CN107046448B - 一种mimo ota三维信道空间特性重现的方法及装置 - Google Patents

一种mimo ota三维信道空间特性重现的方法及装置 Download PDF

Info

Publication number
CN107046448B
CN107046448B CN201710447223.6A CN201710447223A CN107046448B CN 107046448 B CN107046448 B CN 107046448B CN 201710447223 A CN201710447223 A CN 201710447223A CN 107046448 B CN107046448 B CN 107046448B
Authority
CN
China
Prior art keywords
probe
vector
attribute vector
optimal
individual
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
CN201710447223.6A
Other languages
English (en)
Other versions
CN107046448A (zh
Inventor
王卫民
刘元安
高华强
吴永乐
苏明
于翠屏
黎淑兰
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201710447223.6A priority Critical patent/CN107046448B/zh
Publication of CN107046448A publication Critical patent/CN107046448A/zh
Application granted granted Critical
Publication of CN107046448B publication Critical patent/CN107046448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
    • H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种MIMO OTA三维信道空间特性重现的方法及装置，属于通信技术领域。所述方法包括：获取预设进化算法中的每个个体的初始属性向量；根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和各探头的功率权重，确定三维信道探头模型。采用本发明，可以降低测试成本。

Description

一种MIMO OTA三维信道空间特性重现的方法及装置
技术领域
本发明涉及通信技术领域，特别是涉及一种MIMO OTA三维信道空间特性重现的方法及装置。
背景技术
随着通信技术的发展，多入多出(Multiple-Input Multiple-Output，MIMO)技术的应用越来越广泛。MIMO技术通过空编码等技术，利用传播信道中的非相关性，可以在不额外消耗频谱与时域资源的同时，成倍地提高通信系统的信道容量，提高了数据传输速率。
为了有效的评估无线通信系统的MIMO设备在真实环境中的性能，研究人员提出了多入多出空中特性(Multiple-Input Multiple-Output Over-the-Air，MIMO OTA)测试。MIMO OTA测试方案可以在被测的MIMO设备周围创建一个模拟真实环境的信道空间，该MIMO设备则可以在模拟的信道空间中完成性能测试。其中，三维的MIMO OTA测试是常用的测试方案之一。在三维的MIMO OTA测试方案中，用于模拟信道空间的三维信道探头模型包括上中下三个探头环，每个探头环上固定设置有多个探头。这些探头可以发射电磁波，技术人员根据待模拟的实际信道空间，设置各探头的功率权重，控制各探头的发射功率，从而模拟该实际信道空间。
基于现有技术的方案，探头位置是固定的，只是通过设置各探头的功率权重来模拟不同的信道空间。在实现高精确度的信道空间模拟时，会需要大量的探头，导致测试成本较高。
发明内容
本发明实施例的目的在于提供一种MIMO OTA三维信道空间特性重现的方法及装置，以实现高精确度的信道空间模拟，并且减少探头的数目，以降低测试成本。具体技术方案如下：
第一方面，提供了一种MIMO OTA三维信道空间特性重现的方法，所述方法包括：
获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和各探头的功率权重，确定三维信道探头模型。
可选的，所述根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，包括：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
可选的，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
可选的，所述根据所述最优属性向量，确定探头位置向量，包括：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
可选的，所述根据所述最优属性向量，确定各探头的功率权重，包括：
根据所述最优属性向量和预设的空间相关性算法，确定所述最优属性向量对应的相关性向量；
根据所述目标信道空间的相关性向量和所述最优属性向量对应的相关性向量，确定适应度函数的表达式；
根据所述适应度函数的表达式，确定所述适应度函数取最小值时各探头的功率权重。
第二方面，提供了一种MIMO OTA三维信道空间特性重现的装置，所述装置包括：
获取模块，用于获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
最优属性向量确定模块，用于根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
三维信道探头模型确定模块，用于根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和各探头的功率权重，确定三维信道探头模型。
可选的，所述最优属性向量确定模块，还用于：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
可选的，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
可选的，所述三维信道探头模型确定模块，还用于：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
第三方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
本发明实施例提供的MIMO OTA三维信道空间特性重现的方法及装置，可以获取预设进化算法中的每个个体的初始属性向量(该初始属性向量的维度是根据三维信道探头模型中预设的探头数目N确定的)，然后根据每个个体的初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和全局最优适应度对应的最优属性向量，进而根据最优属性向量，确定探头位置向量和各探头的功率权重，并基于探头位置向量和各探头的功率权重，确定三维信道探头模型。这样，通过灵活的调整各探头的位置以及各探头的权重，来进行信道空间模拟，能够实现高精确度的信道空间模拟，并且无需设置大量的探头，有效的降低了测试成本。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种MIMO OTA三维信道空间特性重现的方法流程图；
图2为本发明实施例提供的一种基于鸡群算法进行迭代的方法流程图；
图3为本发明实施例提供的一种MIMO OTA三维信道空间特性重现的装置结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种MIMO OTA三维信道空间特性重现的方法，该方法在模拟信道空间时，可以计算三维信道探头模型中的各探头的位置和权重，从而可以合理的调整探头的布局，能够在实现高精确度的信道空间模拟，并且无需设置大量的探头，降低了测试成本。该方法的执行主体可以是用于模拟信道空间的设备。
如图1所示，该方法的处理过程可以如下：
步骤101，获取预设进化算法中的每个个体的初始属性向量，初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定。
在实施中，终端可以通过三维信道探头模型，来模拟某实际的信道空间。当终端需要模拟某信道空间时，终端可以获取预先存储的三维信道探头模型中的探头数目N，该探头数目可以由技术人员设置，N可以为正整数。终端中还可以存储预设进化算法，预设进化算法可以是遗传算法或智能群算法，智能群算法可以是鸡群算法或蚁群算法等，本实施例不做限定。预设进化算法中可以包括多个个体，例如，遗传算法中可以包括遗传个体，鸡群算法中可以包括种群个体。终端在建立三维信道探头模型时，需要先对预设进化算法进行参数初始化，即获取预设的迭代次数和个体数目，然后可以对预设进化算法进行个体初始化，确定每个个体的初始属性向量。其中，迭代次数和个体数目可以由技术人员设置；属性向量的维度可以根据探头数目N确定，具体处理过程后续会进行详细说明。终端可以在预设的初始值范围(比如[-π,π])内，随机确定属性向量的初始值，得到初始属性向量；或者，可以将预设的向量值作为属性向量的初始值。另外，参数初始化过程中还可以设置其他参数的参数值。以鸡群算法为例，还可以确定关系更新频率、公鸡比例、母鸡比例和母亲母鸡比例等。
可选的，三维信道探头模型中，通常会采用水平方位角和垂直高度角这两个参数定位探头的位置，也即，探头位置向量可以包括各探头的水平方位角和垂直高度角，此时，个体的属性向量的维度为2N，属性向量中的N个分量对应水平方位角，其余N个分量对应垂直高度角。例如，某个体的属性向量可以表示为(a11,a12,a21,a22…aN1,aN2)。
步骤102，根据每个个体的初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和全局最优适应度对应的最优属性向量。
其中，目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，最优属性向量是满足全局最优适应度的属性向量。
在实施中，技术人员还可以在终端中设置需要模拟的实际信道空间(即目标信道空间)，终端则可以获取目标信道空间的相关性向量，目标信道空间的相关性向量为已知的常量。终端中可以预先存储目标信道空间的相关性向量，或者，终端也可以计算目标信道空间的相关性向量，具体的计算过程可以如下：
步骤一，终端建立三维球形功率谱模型。该三维球形功率谱可以建模为垂直高度角θ和水平方位角φ的函数：
P(Ω)＝P(θ,φ)＝P(θ)P(φ) (1)
其中，Ω为立体角，P(Ω)为三维球形功率谱，P(θ)、P(φ)分别为高度角功率谱(Power Elevation Spectrum，PES)和方位角功率谱(Power Azimuth Spectrum，PAS)。PES和PAS可以由目标信道空间决定。P(Ω)可以满足以下条件：
Figure BDA0001321508310000061
步骤二，终端可以计算目标信道空间的相关性向量。
目标信道空间的相关性向量可以根据三维球形功率谱来计算，假设被测设备的两个天线的方向图为全向时，目标信道空间中某一采样点对的相关性可以为：
Figure BDA0001321508310000062
其中，
Figure BDA0001321508310000063
和
Figure BDA0001321508310000064
是目标信道空间的球面上包含位置信息的向量，代表了两个相对球心对称的球面上的采样点(可称为采样点对)。j为虚数单位，k为波数，计算公式为：k＝2π/λ，λ为目标信道空间的频率对应的波长，π为圆周率。目标信道空间确定后，k为常数。
终端可以通过上式，分别计算目标信道空间中M个采样点对的相关性，得到目标信道空间的相关性向量。
终端获取到每个个体的初始属性向量后，可以根据该初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和全局最优适应度对应的最优属性向量。如上所述，预设进化算法可以是遗传算法、鸡群算法或蚁群算法等。不同的进化算法确定全局最优适应度和最优属性向量的处理方式可以是不同的。本实施例以鸡群算法为例进行说明，具体的处理过程可以如下：根据每个个体的初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及每个个体满足个体最优适应度时的属性向量；将个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将全局最优适应度对应的属性向量作为最优属性向量。
在实施中，对于鸡群算法中的任一个体，终端可以根据该个体的属性向量和预设的空间相关性算法，确定该个体对应的模拟信道空间的相关性，计算公式可以如下：
Figure BDA0001321508310000071
其中，wn是第n个探头的功率权重，wn是未知量；
Figure BDA0001321508310000072
是第n个探头在三维空间单位位置向量，N是探头的总数目；
Figure BDA0001321508310000073
和
Figure BDA0001321508310000074
是模拟信道空间的球面上包含位置信息的向量，代表了两个相对球心对称的球面上的采样点(可称为采样点对)。j为虚数单位，k为波数，计算公式为：k＝2π/λ，λ为根据目标信道空间的频率对应的波长，π为圆周率。当目标信道空间确定后，k为常数。
终端可以通过上式，分别计算模拟信道空间中M个采样点对的相关性，得到模拟信道空间的相关性向量，进而可以确定凸优化的目标函数，该目标函数是最小化目标信道空间的相关性和模拟信道空间的相关性之间的误差和。这个最小化的误差和可以作为鸡群算法的适应度函数f，f的表达式可以如下：
Figure BDA0001321508310000075
其中，w是凸优化的探头的功率权重向量，功率权重向量所包含的分量wi是第i个探头的功率权重，且wi满足0≤wi≤1，
Figure BDA0001321508310000076
是模拟信道空间的相关性向量，ρ是目标信道空间的相关性向量。需要说明的是，这两个相关性向量均由个M采样点对的空间相关性组成，且模拟信道空间的相关性向量对应的采样点，与目标信道空间的相关性向量对应的采样点是相同的。
终端获取到鸡群算法中每个个体的初始属性向量后，可以基于上述公式(4)和公式(5)，分别计算出每个个体对应的适应度函数的表达式。对于任一适应度函数，终端可以确定该适应度函数取最小值时各探头的功率权重，以及该该适应度函数的最小值。然后，终端可以基于鸡群算法的迭代规律，对每个个体的初始属性向量进行迭代处理，得到迭代后的属性向量(可称为当代的属性向量)。终端可以基于每个个体迭代后的属性向量和上述公式(4)和公式(5)，分别计算每个个体在当代的适应度函数的表达式，并确定该适应度函数的最小值。对于任一个体，终端可以将该个体当代的适应度函数的最小值(可称为第一数值)，与上一代计算出的适应度函数的最小值(可称为第二数值)进行对比，如果第一数值小于第二数值，则将当代的属性向量作为下一次迭代使用的属性向量；如果第一数值大于第二数值，则将上一代的属性向量作为下一次迭代使用的属性向量。这样，终端可以确定出每个个体进行下一次迭代使用的属性向量，然后基于鸡群算法的迭代规律进行迭代处理。终端可以重复该迭代处理过程，直到达到预设的迭代次数为止。其中，鸡群算法的迭代规律后续会进行详细说明。
当完成迭代处理后，终端可以得到整个迭代过程中，每个个体的最小适应度(即个体最优适应度)，以及每个个体最优适应度对应的属性向量。终端可以在个体最优适应度中，确定数值最小的个体最优适应度，作为全局最优适应度，并将全局最优适应度对应的属性向量作为最优属性向量。
步骤103，根据最优属性向量，确定探头位置向量和各探头的功率权重，并基于探头位置向量和各探头的功率权重，确定三维信道探头模型。
在实施中，终端确定出最优属性向量后，可以根据预先存储的属性向量和探头位置向量的对应关系，确定最优属性向量对应的探头位置向量。终端还可以根据预设的凸优化算法和最优属性向量，确定各探头的功率权重。本实施例的三维信道探头模型中，各探头可以设置在探头轨道上，并且可以在该探头轨道上进行水平和垂直方向上的移动。这样，可以基于探头位置向量，调整各探头的位置，并基于各探头的功率权重，设置各探头的发射功率，从而确定三维信道探头模型，该三维信道探头模型即可模拟目标信道空间。
可选的，确定探头位置向量的具体处理过程可以如下：在最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
在实施中，探头的垂直高度角可以设置在
Figure BDA0001321508310000091
的范围内，而初始属性向量的取值范围是[-π,π]，因此，调整比值可以为1/2。终端可以在最优属性向量中，确定垂直高度角对应的分量，然后可以将垂直高度角对应的分量乘以1/2，得到探头位置向量。例如，最优属性向量可以表示为(a11,a12,a21,a22…aN1,aN2)，则探头位置向量为
Figure BDA0001321508310000092
其中，
Figure BDA0001321508310000093
可以表示第i个探头的垂直高度角，ai2可以表示第i个探头的水平方位角。
可选的，确定各探头的功率权重的处理过程可以如下：根据最优属性向量和预设的空间相关性算法，确定最优属性向量对应的相关性向量；根据目标信道空间的相关性向量和最优属性向量对应的相关性向量，确定适应度函数的表达式；根据适应度函数的表达式，确定适应度函数取最小值时各探头的功率权重。
在实施中，终端获取到最优属性向量后，可以基于最优属性向量、上述公式(4)和公式(5)，确定适应度函数的表达式，该表达式中包含功率权重向量，且该功率权重向量是未知的。终端可以基于预设的凸优化算法，确定该适应度函数取最小值时各探头的功率权重，以便设置各探头的发射功率。另外，终端还可以计算目标信道空间的相关性向量，与模拟信道空间的相关性向量之间的误差，该误差即为空间特性重现的准确度，具体的计算公式可以如下：
Figure BDA0001321508310000094
其中，M为采样点对的数目，ρ是目标信道空间的相关性向量，
Figure BDA0001321508310000095
是模拟信道空间的相关性向量。
本实施例还提供了一种基于鸡群算法进行迭代的处理过程，如图2所示，该处理过程可以如下：
步骤201：鸡群分组条件判断
终端在对鸡群算法进行参数初始化时，可以获取预设的迭代次数X、种群的个体数目Pop、关系更新频率G和属性向量的维度(可称为位置维度)Dim，即鸡群每个个体的觅食位置向量包括Dim个维度的值。终端还可以获取预设的公鸡比例rPercent，母鸡比例hPercent和母亲母鸡比例mPercent，然后可以计算公鸡个体数rNum为round(Pop*rPercent)，母鸡个体数hNum为round(Pop*hPercent)，小鸡个体数cNum为Pop-rNum–hNum，母亲母鸡个体数mNum为round(hNum*mPercent)，其中round()表示四舍五入取整。
终端可以对鸡群中的个体进行分组，得到至少一个子群，每个子群可以由一个公鸡、若干母鸡和若干小鸡组成。终端可以分别计算每个个体的最小适应度，然后按照适应度从小到大对个体进行排序。终端可以将适应度值最小的r个个体作为公鸡，并且每只公鸡都是一个子群的头目，具有最差适应度值的c个个体作为小鸡，剩余的个体就作为母鸡。确定分组后，把母鸡依概率分配到各个分组中，这样每个分组的公鸡与母鸡就建立伙伴关系，母鸡的寻优能力受本组公鸡约束。可以在母鸡中依概率(即mPercent)选中一些母鸡作为母亲母鸡，把小鸡依概率分配给母亲母鸡，建立母亲母鸡与小鸡的母子关系，小鸡在母子关系约束下在局部范围内挖掘最优解。
同时这种等级秩序和关系并不是不变的，在一定迭代次数后按适应度重新建立等级秩序，满足算法搜索最优解的需要。这样的鸡群分组以及不断更新充分保证该算法内部个体多对多的信息交流，使探索最优解能力得到进一步开发。
终端在迭代的过程中，可以判断当前迭代次数t是否满足条件：mod(t,G)＝＝1||t＝＝1，若满足该条件，则可以更新鸡群分组，若不满足，则可以不更新鸡群分组。也即，鸡群每G代就更新一次鸡群分组。其中，mod()为求余操作。
步骤202：个体位置更新
(1)公鸡的觅食位置更新
适应度小的公鸡比适应度大的公鸡能优先获得食物，也就是说，适应度小的公鸡在其觅食位置上能够在更大范围内搜索食物，实现全局搜索，它的更新受随机选取的其它公鸡的觅食位置(即属性向量)的影响。位置更新策略用下公式描述：
Figure BDA0001321508310000111
Figure BDA0001321508310000112
xi,j表示第i只公鸡的觅食位置的第j维的值，第j维的值为鸡群算法优化的第j个变量；t表示当前的迭代次数；Randn(0,σ2)表示一个服从均值为0，方差为σ2的正态分布的随机数；fi表示第i只公鸡的适应度；fk表示第k只公鸡的适应度，第k只公鸡随机的从公鸡组里选择；为避免除数为零，在分母中加上无穷小数ε。
在更新公鸡的觅食位置的过程中，将公鸡的新觅食位置的每一维的值均约束在[-π,π]之内，根据每个公鸡的新觅食位置和上述公式(4)和公式(5)，分别计算每个公鸡的最小适应度，得到rNum个公鸡的新觅食位置对应的适应度值。
(2)母鸡的觅食位置更新
母鸡搜索能力较公鸡稍差，其跟随伙伴公鸡搜索，更新受伙伴公鸡的觅食位置影响。同时由于其偷食和它们之间存在竞争，更新又受其它公鸡和母鸡的影响。位置更新策略用下公式描述：
Figure BDA0001321508310000113
Figure BDA0001321508310000114
S2＝exp(fr2-fi)
Rand是一个服从[0，1]均匀分布的随机数，fr1表示该母鸡伙伴公鸡r1的适应度，S1表示伙伴公鸡对其的影响因子，fr2表示该从其他公鸡和母鸡中随机选取个体r2的适应度，S2表示其他鸡对其的影响因子。
在更新母鸡的觅食位置的过程中，将母鸡的新觅食位置的每一维的值均约束在[-π,π]之内，根据每个母鸡的新觅食位置和上述公式(4)和公式(5)，分别计算每个母鸡的最小适应度，得到hNum个母鸡的新觅食位置对应的适应度值。
(3)小鸡的觅食位置更新
小鸡的搜索能力最差，跟随在母亲母鸡附近搜索，搜索范围最小，其实现局部最优解的挖掘。它的搜索范围受母亲母鸡的觅食位置的影响。其位置更新策略用下公式描述：
Figure BDA0001321508310000121
xm,j表示母亲母鸡m的觅食位置的第j维数值，FL反映母鸡的觅食位置对小鸡的觅食位置影响的影响因子，由随机函数随机生成，一般取值范围为(0，2)；
在更新小鸡的觅食位置的过程中，将小鸡的新觅食位置的每一维的值均约束在[-π,π]之内，根据每个小鸡的新觅食位置和上述公式(4)和公式(5)，分别计算每个小鸡的最小适应度，得到cNum个小鸡的新觅食位置对应的适应度值。
步骤203：鸡群个体最优觅食位置更新判断
将所有个体的新觅食位置的适应度，与上一代(包括初始种群)对应个体觅食位置的适应度比较，新觅食位置适应度较小的个体更新为该新觅食位置，参与下一次迭代，新觅食位置适应度较大的个体放弃这次位置更新，保持旧的觅食位置参与下一次迭代。
步骤204：鸡群全局最优的觅食位置更新判断
基于上述处理，当到达预设的迭代次数后，可以得到整个鸡群中，每个个体在迭代过程中的个体最优觅食位置，以及个体最优觅食位置对应的个体最优适应度，然后在个体最优适应度中，确定数值最小的个体最优适应度，作为全局最优适应度，并将全局最优适应度对应的觅食位置，作为全局最优觅食位置。
基于相同的技术构思，本发明施例还提供了一种MIMO OTA三维信道空间特性重现的装置，如图3所示，该装置包括：
获取模块310，用于获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
最优属性向量确定模块320，用于根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
三维信道探头模型确定模块330，用于根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和各探头的功率权重，确定三维信道探头模型。
可选的，所述最优属性向量确定模块320，还用于：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
可选的，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
可选的，所述三维信道探头模型确定模块330，还用于：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
本发明实施例提供的MIMO OTA三维信道空间特性重现的方法及装置，可以获取预设进化算法中的每个个体的初始属性向量(该初始属性向量的维度是根据三维信道探头模型中预设的探头数目N确定的)，然后根据每个个体的初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和全局最优适应度对应的最优属性向量，进而根据最优属性向量，确定探头位置向量和各探头的功率权重，并基于探头位置向量和各探头的功率权重，确定三维信道探头模型。这样，通过灵活的调整各探头的位置以及各探头的权重，来进行信道空间模拟，能够实现高精确度的信道空间模拟，并且无需设置大量的探头，有效的降低了测试成本。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：
获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和各探头的功率权重，确定三维信道探头模型。
可选的，所述根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，包括：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
可选的，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
可选的，所述根据所述最优属性向量，确定探头位置向量，包括：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
可选的，所述根据所述最优属性向量，确定各探头的功率权重，包括：
根据所述最优属性向量和预设的空间相关性算法，确定所述最优属性向量对应的相关性向量；
根据所述目标信道空间的相关性向量和所述最优属性向量对应的相关性向量，确定适应度函数的表达式；
根据所述适应度函数的表达式，确定所述适应度函数取最小值时各探头的功率权重。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral PomponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Ne twork Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Applica tion SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的MIMO OTA三维信道空间特性重现的方法及装置，可以获取预设进化算法中的每个个体的初始属性向量(该初始属性向量的维度是根据三维信道探头模型中预设的探头数目N确定的)，然后根据每个个体的初始属性向量、预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和全局最优适应度对应的最优属性向量，进而根据最优属性向量，确定探头位置向量和各探头的功率权重，并基于探头位置向量和各探头的功率权重，确定三维信道探头模型。这样，通过灵活的调整各探头的位置以及各探头的权重，来进行信道空间模拟，能够实现高精确度的信道空间模拟，并且无需设置大量的探头，有效的降低了测试成本。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种MIMO OTA三维信道空间特性重现的方法，其特征在于，所述方法包括：
获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和所述各探头的功率权重，确定三维信道探头模型；
所述基于所述探头位置向量和所述各探头的功率权重，确定三维信道探头模型的步骤，包括：
基于所述探头位置向量，调整各探头的位置，并基于各探头的功率权重，设置各探头的发射功率，确定所述三维信道探头模型；所述探头设置在探头轨道上，并且能够在所述探头轨道上进行水平和垂直方向上的移动。
2.根据权利要求1所述的方法，其特征在于，所述根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，包括：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
3.根据权利要求1所述的方法，其特征在于，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
4.根据权利要求3所述的方法，其特征在于，所述根据所述最优属性向量，确定探头位置向量，包括：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
5.根据权利要求1所述的方法，其特征在于，所述根据所述最优属性向量，确定各探头的功率权重，包括：
根据所述最优属性向量和预设的空间相关性算法，确定所述最优属性向量对应的相关性向量；
根据所述目标信道空间的相关性向量和所述最优属性向量对应的相关性向量，确定适应度函数的表达式；
根据所述适应度函数的表达式，确定所述适应度函数取最小值时各探头的功率权重。
6.一种MIMO OTA三维信道空间特性重现的装置，其特征在于，所述装置包括：
获取模块，用于获取预设进化算法中的每个个体的初始属性向量，所述初始属性向量的维度根据三维信道探头模型中预设的探头数目N确定；
最优属性向量确定模块，用于根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，确定全局最优适应度和所述全局最优适应度对应的最优属性向量，其中，所述目标信道空间的相关性向量是待模拟的实际信道空间的相关性向量，所述最优属性向量是满足所述全局最优适应度时的属性向量；
三维信道探头模型确定模块，用于根据所述最优属性向量，确定探头位置向量和各探头的功率权重，并基于所述探头位置向量和所述各探头的功率权重，确定三维信道探头模型；
所述三维信道探头模型确定模块，具体用于：
基于所述探头位置向量，调整各探头的位置，并基于各探头的功率权重，设置各探头的发射功率，确定所述三维信道探头模型；所述探头设置在探头轨道上，并且能够在所述探头轨道上进行水平和垂直方向上的移动。
7.根据权利要求6所述的装置，其特征在于，所述最优属性向量确定模块，还用于：
根据所述每个个体的初始属性向量、所述预设进化算法和预先存储的目标信道空间的相关性向量，分别确定每个个体对应的个体最优适应度、以及所述每个个体满足所述个体最优适应度时的属性向量；
将所述个体最优适应度中数值最小的个体最优适应度，作为全局最优适应度，并将所述全局最优适应度对应的属性向量作为最优属性向量。
8.根据权利要求6所述的装置，其特征在于，所述探头位置向量包括各探头的水平方位角和垂直高度角，所述初始属性向量的维度为2N。
9.根据权利要求8所述的装置，其特征在于，所述三维信道探头模型确定模块，还用于：
在所述最优属性向量中，将垂直高度角对应的分量乘以预设的调整比值，得到探头位置向量。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
CN201710447223.6A 2017-06-14 2017-06-14 一种mimo ota三维信道空间特性重现的方法及装置 Active CN107046448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710447223.6A CN107046448B (zh) 2017-06-14 2017-06-14 一种mimo ota三维信道空间特性重现的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710447223.6A CN107046448B (zh) 2017-06-14 2017-06-14 一种mimo ota三维信道空间特性重现的方法及装置

Publications (2)

Publication Number Publication Date
CN107046448A CN107046448A (zh) 2017-08-15
CN107046448B true CN107046448B (zh) 2021-06-08

Family

ID=59546878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710447223.6A Active CN107046448B (zh) 2017-06-14 2017-06-14 一种mimo ota三维信道空间特性重现的方法及装置

Country Status (1)

Country Link
CN (1) CN107046448B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107566051B (zh) * 2017-09-01 2021-12-21 北京邮电大学 一种mimo ota最大三维测试区域大小的确定方法及装置
CN111711966B (zh) * 2020-05-29 2021-11-09 北京邮电大学 一种信道模拟方法及装置
CN112235823B (zh) * 2020-10-14 2023-01-03 东南大学 一种基于文化基因算法的三维空口测试探头选择方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2794417A1 (en) * 2010-05-24 2011-12-01 Elektrobit System Test Oy Over-the-air test
CN105846925B (zh) * 2016-03-21 2018-05-08 北京邮电大学 一种三维mimo ota信道建模的方法及装置
CN106209284B (zh) * 2016-07-07 2018-10-16 北京邮电大学 一种mimo ota信道的创建方法及装置
CN106230531B (zh) * 2016-07-25 2018-10-16 北京邮电大学 一种mimo ota信道建模方法及装置

Also Published As

Publication number Publication date
CN107046448A (zh) 2017-08-15

Similar Documents

Publication Publication Date Title
CN107046448B (zh) 一种mimo ota三维信道空间特性重现的方法及装置
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
KR101680055B1 (ko) 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
CN112235823B (zh) 一种基于文化基因算法的三维空口测试探头选择方法
Bakirtzis et al. DeepRay: Deep learning meets ray-tracing
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN105846925A (zh) 一种三维mimo ota信道建模的方法及装置
US11829883B2 (en) Executing a genetic algorithm on a low-power controller
CN115642970A (zh) 自学习的信道建模方法及系统
CN107566051B (zh) 一种mimo ota最大三维测试区域大小的确定方法及装置
CN114139448B (zh) 海基观测网站位布局优化的方法、系统、介质、终端及应用
Zaarour et al. Comparative experimental study on modeling the path loss of an UWB channel in a mine environment using MLP and RBF neural networks
CN115935761B (zh) 设备的可靠性仿真方法、装置、计算机设备和存储介质
CN109323677A (zh) 改进布谷鸟搜索算法的圆度误差评定算法
CN113055111B (zh) 一种基于贝叶斯优化的信道建模方法及系统
CN115345106A (zh) 电子器件的Verilog-A模型构建方法、系统及设备
CN108460459A (zh) 基于小波神经网络的无人机遥感测温中温度拟合的方法
CN112733433A (zh) 装备测试性策略优化方法和装置
Khurjekar et al. Doa uncertainty quantification with conformal prediction
Akinlana New Developments in Statistical Optimal Designs for Physical and Computer Experiments
Li et al. The TDOA algorithm based on BP neural network optimized by cuckoo search
CN116056158B (zh) 一种频率分配方法、装置、电子设备及存储介质
Nsour et al. Self organized learning applied to Global Positioning System (GPS) data
CN114896799B (zh) 对土地利用和覆被变化的模拟处理方法及装置
CN117494860B (zh) 一种基于土地资源的生态系统评价方法及相关设备

Legal Events

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