仿真评估方法 | 带你读《5G非正交多址技术》之五

简介: 下行非正交传输的仿真评估包括链路级仿真和系统级仿真。与其他技术不 同,非正交传输的链路仿真一般需要多用户,来精确刻画多用户之间的干扰。 尽管下行传输时,发给远端和近端用户的信号经历同一个信道,但这个信道是 有小尺度衰落的,即本次传输和下次传输的信道增益可能有变化,信噪比不一 样,从而影响接收机消除干扰的能力。当然,评价非正交传输的全面性能分析 需要依靠系统仿真。

第 2 章 下行非正交传输技术

| 2.1 下行非正交传输的基本原理 |

| 2.2 仿真评估方法 |

下行非正交传输的仿真评估包括链路级仿真和系统级仿真。与其他技术不 同,非正交传输的链路仿真一般需要多用户,来精确刻画多用户之间的干扰。 尽管下行传输时,发给远端和近端用户的信号经历同一个信道,但这个信道是 有小尺度衰落的,即本次传输和下次传输的信道增益可能有变化,信噪比不一 样,从而影响接收机消除干扰的能力。当然,评价非正交传输的全面性能分析 需要依靠系统仿真。

2.2.1 链路仿真参数及评定指标

表 2-1 中罗列了非正交传输链路仿真常用的参数[4]。注意到有关天线的配 置参数有多个,如参考信号、多天线之间的信道相关度、发送/接收天线数、传 输模式。这说明非正交传输与多天线技术有一定的关联度,稍后请见详细阐述。
还有几个参数是关于链路自适应的,如信道状态信息的延迟、上报周期、粒度 和自适应重传的次数。这些参数只有当开启动态自适应的时候才用到。EVM 是 指误差向量幅度,用来衡量无线系统调制信号产生的质量。误差越低,代表实 际产生的调制符号的幅度和相位与理想的调制符号的差别越小。由于非正交传 输涉及星座图的叠加,而叠加复合后的星座图无论从点数,还是间距排列等方 面要较叠加前的(传统的)QAM 星座图更复杂,因此需要考虑实际器件的 EVM, 无论是在发送侧还是接收侧。一般情况下,发射侧有功率放大器,会偶尔工作 在非线性区,对波形带来一定的失真,其 EVM 比接收侧的要高。
image.png
对于下行非正交的链路仿真性能的评定,主要有以下 3 个方面。
• 第一种是比较传统的码块错误概率(Block Error Rate, BLER)与信噪比 (Signal to Noise Ratio, SNR)的曲线,一般趋势是误块率随着信噪比的增大而 瀑布式下落。这种方式下,每条曲线是对应于一个功率比。如果要全面展示多 种功率比下的性能,则需要多条曲线。另外,这里的每条性能曲线只是一个用 户的,这就意味着在一个特定功率比下,需要画两条曲线,一条是远端用户, 另一条是近端用户。
• 第二种是和容量与信噪比的曲线,一般趋势是容量随着信噪比的增大而 单调地上升,后趋于饱和。相比误块率曲线,这种方式中可以包含传输侧的 链路自适应,而且反映的是“和容量”,无须分别画出远端和近端用户的曲线, 但每条曲线还是只对应一个功率比。
• 第三种是和容量与功率比的曲线,即速率区域(Rate Region),一般 趋势是一个用户的容量随着功率比的增加而减少,同时另一个用户的容量在 逐渐增大。曲线为闭合的凸函数,如图 2-3 所示。这种方式通常只有在非正 交传输中才用。虽然每条曲线只对应一个远端和近端用户的信噪比组合,但 功率比是下行非正交传输中很重要的一个参数。这种链路结果的表述方式更 具有代表性。

2.2.2 链路到系统的映射方法

链路到系统的映射方法用来建模接收机的接收过程,针对不同的接收机, 建模方法有所不同。文献[5]中给出了几种建模方法,主要针对两类接收机: 一类是 ML/R-ML 接收机,另一类是码块级的干扰消除(CodeWord-Level Interference Cancellation,CWIC)、符号级的干扰消除(Symbol-Level Interference Cancellation,SLIC)和 MMSE-IRC 接收机。
1.ML 接收算法的链路到系统映射方法
该映射方法基于信息论,采用经验公式进行修正,而本身不对接收机的处 理过程做精细的刻画。其思路是,首先计算每个资源单元(Resource Element, RE)上的每比特的互信息量(Mutual Information Per Transmitted Bit,MIB), 然后将一帧中所有 RE 的 MIB 进行平均,得到平均互信息量。后,通过将平 均互信息量映射成等效的 eff SINR ,再根据 eff SINR 值,查 AWGN 信道下 SNR-BLER 曲线表,得到目标 BLER。
ML 接收机在一个 RE 上获得的 MIB,记为 ML MIB ,且 ML MIB 可以用经验 公式表示为
image.png
其中, BICM C 是比特交织编码调制(Bit Interleaved Coded Modulation,BICM) 单位化的频谱效率。因为绝大多数的调制编码方式都是比特交织的,故这里用 该名词下角标强调。β 是一个加权因子,可通过与真实接收机的 BLER 曲线进 行拟合得到。β 越小,则意味着该接收机的性能与理想的基于互信息量的容量界 的差距越大。近端用户的 BICM 单位化频谱效率表示为
image.png
远端用户的 BICM 单位化频谱效率表示为
image.png
这里, target s 是叠加后的发射信号。 near m 和 far m 分别是近端用户和远端用户 的调制符号所需的比特位数,例如,QPSK 调制需要 2 比特位,16QAM 需要 4 比特位。M 是 target s 星座点所组成的集合; near(,) itM 和 far(,) itM 分别是近端用户和 远端用户对应的第 i 个比特位是 t 的所有星座点组成的集合,t∈{0, 1};z 是接 收信号经过 MMSE 检测后的信号; target ( | ) pzs 是传输概率密度函数,基本上取 决于 z 到 target s 的欧式距离。图 2-4 中的例子描述了如何计算一个 16QAM 星座 图的第 3 个比特的对数似然比(LLR)。其中的实心三角代表接收信号 z,左 边的图对应的是 z 到所有第 3 个比特为 0 的星座点的欧式距离,右边的图对应 的是 z 到所有第 3 个比特为 1 的星座点的欧式距离。显然,左图中的欧式距离 较小,z 的第 3 个比特更加可能是 0。
image.png
考虑两收两发天线,AWGN 信道,并假定远端用户采用 QPSK 调制。针 对不同的 MCS 等级和 4 种功率分配,分别计算非 Gray(格雷)和 Gray 映射 下的近端用户互信息的加权因子,如表 2-2 所示。可以发现,在多数情况下, Gray 映射下的互信息的加权因子比非 Gray 的高,这表明 Gray 星座图有更高 的容量。
image.png
对获得的多个 RE 上的 ML MIB 求平均,得到 ML avg(MIB ),通过 SINR-MIB 映射关系得到等效 eff SINR , eff SINR 表示为
image.png
其中, () f ⋅ 为 SINR 与 MIB 的映射函数,该映射关系可预先得到,例如, 参考 IEEE 802.16m 的 SINR-RBIR 表。
2.CWIC、SLIC 和 MMSE-IRC 接收机的链路到系统映射方法
这种映射方法显式地刻画了在接收机中的干扰抑制过程。假设在相同的时 频资源上接收的数据流总数为 N,则在资源元素 r 上接收到的信号表示为
image.png
image.png
EVM 值, rxEVM 0.04 = ; tx EVM 表示发射端 EVM 值, txEVM 0.08 = ; , kih 为第 k 个数据流在接收天线 i 上的等效信道。
以近端用户为例,假设对应第 n 个数据流,则近端用户的 MMSE 检测权重 表示为
image.png
为了简化 SLIC,假定相比 CWIC 接收机,SLIC 的 SINR 下降一个固定值, 则基于 SLIC 接收机,表示为
image.png
由每个 RE 上得到的 SINRn(r)取平均,再根据 SINR-RBIR 映射关系,得到 等效的 SINR
image.png
由等效 SINR 查 AWGN 的 SNR-BLER 曲线表示,得到目标 BLER。远端用 户的 SINR 可通过上面类似的方法得到。

2.2.3 系统仿真参数

相关文章
|
1月前
|
物联网 5G 智能硬件
介绍频段、带宽、频率、调制、解调等基础术语,以及Wi-Fi、蓝牙、ZigBee、UWB、LTE、5G等常见无线通信技术
在无线通信领域,专业术语是理解技术的关键。本文详细介绍了频段、带宽、频率、调制、解调等基础术语,以及Wi-Fi、蓝牙、ZigBee、UWB、LTE、5G等常见无线通信技术,还涵盖了信号传播、信道容量、信噪比等深入概念。通过本文,你将掌握无线技术的核心知识,成为半个无线专家。
113 4
|
1月前
|
边缘计算 物联网 5G
5G小基站技术:解决室内覆盖难题
【10月更文挑战第25天】
116 5
|
1月前
|
人工智能 运维 数据挖掘
跨界融合:AI与5G技术如何共同推动数字化转型
【10月更文挑战第29天】本文探讨了人工智能(AI)与第五代移动通信技术(5G)的结合如何推动数字化转型。通过高速、低延迟的5G网络和AI的数据分析能力,两者相辅相成,实现了智能化网络运维、增强网络功能和多行业的实际应用。文中提供了网络流量预测和故障预测的示例代码,展示了技术的实际应用潜力。
48 1
|
1月前
|
运维 安全 5G
|
1月前
|
传感器 安全 物联网
5G车联网技术:智能交通的未来
【10月更文挑战第26天】
87 1
|
1月前
|
机器学习/深度学习 人工智能 算法
|
1月前
|
监控 自动驾驶 机器人
5G技术在智能制造中的融合应用
5G技术在智能制造中的融合应用
49 0
|
2月前
|
自动驾驶 5G
5G技术中的时分双工(TDD)与频分双工(FDD)的应用区别
5G技术中的时分双工(TDD)与频分双工(FDD)的应用区别
566 63
|
1月前
|
传感器 监控 自动驾驶
|
1月前
|
安全 自动驾驶 物联网
5G技术概览:开启万物互联新时代
【10月更文挑战第23天】
100 1