[发明专利]基于机器学习的联合帧同步与信道估计方法

说明书

本发明公开了基于机器学习的联合帧同步与信道估计方法。其包括：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osubgt;FS/subgt;和粗帧延迟估计值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将帧同步在线学习输出向量osubgt;FS/subgt;，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。本发明能够获得帧同步与信道估计的联合优化，提高联合帧同步和信道估计、特别是非线性失真条件下的联合帧同步和信道估计性能。

技术领域

本发明涉及无线通信系统的联合帧同步与信道估计技术领域，特别涉及一种基于机器学习(ML，machine learning)的联合帧同步与信道估计方法。

背景技术

在无线通信系统中，帧同步与信道估计对整个系统性能起着至关重要的作用。然而，大多数的研究独立考虑帧同步与信道估计，无法获得帧同步和信道估计的联合优化，影响通信系统的性能。为此，联合帧同步与信道估计的方法被相继提出。

遗憾的是，无线系统中存在大量的非线性器件和模块，如高功率放大器(HPA)，数模转换器(DAC)等；加之系统的低成本需求，移动终端的有限电池能量和计算资源，现有无线通信系统不可避免地存在较为严重的非线性失真。由于缺乏考虑非线性失真，大多数现有的联合帧同步与信道估计方法面临巨大挑战。

近年来，ML技术被证明在抑制非线性失真具有独特优势，而且它在无线通信系统的物理层展现了很好的前景。为对抗非线性失真，并利用帧同步与信道估计联合优化的好处，本发明采用ML技术对帧同步与信道估计进行联合学习，并利用网络的融合学习技术对系统进行更进一步的优化处理。本发明可极大地改善联合帧同步与信道估计的方法性能，并能适应系统中存在非线性失真的应用场景，极具推广与应用价值。

发明内容

本发明的目的在于提供一种基于机器学习的联合帧同步与信道估计方法，与独立考虑帧同步与信道估计方法相比，本发明能够获得帧同步与信道估计的联合优化；与未考虑非线性失真的联合帧同步与信道估计方法相比，本发明能够显著提高非线性失真系统下的联合帧同步与信道估计性能。

本发明的技术方案如下：

基于机器学习的联合帧同步与信道估计方法，其包括：

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。

根据本发明的一些优选实施方式，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：