通信感知一体化(Integrated Sensing and Communication,ISAC)技术允许设备在相同的硬件设备与频谱上进行雷达感知与数据通信,是6G的关键技术之一。另外,工业自动化以及智能驾驶等业务越发依赖高可靠低时延通信。因此,可以将ISAC技术与...通信感知一体化(Integrated Sensing and Communication,ISAC)技术允许设备在相同的硬件设备与频谱上进行雷达感知与数据通信,是6G的关键技术之一。另外,工业自动化以及智能驾驶等业务越发依赖高可靠低时延通信。因此,可以将ISAC技术与超可靠低时延通信(Ultra-Reliable Low Latency Communication,URLLC)技术进行融合,并联合设计雷达感知与URLLC预编码。基于此,提出了一个URLLC下的用户设备和速率最大化问题,且满足雷达感知的性能要求。为了解决该优化问题,首先利用基于二次变换的分式规划方法和连续凸近似方法处理短包容量公式,其次利用一阶泰勒展开方法处理雷达感知性能约束。仿真结果表明,所提设计能够同时满足雷达感知与URLLC要求,具有较好的性能。展开更多
超可靠低时延业务(ultra-reliable and low-latency communication,URLLC)时延性能与5G系统的带宽资源、边缘速率、调度方式、以及天线数、载波频率、调制编码方案、帧结构等系统参数配置密切相关。针对垂直行业部署URLLC业务时的工程...超可靠低时延业务(ultra-reliable and low-latency communication,URLLC)时延性能与5G系统的带宽资源、边缘速率、调度方式、以及天线数、载波频率、调制编码方案、帧结构等系统参数配置密切相关。针对垂直行业部署URLLC业务时的工程测算需求,建立了一种用于描述URLLC时延性能的通用模型。进一步地,提出一种包括分析URLLC数据传输流程中的时延组成、确定调制编码方案和计算最大传输次数等步骤的时延分析方法。最后,通过对5G NR数据传输过程的链路级仿真,分析了不同可靠性要求与系统参数配置下的URLLC时延分布特性。所提方法为分析URLLC业务性能与5G网络资源需求之间的定量关系提供了一种实用解决方案。展开更多
面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规...面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规模数据传输需求,尤其是将电力终端的能源效率(Energy Efficiency,EE)作为保障测量、监控、控制等多个电力运行环节超可靠低延迟通信(Ultra-Reliable and Low-Latency Communication,URLLC)的重要依据。在URLLC中,功率分配被认为是提高能效与数据处理效率的有效方法。然而,由于URLLC的特殊要求,传统香农公式在其中并不适用。因此,需要使用有限块长度编码理论来确保超可靠和低延迟的通信。文中解决了EIoT中URLLC的能效优化问题,并引入自适应深度神经网络,该技术可以根据不同电力设备接入数量,动态优化深度神经网络参数。深度神经网络将要优化的功率分配函数参数化,以无监督的方式离线训练,并可以在线部署以实现实时的功率分配结果。最后,仿真结果表明了所提方法在数据处理效率方面的有效性。展开更多
文摘超可靠低时延业务(ultra-reliable and low-latency communication,URLLC)时延性能与5G系统的带宽资源、边缘速率、调度方式、以及天线数、载波频率、调制编码方案、帧结构等系统参数配置密切相关。针对垂直行业部署URLLC业务时的工程测算需求,建立了一种用于描述URLLC时延性能的通用模型。进一步地,提出一种包括分析URLLC数据传输流程中的时延组成、确定调制编码方案和计算最大传输次数等步骤的时延分析方法。最后,通过对5G NR数据传输过程的链路级仿真,分析了不同可靠性要求与系统参数配置下的URLLC时延分布特性。所提方法为分析URLLC业务性能与5G网络资源需求之间的定量关系提供了一种实用解决方案。
文摘面向差异化业务需求,电力物联网(Electric Internet of Things,EIoT)需要设计与之适配的数据处理架构,该架构将引入数据缓存、边缘处理等功能,并且涵盖EIoT中数据的清洗、过滤和融合等关键步骤。此外,在该架构基础上,需要同时满足大规模数据传输需求,尤其是将电力终端的能源效率(Energy Efficiency,EE)作为保障测量、监控、控制等多个电力运行环节超可靠低延迟通信(Ultra-Reliable and Low-Latency Communication,URLLC)的重要依据。在URLLC中,功率分配被认为是提高能效与数据处理效率的有效方法。然而,由于URLLC的特殊要求,传统香农公式在其中并不适用。因此,需要使用有限块长度编码理论来确保超可靠和低延迟的通信。文中解决了EIoT中URLLC的能效优化问题,并引入自适应深度神经网络,该技术可以根据不同电力设备接入数量,动态优化深度神经网络参数。深度神经网络将要优化的功率分配函数参数化,以无监督的方式离线训练,并可以在线部署以实现实时的功率分配结果。最后,仿真结果表明了所提方法在数据处理效率方面的有效性。
