《掌握AI + 6G無線行動通訊網路🌐》67/100 TDD vs FDD 🕑 上下行用時間切或頻率切!

更新 發佈閱讀 6 分鐘

《掌握AI + 6G無線行動通訊網路 —— 超高速、零延遲、智慧城市全攻略 🌐》

67/100 📌 第 7 周:頻譜與無線資源管理 - 分配頻率與時槽以提升容量和效率。

67. TDD vs FDD 🕑

上下行用時間切或頻率切!

________________________________________

🎯 單元導讀

行動網路要同時處理 下行(下載) 與 上行(上傳),關鍵在於如何分配頻譜。

👉 兩大典型模式:

FDD(Frequency Division Duplex) —— 用不同頻段切開上下行。

TDD(Time Division Duplex) —— 用同一頻段,不同時間切換上下行。

兩者各有優缺點,也是 4G/5G 部署的重要考量。

________________________________________

🧠 一、FDD(頻分雙工)

原理:上下行各有獨立頻段(成對出現)。

優點:

o 上/下行可同時傳輸,延遲低。

o 技術成熟,干擾管理相對簡單。

缺點:

o 需要成對頻譜,頻譜資源受限。

o 頻譜利用率可能不均衡(上傳需求通常小於下載)。

類比:兩條專用道路,一條上山、一條下山,互不干擾。

________________________________________

🧠 二、TDD(時分雙工)

原理:上下行共用同一頻段,用時間切換。

優點:

o 頻譜利用率高,可根據流量動態調整上下行比例(例如 DL:UL = 7:3)。

o 適合數據下載量遠大於上傳量的場景。

缺點:

o 上下行無法同時進行,存在切換延遲。

o 不同小區若配置不同上下行比例,容易產生干擾(Cross-link interference)。

類比:單一雙向道路,透過紅綠燈控制上下行交替通行。

________________________________________

🧠 三、應用場景

FDD:廣泛應用於 2G/3G/4G(低頻段,如 700MHz、1800MHz)。

TDD:4G/5G 主流(高頻段,如 2.6GHz、3.5GHz、毫米波),因可彈性調整上下行資源。

________________________________________

💻 四、ASCII 示意圖

FDD:頻率切分

┌─────────────┐

│ UL ↑ (1800 MHz) │

│ DL ↓ (1850 MHz) │

└─────────────┘

→ 上下行同時進行,頻譜固定分配

TDD:時間切分

│ UL ↑ │ DL ↓ │ DL ↓ │ UL ↑ │

→ 上下行交替進行,可動態調整比例

________________________________________

🧩 五、模擬題

1️⃣ 專業題

請比較 FDD 與 TDD 的差異,並說明為什麼 5G 高頻段多採用 TDD。

FDD(Frequency Division Duplex):

上行與下行分別使用不同的頻段(如上行 1800 MHz、下行 1900 MHz),可同時收發資料,延遲低、穩定度高,但需要成對頻譜。

TDD (Time Division Duplex):

上行與下行共用同一頻段,以時間區隔收發(例如 1ms 下行、1ms 上行),成本低、頻譜利用靈活。

為什麼 5G 高頻段多採 TDD?

因為高頻(如 3.5GHz、28GHz)頻譜資源連續、上下載流量不對稱,

TDD 可動態調整上下行比例、靈活配置時槽,更適合高速數據傳輸場景。

________________________________________

2️⃣ 應用題

題目:

若基地台位於商辦區,下行需求遠大於上行,應採哪種雙工方式?

解析:

應採 TDD,因其可調整上下行比例,例如設定 8:2(下行多、上行少),

能滿足用戶大量下載(看影片、傳資料)的需求,同時節省頻譜成本。

________________________________________

3️⃣ 情境題

題目:

若兩個相鄰 TDD 小區設定不同的上下行比例,會造成什麼問題?如何解決?

解析:

若時槽配置不同,當一區在「下行」而另一區在「上行」時,

訊號會互相干擾,產生 上下行干擾(UL-DL interference)。

解決方式:

採用**時序同步(Frame Synchronization)**讓各小區同時切換上下行。

使用 干擾協調(ICIC/eICIC) 或 動態 TDD 管理機制,

在不同小區間協調時槽比例,減少互相干擾。

➡️ 最終確保多小區環境下仍能維持穩定速率與低干擾品質。

____________________________________

✅ 六、小結與啟示

FDD:上下行分頻,延遲低,但需成對頻譜。

TDD:上下行分時,頻譜利用更靈活,但有干擾與切換延遲挑戰。

發展趨勢:低頻仍以 FDD 為主,高頻與 5G 新頻譜以 TDD 為核心。

👉 一句話總結:FDD 是「雙車道」,同時上山下山;TDD 是「單車道紅綠燈」,靈活交替分配資源。



留言
avatar-img
留言分享你的想法!
avatar-img
Hansen W的沙龍
19會員
520內容數
AIHANS沙龍是一個結合AI技術實戰、產業策略與自我成長的知識平台,主題涵蓋機器學習、生成式AI、創業經驗、財務規劃及哲學思辨。這裡不只提供系統化學習資源與實作案例,更強調理性思維與行動力的結合。無論你是AI初學者、創業者,還是追求人生升維的行者,都能在這裡找到前進的方向與志同道合的夥伴。
Hansen W的沙龍的其他內容
2025/11/11
載波聚合透過同頻或跨頻將多段頻譜合併成單一高速通道,提升用戶速率與頻譜利用率。是4G與5G關鍵技術,能整合零散頻段、擴大頻寬並支援高流量應用。
2025/11/11
載波聚合透過同頻或跨頻將多段頻譜合併成單一高速通道,提升用戶速率與頻譜利用率。是4G與5G關鍵技術,能整合零散頻段、擴大頻寬並支援高流量應用。
2025/11/11
功率控制透過調整發射功率,在清晰通訊與降低干擾間取得平衡。分為開迴路、閉迴路與快速控制,用於省電、穩定訊號與提升容量,是3G至5G上行鏈路的重要核心技術。
2025/11/11
功率控制透過調整發射功率,在清晰通訊與降低干擾間取得平衡。分為開迴路、閉迴路與快速控制,用於省電、穩定訊號與提升容量,是3G至5G上行鏈路的重要核心技術。
2025/11/11
DSS讓LTE與5G共用同一頻段,透過動態時頻分配實現兩代網路共存。可快速導入5G、提升頻譜效率並兼顧用戶體驗,是5G初期過渡期的關鍵頻譜共享技術。
2025/11/11
DSS讓LTE與5G共用同一頻段,透過動態時頻分配實現兩代網路共存。可快速導入5G、提升頻譜效率並兼顧用戶體驗,是5G初期過渡期的關鍵頻譜共享技術。
看更多
你可能也想看
Thumbnail
人工智慧源於20世紀初圖靈等人對計算與神經網絡的理論探索。1956年達特茅斯會議正式命名「人工智慧」,符號推理與專家系統興起,卻在1980年代因過度期待與技術瓶頸陷入「AI 冬天」。1990年代資料驅動與統計學習崛起,1997年深藍擊敗世界棋王成為象徵。
Thumbnail
人工智慧源於20世紀初圖靈等人對計算與神經網絡的理論探索。1956年達特茅斯會議正式命名「人工智慧」,符號推理與專家系統興起,卻在1980年代因過度期待與技術瓶頸陷入「AI 冬天」。1990年代資料驅動與統計學習崛起,1997年深藍擊敗世界棋王成為象徵。
Thumbnail
卷積神經網路(CNN)是一種專門用於處理影像的 AI 模型,其運作方式類似於人類大腦觀察圖像的方式,層層分析提取特徵。主要包含卷積層、池化層和全連接層。卷積層使用濾鏡提取局部特徵;池化層精簡數據並提升模型穩健性;全連接層進行最終分類。CNN 廣泛應用於影像辨識、自動駕駛和醫療影像分析等領域。
Thumbnail
卷積神經網路(CNN)是一種專門用於處理影像的 AI 模型,其運作方式類似於人類大腦觀察圖像的方式,層層分析提取特徵。主要包含卷積層、池化層和全連接層。卷積層使用濾鏡提取局部特徵;池化層精簡數據並提升模型穩健性;全連接層進行最終分類。CNN 廣泛應用於影像辨識、自動駕駛和醫療影像分析等領域。
Thumbnail
做機器學習一定會遇到的問題調參 這幾天在想有沒有辦法把這件事情利用AI做到全自動化呢 可以的還可以做到雲端全自動化 不會讓你本機電腦佔資源妨礙你打遊戲 設定好之後你只需打你的遊戲幾個小時回來看就好了 看上面那張圖 左邊每個檔案都有標上R2 右邊是我的終端機 他告訴我已經幫我調參成功 把R2
Thumbnail
做機器學習一定會遇到的問題調參 這幾天在想有沒有辦法把這件事情利用AI做到全自動化呢 可以的還可以做到雲端全自動化 不會讓你本機電腦佔資源妨礙你打遊戲 設定好之後你只需打你的遊戲幾個小時回來看就好了 看上面那張圖 左邊每個檔案都有標上R2 右邊是我的終端機 他告訴我已經幫我調參成功 把R2
Thumbnail
在團隊合作中,領導者如何帶領每位成員發揮潛力至關重要。像 AI 的 Dropout 技術,通過隨機丟失部分資訊來強化團隊整體表現,讓每個成員都能不斷成長,最終達成共同目標,創造出強大且多元的團隊!
Thumbnail
在團隊合作中,領導者如何帶領每位成員發揮潛力至關重要。像 AI 的 Dropout 技術,通過隨機丟失部分資訊來強化團隊整體表現,讓每個成員都能不斷成長,最終達成共同目標,創造出強大且多元的團隊!
Thumbnail
很常聽到深度學習,但到底是在學些什麼?今天來跟我一起學習一個重要的概念: 多層感知機(MLP, Multi-Layer Perceptron)是最基礎的神經網路之一。它雖然簡單,卻是許多進階模型的基礎,例如 CNN(卷積神經網路) 和 Transformer(變換器)(某論文),用於處理自然語言模
Thumbnail
很常聽到深度學習,但到底是在學些什麼?今天來跟我一起學習一個重要的概念: 多層感知機(MLP, Multi-Layer Perceptron)是最基礎的神經網路之一。它雖然簡單,卻是許多進階模型的基礎,例如 CNN(卷積神經網路) 和 Transformer(變換器)(某論文),用於處理自然語言模
Thumbnail
長短期記憶(英語:Long Short-Term Memory,LSTM)是一種時間循環神經網路(RNN),論文首次發表於1997年。 LSTM(長短期記憶)是一種特定類型的遞歸神經網絡(RNN),在許多需要處理時間序列數據或順序數據的應用中非常有用。 以下是一些常見的 LSTM 應用:
Thumbnail
長短期記憶(英語:Long Short-Term Memory,LSTM)是一種時間循環神經網路(RNN),論文首次發表於1997年。 LSTM(長短期記憶)是一種特定類型的遞歸神經網絡(RNN),在許多需要處理時間序列數據或順序數據的應用中非常有用。 以下是一些常見的 LSTM 應用:
Thumbnail
M-P神經元模型 1943年,沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)提出了歷史上第一個用於模擬生物神經元功能的數學模型,這便是M-P神經元模型。這一模型的提出,標誌著神經科學和計算理論領域的一個重要里程碑。 麥卡洛克是一位神經生理學家和精神病
Thumbnail
M-P神經元模型 1943年,沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)提出了歷史上第一個用於模擬生物神經元功能的數學模型,這便是M-P神經元模型。這一模型的提出,標誌著神經科學和計算理論領域的一個重要里程碑。 麥卡洛克是一位神經生理學家和精神病
Thumbnail
streamlit與github連動程式庫,呈現即時預測手寫英文字母 整理了一下,先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型,使用的模型是CNN(Convolutional Neural Network,CNN)模型 訓練好的模型,當然是要拿來應用,成果呈現
Thumbnail
streamlit與github連動程式庫,呈現即時預測手寫英文字母 整理了一下,先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型,使用的模型是CNN(Convolutional Neural Network,CNN)模型 訓練好的模型,當然是要拿來應用,成果呈現
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News