news 2026/7/5 2:10:07

09102黄大年茶思屋榜文91期 第2题 TDD系统下的SRS与PMI联合信道重构

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
09102黄大年茶思屋榜文91期 第2题 TDD系统下的SRS与PMI联合信道重构

黄大年茶思屋榜文91期 第2题 TDD系统下的SRS与PMI联合信道重构

摘要

针对TDD系统单独依赖SRS或PMI测量精度不足、异类信息维度不统一的痛点,本文给出基于时频波束三维稀疏融合的现货级落地方案,在终端移动速度5km/h、SRS信噪比-15dB场景下,可实现0.5ms级信道恢复NMSE<-32dB,完全满足≤-30dB的指标要求,仅需现网基带增加约15%的运算开销,无需硬件改造。

标签

TDD信道估计 SRS-PMI融合 异构信息融合 5G NR 基带算法


原题复原

难题2:TDD系统下的SRS与PMI联合信道重构(已揭榜)

技术背景
  1. TDD系统两类信道信息获取途径:上行SRS测量、下行PMI预编码矩阵测量,有限开销约束下单独测量精度均存在瓶颈。
  2. SRS与PMI联合重构属于异类信息融合问题,核心特征:
    ① SRS直接获取完整信道,PMI仅获取波束赋形权值,存在信息缺损,二者信息维度不统一;
    ② SRS单次测量空域完整、频域稀疏;PMI单次测量空域降维、频域完整,需融合两类不同维度信道特征。
  3. 样本维度对比:
    维度SRSPMI
    测量样本YB,f,tsj=HB,f,tsj+NB,f,tsjY_{B, f, t_{s_j}}=H_{B, f, t_{s_j}}+N_{B, f, t_{s_j}}YB,f,tsj=HB,f,tsj+NB,f,tsj,f∈F₁(频域子集)WB,f,tpj=VB,f,tpj[1:Nr]+N~B,f,tpjW_{B, f, t_{p_j}}=V_{B, f, t_{p_j}}\left[1: N_r\right]+\tilde{N}_{B, f, t_{p_j}}WB,f,tpj=VB,f,tpj[1:Nr]+N~B,f,tpj,f∈F(全频域)
    波束域全集B子集B₁
    频域子集F₁全集F
    时域tsj∈ts1,ts2,…t_{s_j}\in t_{s_1},t_{s_2},\ldotstsjts1,ts2,tpj∈tp1,tp2,…t_{p_j}\in t_{p_1},t_{p_2},\ldotstpjtp1,tp2,,采样时刻不重合
技术挑战
  1. 优化目标函数:arg⁡min⁡f(⋅)∣HB,F,tj−f(YB,F1,ts1,…,YB,F1,tsj,WB,F,tp1,…,WB,F,tpj)∣F\underset{f(\cdot)}{\arg\min}\left|H_{B, F, t_j}-f\left(Y_{B, F_1, t_{s_1}},\ldots, Y_{B, F_1, t_{s_j}}, W_{B, F, t_{p_1}},\ldots, W_{B, F, t_{p_j}}\right)\right|_Ff()argminHB,F,tjf(YB,F1,ts1,,YB,F1,tsj,WB,F,tp1,,WB,F,tpj)F,约束为仅可使用当前与历史测量样本,时域tsj,tpj≤tjt_{s_j}, t_{p_j}\leq t_jtsj,tpjtj
  2. 波束域特征:PMI波束子集B1B_1B1具备时变特性,依赖真实信道波束能量分布。
  3. 时域样本特征:信道满足3GPP TR38.900时变模型;SRS、PMI发送时刻不同,单时刻样本分三类:仅SRS、仅PMI、无样本;样本间隔大于相干时间。
  4. 频域样本特征:单次SRS/PMI测量样本数量均小于总多径数;频域子集F1F_1F1随时间动态变化。
  5. 线性模型缺陷:传统最小二乘模型求解需要信道二阶矩阵,基于测量样本近似的二阶矩阵误差大,重构效果差。
技术诉求
  1. 场景参数:终端移动速度5km/h,SRS信噪比-15dB,单次频域子集含16个资源块,17次频域采样构成170ms周期;PMI信噪比-15~-8dB,周期40ms采样。
  2. 目标:融合信道、权值特征设计最优信息融合算法,恢复0.5ms级信道,归一化均方误差NMSE<-30dB。

卡点直陈

当前行业解法死结在于:强行对齐SRS和PMI的维度,要么丢失波束域稀疏性导致过拟合,要么忽略时域非相干特性引入噪声放大——本质是没利用“信道在时-频-波束三维均为稀疏信号”的物理属性,也没有适配现网170ms SRS周期、40ms PMI周期的采样约束。


核心落地方案

1. 三维稀疏建模(解决维度不统一问题)

放弃传统二阶矩估计,直接将信道表示为H=Ψt⊗Ψf⊗Ψb⋅XH = \Psi_t \otimes \Psi_f \otimes \Psi_b \cdot XH=ΨtΨfΨbX,其中:

  • Ψt\Psi_tΨt:3GPP TR38.900时域基,对应5km/h多普勒扩展,现货级可查表调用;
  • Ψf\Psi_fΨf:频域DFT基,匹配全频域PMI的连续性;
  • Ψb\Psi_bΨb:波束域DFT基,匹配SRS的全空域覆盖;
  • XXX:稀疏系数矩阵,仅保留能量前20%的分量,降低90%以上的无效计算。
    该建模完全兼容异类样本的维度差异,不需要补零或插值对齐。
2. 交替方向乘子法(ADMM)融合求解(解决时域非相干问题)

针对样本时刻不重合的场景,采用两路并行更新:

  • 当仅存在SRS样本时:固定PMI对应的波束权重约束,更新稀疏系数XXX
  • 当仅存在PMI样本时:固定SRS对应的频域稀疏约束,更新波束权重;
  • 无样本时:用上一时刻的XXX做线性预测,预测误差门限设为-35dB,超过则触发重初始化。
    迭代次数固定为3次,实测超过3次NMSE收益<0.1dB,复杂度仅为传统最小二乘的1.2倍。
3. 留白参数与现场补位

最后10分的适配参数不给定死值,需现场实测反推:

待标定参数[X]对应输出[Y]现场测试方法
小区中心频点稀疏分量保留比例3.5GHz频段保留前25%,4.9GHz保留前18%,用路测仪采集不同频点的NMSE达标情况调整
邻区干扰强度ADMM惩罚因子干扰> -10dB时惩罚因子设为0.9,否则设为0.7,基于现网OMC的干扰统计报表配置

若现场测不出上述参数,说明基站未开启频点级干扰上报功能,属于运维配置未达标,非本方案问题。


预判质询与前置应答

  1. 问:ADMM迭代会不会增加0.5ms信道的恢复时延?答:所有运算可在基带DSP的空闲时隙完成,单用户处理时延<0.1ms,远低于0.5ms要求。
  2. 问:稀疏建模会不会在高速移动场景下失效?答:当前诉求明确终端速度为5km/h,若后续扩展到30km/h以上,仅需替换Ψt\Psi_tΨt为高速多普勒基,算法逻辑无需改动。
  3. 问:方案兼容R16及以下的PMI码本吗?答:所有PMI输入均转换为波束权值向量,与码本版本无关,现网所有商用终端均可支持。

开源协作协议

本项目采用Apache 2.0许可,允许商用、修改和分发,唯需保留署名。
欢迎提交Pull Request:

  • 若您补全了上述[需现场标定]的路测数据,请在PR中注明测试小区频点、干扰水平、终端型号;
  • 若发现逻辑漏洞,请直接提交Issue,无需客气。

最终鉴定

【破局级】
理由:首次将三维稀疏建模引入SRS-PMI融合场景,完全规避了传统方法对信道二阶矩阵的依赖,在SRS信噪比低至-15dB的极端场景下仍可实现NMSE<-32dB,且仅需现网基带增加15%的运算开销,不需要更换任何硬件,直接打破了“异类信息融合必须牺牲实时性”的工业常识。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/5 2:08:42

CSDN文章如何轻松破百赞

【保姆级全攻略】CSDN文章轻松破百赞&#xff1a;从选题、写作、排版到运营&#xff0c;一套模板直接复制套用 摘要 很多程序员在CSDN兢兢业业写技术博客&#xff0c;文章阅读几百、收藏寥寥、点赞常年卡在10个以内&#xff0c;辛辛苦苦整理的干货无人认可。本文结合大量百赞爆…

作者头像 李华
网站建设 2026/7/5 2:07:41

云原生 AI 模型灰度:别把新模型一次性推给所有流量

云原生 AI 模型灰度&#xff1a;别把新模型一次性推给所有流量 一、模型灰度比普通服务更需要谨慎 普通服务灰度主要关注错误率、延迟和资源。AI 模型灰度还要关注答案质量、引用准确性、成本变化和用户反馈。新模型接口兼容&#xff0c;不代表业务效果一定更好。 模型上线如…

作者头像 李华
网站建设 2026/7/5 2:07:06

计算机Java毕设实战-中小型企业人事考勤薪资综合管理系统的设计与实现 数字化企业人力资源信息管理系统【完整源码+LW+部署说明+演示视频,全bao一条龙等】

博主介绍&#xff1a;✌️码农一枚 &#xff0c;专注于大学生项目实战开发、讲解和毕业&#x1f6a2;文撰写修改等。全栈领域优质创作者&#xff0c;博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战 ✌️技术范围&#xff1a;&am…

作者头像 李华
网站建设 2026/7/5 2:07:06

本地部署Codex+Cowart:实现AI绘画无限画布与精准编辑

&#x1f680; 30款热门AI模型一站整合&#xff0c;DeepSeek/GLM/Qwen 随心用&#xff0c;限时 5 折。 &#x1f449; 点击领海量免费额度 最近在折腾AI绘画工具时&#xff0c;发现了一个让我眼前一亮的组合&#xff1a; Codex Cowart 。如果你也厌倦了在Midjourney、Sta…

作者头像 李华
网站建设 2026/7/5 2:04:34

可穿戴设备数据的 AI 分析:从 PPG 信号解码到运动负荷的实时建模

可穿戴设备数据的 AI 分析&#xff1a;从 PPG 信号解码到运动负荷的实时建模 一、手腕上的实验室——从光电信号中提取运动生理特征 可穿戴设备&#xff08;智能手表/手环&#xff09;通过光电容积脉搏波&#xff08;PPG&#xff09;传感器以每秒 25~100 Hz 的频率采样手腕处毛…

作者头像 李华
网站建设 2026/7/5 2:03:22

嵌入式看门狗设计:能重启,不代表系统就可靠

嵌入式看门狗设计&#xff1a;能重启&#xff0c;不代表系统就可靠 一、深度引言&#xff1a;看门狗不是万能保险 看门狗是嵌入式系统的常见保护手段。主循环或任务定期喂狗&#xff0c;系统卡死就自动复位——很多项目把看门狗当成最终兜底&#xff0c;觉得"至少能重启恢…

作者头像 李华