CN109462862A - 一种基于概率的可密性干扰规避方法 - Google Patents
一种基于概率的可密性干扰规避方法 Download PDFInfo
- Publication number
- CN109462862A CN109462862A CN201811318030.1A CN201811318030A CN109462862A CN 109462862 A CN109462862 A CN 109462862A CN 201811318030 A CN201811318030 A CN 201811318030A CN 109462862 A CN109462862 A CN 109462862A
- Authority
- CN
- China
- Prior art keywords
- probability
- user
- interference
- activation
- base station
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于蜂窝移动通信领域,公开了一种基于概率的可密性干扰规避方法,主要解决超密集网络中干扰问题;考虑超密集无线网络干扰特性,采用先激活后关联策略/先关联后激活策略,依概率激活基站减少干扰;进一步采用渐进式干扰消除技术激活用户通信链路,通信链路根据当前感知的“干扰温度”以及干扰的历史信息确定激活(退避)概率,依据概率决定是否在当前时刻进行数据传输。本发明实现了对超密集网络干扰的有效规避,能够从本质上使网络容量渐近趋势发生变化,打破传统的网络容量理论上界,并且在无线干扰得以有效控制的基础上,使多用户MIMO技术的多用户增益得以充分发挥,为多用户MIMO技术在超密集无线网络的应用奠定基础。
Description
技术领域
本发明属于蜂窝移动通信领域,尤其涉及一种基于概率的可密性干扰规避方法。
背景技术
目前,业内常用的现有技术是这样的:移动通信系统的迅速发展及终端设备数量的爆炸式增长,催生了大量的移动业务需求,这对移动通信系统的网络容量提出了更高的要求。超密集组网技术通过减小无线信号传播距离增加频谱资源的空分复用程度,已被业界认为是下一代移动通信系统提升网络容量的最有效途径。然而,网络中频谱资源有限,随着网络中接入节点部署密度的不断增加,由于频谱资源使用冲突导致的网络干扰逐渐加重。因此超密集组网技术在提升网络容量方面存在性能极限,当网络中接入点部署密度增加到一定程度时,严重网络干扰的存在,致使网络容量随网络密集化程度的增加而急剧下降。
提升网络资源的空分复用程度以及抑制网络干扰有助于缓解网络过度致密化带来的瓶颈。多用户多输入多输出(Multiple-Input-Multiple-Output,MIMO)技术是提升网络资源空分复用程度的主要手段之一。通过多用户MIMO的预编码设计,发射端将多个并行的数据流“同时同频”地发送给多个接收端,实现网络资源空分复用。
但是,在超密集无线网络中应用多用户MIMO技术提升网络资源的空分复用程度存在以下问题:超密集网络中干扰程度将进一步加重、干扰结构将更为复杂,致使多用户MIMO的多用户增益难以有效获得。通过传统的多用户MIMO技术仅能够定量地提升无线网络容量,并不能改变容量随密集程度的渐近趋势,即网络超密集部署时,干扰的严重恶化会使网络容量最终消失殆尽。
在超密集无线网络中,干扰的结构特征发生显著变化,传统的干扰消除技术存在以下问题:传统干扰消除和干扰协调技术仅能够抑制网络中的局部干扰,并不能从根本上减轻网络的全局干扰,因此上述方法仅在提升超密集无线网络容量方面存在增益,但并未使容量畸变密度显著提高。
以上传统干扰管控方法存在的缺陷使得超密集网络中的干扰得不到高效的管理,很大程度上限制了用户容量和系统速率的提升。因此需要充分针对干扰的新特性,设计与之匹配的干扰管理新方法,提升网络整体性能,扩大超密集组网技术的适用范围。
发明内容
针对现有技术存在的问题,本发明提供了一种基于概率的可密性干扰规避方法。
本发明是这样实现的,一种基于概率的可密性干扰规避方法,所述基于概率的可密性干扰规避方法采用先激活后关联策略(Activation-FirstPolicy,AcF)/先关联后激活策略(Association-FirstPolicy,AsF)激活基站;采用渐进式干扰消除技术激活用户通信链路,通信链路根据当前感知的干扰温度以及干扰的历史信息确定激活概率,依据概率决定是否在当前时刻进行数据传输。
进一步,所述基于概率的可密性干扰规避方法包括:
步骤一,采用先激活后关联或者先关联后激活策略激活基站以抑制干扰;
步骤二,采用博弈理论设计基于干扰动态感知的分布式干扰规避方案,根据当前感知的干扰温度以及干扰的历史信息确定用户通信链路的激活/退避概率当用户探测到局部干扰微弱时,增加激活概率,通过网络局部干扰变化,将用户通信链路激活概率调整至稳定值。
进一步,所述先激活后关联策略/先关联后激活策略具体包括:
(1)AcF策略:
1)在每个时隙中,每个小区基站独立地以概率pa保持激活,当网络密集部时,优化激活概率使得基站的激活密度始终保持在网络容量最大时对应的临界密度值,优化概率的计算公式如下:
其中,为用户n通信链路的激活/退避概率,λBS为基站密度,Δh表示基站和用户间天线高度差,NU为基站能够同时服务的用户数,α为路径衰减指数,τ为接收端解调门限。 为标准高斯超几何函数。假设蜂窝用户密度远大于蜂窝基站密度。
2)下行链路用户根据最近关联规则连接到激活的基站;
(2)AsF策略:
1)下行链路用户根据最近关联规则连接到小区基站;
2)在每个时隙中,每个小区基站独立地以概率pa保持激活,当网络密集部时,优化激活概率使得基站的激活密度始终保持在网络容量最大时对应的临界密度值,优化概率的计算公式如下:
进一步,所述基于干扰动态感知的分布式干扰规避方案具体包括:
(1)设计最大化博弈模型;
(2)设计用户n的效用函数Un;
(3)使用户根据感知的有用信号强度及干扰信号强度动态调整通信链路激活/退避概率:
1)通信链路探测周围的干扰功率;
2)引入额外状态变量αn表征局中人的情绪状态,使用户能根据干扰状况动态地调整策略选择概率:将用户的情绪状态分为两类:保守状态(c)和激进状态(r);
3)依据情绪函数判断用户情绪状态;
4)计算资源块占用概率;
5)基于用户的信号噪声干扰比γnk,用户n占用资源块k时的激活概率:
其中β∈(0,1)为一常量,反映信号噪声干扰比对激活概率的影响;用户n占用资源块保持静默状态的概率,即退避概率为
6)计算用户n选择第k个策略的概率xnk:
其中P(δnk)为用户n占用第k个资源块的概率。
7)计算用户n通信链路的激活/退避概率
由于用户通信链路的激活概率为用户保持静默状态时的退避概率为
8)重复上述迭代过程:
在迭代过程中,用户通信链路的激活/退避概率得以优化。
(4)用户n依据概率决定在当前时刻是否进行数据传输,从而实现对超密集无线网络中干扰的渐进式规避。
进一步,所述最大化博弈模型:
其中表示局中人,超密集无线网络的用户集合,表示用户n的选择策略集合,资源块选择策略,用户n选择一个资源块进行数据传输或者不选择资源块进行传输,为一个策略。
进一步,所述效用函数:
为最大化网络容量,Un设置为用户n占用每个资源块传输速率的均值;在下行蜂窝网络中,每个小区分配K个资源块,则资源块选择策略的集合大小可表示为第n个用户选择第k个策略所受到的干扰为Ink,其选择第k个策略的概率为xnk;式中,B0表示信道带宽,P表示基站的发射功率,表示用户n所属基站m到用户n占用资源块k的信道增益,用户n的信号噪声干扰比为σ2表示用户在一个资源块上通信时的噪声功率,k=0表示用户n不占用资源块,处于静默状态,此时
进一步,所述情绪函数:
其中,ε∈(0,1),用户n在个策略中不存在小区间干扰时的最大信噪比;P(αn=c)、P(αn=r)分别表示任意局中人n情绪处于保守状态和激进状态的概率。
进一步,所述用户n占用第k个资源块的概率计算公式:
任意局中人n情绪状态处于αn=r时,用户n占用第k个资源块的概率为:
其中,δnk代表用户n所选择的资源块;
任意局中人n情绪状态处于αn=c时,用户n以很大的概率选择上次迭代所占用的资源块,反之,则会以较小的概率选择一个其他资源块:
本发明的另一目的在于提供一种应用所述基于概率的可密性干扰规避方法的蜂窝移动通信系统。
本发明的另一目的在于提供一种应用所述基于概率的可密性干扰规避方法的蜂窝多用户MIMO系统。
综上所述,本发明的优点及积极效果为:采用先激活后关联策略/先关联后激活策略激活基站;采用渐进式干扰消除技术规避干扰,能够在用户充分感知超密集无线网络各资源块干扰的前提下,分布式地对通信链路激活/规避概率进行动态调整,有效规避干扰,提升网络容量。
本发明在进行超密集无线网络设计时,对干扰结构加以充分利用;能够在用户充分感知超密集无线网络各资源块干扰的前提下,分布式地对通信链路的激活/退避概率进行动态调整,并且采用优化的基站激活概率可以有效规避干扰,改变网络容量渐近趋势,在迅速收敛的同时,提升网络容量。同时,采用上述分布式的干扰规避方法,即便在密集部署的无线网络中,干扰信号间的差异性也得以增加,干扰消除技术的可行域得以扩大。
本发明实现了对超密集无线网络干扰的高效管理,突破了超密集组网技术在提升网络容量方面的性能界限,扩大了超密集网络的可行域,并且,在无线干扰得以有效控制的基础上,使多用户MIMO技术的多用户增益得以充分发挥,可以为获得多用户MIMO在超密集无线网络中的多用户增益提供技术指导。
附图说明
图1是本发明实施例提供的基于概率的可密性干扰规避方法流程图。
图2是本发明实施例提供的渐进式干扰消除技术实现流程图。
图3是本发明实施例提供的用户动态调整通信链路激活概率实现流程图。
图4是本发明实施例提供的对基站采用恒定概率激活时,网络容量随基站密度变化曲线示意图。
图5是本发明实施例提供的对基站采用优化概率激活时,网络容量随基站密度变化曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
传统干扰管控方法存在使得超密集网络中的干扰得不到高效的管理,限制了用户容量和系统速率的提升;本发明实现了对超密集无线网络干扰的高效管理,突破了超密集组网技术在提升网络容量方面的性能界限;在无线干扰得以有效控制的基础上,使多用户MIMO技术的多用户增益得以充分发挥,为多用户MIMO技术在超密集无线网络的应用奠定基础。。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于概率的可密性干扰规避方法包括以下步骤:
S101:采用先激活后关联AcF策略或者先关联后激活AsF策略激活基站;
S102:采用渐进式干扰消除技术实现分布式干扰规避。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的基于概率的可密性干扰规避方法具体包括以下步骤:
将下行蜂窝网络作为典型场景,假设网络中基站位置和用户位置服从密度为λBS和λU的泊松点过程,且λBS<<λU。
步骤一,采用先激活后关联AcF策略或者先关联后激活AsF策略抑制干扰:
(1)所述AcF策略的具体步骤如下:
1)在每个时隙中,每个小区基站独立地以概率pa保持激活,当网络密集部时,优化激活概率使得基站的激活密度始终保持在网络容量最大时对应的临界密度值,优化概率的计算公式如下:
其中,为用户n通信链路的激活/退避概率,λBS为基站密度,Δh表示基站和用户间天线高度差,NU为基站能够同时服务的用户数,α为路径衰减指数,τ为接收端解调门限。 为标准高斯超几何函数。假设蜂窝用户密度远大于蜂窝基站密度。
2)下行链路用户根据最近关联规则连接到激活的基站;
(2)所述AsF策略的具体步骤如下:
1)下行链路用户根据最近关联规则连接到小区基站;
2)在每个时隙中,每个小区基站独立地以概率pa保持激活,当网络密集部时,优化激活概率使得基站的激活密度始终保持在网络容量最大时对应的临界密度值,优化概率的计算公式如下:
步骤二,如图2所示,采用博弈理论设计基于干扰动态感知的分布式干扰规避方案,根据当前感知的“干扰温度”以及干扰的历史信息(如统计得到的干扰分布)确定用户通信链路的激活/退避概率当用户探测到局部干扰微弱时,增加激活概率,通过网络局部干扰变化,将用户通信链路激活概率调整至稳定值;同时,为了保证调度的公平性,激活概率的调整准则对于所有通信链路保持一致,具体步骤如下:
(1)设计最大化博弈模型:其中表示局中人,即超密集无线网络的用户集合,表示用户n的选择策略集合,即资源块选择策略,用户n选择一个资源块进行数据传输或者不选择资源块进行传输,即为一个策略;
(2)设计用户n的效用函数Un:为最大化网络容量,Un设置为用户n占用每个资源块传输速率的均值。在下行蜂窝网络中,设每个小区分配K个资源块,则资源块选择策略的集合大小可表示为第n个用户选择第k个策略所受到的干扰为Ink,其选择第k个策略的概率为xnk,则用户n的效用函数可表示为:
在式(1)中,B0表示信道带宽,P表示基站的发射功率,表示用户n所属基站m到用户n占用资源块k的信道增益,用户n的信号噪声干扰比为σ2表示用户在一个资源块上通信时的噪声功率,k=0表示用户n不占用资源块,即处于静默状态,此时
(3)如图3所示,使用户根据感知的有用信号强度及干扰信号强度动态调整通信链路激活/退避概率:
(3a)通信链路探测周围的干扰功率;
(3b)引入额外状态变量αn表征局中人的情绪状态,使用户能根据干扰状况动态地调整策略选择概率:
将用户的情绪状态分为两类:保守状态(c)和激进状态(r);
其中保守状态意味着当前资源块的信干噪比足以保证用户的服务质量要求,而激进状态意味着当前资源块的干扰太严重;保守的局中人将会以一个较小的概率探索一个新的、不同于上一时刻的资源块进行通信,从而保证网络状态的稳定性;激进的局中人将不会对已正在使用的资源块有任何“留恋”,当需要进行新一轮决策时其将以相同概率选择任意一个可用资源块;
(3c)设计情绪函数:
在式(2)中,ε∈(0,1),即是用户n在个策略中不存在小区间干扰时的最大信噪比。P(αn=c)、P(αn=r)分别表示任意局中人n情绪处于保守状态和激进状态的概率;
(3d)计算资源块占用概率:
任意局中人n情绪状态处于αn=r时,用户n占用第k个资源块的概率为:
其中,δnk代表用户n所选择的资源块;
任意局中人n情绪状态处于αn=c时,用户n会以很大的概率选择上次迭代所占用的资源块,反之,则会以较小的概率选择一个其他资源块:
(3e)基于用户的信号噪声干扰比γnk,设定用户n占用资源块k时的激活概率,如式(3)所示:
其中β∈(0,1)为一常量,它能够反映信号噪声干扰比对激活概率的影响。相应地,用户n占用策略保持静默状态的概率,即退避概率为
(3f)计算用户n选择第k个策略的概率xnk:
(3g)计算用户n通信链路的激活/退避概率
由于用户通信链路的激活概率为用户保持静默状态时的退避概率为
(3h)重复上述迭代过程:
在迭代过程中,用户通信链路的激活/退避概率得以优化。
(4)用户n依据概率决定在当前时刻是否进行数据传输,从而实现对超密集无线网络中干扰的渐进式规避。
下面结合仿真结果对本发明的应用效果作详细的描述。
1、仿真参数设置:
考虑一个多用户MIMO的下行蜂窝网络,每个基站上配置的天线数为Na,基站能够为NU个用户同时服务,并且假设NU=Na,蜂窝基站采用相同的发射功率为其关联的用户提供服务;考虑超密集假设,即蜂窝用户密度远大于蜂窝基站密度;所有下行蜂窝用户与其距离最近的蜂窝基站进行关联。默认系统参数设置为:基站发射功率P=20dBm,接收端解调门限τ=10dB,关联基站与用户之间的高度差Δh=2m;采用单斜率路径损耗模型,衰减指数α=2.5。
2、仿真内容与结果:
从图4可以看出,采用固定概率激活基站虽然会明显提高多用户MIMO系统的网络容量,但是,随着基站密度的增加,网络容量依然会衰减至0,且网络密集时多用户MIMO的性能增益并没有体现出来;此外,对比图4(a)和4(b)可知,在相同的激活概率下,相比于AcF策略,AsF策略带来的网络容量增益更大,这是因为AsF策略中用户关联基站的平均距离更小,即随着基站密度的增加,关联基站的平均距离减小得更加显著。
从图5可以看出,当网络比较密集时,采用优化后的基站激活概率可以从根本上改变网络容量的渐变趋势,即随着基站密度的增加,网络容量不再衰减为0,而是趋于正常数。此外,采用优化后的激活概率,AsF策略可以有效提升网络容量的最大值,在干扰得以有效管理的基础上,使多用户MIMO的性能增益亦得以体现,即基站天线数越多,网络容量越大。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于概率的可密性干扰规避方法,其特征在于,所述基于概率的可密性干扰规避方法采用先激活后关联策略/先关联后激活策略激活基站;采用渐进式干扰消除技术激活用户通信链路,通信链路根据当前感知的干扰温度以及干扰的历史信息确定激活概率,依据概率决定是否在当前时刻进行数据传输。
2.如权利要求1所述的基于概率的可密性干扰规避方法,其特征在于,所述基于概率的可密性干扰规避方法包括:
步骤一,采用先激活后关联AcF策略或者先关联后激活AsF策略抑制干扰;
步骤二,采用博弈理论设计基于干扰动态感知的分布式干扰规避方案,根据当前感知的干扰温度以及干扰的历史信息确定用户通信链路的激活/退避概率当用户探测到局部干扰微弱时,增加激活概率,通过网络局部干扰变化,将用户通信链路激活概率调整至稳定值。
3.如权利要求2所述的基于概率的可密性干扰规避方法,其特征在于,所述先激活后关联AcF策略/先关联后激活AsF策略具体包括:
(1)AcF策略:
1)在每个时隙中,每个小区基站独立地以概率pa保持激活;
2)下行链路用户根据最近关联规则连接到激活的基站;
(2)AsF策略:
1)下行链路用户根据最近关联规则连接到小区基站;
2)在每个时隙中,每个小区基站独立地以概率pa保持激活。
4.如权利要求2所述的基于概率的可密性干扰规避方法,其特征在于,所述先激活后关联策略/先关联后激活策略中,当网络密集部署时,优化的基站激活概率的计算公式如下:
其中,为用户n通信链路的激活/退避概率,λBS为基站密度,Δh表示基站和用户间天线高度差,NU为基站能够同时服务的用户数,α为路径衰减指数,τ为接收端解调门限; 为标准高斯超几何函数;假设蜂窝用户密度远大于蜂窝基站密度。
5.如权利要求2所述的基于概率的可密性干扰规避方法,其特征在于,所述基于干扰动态感知的分布式干扰规避方案具体包括:
(1)设计最大化博弈模型;
(2)设计用户n的效用函数Un;
(3)使用户根据感知的有用信号强度及干扰信号强度动态调整激活/退避概率:
1)通信链路探测周围的干扰功率;
2)引入额外状态变量αn表征局中人的情绪状态,使用户能根据干扰状况动态地调整策略选择概率:将用户的情绪状态分为两类:保守状态(c)和激进状态(r);
3)依据情绪函数判断用户情绪状态;
4)计算资源块占用概率;
5)基于用户的信号噪声干扰比γnk,用户n占用资源块k时的激活概率:
其中β∈(0,1)为一常量,反映信号噪声干扰比对激活概率的影响;用户n占用策略保持静默状态的概率,即退避概率为
6)计算用户n选择第k个策略的概率xnk:
其中P(δnk)为用户n占用第k个资源块的概率;
7)计算用户n通信链路的激活/退避概率
由于用户通信链路的激活概率为用户保持静默状态时的退避概率为
8)重复上述迭代过程:
在迭代过程中,用户通信链路的激活/退避概率得以优化;
(4)用户n依据概率决定在当前时刻是否进行数据传输,从而实现对超密集无线网络中干扰的渐进式规避。
6.如权利要求2所述的基于概率的可密性干扰规避方法,其特征在于,所述基于干扰动态感知的分布式干扰规避方案中用于判断用户状态的情绪函数如下:
其中,ε∈(0,1),ζ=max{ζnk|xnk∈Sn},用户n在|Sn|=K+1个策略中不存在小区间干扰时的最大信噪比;P(αn=c)、P(αn=r)分别表示任意局中人n情绪处于保守状态和激进状态的概率。
7.如权利要求2所述的基于概率的可密性干扰规避方法,其特征在于,所述基于干扰动态感知的分布式干扰规避方案中用户n占用第k个资源块的概率计算公式:
任意局中人n情绪状态处于αn=r时,用户n占用第k个资源块的概率为:
其中,δnk代表用户n所选择的资源块;
任意局中人n情绪状态处于αn=c时,用户n以很大的概率选择上次迭代所占用的资源块,反之,则会以较小的概率选择一个其他资源块:
8.一种应用权利要求1~7任意一项所述基于概率的可密性干扰规避方法的蜂窝移动通信系统。
9.一种应用权利要求1~7任意一项所述基于概率的可密性干扰规避方法的蜂窝多用户MIMO系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811318030.1A CN109462862B (zh) | 2018-11-07 | 2018-11-07 | 一种基于概率的可密性干扰规避方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811318030.1A CN109462862B (zh) | 2018-11-07 | 2018-11-07 | 一种基于概率的可密性干扰规避方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109462862A true CN109462862A (zh) | 2019-03-12 |
CN109462862B CN109462862B (zh) | 2022-02-18 |
Family
ID=65609515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811318030.1A Active CN109462862B (zh) | 2018-11-07 | 2018-11-07 | 一种基于概率的可密性干扰规避方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109462862B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557767A (zh) * | 2019-09-06 | 2019-12-10 | 华南师范大学 | 一种基站调配方法、装置及设备 |
WO2022001650A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 干扰协同方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102307351A (zh) * | 2011-08-29 | 2012-01-04 | 中山大学 | 一种基于博弈论下的频谱分配方法及通信设备和系统 |
CN104955161A (zh) * | 2015-06-19 | 2015-09-30 | 西安电子科技大学 | 异构网络中基于femtocell分簇和宏用户调度的干扰协调方法 |
CN107466099A (zh) * | 2017-07-31 | 2017-12-12 | 北京邮电大学 | 一种基于非正交多址接入的干扰管理自优化方法 |
CN107949025A (zh) * | 2017-11-02 | 2018-04-20 | 南京南瑞集团公司 | 一种基于非合作博弈的网络选择方法 |
-
2018
- 2018-11-07 CN CN201811318030.1A patent/CN109462862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102307351A (zh) * | 2011-08-29 | 2012-01-04 | 中山大学 | 一种基于博弈论下的频谱分配方法及通信设备和系统 |
CN104955161A (zh) * | 2015-06-19 | 2015-09-30 | 西安电子科技大学 | 异构网络中基于femtocell分簇和宏用户调度的干扰协调方法 |
CN107466099A (zh) * | 2017-07-31 | 2017-12-12 | 北京邮电大学 | 一种基于非正交多址接入的干扰管理自优化方法 |
CN107949025A (zh) * | 2017-11-02 | 2018-04-20 | 南京南瑞集团公司 | 一种基于非合作博弈的网络选择方法 |
Non-Patent Citations (3)
Title |
---|
JUNYU LIU: "Improving Network Capacity Scaling Law in Ultra-Dense Small Cell Networks", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
JUNYU LIU: "Performance Analysis and Optimization of UAV Integrated Terrestrial Cellular Network", 《IEEE INTERNET OF THINGS JOURNAL》 * |
刘俊宇: "基于稀疏码多址接入的无线网络容量研究", 《中国博士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557767A (zh) * | 2019-09-06 | 2019-12-10 | 华南师范大学 | 一种基站调配方法、装置及设备 |
WO2022001650A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 干扰协同方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109462862B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10055682B2 (en) | Self-optimizing deployment cascade control scheme and device based on TDMA for indoor small cell in interference environments | |
CN106658679B (zh) | 基于能效的基站功率控制方法 | |
CN106455083A (zh) | 一种d2d通信资源复用选择的方法及基站、终端 | |
Ardah et al. | A novel cell reconfiguration technique for dynamic TDD wireless networks | |
Elsayed et al. | Radio resource and beam management in 5G mmWave using clustering and deep reinforcement learning | |
Youssef et al. | Waterfilling-based resource allocation techniques in downlink non-orthogonal multiple access (NOMA) with single-user MIMO | |
CN109462862A (zh) | 一种基于概率的可密性干扰规避方法 | |
CN110139281A (zh) | 一种基于K-means的全双工D2D分簇资源分配的方法 | |
Wu et al. | Load-aware energy efficiency optimization in dense small cell networks | |
Jalali et al. | Antenna selection and resource allocation in downlink MISO OFDMA femtocell networks | |
Marinello Filho et al. | Joint uplink and downlink optimization of pilot assignment for massive MIMO with power control | |
Stiakogiannakis et al. | Adaptive power allocation and control in time-varying multi-carrier MIMO networks | |
Feng et al. | Adaptive pilot design for massive MIMO HetNets with wireless backhaul | |
CN107046690A (zh) | 一种认知Femtocell网络混合频谱接入方法 | |
Tsai et al. | QoE-aware Q-learning based approach to dynamic TDD uplink-downlink reconfiguration in indoor small cell networks | |
Razlighi et al. | Optimal centralized dynamic-TDD scheduling scheme for a general network of half-duplex nodes | |
Corvino et al. | A novel distributed interference mitigation technique using power planning | |
CN107613554B (zh) | 一种干扰感知分布式鲁棒下行功率控制方法 | |
Han et al. | Throughput maximization using adaptive modulation in wireless networks with fairness constraint | |
Tang et al. | A beam coordination based interference mitigation scheme for 5G dynamic TDD | |
Ombongi et al. | Energy Efficient Resource Allocation in Millimeter-Wave D2D Enabled 5G Cellular Networks | |
Kiamari et al. | SINR-threshold scheduling with binary power control for D2D networks | |
Marinello et al. | Massive MIMO pilot assignment optimization based on total capacity | |
Xu et al. | Time-frequency resource allocation for min-rate guaranteed services in OFDM distributed antenna systems | |
Maaz et al. | Inter-cell interference coordination based on power control for self-organized 4G systems |
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 |