nr碼本演算法

❶ 5GNR之EN-DC介紹（基於日誌）

MR-DC ： Multi-Radio Dual Connectivity ，是把LTE雙連接技術擴展到其他RAT，讓UE可以同時接入LTE和NR，其中一個作為MN（Master Node），一個作為SN（Secondary Node），MN提供到核心網的控制面連接，SN不提供與核心網的控制面連接，只為UE提供額外的資源。MN和SN之間通過網路介面連接起來，至少MN要與核心網連接，SN可以與核心網連接，也可以不跟核心網連接。

如上圖，按照核心網的不同一共可以分為4類，目前5G建網初期，為了實現快速布網，降低成本，運營商主要是使用EN-DC的建網模式。

UECapabilityEnquiry

UECapabilityInformation

從LOG看UE注冊時會查詢3次UE能力，

第一次和之前的一樣，查詢UE 234G的能力。

第二次的信息中只保留了LTE，但是新增了NR和MRDC，但是從UE上報的信息，相對於第一次少了23G能力，但是只多了 featureSetsEUTRA ，參考TS36331-5.6.3.3

sib2信息中如果有配置如下IE，說明這個小區是NR的錨點小區。

第三次相比第二次少了eutra，但是新增eutra-nr和nr。

如果UE支持EN-DC：

從這里可以知道UE支持兩載波的EN-DC組合，即LTE 1cc + NR 1cc，Band3+n41。

UE如何支持SA組網，則會上報nr：

這次RRC重配主要配置了SRB2、DRB1以及NR，NR的信息如下，相對於LTE，LTE中DRB沒有配置PDCP，所以使用的是默認配置，但是在NR中配置了DRB的PDCP。

配置測量相關信息，和單獨的LTE不同，增加了對NR小區的測量。

全部的測量配置內容：

NR測量時序配置，參考TS36331-5.5.2.13

其中Offset和Periodicity由測量配置參數中的 periodicityAndOffset 確定。比如上面消息中， periodicityAndOffset-r15 sf20-r15 : 0

所以subframe = 0 或者 5， SFN mod 2 = 0；說明在偶數無線幀的子幀0或者5上進行NR的測量。

Event B1：異系統鄰區比閾值要好。

進入條件：

離開條件：

其中：

網路接收到測量報告，然後判斷是否添加NR小區，如果需要添加就下發RRC重配，把NR小區的信息提供給UE。

配置NR小區相關信息，主要包含小區隨機接入相關的信息和測量配置。NSA下NR小區的隨機接入信息是通過RRC重配發給UE的，不需要通過SIB信息。

LTE下解析的RRC重配信息：

首先是把關於之前建立的DRB bearer給釋放掉。

NR下解析的RRC重配信息，主要包括NR小區的基本配置和對NR小區的測量配置。

DRB也進行重配，這次跟第一次最大的區別是keyToUse時secondary，說明PCDP使用的是NR側的。

servCellIndex ：PSCell的服務小區ID，主小區組的PCell使用ID=0

reconfigurationWithSync ：與目標SpCell的同步重新配置的參數

rlf-TimersAndConstants ：用於探測和觸發小區級別RLF的定時器和常量。

rlmInSyncOutOfSyncThreshold ：用於IS/OOS指示生成的BLER閾值對索引。n1對應值1，如果不配置這個值，UE默認使用0，無論何時重配時，UE重置N310和N311並停止T310。

spCellConfigDedicated : ServingCellConfig ，用於配置UE的服務小區信息。

spCellConfigCommon ： ServingCellConfigCommon ，用於配置小區指定的參數，該IE包含UE從IDLE接入小區時從SSB、MIB、SIBs獲取的參數。通過專用信令配置給UE。

t304 ：啟動：接收到包括 reconfigurationWithSync 的RRC重配消息時；停止：在對應的SpCell上完成隨機接入之後，對於SCG的t304，當SCG釋放時停止；超時：對於MCG的t304，從NR或NR內進行切換時，進行RRC重建流程，切換到NR時，按照原來RAT的spec進行處理；對於SCG的t304，啟動SCG failure過程來通知網路同步失敗的重新配置，參考TS38311-5.7.3

rach-ConfigDedicated ：用於同步重配的隨機接入配置，UE使用 firstActiveUplinkBWP 中參數進行隨機接入。

實網下LOG：

smtc :用於配置測量定時（timing）配置，即UE測量SSB的時機。

接收到這條RRC重配之後，UE就要在NR上發起隨機接入。

同LTE一樣，NR隨機接入也分為基於競爭隨機接入和基於非競爭隨機接入，NSA都是基於非競爭的隨機接入，隨機接入流程：

UE解析出MIB，表示已經完成了下行同步。

隨機接入配置：

RRC重配中已經給出了Preamble index=8。

rach attempt：

Msg1在SFN#20，subframe#9上發送，RAR監聽窗口為210~220共10ms。

UE在RAR監聽窗口內使用RA-RNTI進行解碼PDCCH (DCI format 1_0)，UE根據DCI1_0指示的時頻位置接收PDSCH的MAC PDU內容，然後根據解析出RAPID，如果跟Msg1中的RAPID相同就說明接收到了正確的RAR。

UE在SFN#21的slot#7上接收到DCI。

Msg3發送，SFN#21,subframe#7，slot#14上進行發送。

首先是把關於NR的測量配置給刪除，更新之後的測量配置如下：

相對於之前的測量配置只是少了NR相關的，其他還繼續保留。

看了幾份日誌這條消息跟NR隨機接入時間差不多，但是RRC重配完成是在隨機接入之後，應該可以理解為NR隨機接入之後的處理。

這次RRC重配主要是配置IMS的承載，配置DRB4

PCell ：Primary Cell

PSCell ：Primary SCG Cell

SCell ：Secondary Cell

SpCell ：Special Cell

MCG ：Master Cell Group

SCG ：Secondary Cell Group

Primary Cell : 在主要頻率上操作的MCG小區，UE可以在其中執行初始連接建立過程或發起連接重建過程。

Primary SCG Cell : 對於雙連接操作，當執行帶有同步的重新配置過程時，UE在其中進行隨機訪問的SCG小區。

Secondary Cell : 對於配置有CA的UE，在特殊小區之上提供額外無線資源的小區。

Secondary Cell Group :對於配置有雙連接的UE，服務小區的子集包括PSCell和零個或多個輔助小區。

Serving Cell : 對於RRC_CONNECTED狀態下沒有配置CA/DC的UE，只有一個服務小區由主小區組成。對於配置了CA/DC的UE，服務小區指由特殊小區和所有輔助小區組成一組小區。

Special Cell: 對於雙連接操作指MCG中的PCell或者SCG中的PSCell，否則指的就是PCell。

❷ 碼塊大小計算之 NR vs LTE

最近在整理實習平台的模擬結果，又重新看了一下NR中TBS大小的確定問題，簡單記錄一下吧。

對於NR-MCS索引值及參數確定，可以按如下步驟進行：

UE根據接收到的DCI format來讀取以下信息：

        對於索引值在0~27或0~28之間的 有確定的調制階數和目標碼率，稱其為顯示MCS；對於索引值在28~31或29~31之間的[if !msEquation]I_MCS[endif]僅有確定的調制階數，其目標碼率為reserved狀態，稱其為隱式MCS，只用於重傳。

          對於PDSCH，MCS索引table有3個，在本節中只選其中一個進行闡述：對於具體使用哪一個MCS Index 表格，由UE根據高層參數PDSCH-Config中的mcs-Table設置確定；UE由已知的 從鎖定的table中找出 索引值對應的調制階數 和目標碼率 ；如當確定MCS Index為6時，則對應的調制階數 為2，其對應的目標碼率 為449/1024；

公式為： ，其參數對應的意義如下：

：一個物理資源塊上子載波數；

：一個時隙內分配給PDSCH的符號數；

：在調度持續時間內每個PRB中用於DMRS的RE數；

:由PDSCH-ServingCellConfig中的更高層參數xOverhead配置的開銷（0，6，12，18，未配置時默認為0）；

公式為：  ,其參數對應的意義如下：

：PRB總數

        已知用於PDSCH的RE數 ，目標碼率 ，調制階數 及層數 ，根據下式獲得信息比特的中間數: ;根據得到的 ，比較其與3824的大小關系，1）若小於等於3824，則執行第3.4節進行量化查表(TB級16位CRC)；2）若大於3824，則執行第3.5節進行量化計算(TB級24位CRC，CB級24位CRC)。

      該TBS大小包含16CRC比特，因此實際傳輸的比特數應該是表格中的比特數-16。

 當 ≤3824，量化信息比特的中間數 ，得到

,其中， 。

利用得到的 ，從38.214 Table 5.1.3.2-1中找出最小但不小於 的TBS作為最終的碼塊大小，該碼塊大小包含CRC比特長度。

當 >3824，先量化信息比特的中間數 ，得到 ,其中， ；

再判斷目標碼率 ，若是，則TBS確定如下：

，其中

否則，繼續判斷 ，若是，則TBS確定如下：

，其中，

否則，TBS的確定如下：

隱式MCS沒有明確的目標碼率，對於TBS的確定有以下確定方式：

第一種：由同一傳輸塊中的最新（the latest）的PDCCH（0≤I_MCS≤27）來決定；

第二種：若沒有來自同一傳輸塊的最新PDCCH，並且對於同一傳輸塊的初始PDSCH採用配置授權，則TBS Size由最近（the most recent）的配置調度的PDCCH來決定。

對於LTE-MCS索引值及參數確定，可以按如下步驟進行：

UE根據接收到的DCI format來讀取以下信息：

Molation and coding scheme ：5bit，得到 ，MCS索引值范圍在0~31之間。其中，對於索引值在0~28之間的 有確定的調制階數和TBS Index ；}對於索引值在29~31之間的 僅有確定的調制階數，其TBS Index為reserved狀態，只用於重傳。

UE根據DCI格式，分配資源的方式和分配結果計算得到使用的N_PRB個數及使用的層數：

已知用於PDSCH的 數，層數 及 ，查表獲得最終的TBS大小,如下：

1 個 TB 不映射到多於1 層的空分復用，即只映射到1 層時，根據36.213的 7.1.7.2.1節表格來得到對應TB 的 TB Size；

同理，1 個 TB 映射到2 層的空分復用時，根據36.213的 7.1.7.2.2節的介紹來得到對應TB 的 TB Size；1 個 TB 映射到3 層的空分復用，則根據36.213的 7.1.7.2.4節的介紹來得到對應TB 的 TB Size；1個 TB 映射到 4 層的空分復用時，根據36.213的 7.1.7.2.5節的介紹來得到對應TB 的 TB Size；

此時為下行自適應重傳，UE會根據對同一個TB的最近一次的 ∈[0:28]的PDCCH來決定其使能的TBS（此時重傳不改變TBS）。如果找不到對應TB的最近一次 ，並且同一 TB 的初始 PDSCH 傳輸是半靜態調度（SPS）時，其 TBS會由最近一個半靜態調度分配時使用的PDCCH來決定。

參考文獻：

【1】TS 38.214 Physical layer proceres for data

【2】¨3GPP TSG RAN1 R1-1720353 ,『Remainingdetails on TBS determination』, Samsung

【3】TS 38.213 Physical layer proceres

❸ 5GNR PDCP

PDCP層位於RLC層之上，通過RLC channel與RLC層進行通信，通過SAP與SDAP/RRC層進行通信。PDCP層的功能由PDCP實體來實現。PDCP實體從RLC層收發的數據稱為PDCP PDU，從SDAP/RRC層收發的數據稱為PDCP SDU。在NR協議棧中和上層的收發數據稱為SDU，同下層的收發數據稱為PDU。

PDCP層只會用在映射到邏輯信道DCCH和DTCH的無線承載上，而不用於其它類型的邏輯信道上。

除了SRB0之外，每個無線承載都和一個PDCP實體相關聯，一個UE可以建立多個無線承載，因此可以包含多個PDCP實體，每個實體只處理一個無線承載的數據。取決於無線承載的特性（例如單向/雙向，split/non-split）或RLC模式，每個PDCP實體可以關聯1/2/4個RLC實體：

< 38.323-6.2.2.1-1: PDCP Data PDU format for SRBs >

< 38.323-6.2.2.2: PDCP Data PDU format for UM DRBs and AM DRBs>

< 38.323-6.2.3.1: PDCP Control PDU format for PDCP status report>

長度：32bit

攜帶著鑒權碼，對於SRB來說這個參數一直存在，如果沒有配置SRB的完整性保護，則其值為全0。對於DRB來說，只有網路配置了完整性保護才有這個參數。

COUNT的值是由HFN和PDCP SN組成，HFN部分的大小（以比特為單位）等於32減去PDCP SN的長度。

長度：1bit

R15版本中還用於保留。

長度：1bit

長度：1bit

長度：32bit

此欄位指示在重新排序窗口內的第一個丟失的PDCP SDU的COUNT值，即RX_DELIV。

該欄位指示在接收PDCP實體中丟失了哪些SDU以及正確接收了哪些SDU。 Bitmap中第N個位的位置是N，即Bitmap中第一個位的位置是1。

該欄位包含一個僅具有反饋的ROHC數據包，即與PDCP SDU不相關的ROHC數據包。

ROHC框架定義了多個頭壓縮演算法，被稱為profile，目前R15中支持的頭壓縮協議和profile如下：

UE在接入網路時會告訴NW自己支持那些演算法，NW會在配置PDCP時告訴UE選用哪種演算法。

數據經過PDCP頭壓縮之後，如果PDCP SN為12bit，則頭長度為2位元組，否則頭長度為3位元組。

如果RRC參數 pdcp-Duplication 配置了，PDCP實體：

重復PDCP丟棄：

TS38300-16.1.3

如圖所示，當無線承載配置了PDCP重復之後，就會給PDCP添加第二個RLC實體，對應的邏輯信道是第二邏輯信道。這兩個RLC實體具有相同的模式，PDCP會生成兩個相同的PDU，分別發給兩個RLC實體。通過兩個獨立的傳輸路徑，提高了數據傳輸的可靠性，降低了等待時間，對於URLLC服務特別有利。

當DRB配置了plication之後，RRC也同時設置了plication的初始狀態（激活/不激活），可以通過MAC CE進行動態控制是否激活。如果SRB配置了plication，那麼總是激活的，而且不能動態控制。

示例：

這個是5GNR的EN-DC現網配置，PDCP SN上下行都是18bits，不使用頭壓縮，需要發送狀態報告。PDCP實體排序的時間為200ms。

❹ NR用戶數據採用的前向糾錯碼是

Polar。
1、在NR用戶里Polar碼由於優良的編譯碼演算法處理能力和高可靠性。
2、Polar已經被視為5G空口中前向糾錯（FEC）的候選數據採用技術。

❺ 矢量量化 vector quantization

矢量量化（VQ—VectorQuantization）是70年代後期發展起來的一種數據壓縮技術基本思想：將若干個標量數據組構成一個矢量，然後在矢量空間給以整體量化，從而壓縮了數據而不損失多少信息。矢量量化編碼也是在圖像、語音信號編碼技術中研究得較多的新型量化編碼方法，它的出現並不僅僅是作為量化器設計而提出的，更多的是將它作為壓縮編碼方法來研究的。在傳統的預測和變換編碼中，首先將信號經某種映射變換變成一個數的序列，然後對其一個一個地進行標量量化編碼。而在矢量量化編碼中，則是把輸入數據幾個一組地分成許多組，成組地量化編碼，即將這些數看成一個k維矢量，然後以矢量為單位逐個矢量進行量化。矢量量化是一種限失真編碼，其原理仍可用資訊理論中的率失真函數理論來分析。而率失真理論指出，即使對無記憶信源，矢量量化編碼也總是優於標量量化。

在矢量量化編碼中，關鍵是碼本的建立和碼字搜索演算法。

碼本的生成演算法有兩種類型，一種是已知信源分布特性的設計演算法；另一種是未知信源分布，但已知信源的一列具有代表性且足夠長的樣點集合（即訓練序列）的設計演算法。可以證明，當信源是矢量平衡且遍歷時，若訓練序列充分長則兩種演算法是等價的。

碼字搜索是矢量量化中的一個最基本問題，矢量量化過程本身實際上就是一個搜索過程，即搜索出與輸入最為匹配的碼矢。矢量量化中最常用的搜索方法是全搜索演算法和樹搜索演算法。全搜索演算法與碼本生成演算法是基本相同的，在給定速率下其復雜度隨矢量維數K以指數形式增長，全搜索矢量量化器性能好但設備較復雜。樹搜索演算法又有二叉樹和多叉樹之分，它們的原理是相同的，但後者的計算量和存儲量都比前者大，性能比前者好。樹搜索的過程是逐步求近似的過程，中間的碼字是起指引路線的作用，其復雜度比全搜索演算法顯著減少，搜索速度較快。由於樹搜索並不是從整個碼本中尋找最小失真的碼字，因此它的量化器並不是最佳的，其量化信噪比低於全搜索。

矢量量化的使用：

n如果一個2x2像素的小塊，每像素有8位表示，則所有的像素塊的可能取值有：232=4G種，可以選擇一個遠遠小於這個數的數n，作為碼書中碼的個數，然後對圖像中的每個塊（矢量），用一個碼書中的碼來近似，這樣只需用這個碼的編號來編碼這個圖像矢量即可，因此每一個小塊，最後都只需用log2n個位來表示，由此達到壓縮的目的。

n如果一個2x2像素的小塊，每像素有8位表示，則所有的像素塊的可能取值有：232=4G種，可以選擇一個遠遠小於這個數的數n，作為碼書中碼的個數，然後對圖像中的每個塊（矢量），用一個碼書中的碼來近似，這樣只需用這個碼的編號來編碼這個圖像矢量即可，因此每一個小塊，最後都只需用log2n個位來表示，由此達到壓縮的目的。

n如果一個2x2像素的小塊，每像素有8位表示，則所有的像素塊的可能取值有：232=4G種，可以選擇一個遠遠小於這個數的數n，作為碼書中碼的個數，然後對圖像中的每個塊（矢量），用一個碼書中的碼來近似，這樣只需用這個碼的編號來編碼這個圖像矢量即可，因此每一個小塊，最後都只需用log2n個位來表示，由此達到壓縮的目的。

圖像塊與碼書中碼的匹配：

n設圖像塊B=(b1,b2,…,bn)

碼矢量：C=(c1,c2,…,cn)

n圖像塊與碼矢量的匹配程度，由它們之間的「距離」來度量，一般d(B,C)可取如下之一：

nΣ|bi-ci|

nΣ(bi–ci)2

nMax|bi-ci|

nd(B,C)可以看成失真程度的一種度量(B用C表示時)

LBG演算法：

nLBG演算法是由Linde,Buzo和Gray三位學者提出的方法。其主要的思想是：從一組碼矢量出發，將所有的圖像矢量進行劃分，然後再重新計算碼矢量，直到碼矢量的變化收斂時，即完成了碼書的選擇。

主要步驟：

1.隨意選取n個圖像塊作為碼矢量

2.由這n個碼矢量對所有的圖像塊進行劃分，即分成n個集合，使每個集合中的圖像塊，都是與各碼矢量距離中，與對應的碼矢量的距離最小的

3.由這n個集合的重心，得到n個新的碼矢量

4.如果這些個碼矢量與原來的碼矢量變化不大（收斂），就完成碼書的訓練，否則重新進行2、3步

例子：

n假設每像素8位，分成兩個像素的小塊。

n圖像共有24個像素，12個小塊：

B1=(32,32),B2=(60,32),B3=(32,50),B4=(60,50),B5=(60,150),B6=(70,140),B7=(200,210),B8=(200,32),B9=(200,40),B10=(200,50),B11=(215,50),B12=(215,35)

n初始碼書：C1=(70,40),C2=(60,120),C3=(210,200),C4=(225,50)

❻ NR-MIMO的關鍵特性

提升高頻段覆蓋，使得蜂窩小區部署毫米波頻段成為可能

滿足ITU 5G峰值速率20Gbps的需求

多波束操作

提升系統性能

滿足ITU 5G需求達到LTE 3倍的頻譜效率

增強的信道狀態信息設計

考慮配置場景，網路實現，可支持的頻段等，提供足夠的靈活性更大范圍的實現5G

增強的參考信號，傳輸機制

NR設計統一的CSI反饋框架，將CSI測量和CSI反饋方式進行解耦，以更加靈活的方式支持不同的MIMO傳輸方式在多種場景和多種頻帶的應用

NR支持兩類碼本用於CSI反饋

Type-I 是為單用戶MIMO優化的，上行開銷較小

Type-II 是為多用戶MIMO優化的，信道信息更加精細，因此上行開銷更大

NR系統中，CSI包括CQI、PMI、CSI-RS資源指示（CRI）、SSB塊資源指示（SSBRI）、層指示（LI）、RI以及L1-RSRP

LI用於指示PMI最強的列，用於PT-RS參考信號映射

SSBRI指示波束索引，L1-RSRP指示波束強度，用於波束管理

NR中僅支持一種下行傳輸模式，即基於閉環DM RS的空分復用PDSCH傳輸

單用戶最多支持8流傳輸

正交DM RS埠支持最多12個多用戶復用，多用戶中每個用戶最多4流

NR支持兩種上行傳輸模式

基於碼本的數據傳輸，DCI指示預編碼矩陣的index

基於非碼本的數據傳輸，DCI通過SRI（SRS資源index）指示上行數據的預編碼碼字

單用戶最多4流

LTE 的下行參考信號CRS具有 「one size fits all」 的特性

限制了靈活的網路部署，網路能量效率低，不適用於高頻段和大規模MIMO

NR 下行參考信號為特殊的功用進行設計，可以靈活適配到不同的部署場景和頻段內

閉環傳輸方案

預編碼方式依賴於終端上報給基站的信道狀態信息

終端測量CSI-RS獲取並上報CSI

基站基於反饋的CSI進行下行預編碼

基於信道互易性反饋時，基站通過對上行參考信號的測量獲取信道的空域信息，然後結合終端反饋的CQI/RI等信息進行調度和預編碼

准開環傳輸方案

基站依據優先的CSI（寬頻反饋的第一級預編碼矩陣）進行粗略的預編碼

適用於信道變化較快的中高速場景

計算CQI時，終端假設W1取決於上報的寬頻PMI，W2則隨機進行切換

多用戶傳輸方案

統一的傳輸模式靈活的支持多種MIMO傳輸方案

依賴於更加精準的CSI的反饋精度，用於在發送端最大限度的抑制和避免終端間的干擾

引入了高精度的Type II碼本，有效提升多用戶MIMO的系統性能

支持碼本和非碼本發送

碼本發送: 基站指示給UE上行波束方向和預編碼

非碼本發送: 基站只指示波束的方向

行標支持下行傳輸

單用戶閉環傳輸

多用戶MIMO

對16通道基站，支持至少8流的MU-MIMO

對32通道基站，支持至少12流的MU-MIMO

對64通道基站，支持至少12流的MU-MIMO

行標上行傳輸

基於碼本的上行傳輸模式

基於非碼本的上行傳輸模式

單用戶上行2流傳輸

單用戶上行4流傳輸（可選）

多用戶MIMO

對16通道基站，支持至少8流的MU-MIMO

對32通道基站，支持至少12流的MU-MIMO

對64通道基站，支持至少12流的MU-MIMO

LTE中的CSI-RS用於信道測量，NR中的CSI-RS主要用於以下幾個方面：

獲取信道狀態信息

波束管理

精確的時頻跟蹤

移動性管理（行標可選）

NR CSI-RS有兩種類型：

Non-zero-power（NZP）非零功率NZP CSI-RS

時頻跟蹤

CSI反饋

L1-RSRP測量

移動性管理

Zero-power零功率ZP CSI-RS

PDSCH速率匹配

RRC信令為UE配置一個或者多個CSI-RS集合，每個CSI-RS集合包含一個或多個CSI-RS資源

每個CSI-RS資源最大配置32個埠，映射到1個或者多個OFDM符號上

高層信令給出最多可能的兩個時域符號位置，頻域用點陣圖方式指示一個符號上子載波的佔用情況

X個埠CSI-RS圖樣基本單元，由一個PRB內頻域上相鄰的Y個RE和時域上相鄰的N個OFDM符號組成，D代表CSI-RS的密度（ RE/PRB/port)

配置CSI-IM資源，基站不發送任何信號（ZP CSI-RS），終端在CSI-IM上測量干擾信號（來自於鄰區），統計接收信號強度

多用戶調度時，終端對其它終端的NZP CSI-RS進行干擾測量

對UE配置的CSI資源設置配置三種資源

CSI-IM資源

NZP CSI-RS資源用於干擾測量

NZP CSI-RS用於信道測量

取決於實現來靈活組合測量信道和干擾

終端通過掃描CSI-RS來獲取模擬波束賦形的權值

發送波束掃描：CSI上報RSRP

接收波束掃描：不進行CSI上報

使用1埠或2埠CSI-RS進行波束的測量和選擇

通過高層信令repetition參數配置的on/off表示資源集合中的多個resource使用相同/不同的下行波束發送

當設置為on的時候，表示CSI-RS發送的波束重復，即基站在相同波束上發送CSI-RS，UE可以掃描接收波束，進行波束訓練

當設置為off的時候，表示CSI-RS發送的波束不重復，也就是基站發送波束掃描，UE可以保持接收波束不變，進行波束訓練

一個resource集合中的resource使用相同的CSI-RS埠

NR採用特殊配置的CSI-RS作為TRS，用於終端進行精確的時頻偏同步

TRS的資源集合可以配置為周期，也可以非周期

周期TRS為一個資源集合，包含多個周期性CSI-RS資源

每個CSI-RS資源為一個頻域密度為3的1埠CSI-RS資源

一個時隙中的TRS符號間隔為4

TRS只支持1埠

非周期TRS與周期TRS的結構相同：帶寬，頻域位置，時隙個數

DCI觸發非周期TRS

終端無需對TRS測量進行CSI上報

在ZP CSI-RS上，基站不發送CSI-RS參考信號，目的用於PDSCH信道的速率匹配

ZP CSI-RS分為周期、半持續和非周期三種類型的配置

高層信令配置不同的ZP CSI-RS資源集合，每個集合包含多個ZP CSI-RS資源

每個ZP-CSI-RS資源的時頻域指示方式與信道狀態信息獲取的CSI-RS相同

非周期ZP CSI-RS指示

DCI觸發

半靜態信令觸發

周期CSI反饋

周期性CSI-RS和CSI-IM分別測量信道和干擾

每個CSI上報反饋所關聯的測量資源僅包含一個CSI-RS資源集合

半持續CSI反饋（SP-CSI）

周期性或者半持續CSI-RS和CSI-IM分別測量信道和干擾

PUSCH的半持續CSI上報

DCI中的CSI請求域來激活觸發狀態

用SP-CSI C-RNTI加擾來區分非周期CSI上報觸發與SP-CSI上報激活

反饋時隙偏移由DCI指示

PUCCH的半持續CSI上報

MAC CE激活去激活

RRC配置反饋周期和時隙偏移

非周期CSI上報（AP-CSI）

MAC CE結合DCI配置和觸發

基於PUSCH上報

每個CSI觸發狀態對應1個或者多個上報反饋設置，一個上報反饋關聯1~3個資源設置

1個資源設置用於波束管理

2個資源設置，1個用於信道測量，另一個用於干擾測量

3個資源設置，1個用於信道測量，一個用於CSI-IM干擾測量，一個用於NZP CSI-RS干擾測量

周期性、半持續或者非周期CSI-RS和CSI-IM分別測量信道和干擾，支持非周期性NZP CSI-RS測量干擾

DCI指示CSI上報的時隙偏移

支持的CSI-RS類型

用於信道測量的CSI-RS

基於CSI-IM的干擾測量

適用於周期、半持續和非周期CSI上報

基於NZP CSI-RS的干擾測量（可選）

適用於非周期CSI上報

支持的CSI-RS埠數量

4埠

8埠

大於8埠（可選）

支持的CSI-RS資源

周期性CSI-RS資源，包括一個CSI-RS資源集合，用於信道獲取

非周期CSI-RS資源（可選），包括一個CSI-RS資源集合，用於信道獲取

半持續CSI-RS資源（可選）

CSI-RS反饋類型

單panel type1反饋，包括針對最大4個CSI埠和8個CSI埠

Type II反饋（可選），支持至少12個CSI-RS埠的Type II反饋

支持的CSI-RS反饋時域密度

周期性CSI-RS反饋

非周期性CSI-RS反饋（可選）

PUSCH上半持續CSI-RS反饋（可選）

PUCCH上半持續CSI-RS反饋（可選）

信道狀態信息（CSI）上報內容

終端上報PMI CQI RI

終端上報RI CQI

SRS用於上行信道信息獲取，滿足信道互易性的下行信道信息獲取以及上行波束管理

基站可以為終端配置多個SRS資源集，每個SRS資源集包含一個或多個SRS資源

每個SRS資源包含1、2或4個SRS埠

每個SRS資源可以配置在一個時隙的最後6個OFDM符號中1、2或4個連續的符號

SRS頻域上支持兩種梳狀映射方式

Comb-2：每隔一個載波映射一個RE

Comb-4：每隔三個載波映射一個RE

SRS的時頻資源針對每個SRS資源進行配置

同一個SRS資源內的不同SRS埠佔用相同的符號，通過頻分或者碼分復用

碼分採用循環以為CS復用，不同發送comb配置，支持的最大循環移位個數不同：

comb-2：CS=8，comb-4：CS=12

NR支持64種SRS帶寬配置方式，一個SRS資源可配置的最小帶寬為4個RB，最大帶寬為272個RB

NR支持周期性的、半持續的和非周期的SRS發送方式，通過高層參數配置

一個SRS資源集內的所有SRS資源都與該SRS資源集具有相同的時域類型

周期性發送

UE根據所配置的參數進行周期性發送

半持續發送

UE在接收到關於半持續SRS資源的高層信令配置後，並且接收到MAC層發送的激活信令後，周期性的發送SRS，收到MAC層發送的去激活命令後，停止發送SRS

適用於時延較低的業務

非周期性發送

通過DCI信令激活，終端每接收到一次觸發命令，進行一次SRS發送

DCI包含2比特，1個狀態不觸發SRS發送，其它3個狀態分別表示觸發第一、第二、第三個SRS資源組

一個狀態可以觸發一個或多個SRS資源集，一個狀態對應的多個SRS資源集可以對應多個載波

SRS序列是基於ZC序列生成，長度為SRS佔用的子載波數

SRS支持序列跳頻或序列組跳頻，通過高層配置

SRS跳頻在減少SRS每次發送功率的情況下獲得更大的探測

支持時隙間跳頻以及時隙內符號間跳頻發送SRS

SRS天線切換

TDD系統利用上下行信道互易性，通過上行sounding獲取下行信道CSI

不同UE的收發天線數量不等，尤其是當發送的天線少於接收天線的時候，為了獲取下行CSI的信息，基站讓終端切換不同的天線埠發送SRS

終端進行物理切換過程中不能發送任何信號，為終端配置天線切換的保護間隔

SRS基本能力

支持在每個上下行轉換周期配置最大4個符號的SRS資源

支持周期SRS，非周期SRS（可選）

支持2梳分/4梳分（二選一）

支持時隙內和時隙間BWP內的頻域的跳頻（時隙內、時隙間跳頻二選一）

SRS發送埠數

1埠

2埠

4埠（可選）

SRS發送天線切換

2T4R SRS發送天線切換（對SA終端）

1T4R SRS發送天線切換（對SA終端）

1T4R SRS發送天線切換（對NSA終端）可選

1T2R SRS發送天線切換（對NSA終端）

❼ 鞋子的尺碼是怎麼算的

鞋子的尺碼換算公式：

1、厘米數×2－10=歐制

2、厘米數－18+0.5=美製

3、厘米數－18=英制

鞋子的碼數與單位米的換算：

1、（歐制+10）÷2=厘米數

2、美製+18－0.5=厘米數

3、英制+18=厘米數

(7)nr碼本演算法擴展閱讀

中國鞋號有以下三個特點：

一、中國統一鞋號和鞋楦尺寸系列是根據中國各地、各民族、各種不同工作崗位和不同職業的人們的腳型規律和特點制定出來的，它有著廣泛性和代表性，用中國鞋號和鞋楦尺寸系列設計製造出來的鞋子穿著舒適，適合勞動、運動，方便工作。

二、中國鞋號是以人的腳長為基礎，腳長多少毫米，就穿多少號的鞋，例如，腳長250mm，就穿25號的鞋。10mm為一個號，5mm為半個號。每個鞋號又以五個肥瘦型，一型較瘦，五型較肥，肥腳穿肥鞋，瘦腳穿瘦鞋，基本上可以做到按腳型製鞋。中國統一鞋號的表示方法：21.5一型、23三型、25四型、27.5五型。

三、中國採用了統一的鞋號，實現了製鞋工業的規范化、標准化、機械化、裝配化和工業現代化，提高了工作勞動效率，節約了原材料，降低了製鞋成本，提高了產品質量。

❽ 機器學習新手必看十大演算法

機器學習新手必看十大演算法
本文介紹了機器學習新手需要了解的 10 大演算法，包括線性回歸、Logistic 回歸、樸素貝葉斯、K 近鄰演算法等。
在機器學習中，有一種叫做「沒有免費的午餐」的定理。簡而言之，它指出沒有任何一種演算法對所有問題都有效，在監督學習(即預測建模)中尤其如此。
例如，你不能說神經網路總是比決策樹好，反之亦然。有很多因素在起作用，例如數據集的大小和結構。
因此，你應該針對具體問題嘗試多種不同演算法，並留出一個數據「測試集」來評估性能、選出優勝者。
當然，你嘗試的演算法必須適合你的問題，也就是選擇正確的機器學習任務。打個比方，如果你需要打掃房子，你可能會用吸塵器、掃帚或拖把，但是你不會拿出鏟子開始挖土。
大原則
不過也有一個普遍原則，即所有監督機器學習演算法預測建模的基礎。
機器學習演算法被描述為學習一個目標函數 f，該函數將輸入變數 X 最好地映射到輸出變數 Y：Y = f(X)
這是一個普遍的學習任務，我們可以根據輸入變數 X 的新樣本對 Y 進行預測。我們不知道函數 f 的樣子或形式。如果我們知道的話，我們將會直接使用它，不需要用機器學習演算法從數據中學習。
最常見的機器學習演算法是學習映射 Y = f(X) 來預測新 X 的 Y。這叫做預測建模或預測分析，我們的目標是盡可能作出最准確的預測。
對於想了解機器學習基礎知識的新手，本文將概述數據科學家使用的 top 10 機器學習演算法。
1. 線性回歸
線性回歸可能是統計學和機器學習中最知名和最易理解的演算法之一。
預測建模主要關注最小化模型誤差或者盡可能作出最准確的預測，以可解釋性為代價。我們將借用、重用包括統計學在內的很多不同領域的演算法，並將其用於這些目的。
線性回歸的表示是一個方程，它通過找到輸入變數的特定權重(稱為系數 B)，來描述一條最適合表示輸入變數 x 與輸出變數 y 關系的直線。
線性回歸
例如：y = B0 + B1 * x
我們將根據輸入 x 預測 y，線性回歸學習演算法的目標是找到系數 B0 和 B1 的值。
可以使用不同的技術從數據中學習線性回歸模型，例如用於普通最小二乘法和梯度下降優化的線性代數解。
線性回歸已經存在了 200 多年，並得到了廣泛研究。使用這種技術的一些經驗是盡可能去除非常相似(相關)的變數，並去除噪音。這是一種快速、簡單的技術，可以首先嘗試一下。
2. Logistic 回歸
Logistic 回歸是機器學習從統計學中借鑒的另一種技術。它是解決二分類問題的首選方法。
Logistic 回歸與線性回歸相似，目標都是找到每個輸入變數的權重，即系數值。與線性回歸不同的是，Logistic 回歸對輸出的預測使用被稱為 logistic 函數的非線性函數進行變換。
logistic 函數看起來像一個大的 S，並且可以將任何值轉換到 0 到 1 的區間內。這非常實用，因為我們可以規定 logistic 函數的輸出值是 0 和 1(例如，輸入小於 0.5 則輸出為 1)並預測類別值。
Logistic 回歸
由於模型的學習方式，Logistic 回歸的預測也可以作為給定數據實例(屬於類別 0 或 1)的概率。這對於需要為預測提供更多依據的問題很有用。
像線性回歸一樣，Logistic 回歸在刪除與輸出變數無關的屬性以及非常相似(相關)的屬性時效果更好。它是一個快速的學習模型，並且對於二分類問題非常有效。
3. 線性判別分析(LDA)
Logistic 回歸是一種分類演算法，傳統上，它僅限於只有兩類的分類問題。如果你有兩個以上的類別，那麼線性判別分析是首選的線性分類技術。
LDA 的表示非常簡單直接。它由數據的統計屬性構成，對每個類別進行計算。單個輸入變數的 LDA 包括：
每個類別的平均值;
所有類別的方差。
線性判別分析
進行預測的方法是計算每個類別的判別值並對具備最大值的類別進行預測。該技術假設數據呈高斯分布(鍾形曲線)，因此最好預先從數據中刪除異常值。這是處理分類預測建模問題的一種簡單而強大的方法。
4. 分類與回歸樹
決策樹是預測建模機器學習的一種重要演算法。
決策樹模型的表示是一個二叉樹。這是演算法和數據結構中的二叉樹，沒什麼特別的。每個節點代表一個單獨的輸入變數 x 和該變數上的一個分割點(假設變數是數字)。
決策樹
決策樹的葉節點包含一個用於預測的輸出變數 y。通過遍歷該樹的分割點，直到到達一個葉節點並輸出該節點的類別值就可以作出預測。
決策樹學習速度和預測速度都很快。它們還可以解決大量問題，並且不需要對數據做特別准備。
5. 樸素貝葉斯
樸素貝葉斯是一個簡單但是很強大的預測建模演算法。
該模型由兩種概率組成，這兩種概率都可以直接從訓練數據中計算出來：1)每個類別的概率;2)給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用於使用貝葉斯定理對新數據進行預測。當你的數據是實值時，通常假設一個高斯分布(鍾形曲線)，這樣你可以簡單的估計這些概率。
貝葉斯定理
樸素貝葉斯之所以是樸素的，是因為它假設每個輸入變數是獨立的。這是一個強大的假設，真實的數據並非如此，但是，該技術在大量復雜問題上非常有用。
6. K 近鄰演算法
KNN 演算法非常簡單且有效。KNN 的模型表示是整個訓練數據集。是不是很簡單?
KNN 演算法在整個訓練集中搜索 K 個最相似實例(近鄰)並匯總這 K 個實例的輸出變數，以預測新數據點。對於回歸問題，這可能是平均輸出變數，對於分類問題，這可能是眾數(或最常見的)類別值。
訣竅在於如何確定數據實例間的相似性。如果屬性的度量單位相同(例如都是用英寸表示)，那麼最簡單的技術是使用歐幾里得距離，你可以根據每個輸入變數之間的差值直接計算出來其數值。
K 近鄰演算法
KNN 需要大量內存或空間來存儲所有數據，但是只有在需要預測時才執行計算(或學習)。你還可以隨時更新和管理訓練實例，以保持預測的准確性。
距離或緊密性的概念可能在非常高的維度(很多輸入變數)中會瓦解，這對演算法在你的問題上的性能產生負面影響。這被稱為維數災難。因此你最好只使用那些與預測輸出變數最相關的輸入變數。
7. 學習向量量化
K 近鄰演算法的一個缺點是你需要遍歷整個訓練數據集。學習向量量化演算法(簡稱 LVQ)是一種人工神經網路演算法，它允許你選擇訓練實例的數量，並精確地學習這些實例應該是什麼樣的。
學習向量量化
LVQ 的表示是碼本向量的集合。這些是在開始時隨機選擇的，並逐漸調整以在學習演算法的多次迭代中最好地總結訓練數據集。在學習之後，碼本向量可用於預測(類似 K 近鄰演算法)。最相似的近鄰(最佳匹配的碼本向量)通過計算每個碼本向量和新數據實例之間的距離找到。然後返回最佳匹配單元的類別值或(回歸中的實際值)作為預測。如果你重新調整數據，使其具有相同的范圍(比如 0 到 1 之間)，就可以獲得最佳結果。
如果你發現 KNN 在你的數據集上達到很好的結果，請嘗試用 LVQ 減少存儲整個訓練數據集的內存要求。
8. 支持向量機(SVM)
支持向量機可能是最受歡迎和最廣泛討論的機器學習演算法之一。
超平面是分割輸入變數空間的一條線。在 SVM 中，選擇一條可以最好地根據輸入變數類別(類別 0 或類別 1)對輸入變數空間進行分割的超平面。在二維中，你可以將其視為一條線，我們假設所有的輸入點都可以被這條線完全的分開。SVM 學習演算法找到了可以讓超平面對類別進行最佳分割的系數。
支持向量機
超平面和最近的數據點之間的距離被稱為間隔。分開兩個類別的最好的或最理想的超平面具備最大間隔。只有這些點與定義超平面和構建分類器有關。這些點被稱為支持向量，它們支持或定義了超平面。實際上，優化演算法用於尋找最大化間隔的系數的值。
SVM 可能是最強大的立即可用的分類器之一，值得一試。
9. Bagging 和隨機森林
隨機森林是最流行和最強大的機器學習演算法之一。它是 Bootstrap Aggregation(又稱 bagging)集成機器學習演算法的一種。
bootstrap 是從數據樣本中估算數量的一種強大的統計方法。例如平均數。你從數據中抽取大量樣本，計算平均值，然後平均所有的平均值以便更好的估計真實的平均值。
bagging 使用相同的方法，但是它估計整個統計模型，最常見的是決策樹。在訓練數據中抽取多個樣本，然後對每個數據樣本建模。當你需要對新數據進行預測時，每個模型都進行預測，並將所有的預測值平均以便更好的估計真實的輸出值。
隨機森林
隨機森林是對這種方法的一種調整，在隨機森林的方法中決策樹被創建以便於通過引入隨機性來進行次優分割，而不是選擇最佳分割點。
因此，針對每個數據樣本創建的模型將會與其他方式得到的有所不同，不過雖然方法獨特且不同，它們仍然是准確的。結合它們的預測可以更好的估計真實的輸出值。
如果你用方差較高的演算法(如決策樹)得到了很好的結果，那麼通常可以通過 bagging 該演算法來獲得更好的結果。
10. Boosting 和 AdaBoost
Boosting 是一種集成技術，它試圖集成一些弱分類器來創建一個強分類器。這通過從訓練數據中構建一個模型，然後創建第二個模型來嘗試糾正第一個模型的錯誤來完成。一直添加模型直到能夠完美預測訓練集，或添加的模型數量已經達到最大數量。
AdaBoost 是第一個為二分類開發的真正成功的 boosting 演算法。這是理解 boosting 的最佳起點。現代 boosting 方法建立在 AdaBoost 之上，最顯著的是隨機梯度提升。
AdaBoost
AdaBoost與短決策樹一起使用。在第一個決策樹創建之後，利用每個訓練實例上樹的性能來衡量下一個決策樹應該對每個訓練實例付出多少注意力。難以預測的訓練數據被分配更多權重，而容易預測的數據分配的權重較少。依次創建模型，每個模型在訓練實例上更新權重，影響序列中下一個決策樹的學習。在所有決策樹建立之後，對新數據進行預測，並且通過每個決策樹在訓練數據上的精確度評估其性能。
因為在糾正演算法錯誤上投入了太多注意力，所以具備已刪除異常值的干凈數據非常重要。
總結
初學者在面對各種機器學習演算法時經常問：「我應該用哪個演算法?」這個問題的答案取決於很多因素，包括：(1)數據的大小、質量和特性;(2)可用的計算時間;(3)任務的緊迫性;(4)你想用這些數據做什麼。
即使是經驗豐富的數據科學家在嘗試不同的演算法之前，也無法分辨哪種演算法會表現最好。雖然還有很多其他的機器學習演算法，但本篇文章中討論的是最受歡迎的演算法。如果你是機器學習的新手，這將是一個很好的學習起點。

❾ NR協議描述

5G NR終端相關規范

TS 38.101-1 :NR:用戶設備(UE)無線電發射和接收，第1部分:范圍1獨立組網

TS 38.101-2 :NR:用戶設備(UE)無線電發射和接收，第2部分:范圍2獨立組網

TS 38.101-3 :NR:用戶設備(UE)無線電發射和接收，第3部分:范圍1和范圍2與其餘無線的互通操做

TS 38.101-4 :NR:用戶設備(UE)無線電發射和接收，第1部分:性能要求網

5G NR空口相關規范

TS 38.133 :NR:支持無線資源管理的要求

TS 38.201 :NR:物理層；整體描述

TS 38.202 :NR:物理層提供的服務

TS 38.211 :NR:物理信道與調制

TS 38.212 :NR:復用與信道編碼

TS 38.213 :NR:物理層控制流程

TS 38.214 :NR:物理層業務流程

TS 38.300 :NR:整體描述；階段2

TS 38.321 :NR:介質訪問控制(MAC)協議規范

TS 38.322 :NR:無線鏈路控制(RLC)協議規范

TS 38.323 :NR:分組數據融合協議(PDCP)規范

TS 38.331 :NR:無線資源控制(RRC)協議規范架構