基于残差卷积神经网络-支持向量机的SSS序列检测模型OA
针对在低信噪比(Signal-to-Noise Ratio,SNR)与多径衰落信道条件下,5G New Radio(NR)下行同步过程中辅同步信号(Secondary Synchronization Signal,SSS)序列检测准确率偏低的问题,提出一种融合双流残差卷积神经网络(Two-stream Residual Convolutional Neural Network,TsRNet)与支持向量机(Support Vector Machine,SVM)的新型检测算法模型——TsRNet-SVM。该混合检测算法利用TsRNet提取SSS序列特征,降低噪声影响,并通过SVM完成特征检测。针对TsRNet向SVM输出特征维度过高、计算量偏大的问题,引入主成分分析(Principal Component Analysis,PCA)实现特征降维。仿真结果表明,SNR在-15~-8 dB时,所提算法检测性能优异,优于传统相关性检测算法;在时变抽头延迟线信道模型-A(Tapped Delay Line Model-A,TDL-A)下,检测性能平均提升16.16%;在时变抽头延迟线信道模型-E(TDL-E)下,检测性能平均提升5.28%。
王荣超;段红光;刘廷钦;黄沥苇;朱品锜
重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065
信息技术与安全科学
下行同步小区搜索辅同步信号相关检测残差连接
《无线电通信技术》 2026 (3)
P.607-614,8
重庆市基础与前沿研究计划(cstc2019jcyj-msxmx079)。
评论