我们提出了一种基于神经网络(NN)的算法,用于用于窄带物理随机访问通道(NB-iot)的窄带物理随机通道(NBRACH)的设备检测和到达时间(TOA)和载体频率偏移(CFO)估计(nprach) 。引入的NN体系结构利用了剩余的卷积网络以及对5G新无线电(5G NR)规格的序言结构的了解。第三代合作伙伴项目(3GPP)城市微电池(UMI)频道模型的基准测试,其随机用户与最先进的基线相对于最先进的基线表明,该提出的方法可在虚假的负率(FNR)中最多8 dB增益(FNR)以及假阳性率(FPR)和TOA和CFO估计精度的显着增长。此外,我们的模拟表明,所提出的算法可以在广泛的通道条件,CFO和传输概率上获得收益。引入的同步方法在基站(BS)运行,因此在用户设备上没有引入其他复杂性。它可能通过降低序列长度或发射功率来延长电池寿命。我们的代码可在以下网址提供:https://github.com/nvlabs/nprach_synch/。
translated by 谷歌翻译