热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

5GNRmmWframestructure

此文转载自:https:blog.csdn.netweixin_45624843articledetails1103514505G-NRmmWframestructu
此文转载自:https://blog.csdn.net/weixin_45624843/article/details/110351450

5G-NR mmW frame structure

    • 5G-NR 毫米波段帧结构(关注两个功能块:同步信号SS和CSI参考信号CSI-RS)
    • UE寻找BS进行初始连接阶段,接收信号模型示意图

5G-NR 毫米波段帧结构(关注两个功能块:同步信号SS和CSI参考信号CSI-RS)

在这里插入图片描述
  • 帧长TF=20ms
  • 5G 毫米波段OFDM子载波间隔120KHZ或者240KHZ。
  • 如图1,一个帧中有一个SS信号,SS包括M=64个burst block,每一个burst block持续时间TB,BS和UE的使用一个特定的波束对。
  • 如图1,一个帧中有周期为TR的多个CSI-RS block,每个CSI-RS block持续时间TR(可设定),专门用来UE fine beam training and tracking
  • 如图1,Synchronization Signal SS:每一个burst block中有4个OFDM符号(PSS,PBCH,SSS,PBCH)
    P(primary)SS用于cell detection and synchronization,分配在第一个OFDM符号的中间P=128个子载波,在4G中PSS基于ZC序列由于良好的循环自相关和傅里叶对偶,而5G-NR中PSS使用的是Maximum Length Sequence (M-Sequences),PSS和SSS分别由3、336个独特的序列,组成1008种组合定义了BS的cell identifier。
  • Beamformed Initial Access:BS周期性的发送IA block,UE可以对这些信号进行处理用于establish the initial access,reconnect after beam misalignment and search for additional BSs for potential handover。在没有先验CSI可用的时候,SS中的sounding beam用于促进BS和UE的多天线处理。如图1,在DIA方案中BS使用MT种发射波束,UE使用MR种发射波束,用于覆盖所有的角度空间,每个beam用一次,所以需要M=MT*MR个SS bursts。
  • Beam Training:目的在于识别和上报BS和UE最好的波束对。在DIA中sound’ing beam有large beam-width and flat response inside angular sectors。这种设计在M个burst内可以覆盖角度空间,但只能实现粗传播方向估计。因此,在CSI-RS阶段,DIA依靠定向波束训练来改善角分辨率,BS和UE在感兴趣的区域内控制窄测深波束。

UE寻找BS进行初始连接阶段,接收信号模型示意图

在这里插入图片描述
  • 在这里插入图片描述
  • 如图2,NB是一个SS burst的采样点总数,每个SS都包含有NCP个采样点长度的循环前缀用于对抗多径时延。因此0,…,N种前NCP是循环前缀,后是PSS信号对应的采样点。BS和UE在每一个burst block的NB个采样点中从IA beam codebook中选择一个波束,然后再在下一个block切换波束,假设切换波束不引入延迟和相位偏移。
  • 其中式1中的H同样是常用的extended S-V model。
  • 在这里插入图片描述
  • 其中pc(t)是时域响应滤波器due to limited temporal resolution T s T_s Ts


推荐阅读
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 微软头条实习生分享深度学习自学指南
    本文介绍了一位微软头条实习生自学深度学习的经验分享,包括学习资源推荐、重要基础知识的学习要点等。作者强调了学好Python和数学基础的重要性,并提供了一些建议。 ... [详细]
  • EPICS Archiver Appliance存储waveform记录的尝试及资源需求分析
    本文介绍了EPICS Archiver Appliance存储waveform记录的尝试过程,并分析了其所需的资源容量。通过解决错误提示和调整内存大小,成功存储了波形数据。然后,讨论了储存环逐束团信号的意义,以及通过记录多圈的束团信号进行参数分析的可能性。波形数据的存储需求巨大,每天需要近250G,一年需要90T。然而,储存环逐束团信号具有重要意义,可以揭示出每个束团的纵向振荡频率和模式。 ... [详细]
  • 在Android开发中,使用Picasso库可以实现对网络图片的等比例缩放。本文介绍了使用Picasso库进行图片缩放的方法,并提供了具体的代码实现。通过获取图片的宽高,计算目标宽度和高度,并创建新图实现等比例缩放。 ... [详细]
  • 云原生边缘计算之KubeEdge简介及功能特点
    本文介绍了云原生边缘计算中的KubeEdge系统,该系统是一个开源系统,用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建,并为网络应用程序提供基础架构支持。同时,KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外,KubeEdge还支持跨平台工作,在私有、公共和混合云中都可以运行。同时,KubeEdge还提供数据管理和数据分析管道引擎的支持。最后,本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]
  • 向QTextEdit拖放文件的方法及实现步骤
    本文介绍了在使用QTextEdit时如何实现拖放文件的功能,包括相关的方法和实现步骤。通过重写dragEnterEvent和dropEvent函数,并结合QMimeData和QUrl等类,可以轻松实现向QTextEdit拖放文件的功能。详细的代码实现和说明可以参考本文提供的示例代码。 ... [详细]
  • IhaveconfiguredanactionforaremotenotificationwhenitarrivestomyiOsapp.Iwanttwodiff ... [详细]
  • 原文地址:https:www.cnblogs.combaoyipSpringBoot_YML.html1.在springboot中,有两种配置文件,一种 ... [详细]
  • 本文介绍了PhysioNet网站提供的生理信号处理工具箱WFDB Toolbox for Matlab的安装和使用方法。通过下载并添加到Matlab路径中或直接在Matlab中输入相关内容,即可完成安装。该工具箱提供了一系列函数,可以方便地处理生理信号数据。详细的安装和使用方法可以参考本文内容。 ... [详细]
  • ZSI.generate.Wsdl2PythonError: unsupported local simpleType restriction ... [详细]
  • 推荐系统遇上深度学习(十七)详解推荐系统中的常用评测指标
    原创:石晓文小小挖掘机2018-06-18笔者是一个痴迷于挖掘数据中的价值的学习人,希望在平日的工作学习中,挖掘数据的价值, ... [详细]
  • XML介绍与使用的概述及标签规则
    本文介绍了XML的基本概念和用途,包括XML的可扩展性和标签的自定义特性。同时还详细解释了XML标签的规则,包括标签的尖括号和合法标识符的组成,标签必须成对出现的原则以及特殊标签的使用方法。通过本文的阅读,读者可以对XML的基本知识有一个全面的了解。 ... [详细]
  • Python正则表达式学习记录及常用方法
    本文记录了学习Python正则表达式的过程,介绍了re模块的常用方法re.search,并解释了rawstring的作用。正则表达式是一种方便检查字符串匹配模式的工具,通过本文的学习可以掌握Python中使用正则表达式的基本方法。 ... [详细]
  • ALTERTABLE通过更改、添加、除去列和约束,或者通过启用或禁用约束和触发器来更改表的定义。语法ALTERTABLEtable{[ALTERCOLUMNcolu ... [详细]
  • 深度学习中的Vision Transformer (ViT)详解
    本文详细介绍了深度学习中的Vision Transformer (ViT)方法。首先介绍了相关工作和ViT的基本原理,包括图像块嵌入、可学习的嵌入、位置嵌入和Transformer编码器等。接着讨论了ViT的张量维度变化、归纳偏置与混合架构、微调及更高分辨率等方面。最后给出了实验结果和相关代码的链接。本文的研究表明,对于CV任务,直接应用纯Transformer架构于图像块序列是可行的,无需依赖于卷积网络。 ... [详细]
author-avatar
桔梗的坚守
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有