5G NR RSRP測量算法研究

鄧炳光 張旭輝 李金艷 張 蕾 梅承力

1(重慶郵電大學通信與信息工程學院 重慶 400065) 2(中國電信股份有限公司技術創新中心 北京 102209)

0 引 言

RSRP是代表無線信號強度的關鍵參數，用于衡量系統接收信號強度。本文分析多種RSRP的評估方法，包括現有的基于均值的方法和基于共軛相乘的方法。現有多數測量方法多采用均值的方法或者通過對均值法的進一步改進以降低測量的魯棒性[1]。但是在低信噪比的情況下噪聲的影響會帶來無法消除的誤差，或是需要通過大量且多次的計算測量才可以達到較高的測量準確性[2]。本文提出一種基于子集共軛相乘的新算法，并與當前主流算法進行對比，得到算法的適應情況和對其他算法的優劣。

1 RSRP測量流程

RSRP測量的過程與小區搜索密切相關，所以RSRP的測量流程是從小區搜索之后開始的[3]。當小區搜索成功后，對數據進行遍歷補償和去直流，再通過FFT進行補償，然后計算RSRP和RSRQ值[4]。測量流程如圖1所示。

圖1 RSRP測量流程

假設接收到的傳輸信號為R(k,l)，則接收到的參考信號能量可以用式(1)來表示。

(1)

如果直接通過接收到的信號來計算RSRP，里面必然包含了部分噪聲的能量，而RSRP是不反映該小區噪聲能量的，因此PRS不能直接反映信號能量RSRP，RSRP必須用式(2)表示。

RSRP=PRS-Pnoise

(2)

式中：Pnoise是測量帶寬內每一個資源子塊上的噪聲平均值。在沒有傳輸信號的保護帶寬內，Pnoise可以通過保護帶寬內接收到的信號來計算獲得，但是傳送了信號的資源子塊上，Pnoise很難計算。所以這里需要其他的辦法來減少噪聲對RSRP測量的影響[5]。

其中Pnoise是測量帶寬內每一個資源子塊上的噪聲平均值。在沒有傳輸信號的保護帶寬內，Pnoise可以通過保護帶寬內接收到的信號來計算獲得，但是傳送了信號的資源子塊上，Pnoise很難計算。所以這里需要其他辦法來減少噪聲對RSRP測量的影響[5]。

2 CSI-RS

CSI-RS采用偽隨機序列，通用偽隨機序列由長度為31的Gold序列定義，由兩個m序列產生[6]，根據協議3GPP TS 38.211，CSI-RS序列r(n)具體生成公式如式(3)所示。

(3)

初始化為式(4)。

(4)

式中：在每個OFDM 符號的起始處nS是無線幀內的插槽號；l是一個槽內的 OFDM符號；nID與高層參數scramblingID相關[7]。

從參考信號時頻資源系列上接收數據序列Z1(k)，其中k為1～K1，K1為數據序列Z1(k)的長度，Zi(k)表達式為：

Z1(k)=H11(k)×X1(k)+X12(k)×X1(k)+N1(k)Z2(k)=H21(k)×X2(k)-X22(k)×X2(k)+N2(k)

(5)

式中：H(k)表示信道響應系數；X(k)表示參考信號時頻資源上的信息序列N(k)表示干擾和噪聲[8]。參考信號時頻資源系列上接收數據序列Zi(k)除以參考信號序列Xi(k)得到z(k)：

z1(k)=Z1(k)/X1(k)=H11(k)+H12(k)+N1(k)/X1(k)z2(k)=Z2(k)/X2(k)=H21(k)-H22(k)+N2(k)/X2(k)

(6)

將上面兩個式子相加(相減)除以2后得到新的z1(k)(z2(k))：

z1(k)=(z1(k)+z2(k))/2=H11(k)+N1(k)/2X1(k)+N2(k)/2X2(k)z2(k)=(z1(k)-z2(k))/2=H21(k)+N1(k)/2X1(k)-N2(k)/2X2(k)

(7)

3 均值算法

由于噪聲對終端進行一系列性能測量評估有著較大的影響，尤其是在低信噪比情況下，誤差會更加嚴重以至于得到的測量結果無法使用[9]。當前業界最普遍使用的測量評估方法是基于均值的測量算法，基于均值的測量算法不僅在仿真計算時的計算量小，而且在實現方面也經過許多驗證，更加方便且成熟。

基于均值的測量算法本質是將接收到的參考信號累加起來并求均值，以此來減小噪聲對測量結果的影響。因為信道中噪聲多為高斯白噪聲，而且高斯白噪聲服從均值為零的獨立不相關高斯分布，那么得到信道估計值Zi后可以將信道估計值求均值以降低高斯白噪聲的影響，使得測量結果更加接近理論值[10]。使用基于均值的評估方法進行RSRP估計后得到的估計值為：

(8)

式中：Hi表示參考信號位置上的信道頻率響應；Xi表示第i個參考信號位置上的參考信號；Ni表示高斯白噪聲，高斯白噪聲是獨立分布且均值為零的；PN是高斯隨機變量的方差；E為信號能量系數；I為參考信號總量。

圖2是基于均值的測量算法估計的RSRP仿真結果?？梢钥闯鲈诘托旁氡鹊那闆r下基于均值的測量算法所估計的值比高信噪比下的RSRP值更大。在LTE系統中普遍使用基于均值的測量算法是因為算法復雜度低、算法實現成熟且易于驗證，還有一個重要的原因就是因為LTE使用的測量帶寬較小(如1.4 MHz)。在相同的信道情況下，因為較小的測量帶寬(1.4 MHz)多個信道值所占的時間比較大的測量帶寬(20 MHz)小，所以相對于較大的測量帶寬信道的變化程度更小，因此信道的影響也比較大的測量帶寬小。但是5G NR系統中測量帶寬的變大使得多個信道估計值經歷的時間延長，變化幅度增大，因此對于噪聲而言，更多的影響因素變成信道誤差造成的結果。如果還使用基于均值的測量算法，那么測量帶寬就不能過大，這與5G的帶寬要求不匹配。

圖2 均值的測量算法估計RSRP

4 共軛相乘算法

由于基于均值的測量算法在低信噪比的情況下需要更窄的測量帶寬，而在5G系統下測量帶寬較大，測量估計值在低信噪比的情況下會有較為嚴重的誤差，不能在現實環境中使用，因此提出基于共軛相乘法來進行RSRP值的估計測量。

基于共軛相乘測量算法相鄰參考信號的子載波上信號分量的相關值為PH，而噪聲分量是獨立的，相關值為零。基于共軛相乘的測量算法將一個OFDM符號上參考信號的所有資源粒子(RE)的接收信號z(k)與相鄰接收信號共軛相乘后取實部得到信號的直流分量，再求均值計算得到估計的RSRP值。進行共軛相乘并累加：

(9)

計算測量帶寬內z(k)共軛相乘并累加后的均值并轉化為對數形式：

(10)

RSRP=10log10(RSRP)

(11)

圖3是基于共軛相乘的測量算法估計的RSRP仿真結果?？梢钥闯鲈诓煌旁氡鹊那闆r下基于共軛相乘的測量算法估計的RSRP值變化不大，因為噪聲分量是相互獨立的，共軛相乘后會消除一部分的噪聲分量，所以經過共軛相乘后噪聲消除一部分均值后噪聲又會消除一部分，噪聲對RSRP值的影響已經降到非常低的程度。

圖3 共軛相乘的測量算法估計RSRP

但是信噪比的大小還是會影響到RSRP的測量，并且在帶寬變化和信噪比變化的共同影響下，基于共軛相乘的測量算法得到的RSRP估計值還是會略小于理論值。信噪比越高，估計的RSRP測量估計值就越大；測量帶寬越大，估計的RSRP測量估計值就越大。

5 子集共軛相乘算法

在共軛相乘測量算法的基礎上，提出基于子集共軛相乘測量算法。在共軛相乘測量算法的基礎上可以把I個承載參考信號的RE劃分成M個N大小的子集集合。均值法的思想是假設所有RE經歷的信道和估計值是相似的，所以可以使用求和再求平均的方法來降低噪聲的影響，但是5G NR系統中測量帶寬的變大使得多個信道估計值經歷的時間變長，變化幅度變大，所以全部求均值就不太合理。而劃分成大小相同的子集，再在各自子集中求均值就可以避免不同子集差距過大但是還要求平均的情況。進一步地，將各個子集和相鄰子集求共軛相乘值可以避免信道區別過大而進行均值計算的粗暴算法。

將I個承載參考信號的RE劃分成M個N大小的子集集合，再利用均值來進一步降低結果魯棒性，得到RSRP值：

(12)

式中：ZNm+n為M中的第Nm+n個子集。

這是劃分成M個N大小的子集集合后再進行均值，得到M個N大小的子集集合后不進行均值計算，而是進行相鄰子集的共軛相乘計算，先得到M個N大小的子集集合：

(13)

如果不劃分為M個N大小的子集集合而只是單純地計算共軛相乘值，那么在5G系統中測量帶寬的變大使得多個信道估計值經歷的時間變長，變化幅度變大的情況下相鄰參考信號的信道估計值會經歷大的變化而使得不能進行共軛或者均值計算。因此我們把I個承載參考信號的RE劃分成M個N大小的子集集合，進一步降低相鄰單個信道估計值計算的影響。將相鄰子集進行共軛相乘，得到RSRP值：

(14)

圖4是基于子集共軛相乘的測量算法估計的RSRP仿真結果?？梢钥闯鲈诓煌蛹笮∏闆r下RSRP估計值的變化，在低信噪比的情況下子集數相對較多的估計值所受影響更??；隨著信噪比的變大，子集數相對較少的估計值反而所受影響更小。當子集數等于1時，子集共軛相乘測量算法就變成了共軛相乘法，從圖中可以看出，在子集數等于1時的RSRP值還是要小于部分子集數不為1時的RSRP估計值，因為在5G系統下信道的變化情況多且大，所以單純的共軛相乘依然會因為相鄰參考信號變化差距過大而造成一定影響。

圖4 子集共軛相乘的測量算法估計RSRP

在相同的信道情況下，可以通過增加不同的子集個數來進行子集間的共軛相乘，可以降低噪聲對測量估計值的影響，但是當子集個數過多時，又無法保證相鄰子集內信道估計的相似性，會造成與單純使用共軛相乘法一樣的影響，即信道對測量結果的影響占主要部分。因此可以在不同的信噪比情況下使用不同的子集個數。

基于子集共軛相乘法復雜度較高，而且在5G系統信道復雜的情況下，實際的信道參數和信噪比精度確定比較困難，在確定不同信噪比情況下的子集個數時可能需要太多次嘗試，對最優子集的選擇比較困難。因此基于子集共軛相乘法的測量算法也是一種在理想情況下的模擬算法。

6 結 語

本文就當前使用最多的基于均值的測量算法與理論改進較多的共軛相乘法進行比較，得到兩種方法的優勢和各自的不足之處。均值法計算復雜度最低，最易于實現和驗證，但是更適合使用在測量帶寬較小、信噪比高和信道變化不大的情況下，但是5G系統下測量帶寬較大而且信道變化大，因此均值法并不是最適合5G系統的測量估計算法。共軛相乘法是當前理論中替代均值法最多的算法，基于共軛相乘的測量算法更適合在帶寬較大的情況下，并且帶寬越大，RSRP測量估計值越大，但是共軛相乘法需要相鄰信道估計值變化不大，這又是一個對5G系統下測量的約束。本文提出基于子集共軛相乘的測量算法，算法將I個承載參考信號的RE劃分成M個N大小的子集集合，再把子集進行共軛相乘，避免了只進行共軛相乘帶來的信道影響的累積，但是需要在不同的信噪比情況下選擇不同的子集數，由于5G系統下對信道參數的確定比較困難，所以基于子集共軛相乘的測量算法暫時也只是一個理論上的算法。

均值法、共軛相乘法和子集共軛相乘法在不同的情況下各自有不同的特點，在5G系統下共軛相乘法和子集共軛相乘法更具有優勢。子集共軛相乘法在參數確定且精準的情況下，可以通過不同的子集數來進一步提高RSRP值，但是條件較為嚴苛。

因為子集共軛相乘法是一種新算法，希望在以后的5G系統發展中可以對算法進行進一步的改進，使之更適合今后的系統測量。