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。