黃存剛, 馬文平, 羅煉飛

(西安電子科技大學通信工程學院, 陜西 西安 710071)

0 引 言

與現(xiàn)有第四代(the 4th generation,4G)移動通信網(wǎng)絡相比,隨著用戶需求的增加,未來第五代(the 5th generation,5G)移動通信網(wǎng)絡需要實現(xiàn)高數(shù)據(jù)速率、低時延、包優(yōu)化以及保證小區(qū)邊緣性能的無線接入技術[1-2]。隨機接入過程是用戶終端與無線網(wǎng)絡建立連接的第一步,也是切換過程的關鍵步驟[3-4]。網(wǎng)絡端前導檢測是隨機接入的首要步驟,也是隨機接入過程能否成功的關鍵因素[5-6]。

物理隨機接入信道(physical random access channel,PRACH)的前導序列是由Zadoff-Chu(ZC)根序列進行循環(huán)移位產(chǎn)生[7]。文獻[8-9]討論了隨機接入上行同步ZC序列的設計,文獻[10-11]分析了頻偏對于隨機接入檢測過程的影響,文獻[12]給出了長期演進(long term evolution,LTE)隨機接入載波頻偏的檢測算法。而如今高鐵的極限速度給移動通信隨機接入前導檢測帶來了巨大的挑戰(zhàn),高速運動會引發(fā)大的多普勒頻率擴展,這使已有前導序列的生成方式和檢測算法不能很好地適應需求。

當用戶設備(user equipment,UE)移動速度超過350 km/h,而這時PRACH上行多普勒頻偏超過1.75 kHz,由于當前LTE規(guī)范PRACH在高速小區(qū)下的頻偏檢測范圍為[-1.25 kHz,+1.25 kHz],遠超出了其檢測范圍[13]。若按當前檢測算法檢測,將無法檢測出PRACH信號或導致PRACH檢測的性能下降。本文首先討論新的循環(huán)移位隨機接入前導序列的生成方式,然后根據(jù)多普勒頻偏對新限制集前導序列影響的特點,在接收端采用5個檢測窗口對前導碼進行聯(lián)合檢測,最后將本文檢測算法與已有檢測算法進行仿真對比,驗證本文所提出檢測算法對于存在大多普勒頻偏前導序列的檢測有效性。

1 隨機接入前導序列生成

1.1 PRACH前導的基本結構

PRACH前導是一個復數(shù)序列,它是由長度為TCP的循環(huán)前綴(cyclic prefix,CP)、長度為TSEQ的序列(sequence,SEQ)和長度為TGT的保護間隔(guard time,GT) 3部分組成,如圖1所示。

圖1 前導序列的基本結構Fig.1 Brief structure of preamble sequence

PRACH前導序列的CP是將序列的尾部復制到序列開頭的部分,用來抵抗往返時延和多徑時延。PRACH前導序列的后面留有一定的時間間隔,稱為GT,為抵消不可預測的額外傳播時延提供了保護間隔。

1.2 限制集前導序列的生成

隨機接入前導序列產(chǎn)生于具有零相關的ZC序列,ZC序列有恒包絡特性、周期自相關性、良好的互相關及低峰均比等特性[14],ZC根序列的生成公式為

, 0≤n≤NZC-1

(1)

式中,NZC表示ZC序列的長度；u表示物理根序列號。根據(jù)第三代合作伙伴計劃(3rd generation partnership project, 3GPP)TS 36.211 Release 14[15](Rel-14)協(xié)議標準規(guī)定,每個小區(qū)有64個可用的前導序列供用戶隨機選擇,這些前導序列由一個或者多個根序列通過循環(huán)移位產(chǎn)生,如果一個根序列不能產(chǎn)生64個前導序列,則把邏輯根序列號以遞增的方式向后移一位,找到對應的物理根序列號u,以同樣的方式生成剩下的前導序列。隨機接入前導序列由物理根序列號為u的ZC序列進行循環(huán)移位得到,即

xu,v(n)=xu((n+Cv)modNZC)

(2)

式中,Cv表示循環(huán)移位值。

本文研究的是UE處在超高速移動場景(移動速度超過350 km/h)下,即存在大的多普勒頻偏,因此3GPP Rel-14協(xié)議標準對循環(huán)移位值做出新的限制,此時Cv有3種取值:

(1) 當v=0,1,…,w-1時

(3a)

(3b)

(3c)

變量du為由于多普勒頻移造成的真實響應和虛假響應的間隔,該參數(shù)是幅度為1/TSEQ的多普勒頻偏對應的循環(huán)移位值,定義為

(4)

式中,p為最小的非負整數(shù)且滿足p·u≡1modNZC,故根據(jù)du的取值范圍各參數(shù)取值分為(a)～(f) 6種情況:

(a) 當NCS≤du

(b) 當NZC/5≤du≤(NZC-NCS)/4時

(c) 當(NZC+NCS)/4≤du<2NZC/7時

(d) 當2NZC/7≤du≤(NZC-NCS)/3時

(e) 當(NZC+NCS)/3≤du<2NZC/5時

(f) 當2NZC/5≤du≤(NZC-NCS)/2時

在這個新的循環(huán)移位限制集合條件下,3GPP TS 36.211 Release 8[16](Rel-8)協(xié)議標準規(guī)范中的大部分NCS取值仍然適用,Rel-8的某些NCS取值在新限制集中不再適用。在超高速場景下,對前導碼總數(shù)的最低要求是128,滿足該要求的最大NCS是137。因此,對于新的受限制集合,158,202和237應該全部從Rel-14限制NCS集合中移除。128小于137,但在128和137之間只有9的小差距,這與兩個相鄰NCS值之間的間隙隨著NCS值的增加而增加的設計原理不一致,因此在Rel-14新限制集中用118代替128。這樣在100和118之間產(chǎn)生18的差距,在118和137之間產(chǎn)生19的差距。 Rel-14協(xié)議標準規(guī)范中新限制集可用的NCS取值與Rel-8協(xié)議標準規(guī)范的NCS取值的對比結果如表1所示。

表1 序列生成所采用的NCS取值

由于原有Rel-8協(xié)議標準中的PRACH性能指標不再適用于Rel-14高速鐵路(high speed train,HST)PRACH,因此在3GPP RAN4 #83國際標準技術會議上,根據(jù)新的PRACH循環(huán)移位限制集合,進行了HST PRACH仿真評估和性能指標的研究與制定。

2 隨機接入前導碼的接收與檢測

2.1 PRACH系統(tǒng)模型

圖2為隨機接入前導序列的發(fā)送端模型。在發(fā)送端有如下步驟:

步驟1從64個候選限制集前導序列中隨機選擇一條序列進行發(fā)送;

步驟2限制集前導序列經(jīng)過離散傅里葉變換(discrete Fourier transform,DFT)變換到頻域;

步驟3得到的頻域信號進行隨機接入信道(random access channel,RACH)資源映射;

步驟4將映射后的信號進行快速傅里葉逆變換(inverse fast Fourier transform,IFFT)到時域;

步驟5將得到的時域信號進行上采樣濾波;

步驟6最后插入CP使其能夠適合在信道中傳送。

圖2 隨機接入序列的發(fā)送端模型Fig.2 Transmitter model for random access sequences

圖3為隨機接入前導序列的接收端模型。在接收端,將接收到的信號采取與發(fā)送端相反的操作,包括去CP、降采樣濾波、FFT、RACH資源解映射等過程。得到的信號利用如下步驟進行檢測:

步驟1從頻域信號中提取出NZC點的前導信號;

步驟2NZC點頻域信號分別與64個本地前導序列頻域信號進行共軛乘法;

步驟3將得到的頻域信號進行離散傅里葉逆變換(inverse DFT,IDFT)到時域;

步驟4對多個天線接收到的時域信號進行模平方運算,然后進行非相干合并,最后進行峰值功率檢測。

圖3 隨機接入序列的接收端模型Fig.3 Receiver model for random access sequences

2.2 超高速場景下的檢測算法

本文研究的是超高速場景下的前導檢測算法,即存在大的多普勒頻移。首先介紹多普勒頻移對ZC序列檢測的影響,ZC序列的表達式見式(1),多普勒頻移假設為du,此時則有

(5)

式中,(())NZC表示模NZC運算。由式(5)可知,式中第2個等號的第3項為與n無關的相位旋轉常量,因此頻偏對于ZC序列檢測的影響等效于發(fā)送端增加了du的循環(huán)移位量。所以當ZC序列產(chǎn)生一倍正負頻偏時,接收端檢測的相關峰值位置會相應地偏移±du;同理,當ZC序列產(chǎn)生兩倍正負頻偏時,峰值位置會相應地偏移±2du。當UE移動速度小于350 km/h場景下,接收端進行前導序列檢測時,相關峰值功率會出現(xiàn)在Cv和Cv±du處,即現(xiàn)有限制集檢測算法利用3個檢測窗口對前導序列進行檢測[17]。而在超高速移動場景中,由于頻偏的影響,Cv處的相關峰值能量會泄漏到Cv±du和Cv±2du處,此時功率延遲譜會出現(xiàn)4個固定位置的偽峰。對前導序列進行峰值檢測時,可以在功率時延譜(power delay profile,PDP)上設置5個檢測窗合并檢測。

設主窗為Ru(Cv),主窗左右兩側的4個副窗分別為Ru(Cv-2du),Ru(Cv-du),Ru(Cv+du)和Ru(Cv+2du)。在PDP上設置5個檢測窗進行聯(lián)合檢測,具體檢測算法如下。

步驟1對主窗和4個副窗分別進行窗內(nèi)檢測,比較5個檢測窗口功率點的最大值,并將其中的最大值記為Δ,同時記錄Δ對應的位置Nmax。

步驟2然后將其余4個檢測窗各窗功率最大值進行疊加,記為Δ1。將Δ+Δ1作為峰值功率。

步驟3將Δ+Δ1除以相應的噪聲功率,所得到的商值與門限Cthreshold2(虛警閾值[18]時所對應的門限)進行比較。如果商值大于門限值,則認為檢測到前導序列,并根據(jù)峰值位置,計算出前導序號和時間提前量(timing advance,TA),多次仿真統(tǒng)計錯檢概率。

2.3 檢測算法復雜度分析

隨機接入前導序列的檢測算法的復雜度主要表現(xiàn)在DFT變換、FFT/IFFT變換和峰值檢測等3個方面。對于峰值檢測模塊,每個小區(qū)可以選用的前導序列為64個,使得接受端接收到的前導信號有64種可能。接收端接收前導信號后,需要與64個不同的本地根序列逐一進行相關運算才可檢測出前導信號,需要進行64次相關運算。在每一次的相關運算時,本文檢測算法是對Rel-14協(xié)議標準中新限制集前導序列進行檢測,采用5個檢測窗口進行聯(lián)合檢測,傳統(tǒng)前導序列檢測算法是在原有限制集基礎上的檢測算法,采用3個檢測窗口對前導序列進行檢測,本文檢測算法與原有前導序列的檢測方法相比,復雜度略有增加,但對于整個系統(tǒng)而言,前導序列的檢測部分增加的運算量可以忽略不計,具體地算法的運算量對比結果如表2所示。

表2 算法的運算量對比

3 仿真分析

為了評估本文提出的前導序列檢測算法的性能,在加性高斯白噪聲(additive white Gaussian noise,AWGN)信道下,對存在大多普勒頻偏的限制集前導序列進行檢測,對比本文檢測算法與已有檢測算法的有效性。具體仿真參數(shù)如表3所示。

表3 仿真配置參數(shù)

本文確定檢測門限采用噪聲估計的方法,即在UE發(fā)送端只發(fā)送噪聲,利用接收端進行檢測的錯誤幀數(shù)來模擬虛警率。3GPP協(xié)議[18]規(guī)定虛警率在任何前導格式,任何天線數(shù)量,任何信道下都不得大于0.1%,這里天線數(shù)量為1發(fā)2收,在超高速模式下通過大量仿真得到檢測門限。從圖4可以看出,超高速場景下門限值設為10.5可以滿足協(xié)議規(guī)定的最低0.1%的虛警率要求。

圖4 錯檢概率與門限值的關系Fig.4 Relationship between wrong detection probability andthreshold values

前導序列的檢測性能通過漏檢率來體現(xiàn),相同的漏警率需要的信噪比越低,檢測性能越好。圖5仿真的是當UE移動速度小于350 km/h,即多普勒頻偏不大于一倍物理隨機接入信道單位子載波間隔(1.25 kHz)的情況下,本文前導限制集檢測算法與已有限制集檢測算法的對比仿真結果如圖5所示。

圖5 多普勒頻偏不大于1.25 kHz時對比結果Fig.5 Comparison results when doppler frequency offset isnot greater than 1.25 kHz

從圖5可以看出,已有限制集檢測算法和本文新限制集檢測算法都能較好地檢測出前導序列,在頻偏為0 Hz和1.25 kHz時,本文檢測算法性能最優(yōu);而本文新的限制集檢測算法比已有限制集檢測算法在同一頻偏下有更好的檢測性能。

圖6仿真的是當移動臺移動速度大于350 km/h,即存在的多普勒頻偏處于一倍PRACH單位子載波間隔(1.25 kHz)和兩倍PRACH單位子載波間隔(2.5 kHz)之間,本文前導限制集檢測算法與已有限制集檢測算法的對比仿真結果如圖6所示。

圖6 多普勒頻偏大于1.25 kHz時對比結果Fig.6 Comparison results when doppler frequency offsetgreater than 1.25 kHz

從圖6可以看出,當多普勒的頻偏超過1.25 kHz時,已有限制集檢測算法性能急劇下降,不能正確檢測出前導序列,而本文提出的新限制集檢測算法仍然能夠較好地檢測出前導序列,由此可見,本文的前導序列生成方式及檢測算法能有效克服大多普勒頻偏對檢測性能帶來的影響。

4 結 論

本文針對超高速場景下產(chǎn)生的大多普勒頻偏問題,討論了隨機接入新受限循環(huán)移位前導序列的生成方式,提出了隨機接入前導序列的檢測算法。仿真結果表明,本文提出的檢測算法對多普勒頻偏在不大于一倍物理隨機接入信道單位子載波間隔(1.25 kHz)時比已有檢測算法性能更優(yōu)。在更大多普勒頻偏(在區(qū)間(1.25 kHz,2.5 kHz]內(nèi))存在情況下,已有檢測算法不能滿足檢測性能的要求,而本文前導序列檢測算法能夠有效地檢測出前導序列。