CN111130694B - 一种低时延聚类的pdcch盲检方法及其系统 - Google Patents
一种低时延聚类的pdcch盲检方法及其系统 Download PDFInfo
- Publication number
- CN111130694B CN111130694B CN201911226351.3A CN201911226351A CN111130694B CN 111130694 B CN111130694 B CN 111130694B CN 201911226351 A CN201911226351 A CN 201911226351A CN 111130694 B CN111130694 B CN 111130694B
- Authority
- CN
- China
- Prior art keywords
- data
- initial position
- module
- aggregation level
- effective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims abstract description 64
- 238000004220 aggregation Methods 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 101100184647 Azotobacter vinelandii modC1 gene Proteins 0.000 description 1
- 101150034584 MODD gene Proteins 0.000 description 1
- 101150080488 apa gene Proteins 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于移动通信技术领域,具体涉及到一种低时延聚类的PDCCH盲检方法,该方法包括:获取PDCCH数据,并对数据做预处理;对预处理的数据按照最大聚合等级进行分类,并判断每个分类数据中是否含有有效数据;根据每个分类中的有效数据分布判断这组数据的隐藏聚合等级;对隐藏聚合等级和有效数据进行解析,得到RNTI结果;根据RNTI结果重新确定解析前的分类信号中的起始位置;将起始位置与原始的起始位置进行比较,并判断这个类别的数据是否为有效信息;对有效信息数据进行盲检,得到检测数据;本发明在对PDCCH数据进行盲检开始阶段先对信号进行分析,提取有效信息,在对有效信息进行盲检,减少了盲检的次数,提高了系统的效率。
Description
技术领域
本发明属于移动通信技术领域,具体涉及到一种低时延聚类的PDCCH盲检方法及其系统。
背景技术
在现有的通信网模式PDCCH是作为下行物理层的调度指挥中心,PDCCH信道的解析快慢和其性能将会影响到整个的通信效率,现有的通信都在追求高效性和实时性,因此PDCCH就必须具有一个低延迟高性能的的要求,但是根据协议来分析,PDCCH信道与物理层其他下行信道不同终端必须通过盲检测算法才能够解析控制信道所携带的消息DCI,因此,如何减少接收端PDCCH信道的盲检次数,以满足低时延的特性成了重点研究方向。
现有技术中为了减少盲检次数,协议规定缩小响应盲检的搜索空间以缩短盲检次数,将终端的搜索空间划分为多个子空间,每个聚合等级下的候选PDCCH也被分成多个部分,同时引入一个指示各候选PDCCH再次随机化到搜索空间中动态信息参数,从而降低阻塞率。将搜索空间分成主搜索空间与辅搜索空间两个子集,当用户端UE数较少时,网络端将控制信息映射到主搜索空间子集中,接收端主要在主搜索空间子集中进行解析,当UE数较多时,将辅搜索空间子集作为一个辅助搜索空间使用。这两种算法能提高系统的性能。
但是使用这两种算法对PDCCH数据进行盲检时,不能减少PDCCH盲检次数,而且检测过程复杂。
发明内容
为解决以上现有技术的问题,本发明提出了一种一种低时延聚类的PDCCH盲检方法,该方法步骤如下:
S1:获取PDCCH数据,并对数据做预处理;
S2:对预处理的数据按照聚合等级进行分类,并判断每组分类数据中是否含有有效数据;
S3:根据每组分类中的有效数据分布判断对应分类组中的数据隐藏聚合等级;
S4:对每组分类中数据的隐藏聚合等级和有效数据进行解析,得到RNTI结果;
S5:根据RNTI结果重新确定解析前的每组分类信号中的起始位置;对解析出来的起始位置与原始的起始位置进行判断,若原始的起始位置与解析出来后的起始位置不一致,则为无效信息;若原始的起始位置与解析出来后的起始位置一致,则为有效信息;
S6:对有效信息数据进行盲检,得到检测数据。
优选的,对预处理的数据按照聚合等级进行分类过程包括:获取数据预处理中的解扰数据x,并提取数据x的总长度l;将数据x的总长度l按照8个CCE的最大聚合等级进行分组,得到ak;并记录ak分组前所对应长度的起始位置Mk。
优选的,判断每组分类数据中是否含有有效数据的过程包括:
步骤1:定义向量En,根据分类的结果,共有8个En向量,即n的取值为n=[1,2…8],其中,每个向量En内包8个元素,每个元素对应ak内的一个CEE数据;
若En的其中一个元素的值为0,则表示对应CCE为无效数据;
若En的其中一个元素的值为1,则表示对应的CCE为有效数据;
步骤2:取ak内的一个CCE,一个CEE中包含72个复数数据,将复数数据ai+ibj{0≤(i,j)<72}中的a,b进行映射,根据映射结果判断这个CCE内的数据是否有效;统计此CCE内有效数据个数N;
步骤3:当该组数据为高信噪比有效数据时,N为整个CCE内的数据;当该组数据为的噪声较大时,判断有效数据个数N与实际工程数据测量范围值λ的大小;即若当有效数据个数满足N>λ时,则判断当前的CCE为有效数据;若当前有效数据个数不满足N>λ时,则判断当前的CCE为无效数据;
步骤4:当En中全部元素都为0时,则ak内都为无效数据,否则ak内的数据为有效数据。
进一步的,根据映射结果判断这个CCE内的数据是否有效的过程包括:将a,b映射到由与y=4|x|所围成的几何图形内,即a和b满足且b≤4|a|,则判断当前CEE为有效数据;若a和b不满足且b≤4|a|,则判断当前CEE为无效数据。
进一步的,λ的取值范围为:28<λ<35。
一种低时延聚类的PDCCH盲检系统,所述系统包括:数据获取模块、有效数据选取模块、盲检模块以及盲检结果输出模块;
所述数据获取模块用于获取PDCCH数据,并将PDCCH数据发送给有效数据选取模块;
所述有效数据选取模块保括数据预处理模块、数据分类模块、有效数据判别模块、隐藏聚合等级判别模块、RNTI结果计算模块、起始位置模块、起始位置判别模块;这些模块用于选取原始数据中的有效数据;
所述数据预处理模块用于预处理PDCCH数据,处理的过程包括:检测PDCCH数据的长度,对PDCCH数据进行软解调,以及解扰;
所述数据分类模块获取数据预处里模块中解扰的数据,并按照聚合等级将数据进行分类处理,并将分类数据发送给有效数据判别模块;
所述有效数据判别模块用于判断每个类别中的数据是否为有效数据,并将有效数据发送给隐藏聚合等级判别模块;
所述隐藏聚合等级判别模块根据有效数据分布获取该分类的隐藏聚合等级;
所述RNTI结果计算模块获取有效数据判别模块中的有效数据以及获取隐藏聚合等级判别模块中的聚合等级信息,并通过对有效数据和隐藏聚合等级信息进行解析得到RNTI值;将RNTI值发送给起始位置模块;
所述起始位置模块根据RNTI值反推起始位置,得到起始位置信息,将起始位置信息发送给起始位置判别模块;
所述起始位置判别模块中包含所有数据的起始位置信息,将计算得到的起始位置信息与原始的起始位置进行比较;若为一样的位置信息,则表示计算的起始位置信息的数据为有效数据,若不为一样的信息,则表示计算的起始位置信息的数据为无效数据;将判别结果发送给盲检模块;
所述盲检模块对有用的数据进行盲检,并将盲检的结果发送给盲检结果输出模块;
所述盲检结果输出模块输出盲检结果,并显示盲检后的数据。
本发明在对PDCCH数据进行盲检开始阶段先对信号进行分析,提取有效信息,在对有效信息进行盲检,减少了盲检的次数,提高了系统的效率;本发明还利用解析的结果RNTI对解析数据的起始位置反推验证结果的正确性,提高的解析的正确率。
附图说明
图1为本发明方法的处理流程框图;
图2为按照映射关系处理的一组CCE数据星座图;
图3为算法处理的一组数据星座图;
图4为某一个有效CCE数据分布图;
图5为本发明与现有方法性能比较图;
图6为本发明的系统图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合数据和附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种低时延聚类的PDCCH盲检方法,如图1所示,所述方法步骤包括:
S1:获取PDCCH数据,并对数据做预处理;
S2:对预处理的数据按照聚合等级进行分类,并判断每组分类数据中是否含有有效数据;
S3:根据每组分类中的有效数据分布判断对应分类组中的数据隐藏聚合等级;
S4:对每组分类中数据的隐藏聚合等级和有效数据进行解析,得到RNTI结果;
S5:根据RNTI结果重新确定解析前的每组分类信号中的起始位置;对解析出来的起始位置与原始的起始位置进行判断,若原始的起始位置与解析出来后的起始位置不一致,则为无效信息;若原始的起始位置与解析出来后的起始位置一致,则为有效信息;
S6:对有效信息数据进行盲检,得到检测数据;
其中,PDCCH表示下行物理控制信道承载信息,RNTI表示用户端与基站建立连接过程中的临时标识。
对预处理的数据按照聚合等级进行分类过程包括:
步骤1:获取数据预处理中的解扰数据x,并提取数据x的总长度l;
步骤2:将数据x的总长度l按照8个CCE的最大聚合等级进行分组,得到ak;并记录ak分组前所对应长度的起始位置Mk;
其中,ak表示分类的种类,k表示种类的编号,且k的取值为k=[1,2,…,l/(8*72)],l表示提取数据的总长度,CCE表示信道数据的单位资源,Mk表示对应数据的起始位置。
判断每组分类数据中是否含有有效数据的过程包括:
步骤1:定义向量En,根据分类的结果,共有8个En向量,即n的取值为n=[1,2…8],其中,每个向量En内包8个元素,每个元素对应ak内的一个CEE数据;
若En的其中一个元素的值为0,则表示对应CCE为无效数据;
若En的其中一个元素的值为1,则表示对应的CCE为有效数据;
步骤2:取ak内的一个CCE,一个CEE中包含72个复数数据,将复数数据ai+ibj{0≤(i,j)<72}中的a,b进行映射,根据映射结果判断这个CCE内的数据是否有效;统计此CCE内有效数据个数N;
步骤3:当该组数据为高信噪比有效数据时,N为整个CCE内的数据;当该组数据为的噪声较大时,判断有效数据个数N与实际工程数据测量范围值λ的大小;即若当有效数据个数满足N>λ时,则判断当前的CCE为有效数据;若当前有效数据个数不满足N>λ时,则判断当前的CCE为无效数据;
λ的取值范围为:28<λ<35,λ的取值越大,判断数据为有效数据就越精确;优选的,λ取32;
步骤4:当En中全部元素都为0时,则ak内都为无效数据,否则ak内的数据为有效数据;
其中,角标i,j的取值范围为{0≤(i,j)<72},且i,j都表示一个复数数据的索引,ai表示实部数据,bj为虚部数据,λ表示实际工程数据测量范围值。
如图2所示,图中为复数坐标系,虚线代表将要映射的范围,即映射的条件包括:
其中,x表示所围成的几何图形的横坐标,y表示所围成的几何图形的纵坐标。
根据En信息来判断数据;若En为0,则当前ak内无有效数据,返回步骤S2进进行下一组解析,若En不为0,则根据匹配的聚合等级L进行解速率,进行解速率匹配、Viterbi译码,做16CRC运算取运算后的16bit作为运算结果RNTI值。
据所得的RNTI值根据公式反推起始位置,如果位置S与当前解析CCE的其实位置Mk相同则本组数据解析正确,返回第二步直至处理完所有的数据块,起始位置计算公式如下:
其中,i=0,1,…L-1,m=0,1,…,M(L)-1,M(L)为聚合等级为L的候选PDCCH个数,L表示聚合等级,i表示当前聚合等级减去1,m表示当前聚合等级的候选PDCCH个数减1,k表示当前当解析的子帧号,mod表示向上取整的函数;Yk表示RNTI值进行初始化,NCCE,k表示当前PDCCH数据中CCE数目。
Yk=(A·Yk-1)modD
其中当RNTI为65535,65534时Yk=0,其中k=0,1,…9表示子帧编号,A=39827,D=65537,Yk由解析出的RNTI值进行初始化,即Y-1=RNTI,NCCE,k=l/72表示当前PDCCH数据中CCE数目。
如图3所示,根据PDCCH解扰后的数据星座图可以分析本组信号携带有有效信息,即图中的有效信号服从qpsk调制分别分布在四个象限,无效的信号集中布在中间原点范围内。
其中,qpsk表示正交相移键控。
如图4所示,根据图中的信息可知第一组ak数据的聚合等级为:[4,2,1]。
对每个CCE进行能量判断得到具有能量分布信息的数组m=[11110000],依据数组信息,得到聚合等级L值为[4,2,1]。根据聚合等级L选取ak中的数据长度,即首先按照最大聚合等级4去解析;若聚合等级4解析错误,再按照聚合等级2进行解析;若聚合等级2解析错误,则最后按照聚合等级1进行解析;其中L=8的数据长度为576,L=4的数据长度为288,L=2以及L=1的长度根据DCI长度进行解速率匹配;
其中,DCI表示PDCCH携带的信息,用来指示共享信道所占资源的大小。
解速率匹配所需要的数据长度len由以下过程确定
ncb=(dci+16)*3
式中dci代表对应的DCI长度,ncb为一个变量,根据这个变量确定解速率匹配所需要的数据长度len;当ncb大于Llen时len=ncb,否则len=(Llen)Llen表示对应聚合等级L下的解速率匹配长度;因此L=8,4,2,1长度依次为576,288,144,72;计算出RNTI后再反推起始位置S,该方法充分提取了数据的物理特征,每次进行盲检的均为有效数据。
所述RNTI是一个数值,由CRC检验后的16bit组成。
如图5所示,图中对比了本发明的方法和现有盲检方法的对比,根据该图可看出本发明平均盲检次数为4次具有明显的提高。
一种低时延聚类的PDCCH盲检系统,如图6所示,所述系统包括:数据获取模块、有效数据选取模块、盲检模块以及盲检结果输出模块;
所述数据获取模块用于获取PDCCH数据,并将PDCCH数据发送给有效数据选取模块;
所述有效数据选取模块保括数据预处理模块、数据分类模块、有效数据判别模块、隐藏聚合等级判别模块、RNTI结果计算模块、起始位置模块、起始位置判别模块;这些模块用于选取原始数据中的有效数据;
所述数据预处理模块用于预处理PDCCH数据,处理的过程包括:检测PDCCH数据的长度,对PDCCH数据进行软解调,以及解扰;
所述数据分类模块获取数据预处里模块中解扰的数据,并按照聚合等级将数据进行分类处理,并将分类数据发送给有效数据判别模块;
所述有效数据判别模块用于判断每个类别中的数据是否为有效数据,并将有效数据发送给隐藏聚合等级判别模块;
所述隐藏聚合等级判别模块根据有效数据分布获取该分类的隐藏聚合等级;
所述RNTI结果计算模块获取有效数据判别模块中的有效数据以及获取隐藏聚合等级判别模块中的聚合等级信息,并通过对有效数据和隐藏聚合等级信息进行解析得到RNTI值;将RNTI值发送给起始位置模块;
所述起始位置模块根据RNTI值反推起始位置,得到起始位置信息,将起始位置信息发送给起始位置判别模块;
所述起始位置判别模块中包含所有数据的起始位置信息,将计算得到的起始位置信息与原始的起始位置进行比较;若为一样的位置信息,则表示计算的起始位置信息的数据为有效数据,若不为一样的信息,则表示计算的起始位置信息的数据为无效数据;将判别结果发送给盲检模块;
所述盲检模块对有用的数据进行盲检,并将盲检的结果发送给盲检结果输出模块;
所述盲检结果输出模块输出盲检结果,并显示盲检后的数据;
其中,PDCCH表示下行物理控制信道承载信息,RNTI表示用户端与基站建立连接过程中的临时标识。
系统的实施例可以参照方法的实施例。
领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种低时延聚类的PDCCH盲检方法,其特征在于,所述方法步骤包括:
S1:获取PDCCH数据,并对数据做预处理;
S2:对预处理的数据按照聚合等级进行分类,并判断每组分类数据中是否含有有效数据;
对预处理的数据按照聚合等级进行分类过程包括:
S211:获取数据预处理中的解扰数据x,并提取数据x的总长度l;
判断每组分类数据中是否含有有效数据的过程包括:
若E n 的其中一个元素的值为0,则表示对应CCE为无效数据;
若E n 的其中一个元素的值为1,则表示对应的CCE为有效数据;
S222:取内的一个CCE,一个CEE中包含72个复数数据,将复数数据 + 中的a,b进行映射,根据映射结果判断这个CCE内的数据是否有效;统计此CCE内有效数据个数N;根据映射结果判断这个CCE内的数据是否有效的过程包括:将a,b映射到由与所围成的几何图形内,即a和b满足且,则判断当前CEE为有效数据;若a和b不满足且,则判断当前CEE为无效数据;其中,x表示所围成的几何图形的横坐标,y表示所围成的几何图形的纵坐标;
S223:当该组数据为高信噪比有效数据时,N为整个CCE内的数据;当该组数据为的噪声较大时,判断有效数据个数N与实际工程数据测量范围值λ的大小;即若当有效数据个数满足N>λ时,则判断当前的CCE为有效数据;若当前有效数据个数不满足N>λ时,则判断当前的CCE为无效数据;
S3:根据每组分类中的有效数据分布判断对应分类组中的数据隐藏聚合等级;隐藏聚合等级的判断过程包括:
S31:确定每一类别的数据分布;
S32:根据数据的分布情况寻找连续的有效数据;
S33:连续有效数据个数为隐藏聚合等级,其中连续的有效数据个数最多的为最大隐藏聚合等级;
S4:对每组分类中数据的隐藏聚合等级和有效数据进行解析,得到RNTI结果;
S5:根据RNTI结果重新确定解析前的每组分类信号中的起始位置;对解析出来的起始位置与原始的起始位置进行判断,若原始的起始位置与解析出来后的起始位置不一致,则为无效信息;若原始的起始位置与解析出来后的起始位置一致,则为有效信息;
S6:对有效信息数据进行盲检,得到检测数据;
其中,PDCCH表示下行物理控制信道承载信息,RNTI表示用户端与基站建立连接过程中的临时标识。
2.根据权利要求1所述的一种低时延聚类的PDCCH盲检方法,其特征在于,λ的取值范围为:28<λ<35,λ的取值越大,判断数据为有效数据的结果越精确。
4.一种低时延聚类的PDCCH盲检系统,其特征在于,该系统用于执行权利要求1所述的低时延聚类的PDCCH盲检方法;所述系统包括:数据获取模块、有效数据选取模块、盲检模块以及盲检结果输出模块;
所述数据获取模块用于获取PDCCH数据,并将PDCCH数据发送给有效数据选取模块;
所述有效数据选取模块保括数据预处理模块、数据分类模块、有效数据判别模块、隐藏聚合等级判别模块、RNTI结果计算模块、起始位置模块、起始位置判别模块;这些模块用于选取原始数据中的有效数据;
所述数据预处理模块用于预处理PDCCH数据,处理的过程包括:检测PDCCH数据的长度,对PDCCH数据进行软解调,以及解扰;
所述数据分类模块获取数据预处里模块中解扰的数据,并按照聚合等级将数据进行分类处理,并将分类数据发送给有效数据判别模块;
所述有效数据判别模块用于判断每个类别中的数据是否为有效数据,并将有效数据发送给隐藏聚合等级判别模块;
所述隐藏聚合等级判别模块根据有效数据分布获取该分类的隐藏聚合等级;
所述RNTI结果计算模块获取有效数据判别模块中的有效数据以及获取隐藏聚合等级判别模块中的聚合等级信息,并通过对有效数据和隐藏聚合等级信息进行解析得到RNTI值;将RNTI值发送给起始位置模块;
所述起始位置模块根据RNTI值反推起始位置,得到起始位置信息,将起始位置信息发送给起始位置判别模块;
所述起始位置判别模块中包含所有数据的起始位置信息,将计算得到的起始位置信息与原始的起始位置进行比较;若为一样的位置信息,则表示计算的起始位置信息的数据为有效数据,若不为一样的信息,则表示计算的起始位置信息的数据为无效数据;将判别结果发送给盲检模块;
所述盲检模块对有用的数据进行盲检,并将盲检的结果发送给盲检结果输出模块;
所述盲检结果输出模块输出盲检结果,并显示盲检后的数据;
其中,PDCCH表示下行物理控制信道承载信息,RNTI表示用户端与基站建立连接过程中的临时标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226351.3A CN111130694B (zh) | 2019-12-04 | 2019-12-04 | 一种低时延聚类的pdcch盲检方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226351.3A CN111130694B (zh) | 2019-12-04 | 2019-12-04 | 一种低时延聚类的pdcch盲检方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111130694A CN111130694A (zh) | 2020-05-08 |
CN111130694B true CN111130694B (zh) | 2022-05-03 |
Family
ID=70497446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911226351.3A Active CN111130694B (zh) | 2019-12-04 | 2019-12-04 | 一种低时延聚类的pdcch盲检方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111130694B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111817821B (zh) * | 2020-09-04 | 2020-12-01 | 翱捷科技股份有限公司 | Nr系统进行dci盲检的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297195A (zh) * | 2013-06-18 | 2013-09-11 | 重庆邮电大学 | 一种用于td-lte系统提高盲检效率的方法 |
CN104734809A (zh) * | 2015-03-09 | 2015-06-24 | 电子科技大学 | 一种资源映射方法以及基于该资源映射方法的盲检方法 |
CN109673056A (zh) * | 2019-03-11 | 2019-04-23 | 重庆邮电大学 | 5g系统中基于功率测量的pdcch自适应盲检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610564B (zh) * | 2009-04-29 | 2015-04-01 | 中兴通讯股份有限公司 | 一种下行控制信息的发送和检测方法 |
CN104683069B (zh) * | 2015-02-13 | 2018-04-27 | 大唐联仪科技有限公司 | 一种物理下行控制信道pdcch盲检测方法和系统 |
-
2019
- 2019-12-04 CN CN201911226351.3A patent/CN111130694B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297195A (zh) * | 2013-06-18 | 2013-09-11 | 重庆邮电大学 | 一种用于td-lte系统提高盲检效率的方法 |
CN104734809A (zh) * | 2015-03-09 | 2015-06-24 | 电子科技大学 | 一种资源映射方法以及基于该资源映射方法的盲检方法 |
CN109673056A (zh) * | 2019-03-11 | 2019-04-23 | 重庆邮电大学 | 5g系统中基于功率测量的pdcch自适应盲检测方法 |
Non-Patent Citations (3)
Title |
---|
Blind Maximum Likelihood Interference Mitigation for PDCCH of 3GPP LTE/LTE-A;Gregory Morozov 等;《IEEE》;20150129;全文 * |
LTE-A系统物理下行控制信道的研究与实现;曾李;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;第2-4章 * |
应用于空间调制系统的低复杂度检测算法;王华华 等;《通信与网络》;20190131;第45卷(第1期);第60-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111130694A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | SR2CNN: Zero-shot learning for signal recognition | |
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN111163472B (zh) | 一种基于生成式对抗网络的信号识别攻击的防御方法 | |
WO2022037130A1 (zh) | 网络流量异常的检测方法、装置、电子装置和存储介质 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN112270263B (zh) | 基于差分密度星座图的调制识别方法 | |
Liu et al. | Automatic modulation classification based on the combination of clustering and neural network | |
CN112861927A (zh) | 基于自适应特征提取与融合的信号调制分类方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114567528A (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
CN111130694B (zh) | 一种低时延聚类的pdcch盲检方法及其系统 | |
CN114462509A (zh) | 一种分布式物联网设备异常检测方法 | |
CN108039940A (zh) | 一种lte系统pdcch的无效cce剔除方法 | |
CN115038091A (zh) | 一种北极海上无线通信频谱感知方法及系统 | |
CN117095254A (zh) | 基于分层自编码器的开放集射频指纹识别方法 | |
CN110336631B (zh) | 一种基于深度学习的信号检测方法 | |
CN108174379B (zh) | 基于支持向量机和阈值筛选的恶意用户识别方法及装置 | |
CN115409056A (zh) | 一种面向大动态信噪比下的自动调制识别方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN115935252A (zh) | 基于自监督对比学习的通信信号调制样式识别方法和装置 | |
CN115510905A (zh) | 一种用于信道编码盲识别的多任务学习方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN116938654A (zh) | 一种基于强化学习和ConvLSTM网络的自适应调制识别网络结构与方法 | |
CN111191515B (zh) | 一种基于深度学习的高精度频谱识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |