LTE信道模型

作者: 国宝级初学者 | 来源:发表于2022-01-19 11:32 被阅读0次

LTE信道模型
第四章信道
2018-03-08 计算生物学笔记（有点乱）
06-Nextflow Channels
基于深度学习的端到端通信系统模型
LTE系统消息
基带等效信道模型
作为4G网络标准，LTE协议的大致层次结构是什么样的？
数据链路层
物理层（一）

无线信道

如果仿真采用的带宽为20M，总子载波数为2048，则每个子载波的带宽为20M/2048，为9.77KHz，在两种不同的相干带宽下，能有很大幅度相关性的相邻子载波数分别是475、57。

对相干带宽与相干时间的求解对下面多址技术仿真有指导意义。

说明：这里仿真一个基本的链路，在一次仿真后的得出的信道矩阵及延时参数下，对数据源QPSK调制，发送至多径信道，加入高斯白噪声后解调，得出性能：

SNR=20，SER=0.0094；

链接：由于该SCM函数比较复杂，每次调用仿真产生信道系数和延时向量都需要很长的时间，所以本文只限于单次产生仿真信道。

% Setting and modifying default input parameters

% path = 6；SubPathsPerPath = 20;l inks = 1; Scenario = urban_micro;

% NumTimeSample = 1e5;MS and BS = 1*1;

% SISO channel which convert default 5-D array to 2-D array

scmpar.NumTimeSample = 1e5; % set TimeSample

scmpar = scmparset;

linkpar = linkparset(1); % set only one link

antpar = antparset;

scmpar.NumTimeSamples = 1; % 1 time samples perlink

scmpar.ScmOptions =' urban_canyon'; % urban canyon option

scmpar.Scenario = 'urban_macro'; % choose urban_macro Scenario

% ----set number of the MS and BS,to set antpar----

bs_array = zeros(1,2,1,90);

bs_array(1,:,:,:) = 1;

antpar.BsGainPattern = bs_array;

ms_array = zeros(1,2,1,90);

ms_array(1,:,:,:) = 1;

antpar.MsGainPattern = ms_array;

[H delays] = scm(scmpar,linkpar,antpar); % generate H and Delay

% convert to 2-D，easy to be used

h(1:6) = H(:,:,1:6);

QPSK调制：

tmp = round(rand(2,SP.inputBlockSize));

tmp = tmp*2 - 1;

inputSymbols = (tmp(1,:) + i*tmp(2,:))/sqrt(2);

信道矩阵校正：

h_channel=Channelsimu(InputSamplePeriod,PathDelays,PathGains);

校正函数：

function Out=Channelsimu( ts,Delay,Gain )

LengthOut=( Delay( end )-Delay( 1 ) )/ts+1;

Out=zeros( 1,LengthOut );

for IndexDelay=1:length( Delay )

IndexGain=round( ( Delay( IndexDelay )-Delay( 1 ) )/ts+1 );

Out( 1,IndexGain )=Gain( IndexDelay );

End

过信道，加噪声：

RxSamples = filter(h_channel,1,inputSymbols);

tmp = randn(2,SP.inputBlockSize);

complexNoise = (tmp(1,:) + j*tmp(2,:)) / sqrt(2);

noisePower = 10^(-SP.SNR/10);

% Add AWGN to the transmitted signal

RxSamples = RxSamples + complexNoise * sqrt(noisePower);

QPSK解调：

EstSymbols = sign(real(RxSamples)) + j * sign(imag(RxSamples));

EstSymbols = EstSymbols / sqrt(2);

分析：其中可以看到延迟向量在郊区宏小区，市区微小区和市区宏小区之间依次递增；功率衰减在郊区宏小区，市区微小区和市区宏小区之间依次递减。这是符合参考模型参数分布的。

OFDMA系统实现框图

SC-FDMA系统实现框图

子载波映射

% Subcarrier mapping

% Interleaved(distributed) mapping

inputSamples_ifdma(1+SP.subband:Q:numSymbols) = inputSymbols_freq;

% Localized mapping

inputSamples_lfdma([1:SP.inputBlockSize] + SP.inputBlockSize*SP.subband) = inputSymbols_freq;

子载波逆映射

% Subcarrier de-mapping

Y_ifdma = Y_ifdma(1+SP.subband:Q:numSymbols);

Y_lfdma = Y_lfdma([1:SP.inputBlockSize] + SP.inputBlockSize*SP.subband);

结论：MMSE均衡下，I-FDMA的链路性能要优于L-FDMA。

分析：这是由于分布式FDMA将用户的每个子载波等间隔的放置在全频带上，这样可以获得更多的频率分集增益。从理论上分析，将传输信息以不同的载频发射，接收端就可以得到相关性越加减小的信号（当载频间隔大于相干带宽时，则可以接收到衰落特性不相关的信号），这样就可以降低多径衰落的影响，改善传输可靠性。

以L-FDMA为例：

先进行理想信道估计，filter（channel，1），得到信道响应；

% Find the channel response for the localized subcarriers

H_eff = H_channel([1:SP.inputBlockSize] + SP.inputBlockSize*SP.subband);

% Performe channel equalization in the frequency domain

if SP.equalizerType == 'ZERO'

Y_lfdma = Y_lfdma ./ H_eff;

elseif SP.equalizerType == 'MMSE'

C = conj(H_eff) ./ (conj(H_eff) .* H_eff + noisePower);

Y_lfdma = Y_lfdma .* C;

end

结论：MMSE性能优于ZF。

分析：

1.迫零均衡可以将信号无失真地恢复出来，但当信道存在如果频谱深衰落点时（信道响应很小，或者可能为0）时，由ZF加权系数计算式可知，此时的补偿直接放大了噪声，容易产生误差。

2.而MMSE均衡计算式中可以看到，补偿值中加入了信噪比的修正项，这样即使在深衰点也不会过分放大噪声。

OFDMA仿真流程图

SC-FDMA仿真流程图

% DFT-precoding

inputSymbols_freq = fft(inputSymbols)/sqrt(SP.inputBlockSize);

% Initialize the output subcarriers

inputSamples_fdma = zeros(1,numSymbols);

inputSamples_ofdma = zeros(1,numSymbols);

% Subcarrier mapping

inputSamples_fdma([1:SP.inputBlockSize] + SP.inputBlockSize*SP.subband) = inputSymbols_freq;

inputSamples_ofdma([1:SP.inputBlockSize] + SP.inputBlockSize*SP.subband) = inputSymbols;

% Convert the signal back to time domain

EstSymbols_fdma = ifft(Y_fdma)*sqrt(SP.inputBlockSize);

EstSymbols_ofdma = Y_ofdma;

结论：ZF均衡下SC-FDMA性能劣于OFDMA。

分析：

1.OFDMA所有的子载波是正交的，当OFDMA在频域进行解调时，各个子载波间的衰落是独立的，不相干的子载波间衰落不会互相影响，其性能取决于深衰落的子载波。

2.对于SC-FDMA解调是在时域进行的，在频域的信号被IFFT之后衰落就被平均，即衰落程度被均分到各个子载波上，也就是说各种好坏的衰落被均分。

3. SC-FDMA对SNR更为敏感。由图可见当SNR增加时，两者性能接近，这也很好的解释了SC-FDMA在时域解调是IFFT平均的结果，随着SNR的增加，被平均的衰落的影响就会越加减小。

1.调制

if dataType == 'Q-PSK'

tmp = round(rand(2,SP.inputBlockSize));

tmp = tmp*2 - 1;

inputSymbols = (tmp(1,:) + i*tmp(2,:))/sqrt(2);

elseif dataType == '16QAM'

alpha16qam = [-3 -1 1 3]; % 16-QAM alphabets

ip = randsrc(1,SP.inputBlockSize,alpha16qam) + j*randsrc(1,SP.inputBlockSize,alpha16qam);

inputSymbols = (1/sqrt(10))*ip; % normalization of energy

end

2.解调

if dataType =='Q-PSK'

EstSymbols_lfdma = sign(real(EstSymbols_lfdma)) + j * sign(imag(EstSymbols_lfdma));

EstSymbols_lfdma = EstSymbols_lfdma / sqrt(2);

elseif dataType == '16QAM'

x_re = real(EstSymbols_lfdma); % real part

x_im = imag(EstSymbols_lfdma); % imaginary part

%--------------------------------

ipx_re(find(x_re< -2/sqrt(10))) = -3;

ipx_re(find(x_re > 2/sqrt(10))) = 3;

ipx_re(find(x_re>-2/sqrt(10) & x_re<=0)) = -1;

ipx_re(find(x_re>0 & x_re<=2/sqrt(10))) = 1;

ipx_im(find(x_im< -2/sqrt(10))) = -3;

ipx_im(find(x_im > 2/sqrt(10))) = 3;

ipx_im(find(x_im>-2/sqrt(10) & x_im<=0)) = -1;

ipx_im(find(x_im>0 & x_im<=2/sqrt(10))) = 1;

%-------------------------------

ipx = ipx_re + j*ipx_im;

EstSymbols_lfdma = ipx/sqrt(10);

end

结论：调制方式QPSK性能要优于16QAM。

分析：

QPSK是2个bit映射到一个符号，16QAM是4个bit映射到一个符号，在假定所加入相同噪声功率的噪声时，由于16QAM符号归一化后是除以sqrt(10)，QPSK符号归一化是除以sqrt(2)，解调又是按照对应的相同的方式解调，此时16QAM解调的“精度”会小于QPSK，因此传输一个符号的误符号率就大于QPSK。