基于深度学习的 NB-IoT 上行链路同步
信息论
2022-08-01 v2 机器学习
math.IT
摘要
我们提出了一种基于神经网络（NN）的算法，用于窄带物联网（NB-IoT）的窄带物理随机接入信道（NPRACH）的设备检测以及到达时间（ToA）和载波频偏（CFO）估计。所引入的 NN 架构利用了残差卷积网络以及 5G 新空口（5G NR）规范的前导码结构知识。在带有用户随机丢弃的第三代合作伙伴计划（3GPP）城市微小区（UMi）信道模型上，针对最先进基线进行基准测试表明，所提方法在假阴性率（FNR）上实现了高达 8 dB 的增益，并在假阳性率（FPR）以及 ToA 和 CFO 估计精度上取得显著增益。此外，我们的仿真表明，所提算法在广泛的信道条件、CFO 和传输概率范围内均带来增益。所引入的同步方法在基站（BS）端运行，因此不会给用户设备带来额外复杂度。它可通过减少前导码长度或发射功率来延长电池寿命。我们的代码可在 https://github.com/NVlabs/nprach_synch/ 获取。
引用
@article{arxiv.2205.10805,
title = {Deep Learning-Based Synchronization for Uplink NB-IoT},
author = {Fayçal Aït Aoudia and Jakob Hoydis and Sebastian Cammerer and Matthijs Van Keirsbilck and Alexander Keller},
journal= {arXiv preprint arXiv:2205.10805},
year = {2022}
}
备注
Our code is available at: https://github.com/NVlabs/nprach_synch/