✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
在现代无线通信领域,高效地利用有限的频谱资源是实现大规模用户接入和高质量通信的关键。频谱作为一种稀缺资源,其分配和管理直接影响着通信系统的容量、效率和成本。为了在有限的频谱上服务数量庞大的用户,各种多址技术应运而生。其中,全球移动通信系统(GSM)和正交频分多址(OFDMA)作为两种具有代表性的技术,分别采用了独特的复用策略,在特定频带频谱上实现了多用户接入。本文将深入探讨这两种技术背后复用多个用户的概念,并重点阐述它们如何通过分配周期性时隙来实现每个用户的时域复用,从而有效地在时间和空间维度上共享通信资源。
频谱共享:在特定频带上复用多个用户
无论是GSM还是OFDMA,其首要任务都是在给定的频率范围内容纳尽可能多的用户。这涉及到将一个宽带的频谱资源“分割”或“共享”给不同的用户。这种频谱共享的概念是所有多址技术的基础。
在GSM系统中,频谱共享主要通过频分复用(FDM)和时分复用(TDM)相结合的方式实现。首先,整个可用的频谱被划分为多个相对较窄的频段,每个基站被分配到一个或多个这样的频段。在每个频段内部,GSM采用TDMA技术。每个频段被进一步划分为多个时间帧,每个时间帧又被细分为若干个时隙。每个用户在特定频段内的特定时隙被分配,从而实现了用户在频域和时域上的隔离。用户在不同频段进行通信,即为FDM的应用;而在同一频段内,用户则通过在不同时间段进行通信来实现复用,即为TDMA的应用。因此,GSM通过在多个频段内并行地应用TDMA,实现了在特定频带上复用多个用户的目标。每个用户在空间上通过与特定基站的连接被限定在某个地理区域内,而在频域和时域上通过分配特定的频段和时隙获得通信资源。
相比之下,OFDMA技术在频谱共享方面采用了更为精细和灵活的方式。OFDMA是正交频分复用(OFDM)的一种演进。OFDM的核心思想是将宽带的信号分解为多个窄带的、互相正交的子载波进行传输。这些子载波的特性在于它们之间的频率间隔使得在接收端,即使子载波之间存在频率偏移,也能够在理想情况下互不干扰地解调。OFDMA则是在OFDM的基础上,将这些正交子载波分配给不同的用户。每个用户可以被分配一个或多个子载波,这些子载波可以分散在整个可用带宽内。这意味着OFDMA可以在一个较宽的频带内,将频谱资源以更小的颗粒度分配给用户。通过动态地根据用户的需求和信道条件分配子载波,OFDMA可以实现更为高效的频谱利用。因此,OFDMA通过将宽带频谱划分为大量的正交子载波,并将这些子载波灵活地分配给不同的用户,实现了在特定频带上并行复用多个用户的目标。
总的来说,无论是GSM的基于FDM的频段划分和TDMA的时隙分配,还是OFDMA的基于OFDM的子载波分配,其核心都是将一个整体的频谱资源分解为更小的、可分配的单元,并根据用户的需求将这些单元分配出去,从而在同一时间、同一地理区域内,允许多个用户同时或交替地使用频谱资源。
时间复用:给每个用户分配周期性时隙
在实现了频谱共享的基础上,GSM和OFDMA进一步通过在时间上复用每个用户来提高系统的容量和效率。这种时间复用是通过给每个用户分配周期性的时隙来实现的。这意味着每个用户并非持续地占用其分配的频谱资源,而是在分配到的时隙内进行数据传输,而在其他时隙则保持静默,等待下一个分配的时隙。
在GSM系统中,时间复用是其TDMA技术的核心。如图所示,一个时间帧被划分为8个时隙(在某些增强型GSM系统中可能更多)。每个活跃用户被分配一个或多个周期性的时隙。例如,一个用户可能被分配到每个时间帧的第3个时隙。这意味着该用户只在每个时间帧的第3个时隙发送或接收数据。在其他7个时隙,该用户保持空闲,其频谱资源可供其他用户在这些时隙使用。这种周期性的时隙分配使得多个用户可以在同一个频段内共享传输时间。通过快速地在不同用户的时隙之间切换,基站可以在宏观上为多个用户提供看似连续的通信服务,尽管在微观上,每个用户的数据传输是间断的。这种时隙分配的周期性确保了每个用户能够以一定的速率获得数据传输的机会,从而维持通信的连续性。这种时间复用的方式有效地提高了频谱效率,因为它允许同一个频段在不同时间段被不同的用户利用。
在OFDMA系统中,虽然其主要优势在于频域上的灵活分配,但时间复用同样扮演着重要的角色,尤其是在下行链路和上行链路的资源调度中。与GSM固定的时隙分配不同,OFDMA的时间复用更为动态和灵活。在OFDMA系统中,资源分配通常以资源块(Resource Block,RB)为单位,一个资源块包含一定数量的连续子载波以及一定数量的符号在时间上。因此,资源的分配是二维的,即在频域上分配子载波,在时域上分配时间。虽然不像GSM那样有固定的、预分配的周期性时隙,但OFDMA系统通过调度算法,会根据用户的信道条件、服务质量需求和系统负载,在每个传输时间间隔(Transmission Time Interval,TTI)内动态地为用户分配资源块。例如,一个用户可能在某个TTI内被分配了某些子载波在某些时间符号上进行传输。在下一个TTI,该用户可能被分配了不同的资源块,或者根本没有被分配资源块(如果在该TTI内没有数据需要传输)。
尽管OFDMA的时隙分配不如GSM那样固定和周期性,但其本质上仍然是一种时间复用。调度器在每个TTI内决定哪些用户可以使用哪些资源块,这意味着用户在时间上是交替使用资源的。对于需要连续数据传输的用户,调度器会努力在连续的TTI内为其分配资源,但分配的资源块可能会随着时间而变化。对于突发性业务,用户只在需要传输数据时才会被分配资源块,传输完成后则释放资源。这种动态的时间复用使得OFDMA系统能够更灵活地适应不同类型业务的需求,并在信道条件较好的时隙为用户分配更多的资源,从而提高系统的吞吐量。
值得注意的是,尽管OFDMA没有GSM那种严格的、预定义的时隙周期,但在某些应用场景下,例如在需要保障实时性的业务中,调度器也会倾向于为用户分配周期性的资源块,以确保数据能够及时传输。例如,对于语音业务,系统会倾向于在每个TTI内为用户分配少量的资源,以保持稳定的传输速率和较低的延迟,这在一定程度上体现了周期性时间复用的思想。
概念的互补与发展
GSM和OFDMA都成功地在有限的频谱上复用了多个用户,并巧妙地利用时间复用技术提高了系统的容量和效率。它们代表了无线通信技术发展的不同阶段,也反映了对频谱资源利用的不同侧重。
GSM作为第二代移动通信系统的主流技术,其设计的重点在于语音通信和基础的数据业务。其基于FDM和TDMA的复用方式结构清晰,易于实现,但也存在频谱效率相对较低、对频率选择性衰落敏感等缺点。周期性的时隙分配虽然简化了系统的设计,但在应对突发性数据业务和实现更灵活的资源分配方面存在局限性。
OFDMA作为4G和5G移动通信系统的关键技术之一,其设计目标是支持更高速率的数据传输和更广泛的业务类型。基于OFDM的子载波正交性使其能够有效地对抗频率选择性衰落,并通过动态的子载波和时域资源分配实现更高的频谱效率和更灵活的资源调度。虽然OFDMA的时隙分配更为动态,但其核心思想仍然是在时间维度上对用户进行复用,以共享通信资源。
从概念上看,GSM和OFDMA都围绕着“频谱共享”和“时间复用”这两个核心思想展开。GSM通过将频谱划分为频段并在每个频段内应用周期性的时隙分配来实现这两种复用。OFDMA则通过将频谱分解为正交子载波,并在时间和频域的二维平面上动态地分配资源块来实现复用。OFDMA可以被视为在更精细的粒度上对频谱和时间资源进行划分和分配,从而实现更优化的资源利用。
随着无线通信技术的不断发展,对频谱资源的需求持续增长,同时也对资源的利用效率提出了更高的要求。未来的通信系统将继续探索更为先进的复用技术,以进一步提高频谱效率、降低延迟、支持更多样化的业务和海量用户接入。然而,无论技术如何演进,频谱共享和时间复用作为在有限资源上实现多用户接入的基本概念,将始终是无线通信技术发展的重要基石。GSM和OFDMA作为这两种概念的成功实践者,为我们深入理解无线通信系统的设计原理提供了宝贵的视角。它们的故事告诉我们,在有限的资源面前,巧妙的复用策略是实现无限可能性的关键。通过在频域和时域的巧妙分割与分配,我们可以让多个用户在同一个天空下自由地进行通信,构建一个无处不在的连接世界。
⛳️ 运行结果
🔗 参考文献
[1] 向征.下一代无线多跳中继网络资源分配与组网技术研究[D].西南交通大学,2011.DOI:10.7666/d.y1957676.
[2] 陶伟.移动通信系统中分组调度算法的研究[D].北京邮电大学[2025-05-07].DOI:CNKI:CDMD:2.2006.135781.
[3] 鲁蔚锋,杨绿溪,吴蒙.两跳中继OFDMA蜂窝网络下行链路呼叫阻塞率分析[J].电子学报, 2016, 44(2):8.DOI:10.3969/j.issn.0372-2112.2016.02.014.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇