，通过以下模型获得所述最大多径时延统计参数集：

满足0≤τ₁＜τ₂＜…＜τ_P＜L_c；

其中，τ_m表示最大多径时延统计参数集，

表示第i组最大多径时延统计参数，

表示第i组的根均方时延扩展参数，L_c表示循环前缀长度，可由工程经验设置，||表示求模；τ_p表示第p个传播路径上的多径时延参数。

根据本发明的一些优选实施方式，所述样本信道参数集中，每组多径时延扩展

满足参数条件0≤τ₁＜τ₂＜…＜τ_P。

根据本发明的一些优选实施方式，所述样本信道参数集中，每组的定时偏移值τ⁽ⁱ⁾满足均匀分布U(0,τ_max)，并在0到最大定时偏移值τ_max之间按概率1/τ_max随机生成，其中，τ_max由工程经验设置。

根据本发明的一些优选实施方式，步骤S1中，所述多径时延辅助数据标记集通过以下模型生成：

其中，

表示多径时延辅助数据标记集，/>

表示第i个多径时延辅助数据标记向量，/>

表示第i个多径时延辅助数据标记向量中的第n个多径时延辅助数据标记值，τ⁽ⁱ⁾表示第i组定时偏移值，/>

既定的第i组最大多径时延，N_w示接收数据和/或发射数据长度、由工程经验设置。

根据本发明的一些优选实施方式，步骤S1中，所述接收数据集的生成包括：

通过以下模型获得接收数据：

其中，

表示第i组的第n个接收数据，/>

表示第i组的第

个发射数据，mod表示求余运算；

根据所述N_t组信道参数集

生成N_t组长度为N_w的接收数据，由其组成接收数据集，如下：

根据本发明的一些优选实施方式，所述定时同步网络中，所述极限学习机包括：一个输入层、一个隐藏层以及一个输出层，其中，所述输入层的输出通道数为N_w，所述隐藏层的输出通道数为N_h，所述输出层的输出通道数为N_w。

根据本发明的一些优选实施方式，所述定时同步网络的训练包括：

通过均值为0、方差为

的复数高斯正态分布/>

随机产生所述隐藏层的输入权值矩阵/>

和对应的偏置向量/>

并扩展b为偏置矩阵/>

其中，/>

表示N_w×N_h维复数集，/>

表示N_h×1维复数集；

根据以下网络模型获得所述输出层的输出权值矩阵

其中，

表示维度为N_w×N_t的所述数据标记集，y表示维度为N_w×N_t的所述接收数据集，f₁()表示Tanh激活函数，f₀()表示由所述同步器执行的线性特征提取过程，/>

表示Moore-Penrose伪逆运算。

根据本发明的一些优选实施方式，步骤S3包括：

在线接收长度为N_w的接收信号

将所述接收信号输入已训练完成的所述定时同步网络中，得到网络输出层的输出数据

如下：

其中，

表示第n个网络输出通道的输出数据；

根据所述输出数据

通过线性分类器arg max||寻找其最大值对应位置索引，得到定时偏移估计值/>

如下：

基于上述方法，本发明可进一步得到如下的一些定时同步装置：

包括一种特定存储介质的定时同步装置，该特定存储介质含有实现上述定时同步方法和/或其任一优选实施方式的程序和/或模型。

包括所述特定存储介质及以下设备中的一种或多种的定时同步装置：

对所述程序和/或模型进行数据处理的计算设备；输入所述程序和/或模型所需参数的输入设备；输出所述程序和/或模型结果的输出设备。

本发明具备以下有益效果：

本发明根据最大多经时延的统计先验信息构造多径时延辅助数据标记集，形成提高机器学习泛化能力的定时同步方法，进而获得较少的定时同步错误次数，其具体包括首先收集最大多径时延统计参数集，构造提高机器学习泛化性能的多径时延辅助数据标记集，并生成用于机器学习训练的接收数据集；然后构建由经典同步器和ELM(extremelearning machine)网络组合而成的定时同步网络，对定时同步网络进行训练，得到网络参数；最后，利用已训练的定时同步网络模型，输入在线截获的接收信号并估计得到定时偏移值的过程。

针对存在信道参数变化快速和/或变化缓慢的无线网络和移动通信场景，本发明可在现场收集的通信环境中，统计得到最大多径时延统计参数集，并根据得到的最大多径时延统计参数集，在实验室生成数据标记集，以及完成定时同步网络的训练，使得定时同步网络对实际场景具有良好的泛化性能，进而提升实际场景中的同步性能，为实际场景中数据集捕获困难和实验室产生的数据标记不适用于实际通信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为本发明的多径时延辅助数据标记集的生成过程图；

图3为本发明的定时同步网络离线训练过程图；

图4为本发明的定时同步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1所示，包括以下步骤：

S1根据最大多径时延统计参数集

生成多径时延辅助数据标记集τ_m和接收数据集y；

S2根据接收数据集y和多径时延辅助数据标记集τ_m，构造并训练定时同步网络，获得其权重、偏置及权值矩阵W、b以及β；

S3通过接收到的接收信号y^online，在线执行已训练的定时同步网络并得到定时偏移估计值

步骤S1所述的最大多径时延统计参数集τ_m可进一步按如下方式生成：

S11收集N_t组信道系数集和多径时延扩展集：

其中，每个信道系数集由一组信道系数h_p组成，其上标表示为组序，信道系数可根据现场测试得到，和/或根据工程经验设置，如h_p的值满足均值为0、方差为

的复高斯分布

对应的，每个多径时延扩展集由一组多径时延扩展τ_p组成，其上标表示组的序数，多径时延扩展的具体大小可由接收机性能确定；

S12根据信道系数集和多径时延扩展集，计算生成最大多径时延统计参数集τ_m，如下：

其中，最大多径时延统计参数集τ_m由每组最大多径时延统计参数

组成，其上标i＝i～N_t表示组序数，/>

表示第i组第p个定时偏移值，且对任意/>

其满足0≤τ₁＜τ₂＜…＜τ_P＜L_c，L_c为循环前缀长度，可由工程经验设置，/>

表示第i组第p个信道系数；

步骤S1所述的多径时延辅助数据标记集

可进一步如附图2所示，具体包括：

获得第i组信道的定时偏移值τ⁽ⁱ⁾,i＝1,2,…,N_t，及其对应的最大多径时延统计参数

通过以下模型构造多径时延辅助数据标记向量

及由其组成的多径时延辅助数据标记集/>

其中，

表示多径时延辅助数据标记集，/>

表示为第i组的多径时延辅助数据标记向量，/>

表示为第i组的多径时延辅助数据标记向量中的第n个多径时延辅助数据标记值，表示为第i组最大多径时延统计参数，N_w表示接收信号和/或发射信号长度；/>

表示为既定的第i组最大多径时延，/>

表示“任意”符号。

步骤S1所述的接收数据集合y可进一步地按如下模型生成：

其中，

表示第i组的第n个接收数据，

表示第i组的第/>

个发射数据，mod表示求余运算；

所述发射数据可为BPSK调制信号、QPSK调制信号或m-QAM调制信号等，根据工程经验和/或实际需要设置。

步骤S3所述的定时同步网络可进一步由包括经典同步器及ELM网络的定时同步网络模型构成，其中ELM网络可进一步包括：一个输出通道数为N_w的网络输入层、一个输出通道数为N_h的网络隐藏层和一个输出通道数为N_w的网络输出层。

其中，经典同步器可根据工程经验在现有技术中进行灵活选择。

上述定时同步网络的训练过程可进一步如附图3所示，具体包括：

S21构造满足上述要求的所述定时同步网络；

S22通过均值为0、方差为

的高斯正态分布/>

随机产生N_w×N_h维复数形成的定时同步网络中的隐藏层的输入权值矩阵/>

和对应的N_h×1维偏置向量/>

并将该偏置向量b扩展为N_h×N_w维偏置矩阵/>

S23根据前述接收数据集和数据标记集，对定时同步网络进行训练，得到网络输出层的输出权值矩阵β，如下：

其中，

表示前述数据标记集；f₁()表示Tanh激活函数；f₀()表示经典同步器处理过程；W、B表示前述隐藏层输入权值矩阵及偏置矩阵，y表示前述接收数据集合，/>

表示Moore-Penrose伪逆运算。

步骤S3所述的在线运行可进一步如附图4所示，包括：

S31在线接收长度为N_w的接收信号序列

S32将接收信号序列y^online输入已训练完成的所述定时同步网络中，得到其对应的网络输出层的输出数据

如下：

其中，

表示为网络输出层对应的第n个输出层输出通道的输出数据，β表示前述定时同步网络输出层的输出权值矩阵，f₁()表示Tanh激活函数；f₀()表示为经典同步器处理过程；W、B表示前述隐藏层输入权值矩阵及偏置矩阵；

S33根据所述输出数据

根据线性分类器arg max||寻找最大值对应位置索引，得到定时偏移估计值/>

如下：

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，设置最大定时偏移值τ_max为63，根据0到63之间的均匀分布U(0,63)，随机产生定时偏移值，其中，定时偏移值均以1/64的概率随机产生。

根据所述最大多径时延统计参数集，构造信道模型的一般表达：

该参数集中，若存在正整数k使得

则k表示为可分辨的信道条数，即用于本发明中计算最大多径时延统计参数的信道系数个数。

其中，η表示信道衰落系数，根据实际场景结合现有方法和/或设备统计得到，10log₁₀()表示为底数10的对数函数，exp()表示为底数为自然常数e≈2.718281828459045的指数函数，h_p的值满足均值为0、方差为

的复高斯分布/>

τ_p表示为可测的多径时延扩展。

根据上述信道模型，则最大多径时延统计参数τ_m可由以下公式得出：

在步骤S1中，根据最大多径时延参数集τ_m构造多径时延辅助数据标记集，以参数L_c＝16，

N_w＝320以及N_t＝10⁵为例，多径时延辅助数据标记值为：

其中，多径辅助数据标记向量表示为：

则，多径时延辅助数据标记集可表示为：

根据该发射数据，上述信道参数以及定时偏移值，对应得到如下N_t＝10⁵组接收信号：

其中，N_w代表发射数据长度，N_w＝320，P表示可分辨路径，P＝3，则上式子的一种具体表达式为：

其中mod表示取余函数，如

160mod320＝160，则发射数据/>

向后移位160个样本，实现数据传输过程中定时偏移值的模拟。

在步骤S2中，选择定时同步网络的具体结构为自相关同步器结合隐藏层输出通道数是输入层输出通道数的10倍的ELM网络，其中输入层和输出层的输出通道数相等。

其离线训练过程如具体实施方式所述，训练参数为一个N_w×N_h的输出权值矩阵，并在训练后保存该网络的参数W、b以及β。

在步骤S3中，将接收信号输入到训练后的定时同步网络中，按具体实施方式所述的过程得到定时偏移估计值

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 (6)

1.一种基于统计先验的机器学习定时同步方法，其特征在于：包括：

S1获得样本信道的最大多径时延统计参数集，根据所述最大多径时延统计参数集，生成其多径时延辅助数据标记集和接收数据集；

S2以所述多径时延辅助数据标记集和接收信号数据集训练定时同步网络，获得其训练后的网络参数；

S3基于训练后的网络参数，将在线接收的接收信号输入所述定时同步网络中，获得其定时偏移估计值；

其中，所述辅助数据是指通过所述最大多径时延统计参数集和定时偏移值推导得到的用于优化网络泛化性及构造标记数据的参数集；

所述定时同步网络的组成包括：同步器和极限学习机；

其中，步骤S1中，所述最大多径时延统计参数集的获得包括：

获得N_t组由信道系数及其对应的多径时延扩展，及定时偏移值组成的样本信道参数集，如下：

其中，

表示第i组的第p个信道系数，/>

表示第i组的第p个多径时延扩展，由工程经验设置和/或现场测试得到，P表示可分辨传播路径数，根据实际接收机性能设置，τ⁽ⁱ⁾,i＝1,2,…,N_t表示第i组的定时偏移值；

根据所述样本信道参数集，通过以下模型获得所述最大多径时延统计参数集：

满足0≤τ₁＜τ₂＜…＜τ_P＜L_c；

其中，τ_m表示最大多径时延统计参数集，

表示第i组最大多径时延统计参数，/>

表示第i组的根均方时延扩展参数，L_c表示循环前缀长度，可由工程经验设置，| |表示求模；τ_p表示第p个传播路径上的多径时延参数；

所述多径时延辅助数据标记集通过以下模型生成：

其中，

表示多径时延辅助数据标记集，/>

表示第i个多径时延辅助数据标记向量，

表示第i个多径时延辅助数据标记向量中的第n个多径时延辅助数据标记值，τ⁽ⁱ⁾表示第i组定时偏移值，/>

既定的第i组最大多径时延，N_w表示接收数据和/或发射数据长度、由工程经验设置；

所述接收数据集的生成包括：

通过以下模型获得接收数据：

其中，

表示第i组的第n个接收数据，/>

表示第i组的第

个发射数据，mod表示求余运算；

根据所述N_t组信道参数集

生成N_t组长度为N_w的接收数据，由其组成接收数据集，如下：

2.根据权利要求1所述的定时同步方法，其特征在于：其中，每组多径时延扩展

满足参数条件0≤τ₁＜τ₂＜…＜τ_P；和/或，每组的定时偏移值τ⁽ⁱ⁾满足均匀分布U(0,τ_max)，并在0到最大定时偏移值τ_max之间按概率1/τ_max随机生成，其中，τ_max由工程经验设置。

3.根据权利要求1所述的定时同步方法，其特征在于：所述定时同步网络中，所述极限学习机包括：一个输入层、一个隐藏层以及一个输出层，其中，所述输入层的输出通道数为N_w，所述隐藏层的输出通道数为N_h，所述输出层的输出通道数为N_w。

4.根据权利要求3所述的定时同步方法，其特征在于：所述定时同步网络的训练包括：

通过均值为0、方差为

的复数高斯正态分布/>

随机产生所述隐藏层的输入权值矩阵/>

和对应的偏置向量/>

并扩展b为偏置矩阵/>

其中，

表示N_w×N_h维复数集，/>

表示N_h×1维复数集；

根据以下网络模型获得所述输出层的输出权值矩阵

其中，

表示维度为N_w×N_t的所述数据标记集，y表示维度为N_w×N_t的所述接收数据集，f₁()表示Tanh激活函数，f₀()表示由所述同步器执行的线性特征提取过程，/>

表示Moore-Penrose伪逆运算。

5.根据权利要求4所述的定时同步方法，其特征在于：步骤S3包括：

在线接收长度为N_w的接收信号

将所述接收信号输入已训练完成的所述定时同步网络中，得到网络输出层的输出数据

如下：

其中，

表示第n个网络输出通道的输出数据；

根据所述输出数据

通过线性分类器arg max| |寻找其最大值对应位置索引，得到定时偏移估计值/>

如下：

6.一种定时同步装置，其包括存储有实现权利要求1-5中任一项所述的方法的程序和/或模型的存储介质，还包括以下设备：对所述程序和/或模型进行数据处理的计算设备，输入所述程序和/或模型所需参数的输入设备和输出所述程序和/或模型结果的输出设备。

Images