CN106454919B - 基于泊松簇过程的异构蜂窝网络基站部署方法 - Google Patents

基于泊松簇过程的异构蜂窝网络基站部署方法 Download PDF

Info

Publication number
CN106454919B
CN106454919B CN201610941425.1A CN201610941425A CN106454919B CN 106454919 B CN106454919 B CN 106454919B CN 201610941425 A CN201610941425 A CN 201610941425A CN 106454919 B CN106454919 B CN 106454919B
Authority
CN
China
Prior art keywords
model
cellular network
cluster process
poisson
sinr
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610941425.1A
Other languages
English (en)
Other versions
CN106454919A (zh
Inventor
马忠贵
刘立宇
闫文博
李营营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201610941425.1A priority Critical patent/CN106454919B/zh
Publication of CN106454919A publication Critical patent/CN106454919A/zh
Application granted granted Critical
Publication of CN106454919B publication Critical patent/CN106454919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于泊松簇过程的异构蜂窝网络基站部署方法，所述方法包括：基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型；利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型；结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型；通过仿真对比分析了泊松簇过程与泊松点过程的覆盖概率的差异。本发明更加贴近实际通信场景的模型，覆盖概率更大，可以更好地分析覆盖概率、吞吐量，对将来异构蜂窝网络的研究具有重要意义。

Description

基于泊松簇过程的异构蜂窝网络基站部署方法
技术领域
本发明涉及网络基站部署技术领域，特别是指一种基于泊松簇过程的异构蜂窝网络基站部署方法。
背景技术
近年来，半导体技术的快速发展使得电子设备迅速更新换代，各种智能终端大量的涌入了消费市场，促进了移动互联网技术的高速发展，同时也导致了用户对数据业务的需求日益增强，而移动互联网与云计算技术的飞速发展正是大数据时代到来的基础，指数级增长的数据量为无线通信带来了新的挑战。面对日益增长的数据业务量以及用户日益提高的服务需求，学术界与工业界纷纷开始了对5G相关技术的研究与探索。新型的异构网络组网结构以及小基站的部署自然也得到了学术界的广泛重视。
传统的对异构蜂窝网络的建模研究方法主要集中在六边形或四边形的网格模型当中，但这种模型是十分理想化的，现实中的基站分布不会是标准的六边形网格模型，这种模型只能得到覆盖概率的上界。
发明内容
本发明要解决的技术问题是提供一种基于泊松簇过程的异构蜂窝网络基站部署方法，能够更加贴近实际通信场景的模型，可以更好地分析覆盖概率和吞吐量。
为解决上述技术问题，本发明的实施提供一种基于泊松簇过程的异构蜂窝网络基站部署方法，所述方法包括：
基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型；
利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型；
结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型；
通过仿真对比分析泊松簇过程与泊松点过程的覆盖概率的差异。
优选的，所述信干噪比模型的表达式为：
其中，表示位于位置z的用户有用接收功率，W表示加性高斯白噪声，表示用户受到的干扰；
所述干扰分布模型表达式为：
优选的，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：
当第i层的基站提供的实时SINR大于γi时，用户接入到第i层，所述γi为SINR阈值，γi>1。
优选的，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：
将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置xi，并不限于原点；
基站的位置根据Neyman-Scott簇过程进行部署。
优选的，所述Neyman-Scott簇过程为泊松簇过程，所述Neyman-Scott簇过程包括父过程和子过程；
父过程形成簇的中心，子过程围绕父过程分布在簇中心的一定范围内；
子过程采用Matern簇过程，每一个子过程点均匀分布在以a为半径的圆内，其密度函数为：
其中，x是相对于簇中心的二维位置，||·||代表欧氏范数。
优选的，所述将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置xi，并不限于原点，包括;
假设移动用户位置位于z，第i层的服务基站位于点xi处，不限于原点;
基站的位置根据Neyman-Scott簇过程进行部署,包括：
第i层的Neyman-Scott簇过程基站密度为λi，发射功率为Pi，SINR阈值为γi，根据基于瞬时SINR的小区选择机制，假设γi>1，得到SINR模型。
优选的，所述利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型，包括：
对聚集干扰表达式做拉普拉斯变换，得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函；
对基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函进行简化，得到聚集干扰拉普拉斯变换的上界；
优选的，所述结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型，包括：
将所述聚集干扰拉普拉斯变换上界代入到覆盖概率模型中，得到的基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界。
优选的，所述聚集干扰拉普拉斯变换的上界为：
其中，B(x,y)是Beta函数，且
所述基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界为：
优选的，所述基于泊松簇过程的异构蜂窝网络基站部署方法应用于三层异构蜂窝网络，所述三层异构蜂窝网络由宏基站、微微基站和家庭基站构成。
本发明的上述技术方案的有益效果如下：
上述方案中，通过基于随机几何的异构蜂窝网络基站部署，相对于之前的研究成果，将泊松簇过程应用到了异构蜂窝网络基站建模，采用了基于瞬时SINR的小区选择机制，并且将服务基站的位置推广到了任意位置，更加贴近实际通信场景的模型，覆盖概率更大，可以更好地分析覆盖概率、吞吐量，对将来异构蜂窝网络的研究具有重要意义。
附图说明
图1为本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法流程图；
图2为本发明实施例的基于随机几何的三层异构蜂窝网络网络拓扑模型图；
图3为本发明实施例的宏基站与小基站混合随机部署的Voronoi网络拓扑模型图；
图4为本发明实施例的仿真分析泊松点过程与泊松簇过程基站部署覆盖概率的对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明的实施例一种基于泊松簇过程的异构蜂窝网络基站部署方法，所述方法包括：
步骤101：基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型。
所述SINR模型的表达式可以为：
其中，表示位于位置z的用户有用接收功率，W表示加性高斯白噪声，表示用户受到的干扰；
步骤102：利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型。
所述干扰分布模型表达式可以为为：
步骤103：结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型。
步骤104：通过仿真对比分析泊松簇过程与泊松点过程的覆盖概率的差异。
如图2和3所示，本发明实施例的基于随机几何的三层异构蜂窝网络网络拓扑模型，三层基站分别为宏基站、微微基站与家庭基站，这三种基站均为开放接入的。相比之下宏基站的功率最大，为200W，微微基站和家庭基站分别为2W和0.2W。因此三种基站的覆盖范围也不同，本发明中微微基站与家庭基站均部署在宏基站的覆盖范围下，为宏基站的一些覆盖空洞或边缘地区提供覆盖。图3可以很好的反映泊松过程的随机性，首先在其中部署宏基站，每个宏基站完全随机且均有自己的覆盖范围，即每一个Voronoi的小方格，而小基站作为弥补覆盖空洞的基站，广泛的部署在宏基站的覆盖范围内。
本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，通过基于随机几何的异构蜂窝网络基站部署，相对于之前的研究成果，将泊松簇过程应用到了异构蜂窝网络基站建模，采用了基于瞬时SINR的小区选择机制，并且将服务基站的位置推广到了任意位置，更加贴近实际通信场景的模型，覆盖概率更大，可以更好地分析覆盖概率、吞吐量，对将来异构蜂窝网络的研究具有重要意义。
本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：
当第i层的基站提供的实时SINR大于γi时，用户接入到第i层，所述γi为SINR阈值，γi>1。
将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置xi，并不限于原点；
其中，可以假设移动用户位置位于z，第i层的服务基站位于点xi处，不限于原点。
基站的位置根据Neyman-Scott簇过程进行部署。
其中，所述Neyman-Scott簇过程为泊松簇过程，所述Neyman-Scott簇过程包括父过程和子过程；
父过程形成簇的中心，子过程围绕父过程分布在簇中心的一定范围内；
子过程采用Matern簇过程，每一个子过程点均匀分布在以a为半径的圆内，其密度函数为：
其中，x是相对于簇中心的二维位置，||·||代表欧氏范数。
具体的，第i层的Neyman-Scott簇过程基站密度为λi，发射功率为Pi，SINR阈值为γi，根据基于瞬时SINR的小区选择机制，假设γi>1，得到SINR模型。
步骤102，可以包括：
对聚集干扰表达式做拉普拉斯变换，得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函；
其中，除了第i层位于xi处的基站功率为有用功率外，其他基站带来的均为干扰，对聚集干扰表达式做拉普拉斯变换，得到：
其中h～exp(1)，上式中的三层异构蜂窝网络聚集干扰可以分为两部分，第五个等式的第一部分表示服务基站所在层其它基站对用户产生的干扰，而第二部分为其他两层所有基站对用户产生的干扰。
因此，第一部分可以用Neyman-Scott簇过程的条件PGFL来表示，第二部分可以用Neyman-Scott簇过程的PGFL来表示，我们可以得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函可以表示为：
对基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函进行简化，得到聚集干扰拉普拉斯变换的上界。
其中，可以看到上式的干扰拉普拉斯变换模型十分复杂，无法进一步推导，因此我们利用Jensen不等式即以及子过程密度函数对其进行简化，得到聚集干扰拉普拉斯变换的上界表达式为：
其中，B(x,y)是Beta函数，且
步骤103，可以包括：
将所述聚集干扰拉普拉斯变换上界代入到覆盖概率模型中，得到的基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界。
其中，因为覆盖概率即用户接收SINR大于阈值γi的概率，即整个网络SINR的互补累积分布函数，因此覆盖概率的表达式表示为：
其中，第三个等式根据γi>1给出，第四个等式根据Campbell-Mecke定理给出，第五个等式根据信道衰落系数h服从均值为1的瑞利衰落得到。
所述基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界为：
本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，所述基于泊松簇过程的异构蜂窝网络基站部署方法应用于三层异构蜂窝网络，所述三层异构蜂窝网络由宏基站、微微基站和家庭基站构成。
为了比较本发明与基于泊松点过程的基站部署策略在系统性能上的不同，对一种特殊情况下的实例进行验证，即干扰受限系统当中，在此系统中，不需考虑热噪声，其对比图如图4所示。
在图4中，当SINR阈值相同时，无论基站密度是否变化，三层异构蜂窝网络泊松簇过程的覆盖概率要明显大于三层异构蜂窝网络泊松点过程的覆盖概率，这是因为泊松点过程是一种完全空域随机的分布，存在一些无法完全覆盖的边缘区域，而成簇的空域分布方式很好的弥补了完全空域随机的覆盖空洞，提高了覆盖概率，因此，本发明基于泊松簇过程的基站部署是一种更加贴近实际通信场景的部署策略，为未来对于异构蜂窝网络的研究提供了重要的参考意义。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于泊松簇过程的异构蜂窝网络基站部署方法，其特征在于，所述方法包括：
基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型；
利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型；
结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型；
通过仿真对比分析泊松簇过程与泊松点过程的覆盖概率的差异；
其中，所述SINR模型的表达式为：
其中，表示位于位置z的用户有用接收功率，W表示加性高斯白噪声，表示用户受到的干扰，信道衰落系数h服从均值为1的瑞利衰落；
所述干扰分布模型表达式为：
其中，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：
当第i层的基站提供的实时SINR大于γi时，用户接入到第i层，所述γi为SINR阈值，γi>1；
其中，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：
将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置xi，并不限于原点；
基站的位置根据Neyman-Scott簇过程进行部署；
其中，所述Neyman-Scott簇过程为泊松簇过程，所述Neyman-Scott簇过程包括父过程和子过程；
父过程形成簇的中心，子过程围绕父过程分布在簇中心的一定范围内；
子过程采用Matern簇过程，每一个子过程点均匀分布在以a为半径的圆内，其密度函数为：
其中，x是相对于簇中心的二维位置，||·||代表欧氏范数；
其中，所述将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置xi，并不限于原点，包括:
假设移动用户位置位于z，第i层的服务基站位于点xi处，不限于原点；
基站的位置根据Neyman-Scott簇过程进行部署,包括：
第i层的Neyman-Scott簇过程基站密度为λi，发射功率为Pi，SINR阈值为γi，根据基于瞬时SINR的小区选择机制，假设γi>1，得到SINR模型；
其中，所述利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型，包括：
对聚集干扰表达式做拉普拉斯变换，得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函；
对基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函进行简化，得到聚集干扰拉普拉斯变换的上界；
其中，所述结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型，包括：
将所述聚集干扰拉普拉斯变换上界代入到覆盖概率模型中，得到基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界；
其中，所述聚集干扰拉普拉斯变换的上界为：
其中，B(x,y)是Beta函数，且
所述基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界为：
其中，所述基于泊松簇过程的异构蜂窝网络基站部署方法应用于三层异构蜂窝网络，所述三层异构蜂窝网络由宏基站、微微基站和家庭基站构成。
CN201610941425.1A 2016-10-25 2016-10-25 基于泊松簇过程的异构蜂窝网络基站部署方法 Active CN106454919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610941425.1A CN106454919B (zh) 2016-10-25 2016-10-25 基于泊松簇过程的异构蜂窝网络基站部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610941425.1A CN106454919B (zh) 2016-10-25 2016-10-25 基于泊松簇过程的异构蜂窝网络基站部署方法

Publications (2)

Publication Number Publication Date
CN106454919A CN106454919A (zh) 2017-02-22
CN106454919B true CN106454919B (zh) 2019-11-08

Family

ID=58177367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610941425.1A Active CN106454919B (zh) 2016-10-25 2016-10-25 基于泊松簇过程的异构蜂窝网络基站部署方法

Country Status (1)

Country Link
CN (1) CN106454919B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107148076B (zh) * 2017-06-05 2020-03-17 西安交通大学 一种基于随机几何的无线小区网络功率控制方法
CN107426758B (zh) * 2017-07-25 2020-04-07 西安电子科技大学 蜂窝通信系统中基于家庭基站分布状态干扰统计建模方法
CN107404726B (zh) * 2017-08-02 2019-09-06 南京工程学院 一种基于能效的异构蜂窝网络微基站部署方法
CN107612745A (zh) * 2017-10-12 2018-01-19 北京科技大学 一种确定d2d网络模型的方法及评估d2d网络模型性能的方法
CN107896375B (zh) * 2017-11-30 2021-03-12 华北电力大学（保定） 一种全维度天线异构网微基站部署方法
CN108566645A (zh) * 2018-03-27 2018-09-21 吉林大学 基于Neyman-Scott簇过程的网络用户接入方法
CN108770071B (zh) * 2018-04-26 2020-09-22 曲阜师范大学 一种在瑞利衰落干扰下的无线网络有效链路调度方法
CN109327851B (zh) * 2018-12-04 2021-05-25 吉林大学 覆盖与数据平面分离的超密集异构蜂窝网络用户接入方法
CN110233751B (zh) * 2019-05-27 2022-06-28 曲阜师范大学 一种基于干扰等价的异构混合网络性能分析方法
CN110996328B (zh) * 2019-11-25 2021-09-07 北京邮电大学 一种无人机基站部署位置确定方法、装置及电子设备
CN110912747B (zh) * 2019-11-28 2021-08-13 江苏电力信息技术有限公司 一种基于随机几何的电力无线专网性能分析方法
CN111294847B (zh) * 2020-01-16 2022-09-06 湘潭大学 一种景区区域异构蜂窝网络基站电磁辐射预测方法
CN111083713B (zh) * 2020-01-16 2022-08-05 湘潭大学 一种面向双层蜂窝网络基站电磁辐射预测方法
CN111988789B (zh) * 2020-08-26 2022-11-11 长安大学 一种无线网络节点部署优化方法、系统及装置
CN112333761A (zh) * 2020-11-24 2021-02-05 南京工程学院 基于三维随机几何的超密度5g蜂窝网络性能分析方法
CN113068196B (zh) * 2021-02-26 2022-05-27 西安电子科技大学 一种异构网络系统、扇形排空区域干扰测定方法及应用
CN113099423B (zh) * 2021-04-09 2022-08-05 北京信息科技大学 一种基于泊松簇过程的窄带蜂窝物联网的部署方法
CN114222244B (zh) * 2021-12-13 2022-12-16 北京理工大学 服从泊松点过程和簇过程分布的基站间平均距离预测方法
CN114222335B (zh) * 2021-12-13 2024-04-19 北京理工大学 一种基于泊松簇过程的地面小区间切换概率预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104955077A (zh) * 2015-05-15 2015-09-30 北京理工大学 一种基于用户体验速率的异构网络小区分簇方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104955077A (zh) * 2015-05-15 2015-09-30 北京理工大学 一种基于用户体验速率的异构网络小区分簇方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Analysis of Heterogeneous Cellular Networks Interference with Biased Cell Association Using Poisson Cluster Processes;Young Jin Chun，Mazen Omar Hasna;《IEEE》;20141231;319-321 *

Also Published As

Publication number Publication date
CN106454919A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106454919B (zh) 基于泊松簇过程的异构蜂窝网络基站部署方法
Chang et al. Energy saving technology of 5G base station based on internet of things collaborative control
Liu et al. Tractable coverage analysis for hexagonal macrocell-based heterogeneous UDNs with adaptive interference-aware CoMP
Huang et al. An algorithm of efficient proactive placement of autonomous drones for maximum coverage in cellular networks
CN104955077B (zh) 一种基于用户体验速率的异构网络小区分簇方法及装置
Li et al. Cluster‐based resource allocation scheme with QoS guarantee in ultra‐dense networks
CN107404726B (zh) 一种基于能效的异构蜂窝网络微基站部署方法
Wu et al. QoE and energy aware resource allocation in small cell networks with power selection, load management, and channel allocation
CN104902488B (zh) 分层异构网络中各层网络基站的配置方法
CN107070583B (zh) 一种异构网络增强型小区间干扰协调的能效优化方法
Yu et al. Air–ground integrated deployment for UAV‐enabled mobile edge computing: A hierarchical game approach
CN105165049B (zh) 通信控制装置、通信控制方法和信息处理设备
Malik et al. Green communications: Techniques and challenges
CN106209336B (zh) 一种软件定义移动网络中的资源分配方法
Li et al. Optimized sleep strategy based on clustering in dense heterogeneous networks
CN105578482B (zh) 一种蜂窝异构网络资源分配方法
CN106658526A (zh) 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法
Tang et al. A distance‐sensitive distributed repulsive sleeping approach for dependable coverage in heterogeneous cellular networks
CN107612745A (zh) 一种确定d2d网络模型的方法及评估d2d网络模型性能的方法
Xia et al. Unified analytical volume distribution of Poisson-Delaunay simplex and its application to coordinated multi-point transmission
Luan et al. Hybrid cooperation for machine‐to‐machine data collection in hierarchical smart building networks
Zhang et al. Study on the User Density Identification via Improved Whale Optimization Algorithm in Device‐to‐Device Communication
Zhu et al. Load-aware Dynamic Access for Ultra-dense Small Cell Networks: A Hypergraph Game Theoretic Solution
CN105491578B (zh) 在密集部署的小小区网络中共享运营商间无线电资源
Zhu et al. Hypergraph game theoretic solutions for load aware dynamic access of ultra-dense small cell networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant