CN112260731B - 一种基于蚁群算法的天线权值优化方法 - Google Patents
一种基于蚁群算法的天线权值优化方法 Download PDFInfo
- Publication number
- CN112260731B CN112260731B CN202011130508.5A CN202011130508A CN112260731B CN 112260731 B CN112260731 B CN 112260731B CN 202011130508 A CN202011130508 A CN 202011130508A CN 112260731 B CN112260731 B CN 112260731B
- Authority
- CN
- China
- Prior art keywords
- antenna
- base station
- coverage
- optimized
- sector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 239000003016 pheromone Substances 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- H04B7/0413—MIMO systems
-
- 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]
-
- 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
- H04B7/0602—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 antenna switching
- H04B7/0608—Antenna selection according to transmission parameters
-
- 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
- H04B7/0802—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开一种基于蚁群算法的天线权值优化方法,涉及通信技术领域;选取天线覆盖相关指标区域作为待优化位置区,定义MR、MDT测量任务,并确定待优化位置区的主覆盖小区及相应的方位角设置,评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,确定天线扇区的波束数量,针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
Description
技术领域
本发明公开一种优化方法,涉及通信技术领域,具体地说是一种基于蚁群算法的天线权值优化方法。
背景技术
为了应对无线通信数据量的迅猛增长以及智能接入终端数量的大幅增加,2020年之后的第五代移动通信系统(5G)已全面进入商用,5G网路中基于大规模多输入多输出(Massive MIMO,或称Large-scale MIMO)的无线传输技术,通过大数量天线的使用,深度挖掘空间维度资源,获得了诸多不同于传统MIMO系统的传输特性和物理特性。权值计算是5GMassive MIMO充分发挥作用的关键步骤,是指gNodeB基于下行信道特征计算出一个向量,用于改变波束形状和方向。而相比于4G场景下,Massive MIMO大规模阵列天线有更多的调整参数,相互之间的参数组合及影响因素更为复杂。并且大规模MIMO技术在应用过程中更高的维度意味着更高的复杂度。现有的优化调整手段已经无法满足要求。
发明内容
本发明针对现有技术的问题,提供一种基于蚁群算法的天线权值优化方法,对天线权值组进行优化,通过仿真学习,舍弃效果不明显的权值组,并设置最大迭代次数,降低对算力的要求,也大幅减少最优解的搜索时间。
本发明提出的具体方案是:
一种基于蚁群算法的天线权值优化方法,选取天线覆盖相关指标区域作为待优化位置区,
定义MR、MDT测量任务,并根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,
通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
优选地,所述的一种基于蚁群算法的天线权值优化方法中基于基站的位置区粒度,按照与天线覆盖相关联的KPI指标进行评估,选取指标相对预设值较差区域作为待优化位置区。
优选地,所述的一种基于蚁群算法的天线权值优化方法中通过OMC网管定义MR、MDT测量任务,并根据需求开启即时性测量任务或者周期性测量任务。
优选地,所述的一种基于蚁群算法的天线权值优化方法中通过基站基础工参的位置数据与GIS地图结合进行覆盖高度的评估及天线扇区的下倾角的确定。
优选地,所述的一种基于蚁群算法的天线权值优化方法中迭代过程中评估指标优化则认为步长调整为有效调整,迭代过程中评估指标劣化则认为步长调整为无效调整。
优选地,所述的一种基于蚁群算法的天线权值优化方法中针对优化后天线权值设置组合进行KPI指标变化监控及效果评估。
一种基于蚁群算法的天线权值优化系统,包括选取模块、测量任务模块、评估模块、调整模块及计算模块,
选取模块选取天线覆盖相关指标区域作为待优化位置区,
测量任务模块定义MR、MDT测量任务,并根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估模块评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
调整模块针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,计算模块利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
一种基于蚁群算法的天线权值优化装置,包括至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行所述的一种基于蚁群算法的天线权值优化方法。
本发明的有益之处是:
本发明提供一种基于蚁群算法的天线权值优化方法,通过对大规模阵列天线的五个调整参数,分别是:水平波瓣宽度、垂直波瓣宽度、波束方向角、下倾角、波束数量进行采集,针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合,使基于蚁群算法寻找天线权值优化的路径更加快捷有效,并可通过仿真学习,舍弃效果不明显的权值组,并设置最大迭代次数,降低对算力的要求,也大幅减少最优解的搜索时间。
附图说明
图1是本发明方法流程示意图;
图2是未优化天线权值时宏站覆盖示意图;
图3是未优化天线权值时高低层混合覆盖示意图;
图4是未优化天线权值时超高层覆盖的示意图;
图5是使用本发明优化调整后的宏站覆盖效果示意图;
图6是使用本发明优化调整后的高低层混合覆盖示意图;
图7是使用本发明优化调整后的超高层覆盖的示意图。
具体实施方式
蚁群算法(ant colony optimization,ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质,蚁群内的蚂蚁对“信息素”具有感知能力,它们会沿着“信息素”浓度较高路径行走,而每只路过的蚂蚁都会在路上留下“信息素”,这就形成一种类似正反馈的机制,
Massive MIMO大规模阵列天线有五个调整参数,分别是:水平波瓣宽度、垂直波瓣宽度、波束方向角、下倾角、波束数量,每个维度还可以通过设置合理步长进行精细化调整,计算下来一个小区理论上可能的天线参数权值就达上万种,依靠现有优化调整手段已经无法满足要求。
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明提供一种基于蚁群算法的天线权值优化方法,选取天线覆盖相关指标区域作为待优化位置区,
定义MR、MDT测量任务,并根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,
通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
利用本发明方法对天线权值组进行优化,通过仿真学习,舍弃效果不明显的权值组,并设置最大迭代次数,降低对算力的要求,也大幅减少最优解的搜索时间。
具有利用本发明方法时,过程为:
基于基站的位置区粒度,按照与天线覆盖相关联的重点KPI指标(例如覆盖率)进行评估,选取指标较差区域作为待优化位置区;
通过运营商主设备厂家OMC网管定义MR、MDT测量任务,根据需求开启即时性任务或者周期性任务定义。OMC系统每隔15分钟生成一份MR或MDT数据,即在15分钟粒度内,针对每类任务每个基站生成一份数据文件。文件可从OMC导出或通过FTP等传输方式传到指定文件服务器;
根据MR/MDT用户数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定需求区域的主覆盖小区及相应的方位角设置;
通过基站基础工参的位置数据与GIS地图结合,评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角;
通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度;
基于步骤(6)的MR/MDT的采样数据,根据DOA分布区间上的采样点数量及占比,确定天线扇区的波束数量;
针对每个天线权值设置调整步长、迭代次数及关联的评估指标,迭代过程中如发现指标优化则认为该步长调整为有效调整,相反如果遇到指标劣化则认为该步长调整为无效调整;
参考蚁群算法根据“信息素”浓度寻找食物的最短路径的原理,根据迭代过程中指标优化/劣化程度计算是否有效的正负得分,形成正反馈的调整机制,迭代次数结束后,寻找到阶段性的最优天线权值设置组合。
以某市市区电子地图统计,40m以上的建筑在中高层建筑中占比达到17%,且高低离散分布错综复杂,属于比较典型的高低层混合场景为例,其中按照建筑高度情况进行场景分类,参考表1。
表1
对选定区域的100多个5G站点运用本发明上述方法,进行统一的天线权值调整优化,参考优化前后附图2-7,经过测试验证:由原来的50多人天的工作量,缩短到2-3人天就可完成。相比较于权值优化调整前,网络整体覆盖优化效果显著,RSRP可提升4.7-5.5dB,SINR提升2.4-3.2dB,其他网络感知KPI指标也均有不同程度的改善。
同时通过通信主设备厂家网管对天线权值参数优化后的KPI指标变化进行监控及效果评估。
通过本发明方法缩短天线优化调整时间,更快的适应无线覆盖环境的变化;能够更加合理的组合各种场景的覆盖模型,发挥Massive MIMO的最大优势,提升用户感知。
同时本发明提供一种基于蚁群算法的天线权值优化系统,包括选取模块、测量任务模块、评估模块、调整模块及计算模块,
选取模块选取天线覆盖相关指标区域作为待优化位置区,
测量任务模块定义MR、MDT测量任务,并根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估模块评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
调整模块针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,计算模块利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
上述系统内的各模块间信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明还提供一种基于蚁群算法的天线权值优化装置,包括至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行所述的一种基于蚁群算法的天线权值优化方法。
上述装置内的处理器的信息交互、执行可读程序的过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
需要说明的是,上述各流程和各系统中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (4)
1.一种基于蚁群算法的天线权值优化方法,其特征是选取天线覆盖相关指标区域作为待优化位置区,其中基于基站的位置区粒度,按照与天线覆盖相关联的KPI指标进行评估,选取指标相对预设值较差区域作为待优化位置区,
定义MR、MDT测量任务,其中通过运营商主设备厂家OMC网管定义MR、MDT测量任务,根据需求开启即时性任务或者周期性任务,
根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,其中通过基站基础工参的位置数据与GIS地图结合,评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,
通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,其中迭代过程中评估指标优化则认为步长调整为有效调整,迭代过程中评估指标劣化则认为步长调整为无效调整,
利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
2.根据权利要求1所述的一种基于蚁群算法的天线权值优化方法,其特征是针对优化后天线权值设置组合进行KPI指标变化监控及效果评估。
3.一种基于蚁群算法的天线权值优化系统,其特征是包括选取模块、测量任务模块、评估模块、调整模块及计算模块,
选取模块选取天线覆盖相关指标区域作为待优化位置区,其中选取模块基于基站的位置区粒度,按照与天线覆盖相关联的KPI指标进行评估,选取指标相对预设值较差区域作为待优化位置区,
测量任务模块定义MR、MDT测量任务,通过运营商主设备厂家OMC网管定义MR、MDT测量任务,根据需求开启即时性任务或者周期性任务,
测量任务模块根据MR/MDT数据采样点的分布情况、基站的经纬度信息以及基站规划的扇区数量,确定待优化位置区的主覆盖小区及相应的方位角设置,
评估模块评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,其中评估模块通过基站基础工参的位置数据与GIS地图结合,评估基站扇区覆盖范围内的覆盖高度,确定天线扇区的下倾角,
评估模块通过解析MR/MDT数据,获取基站小区粒度的信号到达角DOA的分布区间,确定天线扇区的垂直波瓣宽度与水平波瓣宽度,根据MR/MDT数据及DOA分布区间上的采样点数量和占比,确定天线扇区的波束数量,
调整模块针对每个天线权值设置调整步长、迭代次数及关联的评估指标,在迭代过程中进行相应调整,迭代过程中评估指标优化则认为步长调整为有效调整,迭代过程中评估指标劣化则认为步长调整为无效调整,
计算模块利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分,形成正反馈的调整机制,并在迭代次数结束后获得优化的天线权值设置组合。
4.一种基于蚁群算法的天线权值优化装置,其特征是包括至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1或2中所述的一种基于蚁群算法的天线权值优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130508.5A CN112260731B (zh) | 2020-10-21 | 2020-10-21 | 一种基于蚁群算法的天线权值优化方法 |
PCT/CN2021/114490 WO2022083275A1 (zh) | 2020-10-21 | 2021-08-25 | 一种基于蚁群算法的天线权值优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130508.5A CN112260731B (zh) | 2020-10-21 | 2020-10-21 | 一种基于蚁群算法的天线权值优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112260731A CN112260731A (zh) | 2021-01-22 |
CN112260731B true CN112260731B (zh) | 2022-09-06 |
Family
ID=74264464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011130508.5A Active CN112260731B (zh) | 2020-10-21 | 2020-10-21 | 一种基于蚁群算法的天线权值优化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112260731B (zh) |
WO (1) | WO2022083275A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112260731B (zh) * | 2020-10-21 | 2022-09-06 | 浪潮通信信息系统有限公司 | 一种基于蚁群算法的天线权值优化方法 |
CN113015174B (zh) * | 2021-02-18 | 2023-03-14 | 中国联合网络通信集团有限公司 | 楼宇间网络覆盖方法和装置 |
CN115134817B (zh) * | 2021-03-29 | 2024-06-11 | 中国移动通信集团山东有限公司 | 5g波束赋形优化方法及系统 |
CN115474202A (zh) * | 2021-06-10 | 2022-12-13 | 中移系统集成有限公司 | 基站配置方法、装置、电子设备和存储介质 |
CN115589597A (zh) * | 2021-07-06 | 2023-01-10 | 中国移动通信集团四川有限公司 | 天线权值参数的优化方法、装置及电子设备 |
CN113656956B (zh) * | 2021-08-11 | 2023-09-08 | 卓望信息技术(北京)有限公司 | 基于4g mdt的5g天线权值优化方法、设备及介质 |
CN114466367B (zh) * | 2021-12-17 | 2023-09-08 | 中国联合网络通信集团有限公司 | 天线挂高校准方法及装置 |
CN114374984A (zh) * | 2021-12-28 | 2022-04-19 | 中国电信股份有限公司 | 一种波束调整方法、装置、电子设备及存储介质 |
CN117880836A (zh) * | 2022-05-25 | 2024-04-12 | 中兴通讯股份有限公司 | 天线方向的调整方法、装置、基站、电子设备和介质 |
CN115278711A (zh) * | 2022-07-04 | 2022-11-01 | 中国电信股份有限公司 | 一种波束权值确定方法、装置、电子设备和可读存储介质 |
CN117729560A (zh) * | 2022-09-19 | 2024-03-19 | 中兴通讯股份有限公司 | 一种天线参数的确定方法及装置 |
CN117915352A (zh) * | 2022-10-12 | 2024-04-19 | 中兴通讯股份有限公司 | 波束权值优化方法及装置 |
CN116094974B (zh) * | 2023-01-28 | 2024-06-25 | 北京京航计算通讯研究所 | 网络通信参数配置测试用例生成方法、装置及测试方法 |
CN117473882B (zh) * | 2023-12-28 | 2024-03-29 | 扬州市宜楠科技有限公司 | 基于多算法融合的天线阵列调整方法及系统 |
CN117610887A (zh) * | 2024-01-10 | 2024-02-27 | 杭州国辰机器人科技有限公司 | 一种基于太空加油站的geo太空垃圾清除任务规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015110166A1 (en) * | 2014-01-24 | 2015-07-30 | Nokia Solutions And Networks Oy | Determining an adjustment of a tilt angle for an antenna serving a vertically sectorized cell of a radio network |
CN104936192A (zh) * | 2014-03-20 | 2015-09-23 | 中国移动通信集团湖北有限公司 | 信号接收强度获取方法及装置、覆盖优化方法及装置 |
CN106134235A (zh) * | 2014-12-01 | 2016-11-16 | Lg电子株式会社 | 用于指示小区分裂模式的方法及装置 |
CN109379752A (zh) * | 2018-09-10 | 2019-02-22 | 中国移动通信集团江苏有限公司 | Massive MIMO的优化方法、装置、设备及介质 |
CN109462426A (zh) * | 2018-11-20 | 2019-03-12 | 南京邮电大学 | 面向高铁车厢服务质量保障的波束成形与功率分配方法 |
CN109862584A (zh) * | 2018-12-30 | 2019-06-07 | 中国科学院软件研究所 | 功率资源分配方法及应用该方法的多波束卫星通信系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625322B (zh) * | 2012-02-27 | 2014-07-30 | 北京邮电大学 | 多制式智能可配的无线网络优化的实现方法 |
US20180167121A1 (en) * | 2015-06-30 | 2018-06-14 | Nokia Solutions And Networks Oy | Control Signaling |
CN109495146A (zh) * | 2018-12-26 | 2019-03-19 | 郭今戈 | Massive MIMO天线的参数配置方法和装置 |
CN110475253B (zh) * | 2019-07-15 | 2022-04-05 | 中国移动通信集团内蒙古有限公司 | 优化基站覆盖范围的方法、装置、设备及介质 |
CN110784880B (zh) * | 2019-10-11 | 2023-03-24 | 深圳市名通科技股份有限公司 | 天线权值优化方法、终端及可读存储介质 |
CN112260731B (zh) * | 2020-10-21 | 2022-09-06 | 浪潮通信信息系统有限公司 | 一种基于蚁群算法的天线权值优化方法 |
-
2020
- 2020-10-21 CN CN202011130508.5A patent/CN112260731B/zh active Active
-
2021
- 2021-08-25 WO PCT/CN2021/114490 patent/WO2022083275A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015110166A1 (en) * | 2014-01-24 | 2015-07-30 | Nokia Solutions And Networks Oy | Determining an adjustment of a tilt angle for an antenna serving a vertically sectorized cell of a radio network |
CN104936192A (zh) * | 2014-03-20 | 2015-09-23 | 中国移动通信集团湖北有限公司 | 信号接收强度获取方法及装置、覆盖优化方法及装置 |
CN106134235A (zh) * | 2014-12-01 | 2016-11-16 | Lg电子株式会社 | 用于指示小区分裂模式的方法及装置 |
CN109379752A (zh) * | 2018-09-10 | 2019-02-22 | 中国移动通信集团江苏有限公司 | Massive MIMO的优化方法、装置、设备及介质 |
CN109462426A (zh) * | 2018-11-20 | 2019-03-12 | 南京邮电大学 | 面向高铁车厢服务质量保障的波束成形与功率分配方法 |
CN109862584A (zh) * | 2018-12-30 | 2019-06-07 | 中国科学院软件研究所 | 功率资源分配方法及应用该方法的多波束卫星通信系统 |
Non-Patent Citations (1)
Title |
---|
"基于压缩感知的圆阵自适应数字波束形成算法";王建等;《电波科学学报》;20140615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112260731A (zh) | 2021-01-22 |
WO2022083275A1 (zh) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112260731B (zh) | 一种基于蚁群算法的天线权值优化方法 | |
CN109379752B (zh) | Massive MIMO的优化方法、装置、设备及介质 | |
KR102654497B1 (ko) | 무선 라디오 액세스 네트워크들 (wireless radio access networks) 에 머신 러닝 기법들을 적용하기 위한 라디오 맵핑 아키텍처 (radio mapping architecture) | |
US6810246B1 (en) | Method and system for analyzing digital wireless network performance | |
CN111683375B (zh) | 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法 | |
CN108574954A (zh) | 无线通信系统中的电子设备和方法 | |
US9345032B2 (en) | Method and apparatus for determining network clusters for wireless backhaul networks | |
CN108306699A (zh) | 一种基于增益预估的天馈优化方法 | |
WO2022017012A1 (zh) | 一种网络配置方法及装置 | |
CN111082840B (zh) | 一种天线广播波束的优化方法和装置 | |
Yilmaz et al. | Self-optimization of remote electrical tilt | |
Fierro et al. | Empirical results for human-induced shadowing events for indoor 60 GHz wireless links | |
Luo et al. | SRCON: A data-driven network performance simulator for real-world wireless networks | |
Khan et al. | Learning based CoMP clustering for URLLC in millimeter wave 5G networks with blockages | |
CN115052296B (zh) | 一种可用于6G的智能Rank下行速率优化的方法 | |
CN116133037A (zh) | 一种无线网络评估方法及装置 | |
Tomforde et al. | Load-aware reconfiguration of LTE-antennas dynamic cell-phone network adaptation using organic network control | |
KR100594881B1 (ko) | 고속 자동 최적해 탐색 방법을 적용한 무선망 최적화시스템 및 최적화 방법 | |
KR102640437B1 (ko) | 디지털 트윈 기반 빔포밍 방법 및 장치 | |
CN115134817B (zh) | 5g波束赋形优化方法及系统 | |
Andrusenko et al. | Modeling and simulation for RF propagation | |
Yao | Radio Resource Allocation and Beam Management under Location Uncertainty in 5G mmWave Networks | |
Liu et al. | The Method of Accurate Coverage Optimization for 5G Massive MIMO Based on Big Data | |
KR102593994B1 (ko) | 위치 기반 핑거프린트를 이용한 최적빔 선택 시스템 및 방법 | |
Di et al. | Research and Application of 5G Massive MIMO Antenna Weight Intelligent Optimization Based on 4G/5G Coordination |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 250100 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong. Applicant after: INSPUR COMMUNICATION AND INFORMATION SYSTEM Co.,Ltd. Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant before: Beijing MetarNet Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |