基于大津算法的5GNR幀結構自動檢測方法*

蔡文杰，丁 青

（1.上海諾基亞貝爾股份有限公司，江蘇 南京 210037；2.南京農業大學，江蘇 南京 210031）

0 引言

5G標準在制定之初就提出了3大場景[1]：增強移動寬帶（enhanced Mobile BroadBand，eMBB）、超可靠低延時通信（Ultra-Reliable and Low Latency Communications，URLLC）、海量機器類通信（Massive Machine Type Communications，mMTC）。為了實現上述愿景，5G重新定義了比4G更為靈活的無線幀結構[2]，可以在符號級進行靈活配置，從而支持各種場景下的應用。由于5G新基站（New Radio，NR）的時分復用（Time-Division Duplex，TDD）上下行調度支持在符號級進行，所以在每個10 ms幀內，會存在比4G長期演進（Long Term Evolution，LTE）[3]更多的上下行配置組合。5G NR TDD上下行配置的靈活性和動態性給5G NR系統測試提出了更高的要求，在儀表上捕獲天線口某10 ms幀信號，在進行頻域轉換和解調之前，需要先檢測出幀結構信息（上下行配置）。大津算法是一種在圖像分析領域廣泛使用的自適應的閾值分類算法，本文把這個算法應用于5G NR幀結構檢測，通過閾值分類把上下行時隙分開，進而得到最終的幀結構。

1 5G NR幀結構

5G NR的幀結構如圖1所示，為了支持多種多樣的部署場景，適應從低于1 GHz到毫米波的頻譜范圍，NR引入了靈活可變的μ。μ是 OFDM系統的基礎參數集合[4]，包含子載波間隔、循環前綴、TTI長度和系統帶寬等，目前支持的μ值可以取0～5，分別對應子載波間隔15～240 kHz。10ms幀包含的符號數由μ值決定，公式為

圖1 5GNR幀結構

2 大津算法

大津算法（OTSU Algorithm）是由日本學者大津（Nobuyuki Otsu）于1979年提出的一種自適應的閾值確定方法[5]。它是按圖像的灰度特性，將圖像分成背景和目標兩部分，或者說是尋找一個閾值T，將圖像的顏色分為1,2,…,T和T+1,…,256兩部分。算法分類的原理是讓背景和目標之間的類間方差最大，因為背景和目標之間的類間方差越大，說明構成圖像的兩部分的差別越大，錯分的可能性越小。

大津算法的類間方差公式為式（1），其中g為類間方差，ω0為前景的像素點數占整幅圖像的比例，μ0為前景像素平均灰度；ω1為背景像素點數占整幅圖像的比例，μ1為背景像素平均灰度。可以對閾值采用遍歷的方法尋找到類間方差g的最大值，此時對應的閾值即為所求。

大津算法應用在圖像分析時，圖像根據灰度被分為背景和目標兩部分。在做5G NR幀結構自動檢測時，TDD時域信號可以根據幅度被分為TX（下行）時隙和RX（上行）時隙兩類。

3 設計實現

具體設計框圖如圖2所示，首先使用SA系列頻譜分析儀捕獲時域IQ信號，然后針對IQ信號的幅值進行大津閾值分類并二值化，接著進行TX/RX時隙識別，然后去除偽影和過沖，最后求得符號級的上下行配置。

圖2 設計實現框圖

下面將以如圖3所示的初始上下行配置為例，來介紹完整的實現過程。

第1步，捕獲時域IQ信號，需要注意兩點：一是使用基站的10 ms trigger作為SA的trigger信號，確保幀頭對齊；二是要設置足夠高的采樣率，確保每個符號時間都有足夠的采樣點數。圖4是捕獲的原始IQ數據，子載波間隔為30 kHz，捕獲時長為10 ms，包含幀的符號數為280，采樣率為5 MHz，采樣點數為50001，單符號時間的采樣點數=50 001/280 ≈178.5。

圖4 捕獲的原始IQ數據

第2步，進行OSTU幅值分類并二值化，首先根據IQ計算幅值然后對幅值進行大津閾值分類，圖5是大津閾值分類后獲得的直方圖，可以明顯看出，TX時隙和RX時隙很容易區分：中間是大津分類算法確定的閾值（約0.34 V）；所有左側的點幅值＜閾值，對應RX時隙；而所有右側的點幅值＞閾值，對應TX時隙。

圖5 大津閾值分類

接著進行二值化處理，低于閾值0.34 V的取0，高于閾值0.34 V取1，即歸為TX時隙的采樣點取1值，歸為 RX時隙的采樣點取0值，由此可以得到一個初始二進制的采樣序列（見圖6）。

圖6 初始二進制的采樣序列

第3步，進行TX/RX時隙識別，對上面得到的二進制采樣序列進一步處理，合并連續的1或者0，形成對應的TX和RX時隙，圖7就是一個合并操作之后的結果。從中可以看出，除了正常的連續TX/RX時隙，有時會因為信號過沖或采樣失真導致本來連續的時隙中出現若干異常時隙，圖中最后一個RX時隙中，在中間出現了2個被誤判為RX的異常時隙（時隙持續長度為1）。

圖7 TX/RX時隙識別

第4步，去除偽影和過沖。為了得到正確的5G NR幀結構，必須去除第3步中那些異常時隙。具體的處理方法是，可以通過設定一個時隙持續長度門限來實現，刪除小于門限的異常時隙，然后合并同類相鄰時隙。異常時隙通常都很短，而正常時隙通常很長，因此可以設定一個比一般異常時隙稍大的門限（如10），以確保刪除異常時隙的同時又不會影響正常時隙。圖8是去除偽影和過沖之后得到的最終時隙序列。

圖8 去除偽影和過沖

第5步，獲取符號級上下行設置。將最終時隙序列除以前面單個符號時間的采樣點個數（178.5），四舍五入之后就可以獲得最終的如圖9所示的符號級上下行配置，與圖3的初始上下行配置完全吻合。

圖9 獲取符號級上下行配置

4 結語

5GNRTDD信號的幀結構具有靈活性和動態性，如何對其自動檢測是一個十分有意義的研究課題。本文提出了基于大津算法的自動檢測方法，其中通過設置時隙持續長度門限的方法可以有效過濾掉異常時隙。筆者后續又針對各種上下行配置進行了實際測試，算法都可以準確檢測，充分驗證了該方法的有效性和準確性。