[发明专利]基于机器学习的5G NR下行定时同步方法

说明书

本发明公开了一种基于机器学习的5G NR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。

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于机器学习的5G NR下行定时同步方法。

背景技术

第五代移动通信(5th generation mobile communication，5G)新空口(NewRadio，NR)系统使用正交频分复用(orthogonal frequency-division multiplexing，OFDM)作为下行传输的基本波形，需要在小区搜索阶段实现终端与基站之间的下行定时同步。OFDM系统的符号定时误差应该在系统允许的范围内，否则接收信号会受到符号间干扰(intersymbol interference，ISI)和子载波间干扰(intercarrier interference，ICI)的影响，系统性能会下降。因此，下行定时同步是5G小区搜索和OFDM系统的重要组成部分和研究内容。

目前，关于OFDM系统中的下行定时同步方法已有大量研究。典型的下行定时同步方法通过在下行信号中传输训练序列，计算接收信号与本地参考信号之间的相关性度量，进行符号定时估计。不同的下行定时同步方法根据所使用的信道条件和系统类型，有着相应的改进。还有部分的下行定时同步方法通过设计专门的训练序列，实现更好的下行定时同步效果。

基于数学模型的下行定时同步方法在假设的条件下运用通信专业知识寻求最优的性能，但是依赖于所建立的统计意义上的数学模型。而在实际的通信系统中，信号受到的许多影响难以被数学模型准确描述，或者数学模型过于复杂不便于算法的推导，理论算法在应用到实际系统中时性能可能下降，而且当信道条件发生较大变化时，算法可能不再适用。在系统实现中，典型的下行定时同步方法大多基于接收信号和本地参考信号之间的互相关计算，根据计算得到的定时度量获取符号定时估计。但是定时度量的大小与信道条件直接相关，不同信噪比、载波频偏或者多径分布下的定时度量差异明显，需要针对性地设置判决门限，而在初始接入过程中终端未知信道条件的相关信息，判决门限的设置存在困难。

现有的下行定时同步方法大多面向特定的帧结构和训练序列设计，5G设计和定义了灵活的帧结构以及新的基于m序列的下行同步信号，现有的许多下行定时同步方法不再适用。另外，大载波频偏会对下行定时同步方法的准确性和有效性造成严重影响。

发明内容

本发明目的在于提供一种基于机器学习的5G NR下行定时同步方法,以解决现有基于互相关的下行定时同步方法中定时度量判决门限设置困难的问题，解决一些通信场景中因大频偏等因素带来的下行定时同步困难的问题，并提高下行定时同步在实际通信系统中应用时的泛化能力的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

本发明所述的基于机器学习的5G NR下行定时同步方法，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，数据集包含大量数据对，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；