基于大津算法的5GNR帧结构自动检测方法*

蔡文杰，丁 青

（1.上海诺基亚贝尔股份有限公司，江苏 南京 210037；2.南京农业大学，江苏 南京 210031）

0 引言

5G标准在制定之初就提出了3大场景[1]：增强移动宽带（enhanced Mobile BroadBand，eMBB）、超可靠低延时通信（Ultra-Reliable and Low Latency Communications，URLLC）、海量机器类通信（Massive Machine Type Communications，mMTC）。为了实现上述愿景，5G重新定义了比4G更为灵活的无线帧结构[2]，可以在符号级进行灵活配置，从而支持各种场景下的应用。由于5G新基站（New Radio，NR）的时分复用（Time-Division Duplex，TDD）上下行调度支持在符号级进行，所以在每个10 ms帧内，会存在比4G长期演进（Long Term Evolution，LTE）[3]更多的上下行配置组合。5G NR TDD上下行配置的灵活性和动态性给5G NR系统测试提出了更高的要求，在仪表上捕获天线口某10 ms帧信号，在进行频域转换和解调之前，需要先检测出帧结构信息（上下行配置）。大津算法是一种在图像分析领域广泛使用的自适应的阈值分类算法，本文把这个算法应用于5G NR帧结构检测，通过阈值分类把上下行时隙分开，进而得到最终的帧结构。

1 5G NR帧结构

5G NR的帧结构如图1所示，为了支持多种多样的部署场景，适应从低于1 GHz到毫米波的频谱范围，NR引入了灵活可变的μ。μ是 OFDM系统的基础参数集合[4]，包含子载波间隔、循环前缀、TTI长度和系统带宽等，目前支持的μ值可以取0～5，分别对应子载波间隔15～240 kHz。10ms帧包含的符号数由μ值决定，公式为

图1 5GNR帧结构

2 大津算法

大津算法（OTSU Algorithm）是由日本学者大津（Nobuyuki Otsu）于1979年提出的一种自适应的阈值确定方法[5]。它是按图像的灰度特性，将图像分成背景和目标两部分，或者说是寻找一个阈值T，将图像的颜色分为1,2,…,T和T+1,…,256两部分。算法分类的原理是让背景和目标之间的类间方差最大，因为背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，错分的可能性越小。

大津算法的类间方差公式为式（1），其中g为类间方差，ω0为前景的像素点数占整幅图像的比例，μ0为前景像素平均灰度；ω1为背景像素点数占整幅图像的比例，μ1为背景像素平均灰度。可以对阈值采用遍历的方法寻找到类间方差g的最大值，此时对应的阈值即为所求。

大津算法应用在图像分析时，图像根据灰度被分为背景和目标两部分。在做5G NR帧结构自动检测时，TDD时域信号可以根据幅度被分为TX（下行）时隙和RX（上行）时隙两类。

3 设计实现

具体设计框图如图2所示，首先使用SA系列频谱分析仪捕获时域IQ信号，然后针对IQ信号的幅值进行大津阈值分类并二值化，接着进行TX/RX时隙识别，然后去除伪影和过冲，最后求得符号级的上下行配置。

图2 设计实现框图

下面将以如图3所示的初始上下行配置为例，来介绍完整的实现过程。

第1步，捕获时域IQ信号，需要注意两点：一是使用基站的10 ms trigger作为SA的trigger信号，确保帧头对齐；二是要设置足够高的采样率，确保每个符号时间都有足够的采样点数。图4是捕获的原始IQ数据，子载波间隔为30 kHz，捕获时长为10 ms，包含帧的符号数为280，采样率为5 MHz，采样点数为50001，单符号时间的采样点数=50 001/280 ≈178.5。

图4 捕获的原始IQ数据

第2步，进行OSTU幅值分类并二值化，首先根据IQ计算幅值然后对幅值进行大津阈值分类，图5是大津阈值分类后获得的直方图，可以明显看出，TX时隙和RX时隙很容易区分：中间是大津分类算法确定的阈值（约0.34 V）；所有左侧的点幅值＜阈值，对应RX时隙；而所有右侧的点幅值＞阈值，对应TX时隙。

图5 大津阈值分类

接着进行二值化处理，低于阈值0.34 V的取0，高于阈值0.34 V取1，即归为TX时隙的采样点取1值，归为 RX时隙的采样点取0值，由此可以得到一个初始二进制的采样序列（见图6）。

图6 初始二进制的采样序列

第3步，进行TX/RX时隙识别，对上面得到的二进制采样序列进一步处理，合并连续的1或者0，形成对应的TX和RX时隙，图7就是一个合并操作之后的结果。从中可以看出，除了正常的连续TX/RX时隙，有时会因为信号过冲或采样失真导致本来连续的时隙中出现若干异常时隙，图中最后一个RX时隙中，在中间出现了2个被误判为RX的异常时隙（时隙持续长度为1）。

图7 TX/RX时隙识别

第4步，去除伪影和过冲。为了得到正确的5G NR帧结构，必须去除第3步中那些异常时隙。具体的处理方法是，可以通过设定一个时隙持续长度门限来实现，删除小于门限的异常时隙，然后合并同类相邻时隙。异常时隙通常都很短，而正常时隙通常很长，因此可以设定一个比一般异常时隙稍大的门限（如10），以确保删除异常时隙的同时又不会影响正常时隙。图8是去除伪影和过冲之后得到的最终时隙序列。

图8 去除伪影和过冲

第5步，获取符号级上下行设置。将最终时隙序列除以前面单个符号时间的采样点个数（178.5），四舍五入之后就可以获得最终的如图9所示的符号级上下行配置，与图3的初始上下行配置完全吻合。

图9 获取符号级上下行配置

4 结语

5GNRTDD信号的帧结构具有灵活性和动态性，如何对其自动检测是一个十分有意义的研究课题。本文提出了基于大津算法的自动检测方法，其中通过设置时隙持续长度门限的方法可以有效过滤掉异常时隙。笔者后续又针对各种上下行配置进行了实际测试，算法都可以准确检测，充分验证了该方法的有效性和准确性。