DE102021103487A1 - Empfänger und Betriebsverfahren für denselben - Google Patents

Abstract

Ein Hochfrequenzempfänger (10) beinhaltet eine Kanal-Schätzeinrichtung (16), wobei die Kanal-Schätzeinrichtung folgende Merkmale aufweist: einen Merkmalsextrahierer (110), der so konfiguriert ist, dass er ein oder mehrere Merkmale von einem empfangenen Signal extrahiert, wobei die Merkmale eine Kanalkorrelation aufweisen, die basierend auf einem Referenzsignal in einem aktuellen Zeitschlitz abgeschätzt wird, wobei die abgeschätzte Kanalkorrelation eine Veränderungsrate eines drahtlosen Kanals im Zeitverlauf anzeigt; und eine Doppler-Aufweitungs-Schätzeinrichtung (100), die so konfiguriert ist, dass sie eine Doppler-Aufweitung des drahtlosen Kanals durch Zuführen der Merkmale zu einem oder mehreren Doppler-Verschiebungs-Prädiktoren (120) abschätzt, die an Trainingsdaten in einem Signal-Rausch-Verhältnis- (SNR-) Trainingsbereich und in einem Doppler-Verschiebungs-Trainingsbereich trainiert werden, wobei jeder Doppler-Verschiebungs-Prädiktor (120) auf einem Abschnitt der Trainingsdaten trainiert wird, die einem unterschiedlichen Abschnitt der Trainingsdaten entsprechen.

Description

• Aspekte von Ausführungsformen gemäß der vorliegenden Offenbarung beziehen sich auf drahtlose Datenübertragungen und auf eine auf einem überwachten Lernen basierende Doppler-Aufweitungsabschätzung.
• HINTERGRUND
• Auf dem Gebiet der drahtlosen Datenübertragungen überwachen Hochfrequenz-Sendeempfänger die Eigenschaften der Kommunikationskanäle, um sich an verändernde Signalausbreitungsbedingungen der elektromagnetischen Umgebung anzupassen. Diese Eigenschaften werden im Allgemeinen als Kanalzustandsinformationen (CSI) bezeichnet und können Effekte beinhalten, wie z. B. eine Streuung, ein Fading bzw. einen Schwund, einen Leistungsabfall und eine Doppler-Aufweitung. Ein Kanalabschätzungs- (CE-) Block eines Hochfrequenz-Sendeempfängers kann zum Abschätzen der CSI von verschiedenen Kanälen eines empfangenen Hochfrequenzsignals in einem Betriebsfrequenzbereich des Hochfrequenz-Sendeempfängers verwendet werden.
• Auf dem Gebiet der drahtlosen Datenübertragungen kann ein Hochfrequenz-Sendeempfänger eine einer Doppler-Verschiebung unterzogene Version eines übertragenen Signals empfangen, wenn der Hochfrequenz-Sender und der HochfrequenzEmpfänger sich relativ zueinander bewegen. Im Fall eines zellularen Landmobilfunksystems ist z. B. eine Basisstation (z. B. ein Mobilfunkmast) im Allgemeinen ortsfest angebracht, während eine oder mehrere Mobilstationen (z. B. Smartphones), die mit der Basisstation kommunizieren, stationär oder beweglich sein können. Im Allgemeinen wird die Frequenz des empfangenen Signals nach oben verschoben (erhöht), wenn die Mobilstation sich in Richtung auf die Basisstation zubewegt, und die Frequenz des empfangenen Signals wird nach unten verschoben (reduziert) wird, wenn die Mobilstation sich von der Basisstation entfernt. Das Ausmaß der beobachteten Doppler-Verschiebung ƒ_d nimmt z. B. im Allgemeinen zu, wenn sich die Mobilstation in einem sich schnell fortbewegenden Auto befindet, als wenn sie im Gegensatz dazu auf einem Büroschreibtisch liegt. Die Verbreiterung des Frequenzspektrums des übertragenen Signals aufgrund der Veränderungsrate der Doppler-Verschiebung wird als eine Doppler-Aufweitung D_s bezeichnet.
• Die Doppler-Aufweitung wird im Allgemeinen für eine Zeitinterpolation in dem Kanalabschätzungsblock einer Hochfrequenz sowie für eine Software-Steuerung als Teil des Systems für die Hochfrequenz verwendet, um Übertragungen an aktuelle Kanalbedingungen anzupassen, um so zuverlässige Datenübertragungen zu erhalten.
• KURZFASSUNG
• Aspekte von Ausführungsformen der vorliegenden Offenbarung beziehen sich auf Systeme und Verfahren zum Abschätzen der Doppler-Aufweitung basierend auf einem überwachten Lernen.
• Gemäß einer Ausführungsform der vorliegenden Offenbarung beinhaltet ein Verfahren zum Abschätzen der Doppler-Aufweitung eines drahtlosen Kanals folgende Schritte: ein Extrahieren eines oder mehrerer Merkmale eines empfangenen Signals, durch eine Verarbeitungsschaltung eines Hochfrequenzempfängers, wobei die Merkmale eine abgeschätzte Kanalkorrelation in einem aktuellen Zeitschlitz aufweisen, wobei die abgeschätzte Kanalkorrelation eine Veränderungsrate des drahtlosen Kanals im Zeitverlauf anzeigt; und ein Berechnen, durch die Verarbeitungsschaltung, einer Doppler-Aufweitung des drahtlosen Kanals durch Zuführen der Merkmale zu einem oder mehreren Doppler-Verschiebungs-Prädiktoren, die an Trainingsdaten in einem Signal-Rausch-Verhältnis- (SNR-) Trainingsbereich und in einem Doppler-Verschiebungs-Trainingsbereich trainiert werden, wobei jeder Doppler-Verschiebungs-Prädiktor auf einem Abschnitt der Trainingsdaten trainiert wird, die einem unterschiedlichen Abschnitt der Trainingsdaten entsprechen. Die abgeschätzte Kanalkorrelation kann eine einzelne infinite-impulse-response-gefilterte Kanalkorrelation beinhalten.
• Die Merkmale können eine oder mehrere abgeschätzte Kanalkorrelationen basierend auf einem oder mehreren Referenzsignalen in einem oder mehreren vorherigen Zeitschlitzen beinhalten.
• Das Referenzsignal kann ein Tracking-Referenzsignal sein.
• Die Doppler-Verschiebungs-Prädiktoren können jeweils basierend auf einem unterschiedlichen Teilbereich des SNR-Trainingsbereichs trainiert werden, wobei jeder Teilbereich eine Untergrenze und eine Obergrenze aufweist, und wobei das Verfahren ferner folgende Schritte beinhalten kann: ein Bestimmen eines aktuellen SNR des empfangenen Signals; und ein Auswählen eines Doppler-Verschiebungs-Prädiktors aus den Doppler-Verschiebungs-Prädiktoren basierend auf dem aktuellen SNR, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors über dem aktuellen SNR liegt.
• Die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors kann dem aktuellen SNR aus den Untergrenzen der Teilbereiche, die höher als das aktuelle SNR sind, am nächsten sein.
• Die Doppler-Verschiebungs-Prädiktoren können jeweils basierend auf einem unterschiedlichen Teilbereich des Doppler-Verschiebungs-Trainingsbereichs trainiert werden, wobei das Verfahren ferner folgende Schritte beinhalten kann: ein Berechnen; durch die Verarbeitungsschaltung, von einer oder mehreren Klassifikationswahrscheinlichkeiten durch Zuführen der Merkmale zu einem Doppler-Verschiebungs-Klassifizierer-Netzwerk, wobei eine jeweilige der Klassifikationswahrscheinlichkeiten einem unterschiedlichen von den Doppler-Verschiebungs-Prädiktoren entspricht, wobei die Merkmale den Doppler-Verschiebungs-Prädiktoren zugeführt werden können, um eine oder mehrere prognostizierte Doppler-Verschiebungen zu berechnen, und wobei die Berechnung der Doppler-Aufweitung ein Kombinieren der prognostizierten Doppler-Verschiebungen gemäß den Klassifikationswahrscheinlichkeiten aufweist.
• Das Kombinieren der prognostizierten Doppler-Verschiebungen kann ein Summieren von einem oder mehreren Produkten aus den mit den entsprechenden der Klassifikationswahrscheinlichkeiten multiplizierten prognostizierten Doppler-Verschiebungen beinhalten.
• Das Kombinieren der prognostizierten Doppler-Verschiebungen kann ein Ausgeben, aus den prognostizierten Doppler-Verschiebungen, von einer mit einer höchsten Wahrscheinlichkeit prognostizierten Doppler-Verschiebung beinhalten, die einer höchsten Klassifikationswahrscheinlichkeit von den Klassifikationswahrscheinlichkeiten entspricht.
• Der SNR-Trainingsbereich der Trainingsdaten kann größer sein als ein SNR-Betriebsbereich des Hochfrequenzempfängers.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann so trainiert werden, dass er eine prognostizierte Doppler-Verschiebung basierend auf einem Regressionsmodell berechnet.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann so trainiert werden, dass er die Merkmale durch Berechnen von einer oder mehreren Wahrscheinlichkeiten klassifiziert, wonach die Merkmale jeweils einem oder mehreren Bereichen der Doppler-Verschiebungen entsprechen.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann ein mehrschichtiges Perzeptron (MLP) sein.
• Gemäß einer Ausführungsform der vorliegenden Offenbarung beinhaltet ein Hochfrequenzempfänger eine Kanal-Schätzeinrichtungs-Verarbeitungsschaltung, wobei die Kanal-Schätzeinrichtungs-Verarbeitungsschaltung folgende Merkmale aufweist: einen Merkmalsextrahierer, der so konfiguriert ist, dass er ein oder mehrere Merkmale von einem empfangenen Signal extrahiert, wobei die Merkmale eine abgeschätzte Kanalkorrelation in einem aktuellen Zeitschlitz aufweisen, wobei die abgeschätzte Kanalkorrelation eine Veränderungsrate eines drahtlosen Kanals im Zeitverlauf anzeigt; und eine Doppler-Aufweitungs-Schätzeinrichtung, die so konfiguriert ist, dass sie eine Doppler-Aufweitung des drahtlosen Kanals durch Zuführen der Merkmale zu einem oder mehreren Doppler-Verschiebungs-Prädiktoren abschätzt, die an Trainingsdaten in einem Signal-Rausch-Verhältnis- (SNR-) Trainingsbereich und in einem Doppler-Verschiebungs-Trainingsbereich trainiert werden, wobei jeder Doppler-Verschiebungs-Prädiktor auf einem Abschnitt der Trainingsdaten trainiert wird, die einem unterschiedlichen Abschnitt der Trainingsdaten entsprechen. Die abgeschätzte Kanalkorrelation kann eine einzelne infinite-impulse-response-gefilterte Kanalkorrelation aufweisen.
• Die Merkmale können eine oder mehrere abgeschätzte Kanalkorrelationen basierend auf einem oder mehreren Referenzsignalen in einem oder mehreren vorherigen Zeitschlitzen aufweisen.
• Das Referenzsignal kann ein Tracking-Referenzsignal sein.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann basierend auf einem unterschiedlichen Teilbereich des SNR-Trainingsbereichs trainiert werden, wobei jeder Teilbereich eine Untergrenze und eine Obergrenze aufweist, und wobei die Kanal-Schätzeinrichtungs-Verarbeitungsschaltung ferner folgende Merkmale beinhalten kann: einen SNR-Extrahierer, der so konfiguriert ist, dass er einen aktuellen SNR des empfangenen Signals extrahiert; und eine Prädiktor-Wähleinrichtung, die so konfiguriert ist, das sie einen Doppler-Verschiebungs-Prädiktor aus den Doppler-Verschiebungs-Prädiktoren basierend auf dem aktuellen SNR auswählt, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors über dem aktuellen SNR liegt.
• Die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors kann dem aktuellen SNR aus den Untergrenzen der Teilbereiche, die über dem aktuellen SNR liegen, am nächsten sein.
• Jeder von den Doppler-Verschiebungs-Prädiktoren kann basierend auf einem unterschiedlichen Teilbereich des Doppler-Verschiebungs-Trainingsbereichs trainiert werden, wobei die Doppler-Aufweitungs-Schätzeinrichtung ein Doppler-Verschiebungs-Klassifizierer-Netzwerk aufweist, das so konfiguriert ist, dass es eine oder mehrere Klassifikationswahrscheinlichkeiten berechnet, wonach die Eingabemerkmale Klassen angehören, die den Doppler-Verschiebungs-Prädiktoren entsprechen, wobei die Doppler-Aufweitungs-Schätzeinrichtung so konfiguriert sein kann, dass sie die Merkmale den Doppler-Verschiebungs-Prädiktoren zuführt, um eine oder mehrere prognostizierte Doppler-Verschiebungen zu berechnen, und die Doppler-Aufweitungs-Schätzeinrichtung so konfiguriert sein kann, dass sie die Doppler-Aufweitung durch Kombinieren der prognostizierten Doppler-Verschiebungen gemäß den Klassifikationswahrscheinlichkeiten berechnet.
• Die Doppler-Aufweitungs-Schätzeinrichtung kann so konfiguriert sein, dass sie die prognostizierten Doppler-Verschiebungen durch Summieren von einem oder mehreren Produkten von den prognostizierten Doppler-Verschiebungen, die mit entsprechenden von den Klassifikationswahrscheinlichkeiten multipliziert werden, kombiniert.
• Die Doppler-Aufweitungs-Schätzeinrichtung kann konfiguriert sein, dass sie die prognostizierten Doppler-Verschiebungen durch Ausgeben, aus den prognostizierten Doppler-Verschiebungen, einer mit einer höchsten Wahrscheinlichkeit prognostizierten Doppler-Verschiebung kombiniert, die einer höchsten Klassifikationswahrscheinlichkeit von den Klassifikationswahrscheinlichkeiten entspricht.
• Der SNR-Trainingsbereich der Trainingsdaten kann größer sein als ein SNR-Betriebsbereich des Hochfrequenzempfängers.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann so trainiert werden, dass er eine prognostizierte Doppler-Verschiebung basierend auf einem Regressionsmodell berechnet.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann so trainiert werden, dass er die Merkmale durch Berechnen von einer oder mehreren Wahrscheinlichkeiten klassifiziert, wonach die Merkmale jeweils einem oder mehreren Bereichen von Doppler-Verschiebungen entsprechen.
• Jeder der Doppler-Verschiebungs-Prädiktoren kann ein mehrschichtiges Perzeptron sein.
• Figurenliste
• Die beispielhaften Ausführungsformen der vorliegenden Offenbarung werden nachstehend unter Bezugnahme auf die beigefügte Zeichnung in Verbindung mit der Beschreibung veranschaulicht und dienen zusammen mit der Beschreibung der Erläuterung der Grundsätze der vorliegenden Offenbarung. Es zeigen:
• 1 ein schematisches Blockdiagramm einer Mobilstation.
• 2 ein schematisches Blockdiagramm eines drahtlosen Kommunikationssystems, in dem eine Basisstation ein Signal an eine Mobilstation überträgt.
• 3 ein Blockdiagramm eines Doppler-Aufweitungs-Prädiktors gemäß einer Ausführungsform der vorliegenden Offenbarung.
• 4 einen Graphen, in dem, bei Verwendung einer Bessel-Funktion oder bei Verwendung eines mehrschichtigen Perzeptrons gemäß Ausführungsformen der vorliegenden Offenbarung als eine Abbildungsfunktion, eine Beziehungen zwischen Kanalkorrelationen und einer Doppler-Verschiebung verglichen wird.
• 5 ein Blockdiagramm einer Doppler-Verschiebungs-Schätzeinrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung.
• 6 ein Flussdiagramm, das ein Verfahren zum Abschätzen einer Doppler-Aufweitung unter Verwendung von einem oder mehreren Doppler-Verschiebungs-Prädiktoren gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
• 7A ein Flussdiagramm, das ein Verfahren gemäß einer Ausführungsform der vorliegenden Offenbarung zum Auswählen eines Doppler-Verschiebungs-Prädiktors zwischen zwei unterschiedlichen Doppler-Verschiebungs-Prädiktoren darstellt.
• 7B ein Flussdiagramm, das ein Verfahren gemäß einer Ausführungsform der vorliegenden Offenbarung zum Auswählen von zumindest einem Doppler-Verschiebungs-Prädiktor zwischen einem oder mehreren unterschiedlichen Doppler-Verschiebungs-Prädiktoren darstellt.
• 8 ein Blockdiagramm einer Doppler-Verschiebungs-Schätzeinrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung, die so konfiguriert ist, dass sie eine Doppler-Verschiebung abschätzt, indem Prognosen von einem oder mehreren Doppler-Verschiebungs-Prädiktoren kombiniert werden.
• 9 ein Blockdiagramm einer Doppler-Verschiebungs-Schätzeinrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung, die so konfiguriert ist, dass sie eine Doppler-Verschiebung abschätzt, indem Prognosen von einem oder mehreren Doppler-Verschiebungs-Prädiktoren gemäß Konfidenzen in den Doppler-Verschiebungs-Prädiktoren kombiniert werden.
• 10 eine schematische Darstellung eines Doppler-Verschiebungs-Prädiktors gemäß einer Ausführungsform der vorliegenden Offenbarung unter Verwendung eines IIR-Filters, um eine oder mehrere Kanalkorrelationen zu kombinieren.
• 11 eine schematische Darstellung eines Doppler-Verschiebungs-Prädiktors gemäß einer Ausführungsform der vorliegenden Offenbarung, in der eine oder mehrere Kanalkorrelationen von einem Fenster aus TRS-Zeitschlitzen als Eingabe in ein mehrschichtiges Perzeptron zugeführt werden.
• AUSFÜHRLICHE BESCHREIBUNG
• In der nachstehenden ausführlichen Beschreibung werden nur bestimmte beispielhafte Ausführungsformen der vorliegenden Offenbarung mittels Darstellung gezeigt und beschrieben. Wie Fachleuten klar sein dürfte, kann die Offenbarung in vielen unterschiedlichen Formen verkörpert sein, wobei diese nicht als auf die hierin aufgeführten Ausführungsformen beschränkt aufgefasst werden sollen.
• Der Übersichtlichkeit halber werden die Aspekte der Ausführungsformen der vorliegenden Offenbarung hierin in Verbindung mit einem Hochfrequenz-Sendeempfänger eines Mobilfunkmodems beschrieben. Die Ausführungsformen der vorliegenden Offenbarung sind jedoch nicht darauf beschränkt, wobei ein Durchschnittsfachmann vor dem effektiven Anmeldetag der vorliegenden Anmeldung davon ausgehen würde, dass die Ausführungsformen der vorliegenden Offenbarung auch dann angewendet werden können, wenn eine Doppler-Aufweitung in einem anderen Kontext abgeschätzt werden soll.
• In einigen Hochfrequenzübertragungsstandards, wie z. B. dem 5G-New-Radio (NR-) Standard, kann ein Mobilfunk-Hochfrequenz-Sendeempfänger ein von einer Basisstation empfangenes Tracking-Referenzsignal (TRS) verwenden, um die Doppler-Aufweitung D_s abzuschätzen. Eine Technik berechnet z. B. eine abgeschätzte Kanalkorrelation zwischen Kanälen entsprechend zwei Tracking-Referenzsignalen und führt dann die abgeschätzte Kanalkorrelation einer umgekehrten Bessel-Funktion zu, um die Doppler-Aufweitung D_s zu erhalten.
• Dieser Lösungsansatz setzt jedoch voraus, dass die Beziehung zwischen den Kanalkorrelationen und der Doppler-Aufweitung der umgekehrten Bessel-Funktion folgt. In der Praxis weisen Kanäle nicht immer eine umgekehrte Bessel-Funktionsbeziehung zwischen den Kanalkorrelationen und der Doppler-Aufweitung auf. Daneben muss die Rauschleistung von der Kanalleistung entfernt werden, wenn die Kanalkorrelation berechnet wird, und dementsprechend reagiert die Genauigkeit der Abschätzung der Kanalkorrelation sensibel auf die Abschätzung der Rauschvarianz an. Ferner kann unter gewissen Umständen auch nur ein TRS-Zeitschlitz (zwei TRS-Symbole) pro TRS-Periode vorliegen, so dass nur ein Korrekturwert für die Doppler-Aufweitungsabschätzung zur Verfügung steht, was in einer niedrigen Auflösung der Doppler-Aufweitungsabschätzung resultiert. Gemäß dem 5G-NR-Standard besteht z. B. bei einem Betrieb bei FR2 (Frequenzbereich 2, der Frequenzbänder im Millimeterwellenbereich von 24 GHz bis 100 GHz beinhaltet) die Möglichkeit, dass nur 1 TRS-Zeitschlitz pro TRS-Periode übertragen wird.
• Dementsprechend beziehen Aspekte der Ausführungsformen der vorliegenden Offenbarung auf ein Abschätzen der Doppler-Aufweitung unter Verwendung eines überwachten Lernens einer Maschine. Genauer gesagt beziehen sich einige Aspekte der Ausführungsformen der vorliegenden Offenbarung auf die Verwendung eines überwachten Lernens (z. B. die Verwendung eines Modells für maschinelles Lernen, wie z. B. eines neuronalen mehrschichtigen Perzeptron- (MLP-) Netzwerks oder eines anderen neuronalen Netzwerks) zum Erlernen einer Abbildungsfunktion (oder eines „Doppler-Aufweitungs-Prädiktors“) von der abgeschätzten Kanalkorrelation auf die Doppler-Aufweitung, wo die Abbildungsfunktion an gesammelten experimentellen Daten, die Kanalkorrelation mit einer Doppler-Aufweitung in Beziehung bringen, trainiert wird. Während einer Online-Prognose wird die abgeschätzte Korrelation der gelernten Abbildungsfunktion (dem Doppler-Aufweitungs-Prädiktor) zugeführt, um die abgeschätzte Doppler-Aufweitung zu erzeugen.
• Abbildungsfunktionen (oder Doppler-Aufweitungs-Prädiktoren) gemäß den Ausführungsformen der vorliegenden Offenbarung werden anhand der von funktionsfähigen Hochfrequenzdatenübertragungssystem gesammelten Daten trainiert und passen daher eher zu dem tatsächlichen Verhalten dieser funktionierenden Systeme, anstatt sich auf spezielle Annahmen über die Betriebsumgebung und das Verhalten dieser Systeme zu stützen. Darüber hinaus können die trainierten Doppler-Aufweitungs-Prädiktoren gemäß den Ausführungsformen der vorliegenden Offenbarung, angesichts eines ausreichend großen und diversen Satzes von Trainingsdaten, robuste (z. B. genaue) Abschätzungen der Doppler-Aufweitung über einem Bereich von unterschiedlichen Betriebsbedingungen verallgemeinern und produzieren, z. B. verteilen sich unterschiedliche Signal-Rausch-Verhältnisse (SNRs) über einem SNR-Trainingsbereich, wodurch Ausführungsformen der vorliegenden Offenbarung ermöglicht wird, eine Rauschvarianz auszugleichen. Gemäß einigen Aspekten der Ausführungsformen der vorliegenden Offenbarung nutzt der Doppler-Aufweitungs-Prädiktor zudem eine oder mehrere zuvor abgeschätzte Kanalkorrelationen (z. B. von vorherigen TRS-Perioden), um die Abschätzung der Doppler-Aufweitung bei der aktuellen TRS-Periode zu verbessern.
• 1 ist ein schematisches Blockdiagramm einer Mobilstation. Wie in 1 gezeigt ist, kann eine Mobilstation 10 eine Antenne 11 beinhalten, die so konfiguriert ist, dass sie ein elektromagnetisches Signal 30 empfängt (das z. B. durch eine Basisstation übertragen wird). Das empfangene Signal kann einem Empfangsfilter (z. B. einem Bandpassfilter) zugeführt werden, und das gefilterte Signal kann einem Detektor 14 und einer Kanal-Schätzeinrichtung 16 zugeführt werden. Die Kanal-Schätzeinrichtung 16 kann Kanalzustandsinformationen (CSI) erzeugen, die zum Steuern des Detektors 14 sowie anderer Komponenten der Mobilstation 10 verwendet werden, um sich so an verändernde Bedingungen in der Umgebung, wie z. B. die Bewegung der Mobilstation 10 relativ zu der Basisstation, und/oder Veränderungen in der Umgebung, durch die sich das elektromagnetische Signal 30 ausbreitet, anzupassen. Gemäß einigen Ausführungsformen der vorliegenden Offenbarung kommuniziert die Kanal-Schätzeinrichtung 16 mit einer oder beinhaltet eine Doppler-Aufweitungs-Schätzeinrichtung 100. Die Ausgabe der Kanal-Schätzeinrichtung 16 (die die Ausgabe der Doppler-Aufweitungs-Schätzeinrichtung 100 beinhalten kann, oder die Informationen beinhalten kann, die basierend auf der Ausgabe der Doppler-Aufweitungs-Schätzeinrichtung berechnet werden) wird dem Detektor 14 zugeführt, der die Kanalabschätzungen verwendet, um eine Symboldetektion durchzuführen. Der Dekodierer 18 kann so konfiguriert sein, dass er die detektierten Symbole von dem Detektor 14 empfängt und die detektierten Symbole zu Daten 50 dekodiert, wie z. B. einen digitalen Bitstrom, der zum Verbrauch durch Anwendungen in der Mobilstation 10 zugeführt wird, wie z. B. Sprachanrufe, Datenpakete und dergleichen. In verschiedenen Ausführungsformen der vorliegenden Offenbarung können die Komponenten der Mobilstation 10, wie z. B. das Filter 12, der Detektor 14, die Kanal-Schätzeinrichtung 16, die Doppler-Aufweitungs-Schätzeinrichtung 100 und der Dekodierer 18, in einer oder mehreren Verarbeitungsschaltungen (z. B. einem Hochfrequenz-Basisbandprozessor (BP oder BPP), einer zentralen Verarbeitungseinheit (CPU), einem Microcontroller, einem digitalen Signalprozessor (DSP), einem feldprogrammierbaren Gate-Array (FPGA) oder einer anwendungsspezifischen integrierten Schaltung (ASIC)) einer digitalen Hochfrequenz implementiert sein, wobei verschiedene Abschnitte von verschiedenen Blöcken in derselben Schaltung (z. B. auf demselben Chip oder derselben Packung) oder in unterschiedlichen Schaltungen (z. B. auf unterschiedlichen Chips oder in unterschiedlichen Packungen, die über einen Kommunikationsbus verbunden sind) implementiert sein können.
• 2 ist ein schematisches Blockdiagramm eines Kommunikationssystems, in dem eine Basisstation (BS) 20 ein Signal 30 an eine mobile Station (MS) 10 überträgt, wobei die Mobilstation 10 eine Doppler-Aufweitungs-Schätzeinrichtung 100 beinhaltet. Das Ausmaß der Doppler-Verschiebung in dem Signal, das durch die Mobilstation 10 empfangen wird, kann von der relativen Bewegung (z. B. Geschwindigkeit) der Mobilstation 10 in Bezug auf die Basisstation 20 abhängen, und daher kann die Doppler-Aufweitung in dem Signal, das durch die Basisstation 20 empfangen wird, auch von der relativen Bewegung der Mobilstation 10 in Bezug auf die Basisstation 20 abhängen.
• Wie zuvor angemerkt, berechnen einige Vergleichssysteme eine Doppler-Aufweitung anhand von abgeschätzten Kanalkorrelationen unter Verwendung einer inversen Bessel-Funktion basierend auf einer Annahme, dass die Kanalstatistik dem Jakes-Modell entsprechend folgt. Basierend auf dem Jakes-Modell weist die Kanal-Autokorrelationsfunktion die Form der Gleichung 1 auf: $$R\left(\tau ,f_d\right)=J_0\left(2\pi f_d\tau \right)$$

  

  wenn τ den Zeitunterschied bezeichnet und ƒ_d die maximale Doppler-Verschiebung bezeichnet, wie nachstehend in Gleichung 2 definiert ist: $$f_d=\frac{fv}{c}$$

  

  wenn c die Geschwindigkeit von Licht bezeichnet, ƒ die Frequenz des übertragenen Signals 30 bezeichnet und v die Geschwindigkeit der Mobilstation 10 ist. Formal ist die Doppler-Aufweitung definiert als D_s = ƒ_d - (-ƒ_d) = 2ƒ_d. Der hierin verwendete Begriff der Doppler-Aufweitungsabschätzung wird austauschbar verwendet mit der maximalen Doppler-Verschiebungsabschätzung, welche beide die Abschätzung von ƒ_d oben benennen. Die J₀(·) bezeichnet die Bessel-Funktion nullter Ordnung der ersten Art, wie sie in der Gleichung 3 gezeigt ist: $$J_0\left(x\right):=\frac{1}{\pi }{\displaystyle \int {}_0^{\pi }{e}^{jxcos\theta }d\theta }$$

  
• Es ist zu beachten, dass die Kanal-Autokorrelationsfunktion R(τ,ƒ_d) oben basierend auf der Annahme des Kanalmodells nach Jake hergeleitet wird, so dass das Kanalmodell nach Jake daher implizit angenommen wird, wenn eine inverse Bessel-Funktion zur Beschreibung der Beziehung zwischen der Kanalkorrelation und der Doppler-Verschiebung ƒ_d verwendet wird. Diese Annahme des Kanalmodells nach Jake mag für einige Arten von Kanalmodellen gültig sein, wie z. B. ein erweitertes Fußgänger-A-Modell (EPA), ein erweitertes Fahrzeug-A-Modell (EVA), ein erweitertes Typische - Stadt-Modell (ETU), sowie Modelle einer angezapften Verzögerungsleitung (TDL), mag aber für einige andere Arten von Kanalmodellen, beispielsweise Modelle einer geclusterten Verzögerungsleitung (CDL), keine Gültigkeit haben. In der Praxis kann eine inverse Bessel-Funktion die Beziehung zwischen einer abgeschätzten Kanalkorrelation und einer Doppler-Aufweitung aufgrund von beispielsweise einer nicht-idealen Abschätzung der Kanalkorrelation möglicherweise nicht exakt beschreiben. In der Praxis kann die Anzahl von Referenzsignalelementen z. B. nicht ausreichend groß sein, um einen genauen Mittelwert für die Kanalkorrelation zu berechnen, oder kann auch die Rauschvarianzberechnung ungenau sein.
• 3 ist ein Blockdiagramm einer Doppler-Aufweitungs-Schätzeinrichtung 100 gemäß einer Ausführungsform der vorliegenden Offenbarung. Wie in 3 gezeigt ist, ist eine Doppler-Aufweitungs-Schätzeinrichtung 100 gemäß einer Ausführungsform der vorliegenden Offenbarung so konfiguriert, dass sie eingegebene abgeschätzte Kanäle empfängt. Ein Merkmalsextrahierer 110 ist so konfiguriert, dass er Merkmale von den zugeführten Kanälen extrahiert, wobei die Merkmale z. B. abgeschätzte Kanalkorrelationen beinhalten. Die extrahierten Merkmale werden einem trainierten Doppler-Verschiebungs-Prädiktor 120 zugeführt, der so konfiguriert ist, dass er eine einen Wert einer abgeschätzte Doppler-Verschiebung 300 basierend auf den extrahierten Merkmalen berechnet. Ein trainierter Doppler-Verschiebungs-Prädiktor 120 gemäß Ausführungsformen der vorliegenden Erfindung ist aus Trainingsdaten konstruiert, die von einem realen, physischen System oder einem praktischen Link-Level-Simulator gesammelt werden, und kann daher so trainiert werden, dass er das Verhalten des Systems genauer als eine inverse Bessel-Funktion modellieren kann.
• Gemäß einigen Ausführungsformen der vorliegenden Offenbarung ist ein Merkmalsextrahierer 110 so konfiguriert, dass er Merkmale aus eingegebenen abgeschätzten Kanälen extrahiert. Die speziellen Merkmale beinhalten Informationen, die anhand von verschiedenen Charakteristiken der eingegebenen, abgeschätzten Kanäle decodiert oder berechnet werden. In einigen Ausführungsformen der vorliegenden Offenbarung ist der Merkmalsextrahierer 120 so konfiguriert, dass er Kanalkorrelationen C(T) anhand der eingegebenen, abgeschätzten Kanäle extrahiert. Diese Kanalkorrelationen können basierend auf den TRS-Signalen von einem oder mehreren TRS-Zeitschlitzen in den empfangenen Signalen berechnet werden. Im Allgemeinen wird eine Kanalkorrelation C(T) eines abgeschätzten Kanals h̃ durch Gleichung 4 angegeben: $$C\left(T\right)=\frac{E\left\{\widehat{h}\left(t+T,k\right)\widehat{h}\ast \left(t,k\right)\right\}}{\frac{1}{2}E\left\{{\left|\widehat{h}\left(t+T,k\right)\right|}^2+{\left|\widehat{h}\left(t,k\right)\right|}^2\right\}-\gamma \cdot {\sigma }^2}$$

  

  wenn h̃(t,k) den abgeschätzten Kanal bei Symbolzeit t bezeichnet, und der Subcarrier k, σ² die Rauschvarianz bezeichnet, die in dem abgeschätzten Kanal enthalten ist, und γ ∈ [0,1] ein konfigurierbarer Parameter ist, der zum Anpassen der Menge des zu subtrahierenden Rauschens verwendet wird. T bezeichnet die Zeitdifferenz zwischen zwei TRS-Symbolen innerhalb eines TRS-Zeitschlitzes oder an zwei TRS-Zeitschlitzen. Eine Kanalkorrelation kann zwischen dem Paar von TRS-Symbolen innerhalb eines gegebenen TRS-Zeitschlitzes oder an zwei aufeinanderfolgenden TRS-Zeitschlitzen berechnet werden, wenn zwei TRS-Zeitschlitze pro TRS-Periode zugeordnet sind.
• In der Praxis kann sich die exakte Abschätzung der Rauschvarianz σ² als schwierig erweisen, und es kann sich zudem als schwierig erweisen, einen geeigneten Wert für den Rauschsubtraktionsparameter γ zu wählen. Gemäß einiger Ausführungsformen der vorliegenden Offenbarung wird γ auf 0 (null) gesetzt, um den Effekt einer Rauschvarianzabschätzung zu eliminieren. Darüber hinaus ist es unter gewissen Umständen praktischer, die Erwartungsoperation E {·} unter Verwendung eines einfachen gemittelten Wertes zu implementieren. Dementsprechend wird in einigen Ausführungsformen der vorliegenden Offenbarung die Kanalkorrelation C(T) gemäß Gleichung 5 implementiert: $$\left(T\right)\triangleq \frac{\frac{1}{K}{\sum }_{k=1}^K\left\{\widehat{h}\left(t+T,k\right)\widehat{h}\ast \left(t,k\right)\right\}}{\frac{1}{2}\cdot \frac{1}{K}{\sum }_{k=1}^K\left\{{\left|\widehat{h}\left(t+T,k\right)\right|}^2+{\left|\widehat{h}\left(t,k\right)\right|}^2\right\}}$$

  

  wenn K die Anzahl der Subcarrier ist.
• Neben der Berechnung von aktuellen Kanalkorrelationen basierend auf den TRS-Symbolen des aktuellen TRS-Zeitschlitzes kann der Merkmalsextrahierer 110 auch zusätzliche Merkmale berechnen. Zum Beispiel berechnet der Merkmalsextrahierer 110 in einigen Ausführungsformen der vorliegenden Offenbarung Merkmale basierend auf Kanalkorrelationen, die anhand von vorherigen TRS-Perioden abgeschätzt wurden (z. B. kann der Merkmalsextrahierer 110 einen Speicher beinhalten, der ein Fenster von Kanalkorrelationen speichert, die zuvor für frühere TRS-Perioden berechnet wurden).
• Gemäß einigen Ausführungsformen der vorliegenden Offenbarung wird ein Doppler-Aufweitungs-Prädiktor basierend auf tatsächlich gemessenen Daten von einem funktionsfähigen drahtlosen Kommunikationssystem oder von einem praktischen Link-Level-Simulator trainiert. Dementsprechend können in einigen Ausführungsformen der vorliegenden Offenbarung die Trainingsdaten Daten beinhalten, die anhand von Übertragungen zwischen einem Sender und einem Empfänger mit einer Vielzahl von unterschiedlichen Parametern erfasst wurden, wie z. B. einem Signal-Rausch-Verhältnis (SNR), einem Kanal (z. B. EPA, EVA, TDL-A, TDL-D), digitalen Portkonfigurationen (z. B. 1x2, 1x4, 1x8), analogen Antennenkonfigurationen (z. B. 2, 4, 8), einer Dopplerverschiebung ƒ_d, einem Modulations-Codierschema (MCS), einem Subcarrier-Spacing (SCS) und einer Größe einer schnellen Fourrier-Transformation (FFT). Für jede spezielle Kombination von diesen Parametern (z. B. für jeden speziellen Satz von Übertragungseinstellungen) werden die Trainingsdaten während der Übertragung aufgezeichnet. Jede Abtastung in den Trainingsdaten beinhaltet eine Eingabe und eine Ausgabe, wobei die Eingabe die Merkmale beinhaltet, die durch den Merkmalsextrahierer 110 extrahiert wurden, und die Ausgabe die Doppler-Verschiebung ƒ_d beinhaltet, unter der die Übertragung stattfindet (z. B. eine gemessene Doppler-Verschiebung ƒ_d im Fall eines Betriebssystems oder eine konfigurierte Doppler-Verschiebung ƒ_d im Fall eines Simulators). Der endgültige Trainingsdatensatz enthält eine große Menge an Trainingsdaten, die anhand der Übertragungen unter verschiedenen Kombinationen von unterschiedlichen Parametern gesammelt werden.
• Der Doppler-Verschiebungs-Prädiktor 120 kann ein neuronales Netzwerk (z. B. ein mehrschichtiges Perzeptron (MLP), ein rekurrentes neuronales Netzwerk (RNN), ein Long-Short-Term-Memory (LSTM) oder dergleichen) oder eine andere Form eines Modells für maschinelles Lernens beinhalten. Zur Veranschaulichung werden die Ausführungsformen der vorliegenden Offenbarung in Bezug auf die Verwendung eines mehrschichtigen Perzeptrons (MLP) als das Modell für maschinelles Lernen beschrieben, jedoch sind Ausführungsformen der vorliegenden Offenbarung nicht darauf beschränkt.
• Bei der Anwendung eines überwachten Lernens wird ein Modells für maschinelles Lernen im Allgemeinen durch Anpassen einer Mehrzahl von Parametern des Modells (z. B. Gewichtungen von Verbindungen zwischen Neuronen eines neuronalen Netzwerks) trainiert, um eine Kostenfunktion zwischen einem Wert, der durch ein Modell basierend auf den Eingaben des Modells (z. B. den Merkmalen, die durch den Merkmalsextrahierer 110 anhand der eingegebenen, abgeschätzten Kanäle ĥ extrahiert wurden) berechnet wurde, und den Ground-Truth-Werten (z. B. der gemessenen oder konfigurierten Doppler-Verschiebung ƒ_d, die den Kanälen h zugeordnet ist) zu minimieren. Im Fall eines neuronalen Netzwerks kann der Trainingsprozess ein Anwenden des Rückpropagierungsalgorithmus bei absteigendem Gradienten beinhalten, um die Parameter des Modells für eine Minimierung der Kostenfunktion iterativ zu aktualisieren.
• Die gesammelten Trainingsdaten enthalten viele zu Paaren gebündelte Datenabtastwerte, wobei jedes Paar eine bestimmte Eingabe, z. B. C(T) (oder bestimmte andere Eingabemerkmale) und eine Ausgabe, die Ground-Truth-Doppler-Aufweitung ƒ_d, beinhaltet. Während des Offline-Trainings des Doppler-Verschiebungs-Prädiktors 120 (z. B. eines mehrschichtigen Perzeptrons) wird der Doppler-Verschiebungs-Prädiktor 120 so trainiert, dass er die Eingabe (z. B. von dem Signal durch den Merkmalsextrahierer 110 extrahierte Kanalkorrelationen C(T)) auf die Ausgabe (Ground-truth-Doppler-Aufweitung ƒ_d) abbildet. Während einer Online-Prognose (z. B. wenn der Doppler-Verschiebungs-Prädiktor 120 in einer Mobilstation 10 zum Berechnen von Kanalzustandsinformationen verwendet wird), werden die aktuellen Kanalkorrelationen C(T) berechnet und in den Doppler-Verschiebungs-Prädiktor 120 eingegeben, um eine abgeschätzte Doppler-Aufweitung ${\widehat{f}}_d$

  

  zu berechnen.
• Im Einzelnen bedeutet dies, dass die Doppler-Aufweitungsabschätzung, bei Betrachtung derselben innerhalb des lernenden Rahmenwerks, als ein Regressionsproblem formuliert werden kann, zumindest weil die abgeschätzte Doppler-Verschiebung ƒ_d ein einzelner kontinuierlicher Wert ist. Wenn daher das Trainieren des Doppler-Verschiebungs-Prädiktors 100 als ein Regressionsproblem behandelt wird, kann der Optimierungsprozess des Trainierens eines Modells für maschinelles Lernen basierend auf einem Regressionsmodell durch Minimieren eines Quadratsummenfehlers in Bezug auf die Parameter θ durchgeführt werden, wie in Gleichung 6 gezeigt ist: $$\underset{\theta }{{\displaystyle \text{min}}}\frac{1}{N}{\sum }_{n=1}^N{\left(F_{\theta }\left(g_n\right)-f_{d,n}\right)}^2$$

  

  wenn die Doppler-Aufweitungs-Prognosefunktion als F_θ, bezeichnet werden, θ die gelernten Parameter der Doppler-Aufweitungs-Prognosefunktion darstellt, die Eingabemerkmale als g und die wahre Doppler-Aufweitung als ƒ_d bezeichnet werden kann. Vorstehend wird angenommen, dass der Trainingsdatensatz N Eingabe-/Ausgabe-Paare {g_n, ƒ_d,n}, n = 1, ... , N enthält.
• Die Doppler-Aufweitung kann jedoch einen weiten Bereich abdecken und dabei möglicherweise Tausende von Hertz bei FR2 (z. B. Millimeterwellenfrequenzen) erreichen. Die abgeschätzte Doppler-Verschiebung ƒ_d kann daher ebenfalls einen weiten Bereich abdecken, z.B. ƒ_d ∈ [0,2000]. Wenn das Trainieren des Modells für maschinelles Lernen auf einem Lösen der vorstehenden Quadratsummenfehler-Minimierungsfunktion basiert, dann werden die Trainingsabtastwerte entsprechend einer kleinen Doppler-Aufweitung nicht hervorgehoben, weil der Fehler (F_θ(g_n) - ƒ_d,n)² für eine kleine f_d,n im Allgemeinen kleiner ist als der Fehler (F_θ(g_n) - ƒ_d,n)² für eine große ƒ_d,n, Dies bewirkt sehr ungenaue Doppler-Aufweitungsabschätzungen, wenn die wahre Doppler-Aufweitung klein ist.
• Dementsprechend kann in einigen Ausführungsformen der vorliegenden Offenbarung der Prozess des Trainierens eines Modells für maschinelles Lernen basierend auf einem Regressionsmodell durch Minimieren eines normalisierten Quadratsummenfehlers in Bezug auf die Parameter θ durchgeführt werden, wie sie in Gleichung 7 gezeigt sind: $$\underset{\theta }{{\displaystyle \text{min}}}\frac{1}{N}{\sum }_{n=1}^N{\left(\frac{F_{\theta }\left(g_n\right)-f_{d,n}}{f_{d,n}}\right)}^2$$

  
• Durch Verwendung des vorstehend normalisierten Quadratsummenfehlers als die Kostenfunktion werden die einer großen Doppler-Aufweitung entsprechenden Trainingsabtastwerte nicht hervorgehoben, da der Fehler (F_θ(g_n) - ƒ_d,n)² durch $f_{d,n}^2$

  

  geteilt wird, so dass die Kosten für eine große ƒ_d,n gemindert werden (z. B. wird die Kostenfunktion in Bezug auf ƒ_d,n normalisiert).
• In einigen Ausführungsformen der vorliegenden Offenbarung wird die Doppler-Aufweitungsprognose nicht als ein Regressionsproblem, sondern als ein Klassifikationsproblem behandelt, indem der Doppler-Aufweitungsbereich in mehrere kleine Regionen oder Bereiche unterteilt wird. Jede Region einer Doppler-Aufweitung wird als eine Klasse betrachtet und durch eine einzelne Doppler-Aufweitung dargestellt (z. B. die mittlere Doppler-Aufweitung der Region). Der Doppler-Aufweitungs-Prädiktor wird dann trainiert, um die Eingabemerkmale g auf eine Wahrscheinlichkeit oder Konfidenz einer jeweiligen Klasse abzubilden (z. B. Berechnen von einer Mehrzahl von Wahrscheinlichkeiten, wobei jede Wahrscheinlichkeit eine Konfidenz darstellt, die die Eingabemerkmale auf eine entsprechende der Regionen der Doppler-Aufweitungen abbilden). In einigen Ausführungsformen wird dann die endgültige Doppler-Aufweitungsabschätzung berechnet, indem die Doppler-Aufweitung, die eine jeweilige Klasse darstellt, basierend auf der Wahrscheinlichkeit einer jeweiligen Klasse kombiniert wird, wie nachstehend ausführlicher erläutert wird.
• Tabelle 1 unten stellt ein Beispiel für die Division eines Doppler-Verschiebungsbereichs in M unterschiedliche Klassen dar. Unter der Annahme, dass der gesamte Bereich der Doppler-Verschiebung der Trainingsdaten ƒ_d ∈ [r₀, r_M] ist, kann der volle Bereich dann genauer gesagt in M nicht ,überlappende zusammenhängende Regionen für eine Gesamtheit von MKlassen unterteilt werden. Die m. Region entspricht z. B. einem Doppler-Aufweitungsbereich [r_m-1, r_m). Jeder Klasse wird durch eine entsprechende Doppler-Verschiebung ƒ _m für m = 1, ... , M dargestellt, wenn ƒ _m ∈ [r_m-1,r_m). Bei der Erstellung des Trainingsdatensatze wird die Doppler-Verschiebung (z. B. ƒ_d,n), die einem jeweiligen Trainingsdatenabtastwert zugeordnet ist, in eine entsprechende von den M Regionen zusammengefasst oder gebinnt (z. B. finde eine m. Region, so dass ƒ_d,n ∈ [r_m-1,r_m)), so dass dieser Trainingsabtastwert als Klasse m kategorisiert wird. Während des Trainings wird die Kreuzentropie als die Kostenfunktion verwendet. Tabelle 1

  Klassenindex	Bereich der Doppler-Verschiebung in der jeweiligen Klasse	Doppler-Verschiebung entsprechender Repräsentant
  1	r0,r1,)	ƒ 1
  2	r1,r2)	ƒ 2
  ⋮	⋮	⋮
  M	[rM-1,rM]	ƒ M

• Ein Eingabemerkmal vorausgesetzt, wird ein Doppler-Verschiebungs-Prädiktor, der als ein Klassifizierer trainiert ist, einen M-dimensionalen Vektor [c₁, ..., c_M] ^Tausgeben, der ${\sum }_{m=1}^M{c}_m=1$

  

  erfüllt, wenn c_m die Wahrscheinlichkeit (oder Konfidenz) bezeichnet, wonach das Eingabemerkmal zu der Klasse gehört. Die Kostenfunktion kann wie unten dargestellt sein, wobei die Abbildungsfunktion oder der Doppler-Verschiebungs-Prädiktor F_θ, der durch die Koeffizienten θ gekennzeichnet ist, das Eingabemerkmal g_n des n. Trainingsdatenabtastwerts auf einen M-dimensionalen Vektor [c_n,1, c_n,2, ..., c_n,_M] abbildet, die n . Trainingsdaten zu der v_n-Klasse gehören, so dass ƒ_d,n ∈ [r_{v n-1} , r_{v n} ], wie in Gleichung 8 gezeigt ist: $$\underset{\mathrm{\theta }}{{\displaystyle \text{min}}}-\frac{1}{N}{\sum }_{n=1}^N\text{log}\left(c_{n,v_n}\right)s.t.F_{\theta }\left(g_n\right)={\left[c_{n\mathrm{,1}},c_{n\mathrm{,2}},\dots ,c_{n,M}\right]}^T,f_{d,n}\in \left[r_{v_n-1},r_{v_n}\right]$$

  
• Bei der Durchführung von Inferenzen oder Prognosen erzeugt der Doppler-Verschiebungsprädiktor, der als Klassifizierer trainiert ist, die prognostizierte Wahrscheinlichkeit für eine jeweilige der M Klassen c₁,..., c_M. Die repräsentativen Doppler-Verschiebungen für eine jeweilige Klasse (ƒ ₁, ...,ƒ _M) vorausgesetzt, kann die endgültige Doppler-Verschiebungsabschätzung erhalten werden entweder durch „mittleres Kombinieren“, welches basierend auf der Summe der Produkte einer repräsentativen Doppler-Verschiebung multipliziert mit deren entsprechender prognostizierter Wahrscheinlichkeit berechnet wird, wie in Gleichung 9 gezeigt ist: $${\widehat{f}}_d={\sum }_{m=1}^M{c}_m\cdot {\overline{f}}_m$$

  

  oder durch „maximales Kombinieren“, wobei die repräsentative Doppler-Aufweitung ausgewählt wird, die der höchsten prognostizierten Wahrscheinlichkeit entspricht, wie in Gleichung 10 gezeigt ist: $${\widehat{f}}_d={\sum }_{m=1}^{M}I\left(c_m=\text{max}\left\{c_1,\dots ,c_M\right\}\right)\cdot {\overline{f}}_m$$

  

  wenn I(·) die Anzeigefunktion bezeichnet, wie in Gleichung 11 gezeigt ist: $$\begin{array}{l}II\left(True\right)=1\\ I\left(False\right)=0\end{array}$$

  
• Wie vorstehend angemerkt, ist γ in einigen Ausführungsformen der vorliegenden Offenbarung auf 0 gesetzt, wenn der Merkmalsextrahierer 110 die abgeschätzte Kanalkorrelation C(T) berechnet. Daher können die durch den Merkmalsextrahierer 110 berechneten, abgeschätzten Kanalkorrelation C(T) kleiner sein als die wahren Kanalkorrelationen (weil durch das Setzen von γ auf null in Gleichung 4 der Nenner vergrößert wird). Der Grad, zu dem die abgeschätzten Kanalkorrelationen C(T) kleiner sind als die wahren Kanalkorrelationen, ist bei einem niedrigeren SNR ausgeprägter (z. B. liegt bei einem niedrigeren SNR zwischen der abgeschätzten Kanalkorrelation und der wahren Kanalkorrelation einer größerer Unterschied vor). Dies ist darin begründet, dass ein niedrigeres SNR einer größeren Rauschvarianz σ² entspricht, und die Zunahme des Nenners aufgrund der Einstellung des Terms -γ · σ² auf null umso größer ist, je niedriger das SNR ist (z. B. sollte mehr Rauschvarianz σ² von der abgeschätzten Kanalleistung in dem Nenner subtrahiert werden, jedoch bewirkt die Einstellung γ = 0, dass der Nenner noch größer wird). Wenn sich folglich das operierende SNR währen der Online-Prognose von dem SNR des Trainingsdatensatzes unterscheidet, wird sich die abgeschätzte Kanalkorrelation C(T) während der Onlineprognose von dem C(T) für den Trainingssatz unterscheiden, sogar für dieselbe wahre Doppler-Aufweitung ƒ_d. Anders ausgedrückt ist die Abbildungsfunktion, die basierend auf den Offline-Trainingsdaten gelernt wird, für die Online-Prognose aufgrund der Diskrepanz zwischen dem SNR während der Operation und des SNR des Offline-Trainingsdatensatze nicht geeignet sein.
• 4 ist ein Graph, der eine Beziehung zwischen Kanalkorrelationen und der Doppler-Verschiebung zeigt, wenn eine Bessel-Funktion verwendet wird oder wenn ein mehrschichtiges Perzeptron gemäß Ausführungsformen der vorliegenden Offenbarung als eine Abbildungsfunktion verwendet wird. Bezugnehmend auf 4 wird angenommen, dass das MLP anhand eines Satzes von Trainingsdaten gelernt wird, so dass die Kanalkorrelation entsprechend einer Doppler-Verschiebung ƒ_d C' ist. Während der Online-Abschätzung wird dann die abgeschätzte Kanalkorrelation, die als ${\widehat{C}}_1$

  

  bezeichnet wird, größer als ${\widehat{C}}_1$

  

  wenn das operierende SNR höher ist als der SNR-Bereich des Trainingsdatensatzes. Somit wird die abgeschätzte Doppler-Verschiebung, die als ${\widehat{f}}_1$

  

  bezeichnet wird, kleiner als die wahre Doppler-Verschiebung ƒ_d . Wenn hingegen das operierende SNR niedriger ist als der SNR-Bereich des Trainingsdatensatzes, dann wird die abgeschätzte Kanalkorrelation, die als ${\widehat{C}}_2$

  

  bezeichnet wird, kleiner als C', und die entsprechende abgeschätzte Doppler-Verschiebung, die als ${\widehat{f}}_2$

  

  bezeichnet wird, wird größer als die wahre Doppler-Verschiebung ƒ_d. Wie in 4 gezeigt ist, können aufgrund der Diskrepanz zwischen dem SNR des Trainingsdatensatzes und der Online-Prognose die abgeschätzte Doppler-Verschiebung, z. B. ${\widehat{f}}_1$

  

  und ${\widehat{f}}_2$

  

  von der wahren ƒ_d abweichen. Dementsprechend ist die prognostizierte, abgeschätzte Doppler-Verschiebung ƒ_d, die durch den Doppler-Verschiebungs-Prädiktor 120 berechnet wird, genauer, wenn das tatsächliche SNR nahe dem SNR der Daten ist, die zum Trainieren des Doppler-Verschiebungs-Prädiktors 120 verwendet wurden.
• In der Praxis kann der operierende SNR-Bereich eines drahtlosen Sendeempfängers umfassend sind, wobei sich das Trainieren eines einzelnen Doppler-Verschiebungs-Prädiktors, der über dem gesamten operierenden SNR-Bereich operieren kann, als schwierig erweisen kann. Dementsprechend können in einigen Ausführungsformen der vorliegenden Offenbarung die Trainingsdaten in mehrere Teilmengen (z. B. R Teilmengen und Teilbereiche) unterteilt sein, wobei jede Teilmenge einem anderen Teil des gesamten SNR-Bereichs der Trainingsdaten (oder des SNR-Trainingsbereichs) entspricht, und jede Teilmenge oder jeder Teilbereich der Trainingsdaten zum Trainieren eines separaten Doppler-Verschiebungs-Prädiktors P_r (z. B. in einer Weise, die im Wesentlichen der vorstehend erläuterten entspricht) für jenen entsprechenden r. Abschnitt des operierenden SNR-Bereichs (wobei jeder Doppler-Verschiebungs-Prädiktor die gleiche Architektur oder eine unterschiedliche Architektur aufweisen kann) verwendet wird.
• In einigen Ausführungsformen der vorliegenden Offenbarung ist jede Teilmenge gleichgroß oder kann, in einem linearen Maßstab oder einem logarithmischen Maßstab, entlang dem SNR-Trainingsbereich der Trainingsdaten anderweitig gleichmäßig beabstandet sein kann. In anderen Ausführungsformen der vorliegenden Offenbarung sind die Teilmengen unterschiedlich groß (z. B. entlang des SNR-Trainingsbereichs nicht gleichmäßig voneinander beabstandet). Die Trainingsdaten können z. B. in Teilmengen unterteilt sein, so dass es mehr Prädiktoren gibt, die trainiert werden, um prognostizierte Doppler-Verschiebungen für Abschnitte des operierenden SNR-Bereichs bereitzustellen, die in der Praxis häufiger beobachtet werden (z. B. so dass die Doppler-Verschiebungs-Abschätzungseinrichtung häufiger genauere Ergebnisse erzeugt). Als ein weiteres Beispiel können die Trainingsdaten in Teilmengen unterteilt sein, so dass mehr Prädiktoren in Bereichen des operierenden SNR-Bereichs vorhanden sind, die in Bezug auf eine Ungenauigkeit in einer abgeschätzten Doppler-Verschiebung oder einer abgeschätzten Doppler-Aufweitung sensibler reagieren.
• 5 ist ein Blockdiagramm einer Doppler-Aufweitungs-Schätzeinrichtung 100 gemäß einer Ausführungsform der vorliegenden Offenbarung. Die Doppler-Aufweitungs-Schätzeinrichtung 100 von 5 ist im Wesentlichen ähnlich der Doppler-Verschiebungs-Schätzeinrichtung, die in 3 gezeigt ist, beinhaltet jedoch außerdem einen Signal-Rausch- (SNR-) Extrahierer 130 und eine Prädiktor-Wähleinrichtung 140. 6 ist ein Flussdiagramm, das ein Verfahren zur Abschätzung einer Doppler-Aufweitung unter Verwendung einer Mehrzahl von Doppler-Verschiebungs-Prädiktoren gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt. Bezugnehmend auf 6 extrahiert der Merkmalsextrahierer 110 in Verfahrensschritt 610 Merkmale aus den eingegebenen, abgeschätzten Kanälen ĥ(t,k), wie vorstehend beschrieben und nachstehend ausführlicher beschrieben wird. Während Verfahrensschritt 630 extrahiert der SNR-Extrahierer 130 das SNR des empfangenen Signals und führt das extrahierte SNR des Signals der Prädiktor-Wähleinrichtung 140 zu, die so konfiguriert ist, dass sie einen speziellen Doppler-Verschiebungs-Prädiktor P_r aus den R trainierten Doppler-Verschiebungs-Prädiktoren P auswählt (z. B. Doppler-Verschiebungs-Prädiktoren P₁, P₂, ...,P_R). Der SNR-Trainingsberich für einen jeweiligen Doppler-Verschiebungs-Prädiktor P kann wie in Tabelle 2 unten gesetzt werden: Tabelle 2

  Prädiktorindex	Zum Trainieren verfügbarer SNR-Bereich
  P1	[snr1,snr2]
  P2	[snr2, snr3]
  ⋮	⋮
  PR	[snrR, ∞]

• Im Allgemeinen resultieren genauere Kanalzustandsinformationen (CSI) in einer höheren Leistung des Hochfrequenzempfängers, da die zusätzlichen genaueren CIS dem Hochfrequenzempfänger erlaubt, seine Parameter so abzustimmen, dass sie mit den tatsächlichen Bedingungen des Kanals zusammenpassen. Nichtsdestotrotz können die Kanal-Schätzeinrichtungen verschiedene Parameter der CIS einschließlich der Doppler-Aufweitung aufgrund verschiedener Umweltbedingungen über- oder unterschätzen.
• Basierend auf experimentellen Beobachtungen resultiert eine Überschätzung der Doppler-Aufweitung in einer besseren Leistung der Blockfehlerrate (BLER) (z. B. niedrigeren Fehlerraten) als eine Unterschätzung der Doppler-Aufweitung. Als in einigen Experimenten die Doppler-Verschiebung 900 Hz betrug, ergab die BLER-Leistung, wonach die abgeschätzte Doppler-Verschiebung so gesetzt wurde, dass sie 25 % höher war (1.25 * 900 Hz = 1,125 Hz), eine geringfügig bessere Leistung als die wahre ƒ_d, wohingegen das Setzen der abgeschätzten Doppler-Verschiebung auf einen Wert, so dass sie 25 % niedriger war (0.75 * 900 Hz = 675 Hz), zu höheren Fehlerraten führte.
• Wie in 4 gezeigt ist, wird darüber hinaus die abgeschätzte Doppler-Aufweitung ${\widehat{f}}_2$

  

  größer als die wahre Doppler-Aufweitung ƒ_d, wenn das operierende SNR niedriger ist als der SNR-Bereich des Trainingsdatensatzes (entsprechend der abgeschätzten Kanalkorrelation ${\widehat{C}}_2$

  

  ). Anders ausgedrückt resultiert ein Doppler-Aufweitungs-Prädiktor, der an Daten trainiert wird, die ein höheres SNR aufweisen als das SNR der zugeführten eingegebenen Kanäle, in einer Überschätzung der Doppler-Aufweitung.
• In einigen Ausführungsformen der vorliegenden Offenbarung wählt daher die Prädiktor-Wähleinrichtung 140 einer Doppler-Aufweitungs-Schätzeinrichtung 100 einen Doppler-Verschiebungs-Prädiktor 122 aus, der eine Tendenz hin zu einer Überschätzung (einem Überschätzen) der Doppler-Aufweitung und weg von einer Unterschätzung (oder einem Unterschätzen) der Doppler-Aufweitung aufweist, um die BLER-Leistung des Hochfrequenzempfängers zu verbessern. In anderen Ausführungsformen wird die Tendenz durch Auswählen eines Doppler-Verschiebungs-Prädiktors aus den R Doppler-Verschiebungs-Prädiktoren implementiert, der an einem Abschnitt des Trainingsdatensatzes mit einem SNR-Bereich trainiert wird, der nahe dem aktuell operierenden SNR sowie höher als dieses ist, wie durch den SNR-Extrahierer 130 bestimmt wird (z. B. dem nächsten SNR-Bereich mit einer Untergrenze, die höher ist als das aktuelle geschätzte SNR).
• 7A ist ein Flussdiagramm, das ein Verfahren gemäß einer Ausführungsform der vorliegenden Offenbarung zum Auswählen eines Doppler-Verschiebungs-Prädiktors zwischen zwei unterschiedlichen Doppler-Verschiebungs-Prädiktoren darstellt. 7A entspricht einem Fall, wo R = 2, wo ein erster Doppler-Verschiebungs-Prädiktor P_low an niedrigen SNR-Daten trainiert wird (z. B. einem Abschnitt der Daten, die mit niedrigen SNR-Signalen in einem Bereich [snr₁, snr_2] gesammelt wurden), und ein zweiter Doppler-Verschiebungs-Prädiktor P_high an hohen SNR-Daten trainiert wird (z. B. einem Abschnitt der Daten, die mit hohen SNR-Signalen in einem Bereich [snr₂,snr_3] gesammelt wurden). Man nimmt an, dass der operierende SNR-Bereich für den Hochfrequenzempfänger kleiner ist als das untere Ende des SNR-Bereich für den zweiten Doppler-Verschiebungs-Prädiktor P_high, der auf dem hohen SNR-Bereich (z. B. snr₂) trainiert wird. Dementsprechend bestimmt in Verfahrensschritt 651 unter Bezugnahme auf 7A die Prädiktor-Wähleinrichtung 140, ob das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  einen Schwellwert SNR (SNR_thr) unterschreitet. Basierend auf den vorstehend angegebenen Beispielbereichen ist in einigen Ausführungsformen SNR_thr = snr₁, d. h., anders ausgedrückt, ist also der Schwellwert SNR das untere Ende des SNR-Bereichs des mit niedrigen SNR-Signalen trainierten Prädiktors. Wenn das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  einen Schwellwert-SNR (SNR_thr) unterschreitet, dann wählt in Verfahrensschritt 652 die Prädiktor-Wähleinrichtung 140 den ersten Doppler-Verschiebungs-Prädiktor P_low, der an den niedrigen SNR-Daten trainiert wird (weil dies der Prädiktor ist, der an Daten trainiert wird, die dem aktuellen abgeschätzten SNR am nächsten sind, während er gleichzeitig an Daten mit einem SNR trainiert wird, das höher ist als das aktuelle abgeschätzte SNR). Wenn das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  das Schwellen-SNR (SNR_thr) nicht unterschreitet (z. B. größer oder gleich dem Schwellen-SNR SNR_thr ist), dann wählt in Verfahrensschritt 653 die Prädiktor-Wähleinrichtung 140 den zweiten Doppler-Verschiebungs-Prädiktor P_high aus, der an dem hohen SNR trainiert wird.
• 7B ist ein Flussdiagramm, das ein Verfahren gemäß einer Ausführungsform der vorliegenden Offenbarung zum Auswählen von zumindest einem Doppler-Verschiebungs-Prädiktor zwischen einer Mehrzahl von unterschiedlichen Doppler-Verschiebungs-Prädiktoren (z. B. R unterschiedlichen Doppler-Verschiebungs-Prädiktoren) darstellt. Wie vorstehend angemerkt, wird angenommen, dass der operierende SNR-Bereich des Systems (z. B. des Hochfrequenzempfängers) von snr₀ bis snr_R ist, und dass der voll operierende SNR-Bereich in R Bereiche unterteilt ist. In Verfahrensschritt 654 bestimmt die Prädiktor-Wähleinrichtung 140, ob das aktuell abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  innerhalb eines ersten SNR-Bereichs ([snr₀, snr₁) ist, oder ob $sn{r}_0\le \widehat{SNR}<sn{r}_1$

  

  ). Wenn dies der Fall ist, dann wählt die Prädiktor-Wähleinrichtung 140 in Verfahrensschritt 655 den ersten Prädiktor P₁ aus, der basierend auf Trainingsdaten von einem zweiten SNR-Bereich [snr₁, snr₂) trainiert wurde, der nahe dem ersten SNR-Bereich [snr₀, snr₁) oder höher als dieser ist. Wenn das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  nicht innerhalb des ersten SNR-Bereichs ([snr₀, snr₁) ist, dann bestimmt die Prädiktor-Wähleinrichtung 140 in Verfahrensschritt 656, ob der aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  in den zweiten SNR-Bereich [snr₁, snr₂) fällt. Wenn dies der Fall ist, dann wählt die Prädiktor-Wähleinrichtung 140 in Verfahrensschritt 657 den zweiten Prädiktor P₂, der basierend auf Trainingsdaten von einem dritten SNR-Bereich [snr₂, snr₃) nahe dem zweiten SNR-Bereich [snr₁, snr₂) und höher als dieser ist. Zusammenfassend kann also festgestellt werden, dass, wenn das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  nicht innerhalb des ersten SNR-Bereichs ([snr₀, snr₁) ist, die Prädiktor-Wähleinrichtung 140 in ähnlicher Weise fortfährt, indem das aktuelle abgeschätzte SNR $\left(\widehat{SNR}\right)$

  

  mit einem jeweiligen von den verbliebenen der R Bereiche des operierenden SNR-Bereichs verglichen wird, um einen entsprechenden der Prädiktoren auszuwählen, wobei der letzte SNR-Bereich [snr_R-1, snr_R) in Verfahrensschritt 658 ausgewählt wird und der letzte Doppler-Verschiebungs-Prädiktor P_R (der basierend auf Trainingsdaten von dem letzten SNR-Bereich [snr_R, snr_∞) trainiert wurde) in Verfahrensschritt 659 ausgewählt wird. Wie zuvor angemerkt, wird angenommen, dass der Betriebsbereich von snr₀ bis snr_R ist, und daher ein SNR, das größer als snr_R ist, nicht festzustellen sein wird oder nicht den Betriebsspezifikationen entspricht.
• Unter erneuter Bezugnahme auf 5 und 6 wird nach Auswahl eines Prädiktors in Verfahrensschritt 650 durch die Prädiktor-Wähleinrichtung 140 der ausgewählte Doppler-Verschiebungs-Prädiktor P_r in Verfahrensschritt 670 verwendet, um eine Doppler-Verschiebung in Verfahrensschritt 670 abzuschätzen, um eine abgeschätzte Doppler-Verschiebung ${\widehat{f}}_d$

  

  zu berechnen. Wie zuvor angemerkt, ist die abgeschätzte Doppler-Aufweitung $\widehat{D_s}$

  

  in einigen Ausführungsformen auf eine maximale abgeschätzte Doppler-Verschiebung ${\widehat{f}}_d$

  

  gemäß $\widehat{D_s}=2{\widehat{f}}_d$

  

  bezogen. Dementsprechend beziehen sich Aspekte der Ausführungsformen der vorliegenden Offenbarung auf eine Doppler-Aufweitungs-Schätzeinrichtung 110, die Doppler-Verschiebungen basierend auf Eingabemerkmalen, die von eingegebenen abgeschätzten Kanälen h̃(t,k) extrahiert wurden, abschätzen kann.
• In einigen Ausführungsformen der vorliegenden Offenbarung wird eine einzelne abgeschätzte Doppler-Verschiebung (oder Doppler-Aufweitung) durch Kombinieren der Prognosen abgeschätzt, die durch eine Mehrzahl von Doppler-Verschiebungs-Prädiktoren vorgenommen werden, die basierend auf Trainingsdaten von einem anderen Teil des Doppler-Verschiebungsbereichs trainiert worden sind (im Gegensatz zu einem Training an unterschiedlichen Teilen des SNR-Bereichs, wie in dem Fall der vorstehend in Bezug auf 5, 6, 7A und 7B beschriebenen Ausführungsformen). Die Trainingsdaten können, wie vorstehend beschrieben, z. B. in R unterschiedliche Teilmengen unterteilt werden, indem der volle Doppler-Verschiebungsbereich in R unterschiedliche Teilbereiche unterteilt wird, wobei jede Teilmenge der Trainingsdaten Daten von einem entsprechenden der unterschiedlichen Teilbereiche des Doppler-Verschiebungsbereichs beinhaltet. Der Trainings-Doppler-Verschiebungsbereich für einen jeweiligen Doppler-Verschiebungs-Prädiktor P kann wie in Tabelle 3 unten gesetzt sein: Tabelle 3:

  Prädiktorindex	Zum Trainieren verfügbarer Doppler-Verschiebungsbereich	Ausgabe
  P1	[ƒd1,ƒd2]	$f_1^{\text{'}}$
  P2	[ƒd2,ƒd3]	$f_2^{\text{'}}$
  ⋮	⋮
  PR	[ƒdR,∞]	$f_R^{\text{'}}$

• Wie in Tabelle 3 gezeigt, ist jeder der R Doppler-Verschiebungs-Prädiktoren so konfiguriert, dass er eine entsprechende ausgegebene Doppler-Verschiebung f' basierend auf den Eingabemerkmalen berechnet. Ein r. Prädiktor P_r berechnet eine prognostizierte Doppler-Verschiebung $f_r^{\text{'}}$

  

  aus einem Bereich innerhalb seines entsprechenden Trainings-Doppler-Verschiebungsbereichs (z. B. wenn $f_r^{\text{'}}\in \left[f_{dr},f_{d\left(r+1\right)}\right]$

  

  Wenngleich Tabelle 3 eine Ausführungsform zeigt, in der die Doppler-Verschiebungs-Teilbereiche nicht überlappend sind, sind die Ausführungsformen der vorliegenden Offenbarung nicht darauf beschränkt. In einigen Ausführungsformen weisen z. B. benachbarte Doppler-Verschiebungs-Teilbereiche entsprechend benachbarten Prädiktoren eine gewisse Überlappung auf (z. B. kann der Prädiktor P₁ an Daten von einem Bereich [ƒ_d1a,ƒ_d1b] trainiert werden, und der Prädiktor P₂ kann an Daten von einem Bereich [ƒ_d2a,ƒ_d2b] trainiert werden, wenn ƒ_d2a < ƒ_d1b).
• 8 ist ein Blockdiagramm einer Doppler-Verschiebungs-Schätzeinrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung, die konfiguriert ist, um eine Doppler-Verschiebung abzuschätzen, indem Prognosen von einer Mehrzahl von Doppler-Verschiebungs-Prädiktoren kombiniert werden, die an unterschiedlichen Teilen des Doppler-Verschiebungsbereichs trainiert wurden. In der in 8 gezeigten Ausführungsform beinhaltet der Doppler-Verschiebungs-Prädiktor 120 R trainierte Doppler-Verschiebungs-Prädiktoren. Die Eingabemerkmale werden einem jeweiligen der R trainierten Doppler-Verschiebungs-Prädiktoren zugeführt, um R prognostizierte Doppler-Verschiebungen $f_1^{\text{'}},\dots ,f_R^{\text{'}}$

  

  zu berechnen. Darüber hinaus werden die Eingabemerkmale einem Doppler-Verschiebungs-Prädiktoren-Klassifizierer-Netzwerk (oder einem Doppler-Verschiebungs-Klassifizierer-Netzwerk) P₀ zugeführt, das so trainiert ist, dass es Wahrscheinlichkeiten berechnet, wonach die Eingabemerkmale zu einer jeweiligen der R Klassen gehören (z. B. um die Wahrscheinlichkeiten der Eingabemerkmale zu berechnen, die in einen jeweiligen der R Teilbereiche der Doppler-Verschiebungen fallen, oder um zu prognostizieren, welcher der R Doppler-Verschiebungs-Prädiktoren die genaueste Doppler-Verschiebung für die gegebenen Eingabemerkmale prognostizieren wird). Die Ausgabe des klassifizierungsbasierten Netzwerks P₀ ist ein R-dimensionaler Vektor [c₁,..., c_R] , wo jeder Wert c_r eine Wahrscheinlichkeit oder Konfidenz bezeichnet, wonach die Eingabemerkmale der r. Klasse entsprechen (z. B. dem r. Doppler-Verschiebungs-Prädiktor entsprechen). Die Ausgaben der R Doppler-Verschiebungs-Prädiktoren werden dann durch die Kombiniereinrichtung 810 unter Verwendung von beispielweise einem mittleren Kombinieren kombiniert, das basierend auf der Summe der Produkte von einer jeweiligen prognostizierten Doppler-Verschiebung f' berechnet wird, die mit ihrer entsprechenden prognostizierten Wahrscheinlichkeit multipliziert wird, wie in Gleichung 12 gezeigt ist, oder durch Verwendung eines maximalen Kombinierens kombiniert, wobei die prognostizierte Doppler-Verschiebung entsprechend der höchsten prognostizierten Wahrscheinlichkeit ausgewählt wird, wie in Gleichung 12 gezeigt ist. $${\widehat{f}}_d={\sum }_{r=1}^R{c}_r\cdot f_r^{\text{'}}$$

  

  $${\widehat{f}}_d={\sum }_{r=1}^{R}I\left(c_r=\text{max}\left\{c_1,\dots ,c_R\right\}\right)\cdot f_r^{\text{'}}$$

  

  wenn I(·) die Anzeigefunktion bezeichnet.
• 9 ist ein Blockdiagramm einer Doppler-Verschiebungs-Schätzeinrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung, die konfiguriert ist, um eine Doppler-Verschiebung durch Kombinieren von Prognosen aus einer Mehrzahl von Doppler-Verschiebungs-Prädiktoren unter Verwendung eines mittleren Kombinierens abzuschätzen. Wie in 9 gezeigt ist, werden die R prognostizierten Doppler-Verschiebungen $f_1^{\text{'}},f_2^{\text{'}},\dots ,f_R^{\text{'}}$

  

  mit ihren entsprechenden Wahrscheinlichkeiten oder Konfidenzen c₁,c₂, ... , c_R multipliziert, und die Produkte werden summiert, um die abgeschätzte Doppler-Verschiebung ${\widehat{f}}_d$

  

  zu berechnen.
• Wie vorstehend angemerkt, können die Eingabemerkmale, die aus den eingegebenen abgeschätzten Kanälen extrahiert wurden, aktuelle Kanalkorrelationen C(T) beinhalten, wie sie basierend auf den Kanälen h̃(t,k) berechnet werden, die anhand der empfangenen TRS-Symbole abgeschätzt werden.
• Wie vorstehend erläutert, wird in Vergleichssystemen zur Abschätzung einer Doppler-Aufweitung eine abgeschätzte Kanalkorrelation einer umgekehrten Bessel-Funktion zugeführt, um die abgeschätzte Doppler-Aufweitung zu erhalten. Um eine stabilere Abschätzung der Kanalkorrelation C(T) zu erhalten, wird in der Praxis ein Infinite-impulse-response- (IIR-) Filter über die in einer jeweiligen TRS-Periode abgeschätzte Kanalkorrelation angelegt, was eine IIR-gefilterte Kanalkorrelation zur Folge hat. Weil die Kanalkorrelation die Veränderung des Kanals h direkt misst, wird in einigen Ausführungsformen der vorliegenden Offenbarung die IIR-gefilterte Kanalkorrelation C _n(T) als ein Eingabemerkmal des Doppler-Verschiebungs-Prädiktors P zugeführt (z. B. ein aktuell ausgewählter von einer Mehrzahl von Doppler-Verschiebungs-Prädiktoren).
• Desgleichen kann ein IIR-Filter angelegt werden, um die abgeschätzte Kanalkorrelation zu stabilisieren, so dass das endgültige Eingabemerkmal in den Doppler-Verschiebungs-Prädiktor nur ein Wert ist - die IIR-gefilterte abgeschätzte Kanalkorrelation. In einigen Ausführungsformen der vorliegenden Offenbarung ist der Doppler-Verschiebungs-Prädiktor ein mehrschichtiges Perzeptron (MLP). 10 ist eine schematische Darstellung eines Doppler-Verschiebungs-Prädiktors gemäß einer Ausführungsform der vorliegenden Offenbarung unter Verwendung eines IIR-Filters, um eine Mehrzahl von Kanalkorrelationen zu kombinieren. Wie in 10 gezeigt ist, sind dann, wenn beispielsweise angenommen wird, dass die aktuelle TRS-Periode die n. TRS-Periode ist, n abgeschätzte Kanalkorrelationen C₁(T), C₂(T), ..., C_n(T) vorhanden, die als Eingaben einem Infinite-impulse-response- (IIR-) Filter 1010 zugeführt werden, und kann dann die IIR-gefilterte Kanalkorrelation von diesen n eingegebenen Kanalkorrelationen als C _n(T) bezeichnet werden. In der Ausführungsform von 10 ist der Doppler-Verschiebungs-Prädiktor als ein mehrschichtiges Perzeptron implementiert, das konfiguriert ist, um eine Regression durchzuführen, wobei das MLP eine Eingabeschicht 123 mit einem einzelnen Knoten aufweist, der so konfiguriert ist, dass er die eingegebenen IIR-gefilterte Kanalkorrelation C _n(T) empfängt und die gefilterten Kanalkorrelationen einer verborgenen Schicht 125 mit einer Mehrzahl von Knoten in Verbindung mit einer Mehrzahl von Gewichtungen (oder Parametern) zuführt. An jedem Knoten wird die eingegebene IIR-gefilterte Kanalkorrelation C _n(T) mit der entsprechenden Gewichtung multipliziert, und das Produkt wird durch eine Aktivierungsfunktion (z. B. eine Sigmoidfunktion oder eine Rectified-linear-Unit (ReLU)) geleitet. Eine Ausgabeschicht 127 mit einem einzelnen Knoten, der konfiguriert ist, um Eingaben von der Mehrzahl von Knoten der verborgenen Schicht zu empfangen und zu kombinieren (z. B. um Ausgaben der Aktivierungsfunktion der Knoten der verborgenen Schicht mit Gewichtungen zu multiplizieren, um die Ergebnisse zu summieren und durch eine Aktivierungsfunktion zu leiten, um einen prognostizierte Doppler-Verschiebung ƒ_d,n zu berechnen.
• Weil der IIR-Filterkoeffizient so gesetzt ist, dass er einem Festwert entspricht, wird zum Zeitpunkt der Konzipierung des Merkmalextrahierers 110 auch die Art und Weise festgelegt, in der der Merkmalsextrahierer 110 die vorherige abgeschätzte Kanalkorrelation und die aktuelle abgeschätzte Kanalkorrelation kombiniert, wobei er möglicherweise nicht in der Lage sein kann, sich an verändernde Bedingungen oder andere Faktoren anzupassen. Auch wenn ferner die Kanalkorrelation in einer jeweiligen TRS-Periode abgeschätzt wird, ist in dieser Anordnung die endgültige Eingabe des Doppler-Verschiebungs-Prädiktors nur eine IIR-gefilterte Kanalkorrelation, wobei daher auch einige Information verlorengehen, die in der vorherigen abgeschätzten Kanalkorrelation enthalten sein können.
• Dementsprechend beziehen sich einige Aspekte der Ausführungsformen der vorliegenden Offenbarung auf ein Zuführen, als Eingabemerkmale in den Doppler-Verschiebungs-Prädiktor, der aktuellen abgeschätzten Kanalkorrelation C_n(T) sowie der Kanalkorrelationen von einem Fenster von der Mehrzahl aus vorherigen TRS-Perioden.
• 11 ist eine schematische Darstellung eines Doppler-Verschiebungs-Prädiktors gemäß einer Ausführungsform der vorliegenden Offenbarung, in der eine Mehrzahl von Kanalkorrelationen von einem Fenster aus TRS-Zeitschlitzen als Eingabe in ein mehrschichtiges Perzeptron zugeführt wird. In der in 11 gezeigten Ausführungsform wird eine Mehrzahl von Kanalkorrelationen von einem kausalen Fenster aus vorherigen TRS-Perioden C_n-Δ(T), ..., C_n-2(T), C_n-1(T) (wobei Δ die Anzahl von vorherigen TRS-Perioden ist oder auch die Größe des Fensters in Einheiten von TRS-Perioden) mit der Kanalkorrelation kombiniert, die in der aktuelle TRS-Periode C_n(T) für insgesamt Δ + 1 Kanalkorrelationen abgeschätzt wird, die in den Eingabemerkmalen enthalten sind, die einer Eingabeschicht 124 des mehrschichtigen Perzeptrons zugeführt werden, wobei die Eingabeschicht 124 einen separaten Knoten für eine jeweilige von den Δ + 1 Kanalkorrelationen beinhaltet. Jede der Kanalkorrelationen C(T) wird von den Knoten der Eingabeschicht 124 einem jeweiligen der Knoten der verborgenen Schicht 125 zugeführt, die mit einer entsprechenden Gewichtung (z. B. einer während des Trainingsvorgangs gelernten Gewichtung) multipliziert wird. An einem jeweiligen Knoten in der verborgenen Schicht 125 werden alle eingehenden Produkte (z. B. Multiplikationen von Kanalkorrelationen und Gewichtungen) summiert und durch eine Aktivierungsfunktion (z. B. eine Sigmoidfunktion) geleitet. Jeder der Knoten der verborgenen Schicht 125 führt eine Ausgabe von der Aktivierungsfunktion der Ausgabeschicht 127 zu, die die Ausgaben der Aktivierungsfunktion der verborgenen Schicht 125 kombiniert, um eine prognostizierte Doppler-Verschiebung ƒ_d,n zu berechnen, wobei das Kombinieren ein Multiplizieren der Ausgaben der Aktivierungsfunktion eines jeweiligen der Knoten der verborgenen Schicht mit deren entsprechenden Gewichtungen (wobei die Gewichtungen durch den Trainingsvorgang gelernt werden), ein Summieren der gewichteten Produkte und ein Leiten der Summe durch eine Aktivierungsfunktion (z. B. eine Sigmoidfunktion oder eine Rectified-linear-Unit (ReLU)) beinhaltet.
• Dadurch, dass die abgeschätzten Kanalkorrelationen der vorherigen Δ TRS-Perioden enthalten sind, liefern diese Ausführungsformen der vorliegenden Offenbarung dem Doppler-Verschiebungs-Prädiktor mehr Informationen darüber, wie sich die Kanäle im Zeitverlauf verändern. Zudem wird der Doppler-Verschiebungs-Prädiktor im Trainingsprozess so trainiert, dass diese abgeschätzten Kanalkorrelationen unter Verwendung eines gelernten Satzes von Parametern oder Koeffizienten kombiniert werden, anstatt diese Koeffizienten entsprechend einem IIR-Filter festzulegen. Weil mit den gelernten Parametern die gleichen Ergebnisse berechnet werden können wie mit einem IIR-Filter (so ist es z. B. möglich, dass die gelernten Koeffizienten in einen IIR-Filter resultieren), ist zu erwarten, dass die Leistung eines trainierten Doppler-Verschiebungs-Prädiktors unter Verwendung einer Mehrzahl von Kanalkoeffizienten von einem kausalen Fenster aus vorherigen TRS-Perioden nicht schlechter ausfällt als ein IIR-Filter.
• Für einen Fachmann wäre klar, dass die in den Ausführungsformen von 10 und 11 gezeigten Architekturen, die zum Durchführen einer Regression verwendet werden, modifiziert werden können, um eine Klassifikation in eine von den M Klassen von Bereichen von Doppler-Verschiebungen durchzuführen, wie vorstehend erläutert wurde, indem M Knoten in der Ausgabeschicht 127 verwendet werden und die korrekte Klasse der Trainingsdaten unter Verwendung einer One-Hot-Kodierung verschlüsselt wird.
• Wie vorstehend angemerkt, beziehen sich einige Ausführungsformen der vorliegenden Offenbarung auf einen Doppler-Verschiebungs-Prädiktor unter Verwendung eines mehrschichtigen Perzeptrons als ein neuronales Netzwerk zum Prognostizieren einer Doppler-Verschiebung basierend auf den zugeführten Eingabemerkmalen, wie z. B. der aktuellen Kanalkorrelation C_n(T) und den Kanalkorrelationen von einem Fenster aus einer Mehrzahl von vorherigen TRS-Perioden C_n-_A(T), ..., C_n-2(T), C_n-1(T). Ausführungsformen der vorliegenden Offenbarung sind jedoch nicht darauf beschränkt. In einigen Ausführungsformen der vorliegenden Offenbarung werden z. B. die aktuelle Kanalkorrelation C_n(T) und Kanalkorrelationen von einem Fenster aus einer Mehrzahl von vorherigen TRS-Perioden C_n-Δ(T), ..., C_n-2(T), C_n-1(T) als Eingabemerkmale einem rekurrenten neuronalen Netzwerk (RNN) oder einem neuronalen Long-Short-Term-Memory- (LSTM-) Netzwerk zugeführt.
• Dementsprechend beziehen sich Aspekte der Ausführungsformen der vorliegenden Offenbarung auf Systeme und Verfahren zum Berechnen einer abgeschätzten Doppler-Aufweitung basierend auf Informationen von eingegebenen abgeschätzten Kanälen einschließlich Kanalkorrelationen, die basierend auf Referenzsignalen berechnet werden. Gemäß einiger Ausführungsformen wird die abgeschätzte Doppler-Aufweitung basierend auf einem oder mehreren trainierten Doppler-Verschiebungs-Prädiktoren berechnet, wobei die Doppler-Verschiebungs-Prädiktoren basierend auf gesammelten Messungen von tatsächlichen physischen Hochfrequenzempfängern oder von einem praktischen Link-Level-Simulator trainiert werden. Einige Aspekte von Ausführungsformen der vorliegenden Offenbarung beziehen sich auf ein Auswählen eines Doppler-Verschiebungs-Prädiktors von einer Mehrzahl von Doppler-Verschiebungs-Prädiktoren basierend auf einem aktuellen abgeschätzten SNR, wobei jeder der Doppler-Verschiebungs-Prädiktoren an einem unterschiedlichen Abschnitt der Trainingsdaten trainiert wird, die durch Abschnitte des SNR-Bereichs der Trainingsdaten in Gruppen eingeteilt sind. Einige Aspekte der Ausführungsformen der vorliegenden Offenbarung beziehen sich auf ein Kombinieren der Ausgaben der mehrfachen Doppler-Verschiebungs-Prädiktoren basierend auf einem Berechnen von einer oder mehreren Wahrscheinlichkeiten, wonach die Eingabemerkmale einem jeweiligen der Doppler-Verschiebungs-Prädiktoren entsprechen, die an Daten aus unterschiedlichen Abschnitten des Doppler-Verschiebungsbereichs in den Trainingsdaten trainiert werden.
• Die Bedeutung des hierin verwendeten Begriffs „Verarbeitungsschaltung“ soll hierin eine beliebige Kombination von einer Hardware, einer Firmware und einer Software umfassen, die zum Verarbeiten von Daten oder digitalen Signalen verwendet wird. Die Verarbeitungsschaltungs-Hardware kann z. B. Hochfrequenz-Basisbandprozessoren (BPs oder BBPs), anwendungsspezifische integrierte Schaltungen (ASICs), zentrale Allzweck- oder Sonderzweck-Verarbeitungseinheiten (CPUs), digitale Signalprozessoren (DSPs), graphische Verarbeitungseinheiten (GPUs) und programmierbare logische Vorrichtungen beinhalten, wie z. B. feldprogrammierbare Gate-Arrays (FPGAs). In einer Verarbeitungsschaltung, wie sie hierin verwendet wird, wird jede Funktion entweder durch eine Hardware durchgeführt, die konfiguriert, d. h. festverdrahtet ist, um diese Funktion durchzuführen, oder durch ein Mehr an Allzweck-Hardware, wie z. B. eine CPU, die konfiguriert ist, um Anweisungen auszuführen, die in einem nichttransitorischen Speichermedium gespeichert sind. Eine Verarbeitungsschaltung kann als eine einzelne gedruckte Schaltungsplatine (PCB) oder verteilte oder mehrere miteinander verbundene PCBs angefertigt sein. Eine Verarbeitungsschaltung kann andere Verarbeitungsschaltungen enthalten, z. B. kann eine Verarbeitungsschaltung zwei Verarbeitungsschaltungen, eine FPGA und eine CPU, beinhalten, die auf einer PCB miteinander verbunden sind.
• Es wird darauf hingewiesen, dass, auch wenn die Begriffe „erste/r/s“, „zweite/r/s“, „dritte/r/s“ etc. hierin verwendet werden können, um verschiedene Elemente, Komponenten, Regionen, Schichten und/oder Abschnitte zu beschreiben, die Bedeutung dieser Elemente, Komponenten, Regionen, Schichten und/oder Abschnitte durch diese Begriffe nicht eingeschränkt werden soll. Diese Begriffe werden nur verwendet, um ein Elemente, eine Komponente, eine Region, eine Schicht oder einen Abschnitt von einem anderen Element, einer anderen Komponente, einer anderen Region, einer anderen Schicht oder einem anderen Abschnitt zu unterscheiden. Somit könnten ein erstes Element, eine erste Komponente, eine erste Region, eine erste Schicht oder ein erster Abschnitt, wie sie hierin erörtert worden sind, auch als ein zweites Element, eine zweite Komponente, eine zweite Region, eine zweite Schicht oder ein zweiter Abschnitt bezeichnet werden, ohne vom Geist und dem Schutzbereich der vorliegenden Offenbarung abzuweichen.
• Die hierin verwendete Terminologie dient ausschließlich dem Zweck der Erläuterung spezieller Ausführungsformen und soll die Offenbarung nicht einschränken. Die hierin verwendeten Begriffe „im Wesentlichen“, „etwa“ und ähnliche Begriffe werden als Begriffe der Annäherung und nicht als Begriffe einer Abstufung verwendet und sollen die inherenten Abweichungen in gemessenen oder berechneten Werten berücksichtigen, die für Fachleute erkennbar wären.
• Die hierin verwendeten Singularformen „ein/e/r“ sollen auch die Pluralformen umfassen, soweit der Kontext nicht deutlich etwas anderes besagt. Es wird weiterhin darauf hingewiesen, dass die in dieser Beschreibung verwendeten Begriffe „aufweist“ und/oder „aufweisend“ das Vorhandensein von angegebenen Merkmalen, Ganzzahlen, Schritten, Operationen, Elementen und/oder Komponenten spezifizieren, jedoch das Vorhandensein oder die Hinzufügung von einer oder mehreren Merkmalen, Ganzzahlen, Schritten, Operationen, Elementen, Komponenten und/oder Gruppen derselben nicht ausschließen. Der hierin verwendete Begriff „und/oder“ beinhaltet beliebige oder alle Kombinationen von einem oder mehreren der zugeordneten aufgeführten Artikel. Ausdrücke wie „zumindest eine/r/s von“, wenn diese einer Auflistung von Elementen voranstehen, modifizieren zwar die gesamte Auflistung von Elementen, modifizieren jedoch nicht die individuellen Elemente der Auflistung. Zudem bezieht sich die Verwendung von „kann“ bei der Beschreibung von Ausführungsformen der vorliegenden Offenbarung auf „ein oder mehrere Ausführungsformen der vorliegenden Offenbarung“. Zudem soll der Begriff „beispielhaft“ sich auf ein Beispiel oder eine Darstellung beziehen. Die hierin verwendeten Begriffe „verwenden“, „unter Verwendung“, und „verwendet“ können als jeweils synonym zu den Begriffen „nutzen‟, „unter Nutzung“ und „genutzt“ aufgefasst werden.
• Es wird darauf hingewiesen, dass, wenn ein Element oder eine Schicht als „auf‟ einem anderen Element oder einer anderen Schicht oder „mit“ oder „zu“ diesem oder dieser „verbunden“, „gekoppelt“ oder „benachbart“ bezeichnet wird, dieses direkt „auf‟, „verbunden mit“, „gekoppelt mit“ oder „benachbart zu“ dem anderen Element oder der anderen Schicht sein kann oder dass ein oder mehrere intervenierende Elemente oder Schichten vorhanden sein können. Wenn im Gegensatz dazu ein Element oder eine Schicht als „direkt auf‟, „direkt verbunden mit“, „direkt gekoppelt mit“ oder „unmittelbar benachbart zu“ dem anderen Element oder der anderen Schicht bezeichnet wird, dann sind keine intervenierenden Elementen oder Schichten vorhanden.
• Ein hierin aufgezählter beliebiger numerischer Bereich soll alle Teilbereiche der gleichen numerischen Präzision umfassen, die innerhalb des aufgezählten Bereichs zusammengefasst sind. Ein Bereich von „1,0 bis 10,0“ soll alle Teilbereiche zwischen (und einschließlich) dem aufgezählten Mindestwert von 1,0 und dem aufgezählten Maximalwert 10,0, d. h. einem Mindestwert größer oder gleich 1,0 und einem Maximalwert kleiner oder gleich 10,0, umfassen, wie z. B. 2,4 bis 7,6. Eine beliebige hierin aufgezählte maximale numerische Begrenzung soll alle unteren numerischen Begrenzungen, die darin zusammengefasst sind, beinhalten, und eine beliebige minimale numerische Begrenzung, die in dieser Spezifikation aufgeführt ist, soll alle höheren numerischen Begrenzungen, die darin zusammengefasst sind, beinhalten.
• Wenngleich die vorliegende Offenbarung in Verbindung mit gewissen beispielhaften Ausführungsformen beschrieben worden ist, wird darauf hingewiesen, dass die Offenbarung nicht auf die offenbarten Ausführungsformen beschränkt ist, sondern im Gegenteil verschiedene Modifizierungen und entsprechende Anordnungen abdecken soll, die vom Schutzbereich der angehängten Ansprüche umfasst sind.

Claims (26)

1. Verfahren zum Abschätzen einer Doppler-Aufweitung eines drahtlosen Kanals, wobei das Verfahren folgende Schritte aufweist: Extrahieren eines oder mehrerer Merkmale eines empfangenen Signals, durch eine Verarbeitungsschaltung eines Hochfrequenzempfängers, , wobei die Merkmale eine Kanalkorrelation aufweisen, die basierend auf einem Referenzsignal in einem aktuellen abgeschätzt wird, wobei die abgeschätzte Kanalkorrelation eine Veränderungsrate des drahtlosen Kanals im Zeitverlauf anzeigt, und Berechnen, durch die Verarbeitungsschaltung, einer Doppler-Aufweitung des drahtlosen Kanals durch Zuführen der Merkmale zu einem oder mehreren Doppler-Verschiebungs-Prädiktoren, die an Trainingsdaten in einem Signal-Rausch-Verhältnis- (SNR-) Trainingsbereich und in einem Doppler-Verschiebungs-Trainingsbereich trainiert werden, wobei jeder Doppler-Verschiebungs-Prädiktor auf einem Abschnitt der Trainingsdaten trainiert wird, die einem unterschiedlichen Abschnitt der Trainingsdaten entsprechen.
2. Verfahren nach Anspruch 1, wobei die abgeschätzte Kanalkorrelation eine einzelne infinite-impulse-response-gefilterte Kanalkorrelation aufweist.
3. Verfahren nach Anspruch 1 oder 2, wobei die Merkmale eine oder mehrere abgeschätzte Kanalkorrelationen basierend auf einem oder mehreren Referenzsignalen in einem oder mehreren vorherigen Zeitschlitzen aufweisen.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei das Referenzsignal ein Tracking-Referenzsignal ist.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei jeder der Doppler-Verschiebungs-Prädiktoren basierend auf einem unterschiedlichen Teilbereich des SNR-Trainingsbereichs trainiert wird, wobei jeder Teilbereich eine Untergrenze und eine Obergrenze aufweist, und wobei das Verfahren ferner folgende Schritte aufweist: Bestimmen eines aktuellen SNR des empfangenen Signals; und Auswählen eines Doppler-Verschiebungs-Prädiktors aus den Doppler-Verschiebungs-Prädiktoren basierend auf dem aktuellen SNR, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors über dem aktuellen SNR liegt.
6. Verfahren nach Anspruch 5, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors dem aktuellen SNR aus den Untergrenzen der Teilbereiche, die über dem aktuellen SNR liegen, am nächsten ist.
7. Verfahren nach einem der Ansprüche 1 bis 4, wobei jeder der Doppler-Verschiebungs-Prädiktoren basierend auf einem unterschiedlichen Teilbereich des Doppler-Verschiebungs-Trainingsbereichs trainiert wird, und wobei das Verfahren ferner folgende Schritte aufweist: Berechnen, durch die Verarbeitungsschaltung, von einer oder mehreren Klassifikationswahrscheinlichkeiten durch Zuführen der Merkmale zu einem Doppler-Verschiebungs-Klassifizierer-Netzwerk, wobei eine jeweilige der Klassifikationswahrscheinlichkeiten einem unterschiedlichen von den Doppler-Verschiebungs-Prädiktoren entspricht, wobei die Merkmale den Doppler-Verschiebungs-Prädiktoren zugeführt werden, um eine oder mehrere prognostizierte Doppler-Verschiebungen zu berechnen, und wobei die Berechnung der Doppler-Aufweitung ein Kombinieren der prognostizierten Doppler-Verschiebungen gemäß den Klassifikationswahrscheinlichkeiten aufweist.
8. Verfahren nach Anspruch 7, wobei das Kombinieren der prognostizierten Doppler-Verschiebungen ein Summieren von einem oder mehreren Produkten aus den prognostizierten Doppler-Verschiebungen aufweist, die mit entsprechenden von den Klassifikationswahrscheinlichkeiten multipliziert werden.
9. Verfahren nach Anspruch 7, wobei das Kombinieren der prognostizierten Doppler-Verschiebungen ein Ausgeben, aus den prognostizierten Doppler-Verschiebungen, von einer mit einer höchsten Wahrscheinlichkeit prognostizierten Doppler-Verschiebung aufweist, die einer höchsten Klassifikationswahrscheinlichkeit von den Klassifikationswahrscheinlichkeiten entspricht.
10. Verfahren nach einem der Ansprüche 1 bis 9, wobei der SNR-Trainingsbereich der Trainingsdaten größer ist als ein SNR-Betriebsbereich des Hochfrequenzempfängers.
11. Verfahren nach einem der Ansprüche 1 bis 10, wobei jeder der Doppler-Verschiebungs-Prädiktoren so trainiert wird, dass er eine prognostizierte Doppler-Verschiebung basierend auf einem Regressionsmodell berechnet.
12. Verfahren nach einem der Ansprüche 1 bis 11, wobei jeder von den Doppler-Verschiebungs-Prädiktoren so trainiert wird, dass er die Merkmale durch Berechnen von einer oder mehreren Wahrscheinlichkeiten klassifiziert, wonach die Merkmale jeweils einer oder mehreren von den Doppler-Verschiebungen entsprechen.
13. Verfahren nach einem der Ansprüche 1 bis 12, wobei jeder von den Doppler-Verschiebungs-Prädiktoren ein mehrschichtiges Perzeptron ist.
14. Hochfrequenzempfänger, aufweisend eine Kanal-Schätzeinrichtung (16), wobei die Kanal-Schätzeinrichtung (16) folgende Merkmale aufweist: einen Merkmalsextrahierer (110), der so konfiguriert ist, dass er ein oder mehrere Merkmale von einem empfangenen Signal extrahiert, wobei die Merkmale eine Kanalkorrelation aufweisen, die basierend auf einem Referenzsignal in einem aktuellen Zeitschlitz abgeschätzt wird, wobei die abgeschätzte Kanalkorrelation eine Veränderungsrate eines drahtlosen Kanals im Zeitverlauf anzeigt; und eine Doppler-Aufweitungs-Schätzeinrichtung (100), die so konfiguriert ist, dass sie eine Doppler-Aufweitung des drahtlosen Kanals durch Zuführen der Merkmale zu einem oder mehreren Doppler-Verschiebungs-Prädiktoren (120; 122) abschätzt, die an Trainingsdaten in einem Signal-Rausch-Verhältnis- (SNR-) Trainingsbereich und in einem Doppler-Verschiebungs-Trainingsbereich trainiert werden, wobei jeder Doppler-Verschiebungs-Prädiktor (120; 122) auf einem Abschnitt der Trainingsdaten trainiert wird, die einem unterschiedlichen Abschnitt der Trainingsdaten entsprechen.
15. Hochfrequenzempfänger nach Anspruch 14, wobei die abgeschätzte Kanalkorrelation eine einzelne infinite-impulse-response-gefilterte Kanalkorrelation aufweist.
16. Hochfrequenzempfänger nach Anspruch 14 oder 15, wobei die Merkmale eine oder mehrere abgeschätzte Kanalkorrelationen basierend auf einem oder mehreren Referenzsignalen in einem oder mehreren vorherigen Zeitschlitzen aufweist.
17. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 16, wobei das Referenzsignal ein Tracking-Referenzsignal ist.
18. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 17, wobei jeder der Doppler-Verschiebungs-Prädiktoren (122) basierend auf einem unterschiedlichen Teilbereich des SNR-Trainingsbereichs trainiert wird, wobei jeder Teilbereich eine Untergrenze und eine Obergrenze aufweist, und wobei die Kanal-Schätzeinrichtung (16) ferner aufweist: einen SNR-Extrahierer (130), der so konfiguriert ist, dass er einen aktuellen SNR des empfangenen Signals extrahiert; und eine Prädiktor-Wähleinrichtung (140), die so konfiguriert ist, das sie einen Doppler-Verschiebungs-Prädiktor (122) aus den Doppler-Verschiebungs-Prädiktoren (122) basierend auf dem aktuellen SNR auswählt, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors über dem aktuellen SNR liegt.
19. Hochfrequenzempfänger nach Anspruch 18, wobei die Untergrenze des entsprechenden Teilbereichs des ausgewählten Doppler-Verschiebungs-Prädiktors (122) dem aktuellen SNR aus den Untergrenzen der Teilbereiche, die über dem aktuellen SNR liegen, am nächsten ist.
20. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 17, wobei jeder von den Doppler-Verschiebungs-Prädiktoren (120; 122) auf einem unterschiedlichen Teilbereich des Doppler-Verschiebungs-Trainingsbereichs trainiert sind; und wobei die Doppler-Aufweitungs-Schätzeinrichtung (100) ein Doppler-Verschiebungs-Klassifizierer-Netzwerk (Po) aufweist, das so konfiguriert ist, dass es eine oder mehrere Klassifikationswahrscheinlichkeiten berechnet, wonach die Merkmale Klassen angehören, die den Doppler-Verschiebungs-Prädiktoren (120) entsprechen, wobei die Doppler-Aufweitungs-Schätzeinrichtung (100) so konfiguriert ist, dass sie das eine oder die mehreren Merkmale den Doppler-Verschiebungs-Prädiktoren (120) zuführt, um eine oder mehrere prognostizierte Doppler-Verschiebungen zu berechnen, und wobei die Doppler-Aufweitungs-Schätzeinrichtung (100) so konfiguriert ist, dass sie die Doppler-Aufweitung durch Kombinieren der prognostizierten Doppler-Verschiebungen gemäß den Klassifikationswahrscheinlichkeiten berechnet.
21. Hochfrequenzempfänger nach Anspruch 20, wobei die Doppler-Aufweitungs-Schätzeinrichtung (100) so konfiguriert ist, dass sie die prognostizierten Doppler-Verschiebungen durch Summieren von einem oder mehreren Produkten von den prognostizierten Doppler-Verschiebungen, die mit entsprechenden von den Klassifikationswahrscheinlichkeiten multipliziert werden, kombiniert.
22. Hochfrequenzempfänger nach Anspruch 20 oder 21, wobei die Doppler-Aufweitungs-Schätzeinrichtung (100) so konfiguriert ist, dass sie die prognostizierten Doppler-Verschiebungen durch Ausgeben, aus den prognostizierten Doppler-Verschiebungen, einer mit einer höchsten Wahrscheinlichkeit prognostizierten Doppler-Verschiebung kombiniert, die einer höchsten Klassifikationswahrscheinlichkeit von den Klassifikationswahrscheinlichkeiten entspricht.
23. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 22, wobei der SNR-Trainingsbereich der Trainingsdaten größer als ein SNR-Betriebsbereich des Hochfrequenzempfängers ist.
24. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 23, wobei jeder von den Doppler-Verschiebungs-Prädiktoren (120) so trainiert ist, dass er eine prognostizierte Doppler-Verschiebung basierend auf einem Regressionsmodell berechnet.
25. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 24, wobei jeder von den Doppler-Verschiebungs-Prädiktoren (120) so trainiert ist, dass er die Merkmale durch Berechnen von einer oder mehreren Wahrscheinlichkeiten klassifiziert, wonach die Merkmale jeweils einem oder mehreren Bereichen von Doppler-Verschiebungen entsprechen.
26. Hochfrequenzempfänger nach einem der Ansprüche 14 bis 25, wobei jeder von den Doppler-Verschiebungs-Prädiktoren (120) ein mehrschichtiges Perzeptron ist.

Images