CN111343704A - 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 - Google Patents

异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 Download PDF

Info

Publication number
CN111343704A
CN111343704A CN202010131843.0A CN202010131843A CN111343704A CN 111343704 A CN111343704 A CN 111343704A CN 202010131843 A CN202010131843 A CN 202010131843A CN 111343704 A CN111343704 A CN 111343704A
Authority
CN
China
Prior art keywords
base station
value
femto
user
state
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
CN202010131843.0A
Other languages
English (en)
Other versions
CN111343704B (zh
Inventor
刘涵霄
苏开荣
李云
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.)
Zhongyi Technology Co ltd
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010131843.0A priority Critical patent/CN111343704B/zh
Publication of CN111343704A publication Critical patent/CN111343704A/zh
Application granted granted Critical
Publication of CN111343704B publication Critical patent/CN111343704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • H04W52/244—Interferences in heterogeneous networks, e.g. among macro and femto or pico cells or other sector / system interference [OSI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及移动通信技术异构蜂窝网络领域，具体涉及一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，包括：初始化信道模型各参数，建立能耗优化模型；利用径向基神经网络对宏基站业务量进行预测，得到径向基预测值；利用误差修正值对径向基预测值进行优化，得到修正预测值；根据修正预测值计算基站休眠比，并对毫微微基站进行比例随机休眠；将未休眠基站视为粒子，其位置就是基站的当前功率值，将能耗优化模型的拉格朗日形式作为评价函数，利用粒子群算法迭代求出最优毫微微基站群发射功率。本发明实现了对毫微微基站群进行合理休眠及有效的功率控制，从而达到降低能耗的作用。

Description

异构蜂窝网络中毫微微基站的联合休眠与功率控制方法
技术领域
本发明涉及移动通信技术异构蜂窝网络领域，具体涉及一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法。
背景技术
随着第五代移动通信技术(5th generation wireless systems，5G)标准的发布，异构蜂窝网络的用户业务量逐步增长，其将面临巨大的数据通信量，随之而来系统的能耗也将大幅度提高，无线移动通信的极速发展将面临两大问题，满足巨大用户业务量的前提下，降低系统的能耗。异构蜂窝网络一般是由宏基站以及其他小型基站进行联合部署，宏基站完成覆盖范围的基本覆盖，小型基站，例如毫微微基站，是在宏基站覆盖范围内增加其覆盖区域内的业务提供率，为用户提供更为便捷高速的移动通信业务。大规模部署的毫微微基站，其带来的能耗增长不容忽视。异构蜂窝网络是如今支持移动通信业务快速迭代的有效手段，但其带来的能源消耗是亟需解决的问题。
异构蜂窝网络中，基站之间，基站与用户之间，用户之间都会存在干扰，并且密集部署的基站并不是全天候工作，在低业务量甚至零业务量时，基站也存在一部分的能耗。如果能在保证用户业务覆盖的前提下合理的将低业务量甚至零工作量的基站进行休眠控制，将大幅度降低系统的能耗。功率控制也是降低蜂窝网络内的能耗的一种有效方法，在基站端进行功率控制，一方面可以保证合理的业务覆盖，另一方面又可以降低能耗。这两种方法都是有效且合理的降低能耗的方法，将两种方法进行联合考虑，休眠一定比例的基站后，对未休眠的基站进行合理的功率控制，能在保证业务覆盖的前提下进一步降低能耗。因此研究毫微微基站的休眠与功率控制联合优化方法对于异构蜂窝网络具有重要的意义。
(1)近些年，关于异构蜂窝网络的基站的休眠与功率控制的主要研究成果有：基于簇内协作多点传输的休眠算法(D.Li,W.Zhou,X.Yang,H.Du.An Intra-Cluster CoMPBased Sleep-Mode Scheme in Dense Heterogeneous Network[C]. 2016 10thInternational Conference on Innovative Mobile and Internet Services inUbiquitous Computing(IMIS),Fukuoka,2016:245-249.)：该算法基于簇内协作多点传输(Coordinated Multi-Point，CoMP)的休眠模式方案。休眠模式方案降低了网络拓扑的复杂性，从而减少了干扰，并且简化了聚类后续优化的过程。利用快速迭代优化贪婪算法选择每个簇中的休眠节点，以达到降低能耗的目的，但此方案会带来额外的信令开销和能源成本。
(2)基于启发式算法和用户关联的分布式功率控制算法(H.Ding,H. Zhang,J.Tian,S.Xu and D.Yuan,"Energy Efficient User Association and Power Controlfor Dense Heterogeneous Networks,"2018 International Conference on Computing,Networking and Communications(ICNC),Maui,HI,2018,pp.741-746.) 该算法中，考虑到宏基站与小基站的发射功率差异会导致用户与宏基站之间的关联，提出启发式用户关联算法，同时对基站进行休眠，降低异构网络的能耗。功率控制算法初始每个用户的功率为最大，分配其他用户相应的功率，通过最大化每个用户的能效进行迭代直到收敛。该算法可以有效优化上行链路的能效，降低系统的能耗。
(3)基于合作博弈的基站休眠模式与功率分配算法(S.Wu,Z.Zeng,H.Xia.Coalition-based sleep mode and power allocation for energy efficiency indense small cell networks[J].IET Communications,2017,11(11):1662-1670.)：该算法提出将小基站之间的协作表示为分簇形式的合作博弈，并且采用了无能耗的集中式启发合作算法，小基站在未休眠周期内提供服务，在无业务请求时，在休眠期内休眠。算法提出了一种基于分布式配额的功率分配算法，以优化每个未休眠周期内的基站的发射功率，该算法可以在保证基本业务覆盖下，降低系统的能耗，提高系统能效。
然而以上关于异构蜂窝网络基站的休眠和功率控制的算法均有不足：单一对基站进行休眠，基站在休眠后，在突发业务请求时难以提供相应的服务，且单一的基站休眠策略使得未休眠基站工作负荷加大，欠缺对于能耗方面的综合考虑；单一对基站功率控制算法，是对于基站或者用户端进行功率控制，低业务量或零业务量的区域基站或用户端仍然有一定的发射功率消耗。集中式算法周期性获取全局信息会加大算法复杂度，同时加大系统处理延时，分布式算法每个基站都独立进行功率调整，不仅使得处理延时增大，同时一定程度增加系统的能耗负担。基站休眠与功率控制的联合优化算法，需将基站的休眠与功率控制动态关联，对于异构蜂窝网络的节能具有很大的价值。
发明内容
为了解决上述问题，本发明提供一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，该方法针对异构蜂窝网络能耗过大的问题，以降低毫微微基站的能耗为优化目标，提出异构蜂窝网络中毫微微基站的联合休眠与功率控制方法以降低系统能耗。
如图1所示，一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，包括以下步骤：
S1：初始化信道模型各参数；根据异构蜂窝网络的网络模型得到宏基站与毫微微基站之间以及毫微微基站之间的干扰，以用户与基站的关联关系和用户最小接收信号信干噪比为约束条件、以毫微微基站群的最小能耗为优化目标，建立能耗优化模型；
S2：利用径向基神经网络对宏基站业务量进行预测，得到径向基预测值；
其中，径向基神经网络的输入是过去几个时间周期的所有时间节点宏基站的业务量值，径向基神经网络的输出是某一个时间周期宏基站的业务量预测值，即径向基预测值；
S3：利用误差修正值对径向基预测值进行优化，得到修正预测值；
S4：根据修正预测值计算基站休眠比，根据基站休眠比对宏基站覆盖区域内的所有毫微微基站进行比例随机休眠；
S5：将未休眠基站视为粒子，将粒子位置作为为未休眠基站的当前功率值，将能耗优化模型的拉格朗日形式作为评价函数，利用粒子群算法迭代求出最优毫微微基站群发射功率。
进一步的，所述能耗优化模型包括：
Figure RE-GDA0002473511810000041
s.t.
Figure RE-GDA0002473511810000042
Figure RE-GDA0002473511810000043
Figure RE-GDA0002473511810000044
Nf≤Nfmax
Nm≤Nmmax
其中，集合B＝{B0,B1,B2,...,Bb}表示的是所有基站，{B0}表示宏基站， {B1,B2,...,Bb}表示在宏基站覆盖范围内的毫微微基站；F(.)表示功率控制函数即宏基站和所有毫微微基站的功率和函数，Nf,f＝1,2,...,b表示毫微微基站内毫微微用户数，b表示基站总数，Nfmax表示毫微微基站内毫微微用户数最大值，
Figure RE-GDA0002473511810000045
表示毫微微基站Bb对于毫微微用户i的发射功率，Nm表示宏基站内的宏用户数，Nmmax表示宏基站内宏用户数最大值；
Figure RE-GDA0002473511810000046
表示宏基站B0对于宏用户m的发射功率；cnk表示用户关联系数，cnk∈{0,1}，cnk为0表示用户n未关联到基站k，cnk为1 表示用户n关联到基站k；N表示用户，当户关联系数中k＝B0时，N表示宏用户 m，当k＝B1,2,...,b时，N表示毫微微用户i；
Figure RE-GDA0002473511810000047
表示毫微微用户i与毫微微基站 B1,2,...,b的关联性；
Figure RE-GDA0002473511810000048
表示毫微微用户i与毫微微基站F之间的信道增益，
Figure RE-GDA0002473511810000049
表示宏用户m与宏基站M之间的信道增益；
Figure RE-GDA00024735118100000410
表示宏用户m与毫微微基站B0的关联性，
Figure RE-GDA00024735118100000411
表示毫微微用户i与宏基站M之间的信道干扰，
Figure RE-GDA00024735118100000412
表示邻毫微微用户 i与毫微微基站B1,2,...,b的关联性，
Figure RE-GDA00024735118100000413
表示毫微微基站B1,2,...,b对邻毫微微用户 j的发射功率，
Figure RE-GDA00024735118100000414
表示邻毫微微用户j与毫微微基站F之间的信道干扰，
Figure RE-GDA0002473511810000051
表示基站未休眠比例，Cc表示误差修正业务量，Cmax表示基站最大工作功率；σ2表示信道上的噪声功率，
Figure RE-GDA0002473511810000052
表示宏用户m的信干噪比阈值，
Figure RE-GDA0002473511810000053
表示毫微微用户i的信干噪比阈值。
所述利用误差修正值对径向基预测值进行优化包括：判断径向基预测值是否是齐次马尔科夫链，若不是齐次马尔科夫链，结束算法；若是齐次马尔科夫链，则根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，将状态转移概率最高概率存在的分布区间的均值作为误差修正值，利用误差修正值对径向基预测值进行优化。
其中，齐次马尔科夫链的判断方式包括：
马氏链X＝{Xn,n＝1,2,3,…,n}，n表示马尔科夫链总长度，马氏链的状态空间 I＝{1,2,3,…}，P{Xn+1＝j|Xn＝i}＝p(i,j)为马氏链中n时刻处于状态i、在n+1时刻转移到状态j的转移概率，马氏链中
Figure RE-GDA0002473511810000054
其中，
Figure RE-GDA0002473511810000055
表示在在马氏链X1,X2,...,Xn中分为m个段落中第k段落中状态 i转移到状态j出现的次数；
Figure RE-GDA0002473511810000056
表示第k段落中状态i出现的次数；An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数，m表示马氏链所分的段落总数。
利用卡方检验的方法，根据上式可得
Figure RE-GDA0002473511810000057
由此构造卡方检验统计量
Figure RE-GDA0002473511810000058
通过比较卡方统计量X2与X2的自由度系数
Figure RE-GDA0002473511810000059
当
Figure RE-GDA00024735118100000510
时，认定序列为齐次马尔科夫链，其中α代表自由度系数，
Figure RE-GDA00024735118100000511
是一个固定的自由度系数值，其值根据自由度系数的不同有不同的数值。
进一步的，根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，包括以下步骤：
S31.根据径向基预测值和宏基站实际吞吐量得到相对误差序列；
S32.对相对误差序列进行归一化处理；
S33.根据黄金分割法将归一化后的相对误差序列划分为e个状态区间，即 E1,E2,E3,...,Ee；
S34.根据状态转移概率公式计算齐次马尔科夫链的状态转移概率。
其中，根据状态转移概率公式计算齐次马尔科夫链的状态转移概率具体包括：
齐次马尔科夫链从状态Ei经过一步转移到状态Ei+1的转移概率为：
Figure RE-GDA0002473511810000061
其一步转移概率矩阵为：
Figure RE-GDA0002473511810000062
齐次马尔科夫链从状态Ei经过n步转移到Ei+n的转移概率为
Figure RE-GDA0002473511810000063
根据切普曼-柯尔莫哥洛夫方程，n步转移概率为P(n)＝(P(1))n；
其中，An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数。
进一步的，使用径向基神经网络预测方法对宏基站覆盖范围内的业务量进行预测，具体包括：将已知时刻的业务量划分为R维数据p，从而得到c个隐含层到输出层的权值
Figure RE-GDA0002473511810000064
的方程组：
Figure RE-GDA0002473511810000071
其中，
Figure RE-GDA0002473511810000072
表示c个隐含层到输出层的权值，p＝{p1,p2,……，pR}表示R维输入向量，即R个宏基站业务量数据，ci表示高斯函数中心，i＝1,2,3,...,c，σi表示隐含层函数围绕中心点的宽度，||p-ci||为输入模式向量与高斯数据中心向量之间的模式距离，Y＝{Y1、Y2……，YR}表示各输出层的输出值；
令
Figure RE-GDA0002473511810000073
改写方程组为:
Figure RE-GDA0002473511810000074
其中系数矩阵解为：
Figure RE-GDA0002473511810000075
从而在R+1个输入时根据系数矩阵得到的拟合函数得到径向基预测值
Figure RE-GDA0002473511810000076
优选的，利用粒子群算法迭代求出最优毫微微基站群发射功率包括：将能耗优化模型的拉格朗日形式作为评价函数，根据各粒子位置计算粒子评价函数值，即评价值，将粒子位置的初始值的0.8倍数值作为局部最优值，粒子位置的初始值的0.75倍数值作为全局最优值；每一次迭代过程中将当前评价值与局部最优评价值比较，若当前评价值大于局部评价值，将当前评价值更新为局部最优评价值，反之，保留局部最优评价值；再将局部最优评价值与全局最优评价值比较，若局部最优评价值大于全局最优评价值，将局部最优评价值更新为全局最优评价值，反之，保留全局最优评价值；根据全局最优位置，更新各粒子的速度与位置，更新拉格朗日参数，在下一次迭代时更新评价函数，以达到快速收敛的目的，反复迭代直到达到预先设定的最大迭代次数，此时粒子群位置即为最优毫微微基站群发射功率控制值。
本发明的有益效果：
1、与现有的基站休眠方法或者基站功率表控制算法相比，本发明的方法在满足业务覆盖的情况下，综合基站休眠策略和基站功率控制的优点，对两者进行联合动态应用，实现了对毫微微基站群进行合理休眠及有效的功率控制以达到降低能耗的作用。
2、本发明在对宏基站覆盖范围业务量进行预测后，利用黄金分割法以及卡方分布的假设验证性，结合马尔科夫状态转移概率矩阵得到最优分布区间，从而计算误差优化后的修正预测值，预测更加精确。
3、本发明在综合考虑基站间干扰、基站与用户间的干扰和用户间的干扰，在保证用户业务请求满足的情况下，以毫微微基站的最大发射功率、用户最小信干噪比和用户关联为约束条件，以基站的功率和的拉格朗日形式作为粒子群算法的评价函数，结合粒子群算法进行迭代求得最优毫微微基站的休眠比例和功率控制策略，在粒子群迭代的同时，进行拉格朗日形式中拉格朗日因子的迭代，加快了算法的收敛速度，同时能够最大限度的降低基站能耗。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1本发明实施例的毫微微基站休眠和功率控制方法流程；
图2本发明实施例的异构蜂窝网络环境模型图；
图3为本发明实施例的径向基神经网络图；
图4本发明实施例的粒子群算法求解流程图；
图5本发明实施例的毫微微基站发射功率与用户未服务率的关系。
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。
实施例1
如图2所示，本实施例基于异构蜂窝网络环境，异构蜂窝网络由一个宏基站和多个毫微微基站组成，宏用户与毫微微用户之间共用频谱带宽，该网络中会存在宏基站与毫微微基站之间的干扰，毫微微基站之间的干扰，宏基站与毫微微用户之间的干扰以及毫微微基站与宏用户之间的干扰。本实施例中，集合 B＝{B0,B1,B2,...,Bb}表示所有基站，b表示基站总数，{B0}表示宏基站，宏基站内有Nm个宏用户，{B1,B2,…,Bb}表示在宏基站覆盖范围内的毫微微基站，毫微微基站的部署遵循两个基站成对布置在相邻位置，毫微微基站内有Nf个毫微微用户， f＝1,2,……b。
初始化信道模型各参数，根据异构蜂窝网络的网络模型，得到宏基站与毫微微基站之间以及毫微微基站之间的干扰并计算信干噪比。
宏用户信干噪比
Figure RE-GDA0002473511810000091
的计算公式为：
Figure RE-GDA0002473511810000092
其中，
Figure RE-GDA0002473511810000093
表示宏用户m与毫微微基站B0的关联性，
Figure RE-GDA0002473511810000094
表示宏基站B0对于宏用户m的发射功率，
Figure RE-GDA0002473511810000095
表示宏用户m与宏基站M之间的信道增益，Nf表示第 f个毫微微基站内的毫微微用户数量，
Figure RE-GDA0002473511810000096
表示毫微微用户i与毫微微基站 B1,2,...,b的关联性，
Figure RE-GDA0002473511810000097
表示毫微微基站Bb对于毫微微用户i的发射功率，
Figure RE-GDA0002473511810000098
表示毫微微用户i与宏基站M之间的信道干扰，σ2表示信道上的噪声功率。
由于
Figure RE-GDA0002473511810000099
Figure RE-GDA00024735118100000910
表示宏用户m的信干噪比阈值，所以宏基站用户的发射功率
Figure RE-GDA00024735118100000911
需要满足
Figure RE-GDA0002473511810000101
毫微微用户的信干噪比为：
Figure RE-GDA0002473511810000102
由于
Figure RE-GDA0002473511810000103
Figure RE-GDA0002473511810000104
表示毫微微用户i的信干噪比阈值，所以毫微微用户的发射功率
Figure RE-GDA0002473511810000105
需要满足
Figure RE-GDA0002473511810000106
根据上述得到的的信噪比计算宏基站的总业务量(即宏基站的吞吐量)，宏基站的总业务量CR的计算公式为：
Figure RE-GDA0002473511810000107
宏基站的吞吐量与基站干扰相对固定，因为毫微微基站的部署，宏基站的作用是作为一个中心网关，保证基本的覆盖。宏基站的总业务量扩展形式为：
Figure RE-GDA0002473511810000108
其中，宏基站总功率和为
Figure RE-GDA0002473511810000109
毫微微基站总功率和为
Figure RE-GDA00024735118100001010
本发明以用户与基站的关联关系和用户最小接收信号信干噪比为约束条件、以毫微微基站群的能耗为优化目标，建立能耗优化模型，具体目标函数如下所示：
Figure RE-GDA0002473511810000111
s.t.
Figure RE-GDA0002473511810000112
Figure RE-GDA0002473511810000113
Figure RE-GDA0002473511810000114
Nf≤Nfmax
Nm≤Nmmax
Figure RE-GDA0002473511810000115
Figure RE-GDA0002473511810000116
其中，Nmmax表示宏基站内宏用户数最大值；Nfmax表示毫微微基站内毫微微用户数最大值。宏基站与毫微微基站共用频谱，
Figure RE-GDA0002473511810000117
表示宏用户m与宏基站M之间的信道增益，
Figure RE-GDA0002473511810000118
表示毫微微用户i与毫微微基站F之间的信道增益，
Figure RE-GDA0002473511810000119
表示邻毫微微用户j与毫微微基站F之间的信道干扰，
Figure RE-GDA00024735118100001110
表示毫微微用户i与宏基站 M之间的信道干扰，
Figure RE-GDA00024735118100001111
表示宏基站B0对于宏用户m的发射功率，
Figure RE-GDA00024735118100001112
表示毫微微基站Bb对于毫微微用户i的发射功率，F(.)表示功率控制函数即宏基站和所有毫微微基站的功率和函数，
Figure RE-GDA00024735118100001113
表示基站未休眠比例，Cc表示误差修正业务量，Cmax表示基站最大工作功率，cnk表示用户关联系数，且cnk∈{0,1}，cnk为 0表示用户n未关联到基站k，cnk为1表示用户n关联到基站k，N表示用户，当户关联系数中k＝B0时，N表示宏用户m，当k＝B1,2,...,b时，N表示毫微微用户i；
Figure RE-GDA00024735118100001114
表示毫微微用户i与毫微微基站B1,2,...,b的关联性，
Figure RE-GDA00024735118100001115
表示邻毫微微用户j与毫微微基站B1,2,...,b的关联性，
Figure RE-GDA00024735118100001116
表示宏用户m与毫微微基站B0的关联性，σ2表示信道上的噪声功率，
Figure RE-GDA00024735118100001117
表示宏用户m的信干噪比阈值，
Figure RE-GDA00024735118100001118
表示毫微微用户i的信干噪比阈值。
Figure RE-GDA00024735118100001119
表示宏基站B0对于宏用户m的发射功率，
Figure RE-GDA00024735118100001120
表示毫微微用户i与宏基站M之间的信道干扰，
Figure RE-GDA0002473511810000121
表示邻毫微微用户j与毫微微基站 B1,2,...,b的关联性，
Figure RE-GDA0002473511810000122
表示毫微微基站B1,2,...,b对邻毫微微用户j的发射功率，
Figure RE-GDA0002473511810000123
表示邻毫微微用户j与毫微微基站F之间的信道干扰，
Figure RE-GDA0002473511810000124
表示毫微微用户 i的信干噪比阈值。
能耗优化模型目标函数的拉格朗日形式为：
Figure RE-GDA0002473511810000125
其中，χn,
Figure RE-GDA0002473511810000126
χm,ρn,φk,υm为各个限制条件的拉格朗日因子。此拉格朗日形式后续用于作为粒子群算法中的评价函数，与粒子群的粒子同步进行迭代计算。
实施例2
本发明中，利用径向基神经网络对宏基站业务量进行预测，得到径向基预测值，如图3所示，径向基神经网络由三层神经元组成，分别是输入层，隐含层，输出层，隐含层c激励函数选取高斯函数，径向基神经网络的工作图如图3 所示。
利用径向基神经网络计算径向基预测值的具体实现方式包括：将过去几个时间周期的所有时间节点的宏基站的业务量输入到径向基神经网络中，并将已知时刻的业务量划分为R维(R天)数据p，利用权值方程组得到c个隐含层到输出层的权值
Figure RE-GDA0002473511810000127
c个隐含层到输出层的权值方程组为：
Figure RE-GDA0002473511810000128
其中，
Figure RE-GDA0002473511810000131
表示c个隐含层到输出层的权值，p＝{p1,p2,……，pR}表示R维输入向量，即R天宏基站业务量数据，ci表示高斯函数中心，i＝1,2,3,...,c，σi表示隐含层函数围绕中心点的宽度，||p-ci||为输入模式向量与高斯数据中心向量之间的模式距离，Y＝{Y1、Y2……，YR}表示各输出层的输出值，Y1表示第1个输出层的输出值。
令
Figure RE-GDA0002473511810000132
改写方程组为：
Figure RE-GDA0002473511810000133
其中系数矩阵解为：
Figure RE-GDA0002473511810000134
从而在R+1个输入时根据上述系数矩阵得到的拟合函数计算出径向基预测值，即宏基站业务量预测值
Figure RE-GDA0002473511810000135
由于径向基预测值可能存在误差，可以对预测的宏基站覆盖范围业务量进一步进行误差优化，以实现精准预测。
进一步的，进行误差优化的具体策略包括：首先判断径向基预测值是否是齐次马尔科夫链，若不是齐次马尔科夫链，结束算法；若是齐次马尔科夫链，根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，将状态转移概率最高概率存在的分布区间的均值作为误差修正值对预测值进行优化，得到修正预测值。
齐次马尔科夫链的判断方式：马氏链X＝{Xn,n＝1,2,3,…,n}，n表示马尔科夫链总长度，马氏链的状态空间I＝{1,2,3,…}，P{Xn+1＝j|Xn＝i}＝p(i,j)为马氏链中n 时刻处于状态i，在n+1时刻转移到状态j的转移概率，马尔科夫链中
Figure RE-GDA0002473511810000141
其中，
Figure RE-GDA0002473511810000142
表示在马氏链X1,X2,...,Xn中分为m个段落中第k段落中状态i转移到状态j出现的次数；
Figure RE-GDA0002473511810000143
表示第k段落中状态i出现的次数；An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数，m表示马氏链所分的段落总数。
利用卡方检验的方法，根据上式构造卡方检验统计量
Figure RE-GDA0002473511810000144
通过比较X2与X2的自由度系数
Figure RE-GDA0002473511810000145
判断序列的齐次马尔科夫性，当
Figure RE-GDA0002473511810000146
时，认定此序列为齐次马尔科夫链，若
Figure RE-GDA0002473511810000147
则序列不是齐次马尔科夫链，此处α′代表自由度系数，
Figure RE-GDA0002473511810000148
是一个固定的自由度系数值。
进一步的，根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，具体实现方式如下：
根据径向基神经网络预测结果
Figure RE-GDA0002473511810000149
对比实际吞吐量CR，根据
Figure RE-GDA00024735118100001410
得到相对误差序列。根据
Figure RE-GDA00024735118100001411
对相对误差序列进行归一化处理，X′表示相对误差的归一化值，X表示相对误差值，Xmax表示相对误差的序列中的最大值， Xmin表示相对误差的序列中的最小值。根据所得的归一化后的相对误差序列，同时考虑其样本数量，根据黄金分割法，利用公式
Figure RE-GDA00024735118100001412
将归一化后的相对误差序列进行分割，得到具体的归一化后的相对误差序列的状态分布[0,λ1]，[λ1,λ2]，...， [λe-1,1]，实现e个状态区间的划分，即E1,E2,E3,...,Ee，根据黄金分割率划分状态区间，区别于等距离划分状态区间，目的在于根据分布密度划分区间。其中，φl表示区间分布范围，l表示区间划分因子，且|l|＜e，根据具体的值域区间需要l可选0，-1,-2...等值；λk是分割点，表示归一化的相对误差状态区间边界值，且 k＝1,2,3,...,e-1；φ＝0.618为黄金分割率，
Figure RE-GDA00024735118100001510
表示归一化的相对误差均值；e个状态区间只需要e-1个分割点。
齐次马尔科夫链从状态Ei经过一步转移到Ei+1的状态转移转移概率为：
Figure RE-GDA0002473511810000151
其一步转移概率矩阵为：
Figure RE-GDA0002473511810000152
马尔科夫链从状态Ei经过n步转移到Ei+n的转移概率为
Figure RE-GDA0002473511810000153
根据切普曼-柯尔莫哥洛夫方程(C-K方程)，n步转移概率为P(n)＝(P(1))n。
根据λ'i＝Xmax-λi(Xmax-Xmin)得到归一化处理前的相对误差状态分布[λ'0,λ'1]，[λ'1,λ'2]，...，[λ'm-1,λ'm]，λ′表示相对误差的状态分布区间边界值,即λ'0,λ'1……λ'm均是相对误差的状态分布区间边界值。根据公式
Figure RE-GDA0002473511810000154
计算所有的分割点，对真实业务量进行分割，得到真实业务量的分布区间
Figure RE-GDA0002473511810000155
Figure RE-GDA0002473511810000156
Figure RE-GDA0002473511810000157
都表示真实业务量状态区间的边界值。通过切普曼 -柯尔莫哥洛夫方程(方程)得到的n步转移概率，根据
Figure RE-GDA0002473511810000158
得到误差修正值。
根据误差修正值对基站的径向基预测的业务量进行修正调整，最终的基站调整业务量值，即修正预测值为
Figure RE-GDA0002473511810000159
Cc≤Cmax，β为保险因子。
实施例3
本实施例在前述实施例的基础上，本实施例实现毫微微基站休眠与功率控制的联合优化，具体步骤如下：
步骤1：初始化信道模型各参数(带宽、增益等)，确定用户最小信干噪比、基站最大传输功率等初始信息；
步骤2：建立能耗优化模型；
步骤3：使用径向基函数根据宏基站历史业务量输入、输出训练样本，得到径向基预测值；
步骤4：对径向基预测值进行误差优化，得到修正预测值；
步骤4：根据修正预测值计算基站休眠比
Figure RE-GDA0002473511810000161
并根据基站休眠比对宏基站覆盖区域内的所有毫微微基站进行比例随机休眠；
步骤5：如图4所示，将未休眠基站视为粒子，其粒子位置即功率值，粒子群初始位置即为基站当前功率值，将能耗优化模型的拉格朗日形式作为评价函数，根据各粒子位置计算粒子评价函数值(简称评价值)，将粒子位置的初始值也就是各基站的当前功率值的0.8倍数值作为局部最优值，粒子位置的初始值的 0.75倍数值作为全局最优值。在下一次迭代过程中将当前评价值与局部最优评价值比较，若当前评价值大于局部评价值，将当前评价值更新为局部最优评价值，反之，保留局部最优评价值；将局部最优评价值与全局最优评价值比较，若局部最优评价值大于全局最优评价值，将局部最优评价值更新为全局最优评价值，反之，保留全局最优评价值；根据全局最优位置，更新各粒子的速度与位置，更新拉格朗日参数，在下一次迭代评价函数会更新，以达到快速收敛的目的，反复迭代直到达到最大迭代次数，此时粒子群位置即为最优毫微微基站群发射功率控制值。
对比图5仿真结果，流量自适应算法与本发明提出的基于业务量预测的基站休眠与功率控制算法也就是流量预测算法，在图5中分别表示为流量自适应算法曲线和流量预测算法曲线，对比两条曲线可以看出，在满足区域业务覆盖的前提下，基站在相同的功率下，流量自适应算法的用户未服务率均比本发明所提算法高，在相同的用户未服务率下，本发明所提算法的功率比流量自适应算法所需功率小，说明本发明能够在保证业务覆盖的前提下，有效降低基站的能耗。流量预测算法可以在尽可能低的功率下，实现最高的服务率。

Claims (8)

1.一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，包括以下步骤：
S1：根据异构蜂窝网络的网络模型得到宏基站与毫微微基站之间以及毫微微基站之间的干扰，以用户与基站的关联关系和用户最小接收信号信干噪比为约束条件、以毫微微基站群的最小能耗为优化目标，建立能耗优化模型；
S2：利用径向基神经网络对宏基站业务量进行预测，得到径向基预测值；
其中，径向基神经网络的输入是过去几个时间周期的所有时间节点宏基站的业务量值，径向基神经网络的输出是某一个时间周期宏基站的业务量预测值，即径向基预测值；
S3：利用误差修正值对径向基预测值进行优化，得到修正预测值；
S4：根据修正预测值计算基站休眠比，根据基站休眠比对宏基站覆盖区域内的所有毫微微基站进行比例休眠；
S5：将未休眠基站视为粒子，将粒子位置作为为未休眠基站的当前功率值，将能耗优化模型的拉格朗日形式作为评价函数，利用粒子群算法迭代求出最优毫微微基站群发射功率。
2.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，所述能耗优化模型包括：
Figure RE-FDA0002473511800000011
Figure RE-FDA0002473511800000012
Figure RE-FDA0002473511800000013
Figure RE-FDA0002473511800000014
Nf≤Nfmax
Nm≤Nmmax
其中，集合B＝{B0,B1,B2,…,Bb}表示的是所有基站，{B0}表示宏基站，{B1,B2,…,Bb}表示在宏基站覆盖范围内的毫微微基站；F(.)表示功率控制函数即宏基站和所有毫微微基站的功率和函数，Nf表示毫微微基站内毫微微用户数，f＝1,2,...,b，b表示基站总数，Nfmax表示毫微微基站内毫微微用户数最大值，
Figure RE-FDA0002473511800000021
表示毫微微基站Bb对于毫微微用户i的发射功率，Nm表示宏基站内的宏用户数，Nmmax表示宏基站内宏用户数最大值；
Figure RE-FDA0002473511800000022
表示宏基站B0对于宏用户m的发射功率；cnk表示用户关联系数，cnk∈{0,1}，cnk为0表示用户n未关联到基站k，cnk为1表示用户n关联到基站k；N表示用户，当户关联系数中k＝B0时，N表示宏用户m，当
Figure RE-FDA00024735118000000214
时，N表示毫微微用户i；
Figure RE-FDA0002473511800000023
表示毫微微用户i与毫微微基站B1,2,...,b的关联性；
Figure RE-FDA0002473511800000024
表示毫微微用户i与毫微微基站F之间的信道增益，
Figure RE-FDA0002473511800000025
表示宏用户m与宏基站M之间的信道增益；
Figure RE-FDA0002473511800000026
表示宏用户m与毫微微基站B0的关联性，
Figure RE-FDA0002473511800000027
表示毫微微用户i与宏基站M之间的信道干扰，
Figure RE-FDA0002473511800000028
表示邻毫微微用户i与毫微微基站B1,2,...,b的关联性，
Figure RE-FDA0002473511800000029
表示毫微微基站B1,2,...,b对邻毫微微用户j的发射功率，
Figure RE-FDA00024735118000000210
表示邻毫微微用户j与毫微微基站F之间的信道干扰，
Figure RE-FDA00024735118000000211
表示基站未休眠比例，Cc表示误差修正业务量，Cmax表示基站最大工作功率；σ2表示信道上的噪声功率，
Figure RE-FDA00024735118000000212
表示宏用户m的信干噪比阈值，
Figure RE-FDA00024735118000000213
表示毫微微用户i的信干噪比阈值。
3.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，所述利用误差修正值对径向基预测值进行优化包括：判断径向基预测值是否是齐次马尔科夫链，若不是齐次马尔科夫链，结束算法；若是齐次马尔科夫链，则根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，将状态转移概率最高概率存在的分布区间的均值作为误差修正值，利用误差修正值对径向基预测值进行优化。
4.根据权利要求3所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，齐次马尔科夫链的判断方式包括：
马氏链X＝{Xn,n＝1,2,3,…,n}，n表示马尔科夫链总长度，马氏链的状态空间I＝{1,2,3,…}，P{Xn+1＝j|Xn＝i}＝p(i,j)为马氏链中n时刻处于状态i、在n+1时刻转移到状态j的转移概率，马氏链中
Figure RE-FDA0002473511800000031
其中，
Figure RE-FDA0002473511800000032
表示在在马氏链X1,X2,…,Xn中分为m个段落中第k段落中状态i转移到状态j出现的次数；
Figure RE-FDA0002473511800000033
表示第k段落中状态i出现的次数；An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数，m表示马氏链所分的段落总数；
利用卡方检验的方法，根据上式可得
Figure RE-FDA0002473511800000034
由此构造卡方检验统计量
Figure RE-FDA0002473511800000035
比较卡方统计量X2与X2的自由度系数
Figure RE-FDA0002473511800000036
当
Figure RE-FDA0002473511800000037
时，认定序列为齐次马尔科夫链，其中
Figure RE-FDA0002473511800000038
表示自由度系数值，其值根据自由度系数的不同有不同的数值。
5.根据权利要求3所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，包括以下步骤：
S31.根据径向基预测值和宏基站实际吞吐量得到相对误差序列；
S32.对相对误差序列进行归一化处理；
S33.根据黄金分割法将归一化后的相对误差序列划分为e个状态区间，即E1,E2,E3,...,Ee；
S34.根据状态转移概率公式计算齐次马尔科夫链的状态转移概率。
6.根据权利要求5所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，根据状态转移概率公式计算齐次马尔科夫链的状态转移概率具体包括：
齐次马尔科夫链从状态Ei经过一步转移到状态Ei+1的转移概率为：
Figure RE-FDA0002473511800000041
其一步转移概率矩阵为：
Figure RE-FDA0002473511800000042
齐次马尔科夫链从状态Ei经过n步转移到Ei+n的转移概率为
Figure RE-FDA0002473511800000043
根据切普曼-柯尔莫哥洛夫方程，n步转移概率为P(n)＝(P(1))n；
其中，An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数。
7.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，使用径向基神经网络预测方法对宏基站覆盖范围内的业务量进行预测，具体包括：将已知时刻的业务量划分为R维数据p，得到c个隐含层到输出层的权值
Figure RE-FDA0002473511800000044
的方程组：
Figure RE-FDA0002473511800000045
其中，
Figure RE-FDA0002473511800000046
表示c个隐含层到输出层的权值，p＝{p1,p2,……，pR}表示R维输入向量，即R个宏基站业务量数据，ci表示高斯函数中心，i＝1,2,3,...,c，σi表示隐含层函数围绕中心点的宽度，||p-ci||为输入模式向量与高斯数据中心向量之间的模式距离，Y＝{Y1、Y2……，YR}表示各输出层的输出值，Y1表示第1个输出层的输出值；
令
Figure RE-FDA0002473511800000051
R＝1,2,...,R,i＝1,2,...,c改写方程组为:
Figure RE-FDA0002473511800000052
其中系数矩阵解为：
Figure RE-FDA0002473511800000053
在R+1个输入时根据系数矩阵得到的拟合函数得到径向基预测值
Figure RE-FDA0002473511800000054
8.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，利用粒子群算法迭代求出最优毫微微基站群发射功率包括：将能耗优化模型的拉格朗日形式作为评价函数，根据各粒子位置计算粒子评价函数值，即评价值，将粒子位置的初始值的0.8倍数值作为局部最优值，粒子位置的初始值的0.75倍数值作为全局最优值；每一次迭代过程中将当前评价值与局部最优评价值比较，若当前评价值大于局部评价值，将当前评价值更新为局部最优评价值，反之，保留局部最优评价值；再将局部最优评价值与全局最优评价值比较，若局部最优评价值大于全局最优评价值，将局部最优评价值更新为全局最优评价值，反之，保留全局最优评价值；根据全局最优位置，更新各粒子的速度与位置，更新拉格朗日参数，在下一次迭代时更新评价函数，以达到快速收敛的目的，反复迭代直到达到预先设定的最大迭代次数，此时粒子群位置即为最优毫微微基站群发射功率控制值。
CN202010131843.0A 2020-02-29 2020-02-29 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 Active CN111343704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010131843.0A CN111343704B (zh) 2020-02-29 2020-02-29 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131843.0A CN111343704B (zh) 2020-02-29 2020-02-29 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法

Publications (2)

Publication Number Publication Date
CN111343704A true CN111343704A (zh) 2020-06-26
CN111343704B CN111343704B (zh) 2022-03-22

Family

ID=71187177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131843.0A Active CN111343704B (zh) 2020-02-29 2020-02-29 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法

Country Status (1)

Country Link
CN (1) CN111343704B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113099520A (zh) * 2021-03-19 2021-07-09 杭州电子科技大学 一种基于迟滞噪声混沌神经网络的基站休眠方法
CN113630857A (zh) * 2021-10-11 2021-11-09 中通服建设有限公司 基于5g密集异构网络下的基站智慧休眠方法
CN113905430A (zh) * 2021-12-10 2022-01-07 广东安恒电力科技有限公司 双层异构网络基站的节能控制方法及系统
CN114679772A (zh) * 2022-04-15 2022-06-28 天津大学 一种基于用户关联的5g基站自寻优休眠方法及装置
CN115696533A (zh) * 2023-01-03 2023-02-03 杭州纵横通信股份有限公司 一种基于5g的通信基站能耗优化方法与设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3005585A1 (en) * 2013-06-04 2016-04-13 Telefonaktiebolaget LM Ericsson (publ) Network unit and method for monitoring a fiber line
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
CN107509202A (zh) * 2017-07-10 2017-12-22 东南大学 一种基于接入用户数变化预测的超密集网络资源分配方法
US20180352538A1 (en) * 2012-02-16 2018-12-06 Sun Patent Trust Receiver device, transmitter device, reception method, and transmission method
CN109714786A (zh) * 2019-03-06 2019-05-03 重庆邮电大学 基于Q-learning的毫微微小区功率控制方法
CN110225569A (zh) * 2019-06-10 2019-09-10 桂林电子科技大学 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180352538A1 (en) * 2012-02-16 2018-12-06 Sun Patent Trust Receiver device, transmitter device, reception method, and transmission method
EP3005585A1 (en) * 2013-06-04 2016-04-13 Telefonaktiebolaget LM Ericsson (publ) Network unit and method for monitoring a fiber line
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
CN107509202A (zh) * 2017-07-10 2017-12-22 东南大学 一种基于接入用户数变化预测的超密集网络资源分配方法
CN109714786A (zh) * 2019-03-06 2019-05-03 重庆邮电大学 基于Q-learning的毫微微小区功率控制方法
CN110225569A (zh) * 2019-06-10 2019-09-10 桂林电子科技大学 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭涛: "基于马尔可夫过程的无线信道特征提取及其应用", 《合肥工业大学硕士论文》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113099520A (zh) * 2021-03-19 2021-07-09 杭州电子科技大学 一种基于迟滞噪声混沌神经网络的基站休眠方法
CN113099520B (zh) * 2021-03-19 2022-10-11 杭州电子科技大学 一种基于迟滞噪声混沌神经网络的基站休眠方法
CN113630857A (zh) * 2021-10-11 2021-11-09 中通服建设有限公司 基于5g密集异构网络下的基站智慧休眠方法
CN113630857B (zh) * 2021-10-11 2021-12-21 中通服建设有限公司 基于5g密集异构网络下的基站智慧休眠方法
CN113905430A (zh) * 2021-12-10 2022-01-07 广东安恒电力科技有限公司 双层异构网络基站的节能控制方法及系统
CN113905430B (zh) * 2021-12-10 2022-03-15 广东安恒电力科技有限公司 双层异构网络基站的节能控制方法及系统
CN114679772A (zh) * 2022-04-15 2022-06-28 天津大学 一种基于用户关联的5g基站自寻优休眠方法及装置
CN114679772B (zh) * 2022-04-15 2023-11-24 天津大学 一种基于用户关联的5g基站自寻优休眠方法及装置
CN115696533A (zh) * 2023-01-03 2023-02-03 杭州纵横通信股份有限公司 一种基于5g的通信基站能耗优化方法与设备

Also Published As

Publication number Publication date
CN111343704B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN111343704B (zh) 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法
CN110213826B (zh) 一种非理想信道下异构携能通信网络鲁棒资源分配方法
CN104735760B (zh) 一种异构蜂窝无线网络节能优化方法
CN108965009B (zh) 一种基于势博弈的负载已知用户关联方法
CN109861728B (zh) 大规模mimo系统的联合多中继选择与时隙资源配置方法
CN109714786B (zh) 基于Q-learning的毫微微小区功率控制方法
Mollahasani et al. Density-aware, energy-and spectrum-efficient small cell scheduling
CN114423070B (zh) 一种基于d2d的异构无线网络功率分配方法及系统
CN110519770B (zh) 一种两层异构蜂窝网络能量效率优化方法
CN108260132B (zh) 密集异构蜂窝网络的部署方法
CN107426775B (zh) 一种面向高能效异构网络的分布式多用户接入方法
CN110602718B (zh) 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统
CN111065121B (zh) 一种考虑小区差异的密集网络能耗及能效联合优化方法
Sun et al. Autonomous cell activation for energy saving in cloud-RANs based on dueling deep Q-network
CN111465108A (zh) 一种能量获取d2d异构网络中频效能效优化方法
CN108650705B (zh) 一种能量利用率最大化的异构无线网络鲁棒功率控制方法
CN108260199B (zh) 异构蜂窝网络基站中功率控制方法
CN111160513A (zh) 一种物联网电力宽带载波节能算法
Chen et al. Computation offloading and resource allocation based on cell-free radio access network
CN109041009A (zh) 一种车联网上行功率分配方法及装置
Park et al. Adaptive power control using reinforcement learning in 5G mobile networks
CN110012483B (zh) 一种联合不对称接入和无线携能通信的干扰协调方法
Liu et al. Robust power control strategy based on hierarchical game with QoS provisioning in full-duplex femtocell networks
CN111343722A (zh) 边缘计算中基于认知无线电的能效优化方法
Zhang et al. Energy-efficient joint power and admission control in software defined mobile networks

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
TR01 Transfer of patent right

Effective date of registration: 20240511

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region after: China

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240514

Address after: 264200 room a0216, 0218, Chuangye building, Shenyang road-108-2, Yiyuan sub district office, gaoqu District, Weihai City, Shandong Province

Patentee after: ZHONGYI TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right