[发明专利]一种基于RBF神经网络的多普勒频偏估计方法和系统

说明书

本发明实施例提供了一种基于RBF神经网络的多普勒频偏估计方法和系统,所述方法包括：利用给定的神经网络学习算法实现接收端导频信号与多普勒频偏之间的映射关系，然后对多普勒频偏进行估计。首先确定5G高速移动环境中接收端收到的导频信号样本集；根据5G高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；计算RBF神经网络权值调节律；判断RBF神经网络误差值是否大于给定误差；如果是则继续计算RBF神经网络误差值。

技术领域

本发明属于涉及信息技术领域，尤其涉及一种5G高速移动系统中的基于RBF神经网络的多普勒频偏估计方法和系统。

背景技术

当前大多数无线通信系统被设计来服务具有低等或者中等移动性的用户，并且高移动性显著地限制了覆盖区域和传输速率。高速移动系统通信不仅要能处理关键信令应用，还要能提供各种带宽应用，如高清视频等，这些应用需要更多的频谱资源来支持。

在使用5G-NR毫米波的高速移动环境中，多普勒频率的影响将变得更加显著、路径损耗更为严重，这将不利于高速移动场景中的通信。

发明内容

针对现有技术中对于高移动性的需求存在的问题，本发明实施例的目的是提供一种方法和系统；本发明实施例引入了神经网络的多普勒频偏进行估计，根据得到的多普勒频偏估计值，多普勒频偏进行补偿，提高高速移动环境汇总基于5G-NR的通信质量。

为了解决上述问题，本发明实施例提出了一种5G高速移动系统中基于RBF神经网络的多普勒频偏估计方法，包括:

步骤1、确定高速移动环境中接收端收到的导频信号样本集为：

X(K)＝(x₁(K)、x₂(K),......,x_i(K))

式中，i表示接收端收到的导频信号个数；x_i(K)表示接收端收到的第i个导频信号；

步骤2、根据高速移动环境中随机生成多普勒频偏，利用不同多普勒频偏情况下的导频信号组成训练样本对三层RBF神经网络进行训练，得到最优权值；

其中，三层RBF神经网络的训练方法可以包括：

计算RBF神经网络误差

y_j(K)＝ω_ji(K)S_i(K)

其中，j表示RBF神经网络输出的多普勒频偏估计值个数；δ_j(K)表示RBF神经网络误差值，δ_j(K)＜ε，ε＝1×10^-4；y_d(K)表示实际多普勒频偏值；y_j(K)表示RBF神经网络输出的多普勒频偏估计值；S_i(K)表示高斯函数；σ_i(K)表示高斯函数宽度；ζ_i(K)表示RBF隐含层神经元节点的中心；ω_ij(K)表示RBF神经网络隐含层到输出层权值；

步骤3、计算RBF神经网络权值调节律：

式中，表示RBF神经网络隐含层到输出层权值估计值；表示RBF神经网络误差值变化率；

Λ_ji(K)＝diag(Λ_j1(K),Λ_j2(K),...,Λ_jn(K)),Γ_ji(K)＝diag(Γ_j1(K),Γ_j2(K),...,Γ_jn(K))