CN115103434A - 基于机器学习的5g nr下行定时同步方法 - Google Patents
基于机器学习的5g nr下行定时同步方法 Download PDFInfo
- Publication number
- CN115103434A CN115103434A CN202210723728.1A CN202210723728A CN115103434A CN 115103434 A CN115103434 A CN 115103434A CN 202210723728 A CN202210723728 A CN 202210723728A CN 115103434 A CN115103434 A CN 115103434A
- Authority
- CN
- China
- Prior art keywords
- synchronization signal
- signal
- received signal
- neural network
- primary synchronization
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000001360 synchronised effect Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 10
- 238000013178 mathematical model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
Abstract
本发明公开了一种基于机器学习的5G NR下行定时同步方法。本方法基于机器学习搜索和检测主同步信号，并在此基础上基于机器学习估计下行定时位置，通过使用大量不同信道条件下的样本数据训练深度神经网络，能够较好地适应实际系统的信道环境及其变化，在载波频偏等因素的干扰下较为准确地获取下行定时同步。相比基于定时度量的下行定时同步方法，本方法避免了手动设置判决门限的需要，可以通过样本数据的学习适应新的信道条件和传输场景，具有良好的适应性和可扩展性。
Description
技术领域
本发明属于无线通信技术领域，尤其涉及一种基于机器学习的5G NR下行定时同步方法。
背景技术
第五代移动通信(5th generation mobile communication，5G)新空口(NewRadio，NR)系统使用正交频分复用(orthogonal frequency-division multiplexing，OFDM)作为下行传输的基本波形，需要在小区搜索阶段实现终端与基站之间的下行定时同步。OFDM系统的符号定时误差应该在系统允许的范围内，否则接收信号会受到符号间干扰(intersymbol interference，ISI)和子载波间干扰(intercarrier interference，ICI)的影响，系统性能会下降。因此，下行定时同步是5G小区搜索和OFDM系统的重要组成部分和研究内容。
目前，关于OFDM系统中的下行定时同步方法已有大量研究。典型的下行定时同步方法通过在下行信号中传输训练序列，计算接收信号与本地参考信号之间的相关性度量，进行符号定时估计。不同的下行定时同步方法根据所使用的信道条件和系统类型，有着相应的改进。还有部分的下行定时同步方法通过设计专门的训练序列，实现更好的下行定时同步效果。
基于数学模型的下行定时同步方法在假设的条件下运用通信专业知识寻求最优的性能，但是依赖于所建立的统计意义上的数学模型。而在实际的通信系统中，信号受到的许多影响难以被数学模型准确描述，或者数学模型过于复杂不便于算法的推导，理论算法在应用到实际系统中时性能可能下降，而且当信道条件发生较大变化时，算法可能不再适用。在系统实现中，典型的下行定时同步方法大多基于接收信号和本地参考信号之间的互相关计算，根据计算得到的定时度量获取符号定时估计。但是定时度量的大小与信道条件直接相关，不同信噪比、载波频偏或者多径分布下的定时度量差异明显，需要针对性地设置判决门限，而在初始接入过程中终端未知信道条件的相关信息，判决门限的设置存在困难。
现有的下行定时同步方法大多面向特定的帧结构和训练序列设计，5G设计和定义了灵活的帧结构以及新的基于m序列的下行同步信号，现有的许多下行定时同步方法不再适用。另外，大载波频偏会对下行定时同步方法的准确性和有效性造成严重影响。
发明内容
本发明目的在于提供一种基于机器学习的5G NR下行定时同步方法,以解决现有基于互相关的下行定时同步方法中定时度量判决门限设置困难的问题，解决一些通信场景中因大频偏等因素带来的下行定时同步困难的问题，并提高下行定时同步在实际通信系统中应用时的泛化能力的技术问题。
为解决上述技术问题，本发明的具体技术方案如下：
本发明所述的基于机器学习的5G NR下行定时同步方法，包括以下步骤：
S1：终端在整个无线帧的范围内搜索主同步信号，并检测主同步信号的种类，具体包括以下步骤：
S1.1：在基带接收信号上设置滑动窗口，滑动窗口捕获一段接收信号，并沿着时间方向滑动；
S1.2：在步骤S1.1中得到的接收信号的基础上，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的主同步信号标识组成；
S1.3：构建分类卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测分类逐渐趋向于真实分类；
S1.4：使用步骤S1.2中得到的数据集作为训练和验证样本，训练步骤S1.3中构建的分类卷积神经网络，学习接收信号包含主同步信号的特征，训练出基于接收信号的分类模型，用于检测接收信号段内是否包含主同步信号，以及包含主同步信号的类型；
S1.5：使用步骤S1.4中得到的卷积神经网络搜索和检测主同步信号，将步骤S1.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号搜索和检测的结果；
S2：终端在接收信号段内估计主同步信号的起始位置，进而估计符号定时位置，具体包括以下步骤：
S2.1：在步骤S1.5中滑动窗口内搜索和检测到主同步信号基础上，使用步骤S1.5中滑动窗口内的接收信号，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的定时位置组成；
S2.2：构建回归卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测值逐渐趋向于真实值；
S2.3：使用步骤S2.1中得到的数据集作为训练和验证样本，训练步骤S2.2中构建的回归卷积神经网络，学习接收信号中主同步信号所在位置的特征，训练出基于接收信号的回归模型，用于估计接收信号段内主同步信号的定时位置；
S2.4：使用步骤S2.3中得到的卷积神经网络估计定时位置，将步骤S2.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号定时位置的估计结果；
S2.5：在步骤S2.4中得到的滑动窗口内主同步信号定时位置的基础上，根据主同步信号在无线帧内传输所在的时间位置，得到符号定时估计的结果。
进一步，步骤S1.2中，训练和验证数据集中各接收信号段设置为固定长度，对应下行接收信号中的一段。根据数据对中接收信号段包含主同步信号的情况，数据对可以分为四种类型，分别是：(1)包含完整的主同步信号，且对应的小区标识2为0，标识为分类0；(2)包含完整的主同步信号，且对应的小区标识2为1，标识为分类1；(3)包含完整的主同步信号，且对应的小区标识2为2，标识为分类2；(4)包含部分的主同步信号或者不包含主同步信号，标识为分类-1。
进一步，步骤S1.3中，所构建的分类神经网络包括序列输入层、一维卷积层、批归一化(batch normalization，BN)层、ReLU(rectified linear unit，修正线性单元)层、池化层、全连接层、丢弃层、softmax(软最大)层和分类层。
进一步，步骤S1.4中，将步骤S1.2中得到的接收信号段的接收信号段作为输入，相应的主同步信号标识作为分类标签，使用Adam(adaptive moment estimation，自适应矩估计)算法的随机梯度下降(stochastic gradient descent，SGD)方法训练神经网络直至收敛，并存储训练后的网络参数。
进一步，步骤S1.5中，若没有检测到主同步信号，则回到步骤S1.1，窗口继续滑动；若检测到滑动窗内包含主同步信号，则根据主同步信号的种类确定小区标识2，并进入步骤S2所述的符号定时估计阶段，估计主同步信号在接收信号段中的起始位置。
进一步，步骤S2.2中，回归神经网络包括序列输入层、一维卷积层、批归一化层、ReLU层、池化层、全连接层、丢弃层和回归层。
进一步，步骤S2.3中，将步骤S2.1中得到的接收信号段作为输入，相应的主同步信号定时位置作为回归目标，使用Adam算法的随机梯度下降方法训练神经网络直至收敛，并存储训练后的网络参数。
进一步，步骤S2.5中，所需要的主同步信号在无线帧内传输所在的时间位置，通过SSB(synchronization signal block，同步信号块)中DM-RS(demodulation referencesignal，解调参考信号)和PBCH(physical broadcast channel，物理广播信道)携带的SSB索引信息和定时信息获取。
本发明的一种基于机器学习的5G NR下行定时同步方法，具有以下优点：
1、本发明在搜索和检测同步信号的过程中，使用深度神经网络学习接收信号包含主同步信号的特征，与基于数学模型的方法相比，不需要手动设置用于判断主同步信号有无的判决门限，解决了在不同的信道条件下因定时度量差异大而导致的判决门限设置困难的问题，而且不依赖于特定的数学模型，可以通过样本数据的学习适应新的信道条件和传输场景，具有更好的可扩展性；
2、本发明使用数据驱动的机器学习方法，大量的隐藏层和神经元使得深度神经网络能够学习输入和输出数据之间错综复杂的潜在关系，包括难以用数学模型准确描述的关系，使用实际通信系统采集到的接收数据构建用于神经网络训练的数据集，表征真实数据的情况，可以适应于大载波频偏等多种非理想因素对接收信号的影响，具有更好的鲁棒性。
附图说明
图1为本发明的实施方式中方法的流程图；
图2为本发明的实施方式中神经网络训练和使用的流程图；
图3为本发明的实施方式中用于主同步信号搜索和检测的深度神经网络结构的示意图；
图4为本发明的实施方式中用于定时位置估计的深度神经网络结构的示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于机器学习的5G NR下行定时同步方法做进一步详细的描述。
如图1所示，本具体实施方式公开了一种基于机器学习的5G NR下行定时同步方法，主要包括基于机器学习搜索和检测主同步信号、基于机器学习估计下行定时两个阶段，具体步骤如下：
S1：终端在整个无线帧的范围内搜索主同步信号，并检测主同步信号的种类，步骤为：
S1.1：在基带接收信号上设置滑动窗口，窗口捕获2到3个OFDM符号长度的接收信号，并以滑动窗口长度1/3到1/2的步长沿着时间方向滑动。
S1.2：在步骤S1.1得到的接收信号的基础上，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的主同步信号标识组成。
数据集中各接收信号段设置为固定长度，对应下行接收信号中的一段，根据数据对中接收信号段包含主同步信号的情况，数据对可以分为四种类型，分别是：(1)包含完整的主同步信号，且对应的小区标识2为0，标识为分类0；(2)包含完整的主同步信号，且对应的小区标识2为1，标识为分类1；(3)包含完整的主同步信号，且对应的小区标识2为2，标识为分类2；(4)包含部分的主同步信号或者不包含主同步信号，标识为分类-1。
S1.3：如图3所示，构建和调整用于分类的卷积神经网络，使用若干卷积层提取层次特征，卷积后面进行批归一化处理，然后经过非线性激活函数，这里使用ReLU。在若干卷积层提取层次特征后，使用全连接层整合卷积层提取得到的特征，输出预测分类，在损失函数的逼近下，使得预测分类逐渐趋向于真实分类。
所构建的分类神经网络包括序列输入层、一维卷积层、批归一化层、ReLU层、池化层、全连接层、丢弃层、softmax层和分类层。
根据滑动窗内接收信号是否包含主同步信号以及包含主同步信号类型的情况，主同步信号的检测结果可以分为4种互斥的类型，选用分类任务的交叉熵损失(categoricalcross-entropy loss)作为损失函数，表示为：
其中，p表示样本的真实分类，q表示神经网络层对样本分类概率的预测，N表示数据样本的数量，当从数据样本中随机选取小批量数据进行训练时，N表示小批量数据中数据样本的数量，K表示分类类型的数量，pnk表示第n个样本是否属于第k个分类的指示，qnk表示softmax层对第n个样本关于第k个分类的输出，即神经网络预测第n个样本属于第k个分类的概率。
S1.4：如图2所示，使用步骤S1.2得到的数据集作为训练和验证样本，训练步骤S1.3构建的分类卷积神经网络，学习接收信号包含主同步信号的特征，训练出基于接收信号的分类模型，用于检测接收信号段内是否包含主同步信号，以及包含主同步信号的类型。
接收信号是复数基带信号，数据包括实部和虚部，分别从一维卷积层的两个通道输入。训练和验证数据集包含接收信号，以及对应的分类类型，表示为：
其中，Re(·)表示取复数的实部，Im(·)表示取复数的虚部，r表示接收到的复数基带信号，分为实部和虚部，i表示数据样本的索引，s表示接收信号对应的主同步信号标识，M表示数据集中数据样本的数量。
在网络训练过程中，迭代调整和更新网络的参数使得损失函数最小化。将步骤S1.2中得到的接收信号段作为输入，相应的主同步信号标识作为分类标签，使用Adam算法的随机梯度下降方法训练卷积神经网络，根据损失梯度的反向传播更新网络的参数，从训练数据集中随机选取若干一定尺寸的小批量数据进行训练，直至网络收敛，并存储训练后的网络参数。验证数据集用于在训练过程中验证网络的性能，一般每隔若干次迭代进行一次验证，检查当前参数的学习效果和泛化能力，用于决定反向传播算法的停止点，以及调整网络深度等超参数。
测试训练得到的神经网络的分类效果，若主同步信号正确检测的概率达到要求，一般是95％以上，则进入步骤S1.5所述的在线使用阶段，否则返回步骤S1.3，调整神经网络的结构和参数，重新进行训练。
S1.5：使用步骤S1.4中得到的卷积神经网络搜索和检测主同步信号，将步骤S1.1得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号搜索和检测的结果。
检测各滑动窗内是否包含主同步信号，以及包含哪一种主同步信号。若没有检测到主同步信号，则回到步骤S1.1，窗口继续滑动，捕获一段时间后的接收信号；若检测到滑动窗内包含主同步信号，则根据主同步信号的种类确定小区标识2，并进入步骤S2所述的定时估计阶段，估计主同步信号在接收信号段中的起始位置。
S2：终端在接收信号段内估计主同步信号的起始位置，进而估计符号定时位置，步骤为：
S2.1：在步骤S1.5中滑动窗口内搜索和检测到主同步信号基础上，使用步骤S1.5中滑动窗口内的接收信号，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的定时位置组成。
数据集中各接收信号段为固定长度，对应下行接收信号中的一段，在步骤S1.5中滑动窗内搜索和检测到主同步信号的基础上，包含完整的主同步信号，定时位置指示主同步信号在信号段内的起始位置。
S2.2：如图4所示，构建和调整用于回归的卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测值逐渐趋向于真实值；
所构建的回归神经网络包括序列输入层、一维卷积层、批归一化层、ReLU层、池化层、全连接层、丢弃层和回归层。
S2.3：使用步骤S2.1得到的数据集作为训练和验证样本，训练步骤S2.2构建的回归卷积神经网络，学习接收信号中主同步信号所在位置的特征，训练出基于接收信号的回归模型，用于估计接收信号段内主同步信号的定时位置。
选用真实定时位置和估计定时位置之间的均方误差(mean-squared error，MSE)作为损失函数，表示为：
其中，τ表示样本的真实定时位置，
表示神经网络层对样本定时位置的预测，i表示数据样本的索引。
在网络训练过程中，迭代调整和更新网络的参数使得损失函数最小化。将步骤S2.1中得到的接收信号段作为输入，相应的主同步信号定时位置作为回归目标，使用Adam算法的随机梯度下降方法训练卷积神经网络，从训练数据集中随机选取若干小批量数据，根据损失梯度的反向传播更新网络的参数。存储训练后的网络参数，并验证网络的性能。
测试训练得到的神经网络的回归效果，若定时位置估计的误差在系统允许的范围内，一般是OFDM符号循环前缀长度的一半以内，则进入步骤S2.4所述的在线使用阶段，否则返回步骤S2.2，调整神经网络的结构和参数，重新进行训练。
S2.4：使用步骤S2.3中得到的卷积神经网络估计定时位置，将步骤S2.1中得到的接收信号输入到训练好的卷积神经网络，得到滑动窗口内主同步信号定时位置的估计结果。
S2.5：在步骤S2.4中得到的滑动窗口内主同步信号定时位置的基础上，根据主同步信号在无线帧内传输所在的时间位置，得到符号定时估计的结果。
后续通过检测PBCH中DM-RS和解调PBCH获取SSB索引信息以及系统帧号、半帧标识等定时信息，确定主同步信号在无线帧内传输所在的时间位置，进而得到符号定时估计的结果。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (9)
1.一种基于机器学习的5G NR下行定时同步方法，其特征在于，包括以下步骤：
S1：终端在整个无线帧的范围内搜索主同步信号，并检测主同步信号的种类，具体包括以下步骤：
S1.1：在基带接收信号上设置滑动窗口，滑动窗口捕获一段接收信号，并沿着时间方向滑动；
S1.2：在步骤S1.1中得到的接收信号的基础上，构建用于神经网络训练和验证的数据集，数据集包含数据对，数据对由接收信号段和接收信号段相应的主同步信号标识组成；
S1.3：构建分类卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测分类逐渐趋向于真实分类；
S1.4：使用步骤S1.2中得到的数据集作为训练和验证样本，训练步骤S1.3中构建的分类卷积神经网络，学习接收信号包含主同步信号的特征，训练出基于接收信号的分类模型，用于检测接收信号段内是否包含主同步信号，以及包含主同步信号的类型；
S1.5：使用步骤S1.4中得到的卷积神经网络搜索和检测主同步信号，将步骤S1.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号搜索和检测的结果；
若没有检测到主同步信号，则回到步骤S1.1，窗口继续滑动；若检测到滑动窗内包含主同步信号，则根据主同步信号的种类确定小区标识2，并进入步骤S2所述的符号定时估计阶段，估计主同步信号在接收信号段中的起始位置；
S2：终端在接收信号段内估计主同步信号的起始位置，进而估计符号定时位置，具体包括以下步骤：
S2.1：在步骤S1.5中滑动窗口内搜索和检测到主同步信号基础上，使用步骤S1.5中滑动窗口内的接收信号，构建用于神经网络训练和验证的数据集，数据集包含数据对，数据对由接收信号段和接收信号段相应的定时位置组成；
S2.2：构建回归卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测值逐渐趋向于真实值；
S2.3：使用步骤S2.1中得到的数据集作为训练和验证样本，训练步骤S2.2中构建的回归卷积神经网络，学习接收信号中主同步信号所在位置的特征，训练出基于接收信号的回归模型，用于估计接收信号段内主同步信号的定时位置；
S2.4：使用步骤S2.3中得到的卷积神经网络估计定时位置，将步骤S2.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号定时位置的估计结果；
S2.5：在步骤S2.4中得到的滑动窗口内主同步信号定时位置的基础上，根据主同步信号在无线帧内传输所在的时间位置，得到符号定时估计的结果。
2.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S1.2中，训练和验证数据集中各接收信号段设置为固定长度，对应下行接收信号中的一段；根据数据对中接收信号段包含主同步信号的情况，数据对分为四种类型，分别是：
第一种类型：包含完整的主同步信号，且对应的小区标识2为0，标识为分类0；
第二种类型：包含完整的主同步信号，且对应的小区标识2为1，标识为分类1；
第三种类型：包含完整的主同步信号，且对应的小区标识2为2，标识为分类2；
第四种类型：包含部分的主同步信号或者不包含主同步信号，标识为分类-1。
3.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S1.3中的用于分类的卷积神经网络，使用若干一维卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，通过大量历史样本数据和仿真样本数据的学习，适应不同的信道环境条件及其变化。
4.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S1.3中，所构建的分类神经网络包括序列输入层、一维卷积层、批归一化层、ReLU修正线性单元层、池化层、全连接层、丢弃层、softmax软最大层和分类层。
5.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S1.4中，将步骤S1.2中得到的接收信号段作为输入，相应的主同步信号标识作为分类标签，使用Adam自适应矩估计算法的随机梯度下降SGD方法训练神经网络直至收敛，并存储训练后的网络参数。
6.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S2.1中，训练和验证数据集中各接收信号段为固定长度，对应下行接收信号中的一段；在步骤S1.5中滑动窗内搜索和检测到主同步信号的基础上，包含完整的主同步信号，定时位置指示主同步信号在信号段内的起始位置。
7.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S2.2中，回归神经网络包括序列输入层、一维卷积层、批归一化层、ReLU修正线性单元层、池化层、全连接层、丢弃层和回归层。
8.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S2.3中，将步骤S2.1中得到的接收信号段作为输入，相应的主同步信号定时位置作为回归目标，使用Adam算法的随机梯度下降方法训练神经网络直至收敛，并存储训练后的网络参数。
9.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S2.5中，所需要的主同步信号在无线帧内传输所在的时间位置，通过SSB同步信号块中DM-RS解调参考信号和PBCH物理广播信道携带的SSB索引信息和定时信息获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723728.1A CN115103434B (zh) | 2022-06-23 | 2022-06-23 | 基于机器学习的5g nr下行定时同步方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723728.1A CN115103434B (zh) | 2022-06-23 | 2022-06-23 | 基于机器学习的5g nr下行定时同步方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115103434A true CN115103434A (zh) | 2022-09-23 |
| CN115103434B CN115103434B (zh) | 2024-06-21 |
Family
ID=83293312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210723728.1A Active CN115103434B (zh) | 2022-06-23 | 2022-06-23 | 基于机器学习的5g nr下行定时同步方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115103434B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
| US20210084601A1 (en) * | 2019-09-16 | 2021-03-18 | Movandi Corporation | 5g signals detection using neural network |
| CN112672403A (zh) * | 2020-12-08 | 2021-04-16 | 复旦大学 | 适用于5g-nr毫米波通信系统的初始小区发现方法 |
-
2022
- 2022-06-23 CN CN202210723728.1A patent/CN115103434B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
| US20210084601A1 (en) * | 2019-09-16 | 2021-03-18 | Movandi Corporation | 5g signals detection using neural network |
| CN112672403A (zh) * | 2020-12-08 | 2021-04-16 | 复旦大学 | 适用于5g-nr毫米波通信系统的初始小区发现方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李晓辉 等: "基于卷积神经网络的高性能5G 下行同步算法", 北京邮电大学学报, vol. 45, no. 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115103434B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1132386C (zh) | 使用接收信号的多采样定时减小同信道干扰的方法和系统 | |
| CN100420248C (zh) | 蜂窝式正交频分复用通信系统的单元搜寻方法 | |
| CN100539484C (zh) | 时域同步正交频分复用接收机的帧同步方法及其系统 | |
| CN112567656B (zh) | 信号检测装置、信号检测方法、控制电路以及存储介质 | |
| CN108989259B (zh) | 无线综测仪窄带物理上行共享信道的时偏估计方法及系统 | |
| CN105791201B (zh) | Lte/lte-a系统中上行信号的盲同步方法 | |
| CN108696305A (zh) | 适用于lte-a mimo信号分析系统的高精度频偏测量方法 | |
| CN108881089A (zh) | 遥测系统中soqpsk调制信号的导频检测方法 | |
| CN108881092B (zh) | 一种基于5g通信网络的频偏估计方法及系统 | |
| CN103997478B (zh) | Ofdm‑wlan系统的定时同步硬件实现方法 | |
| CN103701498A (zh) | 电力线载波通信的信号处理方法与装置 | |
| Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
| US11677480B2 (en) | Systems, methods, and apparatus for symbol timing recovery based on machine learning | |
| Ahn et al. | Deep neural network-based joint active user detection and channel estimation for mMTC | |
| CN107612864B (zh) | 突发模式简化符号同步方法的判决门限值设定方法 | |
| CN115103434B (zh) | 基于机器学习的5g nr下行定时同步方法 | |
| CN101611606A (zh) | 接收到的数字信号的符号同步方法以及利用该方法的数字信号接收器 | |
| CN109714146A (zh) | 一种基于滑窗的二次相关帧同步方法 | |
| CN101667990A (zh) | Ofdm频率偏移联合估计方法 | |
| CN109981516B (zh) | 多载波系统的数据接收方法、装置、设备及可读存储介质 | |
| CN107196720B (zh) | 针对时间同步且不存在频偏情况下的ofdm信号频谱感知方法 | |
| CN112910817B (zh) | 基于一维搜索和能量检测的ofdm时间同步方法 | |
| CN110808939A (zh) | 一种基于kmeans算法的相位跟踪补偿方法 | |
| CN110417699A (zh) | 一种基于机器学习的ofdm系统符号定时同步的方法 | |
| CN107465473B (zh) | 针对时间同步且存在频偏情况下的ofdm信号频谱感知方法 |
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 |