CN111309779A - 基于聚类技术实现波束参数样本收集的方法及系统 - Google Patents
基于聚类技术实现波束参数样本收集的方法及系统 Download PDFInfo
- Publication number
- CN111309779A CN111309779A CN202010060388.XA CN202010060388A CN111309779A CN 111309779 A CN111309779 A CN 111309779A CN 202010060388 A CN202010060388 A CN 202010060388A CN 111309779 A CN111309779 A CN 111309779A
- Authority
- CN
- China
- Prior art keywords
- cell
- data
- grid
- antenna
- annular grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000007418 data mining Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于聚类技术实现波束参数样本收集的方法,包括下述步骤:1)初始化单个小区MM天线覆盖的环形栅格表,计算单个小区MM天线覆盖的环形栅格的建筑物高度数据,并将数据记录至环形栅格表内;2)重复计算目标区域内每个小区MM天线覆盖的环形栅格内建筑物的高度,并记录到对应的环形栅格表;3)利用聚类技术对所有环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;4)通过小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据,即作为数据挖掘建模或大数据分析所需要的样本数据。该方法低成本的、高效的实现模型所需的大量波束参数样本数据的收集。
Description
技术领域
本发明涉及MM天线的波束参数样本数据收集的技术,特别涉及一种基于聚类技术实现波束参数样本收集的方法及系统。
背景技术
随着5G商用需实现大规模部署,5G新空中接口核心技术将加速推广。然而,Massive MIMO天线(即大规模多输入输多出阵列天线,简称MM天线)在部署中面临着覆盖场景多样化、参数配置复杂等难题,需要结合网优专家经验和人工智能算法来提升MM天线的性能。MM天线的性能调优具体会落实到天线性能参数的权值变化上,其参数涉及的有波束相位、振幅以及电子下倾角等参数,实际的参数组合优化的候选空间解达到数万种,异常复杂,需要借助人工智能技术来实现,如强化学习等算法。
根据以往的经验,人工智能算法需要大量的真实样本数据才能训练出可用的模型,由于运营商管控的限制(原因是需要保障覆盖区域的相对稳定,且MM天线参数调整时会带来短暂的暂停服务,也影响了用户的感知),每枚MM天线参数不可以随意调整,这就给人工智能算法所需要收集大量波束参数样本训练数据带来了困难。
目前现有的关于MM天线权值优化算法所使用的训练样本数据主要有两种方法,第一种是通过MM天线传播模型仿真生成的反馈数据,第二种是通过收集现网MM天线实地调整的反馈数据。前者可以生成大量MM天线波束参数的训练样本数据,但存在因现网真实环境数据难以收集,而大部分采用自由空间模型仿真,其样本的准确性难以得到保证;后者是可以收集准确的现网MM天线波束参数样本数据,但对于每个MM天线实施建模所需要的样本数据量与上万空间解相比是微不足道的。
发明内容
为了解决上述技术问题,本发明提供了一种基于聚类技术实现波束参数样本收集的方法,该方法低成本的、高效的实现模型所需的大量波束参数样本数据的收集,为模型训练提供充足的数据源,加速了模型收敛的速度。
本发明具体技术方案如下:
一种基于聚类技术实现波束参数样本收集的方法,包括下述步骤,
1)初始化单个小区MM天线覆盖的环形栅格表,计算单个小区MM天线覆盖的环形栅格的建筑物高度数据,并将数据记录至环形栅格表内;
2)重复计算目标区域内每个小区MM天线覆盖的环形栅格内建筑物的高度,并记录到对应的环形栅格表;
3)利用聚类技术对所有环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
4)通过小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据,即作为数据挖掘建模或大数据分析所需要的样本数据。
进一步的,所述步骤1)中初始化单个小区MM天线覆盖的环形栅格表,具体包括:初始化单个小区MM天线覆盖的环形栅格表,字段包括小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn。
进一步的,所述步骤1)中计算单个小区MM天线覆盖的环形栅格的建筑物高度数据具体包括下述步骤:
1.1)以小区中心位置的经度Lon、纬度Lat位置为圆心,小区方位角Azimuth为法线,小区水平波瓣宽度HBW为扇形夹角,再以法线方向设置半径步长依次画弧线,直到满足预设数量的弧线为止;
1.2)在每个同心覆盖的扇形弧线上,向法线两侧设置弧长步长等分扇形,其中实际弧形步长不足一等分的舍去,形成扇形环形栅格图,并记录每个环形栅格的中心坐标(Loncf,Latcf);
1.3)结合高精度电子地图数据,判断每个环形栅格的中心坐标(Loncf,Latcf)上是否有建筑物,如果有,则计算建筑物的高度,否则此环形栅格的标记为0;
1.4)把所有环形栅格及栅格内建筑物高度数据以小区位置和方位角法线为参考从左到右,从近到远依次把数据填入到环形栅格表内。
本发明另一方面还公开了一种应用于上述的基于聚类技术实现波束参数样本收集的方法的系统,所述系统包括:
数据表构建模块,配置为在系统中构建小区工参数据表、小区覆盖数据表和高精度电子地图;
环形栅格表构建模块,配置为构建包含小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn字段的环形栅格表;并记录小区MM天线覆盖的环形栅格的建筑物高度数据;
扇形环形栅格图构建模块,配置为以小区中心位置为圆心绘制扇形环形栅格图,记录其中每个环形栅格的中心坐标;并结合高精度电子地图数据,判断每个环形栅格的中心坐标是否有建筑物,计算建筑物高度;
聚类建模模块,配置为对所有的环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
关联模块,配置为将小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据。
本发明方法解决了现有MM天线权值寻优模型所需样本数据准确性不够和数量不足的问题,克服了以往通过MM天线传播模型仿真生成反馈数据的不准确性,以及通过收集现网MM天线真实调整反馈数据量不足的难题。通过本发明方法的运用可以快速聚集出MM天线的波束参数样本数据,为其他数据挖掘建模(如MM天线权值寻优模块)或大数据分析提供所需要的样本数据。
附图说明
图1为实施例中的扇形环形栅格图示意图。
具体实施方式
本发明基于聚类技术实现波束参数样本收集的方法,充分利用全网MM天线所产生的波束参数样本数据,根据MM天线所覆盖的场景通过聚类技术进行归类,把覆盖相似场景MM天线的波束参数作为同一模型所需要的样本数据。在可接受的限度内牺牲样本准确性的前提下,最大化增加MM天线权值寻优模型所需要的样本数据的空间。
本发明所述基于聚类技术实现波束参数样本收集的方法,包括下述步骤,
1)初始化单个小区MM天线覆盖的环形栅格表,计算单个小区MM天线覆盖的环形栅格的建筑物高度数据,并将数据记录至环形栅格表内;
2)重复计算目标区域内每个小区MM天线覆盖的环形栅格内建筑物的高度,并记录到对应的环形栅格表;
3)利用聚类技术对所有环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
4)通过小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据,即作为数据挖掘建模或大数据分析所需要的样本数据。
而在一个具体的示例中,本发明基于聚类技术实现波束参数样本收集的方法,包括下述步骤:
1)构建环形栅格表并计算小区MM天线覆盖的环形栅格内建筑物的高度(单位为米),并形成一条数据记录填入到环形栅格表内;
1.0)初始化单个小区MM天线覆盖的环形栅格,具体包括:初始化单个小区MM天线覆盖的环形栅格表,字段包括小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn;如下表1所示;
表1 MM天线覆盖的环形栅格表结构
CGI | F1 | F2 | F3 | … | Fn |
1.1)以小区中心位置的经度Lon、纬度Lat位置为圆心,小区方位角Azimuth为法线,小区水平波瓣宽度HBW为扇形夹角,再以法线方向设置半径步长依次画弧线,直到满足预设数量的弧线为止;
其中,所述设置的半径步长为5-20m,所述预设数量为25-35;一个优选示例中,半径步长为10m,预设数量为30。
1.2)在每个同心覆盖的扇形弧线上,向法线两侧设置弧长步长等分扇形,其中实际弧形步长不足一等分的舍去,形成扇形环形栅格图,如图1所示,并记录每个环形栅格的中心坐标(Loncf,Latcf);
其中,所述设置的弧形步长为5-10m,一个优选示例中,弧形步长为10m。
1.3)结合高精度电子地图数据,判断每个环形栅格的中心坐标(Loncf,Latcf)上是否有建筑物,如果有,则计算建筑物的高度(如根据现有资料获取对应坐标建筑物高度),否则此环形栅格的标记为0;
1.4)把所有环形栅格及栅格内建筑物高度数据以小区位置和方位角法线为参考从左到右,从近到远依次把数据填入到环形栅格表内,如下表2所示;
表2某小区MM天线覆盖的环形栅格数据
CGI | F1 | F2 | F3 | … | Fn |
460-00-140612-61 | 0 | 25 | 25 | 0 | 30 |
2)重复计算目标区域内每个小区MM天线覆盖的环形栅格内建筑物的高度,并记录到对应的环形栅格表;如下表3所示;
表3全网小区MM天线覆盖的环形栅格数据表
3)利用聚类技术对所有环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;如下表4所示;
表4小区MM天线覆盖类型表
CGI | 波束参数 | 类别 |
460-00-140612-61 | BP1 | 1 |
460-00-140612-62 | BP4 | 1 |
460-00-140612-63 | BP2 | 2 |
… | … |
需要说明的是,本发明所述聚类技术可采用K均值算法、谱聚类算法或者层次聚类算法;一个优选示例中采用K均值算法。
4)通过小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据,即作为数据挖掘建模(如MM天线权值寻优模块)或大数据分析所需要的样本数据。其中,所述小区MM天线覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage;而关联生成对应的记录数据包括小区标识CGI、波束参数BeamParams、覆盖率Coverage。
下述表5示出的不同类别的MM天线覆盖的波束样本数据。
表5不同类别的MM天线覆盖的波束样本数据
CGI | 波束参数 | 覆盖率 | 类别 |
460-00-140612-61 | BP1 | 85.76% | 1 |
460-00-140612-61 | BP4 | 80.76% | 1 |
460-00-140612-62 | BP2 | 78.23% | 1 |
460-00-140612-63 | BP6 | 0 | 2 |
… | … | … | … |
本发明再一个示例中,在所述步骤1)之前还包括:预先在处理系统中输入小区工参数据表、小区覆盖数据表和高精度电子地图;
其中,所述小区工参数据表包含的字段有小区标识CGI、经度Lon、纬度Lat、MM天线挂高High、方位角Azimuth、下倾角Tilt、水平波瓣宽度HBW、波束参数BeamParams;
所述小区MM天线覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage;
所述小区覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage;
所述高精度电子地图包含的字段有建筑物矢量。
本发明的另一个示例中,公开了一种基于聚类技术实现波束参数样本收集的方法的系统,所述系统包括:
数据表构建模块,配置为在系统中构建小区工参数据表、小区覆盖数据表和高精度电子地图;
环形栅格表构建模块,配置为构建包含小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn字段的环形栅格表;并记录小区MM天线覆盖的环形栅格的建筑物高度数据;
扇形环形栅格图构建模块,配置为以小区中心位置为圆心绘制扇形环形栅格图,记录其中每个环形栅格的中心坐标;并结合高精度电子地图数据,判断每个环形栅格的中心坐标是否有建筑物,计算建筑物高度;
聚类建模模块,配置为对所有的环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
关联模块,配置为将小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据。
本方法是一种参数样本数据收集技术,通过本发明方法的运用,可以快速聚集出MM天线的波束参数样本数据,为其他数据挖掘建模(如MM天线权值寻优模块)或大数据分析提供所需要的样本数据。本发明方法克服了以往通过MM天线传播模型仿真生成反馈数据的不准确性,以及避免了通过现网MM天线多次调整收集数据带来的网络不稳定的问题。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (10)
1.一种基于聚类技术实现波束参数样本收集的方法,包括下述步骤,
1)初始化单个小区MM天线覆盖的环形栅格表,计算单个小区MM天线覆盖的环形栅格的建筑物高度数据,并将数据记录至环形栅格表内;
2)重复计算目标区域内每个小区MM天线覆盖的环形栅格内建筑物的高度,并记录到对应的环形栅格表;
3)利用聚类技术对所有环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
4)通过小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据,即作为数据挖掘建模或大数据分析所需要的样本数据。
2.如权利要求1所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1)中初始化单个小区MM天线覆盖的环形栅格表,具体包括:初始化单个小区MM天线覆盖的环形栅格表,字段包括小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn。
3.如权利要求1所述基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1)中计算单个小区MM天线覆盖的环形栅格的建筑物高度数据具体包括下述步骤:
1.1)以小区中心位置的经度Lon、纬度Lat位置为圆心,小区方位角Azimuth为法线,小区水平波瓣宽度HBW为扇形夹角,再以法线方向设置半径步长依次画弧线,直到满足预设数量的弧线为止;
1.2)在每个同心覆盖的扇形弧线上,向法线两侧设置弧长步长等分扇形,其中实际弧形步长不足一等分的舍去,形成扇形环形栅格图,并记录每个环形栅格的中心坐标(Loncf,Latcf);
1.3)结合高精度电子地图数据,判断每个环形栅格的中心坐标(Loncf,Latcf)上是否有建筑物,如果有,则计算建筑物的高度,否则此环形栅格的标记为0;
1.4)把所有环形栅格及栅格内建筑物高度数据以小区位置和方位角法线为参考从左到右,从近到远依次把数据填入到环形栅格表内。
4.如权利要求2所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1.2)中设置的半径步长为5-20m,所述预设数量为25-35;所述步骤1.3)中设置的弧形步长为5-10m。
5.如权利要求2所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1.2)中设置的半径步长为10m,所述预设数量为30;所述步骤1.3)中设置的弧形步长为10m。
6.如权利要求1所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1.4)中所述聚类技术采用K均值算法、谱聚类算法或者层次聚类算法。
7.如权利要求1所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1.5)中所述小区MM天线覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage。
8.如权利要求1所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1.5)中关联生成对应的记录数据包括小区标识CGI、波束参数BeamParams、覆盖率Coverage。
9.如权利要求1所述的基于聚类技术实现波束参数样本收集的方法,其特征在于,所述步骤1)之前还包括:预先在处理系统中输入小区工参数据表、小区覆盖数据表和高精度电子地图;
其中,所述小区工参数据表包含的字段有小区标识CGI、经度Lon、纬度Lat、MM天线挂高High、方位角Azimuth、下倾角Tilt、水平波瓣宽度HBW、波束参数BeamParams;
所述小区MM天线覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage;
所述小区覆盖数据表包含的字段有小区标识CGI、覆盖率Coverage;
所述高精度电子地图包含的字段有建筑物矢量。
10.一种应用于权利要求1-9中任一项所述的基于聚类技术实现波束参数样本收集的方法的系统,其特征在于,所述系统包括:
数据表构建模块,配置为在系统中构建小区工参数据表、小区覆盖数据表和高精度电子地图;
环形栅格表构建模块,配置为构建包含小区标识CGI、环形栅格CF1、环形栅格CF2、环形栅格CF3...环形栅格CFn字段的环形栅格表;并记录小区MM天线覆盖的环形栅格的建筑物高度数据;
扇形环形栅格图构建模块,配置为以小区中心位置为圆心绘制扇形环形栅格图,记录其中每个环形栅格的中心坐标;并结合高精度电子地图数据,判断每个环形栅格的中心坐标是否有建筑物,计算建筑物高度;
聚类建模模块,配置为对所有的环形栅格表的字段数据进行聚类建模,最终把环形栅格表中每条记录都聚到不同的类别中,以生成小区MM天线覆盖类型表;
关联模块,配置为将小区MM天线覆盖类型表与小区MM天线覆盖数据表关联生成对应的记录数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060388.XA CN111309779B (zh) | 2020-01-19 | 2020-01-19 | 基于聚类技术实现波束参数样本收集的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060388.XA CN111309779B (zh) | 2020-01-19 | 2020-01-19 | 基于聚类技术实现波束参数样本收集的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309779A true CN111309779A (zh) | 2020-06-19 |
CN111309779B CN111309779B (zh) | 2024-04-05 |
Family
ID=71149026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010060388.XA Active CN111309779B (zh) | 2020-01-19 | 2020-01-19 | 基于聚类技术实现波束参数样本收集的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309779B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112187387A (zh) * | 2020-09-22 | 2021-01-05 | 北京邮电大学 | 基于栅格化用户位置自动化天线调参的新型强化学习方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144612A (zh) * | 2013-02-21 | 2015-12-09 | Lg电子株式会社 | 在无线通信系统中对于大规模mimo在天线端口之间配置qcl的方法和设备 |
US20160285530A1 (en) * | 2015-03-26 | 2016-09-29 | Facebook, Inc. | Optimizations for zero-forcing precoding |
CN109194376A (zh) * | 2018-09-28 | 2019-01-11 | 重庆邮电大学 | 毫米波大规模mimo信道传播特性测量方法及装置 |
CN110430582A (zh) * | 2019-06-13 | 2019-11-08 | 南京邮电大学 | 一种在单小区多用户通信网络场景下的基于量子菌群优化算法的资源配置方法 |
-
2020
- 2020-01-19 CN CN202010060388.XA patent/CN111309779B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144612A (zh) * | 2013-02-21 | 2015-12-09 | Lg电子株式会社 | 在无线通信系统中对于大规模mimo在天线端口之间配置qcl的方法和设备 |
US20160285530A1 (en) * | 2015-03-26 | 2016-09-29 | Facebook, Inc. | Optimizations for zero-forcing precoding |
CN109194376A (zh) * | 2018-09-28 | 2019-01-11 | 重庆邮电大学 | 毫米波大规模mimo信道传播特性测量方法及装置 |
CN110430582A (zh) * | 2019-06-13 | 2019-11-08 | 南京邮电大学 | 一种在单小区多用户通信网络场景下的基于量子菌群优化算法的资源配置方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112187387A (zh) * | 2020-09-22 | 2021-01-05 | 北京邮电大学 | 基于栅格化用户位置自动化天线调参的新型强化学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111309779B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136260A (zh) | 基于激光点云全要素模型库的输电线路杆塔及其实现方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN101568127A (zh) | 一种网络仿真中确定话务分布的方法及装置 | |
US20220191818A1 (en) | Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
KR101770911B1 (ko) | 5세대 이동통신용 공간 채널 모델 파라미터 획득 방법 및 장치 | |
CN104618045A (zh) | 基于采集数据的无线信道传播模型的建立方法和系统 | |
CN111163476A (zh) | 一种基于无线传播模型的电力无线专网覆盖和干扰确定方法 | |
CN104463183A (zh) | 聚类中心选取方法和系统 | |
CN109741209A (zh) | 台风灾害下配电网多源数据融合方法、系统及存储介质 | |
CN112650395A (zh) | 一种建筑工程的虚拟现实场景实时更新方法 | |
CN114611388B (zh) | 基于人工智能的无线信道特征筛选方法 | |
CN115187648A (zh) | 输电线路本体逆向建模方法、装置、电子设备及存储介质 | |
CN111309779B (zh) | 基于聚类技术实现波束参数样本收集的方法及系统 | |
CN108260076A (zh) | 无人机运行轨迹监控的方法、平台和系统 | |
CN110366188B (zh) | 干扰测量点部署方法、干扰测量路径规划方法及系统 | |
CN115712845A (zh) | 一种基于半径参数优化的雷电时空聚类方法及系统 | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN113839725A (zh) | 无线信号传播预测方法及装置 | |
CN114513805B (zh) | 无线建模方法和系统 | |
CN114184881A (zh) | 一种基于拓扑模型追踪分析故障事件定位方法 | |
CN116543603B (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
CN110621025B (zh) | 一种设备选型方法和装置 | |
CN110944354B (zh) | 基于波形分析和深度学习的基站干扰监测方法及系统 | |
CN206923051U (zh) | 移动通信基站全景运维系统 |
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 |