CN110365387A - 一种蜂窝通信系统的波束选择方法 - Google Patents

一种蜂窝通信系统的波束选择方法 Download PDF

Info

Publication number
CN110365387A
CN110365387A CN201910640413.9A CN201910640413A CN110365387A CN 110365387 A CN110365387 A CN 110365387A CN 201910640413 A CN201910640413 A CN 201910640413A CN 110365387 A CN110365387 A CN 110365387A
Authority
CN
China
Prior art keywords
frame
base station
intruder
information
link
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
Application number
CN201910640413.9A
Other languages
English (en)
Other versions
CN110365387B (zh
Inventor
梁应敞
葛君刚
谭俊杰
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 Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910640413.9A priority Critical patent/CN110365387B/zh
Publication of CN110365387A publication Critical patent/CN110365387A/zh
Application granted granted Critical
Publication of CN110365387B publication Critical patent/CN110365387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0868—Hybrid systems, i.e. switching and combining
    • H04B7/088—Hybrid systems, i.e. switching and combining using beam selection

Landscapes

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

Abstract

本发明属于无线通信技术领域，涉及一种蜂窝通信系统的波束选择方法。本发明提出基于深度强化学习的智能波束选择方法来根据局部和历史的环境观测信息进行波束选择。本发明不需要获取实时的全局信道信息，只需要根据局部的信道信息进行决策，在蜂窝之间交互信息量比较少的条件下得到提高整个系统总吞吐量的波束选择策略。

Description

一种蜂窝通信系统的波束选择方法
技术领域
本发明属于无线通信技术领域，涉及一种蜂窝通信系统的波束选择方法。
背景技术
传统的移动通信系统通常被设计成蜂窝式结构，并且相邻蜂窝内的基站通常在不同的频谱上为其蜂窝内的移动台提供服务，而3G之后的移动通信系统，如LTE、LTE-Advaced以及5G，都解除了对频率复用因子的限制，允许所有的蜂窝在相同的频带上工作，旨在提高传统移动通信系统的容量及频谱效率。然而，由此造成的蜂窝间的互相干扰严重限制了蜂窝网络的性能。在使用多天线基站的蜂窝通信系统中，基站通常采用波束成形技术，即通过对发送天线阵元馈电进行幅度和相位调整，形成特定指向的波束进行数据传输，从而有效提高通信链路质量。因此，协同波束成形被认为是一种能够减小蜂窝间干扰、提高系统性能的极具前景的方案。然而，目前的协同波束成形算法需要获取整个系统中所有信道的实时信道状态信息，这是难以实现的。
发明内容
针对上述问题，本发明提出基于深度强化学习的智能波束选择方法来根据局部和历史的环境观测信息进行波束选择。
本发明考虑如图1所示的蜂窝通信系统模型，该蜂窝通信系统中具有M个蜂窝，每个蜂窝中心处有一个多天线基站(Base Station,BS)采用波束成形技术为蜂窝内的一个单天线移动台(Mobile Station,MS)提供下行数据传输，即每个蜂窝内都具有一个多输入单输出(Multi Input Single Output,MISO)系统。本发明设计了在此蜂窝通信系统中的帧结构，如图2所示，作为决策者，在每一帧的开头，基站与相邻基站交互信息，并结合自身的信息与交互得到的信息使用深度强化学习算法选择一个波束成形矢量，然后在这一帧的余下部分采用该波束成形矢量进行数据传输。
在这个蜂窝通信系统中，所有的信道由两部分组成：大尺度衰落和小尺度衰落。在该系统的第t帧中，表示从基站BSj到移动台MSk的信道系数，其中βj→k表示大尺度衰落因子，与基站BSj到移动台MSk的距离有关，L表示基站到移动台之间的多径数量，表示由L条多径上小尺度衰落因子组成的小尺度衰落向量，A(Nt,θj→k,Δ)＝[a1(Nt,φ1)；a2(Nt,φ2)；…；aL(Nt,φL)]表示L条多径上基站天线阵列响应向量的组合矩阵，Nt表示基站处均匀线性阵列天线数量，表示第i条多径在基站天线阵列处的离开角(Angle of Departure,AOD)，θj→k表示移动台MSk相对于基站BSj的方位角，Δ表示L条多径在基站天线阵列处的离开角的角度扩展范围。在该模型中，小尺度衰落因子在同一帧中保持不变，但是会在不同帧之间发生变化，大尺度衰落因子保持不变。对于所有小尺度衰落因子，我们采用Jake’s模型来描述相邻两帧之间的变化，即
其中，均服从复高斯分布IL表示基站到移动台之间L条多径上小尺度衰落因子的互相关矩阵为单位阵，即L条多径上小尺度衰落因子是服从复高斯分布的独立随机变量；ρ表示不同帧之间的小尺度衰落因子相关系数。
基站BSk在一个帧中移动台MSk发送的符号为xk，那么在第t帧中，移动台MSk接收到的信号可以表示为
其中，表示基站BSk在第t帧中的波束成形矢量，zk表示移动台MSk接收机处的加性噪声，zk服从复高斯分布
由于移动台MSk只解调基站BSk发送的信息，所以它把接收到的来自其他基站的信号当作干扰，因此，移动台MSk的接收信干噪比(signal-to-interference-noise-ratio,SINR)为
本发明目标是找出一种有效的波束成形矢量选择方法最大化该蜂窝通信系统中所有移动台的和速率，即
其中，在问题(4)中，要求解最优的W(t)，显然需要获取整个系统中所有信道的实时信道状态信息，但这是难以实现的。考虑到深度强化学习算法能够在复杂的环境观测数据中提取特征，进而在复杂的动态环境中快速、准确地做出决策，本发明提出采用深度强化学习算法来实现每个多天线基站波束成形矢量的动态选择。特别地，深度强化学习可以根据局部的、过时的环境观测信息实时调整波束成形矢量选择方案来提高整个系统的性能。
本发明首先将原问题(4)中的波束成形矢量进行离散化处理，将原问题转化为一个选择问题，即
其中，表示基站的发射功率，将其取值范围[0,pmax]离散成Q1个取值，即可选功率值为 是一个模为1的向量，也称为码字，表示波束在不同的方向上具有不同的增益，即波束的指向性。因此，本发明提出用Q2个码字组成的码本来覆盖二维平面上的各个方向，码本可以表示为其中一般地，码本中的码字个数Q2大于天线数Nt，天线间距等于电磁波半波长，本发明中的码本用矩阵C(一列即为一个码字)表示，第q个码字中第k根天线的权值表示为：
基于深度强化学习的方法主要涉及到状态、动作、奖励函数的设计，我们将从上述三方面介绍方案设计。
状态参数设置：在第t帧中，基站BSk的状态包括基站本地信息、干扰者信息和被干扰者信息，所述干扰者信息和被干扰者信息为通过基站与相邻基站的交互信息；
基站本地信息包括：第t-1帧的发射功率第t-1帧的码字第t帧信道状态信息实虚部第t-1帧链路k的频谱效率第t-1帧选择动作前的等效信道增益第t帧选择动作前的等效信道增益第t帧选择动作前移动台接收到的干扰加噪声能量第t-1帧选择动作前移动台接收到的干扰加噪声能量
干扰者信息包括：
a)第t帧选择动作前的干扰者信息：干扰者标号j，第t帧选择动作前移动台MSk接收到的来自干扰者j的信号能量干扰者j第t-1帧内采用的码字链路j第t-1帧内的频谱效率其中 表示链路k在第t帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合。
b)第t-1帧选择动作前的干扰者信息：干扰者标号j'，第t-1帧选择动作前移动台MSk接收到的来自干扰者j'的信号能量干扰者j'第t-2帧内采用的码字链路j'第t-2帧内的频谱效率其中 表示链路k在第t-1帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合。
被干扰者信息包括：第t-1帧选择动作后基站BSk到被干扰移动台MSj的等效信道增益被干扰者j第t-1帧内的频谱效率第t-1帧选择动作后移动台MSj接收到的来自干扰者k的信号能量在移动台MSj接收到的干扰加噪声能量中的占比其中 表示链路k在第t-1帧内选择动作后的受链路k干扰最大的前n个被干扰者组成的集合。
动作设置：由式(5)可知，在第t帧中，BSk只需要选择一个组合就可以确定波束成形矢量，因此，动作空间可以设置为其中 动作空间大小为Q1×Q2。
奖励函数设置：本发明中，奖励函数由两部分构成，第一部分是BSk采取决策之后MSk吞吐率，作为奖励函数中的奖励项；第二部分是由于BSk采取决策导致链路k干扰其他链路造成的其他链路的性能损失，作为奖励函数中的惩罚项。综上，奖励函数可以表示为：
其中
本发明的有益效果在于，本发明不需要获取实时的全局信道信息，只需要根据局部的信道信息进行决策，在蜂窝之间交互信息量比较少的条件下得到提高整个系统总吞吐量的波束选择策略。
附图说明
图1示出了本发明中的蜂窝移动通信系统模型；
图2示出了本发明中蜂窝移动通信系统下行链路的帧结构；
图3示出了本发明中蜂窝基站之间的局部信息交互过程；
图4示出了本发明中基于深度强化学习的波束选择方法的学习及决策流程；
图5示出了本发明中提出的智能波束选择方法和其他波束成形方法的性能对比。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步详细描述。
图1示出了本发明中的蜂窝通信系统模型，该蜂窝通信系统中具有M个蜂窝，每个蜂窝中心处有一个多天线基站(Base Station,BS)采用波束成形技术为蜂窝内的一个单天线移动台(Mobile Station,MS)提供下行数据传输，即每个蜂窝内都具有一个多输入单输出(Multi Input Single Output,MISO)系统。本发明设计了在此蜂窝通信系统中的帧结构，如图2所示，作为决策者，在每一帧的开头，基站与相邻基站交互信息，并结合自身的信息与交互得到的信息选择一个波束成形矢量，然后在这一帧的余下部分采用该波束成形矢量进行数据传输。
在这个蜂窝通信系统中，所有的信道由两部分组成：大尺度衰落和小尺度衰落。在该系统的第t帧中，表示从基站BSj到移动台MSk的信道系数，其中βj→k表示大尺度衰落因子，与基站BSj到移动台MSk的距离有关，L表示基站到移动台之间的多径数量，表示由L条多径上小尺度衰落因子组成的小尺度衰落向量，A(Nt,θj→k,Δ)＝[a1(Nt,φ1)；a2(Nt,φ2)；…；aL(Nt,φL)]表示L条多径上基站天线阵列响应向量的组合矩阵，Nt表示基站处均匀线性阵列天线数量，表示第i条多径在基站天线阵列处的离开角(Angle of Departure,AOD)，θj→k表示移动台MSk相对于基站BSj的方位角，Δ表示L条多径在基站天线阵列处的离开角的角度扩展范围。在该模型中，小尺度衰落因子在同一帧中保持不变，但是会在不同帧之间发生变化，大尺度衰落因子保持不变。对于所有小尺度衰落因子，我们采用Jake’s模型来描述相邻两帧之间的变化，即
其中，均服从复高斯分布IL表示基站到移动台之间L条多径上小尺度衰落因子的互相关矩阵为单位阵，即L条多径上小尺度衰落因子是服从复高斯分布的独立随机变量；ρ表示不同帧之间的小尺度衰落因子相关系数。
图2示出了本发明中蜂窝移动通信系统下行数据传输的帧结构，在帧的开头，基站BSk首先进行局部信息交互和信息观测，然后选择波束成形矢量，最后在帧的余下部分进行数据传输。将基站BSk在一个帧中移动台MSk发送的符号记为xk，那么在第t帧中，移动台MSk接收到的信号可以表示为
其中，表示基站BSk在第t帧中的波束成形矢量，zk表示移动台MSk接收机处的加性噪声，zk服从复高斯分布
由于移动台MSk只解调基站BSk发送的信息，所以它把接收到的来自其他基站的信号当作干扰，因此，移动台MSk的接收信干噪比(Signal to Interference plus NoiseRatio,SINR)为
本发明目标是找出一种有效的波束成形矢量选择方法最大化该蜂窝通信系统中所有移动台的和速率，即
其中，在问题(12)中，要求解最优的W(t)，显然需要获取整个系统中所有信道的实时信道状态信息，但这是难以实现的。考虑到深度强化学习算法能够在复杂的环境观测数据中提取特征，进而在复杂的动态环境中快速、准确地做出决策，本发明提出采用深度强化学习算法来实现每个多天线基站波束成形矢量的动态选择。特别地，深度强化学习可以根据局部的、过时的环境观测信息实时调整波束成形矢量选择方案来提高整个系统的性能。
图3示出了本发明中蜂窝基站之间的局部信息交互过程，在第t帧中，基站BSk(即决策体，Agent)通过信息交互观测自身所处的状态，包含了三部分的信息，第一部分是自身的本地信息，第二部分是干扰者信息，第三部分是被干扰者信息。
基站本地信息包括：第t-1帧的发射功率第t-1帧的码字第t帧信道状态信息实虚部第t-1帧链路k的频谱效率第t-1帧选择动作前的等效信道增益第t帧选择动作前的等效信道增益第t帧选择动作前移动台接收到的干扰加噪声能量第t-1帧选择动作前移动台接收到的干扰加噪声能量
干扰者信息包括：
a第t帧选择动作前的干扰者信息：干扰者标号j，第t帧选择动作前移动台MSk接收到的来自干扰者j的信号能量干扰者j第t-1帧内采用的码字链路j第t-1帧内的频谱效率其中 表示链路k在第t帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合。
b第t-1帧选择动作前的干扰者信息：干扰者标号j'，第t-1帧选择动作前移动台MSk接收到的来自干扰者j'的信号能量干扰者j'第t-2帧内采用的码字链路j'第t-2帧内的频谱效率其中 表示链路k在第t-1帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合。
被干扰者信息包括：第t-1帧选择动作后基站BSk到被干扰移动台MSj的等效信道增益被干扰者j第t-1帧内的频谱效率第t-1帧选择动作后移动台MSj接收到的来自干扰者k的信号能量在移动台MSj接收到的干扰加噪声能量中的占比其中 表示链路k在第t-1帧内选择动作后的受链路k干扰最大的前n个被干扰者组成的集合。
图4示出了本发明中基于深度强化学习的波束选择方法的学习及决策流程。在第t帧中，基站BSk在帧开头(如图2)通过信息交互观测得到自身的状态并根据ε-贪婪策略做出决策进行第t帧的数据传输。然后在第t+1帧中，基站BSk通过与环境(蜂窝通信系统)的交互获得奖励以及t+1帧状态并将经验数据存储到存储器中，并随机地对中的经验数据进行小片采样以训练深度Q-网络。ε-贪婪策略是指以ε概率采取随机决策，以1-ε概率根据深度Q-网络获得的结果采取决策。
图5示出了本发明提出的波束选择方法在移动台围绕基站运动情况下得到的系统吞吐率，对比方案为随机策略，在随机策略中，每个基站将随机选取波束成形矢量进行下行数据传输。仿真条件如下：该蜂窝移动通信系统具有19个蜂窝，蜂窝半径为200米，每个蜂窝内移动台的位置是随机设置的。每个基站的天线数为3，最大发射功率为38dBm。AWGN信道噪声功率为-114dBm，路径损耗模型为-120.9-37.6log10(d)，其中d是移动台到基站的距离(km)，不同帧之间的小尺度衰落因子相关系数ρ＝0.64，多径数目L＝4，多径在基站天线阵列处的离开角的角度扩展Δ＝3°。深度强化学习中的神经网络为3层，包含的神经元数量分别为400，200和100。基站的发射功率量化为8个级别，波束指向量化为4个级别，即Q1＝8，Q2＝4。仿真结果图中，横轴是帧(时隙)的数量，纵轴是该蜂窝通信系统中所有移动台获得的平均频谱效率，FP算法曲线是在获得实时全局信道状态信息的情况下利用FP算法得到的性能曲线，FP算法是目前求解该问题最好的次优算法；贪心算法曲线是基站获得当前蜂窝内的下行链路信道状态信息之后选取一个最优的码字以最大功率服务相应的用户获得的性能曲线；随机选择曲线表示每个基站随机采取决策获得的性能曲线。能够看到，随着每个基站与环境的交互与学习，本发明提出的基于深度强化学习的分布式波束选择方法能够大幅度提升该蜂窝通信系统的性能，逼近FP算法的性能。

Claims (1)

1.一种蜂窝通信系统的波束选择方法，所述蜂窝通信系统终具有M个蜂窝，每个蜂窝中心处有一个多天线基站采用波束成形技术为蜂窝内的一个单天线移动台提供下行数据传输，即每个蜂窝内都具有一个多输入单输出系统；其特征在于，所述波束选择方法包括：
设置系统中的帧结构：在每一帧的头部，为基站与其相邻基站的交互信息，以及基站选择波束成形矢量，在该帧剩余的部分，为需要传输的数据；
所述基站选择波束成形矢量的方法为基于深度强化学习的方法，具体包括：
1)状态参数设置：在第t帧中，基站BSk的状态包括基站本地信息、干扰者信息和被干扰者信息，所述干扰者信息和被干扰者信息为通过基站与相邻基站的交互信息；
基站本地信息包括：第t-1帧的发射功率第t-1帧的码字第t帧信道状态信息实虚部第t-1帧链路k的频谱效率第t-1帧选择动作前的等效信道增益第t帧选择动作前的等效信道增益第t帧选择动作前移动台接收到的干扰加噪声能量第t-1帧选择动作前移动台接收到的干扰加噪声能量
干扰者信息包括：
a)第t帧选择动作前的干扰者信息：干扰者标号j，第t帧选择动作前移动台MSk接收到的来自干扰者j的信号能量干扰者j第t-1帧内采用的码字链路j第t-1帧内的频谱效率其中 表示链路k在第t帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合；
b)第t-1帧选择动作前的干扰者信息：干扰者标号j'，第t-1帧选择动作前移动台MSk接收到的来自干扰者j'的信号能量干扰者j'第t-2帧内采用的码字链路j'第t-2帧内的频谱效率其中 表示链路k在第t-1帧内选择动作之前的对链路k干扰最大的前n个干扰者组成的集合；
被干扰者信息包括：第t-1帧选择动作后基站BSk到被干扰移动台MSj的等效信道增益被干扰者j第t-1帧内的频谱效率第t-1帧选择动作后移动台MSj接收到的来自干扰者k的信号能量在移动台MSj接收到的干扰加噪声能量中的占比其中 表示链路k在第t-1帧内选择动作后的受链路k干扰最大的前n个被干扰者组成的集合；
2)以最大化蜂窝通信系统中所有移动台的和速率为目的，建立选择波束成形矢量的模型为：
其中，表示基站的发射功率，将其取值范围[0,pmax]离散成Q1个取值，即可选功率值为 是一个模为1的向量，也称为码字；
从模型得知，在第t帧中，基站需要选择一个组合确定波束成形矢量，因此，将动作空间设置为其中 是码本，用Q2个码字组成的码本来覆盖二维平面上的各个方向，即动作空间大小为Q1×Q2；
3)奖励函数设置：奖励函数由两部分构成，第一部分是基站采取波束成形矢量决策之后移动台吞吐率，作为奖励函数中的奖励项；第二部分是由于基站采取波束成形矢量决策导致链路k干扰其他链路造成的其他链路的性能损失，作为奖励函数中的惩罚项；
奖励函数为：
选择波束成形矢量的方法为：在第t帧中，基站在帧开头通过信息交互观测得到自身的状态参数并根据ε-贪婪策略做出波束成形矢量决策进行第t帧的数据传输；然后在第t+1帧中，基站BSk通过与蜂窝通信系统的交互获得奖励以及t+1帧状态并将经验数据存储到存储器中，并随机地对中的经验数据进行小片采样以训练深度网络，ε-贪婪策略是指以ε概率采取随机决策，以1-ε概率根据深度网络获得的结果采取决策，选择波束成形矢量。
CN201910640413.9A 2019-07-16 2019-07-16 一种蜂窝通信系统的波束选择方法 Active CN110365387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640413.9A CN110365387B (zh) 2019-07-16 2019-07-16 一种蜂窝通信系统的波束选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640413.9A CN110365387B (zh) 2019-07-16 2019-07-16 一种蜂窝通信系统的波束选择方法

Publications (2)

Publication Number Publication Date
CN110365387A true CN110365387A (zh) 2019-10-22
CN110365387B CN110365387B (zh) 2021-07-27

Family

ID=68219616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640413.9A Active CN110365387B (zh) 2019-07-16 2019-07-16 一种蜂窝通信系统的波束选择方法

Country Status (1)

Country Link
CN (1) CN110365387B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472472A (zh) * 2021-07-07 2021-10-01 湖南国天电子科技有限公司 基于分布式强化学习的多小区协同波束赋形方法
CN113595609A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN114785382A (zh) * 2022-04-12 2022-07-22 西安电子科技大学 基于深度学习的多基站协同波束匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442388A (zh) * 2008-12-29 2009-05-27 北京邮电大学 一种多输入多输出系统中的预编码方法和装置
CN101841359A (zh) * 2010-06-03 2010-09-22 西安邮电学院 基于信道质量干扰比的数据传输方法和系统
US20110268203A1 (en) * 2010-04-30 2011-11-03 Indian Institute Of Science Techniques for Decoding Transmitted Signals Using Reactive Taboo Searches (RTS)
CN106612503A (zh) * 2016-12-27 2017-05-03 国网能源研究院 一种安全通信的方法及装置
CN109379118A (zh) * 2018-12-06 2019-02-22 电子科技大学 一种新型的多输入多输出共生无线通信系统架构
CN110012547A (zh) * 2019-04-12 2019-07-12 电子科技大学 一种共生网络中用户关联的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442388A (zh) * 2008-12-29 2009-05-27 北京邮电大学 一种多输入多输出系统中的预编码方法和装置
US20110268203A1 (en) * 2010-04-30 2011-11-03 Indian Institute Of Science Techniques for Decoding Transmitted Signals Using Reactive Taboo Searches (RTS)
CN101841359A (zh) * 2010-06-03 2010-09-22 西安邮电学院 基于信道质量干扰比的数据传输方法和系统
CN106612503A (zh) * 2016-12-27 2017-05-03 国网能源研究院 一种安全通信的方法及装置
CN109379118A (zh) * 2018-12-06 2019-02-22 电子科技大学 一种新型的多输入多输出共生无线通信系统架构
CN110012547A (zh) * 2019-04-12 2019-07-12 电子科技大学 一种共生网络中用户关联的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YING-CHANG LIANG等: "Detecting Pilot Spoofing Attack in MISO Systems With Trusted User", 《IEEE COMMUNICATIONS LETTERS》 *
梁应敞等: "多入多出（MIMO）系统中的可变速率多用户分集技术", 《科学技术与工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472472A (zh) * 2021-07-07 2021-10-01 湖南国天电子科技有限公司 基于分布式强化学习的多小区协同波束赋形方法
CN113472472B (zh) * 2021-07-07 2023-06-27 湖南国天电子科技有限公司 基于分布式强化学习的多小区协同波束赋形方法
CN113595609A (zh) * 2021-08-13 2021-11-02 电子科技大学长三角研究院(湖州) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN113595609B (zh) * 2021-08-13 2024-01-19 电子科技大学长三角研究院(湖州) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN114785382A (zh) * 2022-04-12 2022-07-22 西安电子科技大学 基于深度学习的多基站协同波束匹配方法
CN114785382B (zh) * 2022-04-12 2023-09-12 西安电子科技大学 基于深度学习的多基站协同波束匹配方法

Also Published As

Publication number Publication date
CN110365387B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
Venkatesan Coordinating base stations for greater uplink spectral efficiency in a cellular network
Hu et al. Cluster grouping and power control for angle-domain mmWave MIMO NOMA systems
CN104601209B (zh) 一种适用于3d‑mimo系统的协作多点传输方法
CN110365387A (zh) 一种蜂窝通信系统的波束选择方法
CN103746729B (zh) 分布式mimo系统基站侧天线位置优化方法
Seifi et al. Adaptive multicell 3-D beamforming in multiantenna cellular networks
CN113489521A (zh) 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN104320169B (zh) 多用户3d‑mimo系统中三维波束赋形设计方法
CN104617994B (zh) 一种基于水平和垂直联合优化的3d波束成形方法
Li et al. An enhanced beamforming algorithm for three dimensional MIMO in LTE-advanced networks
CN104767555B (zh) 大规模mimo系统下自适应波束赋形模式的选择方法
Li et al. Radio resource management for cellular-connected UAV: a learning approach
CN107592675A (zh) 一种3d‑mimo多小区下行自适应传输方法
Yu et al. Local observations-based energy-efficient multi-cell beamforming via multi-agent reinforcement learning
CN104602279B (zh) 一种异构网络中基于阈值的协作基站分簇方法和装置
Chen et al. Joint waveform and clustering design for coordinated multi-point DFRC systems
CN101989875B (zh) 多小区干扰抑制方法及基站控制器
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN113242068B (zh) 一种基于深度强化学习的智能通信波束碰撞避免方法
CN105227224A (zh) 3d-mimo系统中基于最小slnr最大准则的分布式干扰协调方法
CN115665759A (zh) 一种基于uav-ris的辅助无线安全通信传输方法
Sekhar Babu et al. Adaptive beamforming of MIMO system using optimal steering vector with modified neural network for channel selection
Son et al. Multi-cell pseudo-random beamforming: Opportunistic feedback and beam selection
Zhang et al. Intelligent distributed beam selection for cell-free massive MIMO hybrid precoding
CN103188002A (zh) 一种多天线多用户分布式系统波速成形策略

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