当前位置: 首页 > article >正文

PUSCH接收端处理流程学习

1. PUSCH 接收端处理流程图

PUSCH接收端链路设计图
整个接收端处理分出两部分:符号级处理和比特级处理。

2. 符号级处理

2.1 解基带信号

  • 解基带信号包括两个操作:去CP与FFT变换。
  • 在发送端时,发送的数据经过基带信号生成时做IFFT变换后添加CP,再通过相应的物理天线发射出去。
  • 接收端的接收天线通过无线信道接收发送信号,首先进行去CP处理,然后解基带信号或称为OFDM符号解调,即通过FFT变换将时域OFDM符号变换成频域OFDM符号。

2.2 解资源映射

  • 接收端先根据高层参数和DCI 0_0或DCI 0_1指示得到对应的PUSCH时频资源分配方式和映射位置、调制方案、传输块大小、码率、参考信号映射等信息。然后接收端在解资源映射时,只需按照映射的规则将对应的位置的数据信息和解调参考信号DMRS取出即可。

2.3 信号估计与信道均衡

  • 信道估计和信号检测具有补偿多径传播影响的作用。
  • 信道估计是使用导频信号DMRS获得数据信道的传输特性。
  • 利用接收端的导频信息和发送端已知的解调参考信号得到导频数据位置的信道冲击响应,并使用邻近插值,对导频子载波间的部分先按频域后时域的方式进行线性插值,得到数据部分的信道冲击响应。
  • 对数据符号使用最小均方误差(MMSE)进行信道均衡,削减MIMO传播信道的影响。

2.4 解预编码

  • 根据DCI 0_0或DCI 0_1提供的参数获得转换预编码使能信息、使用的预编码矩阵W等,然后根据数据符号与预编码矩阵的逆矩阵相乘,得到层上数据,完成预编码的逆过程。

2.5 解层映射

  • 解层映射是提取映射在各个天线端口上的分层复值符号,将其组合成对应的码字中的调制符号。

2.6 解调制

  • 解调制使用最大后验概率(MAP)方法对每个复杂星座图点进行解调,产生与0或1有关的置信值,以对数似然比(LLR)的形式表示各个复值符号对各个比特的映射关系。
  • 接收信息比特b的LLR估计值,计算如下式:在这里插入图片描述
    公式中的x表示接收的星座点,存在当L(b) >=0,比特判决为0,否则判决为1。
  • 解调是将对应的复值符合转换成比特信息,完成接收端信息从符合级过渡到比特级。

3. 比特级处理

3.1 解扰

  • 解扰是加扰的逆过程,依旧是需要接收端利用伪随机序列实现。

3.2 解复用

  • 解复用的前提:上行数据和控制信息一起在PUSCH上传输时,接收端需要解复用。
  • 如果PUSCH中没有发送UCI复用传输时,即只传输上行数据,此时不需要做解复用过程。
  • UCI的控制信息包括:HARQ和CSI,其中在复用模式下HARQ的长度为1bit或2bit,CSI信息包括CSI part1和CSI part2。

3.3 解码块级联

  • 对于每个传输块,码块分割后的码块经过LDPC编码、速率匹配后,每个码块的长度是一致的。利用这个特点,接收端进行解码块级联时,只需要知道传输码块数,便可把数据分开成一个个码块进行处理。

3.4 解速率匹配

  • PUSCH的解速率匹配包含解比特选择和解比特交织两步。
  • 根据速率匹配长度按照比特选择逆过程得到解交织的数据序列,最后按照比特交织的逆过程还原出交织前的数据,整个解速率匹配工作完成,获取用于LDPC译码的数据。

3.5 LDPC译码

3.6 CRC校验

  • 接收端进行CRC校验的作用:校验数据传输是否正确。
  • CRC校验以码块为单位,具体操作是将译码得到的数据流与16或者24位的校验多项式进行异或操作,如果异或操作后的余数为0,则说明数据接受正确,否则代表数据接收错误。

参考文献:

5GNR物理层上行共享信道的研究与实现,2021,张友涛,中国知网.


http://www.kler.cn/a/5241.html

相关文章:

  • 【微服务】1、引入;注册中心;OpenFeign
  • 【生物信息】h5py.File
  • 腾讯云AI代码助手编程挑战赛——智能音乐推荐系统
  • Pytorch学习12_最大池化的使用
  • Ubuntu 下载安装 kibana8.7.1
  • SQL从入门到实战
  • 如何检测程序的合理性
  • 10个华为华为交换机常用的Python脚本,网络工程师收藏!
  • GPT-4零失误通关大厂模拟面试,offer拿到手软?与AGI首次接触
  • 学习HM微博项目第1天
  • C++特殊类设计
  • Go语言精修(尚硅谷笔记)第十六章
  • ChatGPT来了,让我们快速做个AI应用
  • 2023最新 淘宝短视频运营新思路!
  • 【学习笔记】计算机视觉与深度学习(4.卷积神经网络)
  • 数据结构——红黑树
  • 亚马逊流量密码-优化listing的跳出率
  • 2023年非业绩亏损ST股票投资策略研究报告
  • 《程序员面试金典(第6版)》面试题 08.04. 幂集(回溯算法,位运算,C++)不断更新
  • 王爽-汇编语言第二版学习-day1
  • 最强绘图AI:一文搞定Midjourney(附送咒语)
  • MybatisPlus简讲 -- 狂神说JAVA版
  • gpt2中文训练教程-gpt2文本生成
  • 传感器实验讲解1
  • HarmonyOS/OpenHarmony应用开发-HUAWEI DevEco Studio 3.1API9集成SDK
  • 项目一:挑战6秒