3、5G NR PDSCH吞吐量仿真分析

5G NR PDSCH吞吐量仿真分析

1. 引言

本次仿真旨在测量符合3GPP NR标准的5G新无线电(NR)链路的物理下行共享信道(PDSCH)吞吐量。该示例实现了PDSCH和下行共享信道(DL - SCH),发射机模型包含PDSCH解调参考信号(DM - RS)、PDSCH相位跟踪参考信号(PT - RS)和同步信号(SS)突发。同时支持集群延迟线(CDL)和抽头延迟线(TDL)传播信道,可进行完美或实际的同步与信道估计。为减少总仿真时间,可使用并行计算工具箱并行执行SNR循环中的SNR点。

2. 5G NR特性建模

该示例对以下5G NR特性进行了建模:
- DL - SCH传输信道编码
- 多个码字,取决于层数
- PDSCH、PDSCH DM - RS和PDSCH PT - RS生成
- SS突发生成(PSS/SSS/PBCH/PBCH DM - RS)
- 可变子载波间隔和帧编号(2^n * 15 kHz)
- 正常和扩展循环前缀
- TDL和CDL传播信道模型

此外,仿真还具有以下特性:
- 使用SVD进行PDSCH子带预编码
- CP - OFDM调制
- 时隙和非时隙PDSCH与DM - RS映射
- SS突发生成(A - E情况,SS/PBCH块位图控制)
- 完美或实际的同步与信道估计
- 16个进程的HARQ操作
- 示例在整个载波上使用单个带宽部分

3. 仿真参数设置
3.1 仿真长度和SNR点

设置仿真长度为10ms帧的数量

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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