一种基于LoS感知辅助的OFDM系统定时同步方法
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及OFDM系统定时同步的技术领域,特别涉及一种基于LoS感知辅助的OFDM系统定时同步方法。
背景技术
OFDM系统由于其良好的对抗多径衰落特性,目前已经被广泛应用于无线通信系统,比如:5G和NB-IoT。在OFDM系统中,定时同步性能将严重影响后续信号处理,甚至会影响整个通信系统的性能。然而,由于无线通信环境中存在多径干扰且信道具有时变特性,利用基于经典同步方法和基于神经网络的同步方法都不可避免地遭受到性能降低和/或训练标签难以获得的问题。
同时,在无线信号传输的过程中,由于多径干扰、信号反射、折射等原因的影响,接收信号中通常包含两种路径:LoS路径和NLoS路径。当发射机和接收机之间没有物理障碍时,接收信号中包含LoS路径,LoS路径的能量通常强于NLoS路径20dB左右。因此,如何利用LoS/NLoS的先验信息去辅助和提高定时同步性能及解决CNN训练标签难以获得的问题亟待解决。
发明内容
本发明的目的旨在提供一种基于LoS感知辅助的OFDM系统定时同步方法。在OFDM系统中,此方法与现有的基于经典相关方法的定时同步方法和基于神经网络的定时同步方法相比,本发明融合了接收信号中LoS/NLoS的先验信息,不仅辅助并提高了定时同步正确性及泛化性,而且通过信号检测方法,解决了在实际通信场景中难以获得CNN训练标签的问题。
一种基于LoS感知辅助的OFDM系统定时同步方法,其步骤包括:
S1根据LoS感知辅助模块,判断当前接收信号
;
所述LoS感知辅助模块可以根据实际工程需要进行方法选择,方法包括接收信号峰度、莱斯K因子、角度差、根均方时延扩展或者出发/到达的角度分布;
S2 若接收信号
S3 采用“非神经网络方法”进行定时同步估计,得到定时同步偏移估计值
所述“非神经网络方法”包括OMP算法、自相关算法和互相关算法;
S4 根据
进一步地,所述方法步骤S2所述的定时同步方法进一步包括:
S21 根据接收信号
S22 将定时度量
S23 将实值定时度量
S24 将归一化实值定时度量
进一步地,所述方法步骤S24所述的CNN的训练数据集进一步包括:
S241根据接收信号
所述路径检测方法包括瞬时能量检测、相关检测、阈值检测、统计检测和周期检测;
S242 根据
其中,
所述CNN的架构、训练数据集、网络参数优化根据实际工程经验进行。
本发明的有益效果是:与现有的基于经典相关方法的定时同步方法与基于神经网络的定时同步方法相比,本发明得益于LoS感知模块的辅助,不仅提高了定时同步正确性及泛化性能,而且通过信号检测方法,解决了在实际通信场景中难以获得CNN训练标签的问题。
附图说明
图1为一种基于LoS感知辅助的OFDM系统定时同步方法流程图;
图2为LoS支路的处理流程图;
图3为NLoS支路的处理流程图;
具体实施方式
下面结合附图对本发明进行详细的说明。
以“非神经网络方法”为OMP算法为例:
图1为基于LoS感知辅助的OFDM系统定时同步方法流程图。接收信号
。
依据
图2为LoS支路处理流程图。若接收信号中包含LoS路径,即
其中,CNN的网络架构如表1所示,对应的详细描述如下:
(1)该神经网络包含2个卷积神经网络模块和1个全连接神经网络模块。
(2)在两个卷积神经网络模块中,第一个卷积神经网络模块包含4个一维卷积层,其卷积核大小为
其中,
(3)全连接神经网络模块包括含有1个展平层和1个结点数为
其中,
表1CNN的网络架构
图3为NLoS支路处理流程图。当接收信号中不包含LoS路径,即
- 一种基于神经网络的二阶段OFDM系统的定时同步方法
- 一种基于IEEE 802.11ac的OFDM系统的定时同步方法