In the fifth-generation (5G) high-speed train (HST) system operating in the millimeter-wave (mmWave) band, a much higher Doppler shift occurs. Doppler shift severely degrades reception performance in orthogonal frequency division multiplexing (OFDM)-based wireless communication systems. The performance of the Doppler shift estimator is directly related to safety in the HST because the 5G HST system is used for train control. Therefore, it is necessary to develop a fast and accurate Doppler shift estimator (DSE) with low complexity. In this paper, we propose a new machine learning-based DSE (MLDSE). Taking note of the fact that an HST travels the same path repeatedly, the MLDSE estimates the Doppler shift by using the reference signal received power (RSRP) values measured by the mobile receiver at all times. However, since there is a one-to-many mapping problem when the RSRP values reflecting the 5G beam sweeping and selection correspond to Doppler shifts, machine learning cannot be performed. To solve this problem, we design an RSRP ambiguity reducer (AR) for the machine learning input so that the pattern of RSRP values can be mapped and learned into corresponding Doppler shifts. As a result, MLDSE can estimate Doppler shift more accurately than any HST DSEs known to the authors. In addition, an MLDSE consisting of only three layers is superior to the conventional techniques in terms of computational complexity as well as estimation accuracy.

中文翻译：

---

基于RSRP的高速列车系统中基于机器学习的多普勒频移估计器

在以毫米波（mmWave）频段运行的第五代（5G）高速列车（HST）系统中，发生了更高的多普勒频移。在基于正交频分复用（OFDM）的无线通信系统中，多普勒频移严重降低了接收性能。多普勒频移估计器的性能与HST中的安全性直接相关，因为5G HST系统用于列车控制。因此，有必要开发一种具有低复杂度的快速准确的多普勒频移估计器（DSE）。在本文中，我们提出了一种新的基于机器学习的DSE（MLDSE）。考虑到HST重复传播同一路径这一事实，MLDSE始终使用移动接收机测量的参考信号接收功率（RSRP）值来估计多普勒频移。然而，由于当反映5G波束扫描和选择的RSRP值对应于多普勒频移时存在一对多映射问题，因此无法执行机器学习。为了解决此问题，我们为机器学习输入设计了一个RSRP模糊度降低器（AR），以便可以将RSRP值的模式映射并学习成相应的多普勒频移。结果，MLDSE可以比作者已知的任何HST DSE更准确地估计多普勒频移。另外，在计算复杂度和估计精度方面，仅由三层组成的MLDSE优于常规技术。我们为机器学习输入设计了一个RSRP模糊度降低器（AR），以便可以将RSRP值的模式映射并学习成相应的多普勒频移。结果，MLDSE可以比作者已知的任何HST DSE更准确地估计多普勒频移。另外，在计算复杂度和估计精度方面，仅由三层组成的MLDSE优于常规技术。我们为机器学习输入设计了一个RSRP模糊度降低器（AR），以便可以将RSRP值的模式映射并学习成相应的多普勒频移。结果，MLDSE可以比作者已知的任何HST DSE更准确地估计多普勒频移。另外，在计算复杂度和估计精度方面，仅由三层组成的MLDSE优于常规技术。