OFDM系统中基于dmrs导频的时间跟踪、频率跟踪算法

news2025/2/5 5:52:55

目录

    • 发射端模型假设
    • 接收端模型假设
    • 时延估计(时间跟踪)
    • 频偏估计(频率跟踪)

在OFDM系统中,为了估计出信号传输遇到的时间偏移和频率偏移,可以采用导频进行估计。

发射端模型假设

我们假设如下模型:
一个时隙有14个ofdm符号,每个符号有1024个子载波。
其中792个子载波是数据子载波,232个子载波是空载波。
其中OFDM3和OFDM13的792个子载波中含有dmrs导频符号(频域)。

图中所示分别为ofdm3和ofdm13的频域帧结构,阴影部分为dmrs导频,其他地方为空。ofdm3和ofdm13的导频结构正交,导频间隔4个子载波,在792个有效子载波中共有198个导频符号。

X 4 k + 1 , 3 表示 o f d m 3 中导频位置为第 4 k + 1 个子载波, k = 0 − 197 X_{4k+1,3}表示ofdm3中导频位置为第4k+1个子载波,k=0 - 197 X4k+1,3表示ofdm3中导频位置为第4k+1个子载波,k=0197 X 4 k + 3 , 13 表示 o f d m 13 中导频位置为第 4 k + 3 个子载波, k = 0 − 197 X_{4k+3,13}表示ofdm13中导频位置为第4k+3个子载波,k=0 - 197 X4k+3,13表示ofdm13中导频位置为第4k+3个子载波,k=0197

构建发射端模型为:
x n , M = 1 N ∑ k = − 512 511 X k , M e j 2 π n k N , n = 1 − 1024 x_{n,M} = \frac{1}{N} \sum_{k=-512}^{511} X_{k,M} e^{j\frac{2\pi nk}{N}} , n=1-1024 xn,M=N1k=512511Xk,MejN2πnk,n=11024

x n , M x_{n,M} xn,M为时域第M个ofdm符号的第n个码片, X k , M X_{k,M} Xk,M为频域第M个ofdm符号的第k个子载波符号。
经过信道传输后,引入时延 τ \tau τ和频偏 f d f_d fd

接收端模型假设

则接收端接收模型可表示为:
y n , M = h ⨂ x n − τ , M e j 2 π f d t M + w n , M y_{n,M}= h\bigotimes x_{n-\tau,M} e ^{j2\pi f_d t_M} + w_{n,M} yn,M=hxnτ,Mej2πfdtM+wn,M
其中, t M t_M tM表示接收到ofdm M的时间,不妨假设 t 3 = 0 t_3=0 t3=0 t 13 = △ t t_{13}=\bigtriangleup t t13=t w n , M w_{n,M} wn,M表示噪声。
假设信道是时域上不变,频域上变化的。即对于同一个子载波,不同时间的信道响应是相同的。但是同一时间,不同子载波的信道响应不相同。
将上式转换为频域表达式可得
Y k , 3 = H k X k , 3 e − j 2 π k N τ + W k , 3 Y_{k,3}=H_{k} X_{k,3} e^{-j \frac{2\pi k}{N} \tau} +W_{k,3} Yk,3=HkXk,3ejN2πkτ+Wk,3
Y k , 13 = H k X k , 13 e − j 2 π k N τ e j 2 π f d △ t + W k , 13 Y_{k,13}=H_{k} X_{k,13} e^{-j \frac{2\pi k}{N} \tau} e^{j 2\pi f_d \bigtriangleup t}+W_{k,13} Yk,13=HkXk,13ejN2πkτej2πfdt+Wk,13

观察第一个表达式我们可以得知,时延 τ \tau τ产生的相偏影响对于同一个ofdm符号的不同子载波是不同的,但是与时间无关,也就是对每个ofdm符号的影响是相同的。

观察第二个表达式我们可以得知,频偏 f d f_d fd对ofdm系统产生的相偏影响与时间t有关,和子载波k无关。也就是对于不同ofdm符号的影响是不同的,但是对于同一个ofdm符号的不同子载波是相同的

我们的目的就是估计出时延 τ \tau τ和频偏 f d f_d fd

时延估计(时间跟踪)

在已知导频的情况下,我们只需要提取出导频位置的子载波进行如下计算(*表示共轭):
Y 4 k + 1 , 3 X 4 k + 1 , 3 ∗ = ∣ X 4 k + 1 , 3 ∣ 2 H 4 k + 1 e − j 2 π ( 4 k + 1 ) N τ + W 4 k + 1 , 3 Y_{4k+1,3}X_{4k+1,3}^* = |X_{4k+1,3}|^2 H_{4k+1} e^{-j \frac{2\pi (4k+1)}{N} \tau}+W_{4k+1,3} Y4k+1,3X4k+1,3=X4k+1,32H4k+1ejN2π(4k+1)τ+W4k+1,3
Y 4 k + 3 , 13 X 4 k + 3 , 13 ∗ = ∣ X 4 k + 3 , 13 ∣ 2 H 4 k + 3 e − j 2 π ( 4 k + 3 ) N τ e j 2 π f d △ t + W 4 k + 3 , 3 Y_{4k+3,13}X_{4k+3,13}^* = |X_{4k+3,13}|^2 H_{4k+3} e^{-j \frac{2\pi (4k+3)}{N} \tau}e^{j 2\pi f_d \bigtriangleup t}+W_{4k+3,3} Y4k+3,13X4k+3,13=X4k+3,132H4k+3ejN2π(4k+3)τej2πfdt+W4k+3,3
考虑到ofdm3和ofdm13的导频是正交的,他们所对应的子载波不同,他们不能直接共轭相乘,因此需要做如下步骤假设:

可以将上式化简为

Y k 1 , 3 X k 1 , 3 ∗ = ∣ X k 1 , 3 ∣ 2 H k 1 e − j 2 π k 1 N τ + W k 1 , 3 Y_{k_1,3}X_{k_1,3}^* = |X_{k_1,3}|^2 H_{k_1} e^{-j \frac{2\pi k_1}{N} \tau}+W_{k_1,3} Yk1,3Xk1,3=Xk1,32Hk1ejN2πk1τ+Wk1,3 Y k 3 , 3 X k 3 , 3 ∗ = ∣ X k 3 , 3 ∣ 2 H k 3 e − j 2 π k 3 N τ + W k 3 , 3 Y_{k_3,3}X_{k_3,3}^* = |X_{k_3,3}|^2 H_{k_3} e^{-j \frac{2\pi k_3}{N} \tau}+W_{k_3,3} Yk3,3Xk3,3=Xk3,32Hk3ejN2πk3τ+Wk3,3 Y k 2 , 13 X k 2 , 13 ∗ = ∣ X k 2 , 13 ∣ 2 H k 2 e − j 2 π k 2 N τ e j 2 π f d △ t + W k 2 , 3 Y_{k_2,13}X_{k_2,13}^* = |X_{k_2,13}|^2 H_{k_2} e^{-j \frac{2\pi k_2}{N} \tau}e^{j 2\pi f_d \bigtriangleup t}+W_{k_2,3} Yk2,13Xk2,13=Xk2,132Hk2ejN2πk2τej2πfdt+Wk2,3 Y k 4 , 13 X k 4 , 13 ∗ = ∣ X k 4 , 13 ∣ 2 H k 4 e − j 2 π k 4 N τ e j 2 π f d △ t + W k 4 , 3 Y_{k_4,13}X_{k_4,13}^* = |X_{k_4,13}|^2 H_{k_4} e^{-j \frac{2\pi k_4}{N} \tau}e^{j 2\pi f_d \bigtriangleup t}+W_{k_4,3} Yk4,13Xk4,13=Xk4,132Hk4ejN2πk4τej2πfdt+Wk4,3

接下来我们令:

   ( Y k 1 , 3 X k 1 , 3 ∗ ) ( Y k 3 , 3 X k 3 , 3 ∗ ) ∗ = ( ∣ X k 1 , 3 ∣ 2 H k 1 e − j 2 π k 1 N τ + W k 1 , 3 ) ( ∣ X k 3 , 3 ∣ 2 H k 3 e − j 2 π k 3 N τ + W k 3 , 3 ) ∗    = ∣ X k 1 , 3 ∣ 2 ∣ X k 3 , 3 ∣ 2 H k 1 H k 3 ∗ e − j 2 π k 1 N τ e j 2 π k 3 N τ + W 3    假设信道平坦,我们可以得到 H k 1 = H k 3 ,此处 W 3 指代所有的噪声项   = ∣ X k 1 , 3 ∣ 2 ∣ X k 3 , 3 ∣ 2 ∣ H k 1 ∣ 2 e j 2 π ( k 3 − k 1 ) N τ + W 3    \begin{aligned}   (Y_{k_1,3}X_{k_1,3}^*)(Y_{k_3,3}X_{k_3,3}^*)^* &= (|X_{k_1,3}|^2 H_{k_1} e^{-j \frac{2\pi k_1}{N} \tau}+W_{k_1,3})(|X_{k_3,3}|^2 H_{k_3} e^{-j \frac{2\pi k_3}{N} \tau}+W_{k_3,3})^*   \\&=|X_{k_1,3}|^2|X_{k_3,3}|^2H_{k_1}H_{k_3}^*e^{-j \frac{2\pi k_1}{N} \tau}e^{j \frac{2\pi k_3}{N} \tau} +W_{3}   \\&假设信道平坦,我们可以得到H_{k_1}=H_{k_3},此处W_{3}指代所有的噪声项   \\&=|X_{k_1,3}|^2|X_{k_3,3}|^2|H_{k_1}|^2e^{j \frac{2\pi (k_3 - k_1)}{N} \tau}+W_{3}   \end{aligned}   (Yk1,3Xk1,3)(Yk3,3Xk3,3)=(Xk1,32Hk1ejN2πk1τ+Wk1,3)(Xk3,32Hk3ejN2πk3τ+Wk3,3)  =Xk1,32Xk3,32Hk1Hk3ejN2πk1τejN2πk3τ+W3  假设信道平坦,我们可以得到Hk1=Hk3,此处W3指代所有的噪声项  =Xk1,32Xk3,32Hk12ejN2π(k3k1)τ+W3  
 对99*2组导频进行累加,因为噪声W是白噪声,累加之后趋于0,可以忽略。
 累加之后再开平方可得
  N p 2 ∣ X k 1 , 3 ∣ ∣ X k 3 , 3 ∣ ∣ H k 1 ∣ e j 2 π ( k 3 − k 1 ) 2 N τ = N p 2 ∣ X k 1 , 3 ∣ ∣ X k 3 , 3 ∣ ∣ H k 1 ∣ e j 2 π ( k 2 − k 1 ) N τ \frac{N_p}{2}|X_{k_1,3}||X_{k_3,3}||H_{k_1}|e^{j \frac{2\pi (k_3 - k_1)}{2N} \tau}=\frac{N_p}{2}|X_{k_1,3}||X_{k_3,3}||H_{k_1}|e^{j \frac{2\pi (k_2 - k_1)}{N} \tau} 2NpXk1,3∣∣Xk3,3∣∣Hk1ej2N2π(k3k1)τ=2NpXk1,3∣∣Xk3,3∣∣Hk1ejN2π(k2k1)τ
 对于该结果,我们求其角度值可得
  θ = 2 π ( k 2 − k 1 ) N τ \theta = \frac{2\pi (k_2 - k_1)}{N}\tau θ=N2π(k2k1)τ
 根据帧结构我们可知 k 2 − k 1 = 2 k_2 - k_1=2 k2k1=2 N = 1024 N=1024 N=1024,带入即可求得时延 τ = θ N 2 π ( k 2 − k 1 ) \tau=\frac{\theta N}{2 \pi (k_2 - k_1)} τ=2π(k2k1)θN
 注意,由于 θ \theta θ的范围在 − π , π -\pi,\pi π,π之间,因此,可以估算出的时延 τ \tau τ是有一个范围的。

频偏估计(频率跟踪)

在已经求得时延 τ \tau τ的基础上,我们进一步求频偏 f d f_d fd
接下来我们令:

   ( Y k 2 , 13 X k 2 , 13 ∗ ) ( Y k 1 , 3 X k 1 , 3 ∗ ) ∗ = ( ∣ X k 2 , 13 ∣ 2 H k 2 e − j 2 π k 2 N τ e j 2 π f d △ t + W k 2 , 13 ) ( ∣ X k 1 , 3 ∣ 2 H k 1 e − j 2 π k 1 N τ + W k 1 , 3 ) ∗    = ∣ X k 2 , 13 ∣ 2 ∣ X k 1 , 3 ∣ 2 H k 2 H k 1 ∗ e − j 2 π k 2 N τ e j 2 π k 1 N τ e j 2 π f d △ t + W    假设信道平坦,我们可以得到 H k 1 = H k 2 ,此处 W 指代所有的噪声项   = ∣ X k 2 , 13 ∣ 2 ∣ X k 1 , 3 ∣ 2 ∣ H k 2 ∣ 2 e j 2 π ( k 1 − k 2 ) N τ e j 2 π f d △ t + W    \begin{aligned}   (Y_{k_2,13}X_{k_2,13}^*)(Y_{k_1,3}X_{k_1,3}^*)^* &= (|X_{k_2,13}|^2 H_{k_2} e^{-j \frac{2\pi k_2}{N} \tau}e^{j 2\pi f_d \bigtriangleup t}+W_{k_2,13})(|X_{k_1,3}|^2 H_{k_1} e^{-j \frac{2\pi k_1}{N} \tau}+W_{k_1,3})^*   \\&=|X_{k_2,13}|^2|X_{k_1,3}|^2H_{k_2}H_{k_1}^*e^{-j \frac{2\pi k_2}{N} \tau}e^{j \frac{2\pi k_1}{N} \tau} e^{j 2\pi f_d \bigtriangleup t} +W   \\&假设信道平坦,我们可以得到H_{k_1}=H_{k_2},此处W指代所有的噪声项   \\&=|X_{k_2,13}|^2|X_{k_1,3}|^2|H_{k_2}|^2e^{j \frac{2\pi (k_1-k_2) }{N} \tau} e^{j 2\pi f_d \bigtriangleup t} +W   \end{aligned}   (Yk2,13Xk2,13)(Yk1,3Xk1,3)=(Xk2,132Hk2ejN2πk2τej2πfdt+Wk2,13)(Xk1,32Hk1ejN2πk1τ+Wk1,3)  =Xk2,132Xk1,32Hk2Hk1ejN2πk2τejN2πk1τej2πfdt+W  假设信道平坦,我们可以得到Hk1=Hk2,此处W指代所有的噪声项  =Xk2,132Xk1,32Hk22ejN2π(k1k2)τej2πfdt+W  
  累加可得
   N p 2 ∣ X k 2 , 13 ∣ 2 ∣ X k 1 , 3 ∣ 2 ∣ H k 2 ∣ 2 e j 2 π ( k 1 − k 2 ) N τ e j 2 π f d △ t \frac{N_p}{2}|X_{k_2,13}|^2|X_{k_1,3}|^2|H_{k_2}|^2e^{j \frac{2\pi (k_1-k_2) }{N} \tau} e^{j 2\pi f_d \bigtriangleup t} 2NpXk2,132Xk1,32Hk22ejN2π(k1k2)τej2πfdt
  我们在求时延 τ \tau τ的时候就已经计算得到 N p 2 ∣ X k 1 , 3 ∣ ∣ X k 3 , 3 ∣ ∣ H k 1 ∣ e j 2 π ( k 2 − k 1 ) N τ \frac{N_p}{2}|X_{k_1,3}||X_{k_3,3}||H_{k_1}|e^{j \frac{2\pi (k_2 - k_1)}{N} \tau} 2NpXk1,3∣∣Xk3,3∣∣Hk1ejN2π(k2k1)τ,二者相乘可得
   N p 2 4 ∣ X k 2 , 13 ∣ 2 ∣ X k 1 , 3 ∣ 2 ∣ H k 2 ∣ 2 ∣ X k 1 , 3 ∣ ∣ X k 3 , 3 ∣ ∣ H k 1 ∣ e j 2 π ( k 1 − k 2 + k 2 − k 1 ) N τ e j 2 π f d △ t = M e j 2 π f d △ t \frac{N_p^2}{4}|X_{k_2,13}|^2|X_{k_1,3}|^2|H_{k_2}|^2|X_{k_1,3}||X_{k_3,3}||H_{k_1}|e^{j \frac{2\pi (k_1-k_2+k_2-k_1) }{N} \tau} e^{j 2\pi f_d \bigtriangleup t} = M e^{j 2\pi f_d \bigtriangleup t} 4Np2Xk2,132Xk1,32Hk22Xk1,3∣∣Xk3,3∣∣Hk1ejN2π(k1k2+k2k1)τej2πfdt=Mej2πfdt
  对该结果求角度可得
   θ ‘ = 2 π f d △ t {\theta}^` = 2\pi f_d \bigtriangleup t θ=2πfdt
   △ t \bigtriangleup t t为ofdm3和ofdm13的时间间隔,带入即可轻松求得频偏 f d = θ ‘ 2 π △ t f_d = \frac{{\theta}^` }{2\pi \bigtriangleup t} fd=2πtθ
  注意,由于 θ ‘ {\theta}^` θ的范围在 − π , π -\pi,\pi π,π之间,因此,可以估算出的频偏 f d f_d fd是有一个范围的。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/103250.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

如何熟练掌握运用Delft3D建模、水动力模拟方法及在地表水环境影响评价中的实践技术

Delft3D是由荷兰Delft大学WL Delft Hydraulics开发的一套功能强大的软件包,主要应用于自由地表水环境。该软件具有灵活的框架,能够模拟二维和三维的水流、波浪、水质、生态、泥沙输移及床底地貌,以及各个过程之间的相互作用。它是国际上最为先…

使用 C# Graphics 绘图来绘制一个足球

背景 2022卡塔尔世界杯是足球爱好者的狂欢,这与我毫无关系,作为一个缺乏运动的人,还是不要去看人家玩命的运动了。虽然不看球,不过这波热度的持续冲击,还是让我在朋友圈刷到了结局 ———— 球王梅西如愿以偿捧得金杯…

Bootstrap5 下拉菜单

下拉菜单可以是单选下拉菜单&#xff0c;也可以是多选的下拉菜单。 单选下拉菜单&#xff1a; 多选下拉菜单&#xff1a; 在 Bootstrap5 中下拉菜单 <select> 元素可以使用 .form-select 类来渲染 : 实例 <select class"form-select"> <option>…

内核启动过程分析

目录 一、内核源码获取查看 1.1、Source Insight使用 二、查看链接脚本 三、分析head.S 3.1、到入口前代码 3.2、内核启动的汇编阶段 四、main.c内核启动的c语言阶段 4.1、内核打印函数printk 4.2、启动信息 五、rest_init函数 5.1、进程0、进程1、进程2​编辑 5.2、…

详细复习云开发~小程序【搜索功能、登陆注册功能、点赞收藏评论功能、评论功能、CMS网页版管理后台】

文章目录一&#xff0c;搜索功能1-1&#xff0c;需求1-2&#xff0c;实现原理1-3&#xff0c;模糊搜索的代码实现1-3-1&#xff0c;模糊搜索单个字段1-3-2&#xff0c;模糊搜索多个字段&#xff08;满足一个即可&#xff09;1-3-3&#xff0c;模糊搜索多个字段&#xff08;要同…

python获取redis memory使用情况

项目研发过程中&#xff0c;用到Python操作Redis场景&#xff0c;记录学习过程中的心得体会。 一、环境搭建 Windows Anaconda3安装redis第3方包&#xff0c;pip install -u redis pip install -u # 升级安装 linux下查看redis配置信息bind 127.0.0.1 # 表示只允许本地访问,…

AssetBundle依赖打包有哪些注意点

1&#xff09;AssetBundle依赖打包有哪些注意点 ​2&#xff09;子程序集如何引用Assembly-CSharp.dll 3&#xff09;Unity的线性空间下自定义贴图在PS中修改问题 4&#xff09;如何关闭视锥体剔除 这是第318篇UWA技术知识分享的推送。今天我们继续为大家精选了若干和开发、优化…

CSS3之2D转换

文章目录2D转换一、transform1-1.2D转换之移动translate1-2.translate&#xff08;百分比&#xff09;盒子居中二、rotate2-1.旋转效果2-2.transform-origin设置旋转中心点三、2D转换之缩放scale四、2D转换综合写法总结2D转换 转换&#xff08;trabsform&#xff09;是CSS3中具…

SPDK块设备bdev简介

介绍 SPDK Bdev架构 SPDK块设备层&#xff08;通常简称为bdev&#xff09;是一个C库&#xff0c;旨在等同于操作系统块存储层&#xff0c;该层通常位于传统内核存储堆栈中设备驱动程序的正上方。具体来说&#xff0c;此库提供以下功能&#xff1a; 一种可插拔模块API&#xf…

Effective C++(二):构造/析构/赋值运算

个人读书记录&#xff0c;不适用教学内容。 目录 条款05&#xff1a;了解C默默编写并调用了哪些函数 条款06&#xff1a;若不想使用编译器自动生成的函数&#xff0c;就该明确拒绝 条款07&#xff1a;为多态基类声明virtual析构函数 条款08&#xff1a;别让异常逃离析构函数…

设备巡检系统哪个软件好?

本文将介绍&#xff1a;1、好用的设备巡检系统&#xff0c;2、评价设备巡检系统好用的标准&#xff1b;3、做好设备管理的几大关键 现今许多企业&#xff0c;尤其是制造业&#xff0c;规模日趋机械化、自动化、大型化、高速化和复杂化&#xff0c;对设备巡检工作的要求越加精细…

微信小程序网络请求

小程序的网络请求的文档是很少的&#xff0c;只提供了API&#xff0c;例子也不举。 基本使用 最简单的使用如下&#xff1a; 就是调用wx.request方法&#xff0c;这个方法已经能够应付大部分的网络请求了。 onLoad() {wx.request({url: http://123.207.32.32:1888/api/city/a…

我学python的那段日子(五)python中的函数

python中的函数 1.1自定义函数 1.1.1 函数的定义 ​ 和Java一样&#xff0c;python也有内置函数和自定义函数&#xff0c;内置函数是python已经定义好的函数&#xff0c;而自定义函数则是我们根据需要自己定义的函数。 ​ 语法 def 函数名称(参数): ​ 函数体 ​ 其中参数的…

一个转行学习前端的初学者,应该如何计划自己的学习规划?

就目前的发展来看&#xff0c;在语言排行中&#xff0c;前端多年霸主的地位还未被撼动&#xff0c;前端语言的特点就注定了很多公司会选用它&#xff0c;强大的第三方库使前端正在web端的强大无法被替代。目前由于大数据&#xff0c;人工智能的发展&#xff0c;互联网成为了发展…

Bootstrap5 复选框与单选框

如果您希望用户从预设选项列表中选择任意数量的选项&#xff0c;可以使用复选框&#xff1a; 实例 <div class"form-check"> <input class"form-check-input" type"checkbox" id"check1" name"option1" value&quo…

【Python机器学习】朴素贝叶斯分类的讲解及预测决策实战(图文解释 附源码)

需要代码请点赞关注收藏后评论区留言私信~~~ 朴素贝叶斯分类 朴素贝叶斯&#xff08;nave Bayes&#xff09;分类是基于贝叶斯定理与特征条件独立假定的分类方法。 设试验E的样本空间为S&#xff0c;A为E的事件&#xff0c;B_1&#xff0c;B_2&#xff0c;⋯&#xff0c;B_n为…

深入浅出理解Java并发AQS的共享锁模式

自定义共享锁例子 首先我们通过AQS实现一个非常最最最轻量简单的共享锁例子&#xff0c;帮助大家对共享锁有一个整体的感知。 Slf4j public class ShareLock {/*** 共享锁帮助类*/private static class ShareSync extends AbstractQueuedSynchronizer {private int lockCount…

C. Sequence Pair Weight(数学贡献法)

Problem - 1527C - Codeforces 序列的权重被定义为具有相同值&#xff08;aiaj&#xff09;的无序索引对&#xff08;i,j&#xff09;&#xff08;这里i<j&#xff09;的数量。例如&#xff0c;序列a[1,1,2,2,1]的权重是4&#xff0c;具有相同值的无序索引对的集合是&#x…

结构篇-适配器模式

文章目录一、跨越鸿沟靠适配二、插头与插孔的冲突1.三相插孔接口2.两相插孔接口3.电视机机类TV4.客户端类二、通用适配1. 适配器2.客户端类三、专属适配1.电视机专属适配器2.客户端类总结1. 对象适配器2. 类适配器总结适配器模式(Adapter)通常也被称为转换器&#xff0c;顾名思…

数字孪生炒得火热,但好像对企业发展还没有任何实质性的突破,是否只是表面功夫?

首先&#xff0c;什么是数字孪生&#xff1f; ​ 数字孪生是充分利用物理模型、传感器更新、运行历史等数据&#xff0c;集成多学科、多物理量、多尺度、多概率的仿真过程&#xff0c;在虚拟空间中完成映射&#xff0c;从而反映相对应的实体装备的全生命周期过程。数字孪生是一…