GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读

这篇具有很好参考价值的文章主要介绍了GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

“广义频分复用(Generalized Frequency Division Multiplexing)”技术由Gerhard Fettweis等人于2009年首次在论文"GFDM-Generalized Frequency Division Multiplexing"中提出,这是一种基于数字多载波调制方案,与"4G"中使用的“正交频分复用(Orthogonal Frequency Division Multiplexing)”技术相比,"GFDM"调制方案具有低带外辐射、高频谱效率、对时频偏移的高鲁棒性以及适应多种信道的高灵活性等优势。

Abstract

本论文提出了"GFDM"系统,一种广义的数字多载波发射接收技术。"GFDM"是在传统滤波器组多分枝多载波的基础上发展而来的。"GFDM"对于表现高度频谱碎片化的场景具有重要意义。与"OFDM"相比,"GFDM"具有更低的“峰值平均功率比(PAPR)”、由于可调节的“发射滤波器(Tx-filter)”的存在而具有“更低的带外辐射(OOB)”。此外,循环前缀的插入和高效的基于"FFT"的均衡实现了"GFDM"基于块的传输。"GFDM"实现了可与"OFDM"相媲美的频域和时域多用户调度,即使在严重碎片化的频谱区域,也为空白空间的聚合提供了一种有效的替代方案。

I. INTRODUCTION

"GFDM"方案定义了一个发射接收结构,允许“机会地”利用频谱“空白空间(White Spaces)”进行无线数据通信。例如,“数字红利(Digital Dividend)”下的“超高频(UHF)电视频段”的频谱空洞是一个典型的场景。设计这种“机会主义装置”特别困难,主要有两个原因:一方面,信号的产生要保证超低带外辐射,严格避免对电视信号造成有害的干扰;另一方面,接收器应该具有很高的灵敏度,以探索“空白空间”

***note:所谓“数字红利(Digital Dividend)”,被看作地面广播电视数字化后的经济投资回报。从频谱角度讲,模数转换后,由于变换压缩算法及信号格式,可节省的无线频谱即为数字红利频段。因此,在不减少电视频道和不降低画面质量的前提下,节省的数字红利频段可用于其他无线电业务,特别是移动宽带业务。

通常情况下,“电视空白空间(TV White Spaces)”在频谱中不是连续的位置,超高频电视频谱表现出强烈的“频谱碎片化(Spectrum Fragmentation)”现象。为了应对强烈的频谱碎片化的系统,"GFDM"发射接收机是宽频带的并且满足:

  • 低带外辐射(Low out of band radiation to acoid harmful interference to legacy TV signals.)
  • 简单的均衡(Simple equalization despite the wideband nature of the transmit signal.)
  • 频率灵活的空白空间分配与灵活的信号带宽(Frequency agile white space allocation, flexible signal bandwidth.)
  • 数字化实现以减少对模拟前端的要求(Digital implementation to reduce the requirements of the analogue front-end.)

“OFDM”即使在使用脉冲整形技术或保护载波时,也会产生很强的频谱泄露。“GFDM”的目的是将“OFDM”的灵活性和简单性与更强的抗干扰能力相结合。

II. GFDM TRANSMITTER

"GFDM"是一种多载波系统,它采用数字方法实现了经典的滤波方法。“循环前缀(CP)”的插入是为了在接收端实现了低复杂度的“均衡(Equalization)” F i g u r e   1 Figure\ 1 Figure 1 中,通过使用"tail biting"技术缩短"CP"来提高频谱效率。每一个子载波被某种形式的“QAM(正交幅度调制,Quadrature Amplitude Modulation)”单独(独立)调制。

GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读
figure1 Principle of GFDM digital transmitter

n n n 个子载波上传输的“QAM符号流”表示为:
s ( n , k )   , s(n,k)\ , s(n,k) ,

其中 k k k 表示“QAM符号索引”。上采样后,索引变为 k ′ k' k,样本持续时间为 T S T_S TS

插入循环前缀后,进行如下操作(这是产生低带外辐射的关键):
s ( n , k ′ ) ∗ g T x ( h , k ′ )   , s(n,k')\ast g_{T_x}(h,k')\ , s(n,k)gTx(h,k) ,
其中, ∗ \ast 表示关于 k ′ k' k 的卷积运算。需要陡峭的滤波器边沿,这意味着“Tx滤波器”需要较高的滤波阶数。对于“数字Tx滤波器”,可以采用 F i g u r e   2 Figure\ 2 Figure 2 所示的"Tail Biting"技术来减少"CP开销"

GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读
figure2 Principle of CP shortening by tail biting

单个子载波被脉冲整形后,将每个载波 n n n 移位到其载波频率 f n f_n fn 处,将其归一化为信号带宽 B = 1 / T S B=1/T_S B=1/TS,因此在区间 [ − 1 / 2 : 1 / 2 ) [-1/2:1/2) [1/2:1/2) 内定义。由此得到的时域信号 x ( k ′ ) x(k') x(k) 为:
x ( k ′ ) = ∑ ( s ( n , k ′ ) ∗ g T x ( n , k ′ ) ) e j 2 π k ′ f n   . x(k')=\sum(s(n,k')\ast g_{T_x}(n,k'))e^{j2\pi k'f_n}\ . x(k)=(s(n,k)gTx(n,k))ej2πkfn .
最后,将 x ( k ′ ) x(k') x(k) 进行数模转换,混频到载波频率,放大并传输。

“OFDM”使用"CP"来简化信号均衡,但其主要缺点是较高的"PAPR"。在传统的单载波系统中使用循环前缀,可以实现较低的"PAPR"和简单的均衡,从而产生应用于"LTE"上行链路的“SC-CP(Single Carrier with Cyclic Prefix,单载波循环前缀)”系统概念。因此,根据上面给出的"GFDM"信号生成方案,我们可以将"GFDM"解释为在数字域中实现的并行"SC-CP"系统。 这种观察有许多后果:

  • 每个子载波代表一个独立的"SC-CP"链路,可以单独调制,有自己的带宽和脉冲整形。
  • "GFDM"子载波不再是正交的,而是相互干扰的,可以通过单独的“Tx滤波器”和信号带宽来调节这种相互干扰。
  • 由于数字化实现,"GFDM""OFDM""SC-CP"的简单均衡与灵活的“空白空间”分配和可控的带外辐射结合起来。

III. GFDM RECEIVER

F i g u r e   3 Figure\ 3 Figure 3 所示的 "GFDM"接收机对每个 "GFDM"子载波进行并行 "SC-CP"解调。接收信号经过“LNA(低噪声放大器,Low Noise Amplifier)”“下转换(Down-Conversion)”阶段后,进行模数转换,得到数字化接收信号 y ( k ′ ) y(k') y(k)。这里, y ( k ′ ) y(k') y(k)"Tx信号" x ( k ′ ) x(k') x(k) 与信道脉冲响应 h ( k ’ ) h(k’) h(k) 的离散卷积给出,信道脉冲响应 h ( k ′ ) h(k') h(k) 包含方差为 σ 2 \sigma^2 σ2 均值为 0 0 0 的加性高斯白噪声 n ( k ′ ) n(k') n(k)
y ( k ′ ) = x ( k ′ ) ∗ h ( k ′ ) + n ( k ′ )   , y(k')=x(k')\ast h(k')+n(k')\ , y(k)=x(k)h(k)+n(k) ,

GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读
figure3 Principle of the GFDM digital receiver

定义“信噪比(SNR)”为:
γ = E { ∣ x ( k ′ ) ∗ h ( k ′ ) ∣ 2 } σ n 2   . \gamma=\frac{E\{|x(k')\ast h(k')|^2\}}{\sigma_n^2}\ . γ=σn2E{x(k)h(k)2} .
然后将接收到的信号分别混合到每个数字接收分支的基带中,进行滤波,得到信号 z ( n , k ′ ) z(n,k') z(n,k)
z ( n , k ′ ) = ( y ( k ′ ) e − j 2 π k ′ f n ) ∗ g R x ( n . k ′ )   . z(n,k')=(y(k')e^{-j2\pi k'f_n})\ast g_{R_x}(n.k')\ . z(n,k)=(y(k)ej2πkfn)gRx(n.k) .

这里,使用"Rx滤波器"来消除"临近信道干扰(ICI)"。高选择性的滤波器,即具有陡峭边沿的滤波器将提供较低的"ICI",因此有较高的"SNR"。然而,陡峭的滤波器边沿意味着较高的滤波器阶数,这就需要适当的循环前缀来补偿,从而会降低系统的频谱效率。经数字"Rx滤波器"滤波后,对信号进行下采样,将采样索引 k ′ k' k 还原为"QAM"符号索引 k k k。去除循环前缀,使用“快速傅里叶变换(FFT)”对信号 z ( n , k ′ ) z(n, k') z(n,k) 进行变换,以得到第 n n n 个子载波信号的“频率窗口(Frequency bins)” Z ( n , I ) Z(n,I) Z(n,I)。信号模型现在可以写成:
H ( n , l ) = F F T l { g T x ( n , k ) ∗ h ( k ) ∗ g R x ( n , k ) }   . H(n,l)=FFT_l\{g_{T_x}(n,k)\ast h(k)\ast g_{R_x}(n,k)\}\ . H(n,l)=FFTl{gTx(n,k)h(k)gRx(n,k)} .
***note:“频率窗口(Frequency bins)”可以通俗地理解为频域中两个相邻离散谱线之间的间隔。例如,如果选择的采样率为 1000 H z 1000Hz 1000Hz"FFT"的尺寸为 1000 1000 1000,则 [ 0 , 1000 ) H z [0,1000)Hz [0,1000)Hz 之间将有 1000 1000 1000 个频点。 因此,"FFT"后将整个 1000 H z 1000Hz 1000Hz 范围划分为 1000 1000 1000 个间隔,例如 0 − 1 H z 0-1Hz 01Hz 1 − 2 H z 1-2Hz 12Hz 等。 每个这样的小间隔(例如 0 − 1 H z 0-1Hz 01Hz)都是一个"Frequency bin"

通过“迫零操作(Zero-forcing operation)”实现均衡:
S ^ ( n , l ) = Z ( n , l ) / H ( n , l )   , \hat{S}(n,l)=Z(n,l)/H(n,l)\ , S^(n,l)=Z(n,l)/H(n,l) ,
其中,均衡后的数据信号 s ^ ( n , k ) \hat{s}(n,k) s^(n,k) 可以通过"IFFT"得到,之后进入“检测器/解码(detector/decoder)”阶段。

IV. GFDM PERFORMANCE EVALUATION

假设信道传递函数 F F T { 9 T x ( n , k ) ∗ h ( k ) ∗ g R x ( n , k ) } FFT\{9_{T_x}(n,k)\ast h(k)\ast g_{R_x}(n,k)\} FFT{9Tx(n,k)h(k)gRx(n,k)} 在接收端是完全已知的,考虑"AGWN"环境。这意味着信道脉冲响应 h ( k ) h(k) h(k) 只由一个抽头组成且总是设定为 h ( 0 ) = 1 h(0)=1 h(0)=1

F i g u r e   4 Figure\ 4 Figure 4 比较了"OFDM""GFDM"的未编码的"QPSK"误码率,其中"GFDM""Tx""Rx"滤波使用不同的滤波器阶数。数字余弦滚降滤波器"Tx""Rx"的阶数分别用 O T x O_{T_x} OTx O R x O_{R_x} ORx 表示。显然,由于子载波之间正交性的损失,"GFDM"的误码率性能略差,但这可以通过适当的滤波器设计来控制

GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读
figure4 Bit error rate performs for QPSK modulation, AWGN channel used

"CCDF"“互补累积分布函数(Complementary Cumulative Distribution Function)”,定义为多载波传输方案中"PAPR"超过某一门限值的概率,可以用于计算多载波传输方案的"PAPR" F i g u r e   5 Figure\ 5 Figure 5 比较了"OFDM""GFDM""PAPR"。由于子载波数目较少,"GFDM""OFDM"相比具有更优越的"PAPR"性能。

GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读
figure5 CCDF of PAPR for GFDM and OFDM

V. CONCLUSION

本文提出了一种基于数字实现滤波器组的多载波系统架构。结果表明,"GFDM"显著降低了对模拟前端的要求。特别是"GFDM"结合了特定子载波分配的优势和较低的"PAPR"。低"PAPR"可以降低硬件成本和功耗。此外,每个子载波可以单独调制,这在系统设计中提供了高度的灵活性,并允许有效的多用户调度。与传统的多载波系统相比,"GFDM"对严重碎片频谱场景来说是一个很有前途的解决方案。

REFERENCES

[1] GFDM-Generalized Frequency Division Multiplexing.
[2] Digital Dividend.
[3] Frequency Bins.
[4] CCDF.文章来源地址https://www.toymoban.com/news/detail-460642.html

到了这里,关于GFDM笔记【2】:GFDM-Generalized Frequency Division Multiplexing论文阅读的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 论文笔记:FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting

    2022 ICML 长时间序列问题是一个研究很广泛的问题 RNN以及变体会遇到梯度消失/梯度爆炸,这会在很大程度上限制他们的表现 Transformer的方法会导致很高的计算复杂度,以及很大的内存消耗,这也会使得在长时间序列上使用Transformer很吃力 近来有方法优化Transformer,使其计算复

    2024年02月11日
    浏览(60)
  • 【论文笔记】GeneFace: Generalized and High-FidelityAudio-Driven 3D Talking Face Synthesis

    这项工作泛化能力弱,存在的两个挑战: (1)训练数据规模小。 (2)容易产生“平均脸”。音频到其对应的面部运动是一对多映射,这意味着相同的音频输入可能具有多个正确的运动模式。使用基于回归的模型学习此类映射会导致过度平滑和模糊结果 (1)为了处理弱泛化

    2024年02月04日
    浏览(46)
  • 论文阅读《thanking frequency fordeepfake detection》

    项目链接:https://github.com/yyk-wew/F3Net 这篇论文从频域的角度出发,提出了频域感知模型用于deepfake检测的模型 整体架构图: 1.FAD: 频域感知分解,其实就是利用DCT变换,将空间域转换为频域,变换后的图像低频信息在左上角,高频信息在右下角,同时高频表示细粒度的伪造痕

    2024年02月20日
    浏览(42)
  • 【Python】成功解决ZeroDivisionError: division by zero

    【Python】成功解决ZeroDivisionError: division by zero 🌈 个人主页:高斯小哥 🔥 高质量专栏:Matplotlib之旅:零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈 希望得到您的订阅和支持~ 💡 创作高质量博文(平均质量分92+),分享更多关于深度学习、PyTorc

    2024年04月15日
    浏览(51)
  • 提示错误信息:ZeroDivisionError: division by zero的解决方法

    在手写Adaboost算法时,基本分类器 G m ( x ) G_{m}(x) G m ​ ( x ) 的系数为: α m = 1 2 log ⁡ 1 − e m e m alpha_m=frac{1}{2}logfrac{1-e_m}{e_m} α m ​ = 2 1 ​ lo g e m ​ 1 − e m ​ ​ 我们用代码实现为:(只展示部分代码) 但是在运行后报错: 这里的错误很明显,就是我们的公式计算中,

    2024年02月14日
    浏览(39)
  • python 代码遇到 float division by zero 怎么解决?

    当我们在 Python 代码中进行除法运算时,可能会遇到 \\\"float division by zero\\\" 的错误。这种错误通常发生在除数为 0 时。在这篇文章中,我们将介绍如何避免和解决这个问题。 当我们尝试用一个浮点数除以 0 时,会得到一个 \\\"float division by zero\\\" 的错误。例如: 上述代码会导致以下

    2024年02月13日
    浏览(41)
  • Generalized Focal Loss论文个人理解

    论文地址:Generalized Focal Loss: Towards Efficient Representation Learning for Dense Object Detection 论文解决问题 研究人员最近更加关注边界框的表示(representation)及其定位质量估计(LQE,本论文中指的是IoU score),导致该领域取得了令人鼓舞的进展。具体来说,边界框表示被建模为简单的狄

    2024年02月01日
    浏览(42)
  • GLM(Generalized Linear Models)模型详解

    指数家族是指一类概率分布,其具有指数模式。需要注意,这是一类概率分布,不是特指某个概率分布,因此指数分布只有固定的格式,根据参数不同,会生成不同的分布。 指数家族分布定义 若一个随机变量y的分布被称为指数家族分布,那么其需要满足: 由以上可看出,

    2024年02月07日
    浏览(54)
  • 基于try-except模块的ZeroDivisionError: division by zero解决办法

    顾名思义,ZeroDivisionError: division by zero就是除数为0的情况,也可以理解为分母为0的情况。如1/0,2/0,3/0等,但有些场和我们可能需要分母位置的0值,例如我要比较分子与分母的大小,取得其中的相对小值作为一个变量,包括0。 对于上述情况,可以采用try-except异常捕获模块

    2024年02月06日
    浏览(41)
  • 论文阅读《Generalizing Face Forgery Detection with High-frequency Features》

    高频噪声分析会过滤掉图像的颜色内容信息。 本文设计了三个模块来充分利用高频特征, 1.多尺度高频特征提取模块 2.双跨模态注意模块 3.残差引导空间注意模块(也在一定程度上体现了两个模态的交互) SRM是用于过滤图像的高频噪声 输入的图像X,共两个分支,一部分是用

    2024年01月25日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包