申请/专利权人：东南大学

申请日：2022-06-23

公开（公告）日：2024-06-21

公开（公告）号：CN115103434B

主分类号：H04W56/00

分类号：H04W56/00;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.10.14#实质审查的生效;2022.09.23#公开

摘要：本发明公开了一种基于机器学习的5GNR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。

主权项：1.一种基于机器学习的5GNR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，进行符号定时估计；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。

全文数据：

权利要求：

百度查询： 东南大学 基于机器学习的5G NR下行定时同步方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD