基于机器学习的5GNR下行定时同步方法技术

本发明专利技术公开了一种基于机器学习的5G NR下行定时同步方法。本方法基于机器学习搜索和检测主同步信号，并在此基础上基于机器学习估计下行定时位置，通过使用大量不同信道条件下的样本数据训练深度神经网络，能够较好地适应实际系统的信道环境及其变化，在载波频偏等因素的干扰下较为准确地获取下行定时同步。相比基于定时度量的下行定时同步方法，本方法避免了手动设置判决门限的需要，可以通过样本数据的学习适应新的信道条件和传输场景，具有良好的适应性和可扩展性。适应性和可扩展性。适应性和可扩展性。

【技术实现步骤摘要】
基于机器学习的5G NR下行定时同步方法


[0001]本专利技术属于无线通信
，尤其涉及一种基于机器学习的5G NR下行定时同步方法。

技术介绍

[0002]第五代移动通信(5th generation mobile communication，5G)新空口(New Radio，NR)系统使用正交频分复用(orthogonal frequency
‑
division multiplexing，OFDM)作为下行传输的基本波形，需要在小区搜索阶段实现终端与基站之间的下行定时同步。OFDM系统的符号定时误差应该在系统允许的范围内，否则接收信号会受到符号间干扰(intersymbol interference，ISI)和子载波间干扰(intercarrier interference，ICI)的影响，系统性能会下降。因此，下行定时同步是5G小区搜索和OFDM系统的重要组成部分和研究内容。
[0003]目前，关于OFDM系统中的下行定时同步方法已有大量研究。典型的下行定时同步方法通过在下行信号中传输训练序列，计算接收信号与本地参考信号之间的相关性度量，进行符号定时估计。不同的下行定时同步方法根据所使用的信道条件和系统类型，有着相应的改进。还有部分的下行定时同步方法通过设计专门的训练序列，实现更好的下行定时同步效果。
[0004]基于数学模型的下行定时同步方法在假设的条件下运用通信专业知识寻求最优的性能，但是依赖于所建立的统计意义上的数学模型。而在实际的通信系统中，信号受到的许多影响难以被数学模型准确描述，或者数学模型过于复杂不便于算法的推导，理论算法在应用到实际系统中时性能可能下降，而且当信道条件发生较大变化时，算法可能不再适用。在系统实现中，典型的下行定时同步方法大多基于接收信号和本地参考信号之间的互相关计算，根据计算得到的定时度量获取符号定时估计。但是定时度量的大小与信道条件直接相关，不同信噪比、载波频偏或者多径分布下的定时度量差异明显，需要针对性地设置判决门限，而在初始接入过程中终端未知信道条件的相关信息，判决门限的设置存在困难。
[0005]现有的下行定时同步方法大多面向特定的帧结构和训练序列设计，5G设计和定义了灵活的帧结构以及新的基于m序列的下行同步信号，现有的许多下行定时同步方法不再适用。另外，大载波频偏会对下行定时同步方法的准确性和有效性造成严重影响。

技术实现思路

[0006]本专利技术目的在于提供一种基于机器学习的5G NR下行定时同步方法,以解决现有基于互相关的下行定时同步方法中定时度量判决门限设置困难的问题，解决一些通信场景中因大频偏等因素带来的下行定时同步困难的问题，并提高下行定时同步在实际通信系统中应用时的泛化能力的技术问题。
[0007]为解决上述技术问题，本专利技术的具体技术方案如下：
[0008]本专利技术所述的基于机器学习的5G NR下行定时同步方法，包括以下步骤：
[0009]S1：终端在整个无线帧的范围内搜索主同步信号，并检测主同步信号的种类，具体包括以下步骤：
[0010]S1.1：在基带接收信号上设置滑动窗口，滑动窗口捕获一段接收信号，并沿着时间方向滑动；
[0011]S1.2：在步骤S1.1中得到的接收信号的基础上，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的主同步信号标识组成；
[0012]S1.3：构建分类卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测分类逐渐趋向于真实分类；
[0013]S1.4：使用步骤S1.2中得到的数据集作为训练和验证样本，训练步骤S1.3中构建的分类卷积神经网络，学习接收信号包含主同步信号的特征，训练出基于接收信号的分类模型，用于检测接收信号段内是否包含主同步信号，以及包含主同步信号的类型；
[0014]S1.5：使用步骤S1.4中得到的卷积神经网络搜索和检测主同步信号，将步骤S1.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号搜索和检测的结果；
[0015]S2：终端在接收信号段内估计主同步信号的起始位置，进而估计符号定时位置，具体包括以下步骤：
[0016]S2.1：在步骤S1.5中滑动窗口内搜索和检测到主同步信号基础上，使用步骤S1.5中滑动窗口内的接收信号，构建用于神经网络训练和验证的数据集，数据集包含大量数据对，数据对由接收信号段和接收信号段相应的定时位置组成；
[0017]S2.2：构建回归卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测值逐渐趋向于真实值；
[0018]S2.3：使用步骤S2.1中得到的数据集作为训练和验证样本，训练步骤S2.2中构建的回归卷积神经网络，学习接收信号中主同步信号所在位置的特征，训练出基于接收信号的回归模型，用于估计接收信号段内主同步信号的定时位置；
[0019]S2.4：使用步骤S2.3中得到的卷积神经网络估计定时位置，将步骤S2.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号定时位置的估计结果；
[0020]S2.5：在步骤S2.4中得到的滑动窗口内主同步信号定时位置的基础上，根据主同步信号在无线帧内传输所在的时间位置，得到符号定时估计的结果。
[0021]进一步，步骤S1.2中，训练和验证数据集中各接收信号段设置为固定长度，对应下行接收信号中的一段。根据数据对中接收信号段包含主同步信号的情况，数据对可以分为四种类型，分别是：(1)包含完整的主同步信号，且对应的小区标识2为0，标识为分类0；(2)包含完整的主同步信号，且对应的小区标识2为1，标识为分类1；(3)包含完整的主同步信号，且对应的小区标识2为2，标识为分类2；(4)包含部分的主同步信号或者不包含主同步信号，标识为分类
‑
1。
[0022]进一步，步骤S1.3中，所构建的分类神经网络包括序列输入层、一维卷积层、批归一化(batch normalization，BN)层、ReLU(rectified linear unit，修正线性单元)层、池化层、全连接层、丢弃层、softmax(软最大)层和分类层。
[0023]进一步，步骤S1.4中，将步骤S1.2中得到的接收信号段的接收信号段作为输入，相应的主同步信号标识作为分类标签，使用Adam(adaptive moment estimation，自适应矩估
计)算法的随机梯度下降(stochastic gradient descent，SGD)方法训练神经网络直至收敛，并存储训练后的网络参数。
[0024]进一步，步骤S1.5中，若没有检测到主同步信号，则回到步骤S1.1，窗口继续滑动；若检测到滑动窗内包含主同步信号，则根据主同步信号的种类确定小区标识2，并进入步骤S2所述的符号定时估计阶段，估计主同步信号在接收信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的5G NR下行定时同步方法，其特征在于，包括以下步骤：S1：终端在整个无线帧的范围内搜索主同步信号，并检测主同步信号的种类，具体包括以下步骤：S1.1：在基带接收信号上设置滑动窗口，滑动窗口捕获一段接收信号，并沿着时间方向滑动；S1.2：在步骤S1.1中得到的接收信号的基础上，构建用于神经网络训练和验证的数据集，数据集包含数据对，数据对由接收信号段和接收信号段相应的主同步信号标识组成；S1.3：构建分类卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测分类逐渐趋向于真实分类；S1.4：使用步骤S1.2中得到的数据集作为训练和验证样本，训练步骤S1.3中构建的分类卷积神经网络，学习接收信号包含主同步信号的特征，训练出基于接收信号的分类模型，用于检测接收信号段内是否包含主同步信号，以及包含主同步信号的类型；S1.5：使用步骤S1.4中得到的卷积神经网络搜索和检测主同步信号，将步骤S1.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号搜索和检测的结果；若没有检测到主同步信号，则回到步骤S1.1，窗口继续滑动；若检测到滑动窗内包含主同步信号，则根据主同步信号的种类确定小区标识2，并进入步骤S2所述的符号定时估计阶段，估计主同步信号在接收信号段中的起始位置；S2：终端在接收信号段内估计主同步信号的起始位置，进而估计符号定时位置，具体包括以下步骤：S2.1：在步骤S1.5中滑动窗口内搜索和检测到主同步信号基础上，使用步骤S1.5中滑动窗口内的接收信号，构建用于神经网络训练和验证的数据集，数据集包含数据对，数据对由接收信号段和接收信号段相应的定时位置组成；S2.2：构建回归卷积神经网络，使用若干卷积层提取层次特征，并使用全连接层整合卷积层提取得到的特征，在损失函数的逼近下，使得预测值逐渐趋向于真实值；S2.3：使用步骤S2.1中得到的数据集作为训练和验证样本，训练步骤S2.2中构建的回归卷积神经网络，学习接收信号中主同步信号所在位置的特征，训练出基于接收信号的回归模型，用于估计接收信号段内主同步信号的定时位置；S2.4：使用步骤S2.3中得到的卷积神经网络估计定时位置，将步骤S2.1中得到的接收信号输入卷积神经网络，得到滑动窗口内主同步信号定时位置的估计结果；S2.5：在步骤S2.4中得到的滑动窗口内主同步信号定时位置的基础上，根据主同步信号在无线帧内传输所在的时间位置，得到符号定时估计的结果。2.根据权利要求1所述的基于机器学习的5G NR下行定时同步方法，其特征在于，所述步骤S1.2中，训练和验证数据集中各接收信号段设置为固定长度...

【专利技术属性】
技术研发人员：高西奇，何思然，房天昊，仲文，
申请(专利权)人：东南大学，
类型：发明
国别省市：