Achieving Higher Channel Capacity의 스펙트럼 효율의 역할

무선 통신의 재사용 확장은 이제 더 높은 데이터 속도와 더 강력한 연결 요구. 이러한 요구를 충족하는 중앙은 spectrum Efficiency]- 효과적으로 주어진 주파수 대역폭의 측정 정보를 운반하는 방법. 스펙트럼 효율의 한계를 밀어, 엔지니어는 새로운 스펙트럼 라이센스, 스카이스 및 비싼 리소스를 취득하지 않고 높은 채널 용량을 달성 할 수 있습니다. 이 문서는 스펙트럼 효율의 기술 기반을 검사, 핵심 방법 그것의 미래에 영향을 미치는.

Spectrum 효율성 이해

throughput Efficiency에서 스펙트럼 효율성을 구별하는 것이 중요합니다. Spectrum Efficiency는 물리적 층의 원적 메트릭이며, 프로토콜 오버헤드, 재전송 및 스케줄링 인피니티를 위한 처리 효율을 고려하면서, 투과율은 계산 효율을 나타냅니다. 둘 다 실제 용량을 전달하는 데 중요합니다. 하지만 스펙트럼 효율은 주어진 대역폭의 기본 물리적 한계를 나타냅니다.

Shannon-Hartley Theorem 및 용량 제한

섀넌-하트리 소르엠은 채널 용량C](Bps)와 동일 B × log₂](1 + S/N), 여기서 ]B[LT[LT:9]]]]B[LT:9]]]]]]B[LT:9]]]]]]B]]

그러나 실제 채널은 퇴색, 간섭 및 이동성을 소개한다. 실제 시스템은 다양한 조건에서 효율성을 유지하기 위해 적응 기술을 사용해야합니다. 이론적 용량과 성취 가능한 용량 사이의 간격은 Shannon gap로 알려져 있습니다. 이 간격을 닫은 것은 스펙트럼 효율성 향상의 기본 목표입니다.

Spectrum Efficiency 향상을 위한 핵심 기술

고급 변조 계획

아날로그 파형에 디지털 비트를 변환합니다. 256‐QAM 및 1024‐QAM과 같은 고순도 변조 계획은, denser 별자리 점을 사용하여 기호 당 더 많은 비트를 전달합니다. 예를 들어, 256‐QAM은 기호 당 8 비트를 인코딩하고, 기호 당 QPSK 인코딩 만 2 비트를 인코딩합니다. 무역 오프는 소음과 왜곡에 대한 민감도를 증가시킵니다. 현대 네트워크는 역동적으로 가장 높은 페라틴을 선택 [NR]FEDAL] [NR]에 따라 정의 된 기술 : [NR]

다중 입력 다중 입력 (MIMO) 및 공간 다중화

MIMO는 두 송신기 및 수신기에서 여러 안테나를 사용하여 평행 스탈 스트림을 만들 수 있습니다. 각 공간 스트림은 독립적 인 채널을 효과적으로 추가하고 추가 스펙트럼없이 용량을 곱합니다. 효율성 이득은 예를 들어, 8 × 8 MIMO 시스템은 단일 안테나 시스템의 bps / Hz를 달성 할 수 있습니다. 64 또는 128 안테나 요소 (Massive MIMO)와 같은 5G 기지국과 같은 Real 배포는 MIMO (Massive MIMO)의 엄청난 LT를 제공합니다. [PP] [PP]] [PP]]] [PP]] [PP]]] [PP]] [PP]]] [PP]] [PP]]]] [PP]] [PP]]] [PP]]]] [PP] [F] [F]] [F] [F] [] [] [F] [F] [F] [] [] [F] [F] [F] [] [] [] [] [] [F] []]] [F] [] [] [] [] [] [] []]]]] [] []]]]] [] [] []]

정각 주파수 사업부 다중화 (OFDM) 및 파형 디자인

OFDM은 다양한 정교한 잠수함으로 넓은 밴드 채널을 분할, 평평한 퇴색을 경험하기 위해 충분히 각 좁은. 이 간단한 동등 및 다방의 강력한 취급은 OFDM를 LTE와 5G NR의 기초 만듭니다. Filtered‐OFDM]와 UFMC 더 ‐의 밴드 방출을 감소시키고, 더 단단한 스펙트럼과 높은 농도를 가능하게 합니다.

적응형 코딩 및 변조 (ACM)

ACM은 역동적으로 실시간 채널 조건과 일치하기 위해 수정 주문 및 코딩 속도를 조정합니다. 채널이 좋을 때, 고효율 조합 (예를들면, 64 ‐ QAM 비율 ‐5/6 코딩)이 사용됩니다. 가난한 조건 동안 시스템은 낮은 코드 비율로 강력한 QPSK로 돌아갑니다. 이 링크 신뢰성을 유지하면서 평균 스펙트럼 효율성을 극대화합니다. ACM은 신속하게 경로 손실 및 간섭 변동이 있는 모바일 환경에 필수적입니다.

캐리어 회상 및 위더 대역폭

캐리어 집계는 캐리어 당 bps/Hz보다는 총 대역폭을 증가하지만, 파편 스펙트럼 블록을 풀링함으로써 스펙트럼 효율성을 향상시킵니다. 연산자는 논리적 지방 파이프로 비 적합 라이센스 밴드를 결합 할 수 있습니다. 5G에서 캐리어 당 최대 100 MHz (sub‐6 GHz) 또는 400 MHz (mmWave)의 사용은 골반과 결합하여 고급 신호 처리로 인해 각 구성 요소의 높은 유지 bps/Hz 동안 높은 피크 속도를 허용합니다.

간섭 관리 및 스펙트럼 재사용

세포 네트워크에서 스펙트럼 효율은 중미량의 세포에서 방해에 의해 크게 영향을받습니다. 인터 셀 간섭 조정 (ICIC), 좌표 멀티 포인트 (CoMP) 및 빔 형성과 같은 기술은 간섭을 줄이고 동일한 주파수의 재사용을 가능하게합니다. 대규모 MIMO 빔 형성은 의도한 사용자와 반대를 향해 에너지를 집중하고 신호 ‐ 간섭 ‐ plus ‐noise 비율 (SINR) 및 bps / .

실제 세계 충격: 5G와 저쪽

5G NR는 LTE에 스펙트럼 효율을 3~4× 개선을 목표로 합니다. 이 기능은 유연한 핵학, 대규모 MIMO, 최대 256‐QAM 및 효율적인 제어 채널 설계의 조합을 통해 달성됩니다. 초기 현장 시험은 32 ‐레이어 MIMO를 가진 10 bps/Hz를 초과하는 다운링크 효율성 보고서를 보여줍니다. 조밀한 도시 배포에서 이러한 이익은 분야 당 여러 Gbps로 번역되며, 동시 4K 비디오 스트리밍, 증강 현실, IoT 혼잡 없이 대규모 IoT를 지원합니다.

6G에 앞서 연구자들은 sub‐THz 밴드를 탐험하고 있으며, 광대한 양의 원시 대역폭이 존재합니다. 그러나 이러한 주파수 수요에 대한 전파 과제는 더욱 정교한 빔 형성과 파형 기술을 통해 사용 가능한 스펙트럼 효율성을 유지하고 있습니다. 기계 학습은 또한 실시간 자원 할당 및 간섭 관리를 최적화하기 위해 적용되고, bps/Hz에서 더 많은 도약을 추진합니다.

높은 스펙트럼 효율성을 평가하는 Achieving에 있는 도전

이 문제는 기존의 발전에 따라, 실제 장애물이 남아 있습니다. 전력 소비는 더 높은 주문 변조 및 대규모 안테나 배열과 함께 증가합니다. 채널 추정은 많은 포트와 더 어렵게됩니다. 빠른 ‐파딩 환경에서 성취 가능한 용량 제한. 또한, 최대 무연 bps / Hz에서 전력 및 아웃 밴드 배출에 대한 규제 한계. 이러한 도전에 따라 반도체 기술, 신호 처리 알고리즘, 네트워크 조정에 대한 지속적인 진행이 필요합니다.

미래 지향: AI 및 Spectrum Optimisation을 위한 기계 학습

인공 지능은 스펙트럼 효율성을 혁명으로 삼고 있습니다. 딥러닝 모델은 채널 조건을 예측하고 지능형 빔 선택을 수행하고 밀리 초의 분수에서 수정 계획을 적응시킬 수 있습니다. 강화 학습 에이전트는 사전 정의 모델없이 전체 네트워크의 주파수 재사용 패턴을 최적화 할 수 있습니다. 이 기술은 최대 용량을 위해 자체 조직 네트워크가 형성되도록 산시 제한에 남아있는 간격을 닫을 수 있습니다.