基于机器学习的联合帧同步与信道估计方法技术

本发明专利技术公开了基于机器学习的联合帧同步与信道估计方法。其包括：接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量将归一化互相关同步度量矢量输入粗帧同步子网络FSN

【技术实现步骤摘要】
基于机器学习的联合帧同步与信道估计方法


[0001]本专利技术涉及无线通信系统的联合帧同步与信道估计
，特别涉及一种基于机器学习(ML，machine learning)的联合帧同步与信道估计方法。

技术介绍

[0002]在无线通信系统中，帧同步与信道估计对整个系统性能起着至关重要的作用。然而，大多数的研究独立考虑帧同步与信道估计，无法获得帧同步和信道估计的联合优化，影响通信系统的性能。为此，联合帧同步与信道估计的方法被相继提出。
[0003]遗憾的是，无线系统中存在大量的非线性器件和模块，如高功率放大器(HPA)，数模转换器(DAC)等；加之系统的低成本需求，移动终端的有限电池能量和计算资源，现有无线通信系统不可避免地存在较为严重的非线性失真。由于缺乏考虑非线性失真，大多数现有的联合帧同步与信道估计方法面临巨大挑战。
[0004]近年来，ML技术被证明在抑制非线性失真具有独特优势，而且它在无线通信系统的物理层展现了很好的前景。为对抗非线性失真，并利用帧同步与信道估计联合优化的好处，本专利技术采用ML技术对帧同步与信道估计进行联合学习，并利用网络的融合学习技术对系统进行更进一步的优化处理。本专利技术可极大地改善联合帧同步与信道估计的方法性能，并能适应系统中存在非线性失真的应用场景，极具推广与应用价值。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的联合帧同步与信道估计方法，与独立考虑帧同步与信道估计方法相比，本专利技术能够获得帧同步与信道估计的联合优化；与未考虑非线性失真的联合帧同步与信道估计方法相比，本专利技术能够显著提高非线性失真系统下的联合帧同步与信道估计性能。
[0006]本专利技术的技术方案如下：
[0007]基于机器学习的联合帧同步与信道估计方法，其包括：
[0008]S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量
[0009]S2将归一化互相关同步度量矢量输入粗帧同步子网络FSN
‑
Net，获得帧同步在线学习输出向量o
FS
和粗帧延迟估计值
[0010]S3根据粗帧延迟估计值进行信道估计预处理，获得归一化信道估计度量矢量
[0011]S4将归一化信道估计度量矢量输入粗信道估计子网络CEM
‑
Net，获得粗信道状态信息估计
[0012]S5将帧同步在线学习输出向量o
FS
，粗信道状态信息估计输入精估计子网络REF
‑
Net，获得精帧延迟估计值和精信道状态信息估计完成联合帧同步和信道估计；
[0013]所述粗帧同步子网络FSN
‑
Net和粗信道估计子网络CEM
‑
Net分别基于ELM网络模型构建，精估计子网络REF
‑
Net基于深度神经网络模型构建。
[0014]根据本专利技术的一些优选实施方式，步骤S1所述帧同步预处理包括：
[0015]S11接收机将长度为N
s
的训练序列补充为长度为帧长M的训练序列补充序列如下：
[0016][0017]其中，N
d
表示数据序列长度，所述的N
s
，M和N
d
根据工程经验设置；
[0018]S12对训练序列补充序列按列循环移位，按如下方式构建循环移位矩阵S，表示为：
[0019][0020]S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量y的互相关度量矢量Φ，表示为：
[0021]Φ＝|Sy|；
[0022]S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量表示为：
[0023][0024]其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作。
[0025]根据本专利技术的一些优选实施方式，步骤S2所述粗帧同步子网络FSN
‑
Net由ELM网络构造，网络架构为：
[0026]1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为
[0027]其中，m的值根据工程经验设置。
[0028]根据本专利技术的一些优选实施方式，步骤S2所述帧同步在线学习输出向量o
FS
和粗帧延迟估计值的获得包括：
[0029]S21收集N
t
个长度为M的接受信号样本序列构建样本序列集合
[0030]S22根据步骤S11至步骤S14对样本序列集合中的元素进行预处理，
得到归一化互相关同步度量矩阵
[0031]S23收集N
t
组传播时延样本τ
i
,i＝1,2,
…
,N
t
，形成传播时延集合
[0032]其中，τ
i
根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；
[0033]S24根据传播时延集合利用one
‑
hot编码生成帧同步训练标签矩阵表示为：
[0034][0035]所述的传播时延样本τ
i
,i＝1,2,
…
,N
t
的one
‑
hot编码方式可表示为：
[0036][0037]S25根据归一化互相关同步度量矩阵和帧同步训练标签矩阵训练粗帧同步子网络FSN
‑
Net，得到训练完成的粗帧同步子网络FSN
‑
Net；
[0038]S26在线运行训练完成的粗帧同步子网络FSN
‑
Net，获得帧同步在线学习输出向量o
FS
，表示为并根据下式求得粗帧延迟估计值为：
[0039][0040]根据本专利技术的一些优选实施方式，步骤S3所述信道估计预处理包括：
[0041]S31根据步骤S2获得的粗帧延迟估计值和长度为uM的本地训练序列生成本地移位信号为：
[0042][0043]其中，本地训练序列x
t
可表示为x
t
＝[x0,x1,
…
,x
uM
‑1]T
；所述u取值为u≥1，根据工程经验设置；
[0044]S32根据本地移位信号x
st
，根据下式，形成本地测量矩阵为：
[0045][0046]S33根据接收信号本地测量矩阵和OMP算法，得到信道估计度量矢量h
e
；
[0047]S34对所述信道估计度量矢量h
e
进行归一化处理，得到归一化信道估计度量矢量表示为：
[0048][0049]根据本专利技术的一些优选实施方式，步骤S4所述的粗信道估计子网络CEM
‑
Net由ELM网络构造，网络架构为：
[0050]1个输入层，1个隐藏层，1个输出层；所述输入层的节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的联合帧同步与信道估计方法，其特征在于，包括以下步骤：S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量S2将归一化互相关同步度量矢量输入粗帧同步子网络FSN
‑
Net，获得帧同步在线学习输出向量o
FS
和粗帧延迟估计值S3根据粗帧延迟估计值进行信道估计预处理，获得归一化信道估计度量矢量S4将归一化信道估计度量矢量输入粗信道估计子网络CEM
‑
Net，获得粗信道状态信息估计S5将帧同步在线学习输出向量o
FS
，粗信道状态信息估计输入精估计子网络REF
‑
Net，获得精帧延迟估计值和精信道状态信息估计完成联合帧同步和信道估计；所述粗帧同步子网络FSN
‑
Net和粗信道估计子网络CEM
‑
Net分别基于ELM网络模型构建，精估计子网络REF
‑
Net基于深度神经网络模型构建。2.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S1所述帧同步预处理包括：S11接收机将长度为N
s
的训练序列补充为长度为帧长M的训练序列补充序列如下：其中，N
d
表示数据序列长度，所述的N
s
，M和N
d
根据工程经验设置；S12对训练序列补充序列按列循环移位，按如下方式构建循环移位矩阵S，表示为：S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量y的互相关度量矢量Φ，表示为：Φ＝|Sy|；S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量表示为：其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作。3.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步
骤S2所述粗帧同步子网络FSN
‑
Net由ELM网络构造，网络架构为：1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为其中，m的值根据工程经验设置。4.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：获得步骤S2所述粗帧延迟估计值的步骤包括：S21收集N
t
个长度为M的接受信号样本序列构建样本序列集合S22根据步骤S11至步骤S14对样本序列集合中的元素进行预处理，得到归一化互相关同步度量矩阵S23收集N
t
组传播时延样本τ
i
,i＝1,2,
…
,N
t
，形成传播时延集合其中，τ
i
根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；S24根据传播时延集合利用one
‑
hot编码生成帧同步训练标签矩阵表示为：所述的传播时延样本τ
i
,i＝1,2,
…
,N
t
的one
‑
hot编码方式可表示为：S25根据归一化互相关同步度量矩阵和帧同步训练标签矩阵训练粗帧同步子网络FSN
‑
Net，得到训练完成的粗帧同步子网络FSN
‑
Net；S26在线运行训练完成的粗帧同步子网络FSN
‑
Net，获得帧同步在线学习输出向量o，表示为并根据下式求得粗帧延迟估计值为：5.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S3所述信道估计预处理包括：S31根据步骤S2获得的粗...

【专利技术属性】
技术研发人员：卿朝进，饶川贵，唐书海，杨娜，张岷涛，
申请(专利权)人：西华大学，
类型：发明
国别省市：