CN117118797A - 一种基于LoS感知辅助的OFDM系统定时同步方法 - Google Patents
一种基于LoS感知辅助的OFDM系统定时同步方法 Download PDFInfo
- Publication number
- CN117118797A CN117118797A CN202311391548.9A CN202311391548A CN117118797A CN 117118797 A CN117118797 A CN 117118797A CN 202311391548 A CN202311391548 A CN 202311391548A CN 117118797 A CN117118797 A CN 117118797A
- Authority
- CN
- China
- Prior art keywords
- timing synchronization
- los
- timing
- value
- perception
- 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 45
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 claims description 2
- 235000009566 rice Nutrition 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2668—Details of algorithms
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
Abstract
本发明公开了一种基于LoS感知辅助的OFDM系统定时同步方法，包括：根据LoS感知辅助模块，判断当前接收信号中是否包含LoS路径，并对LoS标志值进行赋值；若接收信号中包含LoS路径，即，则采用“神经网络方法”进行定时同步估计，得到定时同步偏移估计值；若接收信号中不包含LoS路径，即，则采用“非神经网络方法”进行定时同步估计，得到定时同步偏移估计值；根据得到定时同步偏移估计值。本发明的方法不仅能够提高定时同步性能，而且能解决神经网络训练标签难以获得的问题。
Description
技术领域
本发明涉及OFDM系统定时同步的技术领域，特别涉及一种基于LoS感知辅助的OFDM系统定时同步方法。
背景技术
OFDM系统由于其良好的对抗多径衰落特性，目前已经被广泛应用于无线通信系统，比如：5G和NB-IoT。在OFDM系统中，定时同步性能将严重影响后续信号处理，甚至会影响整个通信系统的性能。然而，由于无线通信环境中存在多径干扰且信道具有时变特性，利用基于经典同步方法和基于神经网络的同步方法都不可避免地遭受到性能降低和/或训练标签难以获得的问题。
同时，在无线信号传输的过程中，由于多径干扰、信号反射、折射等原因的影响，接收信号中通常包含两种路径：LoS路径和NLoS路径。当发射机和接收机之间没有物理障碍时，接收信号中包含LoS路径，LoS路径的能量通常强于NLoS路径20dB左右。因此，如何利用LoS/NLoS的先验信息去辅助和提高定时同步性能及解决CNN训练标签难以获得的问题亟待解决。
发明内容
本发明的目的旨在提供一种基于LoS感知辅助的OFDM系统定时同步方法。在OFDM系统中，此方法与现有的基于经典相关方法的定时同步方法和基于神经网络的定时同步方法相比，本发明融合了接收信号中LoS/NLoS的先验信息，不仅辅助并提高了定时同步正确性及泛化性，而且通过信号检测方法，解决了在实际通信场景中难以获得CNN训练标签的问题。
一种基于LoS感知辅助的OFDM系统定时同步方法，其步骤包括：
S1根据LoS感知辅助模块，判断当前接收信号中是否包含LoS路径，并根据下式赋值LoS标志值/>：
；
所述LoS感知辅助模块可以根据实际工程需要进行方法选择，方法包括接收信号峰度、莱斯K因子、角度差、根均方时延扩展或者出发/到达的角度分布；
S2 若接收信号中包含LoS路径，则采用CNN进行定时同步估计，得到定时同步偏移估计值/>，执行步骤S4，否则，执行步骤S3；
S3 采用“非神经网络方法”进行定时同步估计，得到定时同步偏移估计值；
所述“非神经网络方法”包括OMP算法、自相关算法和互相关算法；
S4 根据得到定时同步偏移估计/>。
进一步地，所述方法步骤S2所述的定时同步方法进一步包括：
S21 根据接收信号和本地训练序列/>，利用经典互相关同步方法获得定时度量；
S22 将定时度量执行取模操作，得到实值定时度量/>；
S23 将实值定时度量进行归一化，得到归一化实值定时度量/>；
S24 将归一化实值定时度量输入CNN进行定时同步估计，得到定时同步偏移估计值/>；
进一步地，所述方法步骤S24所述的CNN的训练数据集进一步包括：
S241根据接收信号及路径检测方法，接收机端获得定时同步偏移估计值/>；
所述路径检测方法包括瞬时能量检测、相关检测、阈值检测、统计检测和周期检测；
S242 根据及接收信号/>，获得CNN的训练数据/>和训练标签/>；
其中，和/>分别表示第/>个训练样本中的训练数据和训练标签，/>代表训练数据集的大小；
所述CNN的架构、训练数据集、网络参数优化根据实际工程经验进行。
本发明的有益效果是：与现有的基于经典相关方法的定时同步方法与基于神经网络的定时同步方法相比，本发明得益于LoS感知模块的辅助，不仅提高了定时同步正确性及泛化性能，而且通过信号检测方法，解决了在实际通信场景中难以获得CNN训练标签的问题。
附图说明
图1为一种基于LoS感知辅助的OFDM系统定时同步方法流程图；
图2为LoS支路的处理流程图；
图3为NLoS支路的处理流程图；
具体实施方式
下面结合附图对本发明进行详细的说明。
以“非神经网络方法”为OMP算法为例：
图1为基于LoS感知辅助的OFDM系统定时同步方法流程图。接收信号首先进入感知辅助模块捕获感知信号的存在，对感知信号进行特征提取获得感知信息，并根据下式赋值LoS标志值/>：
。
依据的取值，若接收信号中包含LoS路径，即/>，则进入LoS处理支路，并采用“神经网络方法”进行定时同步估计，得到定时同步偏移估计值/>；若接收信号中不包含LoS路径，即/>，亦即仅包含NLoS路径，则进入NLoS处理支路，并采用OMP算法进行定时同步估计，得到定时同步偏移估计值/>；根据/>得到定时同步偏移估计/>。
图2为LoS支路处理流程图。若接收信号中包含LoS路径，即，首先，接收信号/>与本地已知训练序列/>执行互相关操作以提取接收信号/>的初始特征，得到定时度量。由于神经网络通常处理实数值数据，故将定时度量首先进行取模操作得到实值形式的定时度量/>，然后对其进行归一化得到归一化实值定时度量/>，形成LoS路径中CNN的实值输入。经过LoS支路中CNN的优化处理之后，得到OFDM系统的定时同步偏移估计值/>。最后，根据/>得到定时同步偏移估计/>。
其中，CNN的网络架构如表1所示，对应的详细描述如下：
(1)该神经网络包含2个卷积神经网络模块和1个全连接神经网络模块。
(2)在两个卷积神经网络模块中，第一个卷积神经网络模块包含4个一维卷积层，其卷积核大小为，填充方式为same填充且步长为1。第二个卷积神经网络模块包含2个一维卷积层，其卷积核大小为/>，填充方式为valid填充且步长亦为1。除此之外，两个卷积神经网络模块的输出都接有1个批量归一化层和1个修正线性单元(ReLU)激活函数。
其中，代表训练序列的长度。
(3)全连接神经网络模块包括含有1个展平层和1个结点数为的输出层，且输出层采用Softmax激活函数进行激活。
其中，代表定时度量/>的长度。
表1CNN的网络架构
图3为NLoS支路处理流程图。当接收信号中不包含LoS路径，即，以OMP算法为例进行非神经网络的定时同步估计，得到定时同步偏移估计值/>。最后，根据得到定时同步偏移估计/>。
Claims (3)
1.一种基于LoS感知辅助的OFDM系统定时同步方法，其特征在于，包括以下步骤：
S1、根据LoS感知辅助模块，判断当前接收信号中是否包含LoS路径，并根据下式赋值LoS标志值/>：
；
所述LoS感知辅助模块可以根据实际工程需要进行方法选择，方法包括接收信号峰度、莱斯K因子、角度差、根均方时延扩展或者出发/到达的角度分布；
S2、若接收信号中包含LoS路径，则采用CNN进行定时同步估计，得到定时同步偏移估计值/>，执行步骤S4，否则，执行步骤S3；
S3、采用“非神经网络方法”进行定时同步估计，得到定时同步偏移估计值；
所述“非神经网络方法”包括OMP算法、自相关算法和互相关算法；
S4、根据得到定时同步偏移估计值/>。
2.根据权利要求1所述的一种基于LoS感知辅助的OFDM系统定时同步方法，其特征在于，步骤S2所述的定时同步方法进一步包括：
S21、根据接收信号和本地训练序列/>，利用经典互相关同步方法获得定时度量/>；
S22、将定时度量执行取模操作，得到实值定时度量/>；
S23、将实值定时度量进行归一化，得到归一化实值定时度量/>；
S24、将归一化实值定时度量输入至CNN进行定时同步估计，得到定时同步偏移估计值。
3.根据权利要求1所述的一种基于LoS感知辅助的OFDM系统定时同步方法，其特征在于，步骤S24所述的CNN的训练数据集进一步包括：
S241、根据接收信号及路径检测方法，接收机端获得定时同步偏移估计值/>；
所述路径检测方法包括瞬时能量检测、相关检测、阈值检测、统计检测和周期检测；
S242、根据及接收信号/>，获得CNN的训练数据/>和训练标签/>；
其中，和/>分别表示第/>个训练样本中的训练数据和训练标签，/>代表训练数据集的大小；
所述CNN的架构、训练数据集、网络参数优化根据实际工程经验进行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311391548.9A CN117118797B (zh) | 2023-10-25 | 2023-10-25 | 一种基于LoS感知辅助的OFDM系统定时同步方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311391548.9A CN117118797B (zh) | 2023-10-25 | 2023-10-25 | 一种基于LoS感知辅助的OFDM系统定时同步方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117118797A true CN117118797A (zh) | 2023-11-24 |
| CN117118797B CN117118797B (zh) | 2023-12-19 |
Family
ID=88806058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311391548.9A Active CN117118797B (zh) | 2023-10-25 | 2023-10-25 | 一种基于LoS感知辅助的OFDM系统定时同步方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117118797B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103582109A (zh) * | 2012-07-23 | 2014-02-12 | 京信通信系统（中国）有限公司 | 一种时间同步方法及装置 |
| CN107563437A (zh) * | 2017-08-31 | 2018-01-09 | 广州中海达定位技术有限公司 | 基于随机森林的超宽带非视距鉴别方法 |
| CN110501674A (zh) * | 2019-08-20 | 2019-11-26 | 长安大学 | 一种基于半监督学习的声信号非视距识别方法 |
| CN111551180A (zh) * | 2020-05-22 | 2020-08-18 | 桂林电子科技大学 | 一种可辨识los/nlos声信号的智能手机室内定位系统和方法 |
| US20210160712A1 (en) * | 2019-11-26 | 2021-05-27 | Huawei Technologies Co., Ltd. | Systems and methods for estimating locations of signal shadowing obstructions and signal reflectors in a wireless communications network |
| CN113194032A (zh) * | 2020-01-29 | 2021-07-30 | 诺基亚技术有限公司 | 路径区分 |
| CN115278584A (zh) * | 2022-08-01 | 2022-11-01 | 西华大学 | 基于noma的无人机数据采集系统及其采集方法 |
-
2023
- 2023-10-25 CN CN202311391548.9A patent/CN117118797B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103582109A (zh) * | 2012-07-23 | 2014-02-12 | 京信通信系统（中国）有限公司 | 一种时间同步方法及装置 |
| CN107563437A (zh) * | 2017-08-31 | 2018-01-09 | 广州中海达定位技术有限公司 | 基于随机森林的超宽带非视距鉴别方法 |
| CN110501674A (zh) * | 2019-08-20 | 2019-11-26 | 长安大学 | 一种基于半监督学习的声信号非视距识别方法 |
| US20210160712A1 (en) * | 2019-11-26 | 2021-05-27 | Huawei Technologies Co., Ltd. | Systems and methods for estimating locations of signal shadowing obstructions and signal reflectors in a wireless communications network |
| CN113194032A (zh) * | 2020-01-29 | 2021-07-30 | 诺基亚技术有限公司 | 路径区分 |
| CN111551180A (zh) * | 2020-05-22 | 2020-08-18 | 桂林电子科技大学 | 一种可辨识los/nlos声信号的智能手机室内定位系统和方法 |
| CN115278584A (zh) * | 2022-08-01 | 2022-11-01 | 西华大学 | 基于noma的无人机数据采集系统及其采集方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHANHO YOON, ET AL.,: "" Joint Frame/Frequency Synchronization and Channel Estimation for Single-Carrier FDE 60 GHz WPAN system"", 《2010 7TH IEEE CONSUMER COMMUNICATIONS AND NETWORKING CONFERENCE》 * |
| 唐亚欣;李燕龙;杨超;王波;: ""地空信道下基于OFDM/OQAM系统的时频同步算法"", 计算机应用, no. 03 * |
| 张凡;: ""IEEE 802.16d系统的帧同步和频率同步研究"", 电脑与信息技术, no. 04 * |
| 徐佩钦: ""5G大规模MIMO下深度学习辅助的多点协作波束成形方法"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 胡青松;张赫男;王鹏;杨维;李世银;: ""目标定位中的非视距传播研究综述"", 工矿自动化, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117118797B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20070054664A (ko) | 무선 통신 시스템에서 수신 신호의 도달 시간 산정 방법 | |
| CN114152837B (zh) | 一种多尺度小波变换下的波头识别方法及装置 | |
| CN113194548B (zh) | 一种智能超表面辅助的大规模无源随机接入方法 | |
| CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
| CN103561469B (zh) | 一种室内定位方法及系统 | |
| CN104133983A (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
| CN114124734B (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
| CN114978842B (zh) | 一种基于神经网络的二阶段ofdm系统的定时同步方法 | |
| CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
| CN117118797B (zh) | 一种基于LoS感知辅助的OFDM系统定时同步方法 | |
| CN108333571A (zh) | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 | |
| CN110460354A (zh) | 一种伪码序列盲估计系统 | |
| CN102347808B (zh) | 在无线通信节点上消除已知干扰的方法及装置 | |
| CN101697492B (zh) | 双二元卷积Turbo码译码方法和装置 | |
| CN104092479A (zh) | 激活码检测方法和装置 | |
| Lee et al. | Deep learning‐based scalable and robust channel estimator for wireless cellular networks | |
| CN108055149A (zh) | 一种时频同步应用中端到端流量异常特征提取方法 | |
| CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
| CN106534028A (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
| KR102204320B1 (ko) | OvXDM시스템에 적용하는 디코딩 방법, 장치 및 OvXDM시스템 | |
| CN113037409A (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
| Xue et al. | Channel Estimation Algorithm Based on Multi-modal Neural Network | |
| Ren et al. | Modulation recognition method of communication signal based on cnn-lstm dual channel | |
| CN117295149B (zh) | 一种基于低复杂度elm辅助的帧同步方法和系统 | |
| CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 |
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 |