5G NR小区搜索中的PSS/SSS检测与同步算法深度解析

5G NR R16 协议解析:UE开机入网 4 大核心步骤与 10 个关键信令详解 本文深度解析5G NR R16协议中UE开机入网的4大核心步骤与10个关键信令,包括PLMN选择、小区搜索、随机接入和附着流程。通过详细的协议字段解析和实战案例分析,帮助工程师掌握入网故障定位、信令参数优化及R16新增的URLLC接入增强特性,提升5G网络部署与运维效率。 阅读详情

1. 从“找信号”到“连上网”:5G小区搜索到底在忙活啥?

刚拿到一部5G手机,开机后屏幕上那个信号格从无到有、再到显示“5G”图标的过程,你是不是觉得理所当然?但就在这短短一两秒里,你的手机(在通信领域我们叫它UE,用户设备)其实在后台完成了一场极其精密和高效的“寻人启事”。它要在茫茫的无线电波海洋中,快速、准确地找到一个属于你的、信号最好的5G基站(小区),并和它建立起初步的沟通。这个过程,就是5G NR小区搜索。

你可以把它想象成你到了一个完全陌生、人声鼎沸的大型派对现场。你的首要任务是找到派对的主人(基站),并和他对上暗号,确认身份,然后他才会告诉你接下来的活动安排(系统信息)。PSS(主同步信号)和SSS(辅同步信号),就是基站不断广播的“身份标识”和“节奏口令”,它们是手机在派对上最先捕捉到的关键线索。而整个搜索流程的核心难点与智慧,就浓缩在如何从嘈杂的背景中,又快又准地识别出这两个信号上。

这篇文章,我就想和你深入聊聊这个“寻人”过程中最关键的环节——PSS/SSS的检测与同步。我不会只停留在“是什么”的层面,而是会带你深入到“怎么做”的算法细节里。我们会一起拆解那些听起来高大上的名词,比如FFT(快速傅里叶变换)、滑动相关,看看它们是如何像精密的齿轮一样协同工作,帮助手机在毫秒之间完成时频同步和小区ID识别的。无论你是通信专业的学生、初入行的工程师,还是对5G技术原理充满好奇的爱好者,我希望这篇超过3000字的深度解析,能让你像看一个侦探故事一样,弄明白手机搜索5G信号背后的算法奥秘。

2. 侦探的望远镜与节拍器:PSS/SSS信号到底是什么?

在深入算法之前,我们必须先搞清楚我们要找的“目标”长什么样。PSS和SSS不是随意的噪声,而是经过精心设计的特殊序列,它们被嵌入在5G无线帧的固定“时频格子”里广播。

PSS(主同步信号),我更喜欢叫它“粗同步信号”或“节拍器”。它的核心任务有两个:第一,告诉手机符号的起始位置在哪里,实现符号级的时间同步;第二,它携带了物理小区ID(PCI)中三分之一的信息。5G NR中定义了3种不同的PSS序列(对应索引0, 1, 2),这就像基站有三种不同节奏的“开场鼓点”。手机只需要识别出是哪种鼓点,就能获得部分身份信息并跟上大致节奏。

SSS(辅同步信号),则可以称为“精同步信号”或“身份牌”。它紧跟着PSS发送,主要用来确定帧的起始位置(10ms为一帧,到底是第几个子帧?),并携带PCI中另外三分之二的信息。SSS序列有336种可能。PSS和SSS组合起来,一共能标识1008个(3 * 336)唯一的小区ID(PCI)。这就像派对主人不仅有独特的鼓点节奏(PSS),还有独特的徽章图案(SSS),两者结合才能唯一确认他的身份。

那么,这两个信号被放在哪里了呢?它们位于同步信号块(SSB)中。一个SSB在时域上占据4个OFDM符号,在频域上占据20个RB(240个子载波)。PSS和SSS分别占据第一个和第三个符号的中间127个子载波。这个位置是固定的,是手机开始搜索时第一个要瞄准的区域。

手机一开始是“盲”的:它不知道基站离它有多远(时间延迟),也不知道基站发射的精确频率和自己接收的频率是否有偏差(频偏)。它接收到的是一段混杂了噪声、干扰和可能多个基站信号的复杂波形。PSS/SSS检测算法的终极目标,就是从这段波形中,找出那个能量最强、最可能是目标基站的PSS和SSS序列,并精确计算出时延和频偏。接下来,我们就看看这位“信号侦探”手中的核心工具。

3. 核心算法工具箱:FFT与滑动相关如何各显神通?

手机基带处理器在处理PSS/SSS检测时,主要依赖两大算法引擎:快速傅里叶变换(FFT) 和 滑动相关(Sliding Correlation)。它们一个擅长“化整为零”在频域分析,一个擅长“按图索骥”在时域匹配,两者配合,构成了检测流程的骨架。

3.1 频域分析的利器:快速傅里叶变换(FFT)

为什么一定要用FFT?因为5G用的是OFDM(正交频分复用)技术。简单说,基站不是在一个很宽的频率上直接发数据,而是把数据分成很多个窄带的、相互正交的子载波并行发送。PSS/SSS序列也是调制在这些子载波上的。手机接收到的是一大堆子载波叠加在一起的时域信号,想要提取出PSS/SSS,最直接的办法就是先把它们“拆开”,看看每个子载波上是什么。

离散傅里叶变换(DFT)能干这个“拆解”的活儿,但它的计算量太大了,复杂度是O(N²),对于5G动辄几百上千点的数据量,实时计算根本不可能。FFT就是DFT的“加速神器”,它通过巧妙的分解,将复杂度降到了O(N log N)。我当年刚学FFT时,觉得那个“蝶形运算”图特别像一只只蝴蝶在数据间穿梭,完成乘法和加法的组合。

这里我给你举个更生活的例子。假设你要计算一个班级(64人)每个人的平均身高,最笨的方法是两两比较、反复计算。而FFT的思路是:先把64人分成两个32人小组分别算,再把32人分成两个16人小组……这样分治下去,最后合并结果。这个“分治”和“合并”的过程,就是蝶形运算。在PSS检测中,手机需要对接收到的ADC采样数据做FFT,将其从时域波形转换到频域,得到每个子载波上的复数数据。只有这样,才能和已知的、在频域定义的PSS序列进行比对。

3.2 时域匹配的猎手:滑动相关(本质是FIR滤波)

光拆开到频域还不够,我们得知道目标序列在时间轴上的准确位置。这就是滑动相关大显身手的地方。你可以把它想象成拿着一把标有PSS图案的“尺子”,在接收到的时间序列波形上从头到尾滑动。每滑动一个采样点,就计算一次这把“尺子”和当前覆盖的波形片段有多相似(计算相关系数)。相似度最高的位置,就极有可能是PSS开始的位置。

从算法实现上看,滑动相关就是一个直接型FIR(有限长单位冲激响应)滤波器。滤波器的系数,就是我们已知的PSS序列的时域共轭值。接收信号依次进入一个移位寄存器(抽头延迟线),与每个抽头上的系数相乘后求和,输出结果就是当前时刻的相关值。这个操作对计算资源要求很高,因为每个采样点都需要进行N次乘加运算(N是序列长度,PSS是127)。所以,在实际的基带芯片设计中,这部分往往由硬件加速器(如矢量处理器或专用ASIC)来完成,以实现极高的吞吐量和实时性。

那么,FFT和滑动相关是怎么配合的呢?常见的流程有两种。一种是在时域直接做滑动相关,这适用于对已知序列进行快速时间捕获。另一种更主流、更省资源的做法是频域相关:先对接收信号和本地PSS序列都做FFT转到频域,在频域进行共轭相乘(这等价于时域的相关系数计算),然后再做IFFT(逆FFT)变回时域,观察相关峰。频域方法可以利用FFT的高效性,一次计算所有可能时延的相关结果,尤其在多天线、多小区搜索场景下优势明显。

4. 实战推演:PSS/SSS检测的完整算法流程与踩坑经验

了解了核心工具,我们来看看侦探破案的完整步骤。下图展示了一个典型的PSS/SSS检测模块(常被称为CSM,小区搜索模块)的处理流程,我会结合这个流程,分享一些实际工程中的细节和容易踩的坑。

[流程示意图概念描述]
接收射频信号 -> ADC采样 -> 下变频 -> 抗混叠滤波 -> 数据缓存 ->
          |
          v
      (并行或串行处理)
          |
          v
【PSS检测阶段】
1. 时域粗同步(可选):使用短序列或循环前缀进行初步时延估计,缩小搜索窗。
2. 频域转换:对接收窗内的数据执行FFT,提取可能包含PSS的子载波数据。
3. 频域相关:将接收的频域数据与3个本地PSS序列(索引0,1,2)分别进行共轭相乘。
4. 逆变换与峰值搜索:对相关结果做IFFT,得到时域相关序列。搜索该序列中的能量峰值。
          |
          v
【结果判定】
- 峰值是否超过预设门限?
- 峰值位置是否合理(在循环移位范围内)?
- 选择能量最强且可靠的峰值,其对应的PSS索引即为N_ID_2 (0,1,2),峰值位置给出符号定时。
          |
          v
【SSS检测阶段】
1. 时频精同步:利用检测到的PSS位置和索引,精确调整接收窗口,并初步补偿频偏。
2. 解调SSS:在SSS所在的OFDM符号位置,提取对应的127个子载波数据。
3. 消除PSS相位影响:由于SSS和PSS在同一个SSB内,信道相位连续,可利用PSS进行信道估计,辅助SSS解调。
4. SSS盲检测:将接收的SSS序列与336个可能的本地SSS序列进行相关(通常也在频域进行)。这里有个关键:SSS序列的生成依赖于PCI,而PCI又由PSS索引和SSS索引共同决定,因此需要结合已得的PSS索引进行联合假设检验。
5. 确定PCI和帧定时:找到相关度最高的SSS序列,其索引即为N_ID_1。结合N_ID_2,计算完整PCI = 3 * N_ID_1 + N_ID_2。同时,SSS序列的两种不同加扰方式,指示了帧内SSB的时隙位置(即帧定时)。

在实际开发中,有几个坑我印象特别深。第一个是频偏的“鬼影”。如果手机和基站之间存在较大的频率偏差(比如晶体振荡器不准或高速移动产生的多普勒频移),相关峰会严重扩散,甚至出现多个副峰,导致误判。所以,在PSS检测后,必须立即进行频偏估计和补偿,通常利用PSS序列的循环前缀或前后两个OFDM符号的相位差来估算,这个补偿对后续SSS解码和PBCH解调至关重要。

第二个是多径干扰下的峰值选择。在复杂的城市环境中,信号会经过建筑物反射,形成多个不同时延的副本。在相关结果上,你会看到不止一个峰,而是一个主峰和几个稍矮的“回波峰”。算法不能简单地选最高的峰,因为最早的到达路径(主径)不一定是能量最强的。我们需要设计智能的搜索窗和选峰算法,比如寻找第一个超过门限的显著峰,或者结合多个天线的结果进行综合判断。

第三个是计算复杂度和实时性的平衡。虽然频域相关很高效,但336个SSS序列的盲检计算量依然巨大。工程上会采用分层假设、提前剪枝等策略。例如,先利用PSS索引大大缩小SSS候选序列的范围,或者先进行能量检测,只对能量较强的候选进行精细相关。这些优化策略直接决定了手机搜网的速度和耗电量。

5. 从同步到接入:算法如何为后续流程铺平道路?

成功检测出PSS和SSS,并计算出精确的时频偏移和PCI,这场“寻人启事”只算完成了最惊险的第一步,但却是后续所有步骤的基石。接下来,手机要利用这些成果,去解读基站发出的“活动手册”。

首先,时频同步是解码一切的基础。就像你听广播,如果收音机的调谐频率不准或者时间没对齐,听到的就是杂音。手机利用从PSS/SSS得到的符号定时和帧定时,以及补偿后的频率,可以准确地定位到PBCH(物理广播信道) 在时频网格上的位置。PBCH就承载在SSB里面,紧跟着SSS。

其次,PCI是解扰的钥匙。5G中,很多下行信道和数据都会用PCI派生出的序列进行加扰,以防止相邻小区间的干扰。手机只有知道了正确的PCI,才能生成正确的解扰序列,把PBCH、后续PDCCH/PDSCH上的“乱码”恢复成有效信息。PBCH里的MIB(主信息块) 就包含了接入网络最关键的几个参数,比如系统帧号的高位、子载波间隔指示以及最重要的——CORESET0的配置信息。

CORESET0是手机寻找SIB1(系统信息块1) 调度指令的“控制信息公告栏”的位置。手机根据MIB的指示,在指定的时频资源(CORESET0)上,用特定的搜索空间格式,去盲检一种叫做DCI format 1_0的下行控制信息。这个过程就像在公告栏上按照特定的版式寻找关于SIB1的通知。找到这个DCI后,手机就能知道SIB1被放在哪个具体的“资料架”(PDSCH资源)上,最终解码获得完整的网络接入参数。

可以看到,整个链路环环相扣。PSS/SSS检测的精度和速度,直接决定了后续PBCH解码的成功率,进而影响整个初始接入的时延和可靠性。一个鲁棒性强的同步算法,能让手机在弱信号、高干扰、高速移动的恶劣环境下依然快速稳定地接入网络,这直接关系到用户的5G体验。

6. 进阶思考:算法优化与未来挑战

聊完了基本流程,我们不妨再往深处想想。当前的算法还有哪些可以优化的地方?未来的场景又会带来什么挑战?

在算法优化层面,多天线(MIMO)技术的利用是一个重点。现在的手机都有多根天线。在PSS/SSS检测时,我们可以对多个天线接收到的信号进行合并处理,比如选择合并、最大比合并等。这能显著提升信号的信噪比,让相关峰更尖锐,在弱场下大幅提升检测概率。我实测过,在边缘小区,四天线接收合并比单天线检测成功率能提升十几个百分点。

另一个方向是人工智能/机器学习的引入。这听起来很前沿,但已经在研究中展现出潜力。例如,可以用神经网络来学习复杂信道环境下的相关峰特征,替代传统的固定门限检测,实现更智能的虚警和漏警控制。或者用深度学习模型来直接估计时延和频偏。不过,这些方法目前还面临模型复杂度、泛化能力和实时性的挑战,离大规模商用还有距离。

面向未来,更高频段(如毫米波)和更高速移动(如高铁、车载) 的场景对同步算法提出了严苛考验。毫米波信号穿透差、衰减快,容易受遮挡,要求算法具备更强的抗衰落能力和更快的重同步速度。而高速移动带来的快速时变信道和大频偏,则要求算法有更快的跟踪环路和更宽的频偏捕获范围。这些都需要我们在算法设计时,在复杂度、性能和鲁棒性之间找到新的平衡点。

写到这里,我想起以前调试一个同步算法的问题,在实验室仿真完美的代码,到了外场测试车上,过隧道时就频繁失步。后来发现是频偏跟踪环路的带宽设置得太窄,跟不上车速变化导致的快速频偏。调参的过程就像老中医把脉,需要理论和经验的结合。通信算法的魅力就在于此,它不仅是数学公式的堆砌,更是对物理世界无线传播特性的深刻理解和工程化折衷。希望这篇关于5G小区搜索核心同步算法的深度解析,能帮你建立起从理论到实践的认知桥梁。当你下次看到手机信号格满格时,或许能会心一笑,知道里面正有无数个精妙的算法在无声地高效运转。

5G NR SSB配置实战:手把手教你理解PSS/SSS与PBCH的物理层处理 本文深入解析5G NR中SSB的物理层处理实战,重点剖析PSS、SSS与PBCH的生成、配置与检测原理。通过详尽的时频结构、波束扫描机制及参数配置指南,帮助工程师从实验室到现网深度优化SSB,解决同步不稳、接入失败等核心问题,确保终端快速稳定接入网络。 阅读详情

相关推荐

5G NR物理随机接入信道PRACH原理、流程与优化实战

在无线通信系统中,随机接入是终端与网络建立连接、获取上行同步的关键第一步。其核心原理在于解决终端初始接入时的上行定时不确定性,通过发送特定的前导码序列,让基站测量传输时延并反馈定时调整信息,从而实现上行信号的对齐。这项技术对于保障网络接入的可靠性、降低时延具有重要价值,广泛应用于手机开机注册、移动切换、无线链路恢复等场景。物理随机接入信道作为承载该过程的物理层信道,其设计涉及复杂的序列生成、资源映射和功率控制。例如,通过调整上行开环功控参数,可以优化PRACH的发射功率,平衡覆盖与干扰;而合理配置前导码格式

weixin_34221773的博客 1169

5G下行信号的同步技术(SSB、PSS、SSS、5G小区搜索)

SS/PBCH块(SSB)由PSS、SSS、PBCH以及解调参考信号DM-RS(包含在PBCH中)构成,具体结构如图所示。下行粗定时同步使用PSS信号在时域进行检测(如果在频域内对PSS进行检测,需要额外的FFT运算,增加了算法的复杂度。产生的本地SSS序列,与接收到的SSS序列进行互相关运算,出现最大相关峰值的本地SSS序列对应的。SSS使用长度为127的BPSK调制的Gold码序列,SSS不仅与小区组内ID。PSS使用长度为127的BPSK调制的m序列,PSS仅与小区组内ID。基于PSS的互相关算法。

qq_68408676的博客 6718

5G NR入网流程调试指南:从抓包日志看MSG1到MSG5的完整交互

本文深入解析5G NR入网流程,从空口信令到核心网交互,详细介绍了MSG1到MSG5的完整交互过程。通过真实抓包案例,分析同步信号检测、随机接入流程、注册流程与核心网交互等关键环节,帮助网络优化工程师快速定位问题并提升性能优化能力。

weixin_30568591的博客 454

5G NR 同步过程

小区搜索 小区同步指的是UE获取小区的时域和频域同步,并在这个过程中获取到物理小区ID。 UE通过按序接收主同步信号PSS和辅同步信号SSS来执行小区搜索。 PBCH、PSS和SSS是连续的符号,组成一个SS/PBCH块。UE认为SSS、PBCH解调参考信号(DMRS)和PBCH数据有相同的EPRE(Energy Per Resource Element),而一个SS/PBCH块中的PSS信号的E...

littleBird_2的博客 1万+

3GPP 38.211 至 38.215:5G NR 物理层 5 大核心协议实战解读与关联

本文深入解析3GPP 38.211至38.215五大核心协议,全面剖析5G NR物理层技术架构与工程实践。从信号调制、信道编码到波束管理,详细讲解协议协同工作机制,并提供典型故障排查方法与现网优化案例,助力开发者掌握5G NR物理层核心技术。

weixin_33146151的博客 397

5G NR 定时提前:从协议信令到算法实现 (3)

【声明】:本文为原创文章,发表于wingsofsilence的优快云博客。欢迎转载,但请务必保留本信息,注明文章出处。 本文作者: wingsofsilence 本文原始地址:http://blog.youkuaiyun.com/wingsofsilence/article/details/79356281分成四个部分记录:第一部分:定时提前的定义第二部分:定时提前的必要性第三部分:TA值测量的方式1)TA...

wingsofsilence的博客 8389

5G NR的同步过程

5G NR的同步过程概述5G 同步过程5G同步信号与4G同步信号的差异5G同步过程与4G同步过程的差异 概述 同步过程是移动终端获得无线网络的时间和频率的过程,是终端接入网络的前提。终端要知道网络在哪个时间,哪个频率上发送什么消息,才能正确接收网络下发的信息,而同步过程就是为了使终端知道这个时间和频率信息而进行的一系列神操作。 先来一张整体概念图。 额,这图里面第一步就是时间/频率同步了,下面还...

qq_44113393的博客 1万+

通信算法之二十一:5G NR通信系统

        5G:第五代移动电话行动通信标准,也称第五代移动通信技术,外语缩写:5G。也是4G之后的延伸,正在研究中,5G网络的理论下行速度为10Gb/s(相当于下载速度1.25GB/s)。 5G 网络以 5G NR (New Radio) 统一空中接口(unified air interface)为基础,为满足未来十年及以后不断扩展的全球连接需求而设计。5G NR 技术旨在支持各种设备类型...

leegang12的专栏 5597

5G学习笔记:同步(Synchronization)

同步(Synchronization) 1 结论 当在通信中说“同步”时,通常是指“传输同步”和“接收同步”。在UE看来,“发射方向”被称为“上行链路”,“接收方向”被称为“下行链路”。将这些术语应用于同步过程,在蜂窝通信中(包括5g/NR)就有两种类型的同步,称为“下行同步”和“上行同步”。 下行链路同步:在这个过程中,UE检测到无线帧边界(即无线帧启动时的精确定时)和OFDM符号边界(即...

爆椒火龙果的博客 1万+

物联网技术(AIR780E cat1-4G模块+小程序+腾讯云MQTT)驱动的智能井盖系统设计(连载01)

终端设备采用AIR780E模块作为主控器,电子模块有三轴加速度传感器、可燃气体传感器,AIR780E模块(4G模块)通过MQTT通信协议进行数据打包上传至EMQX服务器,在EMQX服务器中,用户可以自行订阅主题和发布主题,小程序通过MQTT通信协议订阅EMQX服务器的主题,服务器通过接收到硬件发布的数据,转发到微信小程序。

leida_3669的博客 2219

SAP LSMW数据批导操作手册及跨客户端传输方法(涉及默认值配置,及多余字段如何删除)

SAP LSMW数据批导操作手册及跨客户端传输方法

我好像病了的博客 6089

PSS:简单有效的End-to-End检测

点击上方“视学算法”,选择加"星标"或“置顶”重磅干货,第一时间送达作者丨SuperHui@知乎(已授权)来源丨https://zhuanlan.zhihu.com/p/...

zandaoguang的博客 904

保姆级教程:在S32DS 3.4上安装S32K3xx RTD 4.4驱动包(附常见安装失败排查)

本文提供在S32DS 3.4上安装S32K3xx RTD 4.4驱动包的详细教程,涵盖环境准备、分步安装指南及常见问题排查。特别针对NXP S32K3系列MCU开发者,解决网络问题、路径配置等安装难点,并分享进阶配置技巧和最佳实践,助力高效开发。

weixin_42696271的博客 290

5G_NR PSS/SSS

PSS/SSS主要帮助确定小区的PCI(PCI可以推出DMRS的位置),但是UE通过PSS/SSS无法获取下行timing信息,即(一个系统帧的子帧0所在的位置)。UE需要通过接收用于PBCH的DMRS和PBCH,得到SSB的索引后,才能确定小区的下行timing。

jajsknnc的博客 944

Vc出现不能连接到一个或多个 vCenter server 系统:http://vcenter-vx.utibet.edu.cn:443/sdk

问题描述: 解决办法: esxi6.7的bug 第一种通过升级系统来解决问题 第二种是通过删除数据来解决 第一步:进入到esxi的shell 第二步查看其中的服务开启状态 第二步 df -h 第三步 /opt/vmware/vpostgres/current/bin/psql -d VCDB -U postgres 第四步 SELECT nspname || '.' || relname AS "relation", pg_size_pretty(pg_total_relation_size(C.oi

m0_49328536的博客 9902

使用Python爬取在线图书馆的图书馆藏和阅读记录

通过使用Python编写爬虫程序,我们可以从在线图书馆上获取图书馆藏和阅读记录,帮助人们更好地管理和利用图书馆资源。本文简要介绍了爬虫程序的准备工作、网页解析和数据提取、数据的保存和处理的关键步骤,并提供了一个示例代码。在实际应用中,我们需要注意遵守在线图书馆的使用规则和爬虫道德准则,确保合法、合规地进行爬取操作。以上仅为概述,实际应用的过程中可能需要根据具体需求进行适当的调整和改进。

2201_76125393的博客 732

5G NR 信号检测:从 PSS 相关到 SSB 栅格恢复

本文提出了一种5G NR下行信号检测方法,通过PSS滑动相关实现初始定时,完成SSB栅格恢复与小区ID识别。算法采用滑动相关检测PSS信号,通过自适应门限判决定位SSB起点,再经OFDM解调恢复频域栅格,最终匹配验证nCellID2。实验在7.68MHz采样率下,加入300Hz频偏和15dB噪声干扰,验证了方法的有效性。文中给出了MATLAB实现流程和关键公式,包括滑动相关、自适应门限设计以及频域匹配等核心步骤,为工程实现提供了定点化和资源复用的指导思路。

weixin_63763813的博客 1645

YOLOv8改进策略【卷积层】| TIP 2025 MFA 多阶段特征聚合 大核扩感受 + 多梯度融合,强效增强弱小目标特征

红外弱小目标尺寸极小、信噪比低,在特征传递中极易丢失信息;常规卷积感受野单一、梯度源不足,难以同时捕捉局部细节与全局上下文,导致小目标特征表达弱、检测漏检。因此提出多阶段特征聚合 MFA,用大核卷积+多分支+通道注意力强化小目标特征提取。

Limiiiing的博客 61

通信算法之230: 5G随机接入PRACH及长度计算

结合终端举个例子,三个不同位置的UE1\2\3(见图2),同时向基站发送前导码,那么基站首先会收到近端UE1的前导码请求,然后是UE2的前导码请求,最后收到处于边界的UE3的前导码请求。子载波2由于多径效应发生1/8秒的延迟,导致在接收窗口区间,无法收到前1/8的波形,但可通过循环此波形的形状,并将缺损的波形前插至空缺处,实现波形的完整性。打个比方,壁虎的小尾巴被咬了,还能再复刻出来,但被咬掉的太多(超过CP时间了),就复刻不出来了。在LTE中,只使用长序列,在NR中,使用长序列和短序列。

leegang12的专栏 3610

【ComfyUI 基础教程】ComfyUI 局部重绘工作流教程

本篇指南将带你了解 ComfyUI 中的局部重绘工作流,并带你完成一个局部重绘的示例,以及遮罩编辑器的使用等。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 304

【ROS2】从yaml文件中读取参数配置

ROS2:从yaml中读取参数,到节点;使用C++演示参数的增、删、改、查、遍历、监听变化

郭老二 1286

5G信号同步全解析:从PSS/SSS到RACH的实战避坑指南

本文深入解析5G网络初始接入中的下行与上行同步实战要点。聚焦PSS/SSS信号检测的深层逻辑与优化策略,并详细剖析RACH随机接入过程的前导码选择、功率控制及典型冲突场景的避坑指南。通过现网案例与参数优化建议,为通信工程师提供一套从信号评估到故障定位的完整工具箱,有效提升5G网络接入成功率与性能。

desk3的博客 1013

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

NR 同步过程

从用户端来看,传输方向被称为上行,接收方向被称为下行,因此同步有俩种,一种称为上行同步,另外一种称为下行同步。下行同步:UE检测到frame boundary和symbol bonndary,这个检测过程通过SSB来实现。上行同步:UE来确定哪些时间段是来发送数据,通常gNodeB要处理多个UE,network这边要保证每个UE的上行信号到达network有个公共的时间( the network ...

zhihuiyu123的博客 4060

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

PSS与SSS

原文:https://blog.youkuaiyun.com/m_052148/article/details/51273636  什么是物理小区ID(PCI) 在LTE里,物理层是通过物理小区ID(Physical Cell Identities,PCI)来区分不同的小区的。物理小区ID总共有504个,它们被分成168个不同的组(记为N(1)_ID,范围是0-167),每个组又包括3个不同的组内标识(记...

安 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

论文阅读|目标检测之PSS:更简单有效的End-to-End检测

我们提出了一个更简单和更有效的E2E检测框架,仅需要对FCOS、ATSS进行简单的修改,就能移除NMS,并且达到和超过ATSS、FCOS的baseline。因为我们保留了原始detector,所以模型训练完成后,还可以继续选择使用NMS的结果,而去除NMS的pipeline使得我们模型更加容易部署。我们希望我们的工作能够带给大家一些关于End-to-End检测的新的启发。

yanghao201607030101的博客 795

LTE学习笔记--PHY--PSS和SSS

光有通信的频点并没有用。UE此时虽然可以接收到eNB的广播数据,但是无法解析出这些数据的具体内容。因此UE需要先实现与eNB的时间同步,只有在同步的情况下,根据事先约定的协议。就可以解析出包含在信号内的具体内容了。UE首先需要侦测的是PSS信号。 UE开机时并不知道系统带宽的大小,但它知道自己支持的频带和带宽(见36.101)。为了使UE能够尽快检测到系统的频率和符号同步信息,无论系统带宽大小...

风居住的城市 1万+
上一篇: 知网研学Word插件引文样式切换全攻略:从国标到期刊定制
下一篇: Cloudreve+Docker+cpolar三件套:打造私人云盘的终极指南(附常见问题排查)
cloud
博客等级 码龄27年 61粉丝 1276原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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