活动介绍

NRURLLC技术解析与性能评估

立即解锁
发布时间: 2025-08-29 10:46:50 阅读量: 3 订阅数: 11
### NR URLLC技术解析与性能评估 #### 1. NR URLLC关键技术介绍 ##### 1.1 HARQ操作 NR支持的HARQ操作是异步的,这意味着设备必须通过DCI中的进程ID(PID)来确定使用哪个缓冲区。激活后,配置的上行授权资源将从0开始编号,直到RRC配置的最大值,之后编号重新从0开始。这样,gNB和设备都能知道给定PID对应的是哪一次传输。当触发重传时,即使可以指示配置资源进行重传,设备也会通过DCI进行动态调度。 ##### 1.2 重复传输 可以在配置授权(CG)上配置传输块(TB)的重复传输,对于mini - slot资源也是如此。不过,上行重复传输仅在时隙级别进行,即相同的资源将在K个连续时隙中用于发送TB。与基于HARQ的重传相比,这能在更短时间内提高可靠性。对于最低延迟,需要在时隙内的mini - slot资源上进行重复传输,但NR Release - 15不支持这一点。在上行CG的K次重复传输中,会应用RV模式,根据重复次数n选择RV序列的第(mod(n - 1,4)+1)个值。可配置的RV序列有{0,2,3,1}、{0,3,0,3}和{0,0,0,0},K序列可以在配置的RV序列中的RV为0时的任何时刻开始。这意味着当配置了变化的RV序列时,需要额外的对齐延迟来等待重复序列的开始。 ##### 1.3 上行功率控制 PUSCH传输功率的计算公式为: \[p_{PUSCH} = \min\{p_{cmax}; p_0 + \alpha \cdot PL + 10 \log_{10}(2^m \cdot M_{rb}) + DTF + \delta\}\] 其中,\(p_{cmax}\)是每个载波允许的最大功率,\(p_0\)和\(\alpha\)是可配置参数,\(PL\)是路径损耗估计值,\(m\)是参数(子载波间隔\(SCS = 2^m \cdot 15kHz\)),\(M_{rb}\)是上行分配,\(DTF\)根据MCS计算得出,\(\delta\)是闭环参数。开环组件(\(p_0 + \alpha \cdot PL\))由设备配置和处理,而闭环组件\(\delta\)在DCI中指示。PUCCH功率控制与PUSCH相同,但PUCCH的\(\alpha\)固定为1。 ##### 1.4 CSI测量与报告 为了让gNB知道在下行链路中为设备使用哪种MCS,了解信道条件至关重要。设备在导频探测信号CSI - RS上测量信道质量,然后在CSI报告中报告CQI,作为UCI的一部分,与HARQ A/N和SR一起。报告基于对配置的CSI - RS资源的测量,可以通过DCI指示以周期性(在PUCCH上)、半静态(在配置的PUCCH或PUSCH资源上)或非周期性(在PUSCH上)的方式触发。 CQI的值与MCS相关,当报告相应的CQI时,使用特定MCS的预期误块率(BLER)处于目标水平。在LTE中,预期BLER水平设置为10%。在NR中,为了满足URLLC的需求,设备可以配置两个不同的BLER水平:10%的错误映射到CQI表1(最高64 QAM)或CQI表11.2(最高256 QAM),\(10^{-5}\)的错误映射到CQI表11.3。配置是半静态的,通过RRC进行,而不是动态指示。因此,报告的CQI和使用的MCS表可能不匹配,这需要gNB在两者之间进行转换。 当只使用一个天线端口和一个配置的CSI - RS资源时,CSI报告仅包含CQI。使用更多天线端口和CSI - RS资源时,报告还可以包括带有预编码矩阵指示符(PMI)的码本索引、秩指示符、层指示符以及指示首选波束的CSI - RS指示符。报告可以针对简单多端口天线的类型I单面板、由多个端口组成的复合天线的类型I多面板码本或用于多用户MIMO的更高粒度的类型II码本进行。 | CQI index | Modulation | Code rate x 1024 | Efficiency | | --- | --- | --- | --- | | 0 | out of range | | | | 1 | QPSK | 30 | 0.0586 | | 2 | QPSK | 50 | 0.0977 | | 3 | QPSK | 78 | 0.1523 | | 4 | QPSK | 120 | 0.2344 | | 5 | QPSK | 193 | 0.3770 | | 6 | QPSK | 308 | 0.6016 | | 7 | QPSK | 449 | 0.8770 | | 8 | QPSK | 602 | 1.1758 | | 9 | 16 QAM | 378 | 1.4766 | | 10 | 16 QAM | 490 | 1.9141 | | 11 | 16 QAM | 616 | 2.4063 | | 12 | 64 QAM | 466 | 2.7305 | | 13 | 64 QAM | 567 | 3.3223 | | 14 | 64 QAM | 666 | 3.9023 | | 15 | 64 QAM | 772 | 4.5234 | ##### 1.5 PDCP复制 与LTE一样,为了通过两条传输路径的冗余提高可靠性,可以在PDCP层对数据进行复制。该过程通过RRC为拆分无线承载设置,并通过添加额外的逻辑信道定义一个连接到PDCP的额外RLC实体。在PDCP层,以PDCP PDU形式的传入数据包被复制并发送到两个RLC实体:主小区组(MCG)和辅小区组(SCG)。如果MCG和SCG属于同一个MAC实体,则复制在两个不同的载波上进行,即载波聚合(CA);如果它们属于不同的MAC实体,则复制在两个不同的小区上进行,即双连接(DC)。在CA的情况下,使用逻辑信道映射限制来防止数据包在同一载波上发送。在接收端,数据包一直分离到PDCP层,在那里进行重复检查,以便只有一个PDCP PDU被传递到数据缓冲区。 ```mermaid graph LR classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px; SDAP --> PDCP PDCP --> RLC1(RLC):::process PDCP --> RLC2(RLC):::process RLC1 --> MAC1(MAC):::process RLC2 --> MAC2(MAC):::process MAC1 --> PHY1(PHY):::process MAC2 --> PHY2(PHY):::process PHY1 --> CellA(Cell A / Carrier A):::process PHY2 --> CellB(Cell B / Carrier B):::process subgraph Receiving direction LR CellA --> PHY3(PHY):::process CellB --> PHY4(PHY):::process PHY3 --> MAC3(MAC):::process PHY4 --> MAC4(MAC):::process MAC3 --> RLC3(RLC):::process MAC4 --> RLC4(RLC):::process RLC3 --> PDCP2(PDCP) ```
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

docx
内容概要:本文介绍了一个基于MATLAB实现的RL-Transformer模型,将强化学习控制器(RL)与Transformer编码器相结合,用于多变量时间序列预测。项目通过构建完整的数据预处理、模型设计、训练与验证流程,利用Transformer的自注意力机制捕捉变量间的长距离依赖关系,并引入强化学习实现模型参数的动态调整,提升预测精度与鲁棒性。模型架构包含四个核心模块:数据预处理、Transformer编码器、强化学习控制器和预测输出模块,支持并行计算与自适应优化,有效应对复杂时序数据的非线性依赖、误差积累和环境变化等挑战。文中还提供了关键模块的MATLAB代码示例,包括多头注意力、前馈网络、层归一化及策略网络实现。; 适合人群:具备一定深度学习与强化学习基础,熟悉MATLAB编程环境,从事时间序列预测、智能控制、工业数据分析等相关领域的研究人员与工程师;适合高校研究生及企业研发人员; 使用场景及目标:①应用于金融、能源、交通、智能制造等领域的多变量时序预测任务;②实现模型自适应调节,提升长期预测稳定性;③探索深度强化学习与Transformer在时序建模中的融合方法; 阅读建议:建议结合MATLAB深度学习与强化学习工具箱进行代码复现,重点关注状态设计、奖励函数构建与模型联合训练策略,建议配合完整项目代码与GUI界面深入理解系统实现细节。
zip
标题基于SpringBoot的家教信息匹配与预约系统研究AI更换标题第1章引言介绍家教信息匹配与预约系统的研究背景、意义、国内外现状及论文方法与创新点。1.1研究背景与意义阐述家教市场的需求及开发家教信息匹配与预约系统的重要性。1.2国内外研究现状分析国内外在家教信息匹配与预约系统方面的研究进展。1.3研究方法及创新点概述论文采用的研究方法及系统的创新点。第2章相关理论介绍SpringBoot框架、家教信息匹配算法及相关预约系统理论。2.1SpringBoot框架概述介绍SpringBoot框架的特点、优势及在系统开发中的应用。2.2家教信息匹配算法阐述家教信息匹配的原则、算法及优化策略。2.3预约系统相关理论讨论预约系统的设计原则、功能模块及用户交互理论。第3章基于SpringBoot的系统设计详细介绍基于SpringBoot的家教信息匹配与预约系统的设计方案。3.1系统架构设计给出系统的整体架构、模块划分及数据流向。3.2数据库设计阐述数据库的设计原则、表结构及数据关系。3.3接口设计介绍系统的主要接口及其功能,包括用户接口和管理员接口。第4章系统实现与测试阐述基于SpringBoot的家教信息匹配与预约系统的实现过程及测试方法。4.1系统实现详细介绍系统的开发环境、实现步骤及关键代码。4.2系统测试方法给出系统的测试方法,包括单元测试、集成测试和性能测试。4.3测试结果与分析从功能、性能等方面对测试结果进行详细分析。第5章研究结果与优化展示系统实现后的实际效果,并提出优化建议。5.1系统运行效果介绍系统运行后的用户反馈、数据匹配准确率等实际效果。5.2系统优化建议根据系统运行效果,提出针对性的优化建议。第6章结论与展望总结研究成果,并展望未来研究方向。6.1研究结论概括基于SpringBoot的家教信息匹配与预约系统的主要研究成果。6.2展望指出研究的不足之处,提出未

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

灵活且可生存的单点登录与数据去重的数字取证分析

### 灵活且可生存的单点登录与数据去重的数字取证分析 #### 灵活且可生存的单点登录 单点登录(SSO)是一种让用户只需一次身份验证,就能访问多个相关系统或服务的技术。在传统的基于阈值签名的 SSO 方案中,灵活性存在一定局限。例如,在与 k + 1 个服务器进行登录过程时,之前基于阈值签名的方案里,k 值是在设置操作时由身份提供者决定,而非服务提供者,并且之后无法更改。 不过,有一种新的令牌发布方案具有灵活性,还能与非可生存的 SSO 保持兼容。如果服务提供者在验证令牌操作时将 k 设置为 0,用户就会像在传统非可生存的 SSO 中一样,与一个身份服务器执行 SSO 过程。 ###

机器学习中的Transformer可解释性技术深度剖析

### 机器学习中的Transformer可解释性技术深度剖析 #### 1. 注意力机制验证 注意力机制在机器学习中扮演着至关重要的角色,为了验证其在无上下文环境下的有效性,研究人员进行了相关实验。具体做法是将双向长短时记忆网络(BiLSTM)的注意力权重应用于一个经过无上下文训练的多层感知机(MLP)层,该层采用词向量袋表示。如果在任务中表现出色,就意味着注意力分数捕捉到了输入和输出之间的关系。 除了斯坦福情感树库(SST)数据集外,在其他所有任务和数据集上,BiLSTM训练得到的注意力权重都优于MLP和均匀权重,这充分证明了注意力权重的实用性。研究还确定了验证注意力机制有用性的三个关

医疗科技融合创新:从AI到可穿戴设备的全面探索

# 医疗科技融合创新:从AI到可穿戴设备的全面探索 ## 1. 可穿戴设备与医疗监测 可穿戴设备在医疗领域的应用日益广泛,涵盖了医疗监测、健康与运动监测等多个方面。其解剖结构包括传感器技术、连接与数据传输、设计与人体工程学以及电源管理和电池寿命等要素。 ### 1.1 可穿戴设备的解剖结构 - **传感器技术**:可穿戴设备配备了多种传感器,如加速度计、陀螺仪、光学传感器、ECG传感器等,用于监测人体的各种生理参数,如心率、血压、运动状态等。 - **连接与数据传输**:通过蓝牙、Wi-Fi、蜂窝网络等方式实现数据的传输,确保数据能够及时准确地传输到相关设备或平台。 - **设计与人体工程

认知训练:提升大脑健康的有效途径

### 认知训练:提升大脑健康的有效途径 #### 认知训练概述 认知训练是主要的认知干预方法之一,旨在对不同的认知领域和认知过程进行训练。它能有效改善受试者的认知功能,增强认知储备。根据训练针对的领域数量,可分为单领域训练和多领域训练;训练形式有纸质和基于计算机两种。随着计算机技术的快速发展,一些认知训练程序能够自动安排和调整适合提高个体受训者表现的训练计划。 多数认知领域具有可塑性,即一个认知领域的训练任务能提高受试者在该领域原始任务和其他未训练任务上的表现。认知训练的效果还具有可迁移性,能在其他未训练的认知领域产生作用。目前,认知干预被认为是药物治疗的有效补充,既适用于痴呆患者,尤其

机器学习模型训练与高效预测API构建

### 机器学习模型训练与高效预测 API 构建 #### 1. 支持向量机(SVM)基础 在简单的分类问题中,我们希望将样本分为两个类别。直观上,对于一些随机生成的数据,找到一条直线来清晰地分隔这两个类别似乎很简单,但实际上有很多不同的解决方案。 SVM 的做法是在每个可能的分类器周围绘制一个边界,直到最近的点。最大化这个边界的分类器将被选作我们的模型。与边界接触的两个样本就是支持向量。 在现实世界中,数据往往不是线性可分的。为了解决这个问题,SVM 通过对数据应用核函数将数据集投影到更高的维度。核函数可以计算每对点之间的相似度,在新的维度中,相似的点靠近,不相似的点远离。例如,径向基

数据聚类在金融领域的应用与实践

# 数据聚类在金融领域的应用与实践 ## 1. 随机块模型的谱聚类 谱聚类分类模型可分为判别式模型和生成式模型。当邻接矩阵可直接观测时,谱聚类分类模型属于判别式模型,它基于现有数据创建关系图。而生成式模型中,邻接矩阵不可观测,而是通过单个网络元素之间的条件关系概率性地开发和推导得出。 随机块模型是最流行的生成式模型之一,由Holland、Laskey和Leinhardt于1983年首次提出。Rohe、Chatterjee和Yu概述了分类方法,Lei和Rinaldo推导了该过程的性能界限,包括误分类率。随机块模型谱聚类是当前活跃的研究领域,其最新研究方向包括探索该模型如何放宽K - 均值聚类

数据科学职业发展与技能提升指南

# 数据科学职业发展与技能提升指南 ## 1. 数据科学基础与职业选择 数据科学涵盖多个核心领域,包括数据库、数学、编程和统计学。其业务理解至关重要,且存在需求层次结构。在职业选择方面,有多种路径可供选择,如分析、商业智能分析、数据工程、决策科学、机器学习和研究科学等。 ### 1.1 技能获取途径 技能获取可通过多种方式实现: - **教育途径**:包括攻读学位,如学士、硕士和博士学位。申请学术项目时,需考虑学校选择、入学要求等因素。 - **训练营**:提供项目式学习,可在短时间内获得相关技能,但需考虑成本和项目选择。 - **在线课程**:如大规模开放在线课程(MOOCs),提供灵活

基于置信序列的风险限制审计

# 基于置信序列的风险限制审计 ## 1. 风险限制审计基础 在选举审计场景中,我们将投票数据进行编码。把给 Alice 的投票编码为 1,给 Bob 的投票编码为 0,无效投票编码为 1/2,得到数字列表 $\{x_1, \ldots, x_N\}$。设 $\mu^\star := \frac{1}{N}\sum_{i = 1}^{N} x_i$,$(C_t)_{t = 1}^{N}$ 是 $\mu^\star$ 的 $(1 - \alpha)$ 置信序列。若要审计 “Alice 击败 Bob” 这一断言,令 $u = 1$,$A = (1/2, 1]$。我们可以无放回地依次抽样 $X_1

虚拟现实与移动应用中的认证安全:挑战与机遇

### 虚拟现实与移动应用中的认证安全:挑战与机遇 在当今数字化时代,虚拟现实(VR)和移动应用中的身份认证安全问题愈发重要。本文将深入探讨VR认证方法的可用性,以及移动应用中面部识别系统的安全性,揭示其中存在的问题和潜在的解决方案。 #### 虚拟现实认证方法的可用性 在VR环境中,传统的认证方法如PIN码可能效果不佳。研究表明,登录时间差异会影响可用性得分,若将已建立的PIN码转移到VR空间,性能会显著下降,降低可用性。这是因为在沉浸式VR世界中,用户更喜欢更自然的交互方式,如基于手势的认证。 参与者的反馈显示,他们更倾向于基于手势的认证方式,这强调了修改认证方法以适应VR特定需求并

抗泄漏认证加密技术解析

# 抗泄漏认证加密技术解析 ## 1. 基本概念定义 ### 1.1 伪随机生成器(PRG) 伪随机生成器 $G: S \times N \to \{0, 1\}^*$ 是一个重要的密码学概念,其中 $S$ 是种子空间。对于任意仅对 $G$ 进行一次查询的敌手 $A$,其对应的 PRG 优势定义为: $Adv_{G}^{PRG}(A) = 2 Pr[PRG^A \Rightarrow true] - 1$ PRG 安全游戏如下: ```plaintext Game PRG b ←$ {0, 1} b′ ←A^G() return (b′ = b) oracle G(L) if b