摘 要：

第五代移動通信技術（5th generation， 5G）中高可靠低時延通信（ultra reliability and low latency communication， URLLC）應用場景，十分契合航空5G機場場面寬帶移動通信系統(tǒng)建設要求。以丟包率為定義的可靠性指標沒有反應時變無線信道的時間依賴性和不同URLLC服務所需的持續(xù)時間。針對以上存在的問題，運用生存分析的方法，將URLLC關鍵技術與可靠性理論中失效率相結合，提出了可靠連通度指標，基于接收端信號強度，建立理論分布模型和數(shù)據(jù)驅(qū)動模型，對時變信道在未來1子幀內(nèi)可靠連通度進行預測，并建立城市宏單元-非視距-簇時延線信道模型算例對模型進行對比分析，并在不同雨衰條件下，分析信道系統(tǒng)的可靠連通度。結果表明，數(shù)據(jù)驅(qū)動模型可靠性預測的均方誤差（mean square error， MSE）可達0.1%，優(yōu)于理論分布模型，且在惡劣天氣情況下，多輸入多輸出信道可靠性相比于多輸入單輸出信道具有更高的抗衰落能力。

關鍵詞：

5G通信; 高可靠低時延通信場景; 可靠性; 機器學習

中圖分類號：

TN 914

文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.05.34

Channel connectivity reliability prediction in URLLC scenario

WANG Xi*， REN Hui， WANG Wei， ZHANG Jiayi， ZHAO Hongshan

（College of Electrical and Electronic Engineering， North China Electric Power University， Baoding 071003， China）

Abstract：

The application scenario of ultra reliability and low latency communication （URLLC） in the 5th generation mobile communication technology （5G） is very suitable for the construction of aeronautical mobile airport communications system in the 5G airport scene. The reliability indicator defined by packet loss rate does not reflect the time dependence of time-varying wireless channels and the transmission duration required by different URLLC services. In view of the above problems， the survival analysis method is adopted， the key technology of URLLC with the failure rate in reliability theory is combined， and the reliable connectivity indicator is proposed， which is based on the receiver signal strength. A theoretical distribution model and a data-driven model are proposed to predict the reliable connectivity of time-varying channels in the next subframe， and an example of the urban macro-nonLine of sight-cluster time delay line channel model is established to compare and analyze the models， and the reliable connectivity of the channel system is analyzed under different rain decline conditions. The results show that the data-driven model reliability prediction has a mean square error （MSE） of up to 0.1%， which is better than the theoretical distribution model， and the multi-input multi-output channel reliability has higher fading resistance compared to the multi-input single-output channel under severe weather conditions.

Keywords：

5G communication; ultra reliability and low latency communication （URLLC） scenario; reliability; machine learning

0 引 言

航空第五代移動通信技術（5th generation， 5G）機場場面寬帶移動通信系統(tǒng)是基于具有低時延、高可靠、大帶寬特性的5G實現(xiàn)的新一代民航專用網(wǎng)絡。5G高可靠低時延通信（ultra reliability and low latency communication， URLLC）場景要求通信系統(tǒng)時延在1ms以內(nèi)，可靠性須達到10-5～10-9，適用于機場“機-車-場道-設施”協(xié)同運行，實現(xiàn)信息共享。URLLC系統(tǒng)理論上的高可靠性與低時延，需要以信道傳輸?shù)目煽啃宰鳛榛A。

在無線系統(tǒng)中，對通信可靠性的定義通常為一定時間內(nèi)成功發(fā)送數(shù)據(jù)的百分比［1］，即丟包率，然而此定義沒有反映時變無線信道的時間依賴性和不同URLLC服務所需的持續(xù)時間［2］。由于該指標并未涵蓋這些需求，因此針對在給定時間間隔內(nèi)信道的連通性能分析，國內(nèi)外學者應用可靠性相關理論分析信道在一定時間間隔內(nèi)的連通可靠度。Hoessler等［2-3］在研究中證明將可靠性理論應用于無線系統(tǒng)場景中是可行的，且對URLLC系統(tǒng)的可靠性評估具有重要補充意義，并且將多端連接系統(tǒng)的瑞利衰落信道轉化為連續(xù)時間的馬爾科夫鏈可修復系統(tǒng)，用平均失效前時間（mean time to failure， MTTF）反映信道正常連通的時間。Balapuwaduge等［4］繼續(xù)進行了深入研究，結合MTTF和平均故障時間（mean time between failures， MTBF）概念對信道可用時間間隔和不可用時間間隔進行分析，深化了可靠性理論在通信系統(tǒng)連通度方面的研究。Angjelichinoski等［5-6］則進一步將可靠性理論應用到URLLC系統(tǒng)中，與傳輸速率相聯(lián)系，確保在指定速率下URLLC系統(tǒng)可保持較高可靠性。針對信道的統(tǒng)計特性的研究。前人們研究過程中，大多采用瑞利信道作為通信模型，且并未與5G通信中涉及的關鍵技術以及URLLC系統(tǒng)特有的超短時延小包傳輸特點進行結合。

大量研究表明，根據(jù)信道狀態(tài)信息（channel state information， CSI）計算通信中斷概率，進而評估信道的可靠連通度是可行的。然而這種方法存在以下問題［7-15］：

（1） 在實際工程應用中某些環(huán)境參數(shù)變化（如天氣狀況）的不確定性和某些用戶端高速移動的特性會導致URLLC系統(tǒng)對CSI的了解并不是完備已知的，從而導致無法確定信號傳輸路徑時變特性，使得URLLC系統(tǒng)在應用中達不到聲稱的極高可靠度。

（2） CSI矩陣常為復雜矩陣，并且在計算信道中斷概率的流程中，需要復雜封閉表達式和計算流程，因此會大量消耗計算時間與內(nèi)存，并且所需深度學習模型深度要求較高。

本文基于前人研究，以接收信號強度（received signal strength， RSS）為測量量并設置閾值，運用生存分析的方法，建立信道的可靠連通度預測模型。采用威布爾分布概率模型，統(tǒng)計信道有效傳輸時長的累積分布函數(shù)（cumulative distribution function， CDF）曲線，與可靠性理論中的失效率相結合，預測信道在已處于有效傳輸時間段時，未來一段時間的連通可靠度;與URLLC系統(tǒng)關鍵技術相結合，通過多輸入多輸出（multi-input multi-output， MIMO）技術，實現(xiàn)空間分集，研究信道在1子幀內(nèi)所能維持的可靠性;針對因?qū)嶋H應用中各種因素導致的信道統(tǒng)計特性的非參數(shù)化情況，將可靠性理論與機器學習相結合，采用反向傳播（back propagation， BP ）神經(jīng)網(wǎng)絡和長短期記憶（long short-term memory， LSTM）神經(jīng)網(wǎng)絡，學習信道統(tǒng)計特性，得出失效率，并與威布爾分布模型進行準確度對比，由于CDF曲線的樣本復雜度通常并不高，因此可減小神經(jīng)網(wǎng)絡深度和訓練樣本復雜程度、內(nèi)存與計算時間。最終，本文以城市宏單元-非視距-簇時延線（urban macro-nonline of sight-cluster time delay line， UMa-NLOS-CDL）信道作為算例，對所提出方法的有效性進行了檢驗，并分析了不同天氣條件、不同發(fā)射機與接收機數(shù)量對信道傳輸可靠性的影響。此研究可用于對URLLC系統(tǒng)冗余發(fā)送性能的評估。

1 URLLC關鍵技術

隨著第三代合作伙伴計劃（3rd generation partnership project， 3GPP）有關5G新無線（new radio， NR）技術的R17版本標準凍結，5G通信正式步入商用［16］，根據(jù)R17版本中對URLLC系統(tǒng)的關鍵技術的總結，可分為低時延技術和高可靠技術兩方面。如圖1所示。

為實現(xiàn)低時延技術，3GPP在URLLC系統(tǒng)中引入了mini-slot概念，縮短了空口數(shù)傳的長度， 5G NR所采用的幀與子幀結構與第4代無線通信技術中的長期演進技術（long term evolution， LTE）技術相類似，固定10 ms/幀，1 ms/子幀，每一子幀中包含多個時隙， LTE技術以每個時隙內(nèi)整體的符號為單位進行調(diào)度（通常為14個符號）。

而5G NR的不同則在于將每個在時隙細分引入子時隙的概念，通常由兩個或多個符號組成，如圖2所示。相比于LTE，該技術可實現(xiàn)靈活的時隙配置，適用于URLLC系統(tǒng)進行超短時延小包業(yè)務。

上行免授權調(diào)度配置。在基站側先為部分終端分配上行傳輸資源，終端根據(jù)業(yè)務需求在預分配的資源上發(fā)起上行傳輸，從而達到減少調(diào)度時延。

資源搶占。由于URLLC所承擔的業(yè)務具有低時延傳輸需求，并且要求可以即時傳輸，因此可按照調(diào)度指示優(yōu)先傳輸資源，例如URLLC業(yè)務可搶占增強移動寬帶（enhanced mobile broadband， eMBB）業(yè)務資源。

實現(xiàn)URLLC系統(tǒng)的高可靠技術目前主要包含分集技術、信道質(zhì)量指示器與調(diào)制編碼方案映射表技術。分集技術主要包含空間分集、頻率分集、時間分集與極化分集，詳見文獻［17-19］，本文運用MIMO技術實現(xiàn)空間分集，將將同一信息進行編碼后從多根天線上發(fā)送，如圖3所示。

其中，H=［hij］表示傳輸信道，TX=［TXi］表示為發(fā)送端發(fā)射機，RX=［RXi］表示用戶端接收機。

2 5G通信系統(tǒng)連通可靠性預測

通信系統(tǒng)可靠連通度的定義為在一定時間間隔內(nèi)，終端可正確接收基站信號的概率。本節(jié)基于5G信道的統(tǒng)計特性，采用生存分析理論，建立理論分布和數(shù)據(jù)驅(qū)動模型，對信道接收端可靠連通度進行預測。

2.1 通信系統(tǒng)可靠連通度模型

信號由于環(huán)境以及建筑物對信號散射的影響通過無線信道到達另一端時，信號幅度在時間和頻率上波動的現(xiàn)象稱為衰落。當RSS低于某一閾值R0時，接收端基于信號功率對信號進行解碼的結果不再可靠，則認為信道發(fā)生阻塞［20］如下所示：

2.3 基于數(shù)據(jù)驅(qū)動模型的通信系統(tǒng)可靠性預測

機器學習的各種模型均具有較多的參數(shù)，通過擬合這些參數(shù)，可以獲得與數(shù)據(jù)集近似的曲線。根據(jù)失效率定義，本文以獲取的生存時間數(shù)據(jù)集為基礎，通過減去正常運行時間t，進而獲得剩余生存時間的數(shù)據(jù)集，用于模型訓練的數(shù)據(jù)集包含：① 剩余生存時間tm;② 相應剩余生存時間對應的CDF值Sm。鑒于網(wǎng)絡所訓練的數(shù)據(jù)集為較平滑的CDF曲線，并不具有較高對復雜度，因此，不需要采用結構復雜的深度神經(jīng)網(wǎng)絡。本文選取BP神經(jīng)網(wǎng)絡（BP neural network， BPNN）與LSTM神經(jīng)網(wǎng)絡學習信道CDF數(shù)據(jù)集。

2.3.1 BPNN

BPNN是一種利用誤差BP的多層前饋型神經(jīng)網(wǎng)絡，具有較強的非線性映射能力，構建BPNN需要確定輸入層、輸出層、隱藏層的節(jié)點數(shù)以及層數(shù)，訓練模型所需的數(shù)據(jù)集中輸入特征的為剩余生存時間tm，因此輸入層節(jié)點數(shù)均設置為1，隱藏層有3層，節(jié)點數(shù)分別為5、10、3，輸出目標為CDF值Sm，因此設置輸出層節(jié)點數(shù)為1，在訓練過程中選擇Levenberg-Marquardt方法［25］進行參數(shù)尋優(yōu)。網(wǎng)絡結構如圖5所示。

2.3.2 LSTM神經(jīng)網(wǎng)絡

根據(jù)統(tǒng)計學知識可知，當前時刻的CDF值總是與前一時刻或前幾個時刻的值相關，因此有理由將數(shù)據(jù)集視為時間序列并采用時間序列預測模型。

LSTM網(wǎng)絡是由循環(huán)神經(jīng)網(wǎng)絡（recurrent neural networks， RNN）延伸發(fā)展而來，在普通RNN基礎上，在隱藏層各神經(jīng)單元中增加及一單元，使RNN具備了長期的記憶功能，對時間序列具有較好的擬合性能。本研究LSTM結構為3-8-8-1。結構如圖6所示。

圖6為LSTM網(wǎng)絡結構示意圖，其中，輸入I=［Sm-1， Sm-2， Sm-3］，表示當前時刻前的3個數(shù)值。隱藏層數(shù)目為2，每個隱藏層具有8個LSTM單元。輸出層O=［Sm］，表示當前時刻的預測值。

2.4 5G通信系統(tǒng)模型

無線信道的衰落通常分為兩類：大尺度衰落和小尺度衰落，本文基于MIMO技術對接收端和發(fā)射端進行設置，大尺度衰落主要考慮在路徑損耗、葉面損耗以及雨衰，其中，雨衰系數(shù)由天氣條件以及載波頻率決定。小尺度衰落運用CDL-B信道模型模擬多徑效應造成的快衰落。

2.4.1 MIMO天線陣列

單天線對單天線的傳輸系統(tǒng)，由于環(huán)境復雜性，會導致電磁波達到接收端時處于相位相反的狀態(tài)，使通過多徑傳輸?shù)男诺老嗷ハ魅踉斐奢^強衰落［26］，而使用天線陣列時，相當于用戶端同時擁有了多個相互獨立的信道，使得相位相反造成的強衰落狀況有所好轉。本文采用矩陣A=［M， N， P， Mg， Ng］表示天線陣列數(shù)量與分布，矩陣中M、N表示每個天線陣列板中天線分布的行數(shù)和列數(shù);P表示極化數(shù)量;Mg、Ng表示多個天線陣列板的排列方式。以［2，3，2，2，2］為例，天線陣列分布如圖7所示。

2.4.2 大尺度衰落模型

依據(jù)3GPP標準-TR38.901，在傳輸環(huán)境為UMa-NOLS時，路徑損耗造成的衰落可由下式表示：

PLUMa－NLOS=max（PL′LOS，PLNLOS）（10）

式中：PLUMa－LOS為UMa-LOS環(huán)境下的路徑損耗，取UMa環(huán)境下LOS與NLOS視距下的最大值。在100 m至轉折點d′BP距離內(nèi)，PLUMa－LOS表達式如下：

PLUMa－NLOS=28+22lg d3D+20lg fc（11）

在d′BP至轉折點5 000 m距離內(nèi)，PLUMa－LOS表達式為

PLUMa－NLOS=28+40lg d3D+20lg fc－

9lg（（d′BP）2+（hBS－h(huán)UT）2）（12）

式中：hBS為基站高度;hUT為用戶終端高度;d′BP=4h′BSh′UT·fC/C表示斷點距離;fC為載波頻率;h′BS=hBS－h(huán)E代表基站天線有效高度h′UT=hUT－h(huán)E代表終端天線有效高度，在UMa-NLOS場景下，hE=1 m。

式（10）中PL′LOS表達式如下：

PL′LOS=13.54+39.08lg d3D+

20lg fc－0.6（hUT－1.5）（13）

根據(jù)以上分析計算，代入基站終端高度與距離，設置通信參數(shù)即可求得路徑損耗。

室外環(huán)境下的信號傳輸，多會遇到樹木遮擋，因此本研究選取在室外環(huán)境載波頻率為30 GHz時的典型的葉面損耗數(shù)值15 dB。

5 G毫米波容易受到天氣濕度的影響，不同天氣情況下信道所受到的衰落不同，空氣中水汽凝結成的水滴會對信號產(chǎn)生散射影響，在晴天狀態(tài)下，天氣濕度降低，散射較弱造成的信道的衰減相對較小，信號強度會增強，在雨天狀態(tài)下，信道的衰減增強，信號強度減弱。根據(jù)ITU-R P838.3， 描述雨衰的公式如下：

γRa=kRaα（14）

式中：γRa為降雨量Ra情況下的衰減數(shù)值，單位為mm/h，系數(shù)k與α求解公式如下：

k=［kH+kV+（kH－kV）cos2θcos 2τ］/2α=［kHαH+kVαV］/2k+［（kHαH－kVαV）cos2θcos 2τ］/2k （15）

式中：kH與αH為水平方向系數(shù)，kV與αV為垂直方向系數(shù)，θ為路徑方位角，τ為相對于水平方向的極化傾斜角為45°。

2.4.3 小尺度衰落模型

針對毫米波信道小尺度衰落的評估模型，主要包含CDL與抽頭延時線（tapped delay line， TDL）信道模型兩種［27］，本文應用CDL信道模型為算例。

CDL信道模型的適用頻率范圍為0.5～100 GHz，最大帶寬為2 GHz，與應用于單輸入單輸出（single-input single-output， SISO）傳輸?shù)男诺滥Ｐ拖啾龋珻DL信道模型引入了簇的概念，其中簇可理解為具有相似到達方位角、離開方位角和時延的多徑集合，并且在此基礎上增加了離開天頂角、到達天頂角［28］，因此可更好地描述多收多發(fā)天線陣列情況下信號的傳輸路徑。

默認的CDL信道模型由5種，其中，CDL-B為非視距信道模型，默認設置24簇，每一簇代表不同的功率增益、時延以及角度，其結構示意圖如圖8所示。本文采用CDL-B信道作為小尺度衰落模型進行分析。

在確定信道衰落參數(shù)與模型后，需設置接收機靈敏度（receiver sensitivity， RS），當信號功率低于接收機靈敏度，信號無法被接收機識別并接收，RS計算公式如下：

RS=－174+NF+10lg B+SINR （16）

式中：NF為接收機噪聲系數(shù)，通過實際測量獲得;B為帶寬;SINR為信擾比，為6 dB。

本研究基于文獻［29］設計的毫米波前端模塊進行噪聲系數(shù)測量，其內(nèi)部收發(fā)鏈路架構如圖9所示，中頻固定為3.5 GHz。

圖9中，毫米波芯片的組成包括SPDT開關ADRF5020、上變頻模塊ADMV1013以及下變頻模塊ADMV1014［30-31］。

對噪聲系數(shù)測試方案如圖10所示，其中噪聲源采用Rohde amp; Schwarz NC346V，信號源采用Rohde amp; Schwarz SMF 100A，中頻側連接Rohde amp; Schwarz FSW頻譜儀。經(jīng)測試射頻頻點在30 GHz時噪聲系數(shù)為6.72 dB。

綜上所述，信道的傳輸路徑模型如圖11所示。

圖11展示了信號從發(fā)射端至接收端的過程中，信號所經(jīng)歷的大尺度衰落以及小尺度衰落。當?shù)竭_接收端時，若經(jīng)過衰落的接收端信號功率小于RS則信道故障，反之則認為信道正常。

3 仿真流程

本節(jié)主要介紹仿真流程，首先設置通信系統(tǒng)仿真參數(shù)，包括MIMO天線、大尺度衰落、小尺度衰落、RS的參數(shù)設置，生成生存時間數(shù)據(jù)集，進而基于理論分布和數(shù)據(jù)驅(qū)動兩種模型進行可靠度預測，通過對各個模型進行誤差分析，可選擇最佳模型進行天氣狀況對通信系統(tǒng)的可靠度分析，即計算不同天氣情況下，1子幀內(nèi)的可靠傳輸時間，詳細仿真流程如圖12所示。

4 算例分析

本研究采用仿真軟件中5G toolbox工具箱建立第2.4節(jié)給出的信道模型，仿真參數(shù)設置由表1給出。

根據(jù)仿真參數(shù)設置，可求得RS為-138.269 7 dBm，經(jīng)大尺度衰落后信號功率為-130.632 6 dBm，若信號功率經(jīng)過小尺度衰落后低于-138.269 7 dBm，則信道發(fā)生阻塞，因此設置閾值R0=-138.296 97-（-130.632 6）=-7.664 dB。

以一個天線陣列單元為例，圖13展示了信道簇傳輸路徑與在一定時間段內(nèi)CDL-B信道的衰落情況。

本節(jié)進行了如下分析：① 對威布爾分布參數(shù)估計結果進行分析;② 對兩種數(shù)據(jù)驅(qū)動方法所得出的失效率誤差進行分析并與威布爾分布結果進行對比。③ 利用最佳模型對不同天氣下信道可靠性進行預測。

4.1 基于理論分布的可靠性預測結果分析

通過獲取信道數(shù)據(jù)集對模型進行驗證，提取數(shù)據(jù)集中的阻塞事件，通過MLE求取最佳的參數(shù)。本文選取樣本集數(shù)目M分別為1 000，威布爾分布參數(shù)估計結果如表2與圖14所示。

以上圖表展示了威布爾分布PDF與CDF函數(shù)的擬合情況，其中，樣本密度分布按照Scott規(guī)則進行區(qū)間設置，經(jīng)過計算RX1與RX2的威布爾分布CDF函數(shù)誤差分別為14.455 5 dB和14.174 3 dB。由第1節(jié)可知，5G NR以10 ms為1幀，1 ms為1子幀，現(xiàn)分析當前一子幀Subframe2正常工作情況下，下一子幀Subframe2的可靠度。因此，將表2威布爾分布參數(shù)的估計值代入式（6），設定t=0.001 s， τ=0.001 s，可求得RX1和RX2的Subframe2區(qū)間內(nèi)預測的可靠度分別為96.49%和96.61%。由公式（2）計算得到由Weibull分布模型得到的8×2MIMO信道可靠度R=99.88%。通過仿真獲得的RX1與RX2在Subframe2可靠度分別為95.51%和95.74%，由式（2）計算得Rsim=99.81%。模型誤差絕對值為0.07%。

4.2 基于數(shù)據(jù)驅(qū)動模型的可靠性預測結果分析

根據(jù)第2.3節(jié)原理闡述，針對樣本數(shù)據(jù)集進行處理，在原有樣本數(shù)據(jù)集基礎上均減去0.001 s，從而獲得特征值tm，針對tm進行統(tǒng)計分析求得CDF值，從而得到對應tm下的標簽值Sm，經(jīng)過處理后的樣本分布以及兩種數(shù)據(jù)驅(qū)動模型的擬合結果如圖15所示。

根據(jù)圖15中，紫色曲線為樣本分布，黃色曲線為LSTM擬合曲線，紅色曲線為BPNN擬合曲線。根據(jù)圖15分析可知，相對于大概率樣本點，神經(jīng)網(wǎng)絡在面對小概率樣本時，性能會出現(xiàn)下降，但與圖14（b）相比仍然具有優(yōu)勢。針對兩神經(jīng)網(wǎng)絡和威布爾分布的誤差分析以及與實際可靠度的對比如表3所示。

由表3可知，三模型的誤差排序：威布爾分布gt;LSTMgt;BPNN，因此選擇最佳模型為BPNN。其中，基于理論分布的失效率函數(shù)的精確度直接取決于威布爾分布兩個參數(shù)估計值的精確度，因此威布爾分布對應的LOG-MSE為CDF函數(shù)與樣本分布的誤差。經(jīng)過分析，威布爾分布的擬合情況與神經(jīng)網(wǎng)絡模型相比，差距較大，而威布爾分布與大多理論分布模型均有聯(lián)系。由此可知，經(jīng)過大尺度衰落后，用于刻畫信道快衰落的CDL信道的有效傳輸時間統(tǒng)計特性具有一定的非參數(shù)性。

4.3 惡劣天氣情況對5G信道生存時間的影響

據(jù)中國氣象局標準，降雨量等級如表4所示［32］，通過取各個降雨等級的降水量（mm/h）上限，將系數(shù)k、α與降水量分別代入式（14）可求得雨衰系數(shù)。

經(jīng)第4.2節(jié)對比分析，本節(jié)采用BPNN為模型對不同天氣下的信道可靠性進行分析，并在發(fā)射端不變情況下，對比單接收機與多接受機情況下（即不采用分集技術）的信道可靠性，如圖16所示。

由圖16可知，8×2 MIMO系統(tǒng)相較于8×1 多輸入單輸出（multi-input single-output， MISO）系統(tǒng)具有較高的可靠性，隨著降雨量的增加，多接收機（8×2 MIMO）情況下的信道可靠連通度由略微下降相比于小雨條件下降0.67%，而單接收機（8×1 MISO）情況下信道可靠連通度在大暴雨時出現(xiàn)明顯下滑，相比于小雨條件下降5.23%;對比8×2 MIMO系統(tǒng)與8×1 MISO系統(tǒng)在天氣變化時的信道可靠度可知，采用MIMO信道實現(xiàn)分集技術可以大幅度提高信道的連通可靠度，并且在惡劣天氣下具有較強的抗衰落能力。

5 結 論

本文結合URLLC系統(tǒng)關鍵技術，對信道的可靠通信時間進行統(tǒng)計特性分析，并與可靠性理論中的失效率相結合提出了基于理論分布和數(shù)據(jù)驅(qū)動的兩種可靠連通的預測模型，用于預測在URLLC系統(tǒng)前一子幀正常通信的情況下，下一子幀的可靠度，對比了兩種模型準確度，此研究可用于URLLC冗余發(fā)送系統(tǒng)性能評估。得到結論如下：

（1） 基于威布爾理論分布對接收機RX1、RX2的CDF曲線進行擬合，誤差分別為14.455 5 dB和14.174 3 dB，并聯(lián)系統(tǒng)預測可靠度為99.88%與真實值99.81%相比，誤差為0.07%。

（2） 基于BPNN和LSTM神經(jīng)網(wǎng)絡對RX1、RX2的CDF曲線進行擬合，得出并聯(lián)系統(tǒng)預測可靠度分別為99.82%和99.76%，與真實值99.81%相比，誤差分別為0.01%和0.05%。

（3） 建立雨衰模型分析惡劣天氣對信道可靠性的影響，在大暴雨天氣條件下，信道可靠性出現(xiàn)了明顯的下降， 8×2 MIMO系統(tǒng)大暴雨天氣下可靠度為99.17%與小雨天氣相比下降0.67%，8×1 MISO系統(tǒng)下大暴雨天氣下可靠度為90.66%，與小雨天氣相比下降5.23%，得出結論采用MIMO系統(tǒng)實現(xiàn)的分集技術會大大提高系統(tǒng)可靠度并且會具有相對較強的抗衰落性能。

參考文獻

［1］ 3GPP. Study on scenarios and requirements for next generation access technologies［S］. Nice： European Telecommunications Standards Institute， 2017.

［2］ HOESSLER T， SCHEUVENS L， FRANCHI N， et al. Applying reliability theory for future wireless communication networks［C］∥Proc.of the" IEEE 28th Annual International Symposium on Personal， Indoor， and Mobile Radio Communications， 2017.

［3］ HOESSLER T， SIMSEK M， FETTWEIS G P. Mission reliabi-lity for URLLC in wireless networks［J］. IEEE Communications Letters， 2018， 22（11）： 2350-2353.

［4］ BALAPUWADUGE I A M， LI F Y， PLA V. System times and channel availability for secondary transmissions in CRNs： a dependability-theory-based analysis［J］. IEEE Trans.on Vehicular Technology， 2017， 66（3）： 2771-2788.

［5］ ANGJELICHINOSKI M， TRILLINGSGAARD K F， POPOVSKI P. A statistical learning approach to ultra-reliable low latency communication［J］." IEEE Trans.on Communications， 2019， 67（7）： 5153-5166.

［6］ POPOVSKI P， NIELSEN J， ANGJELICHINOSKI M， et al. Wireless access in ultra-reliable low-latency communication （URLLC）［J］. IEEE Trans.on Communications， 2019， 67（8）： 5783-5801.

［7］ 聶倩. 面向B5G高速移動通信系統(tǒng)的基于深度學習的信道預測方法研究［D］. 南京： 南京郵電大學， 2022.

NIE Q. Research on deep learning-based channel" prediction method for B5G high-speed mobile communication system［D］." Nanjing： Nanjing University of Posts and Telecommunications， 2022.

［8］ 黃駿， 唐慧， 柴利. 基于卷積神經(jīng)網(wǎng)絡的5G無線信道參數(shù)學習方法［J］. 武漢科技大學學報， 2022， 45（2）： 149-154.

HUANG J， TANG H， CHAI L. A learning method for 5g wireless channel parameters based on convolutional netural network［J］. Journal of Wuhan University of Science and Technology， 2022， 45（2）： 149-154.

［9］ HU B， YANG L H， REN L L. Deep learning-based time-varying channel estimation with basis expansion model for MIMO-OFDM system［J］. High Technology Letters， 2022， 28（3）： 288- 294.

［10］ SUN D C， LIU Z J， MA S， et al. Channel prediction using IAA-based spectral estimation in precoded TDD-MIMO systems［J］. IEEE Communications Letters， 2013， 17（4）： 701-704.

［11］ WANG X S， WANG J T， HE L Z， et al. Outage analysis for downlink NOMA with statistical channel state information［J］. IEEE Wireless Communications Letters， 2018， 7（2）： 142-145.

［12］ YAN Z， OUYANG B， ZHANG X， et al. Secrecy outage performance of opportunistic relay selection with limited CSI feedback［J］. IEEE Wireless Communications Letters， 2019， 8（6）： 1626-1630.

［13］ JIANG R H， XIONG K， FAN P Y， et al. Outage probability and throughput of multirelay SWIPT-WPCN networks with nonlinear EH model and imperfect CSI［J］. IEEE Systems Journal， 2020， 14（1）： 1206-1217.

［14］ 季策， 田博彥， 耿蓉， 等. 基于VSCBOMP算法的FBMC/OQAM系統(tǒng)信道估計［J］. 系統(tǒng)工程與電子技術， 2023， 45（4）： 1193-1199.

JI C， TIAN B Y， GENG R， et al. FBMC/OQAM system channel estimation based on VSCBOMP algorithm［J］. Systems Engineering and Electronics， 2023， 45（4）： 1193-1199.

［15］ 聶倩， 楊麗花， 呼博， 等. 基擴展模型下基于LSTM神經(jīng)網(wǎng)絡的時變信道預測方法［J］. 系統(tǒng)工程與電子技術， 2022， 44（9）： 2971-2977.

NIE Q， YANG L H， HU B， et al. Time-varying channel prediction method based on LSTM neural networks under basis expansion model［J］. Systems Engineering and Electronics， 2022， 44（9）： 2971-2977.

［16］ 3GPP. Digital cellular telecommunications system （Phase 2+） （GSM）; universal mobile telecommunications system （UMTS）; LTE; 5G; release 17 description; summary of Rel-17 work Items［S］. Nice： European Telecommunications Standards Institute， 2023.

［17］ 張新勛. 基于極化分集和頻率分集技術的MIMO雷達抗干擾與目標檢測方法研究［D］. 西安： 西安電子科技大學， 2019.

ZHANG X X. Study on anti-jamming and target detection approaches of MIMO radar based on polarization and frequency diversity［D］. Xi’an： Xidian University， 2019.

［18］ SOFI M A， SAURAV K， KOUL S K. Four-port orthogonal circularly polarized dual-band MIMO antenna with polarization and spatial diversity using a dual-band linear-to-circular polarization converter［J］. IEEE Trans.on" Antennas and Propagation， 2022， 70（9）： 8554-8559.

［19］ KALACHIKOV A A， SHELKUNOV N S. Performance eva-luation of the detection algorithms for mimo spatial multiplexing based on analytical wireless MIMO channel models［C］∥Proc.of the XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering， 2018： 180-183.

［20］ 3GPP. 5G; service requirements for next generation new services and markets［S］. Nice：European Telecommunications Standards Institute， 2018.

［21］ LI J L， MA S G. Survival analysis in medicine and genetics［M］. Karabas： CRC Press， 2013.

［22］ MATZ S M， VOTTA L G， MALKAWI M. Analysis of failure and recovery rates in a wireless telecommunications system［C］∥Proc.of" the International Conference on Dependable Systems and Networks，" 2002： 687-693.

［23］ LAITINEN E K. Survival analysis and financial distress prediction： finnish evidence［J］. Review of Accounting and Finance， 2005， 4（4）： 76-90.

［24］ SAMARAKOON S， BENNIS M， SAAD W， et al. Predictive ultra-reliable communication： a survival analysis perspective［J］." IEEE Communications Letters， 2021， 25（4）： 1221-1225.

［25］ CHEN L， MA Y F. Shamanskii-like levenberg-marquardt method with a new line search for systems of nonlinear equations［J］. Journal of Systems Science amp; Complexity， 2020， 33（5）： 1694-1707.

［26］ 董麗峰， 肖瑩， 劉群. LTE關鍵技術3D-MIMO［J］. 科技創(chuàng)新與應用， 2016（34）： 86.

DONG L F， XIAO Y， LIU Q. LTE key technology 3D-MIMO［J］. Technology Innvation and Application， 2016（34）： 86.

［27］ 3GPP.Study on channel model for frequencies from 0.5 to 100 GHz［S］. Nice：European Telecommunications Standards Institute， 2022.

［28］ 李岸寧. 鐵路5G專網(wǎng)無線通信信道特征分析與建模［D］. 北京： 中國鐵道科學研究院， 2022.

LI A N. Characteristic analysis and modeling of wireless communication channels in railway 5G dedicated network［D］. Beijing： China Academy of Railway Science， 2022.

［29］ 羅澤文. 面向5G毫米波通信應用的射頻前端模塊研究［D］. 廣州： 華南理工大學， 2021.

LUO Z W. Study of RF front-end modules for 5G millimeter wave communication［D］. Guangzhou：South China University of Technology， 2021.

［30］ LUO Z W， CHEN H D， CHE W Q， et al. Study of 28 GHz transceiver module integrated with LO source for 5G mmWave communication［C］∥Proc.of the" IEEE MTT-S International Microwave Workshop Series on Advanced Materials and Processes for RF and THz Applications， 2020.

［31］ LUO Z W， CHEN H D， FENG L P， et al. Development of a T/R module for 5G Millimeter wave communication［C］∥Proc.of the" IEEE MTT-S International Wireless Symposium， 2021.

［32］ 中華人民共和國國家質(zhì)量檢測檢驗委總局， 中國國家標準化管理委員會. 降水量等級（GB/T 28592-2012）［S］. 北京： 中國標準出版社， 2012.

General Administration of Quality Inspection and Testing Commission of The People’s Republic of China， China National Standardization Administration. Precipitation levels （GB/T 28592-2012） ［S］. Beijing： China Standard Publishing House， 2012.

作者簡介

王 希（1998—），男，碩士研究生，主要研究方向為5G通信業(yè)務應用及其可靠性。

任 惠（1973—），女，教授，博士，主要研究方向為電力系統(tǒng)故障連鎖診斷及風險評估。

王 威（1998—），男，碩士研究生，主要研究方向為可靠性與風險評估。

張嘉怡（1999—），女，碩士研究生，主要研究方向為電力系統(tǒng)慣性分析。

趙洪山（1965—），男，教授，博士，主要研究方向為新一代能源互聯(lián)網(wǎng)的基礎理論及其關鍵技術、配電網(wǎng)電力線載波通信新技術。