CN117295149B - 一种基于低复杂度elm辅助的帧同步方法和系统 - Google Patents
一种基于低复杂度elm辅助的帧同步方法和系统 Download PDFInfo
- Publication number
- CN117295149B CN117295149B CN202311571909.8A CN202311571909A CN117295149B CN 117295149 B CN117295149 B CN 117295149B CN 202311571909 A CN202311571909 A CN 202311571909A CN 117295149 B CN117295149 B CN 117295149B
- Authority
- CN
- China
- Prior art keywords
- complexity
- elm
- index
- strongest path
- low
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 abstract description 10
- 241001106462 Ulmus Species 0.000 description 60
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000051616 Ulmus minor Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—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
- G06N3/048—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
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
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低复杂度ELM辅助的帧同步方法和系统，包括：首先，根据传统互相关方法实现路径初始特征抽取，初步捕获可分辨路径中的最强路径，得到定时度量矢量，并将定时度量矢量作简化处理，得到简化型定时度量矢量作为ELM网络的输入；然后，利用低复杂度的ELM网络捕获最强路径；最后，利用门限判决搜索模块以最强路径为基准，搜索可分辨路径中的首达路径，得到帧边界偏移估计值。本发明方法不仅提高了帧同步正确性和泛化性，而且极大地降低了帧同步的计算复杂度和处理延迟，在实际应用中具有较高的效率和可行性。
Description
技术领域
本发明涉及人工智能(AI, artificial intelligence)帧同步技术领域，特别涉及一种基于低复杂度极限学习机(ELM, extreme learning machine)辅助的帧同步方法和系统。
背景技术
在现代无线通信系统中，帧同步的性能严重影响后续的信号处理进程。准确的帧同步可以确保对正确的起始位置进行信号恢复和解码等操作，对解调和解码的准确性至关重要。如何提高帧同步性能，降低帧同步错误概率，提高系统泛化性，一直是国内外专家的研究热点。然而，无线通信环境中存在多径干扰，会带来信号传播中的时延扩展、衰落效应和符号间干扰等问题。传统方法估计到的帧同步起始位置通常是最强路径而并非首达路径，从而降低了帧同步性能。此外，现有的神经网络帧同步方法中网络的泛化性问题亦未得到良好改善。
为了提高多径环境下的帧同步性能，基于压缩感知的帧同步方法通过多次迭代，消除干扰，提高了帧同步的准确性，然而该方法需要多次迭代处理，计算复杂度高；基于ELM网络的帧同步方法，虽然提高了帧同步性能，但系统的泛化性问题亟待解决。
发明内容
本发明针对现有技术的缺陷，提供了一种基于低复杂度ELM辅助的帧同步方法和系统。利用经典帧同步方法进行预处理，并辅以门限判决搜索技术实现系统帧同步估计。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于低复杂度ELM辅助的帧同步方法，包括以下步骤：
S1、根据传统同步方法得到定时度量矢量及初始同步索引/>；所述传统同步方法包括互相关法和自相关法；
S2、将位于初始同步索引之后的度量值置零并进行归一化，得到简化型定时度量矢量/>；
S3、根据简化型定时度量矢量，构建低复杂度ELM网络，借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>；
S4、根据最强路径索引值，利用门限判决搜索模块在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>；
所述门限判决搜索模块根据实际工程需要进行方法选择，方法包括固定门限、统计方法、自适应门限、基于机器学习的门限。
进一步地，所述步骤S2中，将位于初始同步索引后的度量值置零并归一化，得到简化型定时度量矢量/>，具体包括以下步骤：
S21 、根据本地训练序列与接收信号矢量/>，利用传统互相关方法得到定时度量矢量/>，表示为：
；其中，/>表示接收信号的观察窗长度，表示接收信号的训练序列长度，/>表示互相关方法产生的定时度量，下标t表示中某个定时度量对应的索引；
S22 、为简化定时度量矢量，将定时度量矢量/>中的初始同步索引后的互相关度量置零得到/>，以降低计算复杂度，即：
；
；/>表示时间延迟为/>到的时刻的值为0；
S23 、将进行归一化得到简化型定时度量矢量/>，表示为：
；
所述的简化型定时度量矢量的长度为/>，/>表示ELM网络输入层的神经元个数。
进一步地，步骤S3中借助低复杂度ELM网络寻找最强路径，得到最强路径索引值，具体如下：
将简化型定时度量矢量送入已训练的低复杂度ELM网络中，计算网络的输出，即：
； 其中，/>和/>分别为低复杂度ELM网络的输入权重和隐藏层偏置，/>为低复杂度ELM网络的输出权重，/>(·)为激活函数，用于对隐藏层的加权输入进行非线性映射；/>表示/>；
将参数展开为/>，得到最强路径索引值/>，即：
；其中，参数/>是一个包含/>个元素的列向量，每个元素/>代表了某个时刻的值，i=0、1/>，/>表示输出节点的模的平方，/>是第j个输出节点的输出。
进一步地，所述步骤S3中，低复杂度ELM网络架构设置步骤包括：
S31 、将ELM网络的输入与输出节点数均设置为；
S32 、将ELM网络的隐藏层节点数设置为，有/>，以降低系统复杂度；
S33 、根据One-hot编码，将ELM网络的训练标签设置为：
；其中,/>表示第/>个训练样本，/>表示第/>训练样本中可分辨路径中最强路径索引值。
进一步地，所述方法步骤S4所述的门限判决搜索模块进一步包括：
S41 根据最强路径索引值对应的ELM网络输出绝对值，设置门限/>，如下式：
；其中，/>表示门限设置因子，根据实际工程经验设置；/>表示最强路对应的ELM网络的输出；
S42以最强路径索引值为基准，根据下式搜索首达路径，即：
；其中，/>表示在/>上寻找满足条件/>的最小的/>的取值。
本发明还公开了一种基于低复杂度ELM辅助的帧同步系统，该系统能够用于实施上述的帧同步方法，具体的，包括：
传统同步模块：利用互相关法或自相关法，用于得到定时度量矢量g和初始同步索引。
简化型定时度量矢量生成模块：根据传统同步方法得到的定时度量矢量g和初始同步索引，将位于索引/>之后的度量值置零并进行归一化，得到简化型定时度量矢量/>。
低复杂度ELM网络模块：根据简化型定时度量矢量，构建低复杂度ELM网络。
最强路径搜索模块：根据简化型定时度量矢量，构建低复杂度ELM网络,借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>。
门限判决搜索模块：根据最强路径索引值，在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>。
与现有技术相比，本发明的优点在于：
1.降低计算复杂度：传统的帧同步方法通常需要进行复杂的计算和算法优化，以找到帧同步位置。而基于低复杂度ELM辅助的方法通过简化定时度量矢量和利用ELM网络进行快速计算，大大降低了计算复杂度。
2.减少处理延迟：由于低复杂度ELM网络具有快速的训练和预测能力，帧同步方法可以在较短的时间内得到结果，从而降低了处理延迟。这对于实时信号处理和通信系统来说非常重要，可以提高系统的响应速度和性能。
3.高准确性：通过传统同步方法得到的定时度量矢量作为输入，再利用低复杂度ELM网络寻找最强路径，可以更准确地找到最可能的帧同步位置。
4.鲁棒性：采用最强路径索引值和门限判决搜索的组合，可以在存在噪声、多路径干扰等情况下，仍能准确估计帧边界位置。
5.实时性：由于低复杂度ELM网络的快速训练和预测能力，帧同步方法可以在实时信号处理中得到快速应用。
附图说明
图1为本发明实施例基于低复杂度ELM辅助的帧同步方法流程图；
图2为本发明实施例低复杂度ELM网络的网络架构图；
图3为本发明实施例门限判决搜索模块处理流程图；
图4为本发明实施例有效性验证示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
如图1所示，一种基于低复杂度ELM辅助的帧同步方法，包括以下步骤：
以传统互相关方法和门限设置因子为例：
S1接收信号矢量与本地训练序列/>进行互相关运算，得到定时度量矢量/>以及初始同步索引/>，有以下过程：
取接收端观察窗长度为，接收信号矢量/>可展开为：
基于互相关的同步度量可表示为：
；其中，/>是根据训练序列的循环移位构成的循环移位矩阵，可表示为：
由得到定时度量矢量/>，可表示为：
根据互相关方法选择最强路径这一特点，由可得到初始最强路径索引点/>，可表示为：
S2将定时度量矢量中位于索引值/>后的度量值置零并归一化，得到简化型定时度量矢量/>，有以下过程：
由于互相关方法通常找到最强路径，而非首达路径，因此，为了降低后续ELM的计算复杂度，故将之后的度量值置零得到/>，即：
为了方便ELM网络的运算,对矢量进行归一化处理，得到简化型定时度量矢量/>，即：
；其中，/>表示L2范数归一化处理；
S3根据简化型定时度量矢量，借助低复杂度ELM网络进一步寻找最强路径，得到最强路径索引值/>，有以下过程：将/>送入已训练的低复杂度ELM网络中，计算网络的输出，即：
；其中，/>和/>分别为低复杂度ELM网络的输入权重和隐藏层偏置，/>为低复杂度ELM网络的输出权重。
将展开为/>，得到最强路径索引值/>，即：
S4根据最强路径索引值，利用门限判决搜索模块搜索首达路径，最终得到帧边界偏移估计值/>。
如图2所示，低复杂度ELM网络包括输入层，单隐藏层以及输出层。输入层的神经元个数由第一阶段得到的简化型定时度量矢量/>决定，即/>；输出层的神经元个数由未知的最强路径索引值/>的最大搜索长度决定，即/>；由于对定时度量矢量/>的简化处理，使得最强路径索引的搜索范围由/>缩小为/>，这极大地降低了ELM网络的计算复杂度，故较小的ELM网络隐藏层即可高效地完成对最强路径的特征提取，本例选取隐藏层/>，即/>。
其中，低复杂度ELM网络架构如表1所示，对应的描述如下：
（1）该神经网络包括1个输入层、1个隐藏层和1个输出层。
（2）输入层结点数等于输出层结点数，均为，隐藏层的神经元结点数为。
（3）输入层归一化方式为L2范数归一化。
（4）隐藏层激活函数为sigmoid函数。
表1 低复杂度ELM网络架构
网络的训练标签由以下过程得出：
首先，收集个训练样本，形成训练数据集/>，其中，表示第/>个样本的训练标签。由于在训练阶段，多径衰落信道的冲激响应/>可以视为已知条件，因此可以求出可分辨路径中最强路径索引值/>，即：
；最后，标签/>根据one-hot编码以及第/>个样本的索引值/>得到，有：
值得说明的是，通常ELM网络的隐藏层为输入层节点数的8-10倍，本发明为0.5倍，这极大得降低了系统的运算复杂度和处理延迟。
如图3所示，门限判决搜索模块处理如下：
首先，根据ELM网络得出的最强路径索引值对应的网络输出绝对值/>设置门限/>，以门限设置因子/>为例，有：/>；再由/>开始依次将网络的输出/>与/>进行比较，搜索首达路径。若存在/>，则立即停止搜索，并将此时的索引值/>作为首达路径的索引；
最后，得到帧边界偏移估计值，即：
。
为验证本发明实施例提出的一种基于低复杂度ELM辅助的帧同步方法能够改善帧同步性能，特进行以下实验。
如附图2中所述的ELM网络架构设计，考虑多径瑞利衰落信道，且首达路径非最强径，指数衰落功率系数；假定训练序列/>，多径条数/>，接收信号的观察窗长度/>，门限设置因子/>；训练次数/>，信噪比(SignalNoise Ratio, SNR)的分贝(Decibel, dB)形式定义为：/>；其中，/>为发射信号的平均功率，/>为干扰噪声的平均功率。
为了表达简洁，用“本发明提出方法加门限”表示本发明提出的方法，用“本发明提出方法不加门限/>”表示本发明提出的方法中不进行门限判断搜索，用“普通ELM方法”表示非低复杂度的ELM方法，用“经典帧同步方法加门限/>”和“经典帧同步方法不加门限/>”分别表示传统互相关方法加门限判决搜索以及仅传统互相关方法。
由图4可看出，在上述仿真条件下，“普通ELM方法”、“经典帧同步方法加门限”以及“经典帧同步方法不加门限/>”错误概率远高于“本发明提出方法加门限/>”。同时“本发明提出方法不加门限/>”的错误概率远高于“本发明提出方法加门限/>”。这表明若没有门限判决搜索低复杂度的ELM方法帧同步错误概率很高，反映了门限判决搜索模块在基于低复杂度ELM辅助的帧同步中的重要性。此外，“经典帧同步方法不加门限/>”方法的帧同步几乎不适用，是因为传统互相关方法通常定位最强路径而非首达路径，在首达路径非最强路径的情况下此方法失效。总的来说，与其他几种方法相比，本发明提出的基于低复杂度ELM辅助的帧同步方法对降低帧同步错误概率有很大的改善。
本实施例通过统计复数乘法次数来评估计算复杂度，各方法的计算复杂度如表2所示。
表2计算复杂度
从表2给定的实例可以看出，“本发明提出方法加门限”与“普通ELM方法”相比，极大得减少了复数乘法的次数，为“普通ELM方法”的0.21倍，提升帧同步性能的同时降低了运算复杂度。虽然“经典帧同步方法不加门限/>”的计算复杂度比“本发明提出方法加门限”低，但“本发明提出方法加门限/>”的帧同步错误概率远远低于“经典帧同步方法不加门限/>”，牺牲部分计算复杂度换取帧同步性能大幅度提升在可接受的范围之内。本发明能够降低计算复杂度提高帧同步错误概率主要得益于对初始定时度量的简化处理以及门限判决搜索模块对首达路径的搜索。
本发明再一个实施例中，提供了一种基于低复杂度ELM辅助的帧同步系统，该系统能够用于实施上述的帧同步方法，具体的，包括：
传统同步模块：利用互相关法或自相关法，用于得到定时度量矢量g和初始同步索引。
简化型定时度量矢量生成模块：根据传统同步方法得到的定时度量矢量g和初始同步索引，将位于初始同步索引/>之后的度量值置零并进行归一化，得到简化型定时度量矢量/>。
低复杂度ELM网络模块：根据简化型定时度量矢量，构建低复杂度ELM网络。
最强路径搜索模块：借助低复杂度ELM网络寻找最强路径，得到最强路径索引值。
门限判决搜索模块：根据最强路径索引值，在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于帧同步方法的操作，包括以下步骤：
一种基于低复杂度ELM辅助的帧同步方法，其方法包括：
S1根据传统同步方法得到定时度量矢量及初始同步索引/>，将位于索引/>之后的度量值置零并进行归一化，得到简化型定时度量矢量/>；
所述传统同步方法包括互相关法和自相关法；
S2根据简化型定时度量矢量，构建低复杂度ELM网络，借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>，最强路径表示最可能的帧同步位置。
S3根据最强路径索引值，利用门限判决搜索模块在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关帧同步方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
S1根据传统同步方法得到定时度量矢量及初始同步索引/>，将位于索引/>之后的度量值置零并进行归一化，得到简化型定时度量矢量/>；
所述传统同步方法包括互相关法和自相关法；
S2根据简化型定时度量矢量，构建低复杂度ELM网络，借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>，最强路径表示最可能的帧同步位置。
S3根据最强路径索引值，利用门限判决搜索模块在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于低复杂度ELM辅助的帧同步方法，其特征在于，包括以下步骤：
S1、根据传统同步方法得到定时度量矢量及初始同步索引/>；所述传统同步方法包括互相关法和自相关法；
S2、将位于初始同步索引之后的度量值置零并进行归一化，得到简化型定时度量矢量/>；
具体包括以下步骤：
S21 、根据本地训练序列与接收信号矢量/>，利用传统互相关方法得到定时度量矢量，表示为：
；
其中，表示接收信号的观察窗长度，/>表示接收信号的训练序列长度，/>表示互相关方法产生的定时度量，下标t表示/>中某个定时度量对应的索引；
S22 、为简化定时度量矢量，将定时度量矢量/>中的初始同步索引，后的互相关度量置零得到/>，以降低计算复杂度，即：
；
；/>表示时间延迟为/>到的时刻的值为0；
S23 、将进行归一化得到简化型定时度量矢量/>，表示为：
；
所述的简化型定时度量矢量的长度为/>，/>表示ELM网络输入层的神经元个数；
S3、根据简化型定时度量矢量，构建低复杂度ELM网络，借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>；
具体如下：
将简化型定时度量矢量送入已训练的低复杂度ELM网络中，计算网络的输出，即：
，
其中，和/>分别为低复杂度ELM网络的输入权重和隐藏层偏置，/>为低复杂度ELM网络的输出权重，/>(·)为激活函数，用于对隐藏层的加权输入进行非线性映射，表示/>；
将参数展开为/>，得到最强路径索引值/>，即：
，
其中，参数是一个包含/>个元素的列向量，每个元素/>代表了某个时刻的值，i=0、1/>，/>表示输出节点的模的平方，/>是第j个输出节点的输出；
低复杂度ELM网络架构设置步骤包括：
S31 、将ELM网络的输入与输出节点数均设置为；
S32 、将ELM网络的隐藏层节点数设置为，有/>，以降低系统复杂度；
S33 、根据One-hot编码，将ELM网络的训练标签设置为：
,
其中,表示第/>个训练样本，/>表示第/>个训练样本中可分辨路径中最强路径索引值；
S4、根据最强路径索引值，利用门限判决搜索模块在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>；
所述门限判决搜索模块根据实际工程需要进行方法选择，方法包括固定门限、统计方法、自适应门限、基于机器学习的门限。
2.根据权利要求1所述的帧同步方法，其特征在于：所述方法步骤S4所述的门限判决搜索模块进一步包括：
S41 根据最强路径索引值对应的ELM网络输出绝对值，设置门限/>，如下式：
，
其中，表示门限设置因子，根据实际工程经验设置；/>表示最强路对应的ELM网络的输出；
S42以最强路径索引值为基准，根据下式搜索首达路径，即：
，
其中，表示在/>上寻找满足条件/>的最小的/>的取值。
3.一种基于低复杂度ELM辅助的帧同步系统，其特征在于：该系统能够用于实施权利要求1或2所述的帧同步方法，具体的，包括：
传统同步模块：利用互相关法或自相关法，用于得到定时度量矢量g和初始同步索引；
简化型定时度量矢量生成模块：根据传统同步方法得到的定时度量矢量g和初始同步索引，将位于初始同步索引/>之后的度量值置零并进行归一化，得到简化型定时度量矢量/>；
低复杂度ELM网络模块：根据简化型定时度量矢量，构建低复杂度ELM网络；
最强路径搜索模块：根据简化型定时度量矢量，构建低复杂度ELM网络；借助低复杂度ELM网络寻找最强路径，得到最强路径索引值/>；
门限判决搜索模块：根据最强路径索引值，在索引/>内搜索首达路径的索引值，完成系统帧同步估计，得到帧边界偏移估计值/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571909.8A CN117295149B (zh) | 2023-11-23 | 2023-11-23 | 一种基于低复杂度elm辅助的帧同步方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571909.8A CN117295149B (zh) | 2023-11-23 | 2023-11-23 | 一种基于低复杂度elm辅助的帧同步方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117295149A CN117295149A (zh) | 2023-12-26 |
| CN117295149B true CN117295149B (zh) | 2024-01-30 |
Family
ID=89248367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311571909.8A Active CN117295149B (zh) | 2023-11-23 | 2023-11-23 | 一种基于低复杂度elm辅助的帧同步方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117295149B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971457A (zh) * | 2019-11-20 | 2020-04-07 | 西华大学 | 一种基于elm的时间同步方法 |
| 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 |
| EP3930276A1 (en) * | 2020-06-23 | 2021-12-29 | Commsolid GmbH | Method for a joint time-frequency synchronization of user equipment in nb-iot networks |
| CN114978842A (zh) * | 2022-05-19 | 2022-08-30 | 西华大学 | 一种基于神经网络的二阶段ofdm系统的定时同步方法 |
| CN115226197A (zh) * | 2022-07-19 | 2022-10-21 | 山东闻远通信技术有限公司 | 无线通信的帧定时同步方法、装置、电子设备 |
| CN115941418A (zh) * | 2022-11-29 | 2023-04-07 | 西安交通大学 | 一种基于多段重复前导序列的定时同步及频偏估计方法 |
-
2023
- 2023-11-23 CN CN202311571909.8A patent/CN117295149B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971457A (zh) * | 2019-11-20 | 2020-04-07 | 西华大学 | 一种基于elm的时间同步方法 |
| EP3930276A1 (en) * | 2020-06-23 | 2021-12-29 | Commsolid GmbH | Method for a joint time-frequency synchronization of user equipment in nb-iot networks |
| 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 |
| CN114978842A (zh) * | 2022-05-19 | 2022-08-30 | 西华大学 | 一种基于神经网络的二阶段ofdm系统的定时同步方法 |
| CN115226197A (zh) * | 2022-07-19 | 2022-10-21 | 山东闻远通信技术有限公司 | 无线通信的帧定时同步方法、装置、电子设备 |
| CN115941418A (zh) * | 2022-11-29 | 2023-04-07 | 西安交通大学 | 一种基于多段重复前导序列的定时同步及频偏估计方法 |
Non-Patent Citations (7)
| Title |
|---|
| FH_DS电台中跳频图案设计与跳频加密技术的研究;卿朝进;CNKI优秀硕士学位论文全文库;全文 * |
| Qualcomm Incorporated.GP-140841 "Narrow band OFDMA - Synchronisation".3GPP tsg_geran\TSG_GERAN.2014,(第GERAN_64_San_Francisco期),全文. * |
| 一种星内网络系统构架的选型及实现;蔡曦;CNKI优秀硕士学位论文全文库;全文 * |
| 基于同步发电机模型的逆变器并网研究;赵倩;CNKI优秀硕士学位论文全文库;全文 * |
| 基于自相关系数插值的迭代符号定时同步;游行远;杨平;彭军伟;彭开志;;工程科学与技术(第03期);全文 * |
| 教材管理系统的设计与实现;李兆延;CNKI优秀硕士学位论文全文库;全文 * |
| 粒子群优化算法研究及其在协调控制中的应用;杨娜;CNKI优秀硕士学位论文全文库;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117295149A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022027937A1 (zh) | 一种神经网络压缩方法、装置、设备及存储介质 | |
| CN110298663B (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| EP3836435B1 (en) | Channel prediction method and related device | |
| CN108701210A (zh) | 用于cnn网络适配和对象在线追踪的方法和系统 | |
| CN107743056B (zh) | 一种基于压缩感知辅助的scma多用户检测方法 | |
| CN111931820B (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
| CN104794501B (zh) | 模式识别方法及装置 | |
| CN110853630B (zh) | 面向边缘计算的轻量级语音识别方法 | |
| CN112132266A (zh) | 基于卷积循环网络的信号调制识别系统及调制识别方法 | |
| CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
| WO2024113782A1 (zh) | 一种图像实例分割方法、系统、设备以及非易失性可读存储介质 | |
| CN114978842B (zh) | 一种基于神经网络的二阶段ofdm系统的定时同步方法 | |
| CN113626812A (zh) | 基于结构特征筛选及负载扩展的机器学习木马检测方法 | |
| CN115936248A (zh) | 基于注意力网络的电力负荷预测方法、装置及系统 | |
| CN117295149B (zh) | 一种基于低复杂度elm辅助的帧同步方法和系统 | |
| CN114124734A (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
| CN112669819A (zh) | 基于不重叠分帧和串行fft的极低功耗语音特征提取电路 | |
| CN111914109A (zh) | 一种基于深度度量学习的服装检索技术 | |
| CN115620147B (zh) | 深度卷积神经网络的可微架构搜索方法及装置 | |
| CN116226852A (zh) | 基于多模态信息融合的移动平台恶意软件检测方法及装置 | |
| CN113076123A (zh) | 一种用于目标跟踪的自适应模板更新系统及方法 | |
| CN115359335A (zh) | 一种视觉目标检测网络模型的训练方法 | |
| CN103684565A (zh) | 一种确定软比特信息的方法及装置 | |
| Sun et al. | LSTM Network-Assisted Belief Propagation Flip Polar Decoder | |
| CN115512693A (zh) | 音频识别方法、声学模型训练方法、装置和存储介质 |
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 |