全球位置定时的基于神经网络的扩展.pdf

无线通信系统(20)包括从数据集(26)接收定时信息的基站控制器(22)，所述数据集(26)由神经网络(28)生成。数据集(26)考虑基于从GPS(24)中所接收的先前时间信息而生成定时信息，并且在一个例子中，能够覆盖多达两个星期的时间间隔，在这两个星期的时间间隔期间，与GPS的有效通信可以被中断。在一个实例中，数据集被连续地更新，使得基站控制器(24)连续地具有长达两个星期的将来时间信息可以利用。

1.  一种为无线通信基站保持时间信息的方法，包括：
使用神经网络来生成提供将来时间信息的数据集。

2.  根据权利要求1的方法，其中所述数据集对第一时间间隔是有用的，并且所述方法包括为第二后来的时间间隔生成其他数据集。

3.  根据权利要求1的方法，包括：
从外部源收集时间信息；
将所收集的时间信息输入到所述神经网络；以及
基于所输入的时间信息生成所述数据集。

4.  根据权利要求3的方法，其中所述被收集的时间信息在所选周期上延续，并且所述方法包括：
将来自对应于所选周期的周期的数据集的时间信息与所收集的时间信息相比较；以及
当所述数据集时间信息并不对应于在所选范围内所收集的时间信息时，改变所述神经网络的至少一个特性。

5.  根据权利要求4的方法，包括重复地执行所述比较和所述改变步骤，直到所述数据集时间信息对应于在所选范围内所收集的时间信息。

6.  根据权利要求1的方法，包括：
从外部源接收时间信息；
确定什么时候外部源时间信息不可利用；以及
当所述外部源时间信息不可利用时，使用用于时间信息的数据集。

7.  根据权利要求6的方法，包括使用初始化时间值和所述数据集来生成时间信息，直到所述外部源时间信息变为可以利用。

8.  根据权利要求6的方法，其中所述外部源时间信息包括全球定位系统时间信息。

9.  根据权利要求1的方法，其中所述数据集包括用于基于开始时间而生成将来时间信息的多个系数。

10.  根据权利要求1的方法，包括使用所述数据集来提供至少多于24小时的将来时间信息。

全球位置定时的基于神经网络的扩展
技术领域
本发明一般涉及为无线通信系统基站控制定时信息。本发明尤其涉及生成对为基站提供将来时间信息有用的数据集。
背景技术
无线通信系统有广阔的应用。典型配置包括被有效地分入小区的区域。基站一般负责为相应小区中的移动单元处理通信。在一些例子中，可以为单个小区提供多于一个基站。
基站控制器依靠定时信息来保持准确的通信。这对于扩展到与特定基站相关的小区以外的通信尤其重要。如果使用CDM协议，那么定时同步对连续和准确通信至关重要。
定时信息一般由全球定位系统(GPS)提供。存在用于收集定时信息并将其转换为有利于通信的有用形式的已知技术。与GPS的同步提供了内部(即基站)和网络定时信息。这种定时信息必须在通常的基础上通过与GPS的通信而被更新。
存在这样的可能性，即失去与GPS的通信。需要在与GPS的通信不可能或不可靠的间隔期间保持准确的定时信息。一般基站的内部定时器不提供对长于非常短暂时间周期可靠的足够准确的时间信息。信息的其他可用源，例如本地时间信息，不提供全球准确时间信息。
因此，存在这样的需要，即当与GPS通信不可能时，提供基站中的时间信息。本发明就是针对这样的需要。
发明内容
一般而言，本发明是为GPS定时不可利用的情况提供基站定时信息的方法。
根据本发明，用于为无线通信基站保持时间信息的一种方法包括使用用于生成支持将来时间信息的数据集的神经网络。
在一个例子中，数据集对第一时间间隔是有用的，并且该方法包括为第二，后来的时间间隔生成其他数据集。在一个具体例子中，该方法包括为随后的时间间隔重复地生成其他数据集。通过在正在进行的基础上更新数据集，即使当与GPS的通信失败一段时间，也可能总是具有可靠的时间信息源。
在一个例子中，神经网络生成数据集，所述数据集包括用于基于开始时间输入而提供将来时间信息的多个系数。在一个例子中，反复训练神经网络，直到数据集提供希望的准确级。
从以下详细描述中，本领域技术人员将明了本发明的不同特征和优点。详细描述中的附图能够被如下简要说明。
附图说明
图1示意性地表示包括本发明实施例的无线通信系统的所选部分。
图2是根据本发明设计的概括生成数据集过程的流程图。
图3是表示图2中所概括的处理的被选部分的一个实施例的流程图。
图4是示意性地表示在进行的基础上生成数据集的示例性方法的时序图。
具体实施方式
图1示意性表示无线通信系统20的被选部分。基站控制器22以公知的方式控制通过基站的通信。基站控制器22使用可用技术从全球定位系统(GPS)24中接收定时信息。定时信息允许基站控制器22保持无线网络内所要求的连续和准确的通信。
存在这样的例子，即基站控制器22和GPS24之间的有效通信不可能。对于这样的情况，所表示的装置包括用于在失去与GPS24通信的间隔期间提供时间信息的将来时间数据集26。神经网络28生成将来时间数据集26，在一个例子中，所述将来时间数据集包括用于基于输入开始时间提供将来时间信息的多个系数。
当基站控制器22和GPS24之间的通信失败时，基站控制器22试图从数据集26获得时间信息。在一个例子中，控制器22促使数据集26开始生成时间信息。在这个节点，数据集26需要将使用由神经网络28所生成的系数来处理的开始时间输入。开始时间输入可以来自工作在通常方式的基站内部定时器30。在另一个例子中，从外部源32获得本地时间信息。在再另一个例子中，来自GPS24可用的最近定时信息(即在中断与GPS通信以前最后接收的)被用作数据集26开始生成时间信息的开始时间。
应该注意，图1中的分割是示意性的，是用于说明的目地。该图的一个或多个部分可以被合并入基站控制器存在的部分或者可以是单独的部件。例如，神经网络28和数据集26的存储器可以被合并入基站控制器硬件，固件或软件。本领域技术人员借助于这个介绍将了解怎样使用软件，硬件，固件或其组合来实现说明书中所讨论的系统20的示意性表示部分所提供的功能。
数据集26允许尽管与GPS24的通信被中断，基站控制器22获得时间信息。基站22能够确定与GPS的通信什么时候不可利用，于是从数据集26获得定时信息。用关于在时间信息必须被生成并被提供给基站控制器22期间间隔的开始时间的时间信息来提供数据集26。在一个例子中，数据集26继续向基站控制器22提供信息，直到控制器确定与GPS24的通信又可用了。
基站控制器22最好为失去与GPS24通信期间的整个间隔从数据集26获得时间信息。在一个例子中，数据集26能够提供长达两个星期的将来时间信息，来覆盖与GPS24的通信中的扩展中断。这代表对任何已有的，用于以足够准确启动正确通信的方式为基站控制器22提供估计时间信息的单元的实质性进步。
参考图2，神经网络28基于从GPS24所接收的输入生成数据集26。图2的流程图40概括了生成数据集26的以下示例过程。
在42处，基站控制器22的适当部分收集全球定位系统时间信息。所收集时间信息的量与所希望的准确度和数据集26将覆盖的时间长度有关。在这个例子中所收集的信息在44处被预处理，将其放入这样的格式中，所述格式被神经网络28更快速地处理。一旦接收信息，那么神经网络28在46处学习并生成数据集。
已知的神经网络技术允许生成有效地提供曲线拟合函数的系数的数据集26，所述曲线拟合函数基于某些初始时间输入提供预测或将来时间信息。神经网络是已知的，并且其功能和能力也是充分地已知的，所以本领域技术人员借助于这个介绍将能够选择适当的神经网络结构和处理技术来生成满足其特定情况需要的数据集。
根据图2的例子，在48处生成测试将来时间信息。在一个例子中，选择并存储用于特定时间间隔的GPS时间信息。然后，促使神经网络28所生成的数据集26为相应的时间间隔生成时间信息。然后在50处比较来自数据集的结果(即测试时间信息)和实际所收集的GPS定时信息。比较的结果提供数据集预测将来时间信息的准确性的表示。在52处，将测试时间信息和实际时间信息之间的任何差别比作所选门限值或差错余量。
在54处，如果测试时间信息和实际时间信息之间的差别不在可接受范围之内，那么改变神经网络，以增加神经网络的准确性或复杂性。在一个例子中，对神经网络的改变包括增加网络中层的数量。已知增加层就增加了神经网络内的准确性，也增加了网络的处理时间。因此，存在层数量和处理时间之间的折衷，并且本领域的技术人员借助于这个介绍将能够为满足其特定情况需要的每一个选择合适参数。
在另一个例子中，通过增加网络内神经元数量改变网络的复杂性。其他复杂性改变也在本发明的范围内。
在54处对神经网络的改变最好导致增加的准确性，使得实际时间信息和测试时间信息之间的下一个测试包括可接受范围内的较小差别，或者甚至更好地，准确的匹配。一旦要求准确性的适当级，那么在56处保留数据集26。
图3以流程图形式示意性地表示训练神经网络28在生成数据集26时达到希望的准确级的一种示例实现。与图2中流程图相似，图3中的流程图包括在42处从GPS接收定时信息。涉及图2中44处的预处理包括图3中60-68所示的步骤。这个例子包括在60处对数据取对数，在62处确定数据的平均，以及在64处使用数据的全刻度值。在68处组合这些值，并且在具体例子中，数据平均和数据对数之间的差别除以数据的全刻度值。这提供了预处理输出I，所述预处理输出在70处被输入到神经网络中。以这种方式预处理数据就将数据放入神经网络更容易处理的格式中，以加快处理。本领域技术人员借助于这个介绍将能够选择适当的预处理作为可能需要的，以满足其特定情况的需要。
神经网络提供输出O，所述输出在72处与来自GPS的数据集合，并且在74处确定该数据的平均。在这个例子中，来自神经网络的输出O除以来自GPS的输出数据，然后其结果再在74处除以可用输出数据的平均。在78处为神经网络训练提供结果信息，以确定需要多少神经网络处理来实现数据集26的所希望的准确级。训练量将与所要求的准确量和被提供给神经网络的数据量相关。最好使用已知技术训练神经网络，直到获得足够准确的结果。在80处通过比较来自所生成的数据集的结果和GPS定时信息来确定准确性。
本发明的一个示例性实现包括重复地训练神经网络，以获得希望的准确级。本发明实现的另一个示例性特征是连续地更新数据集26，使得系数的可靠组总是有效地可用于处理与GPS24的通信被中断的任何情况。
图4示意性地表示用于连续地更新数据集26的一种策略。神经网络28生成第一数据集26A，所述神经网络28提供对提供在开始于时间T₁并延续到将来直到时间T_n的间隔上时间信息有效的参数。时间T₁与什么时候基于上述GPS输入生成数据集26有关。基于神经网络28的训练量和已知参数，基站控制器22将能够为开始于T₁或T₁以后并延续到时间的T_n的周期从数据集26获得时间信息。在一个例子中，更新数据集，使得基站控制器22总是能够获得间隔大小从T₁延续到T_n的时间间隔上的时间信息。在一个例子中，T₁和T_n之间的时间大约为两个星期。
在生成数据集26A以后，神经网络28接收被更新的GPS时间信息，并生成从时间T_1+i延续到时间T_n+i的数据集26B。第二数据集26B所覆盖的时间间隔长度与第一数据集26A所覆盖的相同，尽管覆盖时间将被比作数据集26A的覆盖时间。后来，能够生成其他数据集，以覆盖从T_n延续到T_2n的时间间隔。在图4中26C处表示这样的数据集。
能够选择数据集之间的重叠量，以满足给定情况的需要。在一个例子中，当生成随后的数据集时，可以废止先前的数据集。例如，在图4中，当生成数据集26B时，就替代数据集26A。在另一个例子中，在重叠一段时间处，保持多个数据集，使得可以使用来自每一个的结果来确定准确时间信息。
本发明提供了基于先前全球定位时间信息为基站控制器获得时间信息，使得尽管已经中断与GPS的通信，基站仍然能够基于准确的全球定位时间信息工作的能力。本发明容易并可靠地为远超出现有方法能力的间隔提供这样的定时信息。例如，与基站控制器相关的内部定时器可以提供长达8小时的信息，但是那个定时信息不是必须可靠的，并且肯定不超过这样的短暂时间。相反地，本发明的一个示例性实施例提供长达两周的与实际GPS定时信息一致或相应的准确信息。
前面的描述是示例性的，而不是限制性的。对所公开例子的变化和修改对本领域技术人员而言明显是不违背本发明的实质的。只通过考察以下权利要求才能确定本发明保护范围。