《Electronics》:Signal Synchronization for 5G NR Under Large CFOs Based on Convolutional Neural Network Combined with Long Short-Term Memory
Hsiang-Hsi Wang,
Cheng-Chun Chang,
Xuan-Yang Lin,
Cheng-Hsien Yu,
Yu-Xiang Huang and
Wen-Long Chin
编辑推荐:
本期推荐:针对无线通信中多径时延扩展引发的符号间干扰(ISI)及载波频偏导致的同步精度下降问题,研究人员开展了融合长短期记忆网络(LSTM)与5G新空口(NR)主同步信号(PSS)的联合信号处理研究。通过构建M序列生成模型与信道卷积表达式,结合Hadamard乘积优化特征提取,实现了复杂环境下高精度信号检测。该研究为密集组网场景下的低时延通信提供了创新解决方案,显著提升了系统在动态噪声环境中的鲁棒性。
在5G通信飞速发展的今天,当我们享受着高清视频通话和极速下载时,手机与基站之间的“对话”正面临着一场严峻的挑战。想象一下,城市高楼林立,信号在墙壁间不断反射,原本整齐的无线电波变得支离破碎,这就是所谓的“多径效应”。这种效应带来的“延迟扩展”会让前后两个信号符号在时间上重叠,造成可怕的“符号间干扰(ISI)”,就像说话太快导致音节粘连,接收端根本听不清在说什么。与此同时,发射机和接收机晶振的微小频率差异以及移动产生的多普勒效应,又会导致“载波频率偏移”,让信号在频谱上发生错位。如何在复杂的电磁环境中,让设备快速、准确地“对表”并锁定信号,一直是通信物理层亟待解决的痛点。
为了攻克这些难题,来自国内的研究团队在《Electronics》期刊上发表了一项创新成果。他们独辟蹊径,将擅长处理时间序列数据的长短期记忆网络(LSTM)引入到5G新空口(NR)的物理层同步流程中。研究的核心在于利用LSTM的门控机制来对抗时间依赖性问题和梯度消失,同时深度解析5G NR中的同步信号块(SSB)结构。研究人员构建了详细的信号传输数学模型,推导了包含信道冲激响应和噪声的接收信号表达式,并利用主同步信号(PSS)优异的自相关特性,设计了一套智能化的信号检测方案。
在研究技术方法上,团队首先建立了无线通信信号模型,明确了接收信号r(n) = s(n) ? h(n) + w(n)的数学关系,其中?代表Hadamard乘积,h(n)为信道响应,w(n)为噪声。随后,研究聚焦于5G NR的同步信号块(SSB),详细分析了物理小区标识(PCI)的生成规则,即NIDcell= 3NID(1)+ NID(2),其中NID(1)∈ {0, 1, ..., 335},NID(2)∈ {0, 1, 2}。针对PSS序列,研究采用了基于M序列的生成算法,该序列由7个寄存器构成,周期为27? 1 = 127。通过定义递推公式a(n + 7) = (a(n + 4) + a(n)) mod 2,并结合初始向量[a(6) a(5) a(4) a(3) a(2) a(1) a(0)] = [1 1 1 0 1 1 0],生成了特定的频域序列du(n) = 1 ? 2a((n + 43u) mod 127)。最终,通过对频域信号进行逆傅里叶变换,获得时域PSS信号pu(n) = ΣN?1f=0Pu(f) exp(j2πfn/N),并在考虑频偏ε的情况下,构建了含频偏的接收信号模型rε(n) = [s(n ? k) ? h(n)] exp(j2πnε/NFFT) + w(n)。
在研究结果方面,文章首先阐述了LSTM网络的优势,指出其通过遗忘门、输入门和输出门的协同工作,能够有效过滤无关信息并整合新数据,从而在噪声和动态环境中保持对长短依赖关系的捕捉能力。其次,在5G NR同步信号分析中,研究确认了SSB由PSS、SSS、PBCH及DMRS组成,并在频域占据240个子载波。最为关键的是,研究揭示了PSS序列与PCI的映射关系,证明了不同的小区扇区ID(u ∈ {0, 1, 2})对应不同的PSS序列,这为利用深度学习进行小区识别提供了理论基础。此外,数学推导验证了M序列在零时延处具有尖锐的自相关峰,这一特性使其成为抗干扰同步的理想选择。
综上所述,该研究成功地将深度学习与传统通信理论相结合,不仅从理论上证明了利用LSTM处理5G NR同步信号的可行性,还通过精确的数学建模展示了信号生成的完整链路。这项工作的重要意义在于,它为高密度部署的5G网络提供了一种新的信号处理范式,能够显著提升在高速移动和多径干扰环境下的同步精度和鲁棒性,为未来6G通信系统中更高效的智能物理层设计指明了方向。