nr码本算法

❶ 5GNR之EN-DC介绍（基于日志）

MR-DC ： Multi-Radio Dual Connectivity ，是把LTE双连接技术扩展到其他RAT，让UE可以同时接入LTE和NR，其中一个作为MN（Master Node），一个作为SN（Secondary Node），MN提供到核心网的控制面连接，SN不提供与核心网的控制面连接，只为UE提供额外的资源。MN和SN之间通过网络接口连接起来，至少MN要与核心网连接，SN可以与核心网连接，也可以不跟核心网连接。

如上图，按照核心网的不同一共可以分为4类，目前5G建网初期，为了实现快速布网，降低成本，运营商主要是使用EN-DC的建网模式。

UECapabilityEnquiry

UECapabilityInformation

从LOG看UE注册时会查询3次UE能力，

第一次和之前的一样，查询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，但是从UE上报的信息，相对于第一次少了23G能力，但是只多了 featureSetsEUTRA ，参考TS36331-5.6.3.3

sib2信息中如果有配置如下IE，说明这个小区是NR的锚点小区。

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：

从这里可以知道UE支持两载波的EN-DC组合，即LTE 1cc + NR 1cc，Band3+n41。

UE如何支持SA组网，则会上报nr：

这次RRC重配主要配置了SRB2、DRB1以及NR，NR的信息如下，相对于LTE，LTE中DRB没有配置PDCP，所以使用的是默认配置，但是在NR中配置了DRB的PDCP。

配置测量相关信息，和单独的LTE不同，增加了对NR小区的测量。

全部的测量配置内容：

NR测量时序配置，参考TS36331-5.5.2.13

其中Offset和Periodicity由测量配置参数中的 periodicityAndOffset 确定。比如上面消息中， periodicityAndOffset-r15 sf20-r15 : 0

所以subframe = 0 或者 5， SFN mod 2 = 0；说明在偶数无线帧的子帧0或者5上进行NR的测量。

Event B1：异系统邻区比阈值要好。

进入条件：

离开条件：

其中：

网络接收到测量报告，然后判断是否添加NR小区，如果需要添加就下发RRC重配，把NR小区的信息提供给UE。

配置NR小区相关信息，主要包含小区随机接入相关的信息和测量配置。NSA下NR小区的随机接入信息是通过RRC重配发给UE的，不需要通过SIB信息。

LTE下解析的RRC重配信息：

首先是把关于之前建立的DRB bearer给释放掉。

NR下解析的RRC重配信息，主要包括NR小区的基本配置和对NR小区的测量配置。

DRB也进行重配，这次跟第一次最大的区别是keyToUse时secondary，说明PCDP使用的是NR侧的。

servCellIndex ：PSCell的服务小区ID，主小区组的PCell使用ID=0

reconfigurationWithSync ：与目标SpCell的同步重新配置的参数

rlf-TimersAndConstants ：用于探测和触发小区级别RLF的定时器和常量。

rlmInSyncOutOfSyncThreshold ：用于IS/OOS指示生成的BLER阈值对索引。n1对应值1，如果不配置这个值，UE默认使用0，无论何时重配时，UE重置N310和N311并停止T310。

spCellConfigDedicated : ServingCellConfig ，用于配置UE的服务小区信息。

spCellConfigCommon ： ServingCellConfigCommon ，用于配置小区指定的参数，该IE包含UE从IDLE接入小区时从SSB、MIB、SIBs获取的参数。通过专用信令配置给UE。

t304 ：启动：接收到包括 reconfigurationWithSync 的RRC重配消息时；停止：在对应的SpCell上完成随机接入之后，对于SCG的t304，当SCG释放时停止；超时：对于MCG的t304，从NR或NR内进行切换时，进行RRC重建流程，切换到NR时，按照原来RAT的spec进行处理；对于SCG的t304，启动SCG failure过程来通知网络同步失败的重新配置，参考TS38311-5.7.3

rach-ConfigDedicated ：用于同步重配的随机接入配置，UE使用 firstActiveUplinkBWP 中参数进行随机接入。

实网下LOG：

smtc :用于配置测量定时（timing）配置，即UE测量SSB的时机。

接收到这条RRC重配之后，UE就要在NR上发起随机接入。

同LTE一样，NR随机接入也分为基于竞争随机接入和基于非竞争随机接入，NSA都是基于非竞争的随机接入，随机接入流程：

UE解析出MIB，表示已经完成了下行同步。

随机接入配置：

RRC重配中已经给出了Preamble index=8。

rach attempt：

Msg1在SFN#20，subframe#9上发送，RAR监听窗口为210~220共10ms。

UE在RAR监听窗口内使用RA-RNTI进行解码PDCCH (DCI format 1_0)，UE根据DCI1_0指示的时频位置接收PDSCH的MAC PDU内容，然后根据解析出RAPID，如果跟Msg1中的RAPID相同就说明接收到了正确的RAR。

UE在SFN#21的slot#7上接收到DCI。

Msg3发送，SFN#21,subframe#7，slot#14上进行发送。

首先是把关于NR的测量配置给删除，更新之后的测量配置如下：

相对于之前的测量配置只是少了NR相关的，其他还继续保留。

看了几份日志这条消息跟NR随机接入时间差不多，但是RRC重配完成是在随机接入之后，应该可以理解为NR随机接入之后的处理。

这次RRC重配主要是配置IMS的承载，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 : 在主要频率上操作的MCG小区，UE可以在其中执行初始连接建立过程或发起连接重建过程。

Primary SCG Cell : 对于双连接操作，当执行带有同步的重新配置过程时，UE在其中进行随机访问的SCG小区。

Secondary Cell : 对于配置有CA的UE，在特殊小区之上提供额外无线资源的小区。

Secondary Cell Group :对于配置有双连接的UE，服务小区的子集包括PSCell和零个或多个辅助小区。

Serving Cell : 对于RRC_CONNECTED状态下没有配置CA/DC的UE，只有一个服务小区由主小区组成。对于配置了CA/DC的UE，服务小区指由特殊小区和所有辅助小区组成一组小区。

Special Cell: 对于双连接操作指MCG中的PCell或者SCG中的PSCell，否则指的就是PCell。

❷ 码块大小计算之 NR vs LTE

最近在整理实习平台的仿真结果，又重新看了一下NR中TBS大小的确定问题，简单记录一下吧。

对于NR-MCS索引值及参数确定，可以按如下步骤进行：

UE根据接收到的DCI format来读取以下信息：

        对于索引值在0~27或0~28之间的 有确定的调制阶数和目标码率，称其为显示MCS；对于索引值在28~31或29~31之间的[if !msEquation]I_MCS[endif]仅有确定的调制阶数，其目标码率为reserved状态，称其为隐式MCS，只用于重传。

          对于PDSCH，MCS索引table有3个，在本节中只选其中一个进行阐述：对于具体使用哪一个MCS Index 表格，由UE根据高层参数PDSCH-Config中的mcs-Table设置确定；UE由已知的 从锁定的table中找出 索引值对应的调制阶数 和目标码率 ；如当确定MCS Index为6时，则对应的调制阶数 为2，其对应的目标码率 为449/1024；

公式为： ，其参数对应的意义如下：

：一个物理资源块上子载波数；

：一个时隙内分配给PDSCH的符号数；

：在调度持续时间内每个PRB中用于DMRS的RE数；

:由PDSCH-ServingCellConfig中的更高层参数xOverhead配置的开销（0，6，12，18，未配置时默认为0）；

公式为：  ,其参数对应的意义如下：

：PRB总数

        已知用于PDSCH的RE数 ，目标码率 ，调制阶数 及层数 ，根据下式获得信息比特的中间数: ;根据得到的 ，比较其与3824的大小关系，1）若小于等于3824，则执行第3.4节进行量化查表(TB级16位CRC)；2）若大于3824，则执行第3.5节进行量化计算(TB级24位CRC，CB级24位CRC)。

      该TBS大小包含16CRC比特，因此实际传输的比特数应该是表格中的比特数-16。

 当 ≤3824，量化信息比特的中间数 ，得到

,其中， 。

利用得到的 ，从38.214 Table 5.1.3.2-1中找出最小但不小于 的TBS作为最终的码块大小，该码块大小包含CRC比特长度。

当 >3824，先量化信息比特的中间数 ，得到 ,其中， ；

再判断目标码率 ，若是，则TBS确定如下：

，其中

否则，继续判断 ，若是，则TBS确定如下：

，其中，

否则，TBS的确定如下：

隐式MCS没有明确的目标码率，对于TBS的确定有以下确定方式：

第一种：由同一传输块中的最新（the latest）的PDCCH（0≤I_MCS≤27）来决定；

第二种：若没有来自同一传输块的最新PDCCH，并且对于同一传输块的初始PDSCH采用配置授权，则TBS Size由最近（the most recent）的配置调度的PDCCH来决定。

对于LTE-MCS索引值及参数确定，可以按如下步骤进行：

UE根据接收到的DCI format来读取以下信息：

Molation and coding scheme ：5bit，得到 ，MCS索引值范围在0~31之间。其中，对于索引值在0~28之间的 有确定的调制阶数和TBS Index ；}对于索引值在29~31之间的 仅有确定的调制阶数，其TBS Index为reserved状态，只用于重传。

UE根据DCI格式，分配资源的方式和分配结果计算得到使用的N_PRB个数及使用的层数：

已知用于PDSCH的 数，层数 及 ，查表获得最终的TBS大小,如下：

1 个 TB 不映射到多于1 层的空分复用，即只映射到1 层时，根据36.213的 7.1.7.2.1节表格来得到对应TB 的 TB Size；

同理，1 个 TB 映射到2 层的空分复用时，根据36.213的 7.1.7.2.2节的介绍来得到对应TB 的 TB Size；1 个 TB 映射到3 层的空分复用，则根据36.213的 7.1.7.2.4节的介绍来得到对应TB 的 TB Size；1个 TB 映射到 4 层的空分复用时，根据36.213的 7.1.7.2.5节的介绍来得到对应TB 的 TB Size；

此时为下行自适应重传，UE会根据对同一个TB的最近一次的 ∈[0:28]的PDCCH来决定其使能的TBS（此时重传不改变TBS）。如果找不到对应TB的最近一次 ，并且同一 TB 的初始 PDSCH 传输是半静态调度（SPS）时，其 TBS会由最近一个半静态调度分配时使用的PDCCH来决定。

参考文献：

【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层位于RLC层之上，通过RLC channel与RLC层进行通信，通过SAP与SDAP/RRC层进行通信。PDCP层的功能由PDCP实体来实现。PDCP实体从RLC层收发的数据称为PDCP PDU，从SDAP/RRC层收发的数据称为PDCP SDU。在NR协议栈中和上层的收发数据称为SDU，同下层的收发数据称为PDU。

PDCP层只会用在映射到逻辑信道DCCH和DTCH的无线承载上，而不用于其它类型的逻辑信道上。

除了SRB0之外，每个无线承载都和一个PDCP实体相关联，一个UE可以建立多个无线承载，因此可以包含多个PDCP实体，每个实体只处理一个无线承载的数据。取决于无线承载的特性（例如单向/双向，split/non-split）或RLC模式，每个PDCP实体可以关联1/2/4个RLC实体：

< 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>

长度：32bit

携带着鉴权码，对于SRB来说这个参数一直存在，如果没有配置SRB的完整性保护，则其值为全0。对于DRB来说，只有网络配置了完整性保护才有这个参数。

COUNT的值是由HFN和PDCP SN组成，HFN部分的大小（以比特为单位）等于32减去PDCP SN的长度。

长度：1bit

R15版本中还用于保留。

长度：1bit

长度：1bit

长度：32bit

此字段指示在重新排序窗口内的第一个丢失的PDCP SDU的COUNT值，即RX_DELIV。

该字段指示在接收PDCP实体中丢失了哪些SDU以及正确接收了哪些SDU。 Bitmap中第N个位的位置是N，即Bitmap中第一个位的位置是1。

该字段包含一个仅具有反馈的ROHC数据包，即与PDCP SDU不相关的ROHC数据包。

ROHC框架定义了多个头压缩算法，被称为profile，目前R15中支持的头压缩协议和profile如下：

UE在接入网络时会告诉NW自己支持那些算法，NW会在配置PDCP时告诉UE选用哪种算法。

数据经过PDCP头压缩之后，如果PDCP SN为12bit，则头长度为2字节，否则头长度为3字节。

如果RRC参数 pdcp-Duplication 配置了，PDCP实体：

重复PDCP丢弃：

TS38300-16.1.3

如图所示，当无线承载配置了PDCP重复之后，就会给PDCP添加第二个RLC实体，对应的逻辑信道是第二逻辑信道。这两个RLC实体具有相同的模式，PDCP会生成两个相同的PDU，分别发给两个RLC实体。通过两个独立的传输路径，提高了数据传输的可靠性，降低了等待时间，对于URLLC服务特别有利。

当DRB配置了plication之后，RRC也同时设置了plication的初始状态（激活/不激活），可以通过MAC CE进行动态控制是否激活。如果SRB配置了plication，那么总是激活的，而且不能动态控制。

示例：

这个是5GNR的EN-DC现网配置，PDCP SN上下行都是18bits，不使用头压缩，需要发送状态报告。PDCP实体排序的时间为200ms。

❹ NR用户数据采用的前向纠错码是

Polar。
1、在NR用户里Polar码由于优良的编译码算法处理能力和高可靠性。
2、Polar已经被视为5G空口中前向纠错（FEC）的候选数据采用技术。

❺ 矢量量化 vector quantization

矢量量化（VQ—VectorQuantization）是70年代后期发展起来的一种数据压缩技术基本思想：将若干个标量数据组构成一个矢量，然后在矢量空间给以整体量化，从而压缩了数据而不损失多少信息。矢量量化编码也是在图像、语音信号编码技术中研究得较多的新型量化编码方法，它的出现并不仅仅是作为量化器设计而提出的，更多的是将它作为压缩编码方法来研究的。在传统的预测和变换编码中，首先将信号经某种映射变换变成一个数的序列，然后对其一个一个地进行标量量化编码。而在矢量量化编码中，则是把输入数据几个一组地分成许多组，成组地量化编码，即将这些数看成一个k维矢量，然后以矢量为单位逐个矢量进行量化。矢量量化是一种限失真编码，其原理仍可用信息论中的率失真函数理论来分析。而率失真理论指出，即使对无记忆信源，矢量量化编码也总是优于标量量化。

在矢量量化编码中，关键是码本的建立和码字搜索算法。

码本的生成算法有两种类型，一种是已知信源分布特性的设计算法；另一种是未知信源分布，但已知信源的一列具有代表性且足够长的样点集合（即训练序列）的设计算法。可以证明，当信源是矢量平衡且遍历时，若训练序列充分长则两种算法是等价的。

码字搜索是矢量量化中的一个最基本问题，矢量量化过程本身实际上就是一个搜索过程，即搜索出与输入最为匹配的码矢。矢量量化中最常用的搜索方法是全搜索算法和树搜索算法。全搜索算法与码本生成算法是基本相同的，在给定速率下其复杂度随矢量维数K以指数形式增长，全搜索矢量量化器性能好但设备较复杂。树搜索算法又有二叉树和多叉树之分，它们的原理是相同的，但后者的计算量和存储量都比前者大，性能比前者好。树搜索的过程是逐步求近似的过程，中间的码字是起指引路线的作用，其复杂度比全搜索算法显着减少，搜索速度较快。由于树搜索并不是从整个码本中寻找最小失真的码字，因此它的量化器并不是最佳的，其量化信噪比低于全搜索。

矢量量化的使用：

n如果一个2x2像素的小块，每像素有8位表示，则所有的像素块的可能取值有：232=4G种，可以选择一个远远小于这个数的数n，作为码书中码的个数，然后对图像中的每个块（矢量），用一个码书中的码来近似，这样只需用这个码的编号来编码这个图像矢量即可，因此每一个小块，最后都只需用log2n个位来表示，由此达到压缩的目的。

n如果一个2x2像素的小块，每像素有8位表示，则所有的像素块的可能取值有：232=4G种，可以选择一个远远小于这个数的数n，作为码书中码的个数，然后对图像中的每个块（矢量），用一个码书中的码来近似，这样只需用这个码的编号来编码这个图像矢量即可，因此每一个小块，最后都只需用log2n个位来表示，由此达到压缩的目的。

n如果一个2x2像素的小块，每像素有8位表示，则所有的像素块的可能取值有：232=4G种，可以选择一个远远小于这个数的数n，作为码书中码的个数，然后对图像中的每个块（矢量），用一个码书中的码来近似，这样只需用这个码的编号来编码这个图像矢量即可，因此每一个小块，最后都只需用log2n个位来表示，由此达到压缩的目的。

图像块与码书中码的匹配：

n设图像块B=(b1,b2,…,bn)

码矢量：C=(c1,c2,…,cn)

n图像块与码矢量的匹配程度，由它们之间的“距离”来度量，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种度量(B用C表示时)

LBG算法：

nLBG算法是由Linde,Buzo和Gray三位学者提出的方法。其主要的思想是：从一组码矢量出发，将所有的图像矢量进行划分，然后再重新计算码矢量，直到码矢量的变化收敛时，即完成了码书的选择。

主要步骤：

1.随意选取n个图像块作为码矢量

2.由这n个码矢量对所有的图像块进行划分，即分成n个集合，使每个集合中的图像块，都是与各码矢量距离中，与对应的码矢量的距离最小的

3.由这n个集合的重心，得到n个新的码矢量

4.如果这些个码矢量与原来的码矢量变化不大（收敛），就完成码书的训练，否则重新进行2、3步

例子：

n假设每像素8位，分成两个像素的小块。

n图像共有24个像素，12个小块：

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初始码书：C1=(70,40),C2=(60,120),C3=(210,200),C4=(225,50)

❻ NR-MIMO的关键特性

提升高频段覆盖，使得蜂窝小区部署毫米波频段成为可能

满足ITU 5G峰值速率20Gbps的需求

多波束操作

提升系统性能

满足ITU 5G需求达到LTE 3倍的频谱效率

增强的信道状态信息设计

考虑配置场景，网络实现，可支持的频段等，提供足够的灵活性更大范围的实现5G

增强的参考信号，传输机制

NR设计统一的CSI反馈框架，将CSI测量和CSI反馈方式进行解耦，以更加灵活的方式支持不同的MIMO传输方式在多种场景和多种频带的应用

NR支持两类码本用于CSI反馈

Type-I 是为单用户MIMO优化的，上行开销较小

Type-II 是为多用户MIMO优化的，信道信息更加精细，因此上行开销更大

NR系统中，CSI包括CQI、PMI、CSI-RS资源指示（CRI）、SSB块资源指示（SSBRI）、层指示（LI）、RI以及L1-RSRP

LI用于指示PMI最强的列，用于PT-RS参考信号映射

SSBRI指示波束索引，L1-RSRP指示波束强度，用于波束管理

NR中仅支持一种下行传输模式，即基于闭环DM RS的空分复用PDSCH传输

单用户最多支持8流传输

正交DM RS端口支持最多12个多用户复用，多用户中每个用户最多4流

NR支持两种上行传输模式

基于码本的数据传输，DCI指示预编码矩阵的index

基于非码本的数据传输，DCI通过SRI（SRS资源index）指示上行数据的预编码码字

单用户最多4流

LTE 的下行参考信号CRS具有 “one size fits all” 的特性

限制了灵活的网络部署，网络能量效率低，不适用于高频段和大规模MIMO

NR 下行参考信号为特殊的功用进行设计，可以灵活适配到不同的部署场景和频段内

闭环传输方案

预编码方式依赖于终端上报给基站的信道状态信息

终端测量CSI-RS获取并上报CSI

基站基于反馈的CSI进行下行预编码

基于信道互易性反馈时，基站通过对上行参考信号的测量获取信道的空域信息，然后结合终端反馈的CQI/RI等信息进行调度和预编码

准开环传输方案

基站依据优先的CSI（宽带反馈的第一级预编码矩阵）进行粗略的预编码

适用于信道变化较快的中高速场景

计算CQI时，终端假设W1取决于上报的宽带PMI，W2则随机进行切换

多用户传输方案

统一的传输模式灵活的支持多种MIMO传输方案

依赖于更加精准的CSI的反馈精度，用于在发送端最大限度的抑制和避免终端间的干扰

引入了高精度的Type II码本，有效提升多用户MIMO的系统性能

支持码本和非码本发送

码本发送: 基站指示给UE上行波束方向和预编码

非码本发送: 基站只指示波束的方向

行标支持下行传输

单用户闭环传输

多用户MIMO

对16通道基站，支持至少8流的MU-MIMO

对32通道基站，支持至少12流的MU-MIMO

对64通道基站，支持至少12流的MU-MIMO

行标上行传输

基于码本的上行传输模式

基于非码本的上行传输模式

单用户上行2流传输

单用户上行4流传输（可选）

多用户MIMO

对16通道基站，支持至少8流的MU-MIMO

对32通道基站，支持至少12流的MU-MIMO

对64通道基站，支持至少12流的MU-MIMO

LTE中的CSI-RS用于信道测量，NR中的CSI-RS主要用于以下几个方面：

获取信道状态信息

波束管理

精确的时频跟踪

移动性管理（行标可选）

NR CSI-RS有两种类型：

Non-zero-power（NZP）非零功率NZP CSI-RS

时频跟踪

CSI反馈

L1-RSRP测量

移动性管理

Zero-power零功率ZP CSI-RS

PDSCH速率匹配

RRC信令为UE配置一个或者多个CSI-RS集合，每个CSI-RS集合包含一个或多个CSI-RS资源

每个CSI-RS资源最大配置32个端口，映射到1个或者多个OFDM符号上

高层信令给出最多可能的两个时域符号位置，频域用位图方式指示一个符号上子载波的占用情况

X个端口CSI-RS图样基本单元，由一个PRB内频域上相邻的Y个RE和时域上相邻的N个OFDM符号组成，D代表CSI-RS的密度（ RE/PRB/port)

配置CSI-IM资源，基站不发送任何信号（ZP CSI-RS），终端在CSI-IM上测量干扰信号（来自于邻区），统计接收信号强度

多用户调度时，终端对其它终端的NZP CSI-RS进行干扰测量

对UE配置的CSI资源设置配置三种资源

CSI-IM资源

NZP CSI-RS资源用于干扰测量

NZP CSI-RS用于信道测量

取决于实现来灵活组合测量信道和干扰

终端通过扫描CSI-RS来获取模拟波束赋形的权值

发送波束扫描：CSI上报RSRP

接收波束扫描：不进行CSI上报

使用1端口或2端口CSI-RS进行波束的测量和选择

通过高层信令repetition参数配置的on/off表示资源集合中的多个resource使用相同/不同的下行波束发送

当设置为on的时候，表示CSI-RS发送的波束重复，即基站在相同波束上发送CSI-RS，UE可以扫描接收波束，进行波束训练

当设置为off的时候，表示CSI-RS发送的波束不重复，也就是基站发送波束扫描，UE可以保持接收波束不变，进行波束训练

一个resource集合中的resource使用相同的CSI-RS端口

NR采用特殊配置的CSI-RS作为TRS，用于终端进行精确的时频偏同步

TRS的资源集合可以配置为周期，也可以非周期

周期TRS为一个资源集合，包含多个周期性CSI-RS资源

每个CSI-RS资源为一个频域密度为3的1端口CSI-RS资源

一个时隙中的TRS符号间隔为4

TRS只支持1端口

非周期TRS与周期TRS的结构相同：带宽，频域位置，时隙个数

DCI触发非周期TRS

终端无需对TRS测量进行CSI上报

在ZP CSI-RS上，基站不发送CSI-RS参考信号，目的用于PDSCH信道的速率匹配

ZP CSI-RS分为周期、半持续和非周期三种类型的配置

高层信令配置不同的ZP CSI-RS资源集合，每个集合包含多个ZP CSI-RS资源

每个ZP-CSI-RS资源的时频域指示方式与信道状态信息获取的CSI-RS相同

非周期ZP CSI-RS指示

DCI触发

半静态信令触发

周期CSI反馈

周期性CSI-RS和CSI-IM分别测量信道和干扰

每个CSI上报反馈所关联的测量资源仅包含一个CSI-RS资源集合

半持续CSI反馈（SP-CSI）

周期性或者半持续CSI-RS和CSI-IM分别测量信道和干扰

PUSCH的半持续CSI上报

DCI中的CSI请求域来激活触发状态

用SP-CSI C-RNTI加扰来区分非周期CSI上报触发与SP-CSI上报激活

反馈时隙偏移由DCI指示

PUCCH的半持续CSI上报

MAC CE激活去激活

RRC配置反馈周期和时隙偏移

非周期CSI上报（AP-CSI）

MAC CE结合DCI配置和触发

基于PUSCH上报

每个CSI触发状态对应1个或者多个上报反馈设置，一个上报反馈关联1~3个资源设置

1个资源设置用于波束管理

2个资源设置，1个用于信道测量，另一个用于干扰测量

3个资源设置，1个用于信道测量，一个用于CSI-IM干扰测量，一个用于NZP CSI-RS干扰测量

周期性、半持续或者非周期CSI-RS和CSI-IM分别测量信道和干扰，支持非周期性NZP CSI-RS测量干扰

DCI指示CSI上报的时隙偏移

支持的CSI-RS类型

用于信道测量的CSI-RS

基于CSI-IM的干扰测量

适用于周期、半持续和非周期CSI上报

基于NZP CSI-RS的干扰测量（可选）

适用于非周期CSI上报

支持的CSI-RS端口数量

4端口

8端口

大于8端口（可选）

支持的CSI-RS资源

周期性CSI-RS资源，包括一个CSI-RS资源集合，用于信道获取

非周期CSI-RS资源（可选），包括一个CSI-RS资源集合，用于信道获取

半持续CSI-RS资源（可选）

CSI-RS反馈类型

单panel type1反馈，包括针对最大4个CSI端口和8个CSI端口

Type II反馈（可选），支持至少12个CSI-RS端口的Type II反馈

支持的CSI-RS反馈时域密度

周期性CSI-RS反馈

非周期性CSI-RS反馈（可选）

PUSCH上半持续CSI-RS反馈（可选）

PUCCH上半持续CSI-RS反馈（可选）

信道状态信息（CSI）上报内容

终端上报PMI CQI RI

终端上报RI CQI

SRS用于上行信道信息获取，满足信道互易性的下行信道信息获取以及上行波束管理

基站可以为终端配置多个SRS资源集，每个SRS资源集包含一个或多个SRS资源

每个SRS资源包含1、2或4个SRS端口

每个SRS资源可以配置在一个时隙的最后6个OFDM符号中1、2或4个连续的符号

SRS频域上支持两种梳状映射方式

Comb-2：每隔一个载波映射一个RE

Comb-4：每隔三个载波映射一个RE

SRS的时频资源针对每个SRS资源进行配置

同一个SRS资源内的不同SRS端口占用相同的符号，通过频分或者码分复用

码分采用循环以为CS复用，不同发送comb配置，支持的最大循环移位个数不同：

comb-2：CS=8，comb-4：CS=12

NR支持64种SRS带宽配置方式，一个SRS资源可配置的最小带宽为4个RB，最大带宽为272个RB

NR支持周期性的、半持续的和非周期的SRS发送方式，通过高层参数配置

一个SRS资源集内的所有SRS资源都与该SRS资源集具有相同的时域类型

周期性发送

UE根据所配置的参数进行周期性发送

半持续发送

UE在接收到关于半持续SRS资源的高层信令配置后，并且接收到MAC层发送的激活信令后，周期性的发送SRS，收到MAC层发送的去激活命令后，停止发送SRS

适用于时延较低的业务

非周期性发送

通过DCI信令激活，终端每接收到一次触发命令，进行一次SRS发送

DCI包含2比特，1个状态不触发SRS发送，其它3个状态分别表示触发第一、第二、第三个SRS资源组

一个状态可以触发一个或多个SRS资源集，一个状态对应的多个SRS资源集可以对应多个载波

SRS序列是基于ZC序列生成，长度为SRS占用的子载波数

SRS支持序列跳频或序列组跳频，通过高层配置

SRS跳频在减少SRS每次发送功率的情况下获得更大的探测

支持时隙间跳频以及时隙内符号间跳频发送SRS

SRS天线切换

TDD系统利用上下行信道互易性，通过上行sounding获取下行信道CSI

不同UE的收发天线数量不等，尤其是当发送的天线少于接收天线的时候，为了获取下行CSI的信息，基站让终端切换不同的天线端口发送SRS

终端进行物理切换过程中不能发送任何信号，为终端配置天线切换的保护间隔

SRS基本能力

支持在每个上下行转换周期配置最大4个符号的SRS资源

支持周期SRS，非周期SRS（可选）

支持2梳分/4梳分（二选一）

支持时隙内和时隙间BWP内的频域的跳频（时隙内、时隙间跳频二选一）

SRS发送端口数

1端口

2端口

4端口（可选）

SRS发送天线切换

2T4R SRS发送天线切换（对SA终端）

1T4R SRS发送天线切换（对SA终端）

1T4R SRS发送天线切换（对NSA终端）可选

1T2R SRS发送天线切换（对NSA终端）

❼ 鞋子的尺码是怎么算的

鞋子的尺码换算公式：

1、厘米数×2－10=欧制

2、厘米数－18+0.5=美制

3、厘米数－18=英制

鞋子的码数与单位米的换算：

1、（欧制+10）÷2=厘米数

2、美制+18－0.5=厘米数

3、英制+18=厘米数

(7)nr码本算法扩展阅读

中国鞋号有以下三个特点：

一、中国统一鞋号和鞋楦尺寸系列是根据中国各地、各民族、各种不同工作岗位和不同职业的人们的脚型规律和特点制定出来的，它有着广泛性和代表性，用中国鞋号和鞋楦尺寸系列设计制造出来的鞋子穿着舒适，适合劳动、运动，方便工作。

二、中国鞋号是以人的脚长为基础，脚长多少毫米，就穿多少号的鞋，例如，脚长250mm，就穿25号的鞋。10mm为一个号，5mm为半个号。每个鞋号又以五个肥瘦型，一型较瘦，五型较肥，肥脚穿肥鞋，瘦脚穿瘦鞋，基本上可以做到按脚型制鞋。中国统一鞋号的表示方法：21.5一型、23三型、25四型、27.5五型。

三、中国采用了统一的鞋号，实现了制鞋工业的规范化、标准化、机械化、装配化和工业现代化，提高了工作劳动效率，节约了原材料，降低了制鞋成本，提高了产品质量。

❽ 机器学习新手必看十大算法

机器学习新手必看十大算法
本文介绍了机器学习新手需要了解的 10 大算法，包括线性回归、Logistic 回归、朴素贝叶斯、K 近邻算法等。
在机器学习中，有一种叫做“没有免费的午餐”的定理。简而言之，它指出没有任何一种算法对所有问题都有效，在监督学习(即预测建模)中尤其如此。
例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，例如数据集的大小和结构。
因此，你应该针对具体问题尝试多种不同算法，并留出一个数据“测试集”来评估性能、选出优胜者。
当然，你尝试的算法必须适合你的问题，也就是选择正确的机器学习任务。打个比方，如果你需要打扫房子，你可能会用吸尘器、扫帚或拖把，但是你不会拿出铲子开始挖土。
大原则
不过也有一个普遍原则，即所有监督机器学习算法预测建模的基础。
机器学习算法被描述为学习一个目标函数 f，该函数将输入变量 X 最好地映射到输出变量 Y：Y = f(X)
这是一个普遍的学习任务，我们可以根据输入变量 X 的新样本对 Y 进行预测。我们不知道函数 f 的样子或形式。如果我们知道的话，我们将会直接使用它，不需要用机器学习算法从数据中学习。
最常见的机器学习算法是学习映射 Y = f(X) 来预测新 X 的 Y。这叫做预测建模或预测分析，我们的目标是尽可能作出最准确的预测。
对于想了解机器学习基础知识的新手，本文将概述数据科学家使用的 top 10 机器学习算法。
1. 线性回归
线性回归可能是统计学和机器学习中最知名和最易理解的算法之一。
预测建模主要关注最小化模型误差或者尽可能作出最准确的预测，以可解释性为代价。我们将借用、重用包括统计学在内的很多不同领域的算法，并将其用于这些目的。
线性回归的表示是一个方程，它通过找到输入变量的特定权重(称为系数 B)，来描述一条最适合表示输入变量 x 与输出变量 y 关系的直线。
线性回归
例如：y = B0 + B1 * x
我们将根据输入 x 预测 y，线性回归学习算法的目标是找到系数 B0 和 B1 的值。
可以使用不同的技术从数据中学习线性回归模型，例如用于普通最小二乘法和梯度下降优化的线性代数解。
线性回归已经存在了 200 多年，并得到了广泛研究。使用这种技术的一些经验是尽可能去除非常相似(相关)的变量，并去除噪音。这是一种快速、简单的技术，可以首先尝试一下。
2. Logistic 回归
Logistic 回归是机器学习从统计学中借鉴的另一种技术。它是解决二分类问题的首选方法。
Logistic 回归与线性回归相似，目标都是找到每个输入变量的权重，即系数值。与线性回归不同的是，Logistic 回归对输出的预测使用被称为 logistic 函数的非线性函数进行变换。
logistic 函数看起来像一个大的 S，并且可以将任何值转换到 0 到 1 的区间内。这非常实用，因为我们可以规定 logistic 函数的输出值是 0 和 1(例如，输入小于 0.5 则输出为 1)并预测类别值。
Logistic 回归
由于模型的学习方式，Logistic 回归的预测也可以作为给定数据实例(属于类别 0 或 1)的概率。这对于需要为预测提供更多依据的问题很有用。
像线性回归一样，Logistic 回归在删除与输出变量无关的属性以及非常相似(相关)的属性时效果更好。它是一个快速的学习模型，并且对于二分类问题非常有效。
3. 线性判别分析(LDA)
Logistic 回归是一种分类算法，传统上，它仅限于只有两类的分类问题。如果你有两个以上的类别，那么线性判别分析是首选的线性分类技术。
LDA 的表示非常简单直接。它由数据的统计属性构成，对每个类别进行计算。单个输入变量的 LDA 包括：
每个类别的平均值;
所有类别的方差。
线性判别分析
进行预测的方法是计算每个类别的判别值并对具备最大值的类别进行预测。该技术假设数据呈高斯分布(钟形曲线)，因此最好预先从数据中删除异常值。这是处理分类预测建模问题的一种简单而强大的方法。
4. 分类与回归树
决策树是预测建模机器学习的一种重要算法。
决策树模型的表示是一个二叉树。这是算法和数据结构中的二叉树，没什么特别的。每个节点代表一个单独的输入变量 x 和该变量上的一个分割点(假设变量是数字)。
决策树
决策树的叶节点包含一个用于预测的输出变量 y。通过遍历该树的分割点，直到到达一个叶节点并输出该节点的类别值就可以作出预测。
决策树学习速度和预测速度都很快。它们还可以解决大量问题，并且不需要对数据做特别准备。
5. 朴素贝叶斯
朴素贝叶斯是一个简单但是很强大的预测建模算法。
该模型由两种概率组成，这两种概率都可以直接从训练数据中计算出来：1)每个类别的概率;2)给定每个 x 的值，每个类别的条件概率。一旦计算出来，概率模型可用于使用贝叶斯定理对新数据进行预测。当你的数据是实值时，通常假设一个高斯分布(钟形曲线)，这样你可以简单的估计这些概率。
贝叶斯定理
朴素贝叶斯之所以是朴素的，是因为它假设每个输入变量是独立的。这是一个强大的假设，真实的数据并非如此，但是，该技术在大量复杂问题上非常有用。
6. K 近邻算法
KNN 算法非常简单且有效。KNN 的模型表示是整个训练数据集。是不是很简单?
KNN 算法在整个训练集中搜索 K 个最相似实例(近邻)并汇总这 K 个实例的输出变量，以预测新数据点。对于回归问题，这可能是平均输出变量，对于分类问题，这可能是众数(或最常见的)类别值。
诀窍在于如何确定数据实例间的相似性。如果属性的度量单位相同(例如都是用英寸表示)，那么最简单的技术是使用欧几里得距离，你可以根据每个输入变量之间的差值直接计算出来其数值。
K 近邻算法
KNN 需要大量内存或空间来存储所有数据，但是只有在需要预测时才执行计算(或学习)。你还可以随时更新和管理训练实例，以保持预测的准确性。
距离或紧密性的概念可能在非常高的维度(很多输入变量)中会瓦解，这对算法在你的问题上的性能产生负面影响。这被称为维数灾难。因此你最好只使用那些与预测输出变量最相关的输入变量。
7. 学习向量量化
K 近邻算法的一个缺点是你需要遍历整个训练数据集。学习向量量化算法(简称 LVQ)是一种人工神经网络算法，它允许你选择训练实例的数量，并精确地学习这些实例应该是什么样的。
学习向量量化
LVQ 的表示是码本向量的集合。这些是在开始时随机选择的，并逐渐调整以在学习算法的多次迭代中最好地总结训练数据集。在学习之后，码本向量可用于预测(类似 K 近邻算法)。最相似的近邻(最佳匹配的码本向量)通过计算每个码本向量和新数据实例之间的距离找到。然后返回最佳匹配单元的类别值或(回归中的实际值)作为预测。如果你重新调整数据，使其具有相同的范围(比如 0 到 1 之间)，就可以获得最佳结果。
如果你发现 KNN 在你的数据集上达到很好的结果，请尝试用 LVQ 减少存储整个训练数据集的内存要求。
8. 支持向量机(SVM)
支持向量机可能是最受欢迎和最广泛讨论的机器学习算法之一。
超平面是分割输入变量空间的一条线。在 SVM 中，选择一条可以最好地根据输入变量类别(类别 0 或类别 1)对输入变量空间进行分割的超平面。在二维中，你可以将其视为一条线，我们假设所有的输入点都可以被这条线完全的分开。SVM 学习算法找到了可以让超平面对类别进行最佳分割的系数。
支持向量机
超平面和最近的数据点之间的距离被称为间隔。分开两个类别的最好的或最理想的超平面具备最大间隔。只有这些点与定义超平面和构建分类器有关。这些点被称为支持向量，它们支持或定义了超平面。实际上，优化算法用于寻找最大化间隔的系数的值。
SVM 可能是最强大的立即可用的分类器之一，值得一试。
9. Bagging 和随机森林
随机森林是最流行和最强大的机器学习算法之一。它是 Bootstrap Aggregation(又称 bagging)集成机器学习算法的一种。
bootstrap 是从数据样本中估算数量的一种强大的统计方法。例如平均数。你从数据中抽取大量样本，计算平均值，然后平均所有的平均值以便更好的估计真实的平均值。
bagging 使用相同的方法，但是它估计整个统计模型，最常见的是决策树。在训练数据中抽取多个样本，然后对每个数据样本建模。当你需要对新数据进行预测时，每个模型都进行预测，并将所有的预测值平均以便更好的估计真实的输出值。
随机森林
随机森林是对这种方法的一种调整，在随机森林的方法中决策树被创建以便于通过引入随机性来进行次优分割，而不是选择最佳分割点。
因此，针对每个数据样本创建的模型将会与其他方式得到的有所不同，不过虽然方法独特且不同，它们仍然是准确的。结合它们的预测可以更好的估计真实的输出值。
如果你用方差较高的算法(如决策树)得到了很好的结果，那么通常可以通过 bagging 该算法来获得更好的结果。
10. Boosting 和 AdaBoost
Boosting 是一种集成技术，它试图集成一些弱分类器来创建一个强分类器。这通过从训练数据中构建一个模型，然后创建第二个模型来尝试纠正第一个模型的错误来完成。一直添加模型直到能够完美预测训练集，或添加的模型数量已经达到最大数量。
AdaBoost 是第一个为二分类开发的真正成功的 boosting 算法。这是理解 boosting 的最佳起点。现代 boosting 方法建立在 AdaBoost 之上，最显着的是随机梯度提升。
AdaBoost
AdaBoost与短决策树一起使用。在第一个决策树创建之后，利用每个训练实例上树的性能来衡量下一个决策树应该对每个训练实例付出多少注意力。难以预测的训练数据被分配更多权重，而容易预测的数据分配的权重较少。依次创建模型，每个模型在训练实例上更新权重，影响序列中下一个决策树的学习。在所有决策树建立之后，对新数据进行预测，并且通过每个决策树在训练数据上的精确度评估其性能。
因为在纠正算法错误上投入了太多注意力，所以具备已删除异常值的干净数据非常重要。
总结
初学者在面对各种机器学习算法时经常问：“我应该用哪个算法?”这个问题的答案取决于很多因素，包括：(1)数据的大小、质量和特性;(2)可用的计算时间;(3)任务的紧迫性;(4)你想用这些数据做什么。
即使是经验丰富的数据科学家在尝试不同的算法之前，也无法分辨哪种算法会表现最好。虽然还有很多其他的机器学习算法，但本篇文章中讨论的是最受欢迎的算法。如果你是机器学习的新手，这将是一个很好的学习起点。

❾ NR协议描述

5G NR终端相关规范

TS 38.101-1 :NR:用户设备(UE)无线电发射和接收，第1部分:范围1独立组网

TS 38.101-2 :NR:用户设备(UE)无线电发射和接收，第2部分:范围2独立组网

TS 38.101-3 :NR:用户设备(UE)无线电发射和接收，第3部分:范围1和范围2与其余无线的互通操做

TS 38.101-4 :NR:用户设备(UE)无线电发射和接收，第1部分:性能要求网

5G NR空口相关规范

TS 38.133 :NR:支持无线资源管理的要求

TS 38.201 :NR:物理层；整体描述

TS 38.202 :NR:物理层提供的服务

TS 38.211 :NR:物理信道与调制

TS 38.212 :NR:复用与信道编码

TS 38.213 :NR:物理层控制流程

TS 38.214 :NR:物理层业务流程

TS 38.300 :NR:整体描述；阶段2

TS 38.321 :NR:介质访问控制(MAC)协议规范

TS 38.322 :NR:无线链路控制(RLC)协议规范

TS 38.323 :NR:分组数据融合协议(PDCP)规范

TS 38.331 :NR:无线资源控制(RRC)协议规范架构