CN104270184A - 适用于高速公路及高速铁路环境的分布式天线系统优化设计方法 - Google Patents

Abstract

本发明公开了适用于高速公路及高速铁路环境的分布式天线系统优化设计方法。设圆形小区或线形小区中有N个扇形或线性区域，在粒子随机分布在圆形小区或线形小区的情形下，通过采用粒子群智能优化算法，获得基站天线端口在不同区域内的最优位置。粒子群智能优化算法包括以下步骤：初始化粒子群；计算M个粒子的初始适应度；更新粒子的位置信息和速度信息，并判断该粒子是否还在搜索区域内；更新第i个粒子的个体最优解pbest_i以及整个群体的全局最优解Gbest；重复上面两个步骤，直到满足算法的收敛准则，输出全局最优解Gbest。本发明通过对天线端口的小区布设位置进行理论优化，可实现端口天线的最优覆盖，有助于实现分布式天线系统的节能环保和减少布网的成本开销。

Description

适用于高速公路及高速铁路环境的分布式天线系统优化设计方法

技术领域

本发明涉及适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，用于线形与圆形混合小区分布式天线系统基站天线端口配置的上层网络规划及优化设计，属于现代无线通信领域。

背景技术

分布式天线系统是一种面向新一代移动通信需求的无线宽带移动通信系统，相对于传统的集中式多天线系统，它不仅有利于无线资源的灵活分配，同时也能充分利用空间资源以覆盖小区中的“盲点”，提升整个通信链路的稳定性。分布式天线系统各端口天线布设模型如图1所示。在该系统中，一般配置有一个中央处理器和多个天线端口(Antenna Port，AP)，这些AP分散放置在通信系统的覆盖区域内；中央处理器通过电缆或者光纤与各个AP之间进行通信，以便管理和控制这些AP。系统中每个AP都配置有多根天线用于发送或者接收信号，同时移动终端(Mobile Station，MS)也配置多根天线，从而获得多天线增益和高传输效率。

在当今诸如以高速公路或者高速铁路为代表的线形及圆形混合小区中布设分布式端口基站时，根据混合小区中用户的分布情况，大致可以将整个混合小区分为以下三大部分：服务区或者车站、收费站区、以及线形的公路区或者铁路区。在人流量比较大的服务区和车站，鉴于该区域内的用户通常较为密集，且这些区域的场地面积也比较开阔和宽广，故可以将服务区和车站建模成经典圆形小区模型，以传统圆形小区分布式天线系统端口天线优化设计及布设的思路来加以解决；服务区或车站区域天线端口布设示意图如图2所示：小区中心布设有一个分布式天线端口，其余天线端口皆布设在同心圆上。线形公路区或者铁路区则可近似看作线形小区，其端口天线布设示意图如图3所示，所有天线端口皆按一定的间隔布设在一条直线上。

目前实际的高速公路及高速铁路环境中尚未采用分布式天线系统设计方案。已有的理论研究成果中，有些优化设计方法并不能综合考虑小尺度衰落、路径损耗和阴影效应等重要信道因素对系统信道容量等的影响；有些方法虽然考虑了复合衰落模型下小区中多天线端口的位置优化问题，但小区中移动台的用户分布模型却假设为小区内均匀分布，因而基于移动台均匀分布情形得出的研究结论并不一定适用于实际的工作环境；此外，现有的智能优化算法普遍采用经典遗传算法，计算复杂度较大、收敛速度也相对较慢，如果小区采用天线端口多点布设、依用户需求进行智能休眠/激活机制的自动配置方式进行重新规划设计时，则不能对天线端口的位置进行快速搜索；再者，现有研究方案不论何种工作环境亦完全是基于全向天线覆盖模式进行设计，而现代移动通信系统已广泛采用方向性天线或智能天线技术以降低系统内干扰。

发明内容

针对现有技术存在的不足，本发明目的是提供一种适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，通过对天线端口的小区布设位置进行理论优化，可实现端口天线的最优覆盖，有助于实现分布式天线系统的节能环保和减少布网的成本开销。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，设服务区及车站区的圆形小区或者公路区及铁路区的线形小区中有N个扇形区域或者线性区域，且M个粒子随机分布在圆形小区或线形小区内，采用粒子群智能优化算法，获得基站天线端口在不同区域内的最优位置；所述粒子群智能优化算法具体包括以下几个步骤：

STEP1：初始化粒子群，即搜索区域内粒子的个数设为M，初始化M个粒子的位置信息x_i、速度信息v_i以及初始的个体最优解pbest_i，其中，i∈[1,M]；

STEP2：计算M个粒子的初始适应度，即根据系统平均遍历容量表达式，结合各个粒子的位置信息x_i，计算适应度S_i，同时亦找出适应度最大的粒子，作为初始的全局最优解Gbest；

STEP3：更新粒子的位置信息和速度信息，即第i(1≤i≤M)个粒子的位置和速度可以按照下式进行更新：

$\left\{\begin{array}{c}{v}_i^{,}=\mathrm{\λ}{v}_i+c_1{\mathrm{\ω}}_1({\mathrm{pbest}}_i-x_i)+c_2{\mathrm{\ω}}_2(\mathrm{Gbest}-x_i)\\ x_i^{,}=x_i+v_i^{,}\end{array}\right.$

上式中，v’_i、x’_i分别表示更新后的速度信息和位置信息，λ表示惯性系数，c₁、c₂表示学习因子，ω₁、ω₂表示取值在[0,1]区间内的随机数；

更新完速度信息和位置信息后，可通过上述计算公式所得的具体坐标来判断该粒子是否还在之前所限定的圆形小区或线形小区内，如果已经超出了规定的搜索区域，则重新更新粒子，重复STEP3，否则转向STEP4；

STEP4：更新第i个粒子的个体最优解pbest_i以及整个群体的全局最优解Gbest；

STEP5：重复STEP3～STEP4，直到满足预先所设定的迭代次数门限，输出全局最优解Gbest，即粒子群经过迭代运算后分别收敛于最优解区域。

高速公路中的收费站区，采用扇形覆盖定向天线技术以实现该区域的信号覆盖。

STEP2中，服务区或车站区的圆形小区内系统平均遍历容量表达式如下：

$C_{\mathrm{circle}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{2\mathrm{\π}}{\∫}_0^R{C}_{\mathrm{point}}f(\mathrm{\ρ},\mathrm{\α})\mathrm{\ρ}{d}_{\mathrm{\ρ}}{d}_{\mathrm{\α}}$

所述公路区或铁路区的线形小区内系统平均遍历容量表达式如下：

$C_{\mathrm{line}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{L_0}{C}_{\mathrm{point}}f\left(x\right)\mathrm{\ρ}{d}_x$

其中，E{·}表示求数学期望,C_point为小区下行链路点对点链路遍历容量，R为小区半径，f(ρ,α)为用户处于极坐标位置(ρ,α)时的概率密度函数，L₀为线形小区长度，f(x)为用户处于位置x的概率密度函数。

所述点对点链路遍历容量C_point的计算表达式如下：

$C_{\mathrm{point}}=E_H\left\{{\log }_2\right[\det (I+\frac{P_i{\mathrm{HH}}^H}{{\mathrm{\σ}}^2})\left]\right\}$

其中，E_H{·}表示基于信道传输矩阵H对系统容量求数学期望，I表示单位矩阵，P_i为总发射功率，H为下行链路信道传输矩阵，σ²为加性高斯白噪声功率。

所述下行链路中信道传输矩阵H为：

$H=R\sqrt{\mathrm{LS}}$

其中，R表示小尺度衰落矩阵，服从Nakagami-m衰落；S表示阴影效应，矩阵内元素服从独立同分布的零均值、相同方差对数正态分布；L表示路径损耗，矩阵内各元素的取值受用户位置的影响，两者之间的数量关系可表示如下：

L＝diag(L₁,L₂,...,L_i,...,L_N) 1≤i≤N

$L_i={\left(\frac{D}{d_i}\right)}^a$

其中，N表示基站天线端口的数目，即圆形小区或线形小区中扇形区域或线形区域的数目，d_i表示用户与第i个基站天线端口之间的距离，a为路径衰落指数，D表示参考距离，L_i表示用户与第i个基站天线端口之间的路径损耗。

下行通信链路用户端的接收信号矢量表达式为：

$y=\mathrm{Hx}+n=R\sqrt{\mathrm{LS}}x+n$

其中，y表示接收信号矢量，x表示发送信号矢量，n表示高斯噪声信号矢量。

STEP2中，适应度S_i的计算方法如下：

为使圆形小区的平均遍历容量C_circle或者线形小区的平均遍历容量C_line达到最大，可采用复化Simpson积分公式对小区平均遍历容量表达式进行近似，进而得到目标函数；再把初始化的粒子位置x_i代入目标函数，即可计算得到适应度S_i。

本发明将粒子群智能优化算法以及定向天线技术应用到高速公路或高速铁路这样的混合小区的分布式天线系统中，不仅可以改善当前通信系统的性能，而且通过对天线端口的布设位置进行理论优化，可实现端口天线的最优覆盖，可以最大限度地节省天线端口布设的成本、获得通信系统最大通信效益；另外，本发明可为未来高速公路或高速铁路这样的具线形和圆形区域的混合小区系统的天线端口优化布设提供理论参考。

附图说明

图1是分布式天线系统各端口天线布设模型示意图；

图2是服务区或车站区域天线端口布设示意图；

图3是线形公路或铁路区域端口天线布设示意图；

图4是高速公路或高速铁路结构示意图；

图5是粒子群智能优化算法工作流程图；

图6是服务区或车站区域中天线端口位置粒子群初始化示意图；

图7是服务区或车站区域中天线端口位置最优布设示意图；

图8是线形公路或铁路区中粒子群初始化示意图；

图9是线形公路或铁路区中天线端口位置最优布设示意图；

图10是收费站区扇形天线端口布设结构示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图4，本发明的实施例是在高速公路这一应用场景下，实现分布式天线系统基站端各天线端口的最优布设问题，高速铁路等具有类似混合小区结构的应用场景亦可同样类推规划设计。

在分布式天线系统中，基站天线端口的位置布设直接影响着通信系统的各项性能，比如系统信道容量、接收信号判决误符号率等，因此关于天线端口布设的优化设计即具有重要的现实意义。

为了更加贴近实际的通信环境，本发明将考虑复合衰落信道，即充分考虑了小尺度衰落、路径损耗以及阴影效应的影响。此时，假设下行链路中信道传输矩阵为：

$H=R\sqrt{\mathrm{LS}}$

其中，R表示小尺度衰落矩阵，这里假设服从Nakagami-m衰落；S表示阴影效应，矩阵内元素服从独立同分布的零均值、相同方差的对数正态分布；L表示路径损耗，矩阵内各元素的取值受用户位置的影响，两者之间的数量关系可表示如下：

L＝diag(L₁,L₂,...,L_i,...,L_N) 1≤i≤N

$L_i={\left(\frac{D}{d_i}\right)}^a$

上式中，N表示天线端口的数目，d_i表示用户与第i个天线端口之间的距离，a为路径衰落指数，D表示参考距离，L_i表示用户与第i个天线端口之间的路径损耗。

那么，可以得到下行通信链路用户端的接收信号矢量表达式为：

$y=\mathrm{Hx}+n=R\sqrt{\mathrm{LS}}x+n$

其中，y表示接收信号矢量，x表示发送信号矢量，n表示高斯噪声信号矢量。

服务区可以近似为圆形小区，假设小区半径为R，用户处于极坐标位置(ρ,α)时的概率密度函数为f(ρ,α)。

线性公路区可以根据天线端口的具体覆盖范围划分成多段，每一段皆可近似为一线形小区，假设小区长度为L₀(本发明中假设为1000米)，用户处于位置x的概率密度函数为f(x)。

通信系统的性能指标大致可以分为遍历容量、中断概率以及误符号率等几个方面，对系统中基站位置进行优化布设时，不同的目标函数会导致不同的优化布设方案。

本发明中以最大化小区系统平均遍历容量为例，寻求最优的基站天线端口布设方案。

下行链路中，点对点链路遍历容量的计算表达式如下：

$C_{\mathrm{point}}=E_H\left\{{\log }_2\right[\det (I+\frac{P_i{\mathrm{HH}}^H}{{\mathrm{\σ}}^2})\left]\right\}$

C_point是一个与用户位置有关的函数，某一特定位置处的点对点链路遍历容量并不能客观反映系统平均遍历容量，为此需要对用户的位置进行统计平均。

线形公路内系统平均遍历容量表达式如下：

$C_{\mathrm{line}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{L_0}{C}_{\mathrm{point}}f\left(x\right)\mathrm{\ρ}{d}_x$

服务区内系统平均遍历容量表达式如下：

$C_{\mathrm{circle}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{2\mathrm{\π}}{\∫}_0^R{C}_{\mathrm{point}}f(\mathrm{\ρ},\mathrm{\α})\mathrm{\ρ}{d}_{\mathrm{\ρ}}{d}_{\mathrm{\α}}$

本发明将利用粒子群智能优化算法(Particle Swarm Optimization,PSO)来寻找实施例中近似为圆形小区的服务区和近似为线形小区的公路区，在这些混合小区中分别采用分布式多天线系统时天线端口的最优布设问题。

PSO算法是一种模拟鸟群觅食的全局优化算法，具有易理解、方便实现以及搜索能力强等优势，可以有效解决复杂优化问题。图5为PSO算法流程图，图中pbest、Gbest分别表示个体最优解和全局最优解。

PSO算法求解该混合小区天线端口位置优化问题的具体步骤如下：

STEP1：初始化粒子群。假设搜索区域内粒子的个数为M，那么需要初始化M个粒子的位置信息x_i、速度信息v_i，以及初始的个体最优解pbest_i，i∈[1,M]。

STEP2：计算M个粒子的初始适应度。根据系统平均遍历容量的表达式，结合各个粒子的位置信息，计算适应度S_i，并找出适应度最大的粒子，作为初始的全局最优解Gbest。

STEP3：更新粒子的位置和速度。第i(1≤i≤M)个粒子的位置和速度可以按照下式进行更新：

$\left\{\begin{array}{c}{v}_i^{,}=\mathrm{\λ}{v}_i+c_1{\mathrm{\ω}}_1({\mathrm{pbest}}_i-x_i)+c_2{\mathrm{\ω}}_2(\mathrm{Gbest}-x_i)\\ x_i^{,}=x_i+v_i^{,}\end{array}\right.$

上式中，v’_i、x’_i分别表示更新后的速度和位置，λ表示惯性系数，c₁、c₂表示学习因子，ω₁、ω₂表示取值在[0,1]区间内的随机数。更新完速度和位置之后，需要判断该粒子是否还在搜索区域内，若已经超出了该区域，那么需要重新更新粒子，重复STEP3。

STEP4：更新第i个粒子的个体最优解pbest_i以及群体的全局最优解Gbest。

STEP5：重复STEP3～STEP4，直到满足算法的收敛准则，输出全局最优解Gbest，即优化问题的次优解。

运用PSO算法求解服务区中天线端口布设优化问题时，图6为服务区中粒子群的初始位置。假设在服务区中布设5个天线端口，不失一般性，设共有50个粒子随机分布在圆形小区的5个扇形区域内；图7表示粒子群经过一定迭代次数后分别收敛于最优解区域。

与图6、图7类似，图8、图9分别表示运用PSO算法求解线形公路小区中天线端口布设优化问题时，在同样假设线形小区中共布设5个分布式天线端口的条件下，粒子群初始位置以及经过粒子群搜索算法所得的最优解区域。

关于高速公路中的收费站区，鉴于其特殊工作结构，本发明提出采用90度扇形覆盖定向天线技术以实现该区域覆盖，其布设结构见图10所示。由于定向天线可以达到在某一个或者几个特定方向上发射及接收电磁波特别强，而其他方向上电磁波很弱的目的，因此定向天线技术的应用可以提高通信系统的通信利用率，降低对其他不需要覆盖区域的信号干扰。收费站区是一个比较特殊的通信场景，车辆自进入站区直至驶离站区的过程均适合采用定向天线来实现该区域的信号覆盖。

由上述本发明所提供的具体实施方案可以看出，本发明所提出的将分布式天线系统应用于诸如具近似圆形和线形混合小区结构的高速公路和高速铁路等应用场景，并采用粒子群智能优化算法寻找该应用场景下，分布式天线系统各天线端口的最优位置分布问题，可以有效地获得基站端口天线的理论最优布设位置。该理论最优分布将有助于提升系统整体通信性能，满足小区高速率、高质量通信业务需求。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

设服务区及车站区的圆形小区或者公路区及铁路区的线形小区中有N个扇形区域或者线性区域，且M个粒子随机分布在圆形小区或线形小区内，采用粒子群智能优化算法，获得基站天线端口在不同区域内的最优位置；

所述粒子群智能优化算法具体包括以下几个步骤：

STEP1：初始化粒子群，即搜索区域内粒子的个数设为M，初始化M个粒子的位置信息x_i、速度信息v_i以及初始的个体最优解pbest_i，其中，i∈[1,M]；

STEP2：计算M个粒子的初始适应度，即根据系统平均遍历容量表达式，结合各个粒子的位置信息x_i，计算适应度S_i，同时亦找出适应度最大的粒子，作为初始的全局最优解Gbest；

STEP3：更新粒子的位置信息和速度信息，即第i(1≤i≤M)个粒子的位置和速度可以按照下式进行更新：

$\left\{\begin{array}{c}{v}_i^{,}={\mathrm{\λ}}_{v_i}+c_1{\mathrm{\ω}}_1({\mathrm{pbest}}_i-x_i)+c_2{\mathrm{\ω}}_2(\mathrm{Gbest}-x_i)\\ x_i^{,}=x_i+v_i^{,}\end{array}\right.$

上式中，v’_i、x’_i分别表示更新后的速度信息和位置信息，λ表示惯性系数，c₁、c₂表示学习因子，ω₁、ω₂表示取值在[0,1]区间内的随机数；

更新完速度信息和位置信息后，可通过上述计算公式所得的具体坐标来判断该粒子是否还在之前所限定的圆形小区或线形小区内，如果已经超出了规定的搜索区域，则重新更新粒子，重复STEP3，否则转向STEP4；

STEP4：更新第i个粒子的个体最优解pbest_i以及整个群体的全局最优解Gbest；

STEP5：重复STEP3～STEP4，直到满足预先所设定的迭代次数门限，输出全局最优解Gbest，即粒子群经过迭代运算后分别收敛于最优解区域。

2.根据权利要求1所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

高速公路中的收费站区，采用扇形覆盖定向天线技术以实现该区域的信号覆盖。

3.根据权利要求1或2所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

STEP2中，服务区或车站区的圆形小区内系统平均遍历容量表达式如下：

$C_{\mathrm{circle}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{2\mathrm{\π}}{\∫}_0^R{C}_{\mathrm{point}}f(\mathrm{\ρ},\mathrm{\α})\mathrm{\ρ}{d}_{\mathrm{\ρ}}{d}_{\mathrm{\α}}$

所述公路区或铁路区的线形小区内系统平均遍历容量表达式如下：

$C_{\mathrm{line}}=E\left\{C_{\mathrm{point}}\right\}={\∫}_0^{L_0}{C}_{\mathrm{point}}f\left(x\right)\mathrm{dx}$

其中，E{·}表示求数学期望,C_point为小区下行链路点对点链路遍历容量，R为小区半径，f(ρ,α)为用户处于极坐标位置(ρ,α)时的概率密度函数，L₀为线形小区长度，f(x)为用户处于位置x的概率密度函数。

4.根据权利要求3所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

所述点对点链路遍历容量C_point的计算表达式如下：

$C_{\mathrm{point}}=E_H\left\{{\log }_2\right[\det (I+\frac{P_i{\mathrm{HH}}^H}{{\mathrm{\σ}}^2})\left]\right\}$

其中，E_H{·}表示基于信道传输矩阵H对系统容量求数学期望，I表示单位矩阵，P_i为总发射功率，H为下行链路信道传输矩阵，σ²为加性高斯白噪声功率。

5.根据权利要求4所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

所述下行链路中信道传输矩阵H为：

$H=R\sqrt{\mathrm{LS}}$

其中，R表示小尺度衰落矩阵，服从Nakagami-m衰落；S表示阴影效应，矩阵内元素服从独立同分布的零均值、相同方差对数正态分布；L表示路径损耗，矩阵内各元素的取值受用户位置的影响，两者之间的数量关系可表示如下：

L＝diag(L₁,L₂,…,L_i,…,L_N)1≤i≤N

$L_i={\left(\frac{D}{d_i}\right)}^a$

其中，N表示基站天线端口的数目，即圆形小区或线形小区中扇形区域或线形区域的数目，d_i表示用户与第i个基站天线端口之间的距离，a为路径衰落指数，D表示参考距离，L_i表示用户与第i个基站天线端口之间的路径损耗。

6.根据权利要求5所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

下行通信链路用户端的接收信号矢量表达式为：

$y=\mathrm{Hx}+n=R\sqrt{\mathrm{LSx}}+n$

其中，y表示接收信号矢量，x表示发送信号矢量，n表示高斯噪声信号矢量。

7.根据权利要求6所述的适用于高速公路及高速铁路环境的分布式天线系统优化设计方法，其特征在于，

STEP2中，适应度S_i的计算方法如下：

为使圆形小区的平均遍历容量C_circle或者线形小区的平均遍历容量C_line达到最大，可采用复化Simpson积分公式对小区平均遍历容量表达式进行近似，进而得到目标函数；再把初始化的粒子位置x_i代入目标函数，即可计算得到适应度S_i。