# Study of the Statistical Properties of SRS and DMRS for Machine Learning in 5G

##### Files
Perustieteiden korkeakoulu | Master's thesis
2021-12-14
##### Major/Subject
Applied Mathematics
SCI3053
##### Degree programme
Master’s Programme in Mathematics and Operations Research
en
64+7
##### Abstract
In today’s telecommunications world latency, data rates and reliability are crucial components in the quest to gain a market edge. 5G New Radio has been introduced as the successor of 4G. In order to achieve the potential of 5G new strategies and technologies must be explored. This thesis focuses on studying the statistical properties of two uplink reference signals: sounding reference signal (SRS) and demodulation reference signal (DMRS), in the context of machine learning in 5G. In this study, the goal was to map the fundamental similarities and differences between the two signal types, in an effort to determine whether a common machine learning algorithm could receive both signals in its input feature set. It was done by examining SRSs and DMRSs before and after channels with various mathematical tools. The results demonstrated the importance of Zadoff-Chu (ZC) sequence in the context of feature engineering, as the signals based on ZC experienced low autocorrelation even after they had been reshaped in a form suitable for ML. In addition, it was also possible to show that SRSs and DMRSs hold similar statistics. Finally, theunique features contained therein also indicated that it is theoretically possible for one ML algorithm to use both signals as input.

Modernien tietoliikennejärjestelmien latenssi, datanopeudet ja toimintavarmuus ovat ratkaisevia tekijöitä pyrittäessä saavuttamaan markkinaetu. 5G on otettu käyttöön 4G:n seuraajana ja 5G:n täyden potentiaalin saavuttamiseksi on kehitettävä uusia lähetin- ja vastaanotinalgoritmeja. Tämä diplomityö keskittyy tutkimaan kahden referenssisignaalin, luotausreferenssisignaalin, eli sounding reference signal (SRS), ja demodulaatioreferenssisignaalin, eli demodulation reference signal (DMRS), tilastollisia ominaisuuksia 5G:ssä koneoppimisen näkökulmasta. Tutkimuksessa tavoitteena oli kartoittaa näiden kahden signaalityypin perustavanlaatuiset erot ja yhtäläisyydet sen selvittämiseksi, voisiko molempia signaaleja käyttää saman koneoppimisalgoritmin syötteenä. Tämä toteutettiin tarkastelemalla signaaleja ennen kanavia ja kanavien jälkeen erilaisia matemaattisia työkaluja hyödyntäen. Tulokset osoittivat Zadoff-Chu (ZC) sarjan tärkeyden ominaisuuksien suunnittelun näkökulmasta, koska ZC sarjoihin perustuvilla signaaleilla oli pieni autokorrelaatio senkin jälkeen, kun signaalit oli muotoiltu koneoppimisalgoritmille sopivaan muotoon. Lisäksi oli mahdollista osoittaa, että SRS ja DMRS ovat tilastollisesti samanlaiset. Niillä oli myös havaittavissa erottavia ominaisuuksia, jotka osoittavat, että on teoriassa mahdollista käyttää molempia signaaleja saman koneoppimisalgoritmin syötteenä.
Wichman, Risto