一种基于FNN的随机信号检测方法

一种基于fnn的随机信号检测方法
技术领域
1.本发明涉及通信技术领域，尤其涉及一种基于fnn的随机信号检测方法。


背景技术：

2.随着科技的不断发展和进步，4g逐渐发展为5g(5th-generation，第五代新无线电)，未来将发展为更先进的6g技术。目前，5g技术的应用范围还不是很广。虽然部分手机可以利用5g技术实现更高的下载和上传速度，但5g技术的使用远不止这些。未来，5g技术还将应用于汽车自动驾驶和万物互联。如果我们使用5g技术，这就需要更高的计算速度和更准确的计算结果。自2013年欧盟宣布加快5g技术发展以来，3gpp(第三代合作伙伴项目)于2015年9月开始研究5g nr。2016年4月，3gpp正式启动5g nr标准化工作。
3.随着第五代移动通信技术技术的发展，国际电信联盟无线电通信局(international telecommunication union-radio communications sector，itu-r)已经确定5g主要的三大应用场景，包括：增强移动宽带(enhanced mobile broadband，embb)、超高可靠低时延通信(ultra-reliable and low-latency communication，urllc)、大规模机器组通信(massive machine-type communication，mmtc)。同时，上述三大应用场景对于用户设备(user equipment，ue)的接入时延也相应提出了更高的要求。
4.通过5g通信系统，基站(gnodeb)为了获取ue的接入信息，是通过随机接入的方式，从而获取ue相对应的标识特征(identification,id)。物理随机接入信道(physical random access chanel,prach)检测是随机接入的第一步。在prach检测中，基站通过接收信号中的前导码(preamble)来估计ue与基站之间的传输时延，并且可以判断ue是否发出随机接入请求，以及确定出是哪一个ue发出的随机接入请求，并且与其建立联系
5.现在随着用于提升系统容量和覆盖的大规模天线技术(massive mimo)的普及，在prach阶段无法获取用户所在的最优波束，故只能采用遍历所有波束的方法来判断接入信息对应的ue，这会严重增加ue与基站之间的接入时延。


技术实现要素：

6.本发明涉及通信技术领域，尤其涉及一种基于fnn(feedforward neural network，全连接神经网络)的随机信号检测方法，用于在5g通信时代快速建立用户与基站之间的联系，快速找出基站收到的前导码所对应的序列信息。
7.本发明是基于fnn的随机信号检测方法，包括以下步骤：
8.步骤1：获取随机接入信号的频域数据；
9.步骤2：根据系统配置信息，确定随机接入序列长度；
10.步骤3：根据步骤2中所获得的接入序列长度，把所获取的随机接入信号的频域数据导入所述基于fnn的随机接入信号的序列生成信息判断模型，获得所获取的随机接入信号的序列生成信息；
11.步骤4：根据步骤2中所获得的接入序列长度，把所获取的随机接入信号的频域数
据导入所述基于fnn的随机接入信号的时间提前量判断模型，得到所获取随机接入信号的时间提前量。
12.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，采用全连接层神经网络。
13.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含输入层、隐藏层和输出层。
14.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含1个输入层、1个隐藏层和1个输出层。
15.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，输入层的神经元个数为步骤2中的随机接入序列长度。
16.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含1个隐藏层，神经元个数为200。
17.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含1个输出层，神经元个数为34个。上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含1个输出层，神经元个数为55个。
18.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含1个输入层、2个隐藏层和1个输出层。
19.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，包含2个隐藏层，第一层隐藏层为1000个神经元；第二层隐藏层为500个神经元。
20.上述步骤3中的基于fnn的随机接入信号的序列生成信息判断模型，通过预先训练得到。在训练过程中，对输入层、隐藏层和输出层进行参数配置。基于fnn的随机接入信号的序列生成信息判断模型的隐藏层激活函数为“relu”激活函数，使用l2正则化。输出层激活函数为“softmax”激活函数，使用l2正则化。
21.上述基于fnn的随机接入信号的序列生成信息判断模型的训练，使用adam优化器，学习率设置为0.0005。
22.上述步骤4中所述基于fnn的随机接入信号的时间提前量判断模型，包含1个输入层、1个隐藏层和1个输出层。
23.上述步骤4中的基于fnn的随机接入信号的时间提前量判断模型，输入层的神经元个数为步骤2中的随机接入序列长度。
24.上述步骤4中的基于fnn的随机接入信号的时间提前量判断模型，包含1个隐藏层，神经元个数为100。
25.上述步骤4中的基于fnn的随机接入信号的时间提前量判断模型，输出层的神经元个数为4个。
26.上述步骤4中的基于fnn的随机接入信号的时间提前量判断模型，通过预先训练得到。在训练过程中，对输入层、隐藏层和输出层进行参数配置。基于fnn的随机接入信号的时间提前量判断模型的隐藏层激活函数为“relu”激活函数，使用l2正则化。输出层激活函数为“softmax”激活函数，使用l2正则化。
27.上述基于fnn的随机接入信号的时间提前量判断模型的训练，使用adam优化器，学习率设置为0.0001。
28.本发明最终可以对输入的随机接入信号进行检测，可以快速判断输入信号所对应的序列生成信息和时间提前量，有效解决实际系统中信号处理复杂度。
29.本发明可以生成模型的各个epoch中训练集和验证集的loss值和准确率。
30.本发明可以绘制出模型的验证集的loss值随着epoch次数的函数曲线。
31.本发明提供了一种基于fnn的随机接入信号检测方法，相比于传统算法，本技术方案可以在更短的时间内实现对信号的检测，降低信号处理复杂度，可以更快的让用户与基站之间建立连接。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
33.图1示出了本发明的第一个实施例(长为139的prach序列)中基于fnn的随机接入信号的序列生成信息判断模型的训练；
34.图2示出了本发明的第二个实施例(长为839的prach序列)中基于fnn的随机接入信号的序列生成信息判断模型的训练；
35.图3示出了本发明的第三个实施例中基于fnn的随机接入信号的时间提前量判断模型的训练。
36.图4为本发明的实施流程图。
具体实施方式
37.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
38.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
39.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
40.本发明是基于fnn的随机信号检测方法，包括以下步骤：
41.步骤1：获取随机接入信号的频域数据；
42.步骤2：根据系统配置信息，确定随机接入序列长度；
43.步骤3：根据步骤2中所获得的接入序列长度，把所获取的随机接入信号的频域数据导入所述基于fnn的随机接入信号的序列生成信息判断模型，获得所获取的随机接入信号的序列生成信息；
44.步骤4：根据步骤2中所获得的接入序列长度，把所获取的随机接入信号的频域数据导入所述基于fnn的随机接入信号的时间提前量判断模型，得到所获取随机接入信号的时间提前量。
45.在5g系统中，随机接入信号定义为物理层随机接入信道(physical random access channel,prach)，承载着随机接入序列。为方便描述，说明书中使用prach代替随机接入信号，prach序列代替随机接入序列。
46.下面列举三个实施例：
47.实施例一：
48.对于长为139的prach序列，首先将获取的prach频域数据序列矩阵进行转换并存入数组中，然后对每一个序列加上对应的标签。将序列加载至1层隐藏层的网络模型中进行训练，生成基于fnn的随机接入信号的序列生成信息判断模型。，此模型输入层为139个神经元；隐藏层为200个神经元，激活函数为“relu”激活函数，使用l2正则化；输出层为34个神经元，激活函数为“softmax”激活函数，使用l2正则化。与此同时绘制出训练模型过程中验证集准确率随epoch的变化曲线和验证集loss值随epoch的变化曲线。
49.在接收到prach信号时，若通过系统配置，确定prach序列长度为139时，导入基于fnn的随机接入信号的序列生成信息判断模型，可输出相应的序列生成信息的判断。
50.实施例二：
51.对于长为839的prach序列，首先将获取的prach频域数据序列矩阵进行转换并存入数组中，然后对每一个序列加上对应的标签。将序列加载至2层隐藏层的网络模型中进行训练，生成基于fnn的随机接入信号的序列生成信息判断模型。，此模型输入层为839个神经元；第一层隐藏层为1000个神经元，激活函数为“relu”激活函数，使用l2正则化；第二层隐藏层为500个神经元，激活函数为“relu”激活函数，使用l2正则化；输出层为55个神经元，激活函数为“softmax”激活函数，使用l2正则化。与此同时绘制出训练模型过程中验证集准确率随epoch的变化曲线和验证集loss值随epoch的变化曲线。
52.在接收到prach信号时，若通过系统配置，确定prach序列长度为839时，导入基于fnn的随机接入信号的序列生成信息判断模型，可输出相应的序列生成信息的判断结果。
53.实施例三
54.对于随机接入信号的时间提前量的判断，将prach信号加载至1层隐藏层的网络模型中进行训练，生成基于fnn的随机接入信号的时间提前量判断模型。此模型的输出层为139个神经元或839个神经元；隐藏层为100个神经元，激活函数为“relu”激活函数，使用l2正则化；输出层为4个神经元，激活函数为“softmax”激活函数，使用l2正则化。与此同时绘制出训练模型过程中验证集准确率随epoch的变化曲线和验证集loss值随epoch的变化曲线。
55.在对接收到的prach信号的时间提前量进行判断时，将接收到的prach信号导入基于fnn的随机接入信号的时间提前量判断模型，可输出相应的时间提前量的判断结果。
56.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。