[发明专利]基于统计先验的机器学习定时同步方法

说明书

本发明公开了一种基于统计先验的机器学习定时同步方法。所述方法包括：根据最大多径时延统计参数集，生成多径时延辅助数据标记集和接收数据集，再通过接收数据集和多径时延辅助数据标记集去完成定时同步网络的训练，最后通过已训练的定时同步网络与在线接收的接收信号完成定时偏移值的估计。本发明可提高通信环境固定和/或快速变化的场景下的定时同步性能，与现有基于迁移学习的定时同步方法相比，其具有更简单的网络架构，更好的泛化性能以及更低的计算复杂度。

技术领域

本发明涉及机器学习定时同步的技术领域，特别涉及一种基于统计先验的机器学习定时同步方法。

背景技术

机器学习定时同步方法作为未来无线网络和移动通信技术的关键技术和研究热点，其同步性能的优劣，直接对后续信号处理的决策产生极大的影响。在通信系统中，统计和信息理论支持的传统信号处理方法基本上依赖于精确和易处理的数学模型。然而，不幸的是，实际的通信系统可能有一系列的不完善和非线性因素，这些因素很难用数学建模，如真实信道与人为建模的信道模型之间存在着很大差异。此外，对于URLLC(ultra reliablelow Latency communication)类服务对信道参数快速变化的无线通信场景下的定时同步，提出了更加严格的要求。基于迁移学习的定时同步方法可以通过迁移学习获得优异的泛化性能，进而提高系统的定时同步性能，然迁移学习需要庞大的参数集、更为复杂网络架构以及漫长的训练时间等一系列问题，亟待改善。

发明内容

本发明的目的旨在提供一种基于统计先验的机器学习定时同步方法，该方法与现有的基于迁移学习的定时同步方法相比，利用了最大多径时延的统计信息，提高了标签的泛化能力，并且通过结合同步器及ELM网络构成定时同步网络，降低了计算复杂度，既有效地提高机器学习定时同步的同步性能，也提高了实际在线中的定时同步网络关于定时同步的泛化能力。

一种基于统计先验的机器学习定时同步方法，其包括：

S1获得样本信道的最大多径时延统计参数集，根据所述最大多径时延统计参数集，生成其多径时延辅助数据标记集和接收数据集；

S2以所述多径时延辅助数据标记集和接收信号数据集训练定时同步网络，

获得其训练后的网络参数；

S3基于训练后的网络参数，将在线接收到接收信号输入所述定时同步网络中，获得其定时偏移估计值；

其中，所述辅助数据是指通过所述最大多径时延统计参数集和定时偏移值推导得到的用于优化网络泛化性及构造标签的数据；

所述定时同步网络的组成包括：同步器和极限学习机。

根据本发明的一些优选实施方式，步骤S1中，所述最大多径时延统计参数集的获得包括：

获得N_t组由信道系数及其对应的多径时延扩展，及定时偏移值组成的样本信道参数集，如下：

其中，表示第i组的第p个信道系数，表示第i组的第p个多径时延扩展，由工程经验设置和/或现场测试得到，P表示可分辨传播路径数，根据实际接收机性能设置，τ⁽ⁱ⁾,i＝1,2,…,N_t表示第i组的定时偏移值；

根据所述样本信道参数集，通过以下模型获得所述最大多径时延统计参数集：

满足0≤τ₁＜τ₂＜…＜τ_P＜L_c；