13、5G物理层技术全面解析

5G物理层技术全面解析

在5G通信技术的发展进程中,物理层技术起着至关重要的作用。它不仅决定了信号的传输质量和效率,还影响着整个通信系统的性能和应用范围。下面将详细介绍5G物理层的几种关键技术。

1. 新型波形技术

传统的正交频分复用(OFDM)及其变体正交频分多址(OFDMA)在无线和有线通信领域得到了广泛应用,如长期演进(LTE)、IEEE 802.16(WiMAX)等系统。OFDM具有诸多优势,如能适应可变信道带宽、信号处理复杂度低、可与多天线系统无缝集成、支持用户的时间和频率调度以及对多径具有较强的鲁棒性等。然而,随着应用场景从传统的水平移动宽带向物联网等垂直领域拓展,OFDM的一些缺点也逐渐显现出来:
- 频率同步限制 :频率同步操作对发射机和接收机振荡器的频率偏移和相位噪声特性提出了严格要求。
- 时间同步要求 :时间同步操作迫使设备与网络进行同步,受循环前缀(CP)的限制。像协调多点(CoMP)等特定技术还要求网络实现全局时间同步。
- 带外辐射问题 :OFDM频谱掩码由于sinc形子载波的存在,导致带外(OOB)辐射性能较差,需要引入较大的保护带以保护相邻频谱系统。
- 频谱效率损失 :为吸收信道的最大预期时间色散而引入的CP会导致频谱效率损失,特别是在符号长度非常短的情况下。

为了克服这些缺点,研究人员正在积极探索适用于5G的新型波形技术。以下是几种有代表性的新型波形:

1.1 滤波器组多载波(FBMC)

FBMC被认为是5G最有

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值