一种5g高速移动系统中基于深度学习的多普勒频偏估计方法
阅读说明：本技术 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法 (Doppler frequency offset estimation method based on deep learning in 5G high-speed mobile system ) 是由 杨丽花 王增浩 张捷 杨龙祥 于 2020-12-28 设计创作，主要内容包括：本发明公开了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法,包括基于数据与导频信号,获取多普勒频偏初始估计,基于多普勒频偏初始估计构建预训练样本；利用构建的预训练样本对网络进行预训练处理,获取预训练网络的权重和阀值参数；基于导频信号,获取多普勒频偏初始估计,基于多普勒频偏初始估计构建训练样本；利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理,获取最终的网络估计模型,进行线上多普勒频偏实时估计。具有较快的收敛速度和高的估计性能,具有一定的实用价值。(The invention discloses a Doppler frequency offset estimation method based on deep learning in a 5G high-speed mobile system, which comprises the steps of obtaining Doppler frequency offset initial estimation based on data and pilot signals, and constructing a pre-training sample based on the Doppler frequency offset initial estimation; pre-training the network by using the constructed pre-training sample to obtain the weight and threshold parameters of the pre-training network; obtaining Doppler frequency offset initial estimation based on the pilot frequency signal, and constructing a training sample based on the Doppler frequency offset initial estimation; and performing secondary training processing on the network by using the weight and threshold parameters of the obtained pre-training network and the constructed training sample to obtain a final network estimation model, and performing online Doppler frequency offset real-time estimation. The method has the advantages of high convergence rate, high estimation performance and certain practical value.)
技术领域
本发明涉及无线通信技术领域，尤其涉及一种5G高速移动系统中基于深度学习的多普勒频偏估计方法。
背景技术
近年来，科学技术和经济的快速发展，激发了高速铁路(HSR，High SpeedRailway)快速和广泛地发展。随着HSR的大规模部署，HSR环境下的无线通信在全球已引起了越来越多的关注，并且HSR已被作为第五代新无线电(5G-NR)通信网络的重要使用场景之一，预计在5G-NR系统下其可以实现高达500km/h的移动速度。然而，当前大多数无线通信系统被设计是用于具有低或中等移动性的用户，并且高移动性显著地限制了覆盖区域和传输速率。因此，需要设计可靠高效的面向 5G-NR HSR(>＝500km/h)场景的通信系统。
由于高速列车上的乘客通常很多，这将要求HSR通信不仅要处理关键信令应用，还需要HSR通信能提供各种宽带应用，如高清(HD)视频监控、车载宽带互联网接入、实时列车调度高清视频、以及铁路物联网等，这些应用需要更多的频谱资源来提供支持。为了满足对HSR用户体验不断增长的需求，目前国内外一些文献和3GPP标准提出将5G-NR毫米波(mmWave)频带应用于HSR通信，并给出了相应的实验证明。然而，在使用5G-NR mmWave的高速移动环境中，多普勒频移的影响将变得更加显著、路径损耗更为严重，这将不利于HSR场景中的车地通信。因此，为了实现5G-NR毫米波段未来列车在时速高达500km/h场景下的10Gbps连接，还需要开展很多工作。
在众多需要开展的工作中，克服大多普勒频移的影响至关重要，这是因为在基于5G-NR mmWave 的HSR环境中，多普勒频移的影响将变得尤为显著，如考虑3GPP建议的典型频段(30GHz)和车载速度500km/h，对应的下行传输系统的多普勒频移约为14kHz，其是4G-LTE HSR下行系统的20多倍。如此大的多普勒频移将会引起更为严重的载波间干扰/用户间干扰和导致信道发生快速随机变化，从而使得HSR通信系统的性能严重下降。因此，需要开展5G-NR mmWave的HSR环境中抗大多普勒频移技术的研究，其中多普勒频偏估计和补偿技术是基础。
发明内容
本发明的目的是提供一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，具有较快的收敛速度和高的估计性能，具有一定的实用价值。
本发明为实现上述发明目的采用如下技术方案：
本发明提供了一种5G高速移动系统中基于深度学习的多普勒频偏估计方法，包括：
基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本；
利用构建的预训练样本对网络进行预训练处理，获取预训练网络的权重和阀值参数；
基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本；
利用获取预训练网络的权重和阀值参数与构建的训练样本对网络进行第二次训练处理，获取最终的网络估计模型，进行线上多普勒频偏实时估计。
进一步地，基于数据与导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建预训练样本的公式如下：
式中：Xpre(u)表示BP神经网络的第u个输入数据，0≤u≤U-1；U表示训练样本集的个数； R(k)表示第k个子载波上的接收信号；Nu表示一个OFDMA符号上所使用的子载波个数，其包含Np个导频和Nu-Np数据；ΓR(Z)表示复数变实数操作， 表示基于数据与导频信号，获取的多普勒频偏初始估计。
进一步地，基于导频信号，获取多普勒频偏初始估计，基于多普勒频偏初始估计构建训练样本的公式如下：
式中：R(1),...,R(Np)是接收到的导频信号。
进一步地，在HSR环境中采用莱斯信道作为信道模型，在下行传输链路中，第i个子帧第m个符号的传输信道表示为：
式中：ci为信道的LOS分量；代表散射分量且服从瑞利分布；L是多径莱斯信道的径数；εi,m是归一化多普勒频偏；是第lp径的归一化时延；ND＝N+Ncp，其中Ncp是循环前缀的长度；
莱斯信道的莱斯因子定义为
进一步地，在5G-NR毫米波HSR下行传输系统中，假设时域发送信号为：
式中：Si(m,k)为第i个子帧第m个OFDMA符号第k个子载波上的信号，N为傅里叶变换的长度；假设循环前缀的长度大于无线传输信道的最大时延，且接收端理想定时同步，则接收到的时域信号表示为：
式中：为传输符号的功率；wi(m,n)是方差为的加性高斯白噪声(AWGN)；由于子帧上每个OFDMA符号的多普勒频偏变化比较小，因此每子帧上多普勒频偏可以近似为一常数，即εi,m≈εi。
进一步地，利用导频辅助的频偏估计方法获取所述多普勒频偏初始估计。
本发明的有益效果如下：
利用网络进行线下训练和线上估计：
在线下训练阶段，首先通过预训练处理来获取较优的网络权值与阈值参数，然后基于获取的网络参数对网络进行再次训练，降低了网络随机初始化引起的性能损失，同时也提高了网络的收敛速度和预测的准确性；
在线上估计阶段，仅需利用接收到的导频信号与多普勒频偏初始估计即可实时获取高精度的多普勒频偏估计；
具有较快的收敛速度和高的估计性能，故具有一定的实用价值。
附图说明
图1为根据本发明实施例提供的流程图；
图2为根据本发明实施例提供的采用不同训练样本集数目时的MSE性能图；
图3为根据本发明实施例提供的在不同信噪比(SNR)下训练网络获取的MSE性能图；
图4为根据本发明实施例提供的在不同莱斯因子时与现有技术的MSE性能比较图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参照图1至图4，本发明采用的技术方案为一种应用于5G高速移动系统中基于深度学习的多普勒频偏估计方法，旨在提高多普勒频偏估计的精度和降低其计算复杂度。本发明首先利用仿真数据构建合适的训练样本，然后利用训练样本对BP神经网络进行线下训练，完成输入与输出数据之间的映射关系，最后线上基于训练后的网络仅利用接收的导频信号，即可实时估计多普勒频偏。为了减少随机初始化引入的性能下降，本发明设计了一种预训练方法来完善BP神经网络的初始参数。另外，通过对输入样本进行合理设计，本发明不仅可以利用接收信号中的特征，而且可以利用初始估计的优势来进一步提高多普勒频偏估计的性能。本发明采用的技术方案包括以下步骤：
步骤1：基于数据与导频信号，利用导频辅助的频偏估计方法获取多普勒频偏初始估计
步骤2：构建网络的预训练样本
式中，Xpre(u)为BP神经网络的第u个输入数据，0≤u≤U-1，U是训练样本集的个数，R(k)是第k个子载波上的接收信号，Nu是一个OFDMA符号上所使用的子载波个数，其包含Np个导频和 Nu-Np数据，ΓR(Z)为复数变实数操作，
步骤3：利用步骤2构造的训练样本对网络进行预训练处理；
步骤4：获取网络收敛情况的权值与阈值参数；
步骤5：基于导频信号，利用导频辅助的频偏估计方法获取多普勒频偏初始估计
步骤6：构造BP神经网络训练阶段的输入样本
式中，R(1),...,R(Np)是接收到的导频信号；
步骤7：利用步骤4获取的网络权值与阈值与步骤6构造的训练样本对网络进行第二次训练处理；
步骤8：获取最终的网络估计模型；
步骤9：进行线上多普勒频偏实时估计，利用接收到的导频信号、多普勒频偏估计初始值与训练后的网络，从而获取高精度的多普勒频偏估计。
在5G-NR毫米波HSR下行传输系统中，假设时域发送信号为
式中，Si(m,k)为第i个子帧第m个OFDMA符号第k个子载波上的信号，N为傅里叶变换的长度。
在HSR通信环境中，由于基站均是沿铁轨附近建立，这将存在一个很强的直射(LOS，line-of-sight)分量，因此在HSR环境中通常采用莱斯信道作为信道模型，故在下行传输链路中，第i个子帧第m个符号的传输信道可以表示为
式中，ci为信道的LOS分量，代表散射分量且服从瑞利分布，L是多径莱斯信道的径数，εi,m是归一化多普勒频偏，是第lp径的归一化时延，ND＝N+Ncp，其中Ncp是循环前缀的长度。该莱斯信道的莱斯因子定义为
假设循环前缀的长度大于无线传输信道的最大时延，且接收端理想定时同步，则接收到的时域信号可以表示为
式中，传输符号的功率为wi(m,n)是方差为的加性高斯白噪声(AWGN)。
由于子帧上每个OFDMA符号的多普勒频偏变化比较小，因此每子帧上多普勒频偏可以近似为一常数，即εi,m≈εi。由于每一子帧的多普勒频偏估计方法相同，因此，为了便于介绍该技术，在本发明中将省略OFDMA符号与子帧标号m和i。
仿真结果
下面结合仿真分析本发明的性能。在仿真中假设系统具有一个发射天线和一个接收天线的 OFDMA系统，OFDMA符号长度为1024，循环前缀长度为128，载波间隔为60kHz，导频数目为32，且集中分布。载波频率为30GHz，车载速度为500km/h，仿真中采用单径莱斯信道，莱斯因子为5 和10。为了与本发明对比，在此也给出了基于导频分段的多普勒频偏估计方法与基于导频的最大似然频偏估计方法。
图2给出了本发明采用不同训练样本集数目时的MSE性能曲线。在仿真中，每个样本集中导频的数目是相同的，且Np＝16。从图可以看出，随着训练样本集的增加，利用本发明方法获取的多普勒频偏估计方法的估计精度越高，这表明大量的训练样本可以提高网络的学习能力，但是将会引起线下训练计算复杂度的增加。因此，在实际中需在在估计性能与计算复杂度之间进行折中来选取训练样本的个数。
图3给出了本发明在不同信噪比(SNR)时训练网络获取的MSE性能曲线。当SNR低于12dB时，本发明在10dB情况下训练网络获取的估计性能要优于在20dB情况下训练网络获取的性能。当SNR 大于12dB时，本发明在20dB情况下训练网络获取的估计性能要优于网络在10dB时训练获取的估计性能。当采用在所有信噪比下训练的网络时，本发明不管在低SNR下还是在高SNR下均具有较好的估计性能。因此，当进行多普勒频偏估计时，为了获取更好的性能，可以根据不同信噪比来训练网络。
图4给出了在不同莱斯因子时本发明与现有技术的MSE性能曲线。仿真中，本发明采用U＝4000 个训练样本集和Np＝16个导频，现有技术采用Np＝1024个导频，且导频分段数为2从图可以看出，本发明仅需利用较少的导频即可获取比现有技术更优的估计性能。另外，随着莱斯因子的增加，本发明将具有更高的性能增益。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：邻信道抑制电路及邻信道抑制方法