本发明公开了一种基于神经网络的二阶段OFDM系统的定时同步方法，包括：根据学习最强路径的第一神经网络进行路径特征初始提取，获得可分辨最强路径上的第一阶段定时同步辅助点完成OFDM系统的第一阶段定时同步；根据第一阶段定时同步辅助点的辅助，获取第二阶段的观察窗，并在此基础上构建第二神经网络，寻找首达路径，完成OFDM系统的第二阶段定时同步，得到第二阶段定时同步偏移根据第一阶段定时同步辅助点和第二阶段定时同步偏移利用融合判决模块完成OFDM系统定时同步，得到定时同步偏移估计值本发明的方法不仅能够提高定时同步正确性，而且能降低计算复杂度和处理延迟。
1.一种基于神经网络的二阶段OFDM系统的定时同步方法，其特征在于，包括：S1、根据学习最强路径的第一神经网络进行路径特征初始提取，获得可分辨最强路径上的第一阶段定时同步辅助点 完成OFDM系统的第一阶段定时同步；
步骤S1所述的第一神经网络进一步包括：S11、构建一维卷积神经网络进行特征抽取，形成第一神经网络；
所述第一神经网络有L1个卷积层，并根据工程经验设置L1的取值大小；
S12、第一神经网络的输入是长度为M的观察信号y；
S13、第一神经网络训练的标签为最强路径对应的定时偏移τ0；
所述第一神经网络的感受野为2N，其中，N为训练序列的长度；
所述观察信号y的长度M大于训练序列的长度N，并根据工程经验设置观察长度M；
S14、根据第一神经网络的特征抽取结果，获取可分辨最强路径对应的第一阶段定时同步辅助点S2、根据第一阶段定时同步辅助点 的辅助，获取第二阶段的观察窗，并在此基础上构建第二神经网络，寻找首达路径，完成OFDM系统的第二阶段定时同步，得到第二阶段定时同步偏移步骤S2所述的第二神经网络进一步包括：S21、构建一维卷积神经网络，形成第二神经网络，并在第一神经网络辅助的观察窗内进行特征抽取；
所述第二神经网络有L2个卷积层，并根据工程经验设置L2的取值大小；
S22、第二神经网络输入是观察窗长度为Nu的截取信号z；
所述Nu满足Nu＝N+Ng，其中，Ng表示OFDM系统中保护间隔的长度；
S23、第二神经网络训练的标签为最强路径对应的定时偏移τ0与首达路径的定时偏移τ两者之间的差值；
S24、根据第二神经网络的特征抽取结果，获取第二阶段定时同步偏移S3、根据第一阶段定时同步辅助点 和第二阶段定时同步偏移 利用融合判决模块完成OFDM系统定时同步，得到定时同步偏移估计值步骤S3所述的判决模块进一步包括：
S31、根据第一阶段定时同步辅助点 和第二阶段定时同步偏移 得到定时同步偏移估计值S32、判断定时同步偏移估计值 是否出现在 内，若出现在上述范围内，则输出当前定时同步偏移估计值 否则，
2.根据权利要求1所述的一种基于神经网络的二阶段OFDM系统的定时同步方法，其特征在于，S22中长度为Nu的截取信号z的截取方式进一步包括：(a)根据第一阶段定时同步辅助点 从观察信号y的 样本索引向左搜索Ng长度得到截取数据起始点(b)根据截取数据起始点 和观察信号y，从截取数据起始点 截取长度为Nu的截取信号z；
所述截取信号z具体表示为 其中，为截取数据起始点， 为第一阶段定时同步辅助点，N为训练序列长度。
一种基于神经网络的二阶段OFDM系统的定时同步方法
技术领域
[0001] 本发明涉及AI定时同步的技术领域，特别涉及一种基于神经网络的二阶段OFDM系统的定时同步方法。
背景技术
[0002] 在OFDM系统中，定时同步性能严重影响其后续的信号处理(如信道估计、符号检测等)以至于整个通信系统的性能。如何提高定时同步性能，如降低定时同步错误概率，是全球范围内的专家学者一直以来的研究兴趣所在。然而，由于无线通信环境中存在多径干扰，估计到的定时同步起始点通常是最强路径而并非首达路径，降低了定时同步的定时性能，恶化了通信系统的性能。
[0003] 为了提高定时同步在多径环境下的定时同步性能，基于压缩感知的定时同步方法通过迭代干扰相消移除多径干扰，搜索无线信道的首达路径，虽然提高了定时同步的准确性，但是需要多次迭代处理，增加的计算复杂度和处理延迟等问题丞待解决。基于极限学习机的定时同步不同于帧同步，多径干扰的问题也依旧没有解决。
发明内容
[0004] 本发明的目的旨在提供一种基于神经网络的二阶段OFDM系统的定时同步方法，在OFDM系统中，该方法与现有的基于压缩感知的定时同步方法与基于极限学习机的定时同步方法相比，本发明利用两个阶段的处理，在提高定时同步正确性的同时，降低了定时同步的计算复杂度和处理延迟。
[0005] 一种基于神经网络的二阶段OFDM系统的定时同步方法，包括：
[0006] S1、根据学习最强路径的第一神经网络进行路径特征初始提取，获得可分辨最强路径上的第一阶段定时同步辅助点 完成OFDM系统的第一阶段定时同步；
[0007] 步骤S1所述的第一神经网络进一步包括：
[0008] S11、构建一维卷积神经网络进行特征抽取，形成第一神经网络；
[0009] 所述第一神经网络有L1个卷积层，并根据工程经验设置L1的取值大小；
[0010] S12、第一神经网络的输入是长度为M的观察信号y；
[0011] S13、第一神经网络训练的标签为最强路径对应的定时偏移τ0；
[0012] 所述第一卷积神经网络的感受野为2N，其中，N为训练序列的长度；
[0013] 所述观察信号y的长度M大于训练序列的长度N，并根据工程经验设置观察长度M；
[0014] 所述感受野为一维卷积神经网络的卷积核的大小；
[0015] S14、根据第一神经网络的特征抽取结果，获取可分辨最强路径对应的第一阶段定时同步辅助点
[0016] S2、根据第一阶段定时同步辅助点 的辅助，获取第二阶段的观察窗，并在此基础上构建第二神经网络，寻找首达路径，完成OFDM系统的第二阶段定时同步，得到第二阶段定时同步偏移
[0017] 步骤S2所述的第二神经网络进一步包括：
[0018] S21、构建一维卷积神经网络，形成第二神经网络，并在第一神经网络辅助的观察窗内进行特征抽取；
[0019] 所述第二神经网络有L2个卷积层，并根据工程经验设置L2的取值大小；
[0020] S22、第二神经网络输入是观察窗上长度为Nu的截取信号z；
[0021] 所述Nu满足Nu＝N+Ng，其中，Ng表示OFDM系统中保护间隔的长度；
[0022] S22中长度为Nu的截取信号z的截取方式进一步包括：
[0023] (a)根据第一阶段定时同步辅助点 从观察信号y的 样本索引向左搜索Ng长度得到截取数据起始点
[0024] (b)根据截取数据起始点 和观察信号y，从截取数据起始点 截取长度为Nu的截取信号z；
[0025] 所述截取信号z具体表示为 其中，为截取数据起始点， 为第一阶段定时同步辅助点，N为训练序列长度。
[0026] S23、第二神经网络训练的标签为最强路径的定时偏移τ0与首达路径的定时偏移τ两者之间的差值；
[0027] 所述第二卷积神经网络的感受野为2N；
[0028] S24、根据第二神经网络的特征抽取结果，获取第二阶段定时同步偏移[0029] S3、根据第一阶段定时同步辅助点 和第二阶段定时同步偏移 利用融合判决模块完成OFDM系统定时同步，得到定时同步偏移估计值
[0030] 步骤S3所述的判决模块进一步包括：
[0031] S31、根据第一阶段定时同步辅助点 和第二阶段定时同步偏移 得到定时同步偏移估计值
[0032] S32、判断定时同步偏移估计值 是否出现在 内，若出现在上述范围内，则输出当前定时同步偏移估计值 否则，
[0033] 本发明的有益效果是：与现有的基于压缩感知的定时同步方法和基于极限学习机的定时同步方法相比，本发明在获得定时同步正确性提高的同时，降低了计算复杂度与处理延迟。
附图说明
[0034] 图1为本发明的流程图；
[0035] 图2为本发明的第一神经网络的网络结构图；
[0036] 图3为本发明的第二神经网络的网络结构图；
[0037] 图4为本发明的截取模块的示意图。
具体实施方式
[0038] 下面结合附图对本发明进行详细的说明。
[0039] 以第一神经网络有1个卷积层、第二神经网络有2个卷积层为例：
[0040] 图1为一种基于神经网络的二阶段OFDM系统的定时同步方法流程图。在第一阶段中，为获得路径特征的初始提取，长度为M的观察信号矢量y通过第一神经网络后得到第一阶段定时同步辅助点 根据第一阶段定时同步辅助点 和观察信号y，利用截取模块获得长度为Nu截取信号矢量z作为第二神经网络的输入。在第二阶段中，截取信号z通过第二神经网络后得到第二阶段定时偏移 根据第一阶段定时同步辅助点 以及第二阶段定时偏移 利用融合判决模块输出定时偏移估计值
[0041] 图2为第一神经网络的网络结构图。首先，由于神经网络通常处理实数值数据，根据观察信号y的实部和虚部，形成第一神经网络的实数值输入矢量r。实数值输入r经过第一神经网络的路径特征初始提取后，得到第一阶段定时同步辅助点
[0042] 其中，第一神经网络的网络架构如表1所示，对应的详细描述如下：
[0043] (1)第一神经网络包含1个卷积神经网络模块，1个全连接神经网络模块、以及1个线性分类模块。
[0044] (2)卷积神经网络模块采用一层1‑D CNN，使用步幅为1以及有效填充的填充方式，并且1‑DCNN的输出接有1个批量归一化层、1个修正线性单元(ReLU)激活函数和全局平均池化层。
[0045] 其中，利用长度为2N的卷积核形成相对较大的感受野(相对于训练序列长度)，通过一个卷积层，从观察信号y中捕获训练序列形成的定时度量的完整特征。
[0046] (3)全连接神经网络模块包括含有1个展平层、1个结点数为2的隐藏层、以及1个结点数为2的输出层，隐藏层采用Sigmoid激活函数，输出层采用Softmax激活函数。
[0047] (4)全连接神经网络模块后接有1个线性分类模块，用于估计最强路径对应的时间索引，从而获得第一阶段定时同步辅助点
[0048] 表1第一神经网络的网络架构
[0049]
[0050] 图3为第二神经网络的网络结构图。与第一神经网络相同，由于神经网络通常处理实数值数据，根据截取模块输出的截取信号z的实部和虚部，形成第二神经网络的实数值输入矢量f。实数值输入f经过第二神经网络后得到第二阶段定时偏移
[0051] 其中，第二神经网络的网络架构如表2所示，对应的详细描述如下：
[0052] (1)第二神经网络包含1个卷积神经网络模块，1个全连接神经网络模块、以及1个线性分类模块。
[0053] (2)卷积神经网络模块采用两层1‑D CNN，每层1‑D CNN使用步幅为1以及有效填充的填充方式，并且每层1‑DCNN的输出接有1个批量归一化层和1个修正线性单元激活函数。
[0054] 其中，利用长度为2N的卷积核形成相对较大的感受野(相对于训练序列长度)，通过第一个卷积层，从观察信号y中捕获训练序列形成的定时度量的完整特征。第二个卷积层采用了相对较小的卷积核尺寸，从整体特征中捕获关于信道功率延迟轮廓的显著特征。
[0055] (3)全连接神经网络模块包括含有1个展平层、1个结点数为Ng的隐藏层、以及1个结点数为Ng的输出层，隐藏层采用Sigmoid激活函数，输出层采用Softmax激活函数。
[0056] (4)全连接神经网络模块后接有1个线性分类模块，用于估计最强路径对应的时间索引，从而获得第一阶段定时同步辅助点
[0057] 表2第二神经网络的网络架构
[0058]
[0059]
[0060] 图4为截取模块的示意图。首先，截取模块根据第一阶段定时同步辅助点 从观察信号y的 样本索引向左搜索Ng长度得到截取数据起始点 然后，根据截取数据起始点 和观察信号y，从截取数据起始点 截取长度为Nu的截取信号z。所述截取信号z可以具体表示为 其中，为截取数据起始点， 为第一阶段定时同步辅助点，N为训练序列长度。
