TDL CDL信道模型

2023-11-29 10:52
文章标签 模型 信道 tdl cdl

本文主要是介绍TDL CDL信道模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 一 TDL
  • 二 CDL
  • 三 CDL TDL区别

TDL:(Tapped Delay Line,抽头延迟线)
CDL:(Clustered Delay Line,集群延迟线)

一 TDL

  1. 定义:由一组不同衰落系数不同时延的抽头组成。全频率范围为:0.5GHz~100GHz,最大带宽2GHz ,TDL是简化模型,本身为SISO设计,但可通过重复多次加引入空间相关性对MIMO信道建模
    请添加图片描述

  2. 分类:

    • NLos信道场景:TDL-A、TDL-B、TDL-C,TDL-A和TDL-B有23个抽头,TDL-C有24个抽头
    • Los信道场景:TDL-D、TDL-E,TDL-D有 13 个抽头,TDL-E有14 个抽头,每个抽头延迟和相对功率不同
  3. 抽头特性

    • 每个抽头的多普勒频移有典型的Jakes频谱形状(常用瑞利衰落模型,频谱形状为U型谱)和最大多普勒频移fD f D = ∣ v ∣ λ 0 f_D=\frac{|v|}{\lambda_0} fD=λ0v
    • TDL-D TDL-E是LOS路径。所以其第一个抽头服从Ricean fading分布
    • 这些抽头,多普勒频普在多普勒频移 f s = 0.7 f D f_s=0.7f_D fs=0.7fD处还包含一个峰值,幅度为生成衰落分布时指定K因子。‘
  4. 每个TDL模型都能在延迟上进行缩放,以使模型达到期望的RMS(Root Mean Square)延迟扩展

  5. TDL模型适用于窄带信道建模,其多径的分辨率较低,在一个可分辨率的附加时延内,可能有两个或多个多径信号到达,但这些多径信号不可分辨,其适量组合成单一多径信号的瞬时幅度和相位。

  6. TDL信道模型的信道系数
    h ( t ; τ ) = ∑ N = 1 N a n ( t ) μ n ( t ) δ ( t − τ n ) h(t;\tau)=\sum^N_{N=1}a_n(t)\mu_n(t)\delta(t-\tau_n) h(t;τ)=N=1Nan(t)μn(t)δ(tτn)
    a n ( t ) a_n(t) an(t)是n个抽头的增益
    μ n ( t ) \mu_n(t) μn(t)是由多条不可分辨路径组合得到的瑞利衰落信号
    τ n \tau_n τn是n个抽头的时延

二 CDL

  1. 定义:频率范围:0.5GHz~100GHz,最大带宽为2GHz
    在这里插入图片描述
  2. 分类
    • NLos信道场景:CDL-A、CDL-B、CDL-C
    • Los信道场景:CDL-D、CDL-E
  3. CDL簇数量最多有24个,可以表征更多波束
  4. 信道脉冲响应为:
    h ( τ ; t ) = ∑ l = 0 ∞ ∑ k = 0 ∞ a k , l ( t ) e j φ k , l ( t ) δ ( τ − T l − τ k ) h(\tau;t)=\sum^\infty_{l=0}\sum^\infty_{k=0}a_{k,l}(t)e^{j\varphi_{k,l}(t)}\delta(\tau-T_l-\tau_k) h(τ;t)=l=0k=0ak,l(t)ejφk,l(t)δ(τTlτk)
    a k , l 、 φ k , l a_{k,l}、\varphi_{k,l} ak,lφk,l是第 l l l簇中第 k k k径的增益和相位
    T l T_l Tl为第l簇的延时
    τ k , l \tau_{k,l} τk,l为第 l l l簇中第 k k k径的延迟

三 CDL TDL区别

  1. CDL引入簇,簇是具有相似到达角、离开角、和时延的多径集合
  2. 除了时延和功率两个参数外,CDL模型增加了离开方位角(AoD)、到达方位角(AoA)、离开天顶角(ZoD)、到达天顶角(ZoA),用来表征信道模型的空间特性,为3D信道设计,更好表征空间相关性。
  3. TDL和CDL可以根据实际仿真需要调整均方根时延扩展
    τ n , s c a l e d = τ n , m o d e l ∗ D S d e s i r e d \tau_{n,scaled}=\tau_{n,model}*DS_{desired} τn,scaled=τn,modelDSdesired
  4. CDL/TDL-D和CDL/TDL-E的LOS信道模型,可以调整K因子,设期望调整的K因子为Kdesired,CDL/TDL功率为:
    K m o d e l = P l , m o d e l L O S − 10 l o g 10 ( ∑ n = 1 N 1 0 P n , m o d e l / 10 ) K_{model}=P^{LOS}_{l,model}-10log_{10}(\sum^N_{n=1}10^{P_{n,model}/10}) Kmodel=Pl,modelLOS10log10(n=1N10Pn,model/10)
    功率调整完成后,需要对时延扩展重新进行计算。
    调整K因子的本质:调整各个簇、抽头之间的功率。K因子越大,第一个簇、抽头中视距径功率越大,在通信中视距径分量占比重越大
  5. 角度调整
    CDL预定义的角度值可以通过引入角度平移和缩放来推广,平移改变平均角度,缩放改变角度扩展
    ϕ n , s c a l e d = A S d e s i r e d A S m o d e l ( ϕ n , m o d e l − μ ϕ , m o d e l ) + μ ϕ , d e s i r e d \phi_{n,scaled}=\frac{AS_{desired}}{AS_{model}}(\phi_{n,model}-\mu_{\phi,model})+\mu_{\phi,desired} ϕn,scaled=ASmodelASdesired(ϕn,modelμϕ,model)+μϕ,desired

参考
5G通信中的TDL模型
移动通信基础(13)TDL、CDL、信道相关性
TDL、CDL信道模型简述

这篇关于TDL CDL信道模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/432553

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号