频偏获取方法、装置、电子设备及存储介质与流程

1.本技术涉及通信技术领域，尤其涉及一种频偏获取方法、装置、电子设备及存储介质。


背景技术：

2.频率同步是通信中的重要问题。频率不同步造成的频偏会带来载波间干扰，导致误码率升高。
3.现有技术中，在配置两列导频符号时，通常使用两列导频做相关运算求频偏值；为了提高传输速率，会出现只配置单列导频的情况。在这种情况下，两列导频相关法类似的传统频偏获取方法不再适用。在配置单列导频符号时，通常基于kmeans聚类方法获取频偏值，但此种方法的鲁棒性不够好。
4.因此，如何提出一种能适用更多场景且鲁棒性强的频偏获取方法，成为亟需解决的问题。


技术实现要素：

5.本技术实施例提供一种频偏获取方法、装置、电子设备及存储介质，用以解决现有技术中鲁棒性不够好的缺陷，实现能适用更多场景且鲁棒性强地获取频偏。
6.第一方面，本技术实施例提供一种频偏获取方法，包括：
7.针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
8.基于所述数据点对应的相偏，获得所述待发送数据的频偏；
9.其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
10.根据本技术一个实施例的频偏获取方法，所述针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏，具体包括：
11.针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏。
12.根据本技术一个实施例的频偏获取方法，基于所述数据点对应的相偏，获得所述待发送数据的频偏，包括：
13.基于待发送数据任一时隙内任一符号的数据点对应的相偏，及所述符号相对于dmrs(demodulation reference sgnal，解调参考信号)符号的时间差，确定所述符号的频偏；
14.基于所述时隙内至少一个符号的频偏，获取所述待发送数据的频偏。
15.根据本技术一个实施例的频偏获取方法，所述针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏，包括：
16.针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点；
17.根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏。
18.根据本技术一个实施例的频偏获取方法，所述针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点，包括：
19.在每一次聚类过程中，基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；
20.针对每一个聚类，基于其包括的数据点，更新其对应的高斯模型的参数；所述参数包括用于描述所述聚类的聚类中心的均值参量；
21.确定聚类结束后，获取最后一次聚类过程中获得的所述四类数据点。
22.根据本技术一个实施例的频偏获取方法，在每一次聚类过程中，针对每一聚类，基于其包括的数据点，更新其对应的高斯模型中的参数后，所述方法还包括：
23.基于四类更新后的高斯模型的参数，根据似然函数获取当前聚类过程中的似然值。
24.根据本技术一个实施例的频偏获取方法，所述确定聚类结束，包括：
25.聚类次数超过预设值或所述似然值收敛。
26.根据本技术一个实施例的频偏获取方法，根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏，包括：
27.根据任一类数据点的聚类中心在所述星座图中的位置，参考所述符号所属时隙内其他至少一个符号的相偏，确定所述符号的相偏。
28.根据本技术一个实施例的频偏获取方法，所述针对所述时隙内一个符号的数据点，基于高斯混合模型，进行聚类，具体为：
29.针对所述时隙内一个符号的幅值小于预设幅值的数据点，基于高斯混合模型，进行聚类。
30.第二方面，本技术实施例提供一种电子设备，包括存储器，收发机，处理器：
31.存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行以下操作：
32.针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
33.基于所述数据点对应的相偏，获得所述待发送数据的频偏；
34.其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
35.根据本技术一个实施例的电子设备，所述针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏，具体包括：
36.针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏。
37.根据本技术一个实施例的电子设备，基于所述数据点对应的相偏，获得所述待发送数据的频偏，包括：
38.基于待发送数据任一时隙内任一符号的数据点对应的相偏，及所述符号相对于dmrs符号的时间差，确定所述符号的频偏；
39.基于所述时隙内至少一个符号的频偏，获取所述待发送数据的频偏。
40.根据本技术一个实施例的电子设备，所述针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏，包括：
41.针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点；
42.根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏。
43.根据本技术一个实施例的电子设备，所述针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点，包括：
44.在每一次聚类过程中，基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；
45.针对每一个聚类，基于其包括的数据点，更新其对应的高斯模型的参数；所述参数包括用于描述所述聚类的聚类中心的均值参量；
46.确定聚类结束后，获取最后一次聚类过程中获得的所述四类数据点。
47.根据本技术一个实施例的电子设备，在每一次聚类过程中，针对每一聚类，基于其包括的数据点，更新其对应的高斯模型中的参数后，所述操作还包括：
48.基于四类更新后的高斯模型的参数，根据似然函数获取当前聚类过程中的似然值。
49.根据本技术一个实施例的电子设备，所述确定聚类结束，包括：
50.聚类次数超过预设值或所述似然值收敛。
51.根据本技术一个实施例的电子设备，根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏，包括：
52.根据任一类数据点的聚类中心在所述星座图中的位置，参考所述符号所属时隙内其他至少一个符号的相偏，确定所述符号的相偏。
53.根据本技术一个实施例的电子设备，所述针对所述时隙内一个符号的数据点，基于高斯混合模型，进行聚类，具体为：
54.针对所述时隙内一个符号的幅值小于预设幅值的数据点，基于高斯混合模型，进行聚类。
55.第三方面，本技术实施例提供一种频偏获取装置，包括：
56.聚类模块，用于针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
57.获取模块，用于基于所述数据点对应的相偏，获得所述待发送数据的频偏；
58.其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
59.第四方面，本技术实施例提供一种非暂态计算机可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所提供的方法。
60.本技术实施例提供的频偏获取方法、装置、电子设备及存储介质，通过针对待发送数据的数据点，基于高斯混合模型，获得四个聚类，进而获取数据点对应的相偏；并基于所述数据点对应的相偏，获得所述待发送数据的频偏；本实施例基于数据点进行频偏估计，不依赖配置导频列数做相关，适用于单列导频甚至无导频配置下的场景，克服了现有技术中
配置单列导频时，两列相关法求频偏方法受到限制的问题；并且基于高斯混合模型进行频偏估计，有效减小了频偏估计误差，且更加适应实际应用场景，具有很好的鲁棒性。
附图说明
61.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
62.图1为本技术一实施例提供的两列导频场景下频偏获取流程示意图；
63.图2是本技术一实施例提供的基于kmeans聚类的数据点选择示意图；
64.图3是本技术一实施例提供的基于kmeans聚类的数据点聚类后的示意图；
65.图4是本技术一实施例提供的基于kmeans聚类的数据点的相偏示意图；
66.图5是本技术一实施例提供的频偏估计的应用场景示意图；
67.图6是本技术一实施例提供的频偏获取方法的流程示意图；
68.图7是本技术一实施例提供的高斯混合模型聚类后的数据点的示意图；
69.图8是本技术一实施例提供的基于高斯混合模型聚类的相偏示意图；
70.图9是本技术另一实施例提供的基于高斯混合模型聚类的相偏示意图；
71.图10是本技术一实施例提供的选择用于频偏估计的数据点的示意图；
72.图11是本技术一实施例提供的选择用于频偏估计的数据点的仿真示意图；
73.图12是本技术另一实施例提供的频偏获取方法的流程示意图；
74.图13是本技术一实施例提供的高斯混合模型聚类与kmeans聚类的仿真示意图；
75.图14是本技术一实施例提供的基于高斯混合模型聚类与kmeans聚类获取频偏后纠偏的仿真示意图；
76.图15是本技术一实施例提供的电子设备的结构示意图；
77.图16是本技术一实施例提供的频偏获取装置的结构示意图。
具体实施方式
78.本技术实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
79.本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
80.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
81.频率同步是通信中的重要问题。频率不同步造成的频偏会带来载波间干扰(carrier interference，ici)，导致误码率升高，因此在信息传输过程中需要进行频偏估计。频偏的来源主要有2个方面：第一个是发射机与接收机之间的晶振误差。第二个是由于接收机高速移动带来的多普勒频移。
82.图1为本技术一实施例提供的两列导频场景下频偏获取流程示意图，如图1所示，在配置两列导频符号时，可以使用两列导频做相关运算求频偏值。在实际操作中，采用多个采样点做相关求平均的操作可以减少噪声的影响，频偏估计更加精确。在配置两列以上的导频符号时，可以将多列导频符号两两相关求平均值，也可以提高估计精度。
83.为了提高传输速率，也会出现只配置单列导频的情况。在这种情况下，两列导频相关法使用就受到了限制。针对这种情况，本技术一实施例提出基于kmeans聚类的方案。其主要步骤如下：
84.step1：选取用于获取频偏的数据点；图2是本技术一实施例提供的基于kmeans聚类的数据点选择示意图；如图2所示，选取了16qam星座图外围的星座点。可以理解的是，为了节省计算资源，可以只选取其中的部分点进行聚类。
85.step2:聚类过程。
86.kmeans属于比较简单的一种根据距离的聚类算法。其原理可表述为：事先规定好分类的总类别以及初始聚类中心(center)。然后将待分类的点求与每类中心点(center)的距离。距离最近的则为相应的类别。每次训练结束后重新计算聚类中心。直观上讲，kmeans聚类过程是训练得到一系列圆，使得每个圆形覆盖该类别的所有点。图3是本技术一实施例提供的基于kmeans聚类的数据点聚类后的示意图；如图3所示，其中，4个大圆代表4个聚类，小圆是星座点，即数据点，三角形是每个聚类的中心(center)。
87.step3:无频偏的情况下，聚类中心应该是比较标准的星座点的4个角。其与原点的中心连线与坐标轴的角度应该是45度。图4是本技术一实施例提供的基于kmeans聚类的数据点的相偏示意图；如图4所示，存在频偏的情况下，星座图会发生整体的偏转，此偏转角度为相偏a。相偏与频偏的换算关系为：a＝2
×
pi
×f×
t，其中，f是归一化频偏值，t是星座图中数据点所在符号相对于dmrs符号的时间差，pi是圆周率π。所以，有频偏的情况下，聚类的中心点也会发生相同角度的旋转。本实施例中，可以利用此角度与标准的45度求其相位偏移，继而可以算出星座图中数据点所在符号的频偏值。
88.但是，由于kmeans聚类是以一个圆尽可能覆盖所有的数据点的聚类方式。当星座图的数据点形状发生变化时，其中心点(center)有时会发生偏移，再与标准点计算频偏时会引入测量误差，性能不够鲁棒。且kmeans聚类需要较多的数据点进行训练迭代才能确定聚类的中心点的位置，计算复杂度较高。
89.另外，基于kmeans聚类的方案星座点超过π/4会引起混淆。例如，配置单列导频时，dmrs在符号3上，为了使最远的符号(一个slot内的第14个symbol)不超过此上限，归一化频偏估计范围为：
[0090][0091]
以30k的子载波间隔为例，最大频偏估计范围为：342hz。因此，频偏估计范围受限。
[0092]
因此，本技术实施例提供了一种频偏获取方法及装置，主要涉及单列导频配置下基于高斯混合模型的频偏估计方案。该方案有较大的频偏估计范围且估计性能更加鲁棒，用以保证在更多场景下获取更准确的频偏。图5是本技术一实施例提供的频偏估计的应用场景示意图，如图5所示，本技术实施例提供的频偏估计一般可以应用在信道估计时，使得接收端可以正确解调初发射信号。
[0093]
本技术各实施例中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
[0094]
图6是本技术一实施例提供的频偏获取方法的流程示意图，如图6所示，该方法包括如下步骤：
[0095]
步骤600，针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
[0096]
具体地，神经网络与机器学习算法分类可分为有监督学习与无监督学习两种。高斯混合模型与kmeans聚类都属于无监督学习方法。高斯混合模型使用不同数量的高斯模型去拟合数据分布。在训练过程，通过学习数据的特征获取各个高斯模型的均值以及方差，最终形成分类器。依据此分类器，在测试阶段(分类阶段)可将数据点根据均值和方差进行分类。
[0097]
直观上讲，keans训练过程是尽可能选取一个圆的半径，使得这个圆囊括训练过程的所有数据点；高斯混合模型训练过程是尽可能选取一个椭圆去拟合数据点，这个椭圆的圆扁程度依赖于高斯函数的均值和方差。因此，椭圆形状对比圆形拟合更加具有灵活性，能够更好的适应不同信道条件下产生星座点的形状。
[0098]
具体地，本实施例中，可以使用高斯混合模型进行数据特征拟合，将待发送数据的数据点进行聚类，进一步基于聚类后的数据点，获取对应的相偏。
[0099]
具体地，本实施例基于数据点做频偏估计，不依赖配置导频列数做相关，在单列导频甚至无导频极端场景下可使用。
[0100]
步骤610，基于所述数据点对应的相偏，获得所述待发送数据的频偏；
[0101]
具体地，获取数据点对应的相偏后，可以基于数据点对应的相偏获取数据点所在时隙的频偏，作为待发送数据的频偏。
[0102]
具体地，相偏与频偏的换算关系为：a＝2
×
pi
×f×
t，其中，f是归一化频偏值，t是星座图中数据点所在符号相对于dmrs符号的时间差，pi是圆周率π。
[0103]
例如，若获取数据点所在时隙的相偏为a1，则可以基于相偏与频偏的换算关系a＝2
×
pi
×f×
t计算获得数据点所在时隙的频偏，可以理解的是，对于一待发送数据，其每个时隙的频偏是相等的，因此，在获取任意一个时隙的频偏后，即可将其作为待发送数据的频偏；
[0104]
具体地，也可以获取一个以上时隙的频偏，然后取各时隙的频偏的平均值，作为待发送数据的频偏，减小误差。
[0105]
其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
[0106]
具体地，本实施例中，为了和星座图中的星座数量进行对应，可以设置高斯混合模型为四个高斯模型，分别对应四个聚类，即将待发送的数据点进行聚类时，可以将数据点分为四个聚类。
[0107]
本技术实施例提供的频偏获取方法，通过针对待发送数据的数据点，基于高斯混合模型，获得四个聚类，进而获取数据点对应的相偏；并基于所述数据点对应的相偏，获得所述待发送数据的频偏；本实施例基于数据点进行频偏估计，不依赖配置导频列数做相关，适用于单列导频甚至无导频配置下的场景，克服了现有技术中配置单列导频时，两列相关法求频偏方法受到限制的问题；并且基于高斯混合模型进行频偏估计，有效减小了频偏估
计误差，且更加适应实际应用场景，具有很好的鲁棒性。
[0108]
可选地，在上述各实施例中，所述针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏，具体包括：
[0109]
针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏。
[0110]
具体地，由于待发送数据上所有时隙的频偏相等，且一个时隙内的所有符号的频偏在理想情况下也是相等的，因此本实施例在获取频偏时可以获取待发送数据中任一时隙内任一符号的频偏作为该时隙的频偏，进一步作为待发送数据的频偏。
[0111]
因此，本实施例中，可以针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏，用于后续获取该符号的频偏，进一步确定该符号所在时隙的频偏。
[0112]
可选地，在上述各实施例中，基于所述数据点对应的相偏，获得所述待发送数据的频偏，包括：
[0113]
基于待发送数据任一时隙内任一符号的数据点对应的相偏，及所述符号相对于dmrs符号的时间差，确定所述符号的频偏；
[0114]
具体地，在获取待发送数据任一时隙内任一符号的数据点对应的相偏后，可以基于该符号的相偏a，以及该符号的相对于dmrs符号的时间差t，计算获得所述符号的频偏f；
[0115]
具体地，相偏与频偏的换算关系为：a＝2
×
pi
×f×
t，其中，f是归一化频偏值，t是星座图中数据点所在符号相对于dmrs符号的时间差，pi是圆周率π。可以根据该换算公式，带入该符号的相偏a，以及该符号的相对于dmrs符号的时间差t，计算获得所述符号的频偏f；
[0116]
基于所述时隙内至少一个符号的频偏，获取所述待发送数据的频偏。
[0117]
具体地，由于一个时隙内所有符号的频偏在理想情况下是一致的，因此可以将该时隙内任一个符号的频偏作为该时隙的频偏。
[0118]
可以理解的是，在计算频偏时不可避免受到外界因素干扰导致频偏获取并不准确，即并不是理想情况下的频偏，比如测量相偏值时测量不准确等；因此，为了可以获得更准确的一个时隙的频偏，可以基于一个时隙内多个符号的频偏的平均值，确定该时隙的频偏；具体地，还可以将时隙内所有符号的频偏值获取后取平均值，作为该时隙的频偏。
[0119]
可选地，在上述各实施例中，所述针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏，包括：
[0120]
针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点；
[0121]
根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏。
[0122]
具体地，在获取待发送数据中任一时隙内任一符号的频偏时，可以基于高斯混合模型对该符号内的数据点进行聚类，获得四个聚类，图7是本技术一实施例提供的高斯混合模型聚类后的数据点的示意图，如图7所示，每一聚类对应一个椭圆，每一椭圆的圆心即为高斯模型的均值，即为聚类中心点。随后可以基于聚类中心点获取该符号的相偏。
[0123]
在基于聚类中心获取该符号的相偏时，由于一共有四个聚类，因此有四个聚类中
心，可以直接用该高斯模型的均值参量μi表示。由于数据点发生相偏时是整体偏移，因此可以选取任一聚类数据点的聚类中心在星座图中的位置，确定所述符号的相偏。例如，图8是本技术一实施例提供的基于高斯混合模型聚类的相偏示意图，如图8所示，可以获取任一聚类中心与坐标原点的连线和标准星座点之间的夹角，可以理解的是，标准星座点在坐标轴之间的角平分线上，因此可以获取任一聚类中心与星座图原点的连线与坐标轴的角平分线，即和坐标轴保持标准45度的直线，之间的夹角a即为数据点所在符号的相偏值。
[0124]
可选地，在上述各实施例中，所述针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点，包括：
[0125]
在每一次聚类过程中，基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；
[0126]
具体地，高斯混合模型训练数据事先没有标签数据，也就是事先不知道数据点来自于哪个星座。此时训练高斯混合模型需要使用em算法(expectation-maximization algorithm，最大期望算法)。em算法解高斯混合模型的核心思想是在训练过程，首先根据训练数据的特征计算来自不同星座点的似然概率，并且利用此似然概率进行计算高斯混合模型的均值、方差、以及混合系数。然后计算高斯混合模型的概率密度函数，并且进行迭代求取最优的均值、方差以及混合系数。
[0127]
以16qam(quadrature amplitude modulation，正交幅度调制)为例，将某一符号内的数据点通过16qam调制，获得星座图，然后可以选取部分数据点，用于频偏估计；随后将选取的数据点进行高斯混合模型与em算法训练过程，形成分类器进行分类，获得四个聚类的数据点。
[0128]
具体地，每一次聚类过程对应一次训练过程，在每一次聚类过程中，可以基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；可以理解的是，若当前聚类过程为第一次聚类，则直接基于初始化后的四个高斯模型进行聚类；
[0129]
具体地，在基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；具体地，对于每一个数据点，可以首先基于em算法的e步，计算这一数据点分别可能属于四个聚类的四个概率，比如数据j归属类别i的概率ω
ji
，其中i＝1，2，3，4；确定其中最大的概率对应的聚类即为该数据点在当前聚类过程中所属于的聚类，在所有数据点都确定了当前聚类过程中所属于的聚类后，则可以确定四个聚类中每个聚类包括的数据点。
[0130]
具体地，在计算数据j归属类别i的概率ω
ji
时：
[0131][0132]
其中，zj表示数据j所属类别，xj表示数据j，是上一次迭代的混合系数，μi是类别i对应的高斯模型的均值参量，∑i是类别i对应的高斯模型的协方差参量，是类别i对应的高斯模型的混合系数。
[0133]
针对每一个聚类，基于其包括的数据点，更新其对应的高斯模型的参数；所述参数包括用于描述所述聚类的聚类中心的均值参量；
[0134]
具体地，在当前聚类过程中，确定每一类别i包括的数据点后，可以基于em算法的m
步，更新高斯混合模型的参数；即将每一类别i包括的所有数据点及每一数据点在该类别的概率，带入该类别对应的高斯模型，更新该类别对应的高斯模型的参数；
[0135]
具体地，可以将类别i对应的高斯模型的参数更新为：
[0136][0137][0138][0139]
可以理解的是，本次聚类过程中分别更新参数后获得的四个类别的更新后的高斯模型，用于下一次聚类过程中获取每一数据点在各类别的概率。
[0140]
确定聚类结束后，获取最后一次聚类过程中获得的所述四类数据点。
[0141]
具体地，在确定所有聚类过程结束后，可以获取最后一次聚类过程中获得的四个聚类，即四类数据点；可以理解的是，由于本实施例中，经过了多次的更新高斯混合模型的聚类过程，即经过多次迭代，获取了最优高斯混合模型，基于该最优的高斯混合模型，可以获得最优的四个聚类，即聚类结果最优的四类数据点。
[0142]
可选地，在上述各实施例中，在每一次聚类过程中，针对每一聚类，基于其包括的数据点，更新其对应的高斯模型中的参数后，所述方法还包括：
[0143]
基于四类更新后的高斯模型的参数，根据似然函数获取当前聚类过程中的似然值。
[0144]
具体地，为了更好地判断高斯混合模型的迭代更新效果，可以通过似然函数对其进行描述；
[0145]
本实施例中，在每一次聚类过程中，获得四个类别分别对应的高斯模型的参数后，可以基于该似然函数确定是否还需要进行进一步迭代；例如，在连续多次聚类过程中获得的似然值ll不再发生明显增长，则可以认为高斯混合模型已经更新成为效果较佳的分类器；其中，似然函数为：
[0146][0147]
可选地，在上述各实施例中，所述确定聚类结束，包括：
[0148]
聚类次数超过预设值或所述似然值收敛。
[0149]
具体地，在确定所有聚类过程结束时，可以基于似然函数确定，即在连续多次聚类过程中获得的似然值ll不再发生明显增长，则可以确定聚类过程可以停止迭代；
[0150]
具体地，本实施例中，还可以预设聚类过程的迭代次数，比如预设1000次聚类过程，则可以在第1000次聚类过程结束时确定所有聚类结束。
[0151]
可选地，在上述各实施例中，根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏，包括：
[0152]
根据任一类数据点的聚类中心在所述星座图中的位置，参考所述符号所属时隙内其他至少一个符号的相偏，确定所述符号的相偏。
[0153]
具体地，在基于某一符号内数据点聚类后任一聚类中心在所述符号对应的星座图中的位置，确定符号的相偏时，若是符号相偏大于π/4，即偏移至另一象限，比如从第二象限偏移至第三象限，但是在计算该符号的相偏时，可能会直接基于角平分线计算相偏，则会获得错误的相偏，进而导致频偏估计错误；例如，图9是本技术另一实施例提供的基于高斯混合模型聚类的相偏示意图，若是某一符号的星座区域旋转至如图9所示的较小角度时，旋转角度不会引起歧义，但是，若是旋转至如图9所示的较大角度时，星座区域a跨越了象限，真实旋转角度a1容易被误认为是第三象限标准星座点逆时针旋转的b1。
[0154]
因此，本实施例中相偏与频偏的换算关系为：a＝2
×
pi
×f×
t；则可以充分利用一个时隙内所有符号的频偏基本一致，且各符号相对于dmrs符号的时间差t是呈等比递增的这一特点，基于其他符号的相偏值估计出当前进行频偏估计的符号的星座区域的旋转方向及聚类中心可能在的位置范围，进一步可以获得该符号真实的相偏值；例如可以结合该符号的上个符号的相偏值确定该符号真实的相偏值，因此可以有效解决频偏估计范围受限的问题，扩大频偏估计的范围。
[0155]
例如，在pusch(physical uplink shared channel，物理层上行共享信道)信道上，1帧14个符号，单列导频默认配置在符号3上。这种情况下，kmeans聚类要保证最远的符号14的频偏不超过π/4，30khz的子载波间隔时，kmeans最大频偏估计范围为341hz；而本实施例中的高斯混合模型联合判决后在频偏2600hz下仍保持较好的性能。
[0156]
可选地，在上述各实施例中，所述针对所述时隙内一个符号的数据点，基于高斯混合模型，进行聚类，具体为：
[0157]
针对所述时隙内一个符号的幅值小于预设幅值的数据点，基于高斯混合模型，进行聚类。
[0158]
具体地，本实施例中，在基于某一符号的数据点获取该符号的频偏时，由于星座图是整体偏移，因此可以只选取部分数据点用于频偏获取；由于高斯混合模型是尽可能选取一个椭圆去拟合数据点，因此可以仅基于一个符号内幅值小于预设幅值的数据点来进行频偏估计。以16qam为例，图10是本技术一实施例提供的选择用于频偏估计的数据点的示意图；图11是本技术一实施例提供的选择用于频偏估计的数据点的仿真示意图，如图10和图11所示，可以选择圆圈内的数据点即为幅值小于预设幅值的数据点。
[0159]
可以理解的是，本实施例选取星座图内圈点进行处理，理论上可以减少数据点的选取，减少运算量。
[0160]
本技术实施例提供的频偏获取方法，通过针对待发送数据的数据点，基于高斯混合模型，获得四个聚类，进而获取数据点对应的相偏；并基于所述数据点对应的相偏，获得所述待发送数据的频偏；本实施例基于数据点进行频偏估计，不依赖配置导频列数做相关，适用于单列导频甚至无导频配置下的场景，克服了现有技术中配置单列导频时，两列相关法求频偏方法受到限制的问题；并且基于高斯混合模型进行频偏估计，有效减小了频偏估计误差，且更加适应实际应用场景，具有很好的鲁棒性。
[0161]
图12是本技术另一实施例提供的频偏获取方法的流程示意图，如图12所示，该方法包括如下步骤：
[0162]
步骤1200，星座图内选点；
[0163]
具体地，在基于某一符号的数据点获取该符号的频偏时，首先对数据点进行调制，
获得对应的星座图。
[0164]
频偏会导致星座图整体偏移，因此可以只选取部分数据点用于频偏获取；本实施例中，可以仅基于一个符号内幅值小于预设幅值的数据点来进行频偏估计。
[0165]
步骤1210，高斯混合模型训练；
[0166]
具体地，针对高斯混合模型进行训练的目的是在于可以实现基于训练后的四个高斯模型，进行聚类，对应获取聚类后的四类数据点；
[0167]
具体地，在每一次训练过程中即每一次聚类过程中，对于每一个数据点，可以首先基于em算法的e步，计算这一数据点分别可能属于四个聚类的四个概率，比如数据j归属类别i的概率ω
ji
，其中i＝1，2，3，4；确定其中最大的概率对应的聚类即为该数据点在当前聚类过程中所属于的聚类，在所有数据点都确定了当前聚类过程中所属于的聚类后，则可以确定四个聚类中每个聚类包括的数据点。
[0168]
具体地，在计算数据j归属类别i的概率ω
ji
时：
[0169][0170]
其中，zj表示数据j所属类别，xj表示数据j，是上一次迭代的混合系数，μi是类别i对应的高斯模型的均值参量，∑i是类别i对应的高斯模型的协方差参量，是类别i对应的高斯模型的混合系数。
[0171]
随后可以针对每一个聚类，基于其包括的数据点，更新其对应的高斯模型的参数：类别i对应的高斯模型的均值参量μi，类别i对应的高斯模型的协方差参量∑i，及类别i对应的高斯模型的混合系数其中i＝1，2，3，4。
[0172]
具体地，在当前训练过程中，确定每一类别i包括的数据点后，可以基于em算法的m步，更新高斯混合模型的参数；即将每一类别i包括的所有数据点及每一数据点在该类别的概率，带入该类别对应的高斯模型，更新该类别对应的高斯模型的参数；
[0173]
具体地，可以将类别i对应的高斯模型的参数更新为：
[0174][0175][0176][0177]
可以理解的是，本次聚类过程中分别更新参数后获得的四个类别的更新后的高斯模型，用于下一次聚类过程中获取每一数据点在各类别的概率。
[0178]
步骤1220，获得高斯模型的各个中心；
[0179]
每一高斯模型对应一个聚类，每一聚类对应一个聚类中心，可以直接用该高斯模型的均值参量μi表示。随后可以基于聚类中心点即基于均值参量μi表示在星座图上的位置获取该符号的相偏。
packet system,eps)、5g系统(5gs)等。
[0190]
本技术实施例涉及的终端，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中，终端的名称可能也不相同，例如在5g系统中，终端可以称为用户设备(user equipment，ue)。无线终端设备可以经无线接入网(radio access network,ran)与一个或多个核心网(core network,cn)进行通信，无线终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话)和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(personal communication service，pcs)电话、无绳电话、会话发起协议(session initiated protocol，sip)话机、无线本地环路(wireless local loop，wll)站、个人数字助理(personal digital assistant，pda)等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、移动台(mobile)、远程站(remote station)、接入点(access point)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(user terminal)、用户代理(user agent)、用户装置(user device)，本技术实施例中并不限定。
[0191]
本技术实施例涉及的基站，该基站可以包括多个为终端提供服务的小区。根据具体应用场合不同，基站又可以称为接入点，或者可以是接入网中在空中接口上通过一个或多个扇区与无线终端设备通信的设备，或者其它名称。基站可用于将收到的空中帧与网际协议(internet protocol，ip)分组进行相互更换，作为无线终端设备与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(ip)通信网络。基站还可协调对空中接口的属性管理。例如，本技术实施例涉及的网络设备可以是全球移动通信系统(global system for mobile communications，gsm)或码分多址接入(code division multiple access，cdma)中的网络设备(base transceiver station，bts)，也可以是带宽码分多址接入(wide-band code division multiple access，wcdma)中的网络设备(nodeb)，还可以是长期演进(long term evolution，lte)系统中的演进型网络设备(evolutional node b，enb或e-nodeb)、5g网络架构(next generation system)中的5g基站(gnb)，也可以是家庭演进基站(home evolved node b，henb)、中继节点(relay node)、家庭基站(femto)、微微基站(pico)等，本技术实施例中并不限定。在一些网络结构中，基站可以包括集中单元(centralized unit，cu)节点和分布单元(distributed unit，du)节点，集中单元和分布单元也可以地理上分开布置。
[0192]
图15是本技术一实施例提供的电子设备的结构示意图，如图15所示，所述基站包括存储器1501、收发机1502和处理器1503，其中：
[0193]
存储器1501用于存储计算机程序；收发机1502用于在所述处理器的控制下收发数据；处理器1503用于读取所述存储器中的计算机程序并执行以下操作：
[0194]
针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
[0195]
基于所述数据点对应的相偏，获得所述待发送数据的频偏；
[0196]
其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
[0197]
收发机1502，用于在处理器1503的控制下接收和发送数据。
[0198]
其中，在图15中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1503代表的一个或多个处理器和存储器1502代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1502可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1503负责管理总线架构和通常的处理，存储器1501可以存储处理器1503在执行操作时所使用的数据。
[0199]
处理器1503可以是中央处埋器(cpu)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或复杂可编程逻辑器件(complex programmable logic device，cpld)，处理器也可以采用多核架构。
[0200]
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0201]
基于上述任一实施例，所述针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏，具体包括：
[0202]
针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏。
[0203]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0204]
基于上述任一实施例，基于所述数据点对应的相偏，获得所述待发送数据的频偏，包括：
[0205]
基于待发送数据任一时隙内任一符号的数据点对应的相偏，及所述符号相对于dmrs符号的时间差，确定所述符号的频偏；
[0206]
基于所述时隙内至少一个符号的频偏，获取所述待发送数据的频偏。
[0207]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0208]
基于上述任一实施例，所述针对待发送数据任一时隙内任一符号的数据点，基于高斯混合模型，进行聚类，获取所述符号的相偏，包括：
[0209]
针对所述符号内的数据点，基于所述四个高斯模型，进行聚类，对应获取四类数据点；
[0210]
根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏。
[0211]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0212]
基于上述任一实施例，所述针对所述符号内的数据点，基于所述四个高斯模型，进
行聚类，对应获取四类数据点，包括：
[0213]
在每一次聚类过程中，基于上一次聚类过程中更新后的四个高斯模型，分别获得每一个聚类包括的数据点；
[0214]
针对每一个聚类，基于其包括的数据点，更新其对应的高斯模型的参数；所述参数包括用于描述所述聚类的聚类中心的均值参量；
[0215]
确定聚类结束后，获取最后一次聚类过程中获得的所述四类数据点。
[0216]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0217]
基于上述任一实施例，在每一次聚类过程中，针对每一聚类，基于其包括的数据点，更新其对应的高斯模型中的参数后，所述操作还包括：
[0218]
基于四类更新后的高斯模型的参数，根据似然函数获取当前聚类过程中的似然值。
[0219]
具体来说，本技术实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0220]
基于上述任一实施例，所述确定聚类结束，包括：
[0221]
聚类次数超过预设值或所述似然值收敛。
[0222]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0223]
基于上述任一实施例，根据任一类数据点的聚类中心在所述符号对应的星座图中的位置，确定所述符号的相偏，包括：
[0224]
根据任一类数据点的聚类中心在所述星座图中的位置，参考所述符号所属时隙内其他至少一个符号的相偏，确定所述符号的相偏。
[0225]
具体来说，本技术实施例提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0226]
基于上述任一实施例，所述针对所述时隙内一个符号的数据点，基于高斯混合模型，进行聚类，具体为：
[0227]
针对所述时隙内一个符号的幅值小于预设幅值的数据点，基于高斯混合模型，进行聚类。
[0228]
本技术实施例提供的电子设备，通过针对待发送数据的数据点，基于高斯混合模型，获得四个聚类，进而获取数据点对应的相偏；并基于所述数据点对应的相偏，获得所述待发送数据的频偏；本实施例基于数据点进行频偏估计，不依赖配置导频列数做相关，适用于单列导频甚至无导频配置下的场景，克服了现有技术中配置单列导频时，两列相关法求频偏方法受到限制的问题；并且基于高斯混合模型进行频偏估计，有效减小了频偏估计误差，且更加适应实际应用场景，具有很好的鲁棒性。
[0229]
下面对本技术实施例提供的频偏获取装置进行描述，下文描述的频偏获取装置与
上文描述的频偏获取方法可相互对应参照。
[0230]
图16是本技术一实施例提供的频偏获取装置的结构示意图，如图16所示，该频偏获取装置包括：聚类模块1610及获取模块1620；其中：
[0231]
聚类模块1610用于针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；
[0232]
获取模块1620用于基于所述数据点对应的相偏，获得所述待发送数据的频偏；
[0233]
其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
[0234]
具体地，频偏获取装置通过聚类模块1610针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的相偏；再通过获取模块1620基于所述数据点对应的相偏，获得所述待发送数据的频偏。
[0235]
本技术实施例提供的频偏获取装置，通过针对待发送数据的数据点，基于高斯混合模型，获得四个聚类，进而获取数据点对应的相偏；并基于所述数据点对应的相偏，获得所述待发送数据的频偏；本实施例基于数据点进行频偏估计，不依赖配置导频列数做相关，适用于单列导频甚至无导频配置下的场景，克服了现有技术中配置单列导频时，两列相关法求频偏方法受到限制的问题；并且基于高斯混合模型进行频偏估计，有效减小了频偏估计误差，且更加适应实际应用场景，具有很好的鲁棒性。
[0236]
在此需要说明的是，本技术实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0237]
需要说明的是，本技术实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0238]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0239]
在此需要说明的是，本技术实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0240]
基于上述任一实施例，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
[0241]
针对待发送数据的数据点，基于高斯混合模型进行聚类，获取所述数据点对应的
相偏；
[0242]
基于所述数据点对应的相偏，获得所述待发送数据的频偏；
[0243]
其中，所述高斯混合模型包括四个高斯模型，分别对应四个聚类。
[0244]
本实施例提供的处理器可读存储介质，其上存储的计算机程序使处理器能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0245]
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
[0246]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0247]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0248]
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0249]
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0250]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。