论文部分内容阅读
在第五代移动通信（5th generation mobile communication,5G）新空口（New Radio,NR）系统中,终端开机后通过小区搜索和随机接入过程接入到小区中,小区搜索是终端与基站建立通信的第一步,其性能直接影响到后续的信号传输。在独立组网（standalone,SA）架构的初始接入阶段,终端几乎不知道任何有关基站和传输信道的信息,包括系统的时间频率信息以及小区信息,而正交频分复用（orthogonal frequency-division multiplexing,OFDM）系统对时偏和频偏敏感,因此,需要设计小区搜索算法,以实现终端与基站之间的下行时间频率同步,并用于终端获取相应小区的物理小区标识（physical cell identification,PCID）和主信息块（master information block,MIB）消息。在5G系统中,复杂的信道条件、低信噪比（signal-to-noise ratio,SNR）和大载波频偏（carrier frequency offset,CFO）给小区搜索带来更大挑战。为了应对这些挑战,5G引入同步信号块（synchronization signal block,SSB）的设计,SSB传输的时域和频域位置可以灵活配置,还支持波束扫描传输以增强覆盖。这些新特性进一步增加了小区搜索的复杂度,而许多应用场景要求短处理时间和高实现精度,终端对低功耗的要求也更高,需要更加高效的算法以适应新的性能要求。鉴于此,本文面向5G NR移动通信系统,针对独立组网架构下SSB频率位置未知和载波频偏大等问题,研究小区搜索和下行时间频率同步的方法。首先,结合5G NR技术协议和标准,研究下行同步和广播信息的传输规范。研究符号定时误差和载波频率偏差对OFDM系统性能产生的影响,从而揭示时间频率同步对于系统正常工作的重要性。随后,研究SSB的结构及其信号和信道的设计,结合帧结构和同步栅格说明SSB传输的时频位置。针对独立组网架构,研究5G NR小区搜索的过程,包括主同步信号（primary synchronization signal,PSS）搜索、辅同步信号（secondary synchronization signal,SSS）检测和物理广播信道（physical broadcast channel,PBCH）解调,并研究基站侧生成和传输SSB的物理层处理过程。关于下行同步信息传输规范的研究表明,大载波频偏会对时频同步算法的准确性和有效性造成严重影响,需要利用NR同步信号的性质和特点,设计支持大载波频偏的下行时频同步方法。另外,SSB频率位置的灵活配置增加了频率搜索的复杂度,需要设计更加高效的频率信息获取方法。然后,在5G NR独立组网架构下,研究小区搜索和下行时间频率同步的典型算法。基于同步信号的互相关特性,研究主同步信号的搜索和检测算法,以及符号定时算法。上述算法通过分段的互相关获取定时度量,以适应大载波频偏对信号相关性的影响,并通过一系列可能的频谱搬移量将SSB搬移到中心频率附近,在工作频段内同步栅格的各个频点上搜索SSB。仿真结果表明,根据不同信道条件下的定时度量设置的合理判决门限,基于分段互相关的主同步信号搜索和粗定时估计算法能够适应大噪声和大频偏,取得较好的同步信号检测和定时估计效果。随后,研究载波频偏的估计算法,首先基于同步信号的时域相关或者频域相关估计整数倍频偏（integral part of frequency offset,IFO）,然后基于同步信号或者循环前缀（cyclic prefix,CP）估计小数倍频偏（fractional part of frequency offset,FFO）。仿真结果表明,基于循环前缀的小数倍频偏估计算法效果好于基于主同步信号的估计算法,在中高信噪比条件下可以获得较好的估计效果。之后,研究辅同步信号的检测算法,相较于频域直接相关检测算法,基于快速沃尔什-哈达玛变换（fast Walsh-Hadamard transform,FWHT）的检测算法结果与其等价,但计算量显著下降。进而,研究5G NR大规模MIMO系统中的下行时间和频率同步方法。面向终端多天线接收场景,建立下行定时和频偏估计的理论模型。基于同步信号的共轭对称特性,提出主同步信号搜索和粗定时估计的对称自相关算法。对称自相关算法能够适应任意大小的频偏,并且不需要对接收信号进行频谱搬移,可以省去SSB频率搜索的过程。仿真结果表明,在中高信噪比条件下,对称自相关算法能够取得较高的检测概率,并且其定时估计误差在系统允许的范围内。随后,基于最大似然（maximum likelihood,ML）准则,提出SSB频率偏移和载波频偏的频率联合估计算法。最大似然频率联合估计算法能够容许一定的定时估计误差,并且可以一并估计出一定范围内SSB的频率位置,省去了在一定频带内的SSB频率搜索,从而使得小区搜索过程得到简化和加速。仿真结果表明,在中高信噪比条件下,最大似然频率联合估计算法能够较好地估计出SSB的频率位置以及载波频偏。最后,针对定时度量算法中判决门限设置困难等问题,提出基于深度学习（deep learning,DL）的同步信号搜索、下行定时估计和载波频偏估计方法。基于深度学习的同步信号搜索和下行定时估计方法不需要手动设置判决门限,可以通过样本数据的学习适应新的信道条件和传输场景,适应性和可扩展性优于数学模型方法。仿真结果表明,在中高信噪比条件下,基于深度学习的方法能够取得较高的同步信号检测概率、较小的定时估计误差和较小的载波频偏估计误差,并且对载波频偏等信道条件具有较高的鲁棒性。