稀疏码多址技术的码本设计
- 格式:docx
- 大小:343.24 KB
- 文档页数:8
- 74 -CHINA RAILWAY 2015/121 全球5G总体情况ITU(国际电信联盟)积极推进5G愿景、技术趋势和频谱等标准前期研究,并明确IMT-2020(5G技术)工作计划,欧盟、韩国、日本、美国等主要国家加大5G 技术推进力度。
(1)欧盟:依托5G技术重大项目,整合全球产业力量;相继启动5G技术PPP和METIS等重大项目,研发经费超过14亿欧元;以重大项目为依托,整合全球5G技术产业,以确立欧盟在5G技术领域的领导地位。
(2)韩国:发布国家5G技术战略,加快推进5G技术发展;发布5G技术强国战略,拟投入15亿美元5G技术研发资金;成立5G技术论坛,启动重大项目;计划2018年开展5G技术预商用试验。
(3)日本:加强5G技术推进平台,整合国内力量;2013年9月日本标准化组织ARIB成立5G技术特设工作组;2014年10月日本政府推动成立5G技术移动推进论坛,加大5G技术推进力度;计划2020年奥运会前提供商用服务。
(4)美国:构建工作平台,核心企业积极开展研发;高通、英特尔等公司积极开展5G技术技术研发;2014年4G Americas启动5G技术研究项目,发布白皮书,并积极开展国际合作。
“一带一路”、“走出去”和“制造强国”战略的实施,迫切需要具有国际化程度高、全球竞争力强和跨国互联互通能力的交通技术和装备支撑。
本届论坛上,5G技术、人脸识别技术、智能安防2.0、视频新技术与云计算等,将助力轨道交通视频技术发展的新技术;视频大数据挑战及机遇、先进轨道交通技术发展趋势,将引领轨道交通视频技术发展的新高度;铁路视频监控的需求规范、故障检测系统、智能化管理系统,将迎来轨道交通视频智能化发展的新征程。
在此,为使广大读者更好地领会和把握本次论坛的主旨及重点内容,《中国铁路》杂志“专栏·视频与安全”将陆续刊登会议报告,以飨同仁。
5G技术及WRC-19铁路交通新议题郎保真:中国信息通信研究院,高级工程师,北京,100191摘 要:光纤般的接入速率、千亿设备连接能力 “零”时延体验、多场景的一致服务、业务及用户感知的智能优化、超百倍能效提升和比特成本降低是全球及我国移动通信市场的发展趋势。
隹 Isl^iSls
V1
2021年第10
期
(总第226期)
面向短数据包URLLC的功率分配稀疏矢量编码
陈威立,徐洋涛
(许昌开普检测研究院股份有限公司,河南许昌461000)
摘要:稀疏矢量编码(Sparse vector coding, SVC)是针对超高可靠低延时通信提出的短数据包编码方案。由于SVC
的扩
频索引矩阵存在自干扰,使得其误块率(block error ratio, BLER )性能受到限制。针对该问题,
提出了功率分配
(
power all
ocation) 的SVC
(PA-SVC)
方案。
具体为:①把传输比特拆分为一个索引比特流和多个调制比特流,其中索引比特用于确
认稀疏矢量的长度以及稀疏矢量的非零位置索引号。②多个调制比特将分别进行正交幅度调制作为稀疏矢量的非零位 置处的非零元素。该过程中,通过功率分配为每一个调制星座分配特定的功率。③稀疏矢量乘以一个预先产生的随机 扩频矩阵,时频资源上将产生发送信号。仿真结果表明,合适的功率分配方案可进一步提升SVC的BLER性能,且可通
过功率调整使PA-SVC适用于不同的信道模型。
关键词:稀疏矢量编码;短数据包通信;索引调制;超高可靠低延时通信;功率分配中图分类号:TN929.5 文献标识码:A 文章编号:2096-9759( 2021 )10-0014-06
Power Allocation Sparse Vector
Coding for Short Packet URLLC
CHEN Wefli, XU Yangjiang
(China Xuchang KETOP Testing Research Institute Co.,Ltd, Xuchang 461000, China)
Abstract:As a short packet coding scheme, sparse vector coding (SVC) has been proposed for
深度压缩感知原理深度压缩感知原理的基本假设是,信号在一些基向量的稀疏表示下,可以用更少的样本进行恢复。
在传统的图像和视频压缩技术中,通常采用基于离散余弦变换(Discrete Cosine Transform, DCT)或离散小波变换(Discrete Wavelet Transform, DWT)的方法来获得稀疏表示。
而在深度压缩感知中,采用稀疏编码,通过一个训练好的卷积神经网络(Convolutional Neural Network, CNN)来提取信号的稀疏表示。
通过学习得到的稀疏表示,可以将信号的体积减小到原始的几十分之一甚至更少。
深度压缩感知的基本过程包括三个步骤:稀疏编码、测量和重构。
首先,通过训练一个CNN网络,可以得到一个稀疏编码器。
这个编码器将输入信号转换为一个高维稀疏向量。
接下来,使用一组测量矩阵对输入信号进行测量。
这些测量结果是通过将信号投影到随机测量矩阵上得到的,这样可以大大减少样本数量。
最后,使用一个解码器网络对测量结果进行重构,以获得压缩后的信号。
在深度压缩感知中,稀疏编码通过使用CNN来学习信号的稀疏表示。
CNN具有多层卷积和池化层,可以自动提取出信号的局部空间特征。
这些特征在稀疏编码中被用来构建稀疏表示。
测量步骤使用了一组稀疏测量矩阵,可以将信号投影到低维空间。
这些测量矩阵通常是随机生成的,但是也可以根据具体应用场景进行设计。
解码器网络使用CNN的逆操作,即卷积的转置和上采样,将测量结果重构为接近原始信号的近似值。
与传统的压缩方法相比,深度压缩感知具有以下优势:1.高压缩率:通过学习稀疏表示,深度压缩感知可以将信号的体积减小到原始的几十分之一甚至更少,同时保持相对较高的准确性。
2.实时性:深度压缩感知可以在传输和存储之前对信号进行压缩,从而减少传输和存储的需求。
这对于实时应用非常重要,如视频监控和无人驾驶等。
3.灵活性:深度压缩感知可以根据具体应用场景对测量矩阵进行设计,提高信号重构的准确度和效果。
浅谈非正交多址技术(NOMA)摘要:在频谱资源紧缺的今天,作为一项潜在的5G关键技术,能很好地提高频谱效率的非正交多址接入(NOMA)越来越受到人们的关注。
本文将先简述非正交多址技术的技术原理与特点,与3G,4G时代的技术性能对比以及与面向5G的其他多址接入技术作对比,来分析非正交多址技术(NOMA)的性能优势。
关键字:非正交多址技术,5G。
1非正交多址技术(NOMA)的基本原理NOMA的基本思想是在发送端采用非正交传输,主动引入干扰信息,在接收端通过串行干扰删除(SIC)实现正确解调。
虽然采用SIC接收机会提高设计接收机的复杂度,但是可以很好地提高频谱效率,NOMA的本质即为通过提高接收机的复杂度来换取良好的频谱效率.下面我们做一个简单的推导来简述原理。
假设UE1位于小区中心,信道条件较好;UE2位于小区边缘,信道条件较差。
我们根据UE的信道条件来给UE分配不同的功率,信道条件差的分配更多功率,即UE2分配的功率比UE1多。
发射端假设基站发送给UE1的符号为 x1,发送给UE2的数据为 x2,功率分配因子为 a。
则基站发送的信号为s=sqrt(a) x1 + sqrt(1-a) x2因为UE2位于小区边缘,信道条件较差,所以我们给UE2分配较多的功率,即0 < a < 0.5。
接收端UE2收到的信号为y2=h2 s + n2 = h2( sqrt(a) x1 + sqrt(1-a) x2 ) + n2因为UE2的信号x2分配的功率较多,所以UE2可以直接把UE1的信号x1当作噪声,直接解调解码UE2的信号即可。
UE1收到的信号为y1=h1 s + n1 = h1( sqrt(a) x1 + sqrt(1-a) x2 ) + n1因为UE1的信号 x1 分配较少的功率,所以UE1不能直接调节解码UE1自己的数据。
相反,UE1需要先跟UE2一样先解调解码UE2的数据 x2。
解出 x2 后,再用 y1 减去归一化的 x2 得到UE1自己的数据,y1 - h2 sqrt(1-a) x2 .最后再解调解码UE1自己的数据。
压缩感知采集数据恢复matlab压缩感知(Compressed Sensing)是一种新兴的信号采样和重建方法,它是一种通过稀疏性先验或者低秩性先验使得从少量的线性观测中恢复出原始信号的方法。
压缩感知技术在信号处理、图像采集与重建、通信等领域有着广泛的应用。
压缩感知采集数据恢复主要有两个步骤:稀疏编码和重建。
稀疏编码利用信号的稀疏性先验,用较少的测量样本表示原始信号。
常用的稀疏变换有小波变换、离散余弦变换(DCT)等。
稀疏编码可以通过压缩感知收集观测数据,并保证数据是高品质的。
常用的稀疏编码方法有基于正交基的稀疏表示(如小波变换)和基于字典(或稀疏基)的稀疏表示(如稀疏字典学习)。
重建是指从稀疏编码中恢复出原始信号。
压缩感知方法的基本思想是,信号是稀疏的,即其在某种变换域下,有较多的系数接近于零。
通过收集到少量的线性观测数据,可以通过优化算法恢复出原始信号。
常用的重建算法有接力算法(Matching Pursuit)、L1范数最小化(L1-Norm Minimization)等。
压缩感知采集数据恢复的核心问题是如何设计压缩矩阵和选择合适的稀疏变换。
压缩矩阵是物理层面上对信号进行采样的过程,可以通过正交采样、非均匀采样等方式实现。
而稀疏变换则是在观测数据的表示域上,将信号表示为较少的系数,以便恢复信号。
在压缩矩阵和稀疏变换的选择上,需综合考虑采样效率与恢复精度。
压缩感知采集数据恢复在图像处理领域有着广泛的应用。
例如,当捕捉到低分辨率或模糊的图像时,可以通过压缩感知技术对图像进行重建,从而得到高质量的图像。
此外,在医学图像处理、无线传感器网络等领域,也有着压缩感知方法的应用。
在Matlab中,可以利用相关的工具箱实现压缩感知采集数据的重建。
Matlab中有相关的函数库可以完成信号的稀疏表示、压缩矩阵的设计、重建算法的实现等。
例如,可以使用Matlab中的Wavelet Toolbox实现小波变换,使用Sparse Coding and Dictionary Learning Toolbox实现稀疏编码和解码等。
大规模天线阵列的原理、挑战和实现为了更有效挖掘空间自由度、更有效利用发送端能量、找到更多的分集和复用增益,现代通信普遍采用多天线系统来提高物理层链路性能,我们叫做多输入多输出技术(MIMO)。
通常MIMO采用空间预编码(Precoding)的方式来补偿物理信道,实现空间分集、空分复用或者空分多址:∙ 空间分集在不同的空间信道传输相同数据使等效信道更加平稳,从而对抗实际环境下的信道衰落,使传输更加可靠;空间分集的使用方式有很多,可以采用空时联合编码、空频联合编码等。
∙ 空分复用利用不同空间信道的弱相关性来传输不同数据,提升系统数据传输速度,使数据传输更加有效;∙ 空分多址则利用多个用户的空间位置带来的天然信道弱相关来分别向不同位置用户传输数据,提升系统连接数和容量,这种使用方式也被称为多用户MIMO(MU-MIMO)。
实际上,空分复用和空分多址是MIMO系统对空间自由度的不同利用方式,我们可以认为这两种方式都是在挖掘信道的空间复用增益。
自从20世纪80年代以来,MIMO在IEEE 802.11,3GPP 4G LTE/5G NR系统中都得到了广泛应用。
802.11ac协议中的MIMO方法最多可以支持8个发送和接收天线(8x8 MIMO),而LTE R10/R13/R14则分别支持8/16/32基站侧发送天线来构建MIMO系统。
虽然根据信道互易性(channel reciprocity),不论发送端和接收端都有能力采用预编码来获得MIMO增益,但是一个非常现实的问题是,用户侧计算能力是有限的,所以在比较偏工程的研究里我们通常不同时考虑接收方和发射方的precoding问题。
大规模天线阵列(massive MIMO)则是MIMO技术的天然延伸,通过把原有发送侧天线数提高一个数量级(64或者128),进一步同时提升上述提到的增益;基本上现在实用的massive MIMO都是在基站侧部署M个发射天线对K个单天线/双天线用户进行空分多址(发射天线数M要远远大于用户数K),通过多对一的冗余天线来提升单用户的分集增益,并通过多个弱相关的空间信道来提升复用增益。
1 稀疏编码多址接入技术的码本设计 【摘要】稀疏码多址接入(Sparse Code Multiple Access,SCMA)是第五代移动通信技术
(Fifth Generation,5G)中空中接口所使用的多址技术备选方案之一。SCMA可实现用户信号空间的非正交叠加和解码,从而增大系统可负载用户数和系统吞吐量。其中码本设计的好坏,直接决定了可获得的系统性能增益,同时也决定了接收机设计的复杂程度。本文首先简述SCMA系统模型,分析其涉及核心,着重介绍了SCMA中关键的码本设计的思想。SCMA的码本设计主要分为映射矩阵设计、原型星座点设计、用户星座操作设计三个主要步骤。 【关键词】稀疏码多址接入技术,系统模型,码本设计
1 引言 当前,全球第四代移动通信系统通信(Fourth Generation,4G)建设部署方兴未艾,5G(Fifth Generation,5G)研究开发已在全球开启大幕。欧盟宣布成立METIS,投资2700万欧元用于5G技术应用研究。METIS由29个成员组成,其中包括爱立信、华为、法国电信等主要设备商和运营商,欧洲众多的学术机构以及宝马集团。关于5G技术的研究工作早已拉开序幕,现阶段也取得了一些实质性的突破,并在发展特点和技术指标上达成一定共识,但5G的实际标准仍未确定,仍在研究之中。 由于5G无线网络的空中接口(Air Interface,AI)有海量链接、超低时延、更高频效的需求,因此空口技术的革新是至关重要的。多址接入是空中接口备选关键技术之一,它使得无线基站能够区分并同时服务多个终端用户。SCMA就是应5G需求设计
产生的一种非正交多址技术。SCMA可兼容OFDMA的发送模式,算法核心(增益来源)是稀疏码码本设计(多维度QAM调制和稀疏扩频的联合优化)和低复杂度多用户检测接收机设计,突破4G现有正交设计天花板,它可以实现在同等资源数量条件下,同时服务更多用户,从而有效提升系统整体容量。由此可见,SCMA具有成为5G多址接入技术最终可行方案的潜力。
2 SCMA相关概念与理论模型 SCMA实质上是多维QAM调制、非正交码域叠加和低复杂度多用户检测三个部分的结合,通过码域非正交扩展和叠加,实现同样资源数下,容纳更多业务用户,增加网络总体吞2
吐量。SCMA映射码本的设计则是一个十分复杂的最优化问题,因为它需要为多个用户设计和分配不同的码本来实现复用,并使得系统的整体传输性能达到最优。本节中,先对SCMA系统的数学模型进行介绍,后介绍SCMA的码本设计方法。
图:CDMA/LDS调制与SCMA调制 2.1 SCMA系统模型简介 2.1.1 SCMA编码器 SCMA编码器可定义为如下映射: 2log():,()MfBXfb
其中KC且||M,X为一个K维复量码字,且其为一个稀疏向量,其中含有()NNK个非零元素。因此可以理解为映射f将二进制向量映射为一个复向量。
设C为N维复向量,它的元素代表经N维星座图调制后得到的星座点复数值,即C为定义于多维星座点集合域NC上的复数向量,则可定义映射: 2log():MgB
其中映射g代表多维星座映射,表示将二进制向量映射到多维星座点集合域。于是有()Cgb。根据上述两个定义,我们重写SCMA编码器的映射关系,可得到如下表达式: :fVg 其中V为定义在二进制数域上的映射矩阵,可将N维星座点值复数向量映射为K维的3
SCMA码字。映射矩阵V中包含KN个零行,映射得到的SCMA码本中的所有码字在相同的KN个维度上都为零元素。将所有零行去除之后,矩阵V剩下的部分为N阶单位矩阵NI,这意味着使用矩阵V进行映射时不会改变子空间的维度序列顺序,而仅是在各个维度之间插入零元素,保证了映射的稀疏性。经过映射得到的SCMA码本包含M个码字,每个码字中包含K个复数值。
2.1.2 SCMA 中的复用方式 在FDMA频分复用技术中,如果链路上有四个频段不同的子载波,那这四个子载波可以表征四个用户。在后来发展的OFDMA正交频分复用技术,四个子载波可以通过正交性重合而互不干扰,同样是一个子载波一个用户的情况下,那相同带宽下承载的用户是优于FDMA的,但这样的特性对于5G这远远不够。这就涉及到了SCMA的复用方式。 假设在SCMA编码器中共有J个不同用户层,每个用户层的编码可以定义为 (,;,,),1,2,...,jjjjjSVgMNKjJ
其中根据多维星座点集合域j上的jN维、jM种可能取值的复向量可求出多维星座映射jg。由于映射矩阵jV具有稀疏性,可将jN维的星座取值向量映射为稀疏的K维SCMA码
字,所有用户所使用的码字所构成的集合为用户码本,即集合j。不失一般性地,我们可以假设所有用户都使用相同大小的QAM调制星座,即jMM,jNN,j,则SCMA编码可表示为如下形式: 11([],[];,,)JJjjjjjSVgMNK 该式表示在,,MNK已知的情况下每个用户层的编码的总和,即用户码本的编码。不同用户的SCMA码字可在K个用户共享的正交资源块上进行复用,利用用户信号非正交叠加技术,使得SCMA系统比LTE在同样资源数下,可容纳更多的用户,华为已实现网络总吞吐量150%~300%的提升。结合已有的MIMO(Multiple In Multiple Out,MIMO) 技术,通过空间复用来提高用户数和吞吐率和空间分集来提高系统可靠性。 同一时刻在各个正交资源块上进行用户复用后,得到的接收信号可以表达为如下形式: 4
11()()()JjjjJjjjjjydiaghxndiaghVgbn
其中12(,,...,)TjjjKjxxxx为第j个用户的一个SCMA码字,12(,,...,)TjjjKjhhhh为第j个用户所经历的信道增益向量,0~(0,)nNNI为环境噪声,服从高斯分布。当所有用户都使用同一发送端发送时,我们可以认为用户的从发送端到接收端的信道增益相同,即,jhhj,则上式可简化为
1()Jjjydiaghxn
当个用户复用个正交资源块时,编码的过载情况可定义为 :JK 2.1.3 SCMA编码的因子图表示 根据上一节,在第k个资源块上得到的接收信号为
1,1,2,...,JkkjkjkjyhxnkK
因为各用户的码字jx具有稀疏性,在第k个资源块上仅有一小部分非零元素发生叠加冲突。第j个用户对各个正交资源块的使用情况由映射矩阵jV确定。确定方法如下,可令 ()TjjjfdiagVV 则jf中的非零元素即表示用户j对该资源块进行了使用。另一方面,各个正交资源块上的复用用户数的个数可构造向量
121(,,...,)JTffffKjjddddf
通过||fd即可确定复用用户数的个数。 SCMA编码的S的整体结构可由一个因子分布矩阵 5
12(,,...,)JFfff 来表示。F是一个由零和一两个元素构成的矩阵,可表示用户使用资源块的情况。当且仅当1kjF时,表示用户j与资源块k是相连的,表示j用户使用了资源块k。与资源块k相连的用户集合可定义为 {|1,}kkjkFj
类似地,与用户j相连的资源块集合可定义为 {|1,}jkjjFk
2.2 SCMA码本设计 对于结构定义为11(,;,,,),:[],:[]JJjjjjjSJMNKVg且的SCMA码字的设计问题,可以定义为如下的最优化问题 **,,argmax((,;,,,))SJMNK
其中为给定的设计性能评价标准。在码本设计中,如何设计每个用户的SCMA码本和如何设计每个用户码本的高维调制星座图是其中的难点。由于还没有确定评估的唯一标准,因此该最优化问题存在不确定性,因此也无法直接求解。我们可以
将其转化为具有多阶段性的可求解最优化问题,与“贪心”的思想类似,每个阶段中通过增加已知参数来求解每阶段的最优解,最后得到的解作为上述最优化问题的次优解。
2.2.1 映射矩阵 映射矩阵的集合确定了在同一资源块节点上相互影响的用户层数,从而决定了接收端MPA解码的计算复杂度。构造的SCMA码字越稀疏,MPA解码的计算复杂度越低。映射矩阵的设计准则如下所述:
[]1)2),3)KNjijjNVBVVijVI
其中[]jV为去掉所有全零行后的映射矩阵jV。分析可知,一种可行的解决方案6
可在单位矩阵NI的中插入KN个全零行,这样可以轻易的满足三条准则。因此,上述解决方案的性能参数如下所示
1,1KNfjffKJCNKJNddjNKdJKN
并且满足 max(0,2)1NKlN
其中l为任意两个不同的向量jf中重叠元素的数量。
2.2.2 星座点设计 上节中,我们得到一种可行解的映射矩阵集合,SCMA码本设计的最优化问题可被简化为在映射矩阵集合已知的情况下求解,即 argmax((,;,,,))SJMNK
上式所述的问题,具体来说就是设计J个N维映射星座,其中的星座包含M个星座点。为进一步简化上述问题,我们给定原型星座和每个用户特定的星座操作,..()jjiegg,这里j表示一种特定的星座操作。因此,问题转化为求解如下方
程
111,[],[]argmax((,[()];,,,))JjjJJjjjjggSgJMNK
为得到次优解,我们需要对原型星座的设计和各个用户特定的星座操作设计进行讨论,这两个子问题相互独立。 2.2.3 原型多维星座设计 原型多维星座的设计有许多方法,增加星座点之间的欧氏距离虽然可以减小误码率,提高抗噪性能,但是也意味着需要更多的能量。在加性高斯噪声环境下,固定星座点间的最小欧氏距离,最小化星座图的平均功率是一种比较常见的做法。由于直接旋转格状星座图不会导致性能的劣化,因此旋转操作是一种常见的选择。我