CN112235823A - 一种基于文化基因算法的三维空口测试探头选择方法 - Google Patents

Abstract

本发明是一种基于文化基因算法的三维空口测试探头选择方法，该方法从减少信道模拟器成本的角度出发，对于具有K个端口的信道模拟器，通过选定多探头暗室中特定位置的探头并赋予相应的权重，从而在暗室测试区域中还原出测试需要的信道模型，所述信道模拟器中，在总探头数为M的多探头暗室中，利用文化基因算法从中选择出K个探头，而K个探头对应了信道模拟器的K个端口，利用凸优化算法对每个探头上的功率权重进行优化，使得在给定测试环境所需的信道模型的情况下，在暗室测试区域中高精度地还原出目标信道，并且尽量减少OTA测试需要的探头数目从而减少信道模拟器端口数量。既节省连接大量线缆所用的时间，也降低了测试成本。

Description

一种基于文化基因算法的三维空口测试探头选择方法

技术领域

本发明属于无线通信测试技术领域，特别涉及到5G及未来移动通信OTA性能测试中信道建模方法与探头选择优化算法。

背景技术

随着5G时代的到来，空口(Over-The-Air，OTA)测试逐渐取代传统传导测试成为5G时代最重要的测试方式之一，尤其是在毫米波频段，OTA测试将成为主流的测试方式。对于5G基站与终端的性能测试，多探头暗室法(Multi-Probe Anechoic Chamber，MPAC)由于精度高、适用范围广，目前是国际上认可程度最高的测试方法，在4G时代就已经是3GPP批准的重要测试方法。在4G及之前的多探头暗室测试方法，大多是基于2D的OTA测试，一般不考虑垂直维度上的信道环境，5G采用大规模MIMO(多输入多输出)技术，充分利用了空间资源，信道环境是3D的，因此，需要采用探头数量更多的3D多探头暗室测试方法。

对于多探头暗室测试方法，一般由信道模拟器产生衰落信道矩阵，通过线缆将信道模拟器的各个射频端口连接到布置在暗室里的多个天线探头上，通过各个探头发射电磁波，从而在待测设备(Device under test，DUT)周围的测试区域模拟出目标3D信道环境。显然，除了信道模拟器以外，天线探头的数量、分布位置以及探头上赋予的功率权重都对模拟精度有重要影响。

天线探头的分布方式有很多种，比如球面分布、柱面分布、以及多个不同纬度水平环构成的部分球面、部分柱面等。通常，数量众多的天线探头均匀分布在面上，可以产生不同角度的电磁波注入测试区域。每个天线探头对应信道模拟器的一个通道，信道模拟器是价格非常昂贵的测试仪器，因此天线探头的数量直接影响了信道模拟器的通道数，从而影响了测试成本和复杂度。

发明内容

技术问题：本发明的目的是提供一种基于文化基因算法的3D MIMO OTA性能测试系统探头配置方法，能在保证足够精度的前提下，减少天线探头的数量，从而减少信道模拟器的通道、降低成本，直接影响了MPAC OTA测试方法能否被大规模应用，本发明是一种较为灵活的探头选择方式，在数量众多的探头中，随着目标信道类型的改变而选择少量激活探头位置与功率权重，既保证足够的模拟精度，又可以降低成本。

技术方案：本发明的一种基于文化基因算法的三维空口测试探头选择方法采用以下技术方案：

在于该方法从减少信道模拟器成本的角度出发，对于具有K个端口的信道模拟器，通过选定多探头暗室中特定位置的探头并赋予相应的权重，从而在暗室测试区域中还原出测试需要的信道模型，既节省连接大量线缆所用的时间，也降低了测试成本。

其中，

所述信道模拟器中，在总探头数为M的多探头暗室中，利用文化基因算法从中选择出K个探头，而K个探头对应了信道模拟器的K个端口，其中K，M都是正整数，M≥K，利用凸优化算法对每个探头上的功率权重进行优化，使得在给定测试环境所需的信道模型的情况下，在暗室测试区域中高精度地还原出目标信道，并且尽量减少OTA测试需要的探头数目从而减少信道模拟器端口数量。

所述利用文化基因算法进行探头选择，其流程如下：

步骤1.生成初始种群之前，应设置种群数量为正整数μ，种群中每个个体都为一个长度为M的二进制序列，每个二进制比特代表暗室中的一个探头；

步骤2.将每个个体上的M个比特位均赋值为“0”，从中随机选择K个比特位赋值为“1”，“0”代表不选择该探头，“1”代表选择该探头，在所有个体上重复此操作，得到初始种群P₁；

步骤3.使用爬山策略进行局部搜索，得到初始种群P₁后，对其个体定义均方根误差

其中N为测试区域的总采样数；

二者分别代表个体第n次采样的目标信道空间相关性与模拟信道空间相关性；j为虚数单位，k为自由空间波数，

和

分别代表测试区域上两个对称的位置向量，Ω为立体角，ω_m为第m个探头上的功率权重，

为第m个探头位置的空间向量，其中ω_m的值由最小总体重建误差函数

利用凸优化算法对其优化得来，s.t.0≤ω_m≤1，

其中

ρ＝[ρ₁，ρ₂，...，ρ_n，...，ρ_N]^T，二者分别代表个体N次采样得到的模拟信道空间相关性向量与目标信道空间相关性向量；

步骤4.计算出每个个体的1-σ并将其作为每个个体的适应度值，得到种群P₁的对应的适应度向量F₁∈C^μ×1，将种群P₁中每一个个体中随机取两个分别为“1”与“0”的比特位，再将其赋值为“0”与“1”，重复步骤3之后可以得到新的适应度向量F₂∈C^μ×1；

步骤5.将适应度向量F₁与F₂每两个对应位置的位置元素进行对应大小比较，将比较后所有位置元素大的保存下来，位置元素小的删除，这样得到一个新的适应度向量F∈C^μ×1，其每个元素对应的个体将组成新的种群P₂，此时局部搜索结束；

步骤6.局部搜索结束后需要对种群进行多样化操作，用来增大全局搜索范围，对于P₂中任意两个个体，如果相同位置比特位都为“1”，那么该比特位将会继续保持在个体上，如若不同，即分别为“1”和“0”或“0”和“1”，则随机将其保留或丢弃，值得注意的是，该步骤要保证最后在每个个体上的“1”的数量保持为K，多样化后产生的新种群为P₃；

步骤7.设置迭代次数上限I与误差阈值E，随着迭代次数的增加，选择的探头产生的信道模拟空间相关性会越来越接近目标信道空间相关性，根据不同的目标信道限定相应的误差阈值与迭代次数上限，就能得到可以模拟高精确度信道环境的探头分布位置与功率权重；

步骤8.对多簇信道进行一次选择优化，得到的K个探头与相应的权重可以构建每一个单独的簇。

所述多簇信道中，对于具有L个簇的多簇信道，有多簇信道空间相关性

其中p(l)是第l个簇的归一化功率，ρ_l是第l个簇的空间相关性，有最小总体重建误差函数

s.t.0≤ω_m≤1，

s.t.0≤ω_m≤1，其中

为模拟信道空间相关性；结合所提出的方法步骤，在得到相应的探头和功率权重后，对多簇信道的各个单簇进行高精度的模拟。

有益效果：本发明涉及了一种利用文化基因算法与凸优化算法应用于3D MIMOOTA多探头暗室测试中的探头选择与功率权重分配，既可以精确模拟各种信道模型，也可以极大的降低OTA多探头测试成本。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.具有更好的全局优化效果与更快的收敛技术，对各种信道模型具有良好的适应性与较高的仿真精度。

2.在保证精度的前提下，大幅减少多探头暗室中需要的探头数量，从而减少信道模拟器的通道数，降低信道模拟器的成本和复杂度。

附图说明

图1是本发明设计的多探头暗室中探头选择的系统结构图。

图2是本发明设计的探头选择算法的流程图。

图3是本发明实施例的48选16多探头选择系统示意图。

图4是本发明实施例的空间相关性误差图与探头选择结果。

具体实施方式

从减少信道模拟器成本的角度出发，对于具有K个端口的信道模拟器，可以通过选定多探头暗室中特定位置的探头并赋予相应的权重，从而在暗室测试区域中还原出具有测试所需的信道模型，既可以节省连接大量线缆所用的时间，也降低了测试成本。系统框图如图1所示。

在总探头数为M的多探头暗室中，利用文化基因算法从中选择出K个探头，利用凸优化算法对每个探头上的功率权重进行优化，使得在给定测试环境所需的信道模型的情况下，可以在暗室测试区域中高精度地还原出目标信道。

基于文化基因算法进行探头选择需要完成以下流程。其中算法的流程图见图2所示。

1.生成初始种群之前，应设置种群数量为μ，种群中每个个体都为一个长度为M的二进制序列，每个二进制比特代表暗室中的一个探头。

2.将每个个体上的M个比特位均赋值为“0”，从中随机选择K个比特位赋值为“1”，“0”代表不选择该探头，“1”代表选择该探头，在所有个体上重复此操作，得到初始种群P₁。

3.使用爬山策略进行局部搜索。得到初始种群P₁后，对其个体定义均方根误差

其中N为测试区域的总采样数；

二者分别代表个体第n次采样的目标信道空间相关性与模拟信道空间相关性；k为自由空间波数，

和

分别代表测试区域上两个对称的位置向量，Ω为立体角，ω_m为第m个探头上的功率权重，

为第m个探头位置的空间向量，其中ω_m的值由最小总体重建误差函数

利用凸优化算法对其优化得来(s.t.0≤ω_m≤1，

)，其中

ρ＝[ρ₁，ρ₂，...，ρ_n，...，ρ_N]^T，二者分别代表个体N次采样得到的模拟信道空间相关性向量与目标信道空间相关性向量。

4.计算出每个个体的1-σ并将其作为每个个体的适应度值，得到种群P₁的对应的适应度向量F₁∈C^μ×1，将种群P₁中每一个个体中随机取两个分别为“1”与“0”的比特位，再将其赋值为“0”与“1”，重复步骤3之后可以得到新的适应度向量F₂∈C^μ×1。

5.将F₁与F₂每个对应位置的适应度进行比较，将适应度较大的保存下来，适应度较小的删除，这样可以得到一个新的适应度向量F∈C^μ×1，其每个元素对应的个体将组成新的种群P₂。此时局部搜索结束。

例如：F1和F2是向量，对每个相应位置元素进行比较，例如F1＝[0.05，0.2，0.04，0.5]，F2＝[0.03，0.4，0.03，0.9]，则可以得到0.05大于0.03，0.2小于0.4，0.04大于0.03，0.5小于0.9，那么取大的保存，小的删除，得到新的向量F＝[0.05，0.4，0.04，0.9]；

6.局部搜索结束后需要对种群进行多样化操作，用来增大全局搜索范围。对于P₂中任意两个个体，如果相同位置比特位都为“1”，那么该比特位将会继续保持在个体上，如若不同，即分别为“1”和“0”或“0”和“1”，则随机将其保留或丢弃，值得注意的是，该步骤要保证最后在每个个体上的“1”的数量保持为K。多样化后产生的新种群为P₃。

7.设置迭代次数上限I与误差阈值E，随着迭代次数的增加，选择的探头产生的信道模拟空间相关性会越来越接近目标信道空间相关性，根据不同的目标信道限定相应的误差阈值与迭代次数上限，就能得到可以模拟高精确度信道环境的探头分布位置与功率权重。

8.本发明实例所提出的算法的基础上，只需对多簇信道进行一次选择优化，得到的K个探头与相应的权重可以构建每一个单独的簇。对于具有L个簇的多簇信道，有多簇信道空间相关性

其中p(l)是第l个簇的归一化功率，ρ_l是第l个簇的空间相关性，有最小总体重建误差函数

s.t.0≤ω_m≤1，

结合上文提出的算法步骤，在得到相应的探头和功率权重后，可以对多簇信道的各个单簇进行高精度的模拟。

下面结合附图对本发明的技术方案做进一步的详细说明：

为详细说明本发明中的多探头选择部分，下面给出一个具体实例，具体实例的示意图如图3所示，暗室中拥有3个探头环，其中探头环俯仰角为30度，总探头数为48个，在三个探头环上排列为8-32-8的结构，探头排列方式可写为

探头环1：θ＝30°；φ_i＝-180°+45°i，i∈[1，...，8]；

探头环2：θ＝0°；φ_i＝-180°+11.25°i，i∈[1，...，32]；

探头环3：θ＝-30°；φ_i＝-180°+45°i，i∈[1，...，8]；

实例选择一个16端口的信道模拟器，模拟的信道环境为水平方向与垂直方向功率谱都为拉普拉斯分布的3D信道，其水平方向到达角(Azimuth angle Of Arrival，AOA)与垂直方向到达角(Zenith angle Of Arrival，ZOA)和水平方向到达角角度扩展(Azimuthangle Spread ofArrival，ASA)与垂直方向到达角角度扩展(Zenith angle Spread ofArrival，ZSA)分别如下列表格所示

对于该具体实例，我们需要对目标信道的空间相关性先进行计算。接着代入信道模拟器端口的数量K＝16，即我们需要选择的探头数量为16个；代入总探头数M＝48以及相应的探头分布位置用来确定算法中的个体长度。接着设定初始种群大小μ＝20，迭代次数I＝20，误差阈值E＝0.02，经过探头选择算法后，所得的均方根误差仅为0.0194(1.94％)。该实例信道模拟的空间相关性误差立体图与探头选择结果如图4所示。

Claims (4)

1.一种基于文化基因算法的三维空口测试探头选择方法，其特征在于该方法从减少信道模拟器成本的角度出发，对于具有K个端口的信道模拟器，通过选定多探头暗室中特定位置的探头并赋予相应的权重，从而在暗室测试区域中还原出测试需要的信道模型，既节省连接大量线缆所用的时间，也降低了测试成本。

2.根据权利要求1所述的基于文化基因算法的三维空口测试探头选择方法，其特征在于，所述信道模拟器中，在总探头数为M的多探头暗室中，利用文化基因算法从中选择出K个探头，而K个探头对应了信道模拟器的K个端口，其中K，M都是正整数，M≥K，利用凸优化算法对每个探头上的功率权重进行优化，使得在给定测试环境所需的信道模型的情况下，在暗室测试区域中高精度地还原出目标信道，并且尽量减少OTA测试需要的探头数目从而减少信道模拟器端口数量。

3.根据权利要求1所述的基于文化基因算法的三维空口测试探头选择方法，其特征在于，所述利用文化基因算法进行探头选择，其流程如下：

步骤1.生成初始种群之前，应设置种群数量为正整数μ，种群中每个个体都为一个长度为M的二进制序列，每个二进制比特代表暗室中的一个探头；

步骤2.将每个个体上的M个比特位均赋值为“0”，从中随机选择K个比特位赋值为“1”，“0”代表不选择该探头，“1”代表选择该探头，在所有个体上重复此操作，得到初始种群P₁；

步骤3.使用爬山策略进行局部搜索，得到初始种群P₁后，对其个体定义均方根误差

其中N为测试区域的总采样数；

二者分别代表个体第n次采样的目标信道空间相关性与模拟信道空间相关性；j为虚数单位，k为自由空间波数，

和

分别代表测试区域上两个对称的位置向量，Ω为立体角，ω_m为第m个探头上的功率权重，

为第m个探头位置的空间向量，其中ω_m的值由最小总体重建误差函数

利用凸优化算法对其优化得来，s.t.0≤ω_m≤1，

其中

ρ＝[ρ₁，ρ₂，...，ρ_n，...，ρ_N]^T，二者分别代表个体N次采样得到的模拟信道空间相关性向量与目标信道空间相关性向量；

步骤4.计算出每个个体的1-σ并将其作为每个个体的适应度值，得到种群P₁的对应的适应度向量F₁∈C^μ×1，将种群P₁中每一个个体中随机取两个分别为“1”与“0”的比特位，再将其赋值为“0”与“1”，重复步骤3之后可以得到新的适应度向量F₂∈C^μ×1；

步骤5.将适应度向量F₁与F₂每两个对应位置的位置元素进行对应大小比较，将比较后所有位置元素大的保存下来，位置元素小的删除，这样得到一个新的适应度向量F∈C^μ×1，其每个元素对应的个体将组成新的种群P₂，此时局部搜索结束；

步骤6.局部搜索结束后需要对种群进行多样化操作，用来增大全局搜索范围，对于P₂中任意两个个体，如果相同位置比特位都为“1”，那么该比特位将会继续保持在个体上，如若不同，即分别为“1”和“0”或“0”和“1”，则随机将其保留或丢弃，值得注意的是，该步骤要保证最后在每个个体上的“1”的数量保持为K，多样化后产生的新种群为P₃；

步骤7.设置迭代次数上限I与误差阈值E，随着迭代次数的增加，选择的探头产生的信道模拟空间相关性会越来越接近目标信道空间相关性，根据不同的目标信道限定相应的误差阈值与迭代次数上限，就能得到可以模拟高精确度信道环境的探头分布位置与功率权重；

步骤8.对多簇信道进行一次选择优化，得到的K个探头与相应的权重可以构建每一个单独的簇。

4.根据权利要求3所述的基于文化基因算法的三维空口测试探头选择方法，其特征在于，所述多簇信道中，对于具有L个簇的多簇信道，有多簇信道空间相关性

其中p(l)是第l个簇的归一化功率，ρ_l是第l个簇的空间相关性，有最小总体重建误差函数

s.t.0≤ω_m≤1，

s.t.0≤ω_m≤1，其中

为模拟信道空间相关性；结合所提出的方法步骤，在得到相应的探头和功率权重后，对多簇信道的各个单簇进行高精度的模拟。

Images