5 g的工具箱

模拟、分析和测试5G通信系统

5G工具箱™为5G新无线电(NR)通信系统的建模、仿真和验证提供了符合标准的功能和参考示例。工具箱支持链路级仿真、黄金宝app金参考验证、一致性测试和测试波形生成。

使用工具箱,您可以配置、模拟、测量和分析端到端5G NR通信链路。您可以修改或自定义工具箱功能,并将其用作实现5G系统和设备的参考模型。

工具箱提供功能和参考示例,帮助您描述上行和下行基带规范,并模拟射频设计和干扰源对系统性能的影响。您可以使用无线波形发生器应用程序以编程方式或交互式方式生成波形并定制测试工作台。使用这些波形,您可以验证您的设计、原型和实现符合3GPP 5G NR规范。

开始:

波形的一代

为3GPP 5G NR Release 15生成符合标准的波形。使用生成的波形作为您的5G设计的黄金参考。

NR副载波和数字命理学

基于灵活NR子载波间距 和帧数字,包括载波带宽部分(CBP),生成5G NR上行和下行载波波形。

下行载波波形产生。

无线波形生成应用

生成5G NR测试模型(NR- tm)和NR上行和下行固定参考信道(FRC)波形。增加RF损害,如AWGN,相位偏移,频率偏移,直流偏移,IQ不平衡,和无记忆立方非线性。在星座图、频谱分析仪、OFDM网格和时间范围图中可视化。

使用无线波形发生器应用程序生成测试模型。

链接级仿真

执行5G NR Release 15的链路级模拟。执行发射机、信道建模和接收机操作。通过计算块错误率(BLER)和吞吐量指标分析链路性能。

传播信道模型

使用TR 38.901传播信道模型进行块错误率(BLER)仿真。描述和模拟集群延迟线(CDL)和抽头延迟线(TDL)信道模型。

TDL信道模型路径增益。

吞吐量测试

描述5G NR链路级性能,并测量物理下行共享通道(PDSCH)和物理上行共享通道(PUSCH)吞吐量。

NR PDSCH吞吐量。

测试和测量

建立测试模型并描述发射机和接收机的性能

射频建模与测试

评估5G射频发射机的性能。NR射频接收机在有干扰的情况下进行建模和测试。

一种5G NR射频发射机的EVM性能。

联系测量

描述RF链路性能。测量相邻通道泄漏比(ACLR)和误差矢量大小(EVM)度量。

5G NR测试模型的ACLR测量。

下行和上行信道和信号

模拟5G NR下行和上行处理。配置和生成物理信号和通道。

下行和上行通道

创建下行和上行物理信道,包括共享(PDSCH和PUSCH)、控制(PDCCH和PUCCH)、随机访问(PRACH)和广播(PBCH)信道。

PUSCH和PUCCH频道。

同步信号阻塞和突发。

控制信息和传输通道

配置和生成下行传输通道(BCH, DL-SCH)和上行和下行(UCI, DCI)控制信息。

传输通道

使用低密度奇偶校验(LDPC)编码对传输信道进行编码和解码,包括上行和下行共享信道(UL-SCH和DL-SCH)。

5G NR极性编码。

手机搜索程序

执行cell搜索和选择过程来获取初始系统信息,包括主信息块(MIB)。

同步

构造一个包含同步信号(SS)突发的波形,通过衰落信道传递波形,并盲目同步以接收波形。

NR同步程序。

选择过程和MIB解码

对Master Information Block (MIB)进行解码。对物理随机接入信道(PRACH)漏检一致性测试进行建模。

BCH解码和MIB解析。

系统级仿真

模拟5G NR网络中多个用户设备之间的频时资源共享。

调度

评估介质访问控制(MAC)调度策略在时分双工(TDD)和频分双工(FDD)两种模式下的性能。

NR PUSCH MAC调度。

开放的、可定制的算法

使用5G NR可定制和可编辑算法作为设计验证的黄金参考。使用MATLAB编码器从开放的MATLAB算法生成C代码

开放的MATLAB代码

使用表示为开放和可定制的MATLAB的发射机、信道模型和接收机操作®代码。

开放和可定制的MATLAB代码。

C和c++代码生成

从使用5G工具箱的MATLAB应用程序生成可移植的C或c++源代码,独立的可执行程序,或独立的应用程序。

C / c++代码生成。

最新的特性

无线波金宝app形发生器应用程序支持5G

使用无线波形发生器应用程序生成NR-TM和上行和下行FRC波形

金宝app支持DM-RS和PT-RS信号

用于信道估计和相位跟踪的模型解调参考信号(DM-RS)和相位跟踪参考信号(PT-RS)

金宝app支持SRS信号

上行信道探测模型探测参考信号(SRS)

金宝app支持PRACH物理通道

模型物理随机访问信道(PRACH)用于初始系统访问

用于5G信道估计的深度学习数据合成

为用于5G信道估计的卷积神经网络(CNN)生成深度学习训练数据

看到发布说明有关这些特性和相应功能的详细信息。