CN114338324A - 一种基于rbf神经网络的多普勒频偏估计方法和系统 - Google Patents

Abstract

本发明实施例提供了一种基于RBF神经网络的多普勒频偏估计方法和系统,所述方法包括：利用给定的神经网络学习算法实现接收端导频符号与多普勒频偏之间的映射关系，然后对多普勒频偏进行估计。首先确定5G高速移动环境中接收端收到的导频符号样本集；根据5G高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；计算RBF神经网络权值调节律；判断RBF神经网络误差值是否大于给定误差；如果是则继续计算RBF神经网络误差值。

Description

一种基于RBF神经网络的多普勒频偏估计方法和系统

技术领域

本发明属于涉及信息技术领域，尤其涉及一种5G高速移动系统中的基于RBF神经网络的多普勒频偏估计方法和系统。

背景技术

当前大多数无线通信系统被设计来服务具有低等或者中等移动性的用户，并且高移动性显著地限制了覆盖区域和传输速率。高速移动系统通信不仅要能处理关键信令应用，还要能提供各种带宽应用，如高清视频等，这些应用需要更多的频谱资源来支持。

在使用5G-NR毫米波的高速移动环境中，多普勒频率的影响将变得更加显著、路径损耗更为严重，这将不利于高速移动场景中的通信。

发明内容

针对现有技术中对于高移动性的需求存在的问题，本发明实施例的目的是提供一种方法和系统；本发明实施例引入了神经网络的多普勒频偏进行估计，根据得到的多普勒频偏估计值，多普勒频偏进行补偿，提高高速移动环境汇总基于5G-NR的通信质量。

为了解决上述问题，本发明实施例提出了一种5G高速移动系统中基于RBF神经网络的多普勒频偏估计方法，包括:

步骤1、确定高速移动环境中接收端收到的导频符号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；δ_j(K)＜ε表示RBF神经网络误差值，ε＝1×10^-4；y_d(K)表示实际多普勒频偏值；y_j(K)表示RBF神经网络输出的多普勒频偏估计值；S_i(K)表示高斯函数；σ_i(K)表示高斯函数宽度；ζ_i(K)表示RBF隐含层神经元节点的中心；ω_ij(K)表示RBF神经网络隐含层到输出层权值；

步骤3、计算RBF神经网络权值调节律：

式中，

表示RBF神经网络隐含层到输出层权值估计值；

表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_ji(K)...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_ji(K)...,Γ_jn(K))

Λ_ji＞0,Γ_ji＞0,分别为正对角矩阵；

步骤4、判断RBF神经网络误差值是小于给定误差；

如果δ_j(K+1)＞ε,则

计算RBF神经网络误差值，否则δ_j(K+1)＜ε，计算结束。

进一步的，所述方法包括：

通过步骤1-步骤4得到的RBF神经网络误差，接收端设备将接收到的导频信号送入训练后具有最优的RBF神经网络，以得到多普勒频偏估计值；

利用得到的多普勒频偏估计值，对多普勒频移进行补偿。

为了解决上述问题，本发明实施例还提出了一种5G高速移动系统中基于RBF神经网络的多普勒频偏估计系统，包括：

处理器；

存储器；

其中所述存储器中存储有指令，以通过处理器执行上述指令实现以下步骤：

步骤1、确定高速移动环境中接收端收到的导频符号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；δ_j(K)＜ε表示RBF神经网络误差值，ε＝1×10^-4；y_d(K)表示实际多普勒频偏值；y_j(K)表示RBF神经网络输出的多普勒频偏估计值；S_i(K)表示高斯函数；σ_i(K)表示高斯函数宽度；ζ_i(K)表示RBF隐含层神经元节点的中心；ω_ij(K)表示RBF神经网络隐含层到输出层权值；

步骤3、计算RBF神经网络权值调节律：

式中，

表示RBF神经网络隐含层到输出层权值估计值；

表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_ji(K)...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_ji(K)...,Γ_jn(K))

Λ_ji＞0,Γ_ji＞0,分别为正对角矩阵；

步骤4、判断RBF神经网络误差值是小于给定误差；

如果δ_j(K+1)＞ε,则

计算RBF神经网络误差值，否则δ_j(K+1)＜ε，计算结束。

进一步的，所述存储器中还存储有指令，以通过处理器执行上述指令实现以下步骤：

通过步骤1-步骤4得到的RBF神经网络误差，接收端设备将接收到的导频信号送入训练后具有最优的RBF神经网络，以得到多普勒频偏估计值；

利用得到的多普勒频偏估计值，对多普勒频移进行补偿。

本发明的有益效果在于：本发明实施例提出了一种5G高速移动系统中基于RBF神经网络的多普勒频偏在线估计方案，利用给定的神经网络学习算法实现接收端导频符号与多普勒频偏之间的映射关系，然后对多普勒频偏进行估计，以便较好的补偿多普勒频偏造成的不利影响，提高高速移动环境中5G通信系统的性能。

附图说明

图1是本发明实施例的流程示意图；

图2是计算RBF神经网络误差的流程示意图。

具体实施例

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及本发明的实施例对后评估的方法进一步说明。

本发明主要提出一种5G高速移动环境中基于RBF神经网络的多普勒频偏在线估计方法，利用给定的神经网络学习算法实现接收端导频符号与多普勒频偏之间的映射关系，然后对多普勒频偏进行估计，以便较好的补偿多普勒频偏造成的不利影响，提高高速移动环境中5G通信系统的性能。

具体的，本发明实施例中的RBF神经网络可以通过如果图2所述的方法计算得到，具体包括：

步骤1、假定高速移动环境中接收端收到的导频符号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数，i＞100；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值。

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；j>10；

δ_j(K)＜ε表示RBF神经网络误差值，ε＝1×10^-4；

y_d(K)表示实际多普勒频偏值

y_j(K)表示RBF神经网络输出的多普勒频偏估计值

S_i(K)表示高斯函数

σ_i(K)表示高斯函数宽度

ζ_i(K)表示RBF隐含层神经元节点的中心；

ω_ij(K)表示RBF神经网络隐含层到输出层权值；

计算RBF神经网络权值调节律

式中，

表示RBF神经网络隐含层到输出层权值估计值；

表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_ji(K)...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_ji(K)...,Γ_jn(K))Λ_ji＞0,Γ_ji＞0,分别为正对角矩阵

判断RBF神经网络误差值是小于给定误差；

如果δ_j(K+1)＞ε,则

计算RBF神经网络误差值，否则δ_j(K+1)＜ε，计算结束。

在利用如图2所示的方法得到了RBF神经网络，可以通过以下方式改善高速移动环境中5G通信系统的性能：

在线估计：将接收到的导频信号送入训练后具有最优权值的RBF神经网络，从而得到多普勒频偏估计值；提前补偿：利用得到的多普勒频偏估计值，对多普勒频移进行补偿，提高高速移动环境中基于5G-NR的通信质量。

如图1所示的,本发明实施例的方法包括以下步骤:

接收端在接收到时域信号；

根据该时域信号确定导频信号；

对导频信号进行离散训练以得到RBF神经网络；

利用所述RBF神经网络确定多普勒频偏估计值。

以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于RBF神经网络的多普勒频偏估计方法，其特征在于，包括：

步骤1、确定高速移动环境中接收端收到的导频符号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；δ_j(K)＜ε表示RBF神经网络误差值，ε＝1×10^-4；y_d(K)表示实际多普勒频偏值；y_j(K)表示RBF神经网络输出的多普勒频偏估计值；S_i(K)表示高斯函数；σ_i(K)表示高斯函数宽度；ζ_i(K)表示RBF隐含层神经元节点的中心；ω_ij(K)表示RBF神经网络隐含层到输出层权值；

步骤3、计算RBF神经网络权值调节律：

式中，

表示RBF神经网络隐含层到输出层权值估计值；

表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_ji(K)...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_ji(K)...,Γ_jn(K))Λ_ji＞0,Γ_ji＞0,分别为正对角矩阵；

步骤4、判断RBF神经网络误差值是小于给定误差；

如果δ_j(K+1)＞ε,则

计算RBF神经网络误差值，否则δ_j(K+1)＜ε，计算结束。

2.根据权利要求1所述的基于RBF神经网络的多普勒频偏估计方法，其特征在于，包括：

通过步骤1-步骤4得到的RBF神经网络误差，接收端设备将接收到的导频信号送入训练后具有最优的RBF神经网络，从而得到多普勒频偏估计值；

利用得到的多普勒频偏估计值，对多普勒频移进行补偿。

3.一种基于RBF神经网络的多普勒频偏估计系统，其特征在于，包括：

处理器；

存储器；

其中所述存储器中存储有指令，以通过处理器执行上述指令实现以下步骤：

步骤1、确定高速移动环境中接收端收到的导频符号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；δ_j(K)＜ε表示RBF神经网络误差值，ε＝1×10^-4；y_d(K)表示实际多普勒频偏值；y_j(K)表示RBF神经网络输出的多普勒频偏估计值；S_i(K)表示高斯函数；σ_i(K)表示高斯函数宽度；ζ_i(K)表示RBF隐含层神经元节点的中心；ω_ij(K)表示RBF神经网络隐含层到输出层权值；

步骤3、计算RBF神经网络权值调节律：

式中，

表示RBF神经网络隐含层到输出层权值估计值；

表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_ji(K)...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_ji(K)...,Γ_jn(K))Λ_ji＞0,Γ_ji＞0,分别为正对角矩阵；

步骤4、判断RBF神经网络误差值是小于给定误差；

如果δ_j(K+1)＞ε,则

计算RBF神经网络误差值，否则δ_j(K+1)＜ε，计算结束。

4.根据权利要求3所述的基于RBF神经网络的多普勒频偏估计系统，其特征在于，所述存储器中还存储有指令，以通过处理器执行上述指令实现以下步骤：

通过步骤1-步骤4得到的RBF神经网络误差，接收端设备将接收到的导频信号送入训练后具有最优的RBF神经网络，以得到多普勒频偏估计值；

利用得到的多普勒频偏估计值，对多普勒频移进行补偿。

Images