[發(fā)明專利]一種用于AI賦能定時同步的神經(jīng)網(wǎng)絡(luò)輕量化設(shè)計方法

在審

• 申請?zhí)枺?/td>: 202210427080.3
• 申請日: 2022-04-21
• 公開（公告）號: CN114781612A
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計）人: 卿朝進(jìn);唐書海;饒川貴;楊娜;蔡曦;張岷濤
• 申請（專利權(quán)）人: 西華大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 成都方圓聿聯(lián)專利代理事務(wù)所(普通合伙) 51241
• 代理人: 鄧永紅

本發(fā)明公開了一種用于AI賦能定時同步的神經(jīng)網(wǎng)絡(luò)輕量化設(shè)計方法，所述設(shè)計方法包括：根據(jù)定時同步訓(xùn)練序列的長度，設(shè)計卷積模塊的初始層感受野參數(shù)，根據(jù)定時同步訓(xùn)練序列的保護(hù)間隔長度和初始層感受野參數(shù)，設(shè)計輕量化的匯聚層，根據(jù)定時同步訓(xùn)練序列的保護(hù)間隔長度和匯聚層感受野參數(shù)，設(shè)計輕量化的精煉層，實現(xiàn)網(wǎng)絡(luò)輕量化的同時達(dá)到定時度量的精準(zhǔn)化，最后，利用全連接模塊輸出定時同步偏移估計值。本發(fā)明可提高低處理延遲要求的無線網(wǎng)絡(luò)和移動通信場景下的定時同步性能，與現(xiàn)有基于壓縮感知的定時同步方法相比，其具有更低的復(fù)雜度，更高的定時同步精度以及更低的處理延遲。

技術(shù)領(lǐng)域

本發(fā)明涉及AI定時同步的技術(shù)領(lǐng)域，特別涉及AI賦能定時同步的神經(jīng)網(wǎng)絡(luò)輕量化設(shè)計方法及裝置。

背景技術(shù)

AI賦能定時同步作為未來無線網(wǎng)絡(luò)和移動通信技術(shù)的關(guān)鍵技術(shù)和研究熱點(diǎn)，其同步性能的優(yōu)劣，直接對后續(xù)信號處理的決策產(chǎn)生極大的影響。在現(xiàn)代無線和移動通信系統(tǒng)中，傳統(tǒng)信號處理方法通常需要犧牲處理方法的計算復(fù)雜度為前提而提高方法的精度。然而，不幸的是，以犧牲復(fù)雜度為前提的處理方法并不適用于一些對處理延遲要求嚴(yán)格的無線和移動通信場景。此外，對于無線通信場景下的更低處理延遲的定時同步，提出了更加嚴(yán)格的要求。基于壓縮感知的定時同步方法可以通過多次迭代進(jìn)行干擾相消，進(jìn)而提高系統(tǒng)的定時同步性能，然而壓縮感知需要復(fù)雜的迭代過程等一系列問題和挑戰(zhàn)，造成超高處理延遲，亟待改善。

發(fā)明內(nèi)容

本發(fā)明的目的旨在提供一種用于AI賦能定時同步的神經(jīng)網(wǎng)絡(luò)輕量化設(shè)計方法，該方法與現(xiàn)有的基于壓縮感知的定時同步方法相比，設(shè)計卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)神經(jīng)網(wǎng)絡(luò)輕量化，降低定時同步的計算復(fù)雜度和處理延遲的同時實現(xiàn)高精度的AI賦能定時同步性能，既有效地提高AI賦能定時同步的同步性能，也降低了定時同步裝置的部署困難性。

一種用于AI賦能的定時同步的神經(jīng)網(wǎng)絡(luò)輕量化設(shè)計方法，其方法包括：

S1構(gòu)建包括依次相連的卷積層模塊和全連接層模塊的卷積神經(jīng)網(wǎng)絡(luò)，所述卷積層模塊包括依次拼接的初始層、匯聚層和精煉層，其中，所述初始層包括第一參數(shù)識別單元、第一參數(shù)初始化單元和第一卷積層，所述匯聚層包括第二參數(shù)初始化單元和第二卷積層，所述精煉層包括第三參數(shù)初始化單元和第三卷積層，各卷積層之間采用級聯(lián)的連接方式；所述全連接層模塊包括含有τ_max+1個輸出神經(jīng)元結(jié)點(diǎn)的全連接層和采用softmax激活函數(shù)的輸出層，其中τ_max表示通過實際測量得到最大可能傳播時延；

S2根據(jù)定時同步訓(xùn)練序列的長度N和調(diào)諧參數(shù)k、及通過所述第一參數(shù)識別單元獲得的該定時同步訓(xùn)練序列對應(yīng)的接收并堆棧存儲的信號y的輸入特征個數(shù)K，設(shè)計所述初始層的感受野參數(shù)；

S3根據(jù)針對所述同步訓(xùn)練序列設(shè)置的定時同步保護(hù)間隔G、所述調(diào)諧參數(shù)k、所述初始層第一參數(shù)識別單元得到的輸入特征個數(shù)K及所述初始層感受野參數(shù)，設(shè)計所述匯聚層的感受野參數(shù)；

S4根據(jù)所述定時同步保護(hù)間隔G、所述調(diào)諧參數(shù)k、及所述匯聚層感受野參數(shù)，設(shè)計所述精煉層的感受野參數(shù)；

S5根據(jù)所述初始層感受野參數(shù)、所述匯聚層的感受野參數(shù)、所述精煉層的感受野參數(shù)確定所述卷積層模塊，所得卷積神經(jīng)網(wǎng)絡(luò)即為可實現(xiàn)AI賦能定時同步的輕量化卷積神經(jīng)網(wǎng)絡(luò)；

所述感受野參數(shù)包括卷積核大小和卷積核個數(shù)。