[发明专利]基于机器学习的联合帧同步与信道估计方法

权利要求书

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；

其中，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；

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；

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_FS，表示为并根据下式求得粗帧延迟估计值为：

步骤S3所述信道估计预处理包括：

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：

其中，本地训练序列可表示为x_t＝[x₀,x₁,…,x_uM-1]^T；所述u取值为u≥1，根据工程经验设置；

S32根据本地移位信号x_st，根据下式，形成本地测量矩阵为：

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；

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：

S4所述粗信道估计子网络CEM-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；所述输入层的节点数及所述输出层的节点数均与多径抽头数L相等，所述隐藏层节点数为

其中，k的值根据工程经验设置；

获得步骤S4所述粗信道状态信息估计的步骤包括：

S41收集N_r个长度为M的接受信号样本序列并构建样本序列集合

S42根据步骤S31至步骤S34对样本序列集合中的元素进行预处理，得到归一化信道估计度量矩阵

S43收集N_r个信道抽头数为L的信道向量形成信道标签矩阵

其中，h_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；

S44根据归一化信道估计度量矩阵和信道标签矩阵T_CE训练粗信道估计子网络CEM-Net，得到训练完成的粗信道估计子网络CEM-Net；

S45在线运行训练完成的粗信道估计子网络CEM-Net，获得粗信道状态信息估计表示为

步骤S5所述精估计子网络REF-Net由深度神经网络构造，网络架构为：

1个输入层，r_H个隐藏层，1个输出层；所述输入层节点数及所述输出层的节点数均为M，所述隐藏层各层节点数为q_iM,i＝1,2,…,r_H；

其中，r_H和q_i,i＝1,2,…,r_H的数值可根据工程经验设定；

获得步骤S5所述精帧延迟估计值和精信道状态信息估计的步骤包括：

S51根据帧同步在线学习输出向量o_FS和帧同步在线生成标签向量T_F，形成精帧同步训练集合{o_FS,T_F}；

其中，帧同步在线生成标签向量T_F为在精估计子网络REF-Net训练过程中按照S23-S24方式获得；

S52根据粗信道状态信息估计和信道标签矩阵T_CE形成精信道估计训练集合

S53利用精帧同步训练集合{o_FS,T_F}和精信道估计训练集合交替训练精估计子网络REF-Net，获得网络参数；

S54在线运行精估计子网络REF-Net，获得精帧延迟估计值和精信道状态信息估计