無線通訊網路學習之LTE關鍵技術之HARQ(20141217)
今天我們來一起了解一下LTE中運用到的一個關鍵技術HARQ(混合自動重傳技術)
由於資訊在通道傳輸的過程中,會產生資訊丟失,所以為了保持資訊的完整性,務必需要重傳資訊至所有的資訊都完成接收為止。
首先,先來了解一下HARQ的相關理論:
按照重傳發生時刻,可以將HARQ分為同步和非同步;
同步HARQ是指HARQ的傳輸(重傳)發生在固定時刻,由於接收端預先知道傳輸發生的時刻,因此不需要額外的信令開銷來表示HARQ程序的序號,此時的HARQ程序號可以從子幀號獲得。
非同步HARQ是指HARQ的重傳可以發生在任意時刻,因為接收端不知道傳輸的發生時刻,所以HARQ的程序處理序號需要連同資料一起傳送。
按照重傳時資料特性是否發生變化又可以將HARQ分為非自適應性和自適應性兩種:
自適應傳輸:傳送端根據實際的通道狀態資訊,改變部分的傳輸引數;
非自適應傳輸:傳輸引數相對於接收端已經知曉,因此包含傳輸引數的信令在非自適應傳輸系統中不需要再次傳輸。
同步HARQ優勢:1.開銷小;2.在非自適應系統中接收端操作複雜度低;3.提高了通道的可靠性。
非同步HARQ優勢:1.在完全自適應系統中,可以採用離散,連續的子載波分配方式,排程具有很大的靈活性;
2.可以支援一個子幀多個HARQ程序;
3.重傳排程的靈活性。
LTE下行鏈路系統採用非同步自適應的HARQ技術,上行系統採用同步非自適應的HARQ技術;
上行鏈路系統選擇同步非自適應的HARQ技術,主要是因為上行鏈路複雜,來自其他小區干擾的不確定性,基站無法精確的估測出各個使用者的信幹比(SINR)值,
接下來重點看下下行鏈路系統採用的非同步自適應的HARQ技術,首先看一張下行HARQ時序圖:
下行傳輸傳送端通過PDSCH來排程,PDSCH對應的ACK或者NACK在PUCCH或者PUSCH上傳送;
下行傳輸接收端通過PDCCH來排程;
TX:傳送端
RX:接收端
假設傳輸資訊1234
每經過一次傳輸只留下一位,比如1,2,3,4一次遞進,那麼久需要重傳4次,才能將所有的資訊完整傳輸完畢(理想狀態)。
每次傳輸,我們一般用(跟蹤Chase)或者(軟合併Soft Combining)來實現所有資料的合併。
當傳輸大資料時,必須多增加一個遞增冗餘IR(IncrementalRedundancy)來降低重傳時所要消耗的大量開銷,即後面傳的是前面沒接收到的資料,已經接收到的就不再傳輸。
OK,對HARQ就講到這裡,希望大家有什麼新的見解可以跟帖留言,互相交流。下次我們繼續LTE的關鍵技術學習。
相關推薦
無線通訊網路學習之LTE關鍵技術之SON(20141220)
鑑於之前每天才寫一個相關知識點,而且偶爾還由於工作原因,沒有每天都跟進,所以決定今天再寫一個關於LTE關鍵技術的知識,也是最後一個SON。 SON:(Self Organized Network)自組織網路; 包含三個方面的內容:自配置,ANR(自動鄰區優化),MRO(切換
無線通訊網路學習之LTE關鍵技術之OFDM(20141213)
LTE網路有幾個關鍵的技術,分別是:OFDM,AMC,HARQ,MIMO,ICIC,SON 今天首先來了解一下OFDM;(Orthogonal Frequency Division Multiplexing)正交頻分複用 將通道分為多個正交子通道,將高速資料訊號轉換成並行的
無線通訊網路學習之LTE關鍵技術之ICIC(20141220)
增加邊緣使用者RB數,就會降低中心使用者的RB數,隨之小區總的吞吐量也降低。提高邊緣使用者的SINR的手段是本小區邊緣使用者與干擾鄰區中心使用者使用相同位子的RB資源,通過降低干擾鄰區中心RB資源的發射功率(負荷較高時),或者不發射(負荷較低時),來降低鄰區干擾,但是降低干擾鄰區 中心RB資源的發射功率,很容
無線通訊網路學習之LTE關鍵技術之HARQ(20141217)
今天我們來一起了解一下LTE中運用到的一個關鍵技術HARQ(混合自動重傳技術) 由於資訊在通道傳輸的過程中,會產生資訊丟失,所以為了保持資訊的完整性,務必需要重傳資訊至所有的資訊都完成接收為止。 首先,先來了解一下HARQ的相關理論: 按照重傳發生時刻,可
無線通訊網路學習之LTE網路架構篇(20141208)
今天來學習一下LTE的網路架構: 1.LTE網路架構簡化了既有通訊網路架構,並可以與其他IP網路進行通訊的無縫整合,使其成為扁平化的全IP網路架構(Falt-All-IP); 2.改網路主要由EPC(核心網)與E-UTRAN組成,通過其他傳輸介質接入其他通訊網路,如下圖所示
無線通訊網路學習之LTE入門篇(20141206)
宣告:以下內容為網路自學筆記,個別內容及圖片引自網路,如有雷同,純屬巧合引用,若有侵權,請留言聯絡,將第一時間刪除,歡迎各位留言交流斧正! 今天先從現在最新的4G技術開始瞭解起: 1.LTE:(Long Term Evolution,長期演進); 2.引入了OFDMA(正交
無線通訊網路學習之E-UTRAN與EPC篇(20141209)
今天來介紹一下E-UTRAN和EPC中網元架構方面的知識: 首先來參考一下下面的一張拓撲圖: 從圖中可以看出,E-UTRAN是使用者的移動終端(UE)與基站eNodeB組成; 負責無線訊號控制與資料處理,無線資源管理(Radio Resource Manageme
LTE關鍵技術之一:OFDMA(OFDM基本原理及簡單例項應用)
OFDM即正交頻分複用(Orthogonal Frequency Division Multiplexing),是多載波調製的一種,通俗來說就是通過多條互相沒有關係的通道傳輸不同的資訊。OFDM現在主要用於4G通訊上
對計算機網路學習的一點心得2之對心得1的辨證學習
對於上一篇博文“計算機網路學習的一點心得1”,我不知道有多少是對了,又錯了多少,也許整篇博文,除了OSI的各層名稱寫對了外,其餘的便全是錯的。 經過一段時間的專案中的對HTTP協議的使用,讓我對網路協議的分層有了一點點的感覺和理解 —— 在網路傳輸中,除了應用層的協議的資料格式有差別,應用層以下
對計算機網路學習的一點心得1之網路整體協議架構理解
網路整體協議架構理解 我們都知道,在學習《計算機網路》這門課時,RFC文件把OSI(開放系統互連參考模型 - Open System Interconnect )分為了七層,它們從現實世界到網路世界再到計算機世界分別是——物理層、資料鏈路層、網路層、傳輸層、會話層、表示層、
無線通訊網路演進
1、演進年代 80S、90S、2000s、2010s、2020s 2、各通訊系統 1G模擬系統 標準多且不統一:AMPS(美國為首47個國家)、NMT(北歐)、英國中國等TACS; 安全的問題:沒有加密的; 漫遊問題:基於本地電話設計,並不涉及到使用者的在不同網路中漫遊; 頻譜效
從零開始學習音視訊程式設計技術之初出茅廬
原文連結 近來,直播越來越火,因此很多人也想開始學習音視訊程式設計技術的相關知識。 因此本人決定將畢生所學有關音視訊方面的知識記錄於此供初學者學習之用。 本教程針對初學者,從零開始學習視訊程式設計技術,最終向大師級進發。學習完本教程,你將掌握基
MFC六大關鍵技術之——訊息對映與命令傳遞
1 BOOL CWnd::OnWndMsg(UINT message,WPARAM wParam,LPARAM lParam,LRESULT* pResult)2 {3 if(message==WM_COMMAND)4 {5 OnCommand(wParam,lParam);6 ……7 }8 9 if(mes
無線通訊網路安全概述
加密是一種最基本的安全機制,通過它通訊明文可以被轉換成密文,只有知道解密金鑰的人才能恢復出原來的明文。根據金鑰的特點,可將密碼體制分為對稱和非對稱密碼體制。對稱密碼體制又稱單鑰或私鑰密碼體制,在這種體制中,加密金鑰和解密金鑰是一樣的或彼此之間容易確定,只有知道共享金鑰的通訊雙方才能相互通訊,這不僅限制了保密通
博世投資張翠波:自動駕駛需要突破晶片、感測器、深度學習演算法等關鍵技術
來源:36氪 概要:基於博世的很多發現,整個無人駕駛的時間表可能如下:Level3級別的自動駕駛可能會在2020年後;Level4量產的時間是2020到2023年。 全球智慧駕駛行業風起雲湧,大量資本、技術、人才不斷湧入。在自動駕駛的巨集大願景之下,國內也湧現出了不少初創公司,涵蓋了智慧駕駛的產業鏈
【轉自知乎】5G關鍵技術之波束成形
經典通訊問題:如何才能讓很多人在一個房間內說話互不干擾 在上一期文章中我們介紹瞭如何利用毫米波技術來獲得更多的頻譜資源,那麼,接下來的問題是我們在有了頻譜資源後如何充分利用,就是如何讓多個使用者通訊但又互不干擾,專業術語叫做頻譜複用。大家一定有過這樣的經驗,在一間房間裡當人不多時,手機訊號很好,但是當許多人聚
區塊鏈技術之密碼學技術之數字證書
自己 對稱加密 key ast 機構 成對 -m 操作 之前 數字證書 數字證書用來證明某個公鑰是誰的,並且內容是正確的。 對於非對稱加密算法和數字簽名來說,很重要的一點就是公鑰的分發。一旦公鑰被人替換(典型的如中間人攻擊),則整個安全體系將被破壞掉。 怎麽確保一個公鑰確
文字挖掘之降維技術之特徵選擇
1、為什麼要進行降維處理? 1.多重共線性--預測變數之間相互關聯。多重共線性會導致解空間的不穩定,從而可能導致結果的不連貫。 2.高維空間本身具有稀疏性。一維正態分佈有68%的值落於正負標準差之間
文字分類之降維技術之特徵抽取之SVD矩陣的分解的原理的介紹
http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html 一、奇異值與特徵值基礎知識: 特徵值分解和奇異值分解在機器學習領域都是屬於滿地可見的方法。兩者有著很緊密的
文字分類之降維技術之特徵抽取之LDA線性判別分析
背景:為什麼需要特徵抽取? 基於的向量空間模型有個缺點,即向量空間中的每個關鍵詞唯一地代表一個概念或語義單詞,也就是說它不能處理同義詞和多義詞,然而實際情況是:一個詞往往有多個不同的含義,多個