Design of physical random access channel for new radio (5G)

This work focuses on the design of Physical Random Access CHannel (PRACH) for New Radio(5G) and implementing a simulator in matlab. PRACH is a physical uplink channel responsible for random access procedure. I implemented a simulator which comprises of a transmitter and receiver. The design of PRACH must follow 3GPP specification, so that it would be compatible with the industry requirements. Our initial idea is to adapt the existing LTE simulator (which was designed for PRACH in LTE) to 5G standard. The adaptation part must include introduction of numerology in the frame structure and support for OFDMA as these are some of the noticeable changes in the transition from LTE to NR. The transmitter part has been successfully adapted, so is the receiver but with a small issue. After using the same detection algorithm that was used for LTE, we realized that there is degradation in the performance due to detection of false peak (extra peak that is being detected along with the original peak). The main challenge was to design an algorithm which can avoid detecting or eliminate this false peak, which is appearing so randomly. We believed a conventional approach to this problem is not suitable, we should employ a machine learning based approach. The reason for choosing machine learning is the nature of the issue, it clearly is the problem of classification. There are very good algorithms in literature for this specific issue, so we preferred to use classification algorithms to differentiate the false peak with the original peak (preamble). Our idea is to collect the data (mean and variance of the power delay profile of the received signal) using the existing receiver. And then use this data to predict the response of the received signal. After testing several algorithms like K - NN, Naïve Bayes, DTC on the collected data using the machine learning tool in matlab, we believed this idea would work. After employing this technique, we observed improvement in the performance. But it was still not sufficient, then we decided to use a hybrid method which combines DTC and Naïve Bayes to reach the performance target. This solved the problem of detecting two peaks and in doing so, it improved the performance of the receiver.

Questo lavoro si concentra sulla progettazione di Physical Random Access CHannel (PRACH) per New Radio (5G) e sull'implementazione di un simulatore in MATLAB. PRACH è un canale di uplink fisico responsabile della procedura di accesso casuale. Ho implementato un simulatore che comprende un trasmettitore e un ricevitore. La progettazione di PRACH deve seguire le specifiche 3GPP, in modo che sia compatibile con i requisiti del settore. La nostra idea iniziale è di adattare il simulatore LTE esistente (progettato per PRACH in LTE) allo standard 5G. La parte di adattamento deve includere l'introduzione della numerologia nella struttura del frame e il supporto per OFDMA in quanto questi sono alcuni dei cambiamenti evidenti nella transizione da LTE a NR. La parte del trasmettitore è stata adattata con successo, così è il ricevitore ma con un piccolo problema. Dopo aver utilizzato lo stesso algoritmo di rilevamento utilizzato per LTE, ci siamo resi conto che c'è un degrado nelle prestazioni dovuto al rilevamento del falso picco (picco extra che viene rilevato insieme al picco originale). La sfida principale era progettare un algoritmo in grado di evitare di rilevare o eliminare questo falso picco, che appare in modo casuale. Credevamo che un approccio convenzionale a questo problema non fosse adatto, dovremmo impiegare un approccio basato sull'apprendimento automatico. La ragione per scegliere l'apprendimento automatico è la natura del problema, è chiaramente il problema della classificazione. Ci sono ottimi algoritmi in letteratura per questo specifico problema, quindi abbiamo preferito utilizzare algoritmi di classificazione per differenziare il falso picco con il picco originale (preambolo). La nostra idea è di raccogliere i dati (media e varianza del profilo del ritardo di potenza del segnale ricevuto) usando il ricevitore esistente. E quindi utilizzare questi dati per prevedere la risposta del segnale ricevuto. Dopo aver testato diversi algoritmi come K-NN, Naïve Bayes, DTC sui dati raccolti usando lo strumento di machine learning in MATLAB, credevamo che questa idea avrebbe funzionato. Dopo aver utilizzato questa tecnica, abbiamo osservato un miglioramento delle prestazioni. Ma non era ancora sufficiente, quindi abbiamo deciso di utilizzare un metodo ibrido che combina DTC e Naïve Bayes per raggiungere l'obiettivo prestazionale. Questo ha risolto il problema di rilevare due picchi e, così facendo, ha migliorato le prestazioni del ricevitore.