活动介绍

EC-GSM-IoT物理层信道与覆盖扩展技术解析

立即解锁
发布时间: 2025-08-29 10:46:41 阅读量: 8 订阅数: 22 AIGC
# EC-GSM-IoT物理层信道与覆盖扩展技术解析 ## 1. 下行逻辑信道 ### 1.1 EC-PDTCH/D EC-PDTCH(扩展覆盖分组数据业务信道)是EC-GSM-IoT的逻辑信道之一,与EGPRS中对应的逻辑信道几乎相同,用于在网络和设备之间传输有效载荷。其相关参数如下表所示: |参数|详情| | ---- | ---- | |TS|任意| |TDMA帧|见图3.15| |映射重复周期|52| |盲物理层传输|1 (CC1), 4 (CC2), 8 (CC3), 16 (CC4)| |多帧|52| |突发类型|正常| |块大小|4个突发| |载波|任意| EC-PDTCH块由四个不同的突发组成,映射到同一TS上的四个连续TDMA帧。该块被称为无线块,在20ms的基本传输时间间隔内传输,并且映射到一个或多个物理信道(PDCH)上。 在监测下行EC-PDTCH时,设备需要盲目检测块中使用的调制方案,通过检测预定义训练序列的旋转角度来实现。同步、信道估计和调制检测后,设备对突发符号进行均衡,得到“软比特”,其幅度越高,接收器对特定比特值传输的确定性越高。之后,设备读取窃取标志以确定块中使用的RLC/MAC报头类型,解码报头后,就能知道块中使用的MCS和混合自动重传请求(HARQ)过程中使用的冗余版本或PS。 不同的CC(覆盖等级)映射方式不同,CC1的PDTCH块映射到一个PDCH上,而CC2、CC3和CC4的块盲重复分别映射到四个连续TS和4、8或16个TDMA帧上。将CC1的映射从一个增加到四个PDCH是出于多方面考虑,使用更多TS可提高接收器的处理增益,但会带来PA散热和资源管理问题。综合考虑网络部署灵活性、无线链路性能和设备实现,为所有更高的CC选择了四个连续TS。 ### 1.2 EC-PACCH/D EC-PACCH(扩展覆盖分组关联控制信道)是EC-PDTCH的关联控制信道,携带与EC-PDTCH操作相关的控制信息,如输出功率电平、资源(重新)分配和Ack/Nack位图。 EC-PACCH/D信息编码在单个正常突发中,携带80个信息比特,该突发总是重复四次以构成一个块。这样做有两个目的:一是确保处于良好无线条件下的用户实现节能操作,设备可监测下行信道的单个突发,尝试解码块,若成功则返回睡眠状态;二是允许设备将其频率校正到基站参考,通过对多个突发进行相关和累积来估计频率偏移,由于在每个上行链路分配的EC-PDTCH块集之后至少传输一个EC-PACCH块,设备可以持续更新频率参考。每个EC-PACCH块需要包含USF,因为非EC-GSM-IoT设备会监测下行链路以进行潜在的上行链路调度。 ## 2. 上行逻辑信道 ### 2.1 EC-CCCH/U (EC-RACH) 在设备与网络建立连接之前,需要在随机接入信道上发起接入。系统接入请求的发起可以由设备(移动发起业务)或网络(移动终止业务)触发。在使用随机接入信道之前,设备需要在时间和频率上与网络同步,并且未被禁止接入。 设备发送包含11位的接入突发(AB)来发起通信,其中包含下行CC的指示,同时通过选择的TSC隐式向网络指示上行CC。设备可以使用每个TDMA帧中的一个或两个TS来传输分组信道请求,即1或2 TS映射的扩展覆盖随机接入信道(EC-RACH)。2 TS映射比1 TS映射能扩展更远的覆盖范围,因为设备需要在TDMA帧的两个TS上保持传输的相干性,从而提高基站的处理增益,但这需要与非EC-GSM-IoT设备在TS 0上的接入进行复用。运营商会根据网络中非EC-GSM-IoT设备的负载和扩展覆盖的需求,决定是否允许EC-GSM-IoT设备使用2 TS映射。 AB的设计比常规突发短,提供了68符号长的保护期,允许大约35 km的小区半径。由于下行同步会受到传播延迟的影响,上行传输需要在时间上进行偏移,基站会估计传播延迟,并在接入授权信道上发送的消息中通知设备使用的时间提前量(TA)。 ### 2.2 EC-PDTCH/U EC-PDTCH/U与下行流量信道几乎相同,与EGPRS中对应的信道也相似。不过,它在整体块结构中不包含USF,并且RLC/MAC报头格式与下行EC-PDTCH块不同。其映射方式与EC-PDTCH/D相同。 ### 2.3 EC-PACCH/U 从物理层角度看,上行EC-PACCH的设计与下行信道非常相似。EC-PACCH/U块由单个突发至少重复四次构成,使用与下行相同数量的盲块重复。不同之处在于上行不传输USF,因为其唯一目的是网络进行上行
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

物联网_赵伟杰

物联网专家
12年毕业于人民大学计算机专业,有超过7年工作经验的物联网及硬件开发专家,曾就职于多家知名科技公司,并在其中担任重要技术职位。有丰富的物联网及硬件开发经验,擅长于嵌入式系统设计、传感器技术、无线通信以及智能硬件开发等领域。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

OpenVX:跨平台高效编程的秘诀

### OpenVX:跨平台高效编程的秘诀 #### 1. OpenCL 互操作性扩展 OpenCL 互操作性扩展为 OpenVX 内的应用程序和用户算法提供了高效实现的支持,具备以下六个关键特性: - 共享一个通用的 `cl_context` 对象,供 OpenVX 和 OpenCL 应用程序使用。 - 共享一组有序的 `cl_command_queue` 对象,用于 OpenVX 和 OpenCL 应用程序/用户内核之间的协调。 - 允许 OpenCL 应用程序将 `cl_mem` 缓冲区导出到 OpenVX。 - 允许 OpenCL 应用程序从 OpenVX 收回导出的 `cl_mem

自适应复杂网络结构中的同步现象解析

# 自适应复杂网络结构中的同步现象解析 ## 1. 引言 在复杂的动力学网络中,同步现象一直是研究的重点。我们将主稳定性方法拓展到由 $N$ 个扩散且自适应耦合的振荡器组成的复杂网络中。通过对自适应耦合相位振荡器这一典型模型的研究,我们发现了由于稳定性岛屿的存在而导致的多簇现象的出现。接下来,我们将深入探讨相关内容。 ## 2. 自适应耦合振荡器网络模型 考虑一个由 $N$ 个扩散且自适应耦合的振荡器组成的网络,其形式如下: \(\dot{x}_i = f (x_i(t)) - \sigma \sum_{j = 1}^{N} a_{ij} \kappa_{ij} G(x_i - x_j)\

语音情感识别:预加重滤波器与清音影响分析

### 语音情感识别:预加重滤波器与清音影响分析 在语音情感识别领域,多种因素会影响识别的准确性和性能。本文将深入探讨预加重滤波器、清音去除等因素对语音情感分类的影响,并通过一系列实验来揭示不同特征向量大小、帧大小等参数在不同数据库中的表现。 #### 1. 清音去除 在语音情感识别中,通常会使用浊音和清音进行情感识别。然而,清音往往与语音信号记录中的噪声或静音区域具有相似的时间和频谱特征。为了探索去除清音后分类阶段的性能,我们使用自相关函数来去除每一帧中的清音。 具体步骤如下: 1. **自相关函数定义**:对于信号 $x(n)$ 从样本 $n$ 开始的一帧,其短时自相关函数定义为 $

SSH连接与操作全解析

# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公

计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习

# 计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习 在计算机视觉领域,概率图模型是一种强大的工具,可用于处理复杂的概率关系。当数据不完整时,贝叶斯网络(BN)的参数学习和结构学习变得更具挑战性。本文将介绍不完整数据下BN参数学习和结构学习的方法。 ## 1. 不完整数据下的BN参数学习 在不完整数据中,变量 $Z_m$ 可能随机缺失或始终缺失。与完整数据情况类似,不完整数据下的BN参数学习也可通过最大似然法或贝叶斯法实现。 ### 1.1 最大似然估计 最大似然估计(ML)需要通过最大化边际似然来找到BN参数 $\theta = \{\theta_n\}_{n=1}^N$: $$

具有多重时滞和不确定参数的CRDNNs的无源性与同步性研究

# 具有多重时滞和不确定参数的 CRDNNs 的无源性与同步性研究 ## 1. 引言 在神经网络的研究领域中,具有多重时滞和不确定参数的连续反应扩散神经网络(CRDNNs)的无源性和同步性是重要的研究课题。无源性能够保证系统的稳定性和能量特性,而同步性则在信息处理、通信等领域有着广泛的应用。本文将深入探讨 CRDNNs 的无源性和同步性相关问题,包括理论分析和数值验证。 ## 2. 无源性判据 ### 2.1 输出严格无源性条件 当满足以下矩阵不等式时,网络(9.17)具有输出严格无源性: \[ \begin{bmatrix} W_6 & \Xi_2 \\ \Xi_2^T & W_7 \e

HNPU-V1:自适应DNN训练处理器的技术解析与性能评估

### HNPU-V1:自适应DNN训练处理器的技术解析与性能评估 在深度学习领域,DNN(深度神经网络)训练处理器的性能对于提高训练效率和降低能耗至关重要。今天我们要介绍的HNPU - V1就是一款具有创新性的自适应DNN训练处理器,它采用了多种先进技术来提升性能。 #### 1. 稀疏性利用技术 在DNN训练过程中,会出现输入或输出稀疏性的情况。传统的输出零预测方法虽然可以同时利用输入和输出稀疏性,但会带来面积和能量开销。而HNPU - V1采用了独特的稀疏性利用技术。 ##### 1.1 切片级输入跳过(Slice - Level Input Skipping) - **原理**:

言语节奏与大脑定时模式:探索神经机制与应用

# 言语节奏与大脑定时模式:探索神经机制与应用 ## 1. 大脑的预测性与时间维度 人类大脑是一个具有建设性的器官,它能够生成预测以调节自身功能,并持续适应动态环境。在这个过程中,运动和非运动行为的时间维度正逐渐被视为预测性偏差的关键组成部分。然而,编码、解码和评估时间信息以产生时间感和控制感觉运动定时的神经机制之间的复杂相互作用,仍然大部分是未知的。 ### 1.1 事件的时间与类型维度 个体和环境中的所有状态变化都会产生由类型(“是什么”)和时间(“何时”)定义的事件。为了成功地与不断变化的环境进行交互,人们需要不断适应这些事件的“是什么”和“何时”维度。人类不仅会对事件做出反应,还会

网络数据上的无监督机器学习

### 网络数据上的无监督机器学习 在处理图数据时,机器学习(ML)并非必需,但它能带来很大的帮助。不过,ML的定义较为模糊,例如社区检测算法虽能自动识别网络中的社区,可被视为无监督ML,但NetworkX提供的一些方法虽类似却未得到数据科学界同等关注,因为它们未被明确称为图ML。 #### 1. 网络科学方法 在处理图数据时,有很多已掌握的方法可避免使用所谓的图ML: - **社区识别**:可以使用Louvain算法或直接查看连通分量。 - **枢纽节点识别**:使用PageRank算法,无需嵌入。 - **孤立节点识别**:使用`k_corona(0)`,无需ML。 - **训练数据创

利用大数据进行高效机器学习

### 利用大数据进行高效机器学习 #### 1. 集群管理与并行计算基础 在处理大数据时,集群的使用至关重要。当集群任务完成后,终止其派生的进程能释放每个节点占用的资源,使用如下命令: ```R stopCluster(cl1) ``` 对于大规模的大数据问题,还可以进行更复杂的`snow`配置,例如配置Beowulf集群(由多个消费级机器组成的网络)。在学术和行业研究中,若有专用计算集群,`snow`可借助`Rmpi`包访问高性能消息传递接口(MPI)服务器,但这需要网络配置和计算硬件方面的知识。 #### 2. 使用`foreach`和`doParallel`实现并行计算 `fore