CN114096000B - 基于机器学习的联合帧同步与信道估计方法 - Google Patents

基于机器学习的联合帧同步与信道估计方法 Download PDF

Info

Publication number
CN114096000B
CN114096000B CN202111372250.4A CN202111372250A CN114096000B CN 114096000 B CN114096000 B CN 114096000B CN 202111372250 A CN202111372250 A CN 202111372250A CN 114096000 B CN114096000 B CN 114096000B
Authority
CN
China
Prior art keywords
network
coarse
estimation
frame synchronization
net
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
CN202111372250.4A
Other languages
English (en)
Other versions
CN114096000A (zh
Inventor
卿朝进
饶川贵
唐书海
杨娜
张岷涛
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202111372250.4A priority Critical patent/CN114096000B/zh
Publication of CN114096000A publication Critical patent/CN114096000A/zh
Application granted granted Critical
Publication of CN114096000B publication Critical patent/CN114096000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W56/00—Synchronisation arrangements
    • H04W56/0055—Synchronisation arrangements determining timing error of reception due to propagation delay
    • H04W56/0065—Synchronisation arrangements determining timing error of reception due to propagation delay using measurement of signal travel time
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/0016—Arrangements for synchronising receiver with transmitter correction of synchronization errors
    • H04L7/0033—Correction by delay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/0079—Receiver details
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W56/00—Synchronisation arrangements
    • H04W56/004—Synchronisation arrangements compensating for timing error of reception due to propagation delay
    • H04W56/005—Synchronisation arrangements compensating for timing error of reception due to propagation delay compensating for timing error by adjustment in the receiver
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Synchronisation In Digital Transmission Systems (AREA)

Abstract

本发明公开了基于机器学习的联合帧同步与信道估计方法。其包括：接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量
Figure DDA0003362739410000011
将归一化互相关同步度量矢量
Figure DDA0003362739410000012
输入粗帧同步子网络FSN‑Net，获得帧同步在线学习输出向量oFS和粗帧延迟估计值
Figure DDA0003362739410000013
根据粗帧延迟估计值
Figure DDA0003362739410000014
进行信道估计预处理，获得归一化信道估计度量矢量
Figure DDA0003362739410000015
将归一化信道估计度量矢量
Figure DDA0003362739410000016
输入粗信道估计子网络CEM‑Net，获得粗信道状态信息估计
Figure DDA0003362739410000017
将帧同步在线学习输出向量oFS，粗信道状态信息估计
Figure DDA0003362739410000018
输入精估计子网络REF‑Net，获得精帧延迟估计值
Figure DDA0003362739410000019
和精信道状态信息估计
Figure DDA00033627394100000110
完成联合帧同步和信道估计；所述粗帧同步子网络FSN‑Net和粗信道估计子网络CEM‑Net分别基于ELM网络模型构建，精估计子网络REF‑Net基于深度神经网络模型构建。本发明能够获得帧同步与信道估计的联合优化，提高联合帧同步和信道估计、特别是非线性失真条件下的联合帧同步和信道估计性能。

Description

基于机器学习的联合帧同步与信道估计方法
技术领域
本发明涉及无线通信系统的联合帧同步与信道估计技术领域，特别涉及一种基于机器学习(ML，machine learning)的联合帧同步与信道估计方法。
背景技术
在无线通信系统中，帧同步与信道估计对整个系统性能起着至关重要的作用。然而，大多数的研究独立考虑帧同步与信道估计，无法获得帧同步和信道估计的联合优化，影响通信系统的性能。为此，联合帧同步与信道估计的方法被相继提出。
遗憾的是，无线系统中存在大量的非线性器件和模块，如高功率放大器(HPA)，数模转换器(DAC)等；加之系统的低成本需求，移动终端的有限电池能量和计算资源，现有无线通信系统不可避免地存在较为严重的非线性失真。由于缺乏考虑非线性失真，大多数现有的联合帧同步与信道估计方法面临巨大挑战。
近年来，ML技术被证明在抑制非线性失真具有独特优势，而且它在无线通信系统的物理层展现了很好的前景。为对抗非线性失真，并利用帧同步与信道估计联合优化的好处，本发明采用ML技术对帧同步与信道估计进行联合学习，并利用网络的融合学习技术对系统进行更进一步的优化处理。本发明可极大地改善联合帧同步与信道估计的方法性能，并能适应系统中存在非线性失真的应用场景，极具推广与应用价值。
发明内容
本发明的目的在于提供一种基于机器学习的联合帧同步与信道估计方法，与独立考虑帧同步与信道估计方法相比，本发明能够获得帧同步与信道估计的联合优化；与未考虑非线性失真的联合帧同步与信道估计方法相比，本发明能够显著提高非线性失真系统下的联合帧同步与信道估计性能。
本发明的技术方案如下：
基于机器学习的联合帧同步与信道估计方法，其包括：
S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量
Figure BDA0003362739390000011
S2将归一化互相关同步度量矢量
Figure BDA0003362739390000012
输入粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量oFS和粗帧延迟估计值/>
Figure BDA0003362739390000013
S3根据粗帧延迟估计值
Figure BDA0003362739390000014
进行信道估计预处理，获得归一化信道估计度量矢量/>
Figure BDA0003362739390000015
S4将归一化信道估计度量矢量
Figure BDA0003362739390000016
输入粗信道估计子网络CEM-Net，获得粗信道状态信息估计/>
Figure BDA0003362739390000017
S5将帧同步在线学习输出向量oFS，粗信道状态信息估计
Figure BDA0003362739390000018
输入精估计子网络REF-Net，获得精帧延迟估计值/>
Figure BDA0003362739390000019
和精信道状态信息估计/>
Figure BDA00033627393900000110
完成联合帧同步和信道估计；
所述粗帧同步子网络FSN-Net和粗信道估计子网络CEM-Net分别基于ELM网络模型构建，精估计子网络REF-Net基于深度神经网络模型构建。
根据本发明的一些优选实施方式，步骤S1所述帧同步预处理包括：
S11接收机将长度为Ns的训练序列
Figure BDA0003362739390000021
补充为长度为帧长M的训练序列补充序列/>
Figure BDA0003362739390000022
如下：
Figure BDA0003362739390000023
其中，Nd表示数据序列长度，所述的Ns，M和Nd根据工程经验设置；
S12对训练序列补充序列
Figure BDA0003362739390000024
按列循环移位，按如下方式构建循环移位矩阵S，表示为：
Figure BDA0003362739390000025
S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量y的互相关度量矢量Φ，表示为：
Φ＝|Sy|；
S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量
Figure BDA0003362739390000026
表示为：
Figure BDA0003362739390000027
其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作。
根据本发明的一些优选实施方式，步骤S2所述粗帧同步子网络FSN-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为
Figure BDA0003362739390000028
其中，m的值根据工程经验设置。
根据本发明的一些优选实施方式，步骤S2所述帧同步在线学习输出向量oFS和粗帧延迟估计值
Figure BDA0003362739390000029
的获得包括：
S21收集Nt个长度为M的接受信号样本序列
Figure BDA00033627393900000210
构建样本序列集合/>
Figure BDA0003362739390000031
S22根据步骤S11至步骤S14对样本序列集合
Figure BDA0003362739390000032
中的元素进行预处理，得到归一化互相关同步度量矩阵/>
Figure BDA0003362739390000033
S23收集Nt组传播时延样本τi,i＝1,2,…,Nt，形成传播时延集合
Figure BDA0003362739390000034
其中，τi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S24根据传播时延集合
Figure BDA0003362739390000035
利用one-hot编码生成帧同步训练标签矩阵/>
Figure BDA0003362739390000036
表示为：
Figure BDA0003362739390000037
所述的传播时延样本τi,i＝1,2,…,Nt的one-hot编码方式可表示为：
Figure BDA0003362739390000038
S25根据归一化互相关同步度量矩阵
Figure BDA0003362739390000039
和帧同步训练标签矩阵
Figure BDA00033627393900000310
训练粗帧同步子网络FSN-Net，得到训练完成的粗帧同步子网络FSN-Net；
S26在线运行训练完成的粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量oFS，表示为
Figure BDA00033627393900000311
并根据下式求得粗帧延迟估计值/>
Figure BDA00033627393900000312
为：
Figure BDA00033627393900000313
根据本发明的一些优选实施方式，步骤S3所述信道估计预处理包括：
S31根据步骤S2获得的粗帧延迟估计值
Figure BDA00033627393900000314
和长度为uM的本地训练序列/>
Figure BDA00033627393900000315
生成本地移位信号/>
Figure BDA00033627393900000316
为：
Figure BDA00033627393900000317
其中，本地训练序列xt可表示为xt＝[x0,x1,…,xuM-1]T；所述u取值为u≥1，根据工程经验设置；
S32根据本地移位信号xst，根据下式，形成本地测量矩阵
Figure BDA00033627393900000318
为：
Figure BDA0003362739390000041
S33根据接收信号
Figure BDA0003362739390000042
本地测量矩阵/>
Figure BDA0003362739390000043
和OMP算法，得到信道估计度量矢量he；
S34对所述信道估计度量矢量he进行归一化处理，得到归一化信道估计度量矢量
Figure BDA00033627393900000416
表示为：
Figure BDA0003362739390000044
根据本发明的一些优选实施方式，步骤S4所述的粗信道估计子网络CEM-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层的节点数及所述输出层的节点数均与多径抽头数L相等，所述隐藏层节点数为
Figure BDA0003362739390000045
其中，k的值根据工程经验设置。
根据本发明的一些优选实施方式，步骤S4所述信道估计在线学习输出向量oCE和粗信道状态信息估计
Figure BDA0003362739390000046
的获得包括：
S41收集Nr个长度为M的接受信号样本序列
Figure BDA0003362739390000047
并构建样本序列集合/>
Figure BDA0003362739390000048
S42根据步骤S31至步骤S34对样本序列集合
Figure BDA0003362739390000049
中的元素进行预处理，得到归一化信道估计度量矩阵/>
Figure BDA00033627393900000410
S43收集Nr个信道抽头数为L的信道向量
Figure BDA00033627393900000411
形成信道标签矩阵
Figure BDA00033627393900000412
其中，hi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S44根据归一化信道估计度量矩阵
Figure BDA00033627393900000413
和信道标签矩阵TCE训练粗信道估计子网络CEM-Net，得到训练完成的粗信道估计子网络CEM-Net；
S45在线运行训练完成的粗信道估计子网络CEM-Net，获得粗信道状态信息估计
Figure BDA00033627393900000414
表示为/>
Figure BDA00033627393900000415
根据本发明的一些优选实施方式，步骤S5所述精估计子网络REF-Net由深度神经网络构造，网络架构为：
1个输入层，rH个隐藏层，1个输出层；所述输入层节点数及所述输出层的节点数均为M，所述隐藏层各层节点数为qiM,i＝1,2,…,rH；
其中，rH和qi,i＝1,2,…,rH的数值可根据工程经验设定。
根据本发明的一些优选实施方式，步骤S5所述精帧延迟估计值
Figure BDA0003362739390000051
和精信道状态信息估计/>
Figure BDA0003362739390000052
的获得包括：
S51根据帧同步在线学习输出向量oFS和帧同步在线生成标签向量TF，形成精帧同步训练集合{oFS,TF}；
S52根据粗信道状态信息估计
Figure BDA0003362739390000053
和信道标签矩阵TCE形成精信道估计训练集合
Figure BDA0003362739390000054
S53利用精帧同步训练集合{oFS,TF}和精信道估计训练集合
Figure BDA0003362739390000055
交替训练精估计子网络REF-Net，获得网络参数；
S54在线运行精估计子网络REF-Net，获得精帧延迟估计值
Figure BDA0003362739390000056
和精信道状态信息估计/>
Figure BDA0003362739390000057
本发明的有益效果是：
与独立考虑帧同步与信道估计方法相比，本发明能够获得帧同步与信道估计的联合优化；与未考虑非线性失真的联合帧同步与信道估计方法相比，本发明能够显著提高非线性失真系统下的联合帧同步与信道估计性能。
附图说明
图1为本发明的一种具体实施方式的操作流程图；
图2为本发明的粗帧同步处理结构示意图；
图3为本发明的粗信道估计处理结构示意图；
图4为精估计子网络REF-Net的结构；
图5为精估计处理结构示意图。
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，其中具体的一种实施方式如图1所示，包括以下步骤：
S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量
Figure BDA0003362739390000061
具体地，所述帧同步预处理包括：
S11接收机将长度为Ns的训练序列
Figure BDA0003362739390000062
补充为长度为帧长M的训练序列补充序列/>
Figure BDA0003362739390000063
如下：
Figure BDA0003362739390000064
其中，Nd表示数据序列长度，所述的Ns，M和Nd根据工程经验设置；
S12对训练序列补充序列
Figure BDA0003362739390000065
按列循环移位，按如下方式构建循环移位矩阵S，表示为：
Figure BDA0003362739390000066
S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量
Figure BDA0003362739390000067
的互相关度量矢量Φ，表示为：
Φ＝|Sy|；
S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量
Figure BDA0003362739390000068
表示为：
Figure BDA0003362739390000069
其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作。
示例1：所述步骤S1中帧同步预处理示例如下：
假设，Ns＝32，Nd＝128，M＝160，训练序列为ZC序列，数据序列为随机产生的复数序列，接收信号矢量y为：
Figure BDA00033627393900000610
训练序列补充序列
Figure BDA00033627393900000611
为：
Figure BDA0003362739390000071
循环移位矩阵S为：
Figure BDA0003362739390000072
互相关度量矢量Φ：
Figure BDA0003362739390000073
归一化互相关同步度量矢量
Figure BDA0003362739390000074
Figure BDA0003362739390000075
S2将归一化互相关同步度量矢量
Figure BDA0003362739390000076
输入粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量oFS和粗帧延迟估计值/>
Figure BDA0003362739390000077
具体地，所述粗帧同步子网络FSN-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为
Figure BDA0003362739390000078
其中，m的值根据工程经验设置。
获得步骤S2所述帧同步在线学习输出向量oFS和粗帧延迟估计值
Figure BDA0003362739390000079
的结构如图2所示，包括：
S21收集Nt个长度为M的接受信号样本序列
Figure BDA00033627393900000710
构建样本序列集合/>
Figure BDA00033627393900000711
S22根据步骤S11至步骤S24对样本序列集合
Figure BDA00033627393900000712
中的元素进行预处理，得到归一化互相关同步度量矩阵/>
Figure BDA00033627393900000713
S23收集Nt组传播时延样本τi,i＝1,2,…,Nt，形成传播时延集合
Figure BDA00033627393900000714
其中，τi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S24根据传播时延集合
Figure BDA0003362739390000081
利用人工编码方式生成帧同步训练标签矩阵/>
Figure BDA0003362739390000082
表示为：
Figure BDA0003362739390000083
所述的传播时延样本τi,i＝1,2,…,Nt的可采用one-hot编码方式可表示为：
Figure BDA0003362739390000084
S25根据归一化互相关同步度量矩阵
Figure BDA0003362739390000085
和帧同步训练标签矩阵
Figure BDA0003362739390000086
训练粗帧同步子网络FSN-Net，得到训练完成的粗帧同步子网络FSN-Net；
S26在线运行训练完成的粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量o，表示为
Figure BDA0003362739390000087
并根据下式求得粗帧延迟估计值/>
Figure BDA0003362739390000088
为：
Figure BDA0003362739390000089
示例2：假设粗帧同步子网络FSN-Net的输入归一化互相关同步度量矩阵
Figure BDA00033627393900000810
和帧同步训练标签矩阵/>
Figure BDA00033627393900000811
承接示例1，m＝10，Nt＝105，时延粗帧延迟估计值/>
Figure BDA00033627393900000812
粗帧同步子网络FSN-Net的输出为：
帧同步在线学习输出向量
Figure BDA00033627393900000813
和粗帧延迟估计值/>
Figure BDA00033627393900000814
粗帧同步子网络FSN-Net的网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为160，所述隐藏层节点数为
Figure BDA00033627393900000815
所述隐藏层的激活函数为Sigmoid函数；
样本序列集合为：
Figure BDA00033627393900000816
归一化互相关同步度量矩阵为：
Figure BDA00033627393900000817
帧同步训练标签矩阵
Figure BDA00033627393900000818
为：
Figure BDA00033627393900000819
τi,i＝1,2,…,Nt的one-hot编码方式为：
Figure BDA0003362739390000091
S3根据粗帧延迟估计值
Figure BDA0003362739390000092
进行信道估计预处理，获得归一化信道估计度量矢量/>
Figure BDA0003362739390000093
具体地，所述信道估计预处理包括：
S31根据步骤S2获得的粗帧延迟估计值
Figure BDA0003362739390000094
和长度为uM的本地训练序列/>
Figure BDA0003362739390000095
生成本地移位信号/>
Figure BDA0003362739390000096
为：
Figure BDA0003362739390000097
其中，本地训练序列
Figure BDA0003362739390000098
可表示为xt＝[x0,x1,…,xuM-1]T；所述u取值为u≥1，根据工程经验设置；
S32根据本地移位信号xst，根据下式，形成本地测量矩阵
Figure BDA0003362739390000099
为：
Figure BDA00033627393900000910
S33根据接收信号
Figure BDA00033627393900000911
本地测量矩阵/>
Figure BDA00033627393900000912
和OMP算法，得到信道估计度量矢量he；
S34对所述信道估计度量矢量he进行归一化处理，得到归一化信道估计度量矢量
Figure BDA00033627393900000913
表示为：
Figure BDA00033627393900000914
示例3：所述步骤S3预处理示例如下：
假设
Figure BDA00033627393900000920
u＝10，L＝8则归一化信道估计度量矢量/>
Figure BDA00033627393900000915
为：
Figure BDA00033627393900000916
本地测量矩阵
Figure BDA00033627393900000917
为：
Figure BDA00033627393900000918
S4将归一化信道估计度量矢量h输入粗信道估计子网络CEM-Net，获得粗信道状态信息估计
Figure BDA00033627393900000919
具体地，所述的粗信道估计子网络CEM-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层的节点数及所述输出层的节点数均与多径抽头数L相等，所述隐藏层节点数为
Figure BDA0003362739390000101
其中，k的值根据工程经验设置。
获得步骤S4所述粗信道状态信息估计
Figure BDA0003362739390000102
的结构如图3所示，包括：
S41收集Nr个长度为M的接受信号样本序列
Figure BDA0003362739390000103
并构建样本序列集合/>
Figure BDA0003362739390000104
S42根据步骤S31至步骤S34对样本序列集合
Figure BDA0003362739390000105
中的元素进行预处理，得到归一化信道估计度量矩阵/>
Figure BDA0003362739390000106
S43收集Nr个信道抽头数为L的信道向量
Figure BDA0003362739390000107
形成信道标签矩阵
Figure BDA0003362739390000108
其中，hi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S44根据归一化信道估计度量矩阵
Figure BDA0003362739390000109
和信道标签矩阵TCE训练粗信道估计子网络CEM-Net，得到训练完成的粗信道估计子网络CEM-Net；
S45在线运行训练完成的粗信道估计子网络CEM-Net，获得粗信道状态信息估计
Figure BDA00033627393900001010
表示为/>
Figure BDA00033627393900001011
示例4：假设粗信道估计子网络CEM-Net的输入归一化信道估计度量矩阵
Figure BDA00033627393900001012
和信道标签矩阵TCE承接示例3，Nr＝105，k＝10，L＝8,则所述粗信道估计子网络CEM-Net的输出粗信道状态信息估计/>
Figure BDA00033627393900001013
为：
Figure BDA00033627393900001014
所述的粗信道估计子网络CEM-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层的节点数及所述输出层的节点数均与多径抽头数8相等，所述隐藏层节点数为
Figure BDA00033627393900001015
所述隐藏层的激活函数为Sigmoid函数；
样本序列集合
Figure BDA00033627393900001016
归一化信道估计度量矩阵
Figure BDA00033627393900001017
信道标签矩阵
Figure BDA00033627393900001018
S5将帧同步在线学习输出向量oFS，粗信道状态信息估计
Figure BDA0003362739390000111
输入精估计子网络REF-Net，获得精帧延迟估计值/>
Figure BDA0003362739390000112
和精信道状态信息估计/>
Figure BDA0003362739390000113
完成联合帧同步和信道估计；
具体地，所述精估计子网络REF-Net由深度神经网络构造，其网络结构如图4所示为：
1个输入层，rH个隐藏层，1个输出层；所述输入层节点数及所述输出层的节点数均为M，所述隐藏层各层节点数为qiM,i＝1,2,…,rH；
其中，rH和qi,i＝1,2,…,rH的数值可根据工程经验设定。
获得步骤S5所述精帧延迟估计值
Figure BDA0003362739390000114
和精信道状态信息估计/>
Figure BDA0003362739390000115
的结构如图5所示，包括：
S51根据帧同步在线学习输出向量oFS和帧同步在线生成标签向量TF，形成精帧同步训练集合{oFS,TF}；
其中，帧同步在线生成标签向量TF为在精估计子网络REF-Net训练过程中按照步骤S23至步骤S24方式获得；
S52根据粗信道状态信息估计
Figure BDA0003362739390000116
和信道标签矩阵TCE形成精信道估计训练集合
Figure BDA0003362739390000117
S53利用精帧同步训练集合{oFS,TF}和精信道估计训练集合
Figure BDA0003362739390000118
交替训练精估计子网络REF-Net，获得网络参数；
S54在线运行精估计子网络REF-Net，获得精帧延迟估计值
Figure BDA0003362739390000119
和精信道状态信息估计/>
Figure BDA00033627393900001110
/>

Claims (1)

1.基于机器学习的联合帧同步与信道估计方法，其特征在于，包括以下步骤：
S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量
Figure FDA0004237993640000011
S2将归一化互相关同步度量矢量
Figure FDA0004237993640000012
输入粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量oFS和粗帧延迟估计值/>
Figure FDA0004237993640000013
S3根据粗帧延迟估计值
Figure FDA0004237993640000014
进行信道估计预处理，获得归一化信道估计度量矢量/>
Figure FDA0004237993640000015
S4将归一化信道估计度量矢量
Figure FDA0004237993640000016
输入粗信道估计子网络CEM-Net，获得粗信道状态信息估计/>
Figure FDA0004237993640000017
S5将帧同步在线学习输出向量oFS，粗信道状态信息估计
Figure FDA0004237993640000018
输入精估计子网络REF-Net，获得精帧延迟估计值/>
Figure FDA0004237993640000019
和精信道状态信息估计/>
Figure FDA00042379936400000110
完成联合帧同步和信道估计；
所述粗帧同步子网络FSN-Net和粗信道估计子网络CEM-Net分别基于ELM网络模型构建，精估计子网络REF-Net基于深度神经网络模型构建；
其中，步骤S1所述帧同步预处理包括：
S11接收机将长度为Ns的训练序列
Figure FDA00042379936400000111
补充为长度为帧长M的训练序列补充序列
Figure FDA00042379936400000112
如下：
Figure FDA00042379936400000113
其中，Nd表示数据序列长度，所述的Ns，M和Nd根据工程经验设置；
S12对训练序列补充序列
Figure FDA00042379936400000114
按列循环移位，按如下方式构建循环移位矩阵S，表示为：
Figure FDA00042379936400000115
S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量y的互相关度量矢量Φ，表示为：
Φ＝|Sy|；
S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量
Figure FDA0004237993640000021
表示为：
Figure FDA0004237993640000022
其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作；
步骤S2所述粗帧同步子网络FSN-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为
Figure FDA0004237993640000023
其中，m的值根据工程经验设置；
获得步骤S2所述粗帧延迟估计值
Figure FDA00042379936400000214
的步骤包括：
S21收集Nt个长度为M的接受信号样本序列
Figure FDA0004237993640000024
构建样本序列集合/>
Figure FDA0004237993640000025
S22根据步骤S11至步骤S14对样本序列集合
Figure FDA0004237993640000026
中的元素进行预处理，得到归一化互相关同步度量矩阵/>
Figure FDA0004237993640000027
S23收集Nt组传播时延样本τi,i＝1,2,…,Nt，形成传播时延集合
Figure FDA0004237993640000028
其中，τi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S24根据传播时延集合
Figure FDA0004237993640000029
利用one-hot编码生成帧同步训练标签矩阵
Figure FDA00042379936400000210
表示为：
Figure FDA00042379936400000211
所述的传播时延样本τi,i＝1,2,…,Nt的one-hot编码方式可表示为：
Figure FDA00042379936400000212
S25根据归一化互相关同步度量矩阵
Figure FDA00042379936400000213
和帧同步训练标签矩阵
Figure FDA0004237993640000031
训练粗帧同步子网络FSN-Net，得到训练完成的粗帧同步子网络FSN-Net；
S26在线运行训练完成的粗帧同步子网络FSN-Net，获得帧同步在线学习输出向量oFS，表示为
Figure FDA0004237993640000032
并根据下式求得粗帧延迟估计值/>
Figure FDA0004237993640000033
为：
Figure FDA0004237993640000034
步骤S3所述信道估计预处理包括：
S31根据步骤S2获得的粗帧延迟估计值
Figure FDA0004237993640000035
和长度为uM的本地训练序列/>
Figure FDA0004237993640000036
生成本地移位信号/>
Figure FDA0004237993640000037
为：
Figure FDA0004237993640000038
其中，本地训练序列
Figure FDA0004237993640000039
可表示为xt＝[x0,x1,…,xuM-1]T；所述u取值为u≥1，根据工程经验设置；
S32根据本地移位信号xst，根据下式，形成本地测量矩阵
Figure FDA00042379936400000310
为：
Figure FDA00042379936400000311
S33根据接收信号
Figure FDA00042379936400000312
本地测量矩阵/>
Figure FDA00042379936400000313
和OMP算法，得到信道估计度量矢量he；
S34对所述信道估计度量矢量he进行归一化处理，得到归一化信道估计度量矢量
Figure FDA00042379936400000314
表示为：
Figure FDA00042379936400000315
S4所述粗信道估计子网络CEM-Net由ELM网络构造，网络架构为：
1个输入层，1个隐藏层，1个输出层；所述输入层的节点数及所述输出层的节点数均与多径抽头数L相等，所述隐藏层节点数为
Figure FDA00042379936400000316
其中，k的值根据工程经验设置；
获得步骤S4所述粗信道状态信息估计
Figure FDA00042379936400000317
的步骤包括：
S41收集Nr个长度为M的接受信号样本序列
Figure FDA0004237993640000041
并构建样本序列集合/>
Figure FDA0004237993640000042
S42根据步骤S31至步骤S34对样本序列集合
Figure FDA0004237993640000043
中的元素进行预处理，得到归一化信道估计度量矩阵/>
Figure FDA0004237993640000044
S43收集Nr个信道抽头数为L的信道向量
Figure FDA0004237993640000045
形成信道标签矩阵/>
Figure FDA0004237993640000046
其中，hi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
S44根据归一化信道估计度量矩阵
Figure FDA0004237993640000047
和信道标签矩阵TCE训练粗信道估计子网络CEM-Net，得到训练完成的粗信道估计子网络CEM-Net；
S45在线运行训练完成的粗信道估计子网络CEM-Net，获得粗信道状态信息估计
Figure FDA0004237993640000048
表示为/>
Figure FDA0004237993640000049
步骤S5所述精估计子网络REF-Net由深度神经网络构造，网络架构为：
1个输入层，rH个隐藏层，1个输出层；所述输入层节点数及所述输出层的节点数均为M，所述隐藏层各层节点数为qiM,i＝1,2,…,rH；
其中，rH和qi,i＝1,2,…,rH的数值可根据工程经验设定；
获得步骤S5所述精帧延迟估计值
Figure FDA00042379936400000410
和精信道状态信息估计/>
Figure FDA00042379936400000411
的步骤包括：
S51根据帧同步在线学习输出向量oFS和帧同步在线生成标签向量TF，形成精帧同步训练集合{oFS,TF}；
其中，帧同步在线生成标签向量TF为在精估计子网络REF-Net训练过程中按照S23-S24方式获得；
S52根据粗信道状态信息估计
Figure FDA00042379936400000412
和信道标签矩阵TCE形成精信道估计训练集合/>
Figure FDA00042379936400000413
S53利用精帧同步训练集合{oFS,TF}和精信道估计训练集合
Figure FDA00042379936400000414
交替训练精估计子网络REF-Net，获得网络参数；
S54在线运行精估计子网络REF-Net，获得精帧延迟估计值
Figure FDA0004237993640000051
和精信道状态信息估计
Figure FDA0004237993640000052
CN202111372250.4A 2021-11-18 2021-11-18 基于机器学习的联合帧同步与信道估计方法 Active CN114096000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111372250.4A CN114096000B (zh) 2021-11-18 2021-11-18 基于机器学习的联合帧同步与信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111372250.4A CN114096000B (zh) 2021-11-18 2021-11-18 基于机器学习的联合帧同步与信道估计方法

Publications (2)

Publication Number Publication Date
CN114096000A CN114096000A (zh) 2022-02-25
CN114096000B true CN114096000B (zh) 2023-06-23

Family

ID=80302185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111372250.4A Active CN114096000B (zh) 2021-11-18 2021-11-18 基于机器学习的联合帧同步与信道估计方法

Country Status (1)

Country Link
CN (1) CN114096000B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101124800A (zh) * 2004-07-20 2008-02-13 高通股份有限公司 无线符号的粗略时间估计系统和方法
CN101404516A (zh) * 2008-11-21 2009-04-08 华为技术有限公司 一种联合信道估计及帧同步信息检测方法和装置
CN101667908A (zh) * 2008-09-03 2010-03-10 安国国际科技股份有限公司 适应性符号起始点计算装置与计算方法
CN107438036A (zh) * 2016-05-27 2017-12-05 华为技术有限公司 同步和信道估计的方法及装置
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
CN111970078A (zh) * 2020-08-14 2020-11-20 西华大学 一种非线性失真场景的帧同步方法
CN112688772A (zh) * 2020-12-17 2021-04-20 西华大学 一种机器学习叠加训练序列帧同步方法
CN112737987A (zh) * 2020-12-28 2021-04-30 南京邮电大学 一种新型的基于深度学习的时变信道预测方法
CN113572708A (zh) * 2021-06-30 2021-10-29 西安电子科技大学 一种dft信道估计改进方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098749B2 (en) * 2008-04-24 2012-01-17 Wipro Techno Centre (Singapore) Pte Ltd CFR estimation method for multi-band OFDM-based UWB systems

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101124800A (zh) * 2004-07-20 2008-02-13 高通股份有限公司 无线符号的粗略时间估计系统和方法
CN101667908A (zh) * 2008-09-03 2010-03-10 安国国际科技股份有限公司 适应性符号起始点计算装置与计算方法
CN101404516A (zh) * 2008-11-21 2009-04-08 华为技术有限公司 一种联合信道估计及帧同步信息检测方法和装置
CN107438036A (zh) * 2016-05-27 2017-12-05 华为技术有限公司 同步和信道估计的方法及装置
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
CN111970078A (zh) * 2020-08-14 2020-11-20 西华大学 一种非线性失真场景的帧同步方法
CN112688772A (zh) * 2020-12-17 2021-04-20 西华大学 一种机器学习叠加训练序列帧同步方法
CN112737987A (zh) * 2020-12-28 2021-04-30 南京邮电大学 一种新型的基于深度学习的时变信道预测方法
CN113572708A (zh) * 2021-06-30 2021-10-29 西安电子科技大学 一种dft信道估计改进方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于回归算法的OFDM系统帧同步和信道估计研究;李伟;马林华;张嵩;薛明浩;;现代防御技术(第06期) *
基于滑动窗的时序偏移与信道参数联合估计技术研究;陶伟;李聪颖;窦高奇;;兵工学报(第S2期) *

Also Published As

Publication number Publication date
CN114096000A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
US11928792B2 (en) Fusion network-based method for image super-resolution and non-uniform motion deblurring
EP4343675A1 (en) Visual image enhancement generation method and system, device, and storage medium
CN105553507B (zh) 基于fft全相干累积时频域并行捕获方法
Zhang et al. Deep learning-based beamspace channel estimation in mmWave massive MIMO systems
CN111970078B (zh) 一种非线性失真场景的帧同步方法
EP0054565A1 (en) TECHNOLOGY FOR DIGITAL HIGH-SPEED TRANSMISSION VIA A DYNAMIC DISPERSIVE CHANNEL.
CN112688772B (zh) 一种机器学习叠加训练序列帧同步方法
Chuan et al. Uplink NOMA signal transmission with convolutional neural networks approach
CN103888391A (zh) 基于双Sigmoid混沌神经网络的信号盲检测方法
CN106130689A (zh) 一种非线性自反馈混沌神经网络信号盲检测方法
CN114096000B (zh) 基于机器学习的联合帧同步与信道估计方法
CN114372918A (zh) 基于像素级注意力机制的超分辨率图像重构方法及系统
Xie et al. Semantic communication with memory
Nguyen et al. Hcfl: A high compression approach for communication-efficient federated learning in very large scale iot networks
US20240169988A1 (en) Method and device of generating acoustic features, speech model training, and speech recognition
CN114119371A (zh) 视频超分模型训练方法和装置、视频超分处理方法和装置
CN101764649B (zh) 基于ica信号分离算法的mgdm多模光纤通信系统及方法
CN112183430A (zh) 一种基于双神经网络的手语识别方法及装置
WO2023098664A1 (zh) 特效视频的生成方法、装置、设备及存储介质
CN113852434B (zh) 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统
CN108574653A (zh) 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法
CN114911930A (zh) 一种全局与局部互补的双向注意的视频问答方法与系统
CN111860442B (zh) 一种基于时序特征共享结构的视频目标检测方法
CN107919136A (zh) 一种基于高斯混合模型的数字语音采样频率估计方法
Ji et al. Multi-cell MIMO Semantic Communication based Distributed Training

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220225

Assignee: Chengdu Suyouyun Information Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000030

Denomination of invention: Machine learning based joint frame synchronization and channel estimation method

Granted publication date: 20230623

License type: Common License

Record date: 20231201

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220225

Assignee: Chengdu Yingling Feifan Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000032

Denomination of invention: Machine learning based joint frame synchronization and channel estimation method

Granted publication date: 20230623

License type: Common License

Record date: 20231212