不间断地扩大无线通信需要更高的数据率和更强大的连接。满足这些要求的核心是频谱效率——衡量某一频带宽带宽如何有效传递信息。通过推进频谱效率的限度,工程师可以实现更高的信道容量,而无需获得新的频谱许可证,这是稀缺和昂贵的资源。本文审查了频谱效率的技术基础、改进频谱使用的关键方法及其对现代和未来网络的信道能力的直接影响。

了解光谱效率

光谱效率,以每赫兹每秒比特(bps/Hz)表示,它将可可靠通过1赫兹带宽传输的最大数据速率量化。一个拥有10bps/Hz的系统可以在1赫兹频谱中发送10Mbps,而效率较低的系统可能在同一带宽中只管理2Mbps。理论上的上限,由]Shannon–Hartley定理[ 给出,它只取决于信号对噪比(SNR)。实际上,现代通信系统通过复杂的收发器设计和信号处理来接近这个联结。

必须将频谱效率与通量效率区分开来. 频谱效率是物理层的原始尺度,而吞吐效率则反映了协议的间接费用,重传输,以及排程效率的低效。 两者对于提供现实世界的能力都至关重要,但频谱效率代表了给定带宽的基本物理极限。

香农—哈特里定理与能力限制

香农—哈特利定理称,信道容量[C(bps)等于B]xlog2]](1+S/N]B是赫兹的带宽,S/N]是线性信号到噪声比。这揭示了两条通往更高容量的路径:增加带宽或改进SNR. Spectrum效率侧重于后者,因为宽度往往无法使用或成本-禁止使用。通过高级调制,编码,天线技术提高SNR,操作者可以操作到香农极限,从而在赫兹每个赫兹实现最大位数.

然而,现实世界的渠道引入了淡化,干扰,和流动性. 实用系统必须运用适应技术来维持不同条件下的效率. 理论能力和可实现能力之间的差距被称为 山农差距[. 缩小这一差距是提高频谱效率的首要目标.

提高光谱效率的关键技术

高级调制方案

模组图中的数字位到模拟波形. 更高顺序的调制方案, 如256 ⁇ AM和1024 ⁇ AM, 通过使用更密集的星座点来传递每个符号更多的位. 例如,256 ⁇ AM编码每个符号8位, 而QPSK编码每个符号只有2位. 权衡是提高了对噪音和扭曲的敏感性. 现代网络动态选择了基于瞬间SNR的最高可行调制顺序,一种被称为 适应调制的技术.

多输入多输出(MOMO)和空间多输出

MIMO在发射机和接收机上都使用多个天线来创建平行的空间流。每个空间流都有效增加了一个独立的通道,在不增加频谱的情况下,容量会增加。效率增益与流数成正比 — — 例如,一个8x8的MIMO系统理论上可以实现单一的 ⁇ 安特纳系统的8倍bps/Hz。 真正的部署,如拥有64或128天线元素的5G基站(Massive MIMO),可以带来巨大的光谱增益。关于MIMO的进一步解读可以在3GP的MIMO概览中找到。

轨道频率分多路和波形设计

OFDM将宽带通道分为许多正向子载体,每个子载体都足够窄,可以经历扁平的淡化。这种简单平面化和强力处理多路径OFDM使OFDM成为LTE和5G NR的基础。 诸如 Filtered OFDM和UFMC 等变体进一步减少带外排放,从而能够更严格频谱再利用和提高总效率。

适应性编码和模块化(ACM)

ACM 动态调整调制顺序和编码率,以匹配实时通道条件。当信道良好时,会使用高效组合(例如,64QQAM 和 rateQQ5/6编码);在恶劣条件下,系统会以低码率回归强的QPSK。这在保持连接可靠性的同时,能最大限度地提高平均频谱效率。对于路径丢失和干扰迅速波动的移动环境,ACM 至关重要。

载体聚合和宽度

虽然载体聚合可以增加总带宽而不是每个载体的bps/Hz,但通过集合分散的频谱块,可以间接提高频谱效率. 操作员可以将非相近的许可带结合到逻辑脂肪管中. 5G中,每个载体使用最高100MHz(sub ⁇ 6GHz)或400MHz(mmWave),加上聚合,使得每个组件载体的峰值率极高,同时由于先进的信号处理而保持高bps/Hz.

干扰管理和频谱再利用

在细胞网络中,频谱效率受到邻近细胞干扰的严重影响。 诸如细胞间干扰协调(ICIC)、协调多点(COMP)和束状等技术可以减少干扰,从而可以对同一频率进行更高的再利用。 大量MIMO束状将能量集中到预期用户身上,无源细胞集中到干扰者身上,从而大大改进了信号的“干扰”+“诺伊斯比(SINR),从而降低了bps/Hz。

实际世界影响:5G及以后

5G NR的目标是在LTE上提高频谱效率。 实现这一目的的方法包括灵活的数字学、Massive MIMO(最多256QAM)和高效的控制通道设计。 早期的实地试验报告下行链路效率超过10 bps/Hz, 使用32 layer MIM。 在密集的城市部署中,这些收益转化为每个区段的几 Gbps,支持同时进行4K视频流,增强现实,以及大规模IOT而不拥塞。

展望6G,研究人员正在探索sub ⁇ THz[]带宽大且有大量原始带宽。然而,这些频率的传播挑战需要更复杂的光束和波形技术来维持可用的频谱效率。机器学习也正在应用来实时优化资源分配和干扰管理,有望在bps/Hz中进一步飞跃。

实现高频谱效率的挑战

尽管在理论上取得了进展,但实际障碍依然存在。 电消耗随着更高排序调制和大规模天线阵列的上升,特别是在用户设备方面。 在许多端口,信道估计变得更加困难,限制了快速变形环境中的可实现能力。 此外,对传输电源和频带外排放的监管限制限制了最大可行的bps/Hz。 克服这些挑战需要半导体技术、信号处理算法和网络结构协调方面持续进步。

未来方向: 人工智能和机床学习, 用于光谱优化

人工智能可以使频谱效率发生革命性变化。 深层学习模型可以预测通道条件,进行智能束选择,并调整毫秒的调制方案。强化学习剂可以优化整个网络的频率再利用模式,而无需预先定义模型。 这些技术有可能将剩余差距拉近到香农极限,从而能够使网络自我组织,达到最大容量。

结论

光谱效率不仅仅是一个技术衡量标准;它也是无线通信的经济瓶颈。 通过增加bps/Hz,操作员提供更多的数据,为更多的用户服务,并改进经验质量,而不会获得昂贵的新光谱。 从香农定理的理论基础到Massive MIMO和机器学习的实际部署,追求更高的光谱效率驱动着每代蜂窝技术的发展。 随着对无线数据的需求持续增长,对光谱效率的投资仍然是通往更高信道能力和更紧密连接世界的最直接途径。