CN109039502A - 一种基于频谱预测和感知融合的信道选择方法 - Google Patents
一种基于频谱预测和感知融合的信道选择方法 Download PDFInfo
- Publication number
- CN109039502A CN109039502A CN201811027839.9A CN201811027839A CN109039502A CN 109039502 A CN109039502 A CN 109039502A CN 201811027839 A CN201811027839 A CN 201811027839A CN 109039502 A CN109039502 A CN 109039502A
- Authority
- CN
- China
- Prior art keywords
- channel
- perception
- spectrum
- frequency spectrum
- prediction
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于频谱预测和感知融合的信道选择方法,基于频谱监测的历史数据对信道集合C中每一个信道的平均占用概率Po、信道平均剩余可通信时长Tl、信道平均信噪比SNR三个参数进行统计估计。对信道集合C中每一个信道进行频谱预测,得出信道在预测阶段的检测概率,通过预测信道未来的占用情况,把不可用信道剔除在感知队列之外,减少了频谱感知时间。频谱感知完成后,将频谱感知的结果和频谱预测的结果按照一定的规则进行融合判断,减少漏检和虚警问题给频谱决策带来的误判,提高信道状态的检测性能,能快速地为链路建立过程找到高质量的可用信道。
Description
技术领域
本发明属于无线通信领域,尤其是频谱预测与感知和最佳信道选择方法,具体地说是一种基于频谱预测和感知融合的信道选择方法。
背景技术
频谱预测和频谱感知是获得频谱态势的两大主要方法,简单地来说,频谱感知通过不同的信号检测方法来获得当前的频谱状态,而频谱预测则是通过挖掘频谱历史数据的内部相关性或者规律性来预先获得频谱将来的状态。
无论频谱预测还是频谱预测都存在漏检和虚警问题,漏检是指信道已经被占用而没被预测或检测出来,使用此信道会与信道占用用户的传输产生冲突,而虚警是指信道原本空闲,但预测或检测的结果是占用状态,用户会错失使用该信道的时机。如果将频谱感知的结果频谱预测的结果一并考虑,即按照的一定的规则进行融合判断,可减少漏检和虚警问题给频谱决策带来的误判,提高信道状态的检测性能。
发明内容
本发明的目的在于提供一种基于频谱预测和感知融合的信道选择方法,通过频谱预测的方法将未来频谱状态为占用的信道排除在信道感知次序外,避免在已被占用或不可用的信道上进行频谱感知,大幅降低频谱感知时间;并把频谱感知的结果频谱预测的结果融合,可减少漏检和虚警问题给频谱决策带来的误判,提高信道状态的检测性能,能快速地为链路建立过程找到高质量的可用信道。
本发明的技术方案是:
一种基于频谱预测和感知融合的信道选择方法,步骤如下:
步骤1、对于信道集合C中每一个信道,获取信道平均占用概率Po、信道平均剩余可通信时长Tl和信道平均信噪比SNR;
步骤2、频谱预测:依次对信道集合C中每个信道进行预测,得到预测阶段的信道检测概率将检测概率与信道占用状态检测门限比较,把检测概率大于门限对应的信道从信道集合C中剔除,形成新的信道集合R={f1,f2,......fM}M≤N;
步骤3、频谱感知:获取信道集合R中每个信道的信道质量Q,按Q值由大到小的顺序对集合R中的信道重新排序,形成具备最优感知次序的感知信道队列Ls;
步骤4、对感知信道队列Ls中的信道进行频谱感知,得到检测概率
步骤5、采用或逻辑来融合频谱预测和频谱感知的结果,将融合后的信道检测概率与信道占用状态检测门限Ω比较,将空闲信道选为能够建立链路的信道。
进一步地,步骤1具体为:建立N信道链路进行频谱监测,信道集合为C={f1,f2,......fN},统计信道集合C中每一个信道的平均占用概率Po、信道平均剩余可通信时长Tl和信道平均信噪比SNR。
进一步地,步骤2具体为:采用BP神经网络来预测信道将来的占用状态,依次对信道集合C中的每个信道进行预测,得到每个信道在频谱预测阶段对应的检测概率
在频谱预测阶段,预设信道占用状态门限Ω(0<Ω<1),采用下式判定信道状态:
其中:Ψi=1表示第i个信道被占用,Ψi=0表示第i个信道空闲;
对于信道集合C,依次计算每个信道对应的Ψi,将Ψi=1对应的信道从信道集合C中剔除,只保留Ψi=0的信道,形成新的信道集合R={f1,f2,......fM}M≤N。
进一步地,步骤2中采用BP神经网络来预测信道将来的占用状态具体为:将每个信道监测的历史状态数据进行统计,形成BP神经网络的训练集合,完成训练后,将临近一段时间内的信道状态作为BP神经网络的激励,预测下一时间段内信道的状态分布。
进一步地,步骤3具体为:对进入感知环节的信道集合R中的每个信道,计算信道质量Q;
其中,λ(0<λ<1)参数表示影响信道质量Q值的因子;
按照Qi值由大到小对信道集合R中的M个信道重新排序,形成具备最优感知次序的信道队列Ls={f1′,f′2,......f′M}。
进一步地,步骤4具体为:采用循环平稳特征值检测的方法依次对信道队列Ls中的每个信道进行频谱感知,得到频谱感知阶段对应的检测概率。
进一步地,步骤5具体为:所述采用或逻辑来融合频谱预测和频谱感知的结果,融合后的信道检测概率为:
将融合后的信道检测概率与信道占用状态检测门限Ω比较:
如果则判定该信道空闲,可以选为链路建立的信道,在该信道上展开链路建立过程;
如果则判定该信道被占用,重复上述的步骤4,从信道队列Ls中选出下一个信道进行频谱感知。
本发明的有益效果:
本发明与现有的信道选择技术相比,显著优点在于:(1)通过预测信道未来的占用情况,把不可用信道剔除在感知队列之外,减少了频谱感知时间;(2)按照一定的准则融合了频谱预测阶段和感知阶段的结果,减少漏检和虚警问题给频谱决策带来的误判,提高信道状态的检测性能。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本发明基于频谱预测和感知融合的信道选择流程框图。
图2是本发明基于频谱预测和感知融合的链路建立时序结构。
图3是不同优化准则下链路成功建立平均时间性能对比。
图4是不同优化准则下链路成功建立平均时间的累积分布函数。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
结合图1,本发明基于频谱预测和感知融合的信道选择方法的原理为:通过预测信道未来的占用情况,把不可用信道剔除在感知队列之外,减少了频谱感知时间;按照一定的准则融合频谱预测阶段和感知阶段的结果,减少漏检和虚警给频谱决策带来的误判,提高信道状态的检测性能,具体步骤如下:
步骤1,本发明适用多信道情况,假设有N个信道参与链路建立过程,即信道集合为C={f1,f2,......fN},基于频谱监测的历史数据,采用统计的方法可以对信道集合C中每一个信道的平均占用概率Po、信道平均可剩余通信时长Tl、信道平均信噪比SNR三个参数进行统计估计。
步骤2,本发明采用误差反向传播的动态神经网络(BP神经网络)来预测信道将来的占用状态,通过对每个信道的历史状态数据分析,形成BP神经网络的训练集合,完成训练后,把临近一段时间内的信道状态作为BP神经网络的激励,预测下一时间段内信道的状态分布,即可得到信道在频谱预测阶段的检测概率依次对信道集合C中的每个信道进行预测,可得到每个信道对应的检测概率
设Ω(0<Ω<1)为预测阶段信道占用状态检测门限,有如下的信道状态判定准则:
其中Ψi=1表示第i个信道被占用,Ψi=0表示第i个信道空闲。
对于信道集合C,依次计算每个信道对应的Ψi,将Ψi=1对应的信道从信道集合C中剔除,只保留Ψi=0的信道,形成新的信道集合R={f1,f2,......fM}M≤N。
步骤3,对入感知环节的信道集合R中的每个信道按照如下的优化准则进行排序,形成一个具备最优感知次序的信道队列Ls。用户在进行链路建立时,期望能够快速找到高质量的空闲信道。一般来说,信道的信噪比越大和可剩余通信时长越长就越接近用户的满意度,即信道的信噪比和剩余可通信时长与用户满意度成正比;而信道的占用概率则与用户的满意度成反比。故而我们在设计基于信道质量感知次序优化准则时,应将信噪比、可剩余通信时长的影响放大,而将信道平均占用概率的影响缩小,其基于信道质量感知次序优化准则如公式(1)所示:其中第i个信道对应的信道质量Q值计算如下:
其中λ(0<λ<1)参数表示影响信道质量Q值的权重因子。按照Qi值由大到小对信道集合R中的M个信道重新排序,形成具备最优感知次序的信道队列Ls={f1′,f′2,......f′M}。
步骤4,采用循环平稳特征值信号检测的方法依次对信道队列Ls中的每个信道进行频谱感知,得到频谱感知阶段对应的检测概率
步骤5,采用“或”逻辑来融合频谱预测和频谱感知的结果,融合后的信道检测概率表达式为:
融合后的信道检测概率与信道占用状态检测门限Ω比较,如果则判定该信道空闲,可以选为链路建立的信道,在该信道上展开链路建立过程;如果则判定该信道被占用,从信道队列Ls中选出下一个信道进行频谱感知,重复上述的频谱感知过程(步骤4)。
实施示例
按照本发明提供的链路建立过程中信道选择方法构建的时序结构如图2所示。通常包括,包括七部分:频谱预测、感知次序优化、频谱感知、数据融合、通信链路建立、频谱切换以及数据传输。每次链路建立前,基于频谱监测的历史数据,采用统计的方法可以对信道集合C中每一个信道的平均占用概率Po、信道平均可剩余通信时长Tl、信道平均信噪比SNR三个参数进行统计估计。并按如下感知次序优化准则来优化感知信道序列:
以下采用仿真的方法来验证本发明提高频谱检测概率,缩短链路建立时间的性能。采用蒙特卡罗仿真了500次链路建立过程,对1000个信道的信道平均空闲概率、信道平均剩余通信时长、平均信噪比。依据历史数据进行统计分析,而后设计了不同的信道感知次序优化准则,依据该准则进行频谱预测、频谱感知以及信道链路建立。选取了三种信道感知次序优化准则,分别是基于信道质量感知次序优化准则、基于信道空闲概率感知次序优化准则,以及本发明提出的基于信道质量感知次序优化下的频谱预测和频谱感知融合的准则。仿真中频谱感知时间ts=20ms、频谱预测时间tp=20ms、信道切换时间tsw=2ms、发送一个完整通信链路建立字时间tb=10ms以及信噪比阈值设为7.5dB,且进一步地假设各信道信噪比服从[5,15]范围的均匀分布;其中感知阶段与预测阶段的结果融合准则选择逻辑“或”,可在频谱感知精度低时,提高信道状态的检测性能。
图3给出了不同信道感知次序优化准则下链路成功建立平均时间性能对比结果。其中信道的业务数据包到达模型服从马尔科夫过程,预测检测概率和虚警概率分别设置为0.5、0.5,λ=0.2。从图3中可以看出:在相同呼叫次数的情况下,本发明提出的基于信道质量感知次序优化下的频谱预测和频谱感知融合模型性能最优,基于信道质量感知次序优化准则下的链路建立时间性能次之,基于信道空闲概率感知次序优化下的链路建立时间性能最差。三者的对比可分析出,频谱预测可优化链路建立时间。
在图3中结果的基础上,图4进一步从统计的角度给出了三种信道感知次序优化准则模型下,链路成功建立平均时间的累积分布函数(Cumulative distribution function:CDF),从图4中可以看出:本发明提出的基于信道质量感知次序优化下的频谱预测和频谱感知融合模型的CDF最为陡峭,而基于信道质量感知次序优化准则下CDF较为陡峭,而基于信道空闲概率感知次序优化准则下的CDF最不为陡峭,即本发明提出的信道选择方法下链路建立时间性能更优。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (7)
1.一种基于频谱预测和感知融合的信道选择方法,其特征在于,步骤如下:
步骤1、对于信道集合C中每一个信道,获取信道平均占用概率Po、信道平均剩余可通信时长Tl和信道平均信噪比SNR;
步骤2、频谱预测:依次对信道集合C中每个信道进行预测,得到预测阶段的信道检测概率将检测概率与信道占用状态检测门限比较,把检测概率大于门限对应的信道从信道集合C中剔除,形成新的信道集合R={f1,f2,......fM}M≤N;
步骤3、频谱感知:获取信道集合R中每个信道的信道质量Q,按Q值由大到小的顺序对集合R中的信道重新排序,形成具备最优感知次序的感知信道队列Ls;
步骤4、对感知信道队列Ls中的信道进行频谱感知,得到检测概率
步骤5、采用或逻辑来融合频谱预测和频谱感知的结果,将融合后的信道检测概率与信道占用状态检测门限Ω比较,将空闲信道选为能够建立链路的信道。
2.根据权利要求1所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤1具体为:建立N信道链路进行频谱监测,信道集合为C={f1,f2,......fN},统计信道集合C中每一个信道的平均占用概率Po、信道平均剩余可通信时长Tl和信道平均信噪比SNR。
3.根据权利要求1所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤2具体为:
采用BP神经网络来预测信道将来的占用状态,依次对信道集合C中的每个信道进行预测,得到每个信道在频谱预测阶段对应的检测概率
在频谱预测阶段,预设信道占用状态门限Ω(0<Ω<1),采用下式判定信道状态:
其中:Ψi=1表示第i个信道被占用,Ψi=0表示第i个信道空闲;
对于信道集合C,依次计算每个信道对应的Ψi,将Ψi=1对应的信道从信道集合C中剔除,只保留Ψi=0的信道,形成新的信道集合R={f1,f2,......fM}M≤N。
4.根据权利要求3所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤2中采用BP神经网络来预测信道将来的占用状态具体为:将每个信道监测的历史状态数据进行统计,形成BP神经网络的训练集合,完成训练后,将临近一段时间内的信道状态作为BP神经网络的激励,预测下一时间段内信道的状态分布。
5.根据权利要求1所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤3具体为:对进入感知环节的信道集合R中的每个信道,计算信道质量Q;
其中,λ(0<λ<1)参数表示影响信道质量Q值的因子;
按照Qi值由大到小对信道集合R中的M个信道重新排序,形成具备最优感知次序的信道队列Ls={f′1,f′2,......f′M}。
6.根据权利要求1所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤4具体为:采用循环平稳特征值检测的方法依次对信道队列Ls中的每个信道进行频谱感知,得到频谱感知阶段对应的检测概率。
7.根据权利要求1所述的基于频谱预测和感知融合的信道选择方法,其特征在于,步骤5具体为:所述采用或逻辑来融合频谱预测和频谱感知的结果,融合后的信道检测概率为:
将融合后的信道检测概率与信道占用状态检测门限Ω比较:
如果则判定该信道空闲,可以选为链路建立的信道,在该信道上展开链路建立过程;
如果则判定该信道被占用,重复上述的步骤4,从信道队列Ls中选出下一个信道进行频谱感知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027839.9A CN109039502A (zh) | 2018-09-04 | 2018-09-04 | 一种基于频谱预测和感知融合的信道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027839.9A CN109039502A (zh) | 2018-09-04 | 2018-09-04 | 一种基于频谱预测和感知融合的信道选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109039502A true CN109039502A (zh) | 2018-12-18 |
Family
ID=64623910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811027839.9A Pending CN109039502A (zh) | 2018-09-04 | 2018-09-04 | 一种基于频谱预测和感知融合的信道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039502A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN111565324A (zh) * | 2020-04-28 | 2020-08-21 | 成都米风感知科技有限公司 | 一种认知无线电的实施方法、介质、终端和装置 |
CN111669241A (zh) * | 2019-03-07 | 2020-09-15 | 中国人民解放军陆军工程大学 | 一种短波通信信道可用性的高效预测方法 |
CN111726217A (zh) * | 2020-06-29 | 2020-09-29 | 中南大学 | 基于深度强化学习的宽带无线通信自主选频方法及系统 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN114050856A (zh) * | 2021-09-27 | 2022-02-15 | 南京邮电大学 | 一种卫星频谱占用状态拟合与预测方法 |
WO2023216914A1 (zh) * | 2022-05-10 | 2023-11-16 | 华为技术有限公司 | 测量方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130157580A1 (en) * | 2010-08-17 | 2013-06-20 | Huawei Technologies Co., Ltd. | Spectrum Sensing Method, Apparatus, and System |
CN103209495A (zh) * | 2012-01-16 | 2013-07-17 | 普天信息技术研究院有限公司 | 一种感知频点选择方法 |
CN103746753A (zh) * | 2013-12-19 | 2014-04-23 | 镇江锐捷信息科技有限公司 | 一种基于认知无线网络的数据预测方法 |
CN106685549A (zh) * | 2016-11-17 | 2017-05-17 | 北京邮电大学 | 一种主用户频谱感知方法与装置 |
-
2018
- 2018-09-04 CN CN201811027839.9A patent/CN109039502A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130157580A1 (en) * | 2010-08-17 | 2013-06-20 | Huawei Technologies Co., Ltd. | Spectrum Sensing Method, Apparatus, and System |
CN103209495A (zh) * | 2012-01-16 | 2013-07-17 | 普天信息技术研究院有限公司 | 一种感知频点选择方法 |
CN103746753A (zh) * | 2013-12-19 | 2014-04-23 | 镇江锐捷信息科技有限公司 | 一种基于认知无线网络的数据预测方法 |
CN106685549A (zh) * | 2016-11-17 | 2017-05-17 | 北京邮电大学 | 一种主用户频谱感知方法与装置 |
Non-Patent Citations (4)
Title |
---|
JIAN YANG等: "Enhanced Throughput of Cognitive Radio Networks by Imperfect Spectrum Prediction", 《IEEE COMMUNICATIONS LETTERS》 * |
JING ZHANG等: "On the Usefulness of Spectrum Prediction for Dynamic Spectrum Access", 《2016 8TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS & SIGNAL PROCESSING (WCSP)》 * |
刘镇鸣等: "认知无线电中频谱预测方法", 《兵工自动化》 * |
张静等: "基于信道质量分析的动态频谱接入研究", 《通信技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669241A (zh) * | 2019-03-07 | 2020-09-15 | 中国人民解放军陆军工程大学 | 一种短波通信信道可用性的高效预测方法 |
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN111565324A (zh) * | 2020-04-28 | 2020-08-21 | 成都米风感知科技有限公司 | 一种认知无线电的实施方法、介质、终端和装置 |
CN111565324B (zh) * | 2020-04-28 | 2022-04-19 | 成都米风感知科技有限公司 | 一种认知无线电的实施方法、介质、终端和装置 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN111726217A (zh) * | 2020-06-29 | 2020-09-29 | 中南大学 | 基于深度强化学习的宽带无线通信自主选频方法及系统 |
CN111726217B (zh) * | 2020-06-29 | 2021-07-20 | 中南大学 | 基于深度强化学习的宽带无线通信自主选频方法及系统 |
CN114050856A (zh) * | 2021-09-27 | 2022-02-15 | 南京邮电大学 | 一种卫星频谱占用状态拟合与预测方法 |
CN114050856B (zh) * | 2021-09-27 | 2024-02-20 | 南京邮电大学 | 一种卫星频谱占用状态拟合与预测方法 |
WO2023216914A1 (zh) * | 2022-05-10 | 2023-11-16 | 华为技术有限公司 | 测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109039502A (zh) | 一种基于频谱预测和感知融合的信道选择方法 | |
EP2140705B1 (en) | Handover technique for wireless communications enabled devices | |
CN107026793B (zh) | 路由方法、装置及系统 | |
CN107249200B (zh) | 一种应用模糊预测模型的切换方法 | |
CN102427595B (zh) | 用于异构融合无线网络的自适应优化切换控制方法和装置 | |
CN101442762B (zh) | 网络性能分析以及网络故障定位方法和装置 | |
CN108540330A (zh) | 一种异构网络环境下的基于深度学习的网络故障诊断方法 | |
CN105116870B (zh) | 空调机组的故障分析方法、装置和系统 | |
CN111242225A (zh) | 一种基于卷积神经网络的故障检测与诊断方法 | |
CN104602325A (zh) | 一种基于层次分析法的异构无线网络选择方法 | |
CN103117820A (zh) | 基于可信度的加权协作频谱检测方法 | |
CN102487523B (zh) | 用户投诉分析方法及装置 | |
CN111294819A (zh) | 一种网络优化方法及装置 | |
CN105679335B (zh) | 基于无线分析的语音质量评估方法及系统 | |
CN103731854A (zh) | 基于自组网son的网络状态划分方法、装置和网络系统 | |
CN113133069A (zh) | 一种目标小区的确定方法、装置、电子设备及存储介质 | |
CN103167505A (zh) | 一种小区数据信道配置方法和系统 | |
CN106162782A (zh) | 一种语音回落目标小区的选择方法、装置及终端 | |
CN105101298B (zh) | 一种小区间话务均衡方法、装置和服务器 | |
CN107613531A (zh) | 切换目标小区的方法、基站及用户终端 | |
Lee et al. | A machine learning approach that meets axiomatic properties in probabilistic analysis of LTE spectral efficiency | |
JP2009130728A (ja) | 無線通信網の品質評価システム、通信品質の改善措置対象エリアの抽出方法及びプログラム | |
CN106658548A (zh) | 一种数据流量管控方法和装置 | |
EP2046082A1 (en) | Handover technique for wireless communications enabled devices | |
WO2016065759A1 (zh) | 邻区列表优化方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |