0   引言

隨著新一代無線通信技術的快速發展，由于其大帶寬的特點，5G 通信信號給信號處理和測試指標分析帶來了新的挑戰，在對信號進行頻域分析時，作為帶外發射的重要測試項，ACLR 是信號頻譜分析的重要測量指標，它反映了主信道信號對鄰道造成的干擾情況；為提高ACLR 測量精度，本文提出一種低復雜度的基于5G寬帶通信信號的ACLR 測試方法。

作者簡介：劉永康（1992—），男，安徽亳州，碩士，主要從事4G5G物理層算法開發、DSP信號處理設計。

1   ACLR測試流程

ACLR（adjacent channel leakage ratio，鄰道泄漏抑制比）是主信道與鄰信道之間的功率比值，反映主信道信號對鄰道造成的干擾情況^[1]。如果ACLR 越大，說明主信道的泄漏功率越小，通信系統的性能就越好；ACLR 越小，主信道泄漏功率越大，通信的性能就越差，其主要測試流程如圖1 所示。在取得原始數據后，選取固定長度數據循環做FFT，取均值后按照信號源帶寬、數據采樣帶寬、FFT 長度等參數，計算主信道功率和鄰道功率，最后計算兩者的功率比值[2]，得到相應ACLR 測量結果。

在對接收到的信號進行頻域分析時，需要在FFT 之前加窗，減少頻譜泄露，本文采用的是高斯窗，其時域、頻域圖形如圖2 所示。

圖2 高斯窗時頻域圖形

在實際測試過程中，由于頻率響應的存在，會影響到信號的頻譜功率測量，實驗中根據信號系統環境中無有效信號底噪數據的頻譜分析，來縮小頻響特性的影響。

2   仿真開發與驗證測試

2.1 5GNR寬帶信號驗證測試

實驗使用MATLAB 進行仿真開發，ACLR 仿真測試流程如圖3 所示。在獲取原始數據后，在時域加高斯窗，然后將時域信號轉換為頻域信號，在分別求主信道和鄰道功率的同時，根據測試環境抓取的底噪數據進行底噪均衡，減小頻響特性造成的誤差，計算出相應的ACLR 值。

實驗中使用頻譜分析儀抓取信號源數據進行測試分析，并對比分析儀 測試結果進行驗證。

實驗過程中分別測試驗證了5G NR FDD 50 MHz、100 MHz、200 MHz 等帶寬信號，50 MHz 帶寬信號鄰道ACLR 測試結果如圖4 所示，100 MHz 帶寬信號鄰道ACLR 測試結果如圖5 所示，200 MHz 帶寬信號鄰道ACLR 測試結果如圖6 所示。

實驗中使用羅德信號源200A 分別發送5G NR FDD50 MHz 帶寬、100 MHz 帶寬和200 MHz 帶寬信號，功率從-6 dBm 遞減到-80 dBm。

圖7 FSW分析儀200 MHz帶寬數據ACLR測試圖

分析儀使用羅德FSW，主信道、鄰道帶寬分別設置為50 MHz、100 MHz 和200 MHz， 采樣率分別為307.2 MHz、614.4 MHz、1228.8 MHz， 參考0 dBm，sweep time-10 ms，sweep point-4096。圖7 是FSW 分析儀200M 帶寬數據ACLR 測試圖。在之前確定的高斯窗和噪聲系數下，分別對新抓取的50 M、100 M 和200 M 帶寬5GNR 信號進行測試；對比結果顯示ACLR差值除去個別值大于2 dB 外，其余大部分穩定在1 dB以內。鄰道ACLR 差值均在1.5 dB 以內。

2.2 加高斯白噪聲數據驗證

使用信號源200A 發送5G NR FDD 50 MHz 帶寬信號，信號功率-10 dBm，加噪聲，噪聲功率遞減。設置分析儀FSW 主信道、鄰道帶寬為50 MHz，采樣率為307.2 MHz， 參考0 dBm，sweep time-10 ms，sweep point-4096。

圖9 FSW分析儀附加噪聲50 MHz帶寬數據ACLR測試圖

如圖8 所示， 噪聲功率由-20 dBm 逐漸遞減到-55 dBm，噪聲帶寬覆蓋整個測試帶寬（150 M），對應載噪比分別為10 dB、15 dB、20 dB …… ，一直遞增到45 dB。圖9 是FSW 分析儀50 M 帶寬數據ACLR 測試圖。實驗結果顯示：ACLR 誤差在1.5 dB 范圍內，算法適用此場景下ACLR 測試。

2.3 本地測試儀平臺驗證

實驗測試環境使用信號源200A 發送20 MHz 帶寬信號，功率從0 dB 逐漸遞減。如圖10 所示，分析儀使用中電科思儀科技（安徽）有限公司生產研制的5G 多通道綜測儀5252D，采用切換本振頻點的方法進行大帶寬ACLR 測試[4]，5252D 使用的ACLR 測試方法已更改為仿真測試算法，實驗中使用5252D 抓取信號源信號（采樣率122.88 M），并進行ACLR 分析。

圖10 5252D綜測儀ACLR測試圖

如圖11，FSW 和5252D 主信道功率測試結果誤差不超過1 dB；如圖12，在ACLR 測試待研究。后續將在圖像預處理和字符識別方面進行優化，即將著手的工作如下：

1）研究生產日期標簽污損情況下的字符識別。

2）識別結果僅顯示于界面，未能聯系產品進行操控。

3）進一步提高字符識別的速度和正確率。

參考文獻：

[1] 于穎.追溯無國界——追溯實施中的軟件,自動化與數據標準化[J].中國自動識別技術,2015(4):60-64.

[2] 王德青,吾守爾·斯拉木,許苗苗.場景文字識別技術研究綜述[J].計算機工程與應用,2020,56(18):1-15.

[3] 李志昂,李少波,白強,等.基于視覺的機器人目標抓取研究[J].組合機床與自動化加工技術,2020(9):108-111.

[4] 馬鎖冬,曾春梅,許峰.基于4f系統的光學圖像加密與解密仿真教學[J].大學物理實驗,2018,31(6):39-45.

[5] 石鵬飛,劉慧.基于OpenCV的偏光片檢測方法[J].機械管理開發,2020,35(10):162-164+202.

[6] 陳飛.改進的交互式Otsu紅外圖像分割算法[J].計算機測量與控制,2020,28(9):248-251.

[7] 李藝杰,鄒坤霖,孫煒,等.基于Sauvola算法和神經網絡的圖像自適應二值化方法[J].測控技術,2020,39(8):62-69+75.

[8] 趙慧娟,姜盼松,黃文聰.基于圖像識別算法的圖像傳感器質量檢測方法改善研究[J].工業工程,2020,23(3):115-122.

[9] 白松讓,段敏,曹景勝,等.基于OpenCV的車道線智能檢測和識別[J].遼寧工業大學學報(自然科學版),2020,40(2):92-95.

（本文來源于《電子產品世界》雜志2021年7月期）