活动介绍

NRURLLC物理层技术解析

立即解锁
发布时间: 2025-08-29 10:46:49 阅读量: 8 订阅数: 29 AIGC
### NR URLLC物理层技术解析 #### 1. 短处理时间 在NR中,针对两种情况规定了设备应管理的最小调度时间: - 接收下行数据传输结束到发送相应HARQ反馈之间的处理时间,记为d1。 - 接收上行授权结束到发送相应上行数据传输之间的处理时间,记为d2。 这些延迟的长度取决于一组调度因素: 1. 用于物理下行共享信道(PDSCH)数据传输的解调参考信号(DMRS)符号数量。 2. 物理下行控制信道(PDCCH)和PDSCH符号在下行分配中是否重叠。 3. 第一个物理上行共享信道(PUSCH)符号中DMRS和数据是否混合。 4. 下行分配中的正交频分复用(OFDM)符号(OS)数量。 5. 设备处理能力。 设备处理能力因素反映了设备的处理速度,其中能力2针对低延迟服务(如URLLC),而能力1是基本处理速度。d1和d2的定义表达式为能力1和2对应的最小处理定时参数N1和N2(见表1)与调度相关延迟之和。需要注意的是,对于120kHz子载波间隔(SCS),在版本15中未定义能力2,因此采用能力1的值。 | SCS | Capability 1 | | Capability 2 | | | --- | --- | --- | --- | --- | | | N1 [OFDM symbols] | N2 [OFDM symbols] | N1 [OFDM symbols] | N2 [OFDM symbols] | | | 1 DMRS | >1 DMRS | 1 DMRS | >1 DMRS | | 15 kHz | 8 | 13 (14 if in OS #12) | 10 | 3 | | | | | | 5 | | 30 kHz | 10 | 13 | 12 | 4.5 | | | | | | 5.5 | | 60 kHz | 17 | 20 | 23 | 9 (FR1) | | | | | | 11 (FR1) | | 120 kHz | 20 | 24 | 36 | 20 (Cap. 1) | | | | | | 24 (Cap. 1) | | | | | | 36 (Cap. 1) | d1(以OS为单位)的计算公式为: d1 = N1 + d1,1 其中: \[ d_{1,1} = \begin{cases} 7 - i & [Mapping type A; i < 7] \\ 3 & [Mapping type B; Capability 1; allocation 4 OFDM symbols] \\ 3 + d & [Mapping type B; Capability 1; allocation 2 OFDM symbols] \\ d & [Mapping type B; Capability 2; allocation 2 or 4 OFDM symbols] \\ 0 & [Otherwise] \end{cases} \] 这里i是PDSCH分配中最后一个符号的索引,d是PDCCH和PDSCH重叠符号的数量。从表达式可以看出,下行和上行控制的放置会影响处理延迟,目的是为设备处理并行任务提供额外的时间。 d2(以OS为单位)的计算公式为: d2 = N2 + d2,1 其中: \[ d_{2,1} = \begin{cases} 0 & [Only DMRS in first PUSCH symbol] \\ 1 & [Otherwise] \end{cases} \] 这样设备在开始解码之前可以有一个额外的符号来根据DMRS进行信道估计。 假设设备具有能力2处理能力,我们可以计算一些有趣的URLLC配置的处理延迟,见表2。这里假设PDSCH中配置了1个DMRS,对于4和2符号的下行传输,PDCCH和PDSCH重叠1个符号,并且第一个PUSCH符号中DMRS与数据混合。可以注意到,处理延迟并不会随着更短的分配而减少,这可能与预期相反。 | Allocation | d1 [OFDM symbols] | | d2 [OFDM symbols] | | | --- | --- | --- | --- | --- | | | 15 kHz SCS | 120 kHz SCS (Cap. 1 values) | 15 kHz SCS | 120 kHz SCS (Cap. 1 values) | | Slot [14 symbols] | 3 | 20 | 6 | 37 | | 7 symbols | 3 | 20 | 6 | 37 | | 4 symbols | 4 | 21 | 6 | 37 | | 2 symbols | 4 | 21 | 6 | 37 | 网络会在下行控制信息(DCI)中明确向设备指示上行定时,用于下行HARQ反馈或上行数据。 #### 2. 下行多天线技术 提高下行信号质量有多种方法: - **设备端多天线**:为设备配备多个交叉极化天线接收相同传输是最明显的方法之一。对信号进行相干处理可使接收端具有方向性,从而抑制噪声和干扰,提高信号质量。可以合理预期,更多针对蜂窝机器类型通信(cMTC)服务的高端NR URLLC设备至少会有4个接收天线,即2对交叉极化元件。 - **基站端波束赋形**:即使不为设备配备更多天线,也可以利用基站(gNB)侧的大型阵列进行强大的波束赋形。随着频率的增加,天线元件变小,因此可以实现具有许多元件的合理尺寸阵列。由于天线元件的大小与波长成正比(通常在λ/2范围内),载波频率加倍会使阵列尺寸减半,如果保持相同的阵列尺寸,则可以容纳两倍数量的元件。同时,天线的最大定向增益预计会随元件数量增加而增加。因此,在NR中使用的较高载波频率下,通常可以实现更高的定向增益。 由于NR中的设备特定DMRS插入在下行传输中,波束赋形对设备来说是透明的,无需额外指示。DMRS与数据以相同方式进行波束赋形,当设备基于参考信号进行解调时,波束赋形会自动处理。 gNB可以通过两种基本方式为天线阵列选择波束: - **数字波束赋形**:基于预编码矩阵。设备被配置为接收导频符号,并尝试使用码本中的一组预配置预编码器。设备在预编码矩阵指示(PMI)报告中指出码本中给出最高质量的索引。使用预编码器使gNB能够同时向不同设备使用多个波束,还能实现具有多个数据层的多输入多输出(MIMO)传输。对于URLLC,虽然不追求高频谱效率,但基于预编码器的波束赋形仍然是一个不错的选择,因为它比基于波束网格的波束赋形更快、更精确。然而,其缺点是需要大量的导频和测量报告,并且在条件变化时存在使用错误预编码器的风险。 - **模拟波束赋形**:基于传输权重。在模拟设置中,波束是经过数模(D/A)转换后形成的主瓣,通常通过在网格中扫描一组波束并
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

利用GARCH模型变体进行股票市场预测中的情感分析实现

### 利用GARCH模型变体进行股票市场预测中的情感分析实现 在金融领域,股票市场预测一直是一个备受关注的话题。由于金融数据具有高波动性和异方差性(即方差随时间变化),传统的时间序列分析方法往往难以准确建模。广义自回归条件异方差(GARCH)模型因其能够有效处理异方差问题而成为时间序列预测中的常用工具。同时,社交媒体数据和金融新闻也对股票价格预测产生着重要影响,情感分析技术可以从中提取有用信息,帮助我们更好地理解市场行为。本文将详细介绍如何运用情感分析和GARCH模型变体对苹果公司的股票数据进行预测。 #### 1. 研究背景 GARCH模型由Bollerslev于1986年提出,此后被

打造与分享Excel仪表盘:设计、保护与部署全攻略

# 打造与分享 Excel 仪表盘:设计、保护与部署全攻略 在数据可视化的领域中,Excel 仪表盘是一种强大的工具,它能够将复杂的数据以直观的方式呈现给用户。本文将详细介绍如何设计一个美观且实用的 Excel 仪表盘,以及如何保护和分享它。 ## 1. 仪表盘设计优化 ### 1.1 突出关键数据 为了让用户更聚焦于仪表盘的关键数据点或特定部分,可以使用加粗字体进行突出显示。具体操作如下: - 仔细审视仪表盘,找出那些需要强调特定信息或数据点的区域。 - 在后续步骤中,再添加标题和标签。 ### 1.2 优化文本框格式 为了让用户更轻松地识别关键数字,可以对文本框进行如下格式优化: 1

数据在不同部门的应用与挑战及后续提升建议

### 数据在不同部门的应用与挑战及后续提升建议 在当今数字化时代,数据在各个部门的运营中扮演着至关重要的角色。下面我们将深入探讨数据在营销、销售和信息技术部门的应用情况,以及如何提升数据沟通技能。 #### 数据在营销部门的应用与挑战 在营销领域,数据的影响力无处不在。以Prep Air为例,数字营销主管Alex指出,数字营销的兴起带来了海量数据,彻底改变了整个营销领域。过去,营销研究主要依赖焦点小组和调查,一次只能针对一个个体。如今,除了这些传统方法,还可以收集和跟踪社交媒体参与度、网站流量等多方面的数据。 数据来源广泛,包括人口普查记录、谷歌分析的网站流量报告以及Facebook、

数据可视化:静态与交互式的优劣及团队模式分析

# 数据可视化:静态与交互式的优劣及团队模式分析 ## 1. 幻灯片与数据可视化 在数据沟通中,幻灯片是一种常用且有效的方式。能通过幻灯片清晰沟通是一项重要技能,无论是使用PowerPoint还是Google Slides,掌握设计工具都需大量时间和实践。 幻灯片之所以是有效的沟通方式,是因为其具备与数据可视化相同的有效元素: - **简化信息**:幻灯片应尽量少用文字,需将关键概念浓缩成简单要点。 - **清晰标题**:如同数据可视化,幻灯片标题应明确所回答的问题或表达的观点,让观众能轻松理解展示内容。 - **视觉线索**:图像、字体、颜色和主题等都能为幻灯片内的信息提供视觉线索。

数据分析与分层模型解读

### 数据分析与分层模型解读 在数据分析中,我们常常会用到各种模型来解读数据背后的规律。这里主要探讨分层模型的相关内容,包括如何分析数据、模型的构建与评估,以及结果的呈现与解读。 #### 1. R² 值的计算 在分析数据时,我们可能会注意到不同模型的 R² 值情况。例如,对于某些模型的输出,能直接看到 R² 值,而对于分层模型,需要额外的操作来获取。以分层模型 `fit_lmer1` 为例,若要计算其 R² 值,可按以下步骤操作: 1. 安装并加载 `MuMIn` 包。 2. 运行 `r.squaredGLMM(fit_lmer1)` 函数。 运行该函数后,会得到两个 R² 值: -

软件定义网络的数据可视化与负载均衡实验

### 软件定义网络的数据可视化与负载均衡实验 在当今的网络环境中,软件定义网络(SDN)的应用越来越广泛。本文将详细介绍一个关于软件定义网络的数据可视化与负载均衡的实验,包括实验步骤、遇到的问题及解决方法,以及如何生成相关的分析图表。 #### 1. 流量生成与结果过滤 在实验中,我们首先需要生成流量并记录相关事件。以下是具体的操作步骤: - **定义服务器与客户端**: - 停止Host - 3服务器,在h8控制台输入命令 `iperf -s -p 6653 -i 1 > result - H8`,将IP地址为10.0.0.8的Host - 8定义为服务器,“result -

基于文本的关系提取与知识图谱构建

### 基于文本的关系提取与知识图谱构建 #### 1. 引言 在分析公司网络时,共现图能为我们提供一些有趣的见解,但它无法告知我们关系的具体类型。例如,在某些子图中,我们能看到公司之间存在关联,但具体是什么样的关系却并不清楚。为了解决这个问题,我们需要进行关系提取,从而构建知识图谱,以更清晰地展示公司之间的关系。 #### 2. 关系提取的重要性 有时候,最有趣的关系往往不是频繁出现的那些。比如,即将到来的合并的首次公告,或者过去曾被提及几次但随后被遗忘的惊人关系。以前不相关的实体突然同时出现,可能是开始对该关系进行深入分析的信号。 #### 3. 基于短语匹配的关系提取蓝图 - **

数据可视化:工具与Python库的综合指南

# 数据可视化:工具与Python库的综合指南 ## 一、数据可视化的基础技巧 ### (一)创建对比 在展示数据时,应尽可能多地进行对比。当同时展示两个关于同一参数在不同时期的图表或图示时,能清晰地解释数据的影响,并突出趋势、高低点、优势和劣势,便于大家理解和思考。例如,对比2019年第一季度和2020年第一季度的销售折线图。 ### (二)讲述数据故事 以可视化方式呈现数据如同讲故事,能向受众传达目标或信息,提高参与度,让人们轻松理解数据。科学研究表明,人类更喜欢听故事,对讲述得当的故事反应更好。通过可视化来讲述故事,不仅能更好地传达信息,还能在展示中脱颖而出。可以通过整理信息,借鉴作

数据科学家绩效评估方法解析

### 数据科学家绩效评估方法解析 在数据科学领域,衡量数据科学家的绩效是一项具有挑战性的任务。虽然数据科学本身强调测量和指标跟踪,但为数据科学家的工作价值赋予一个确切的数字并非易事。下面将详细探讨几种评估数据科学家绩效的方法。 #### 1. 工作时间评估 工作时间是最直接的绩效衡量方式。比如,早上9点上班,晚上9点下班,减去午休时间,就是一天的工作时长。对于那些具有固定或相对稳定价值产出率的工作,工作时间是一个可行的绩效指标,就像在日本街头,拿着道路施工标志站岗的人员,他们投入的工作时长能准确反映其工作绩效。 然而,对于需要解决复杂问题的工作,工作时间和实际工作投入是两个不同的概念。

Rasa开发:交互式学习、调试、优化与社区生态

### Rasa开发:交互式学习、调试、优化与社区生态 #### 1. 交互式学习中的数据保存与退出 在交互式学习的每一轮中,都需要确认自然语言理解(NLU)分析结果以及多个动作预测结果。若对为何有多个动作存在疑惑,可参考相关原理内容。当我们完成与聊天机器人的交互学习后,需要手动保存反馈数据。具体操作步骤如下: - 按下 `Ctrl + C`,会出现如下选项: - `Continue`:继续当前的交互式学习。 - `Undo Last`:撤销上一步操作。 - `Fork`:分叉当前对话流程。 - `Start Fresh`:重新开始。 - `Export & Quit`: