CN112333761A - 基于三维随机几何的超密度5g蜂窝网络性能分析方法 - Google Patents
基于三维随机几何的超密度5g蜂窝网络性能分析方法 Download PDFInfo
- Publication number
- CN112333761A CN112333761A CN202011333482.4A CN202011333482A CN112333761A CN 112333761 A CN112333761 A CN 112333761A CN 202011333482 A CN202011333482 A CN 202011333482A CN 112333761 A CN112333761 A CN 112333761A
- Authority
- CN
- China
- Prior art keywords
- base station
- cellular network
- density
- target user
- interference
- 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.)
- Pending
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005562 fading Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 108010063499 Sigma Factor Proteins 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000003205 fragrance Substances 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000010295 mobile communication Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，包括步骤：构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型；根据获取的超密度5G蜂窝网络基站空间分布模型计算目标用户的信干噪比；结合目标用户的信干噪比分析5G蜂窝网络的覆盖性能；根据超密度5G蜂窝网络基站空间分布模型计算5G蜂窝网络的最低传输容量。本发明通过综合考虑5G基站的立体分布以及目标用户接收信号和来自其余基站干扰的分布，准确计算5G蜂窝网络的覆盖性能指标估算值，即覆盖概率，便于后期优化。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种基于三维随机几何的超密度5G蜂窝网络性能分析方法。
背景技术
面向2020年及未来，移动通信即将全面进入第五代(5G)的发展阶段。5G将满足人们超高连接数、超高吞吐量、超高移动速度以及超低延时的广泛应用需求，大幅改善通信网络的频谱效率、能量效率及成本效率，拓展了移动通信产业的发展空间。更为重要的是，5G将渗透到物联网和传统产业领域，与工业设备、医疗器械、交通工具等深度融合，全面实现“万物互联”，有效满足各行各业对信息化服务的需求。因此，对5G蜂窝网络进行性能分析具有及其重要的学术价值和非常广阔的应用前景，开始成为无线通信领域的研究热点。
网络性能分析是通过构建网络数学模型并结合数值计算工具对网络的关键性能指标进行估算的过程，它使得计算机能够从网络的表象中分析出其内在的特性，为进一步的网络优化提供依据。5G蜂窝网络性能分析主要包括网络覆盖性能(覆盖概率)、传输容量(信道速率)等。
基站分布建模是5G蜂窝网络性能分析的重要基础，同时也是提高网络性能指标的关键点。传统基站分布描述方法以网格分析法为数学基础，具有直观简单的特点，六边形网格模型是该方法的典型代表。但随着无线通信的发展，蜂窝网络的结构越来越不规则，六边形网格分析方法“过于理想化”和“不具备可分析性”的缺点越来越明显。近年来，基于二维随机几何理论的蜂窝网络性能分析取得了重大突破，该方法能够适应现代蜂窝网络不规则的特点，克服了传统网络分析法的缺点。然而，随着移动通信步入第五代，蜂窝网络中基站的分布由平面分布转向立体分布，传统的基于二维随机几何的蜂窝网络性能分析方法则存在以下缺点：
1、基站分布描述不准确，用二维随机几何模型描述5G基站分布时，需要将基站位置(坐标)由立体空间投影到平面空间，投影后的小区结构与基站的实际覆盖存在较大的偏差，不能准确地描述基站的实际分布特性；
2、不利于后期优化，由于基站分布的优化主要体现在基站密度方面，由于基站分布描述的不准确，根据二维模型得出的优化方案必然达不到优化效果，甚至会导致网络性能恶化。
发明内容
发明目的：针对现有技术中基站分布描述不准确且不利于后期优化的缺陷，本发明公开了一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，通过综合考虑5G基站的立体分布以及目标用户接收信号和来自其余基站干扰的分布，准确计算5G蜂窝网络的覆盖性能指标估算值，即覆盖概率，便于后期优化。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，包括以下步骤：
S1、构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型：在研究区域范围内，以目标用户为所述超密度5G蜂窝网络基站空间分布模型的坐标原点，定义通信基站及若干个干扰基站，所述通信基站相较于所有干扰基站与坐标原点的距离最近；根据三维空间泊松点公式构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型；
S2、根据步骤S1获取的超密度5G蜂窝网络基站空间分布模型计算目标用户的信干噪比：根据无线电波传输的路径损耗模型，结合步骤S1获取的超密度5G蜂窝网络基站空间分布模型，计算5G蜂窝网络下行链路目标用户的信干噪比；
S3、结合步骤S2计算的目标用户的信干噪比分析5G蜂窝网络的覆盖性能：获取步骤S2中求取的目标用户的信干噪比，计算所述目标用户的信干噪比大于信干噪比门限的概率，所述概率即为覆盖概率，所述覆盖概率反映5G蜂窝网络的覆盖性能；
S4、根据步骤S1获取的超密度5G蜂窝网络基站空间分布模型计算5G蜂窝网络的最低传输容量：结合步骤S1获取的超密度5G蜂窝网络基站空间分布模型和香浓公式，计算5G蜂窝网络的最低传输容量，所述最低传输容量即信道速率。
优选地，所述步骤S1中构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型的具体公式为：
其中，c0为通信基站，r0为通信基站与目标用户之间的距离，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数；ci为第i个干扰基站，i＝1，2，...n，n为干扰基站的总个数，ri为第i个干扰基站与目标用户之间的距离，r1，r2，…，rn按照从该干扰基站到目标用户的距离从小到大排列，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数，λ为基站密度。
优选地，所述步骤S2中目标用户的信干噪比计算公式为：
其中，SINRDL为目标用户的信干噪比，h为综合考虑了5G基站发射功率μ以及信道小尺度衰落的随机变量，服从参数为
的指数分布，记作h～exp(μ)；L为室内无线信道衰落综合系数，c0为通信基站，r0为通信基站与目标用户之间的距离，α为路径损耗因子，σ2为加性高斯白噪声功率，IZ为累计干扰，ri为第i个干扰基站与目标用户之间的距离，i＝1，2，...n，n为干扰基站的总个数。
优选地，所述累计干扰IZ的计算公式为：
其中，Φ为区域内所有基站的集合。
优选地，所述步骤S3中覆盖概率的计算公式为：
其中，
为覆盖概率，T为信干噪比门限，λ为基站密度，α为路径损耗因子，
r0为通信基站与目标用户之间的距离，SNRDL为目标用户的下行信干噪比，L为室内无线信道衰落综合系数，ri为第i个干扰基站与目标用户之间的距离，i＝1，2，...n，n为干扰基站的总个数。
优选地，所述步骤S4中5G蜂窝网络的最低传输容量的计算公式为：
其中，CDL(λ，α)为最低传输容量，λ为基站密度，α为路径损耗因子，W为系统带宽，N为研究区域范围内的用户总数，r0为通信基站与目标用户之间的距离，μ为5G基站发射功率，σ2为加性高斯白噪声功率，L为室内无线信道衰落综合系数，
为拉氏变换。
优选地，所述拉氏变换
的计算公式为：
其中，t为log2(1+SINRDL)的门限值，SINRDL为目标用户的信干噪比，
r0为通信基站与目标用户之间的距离。
有益效果：
1、本发明利用三维随机几何理论构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型，描述超密度5G蜂窝网络中目标用户的接收信干比的概率分布，通过综合考虑5G基站的立体分布以及目标用户接收信号和来自其余基站干扰的分布，准确计算5G蜂窝网络的覆盖性能指标估算值，即覆盖概率；
2、本发明区别于传统二维随机几何模型，三维随机几何模型中基站和用户间的距离为三维空间中两点间的直线距离，并根据三维模型计算5G蜂窝网络的覆盖性能指标估算值，即覆盖概率；
3、在覆盖性能分析的基础上进一步分析网络的最低传输容量，即信道速率，联合系统带宽和基站允许接入的最大用户数，得出网络传输容量的解析表达式，代入网络基本参数后可直接计算出结果，具有很强的实用性。
附图说明
图1是本发明的方法流程图；
图2是实施例中实际5G基站分布示意图；
图3是实施例中本发明所建模型中5G基站分布示意图；
图4是覆盖性能比较示意图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法做进一步详细描述。
表1为本发明中所涉及到部分公式的解释，具体内容如下：
表1
如附图1所示，本发明采用以下步骤：
1、5G基站空间分布
本发明构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型，根据一定立体空间中的基站数量(即，基站密度)构建基站的分布模型。
在研究区域范围内，假设目标用户位于三维空间的坐标原点，选取距离其最近的基站作为通信基站，记为c0。通信基站距离目标用户的距离为r0，其概率密度函数可以利用三维空间泊松点过程的空概率事件得到
其中，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数，λ为基站密度。
除去通信基站外，区域内剩余所有基站均为干扰基站，根据干扰基站到目标用户从近到远排列依次为c1，c2，…，cn，到目标用户的距离从小到大排列依次为r1，r2，…，rn，其分布函数可以利用三维空间泊松点过程的分布列得到
其概率密度函数则可表示为
其中，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数，R为研究区域与坐标原点的最远距离，即区域半径。
本发明区别于传统二维随机几何模型，设计了适用于描述5G蜂窝网络基站分布的三维模型，三维随机几何模型中基站和用户间的距离为三维空间中两点间的直线距离，并根据三维模型计算5G蜂窝网络的覆盖性能指标估算值。
2、目标用户信干噪比(Signal to Interference plus Noise Ratio，SINR)
根据步骤1获取的超密度5G蜂窝网络基站空间分布模型计算目标用户的信干噪比，根据无线电波传输的路径损耗模型，5G蜂窝网络下行链路目标用户的信干噪比为
其中，
SINRDL为目标用户的信干噪比，h为综合考虑了5G基站发射功率μ以及信道小尺度衰落的随机变量，服从参数为
的指数分布，记作h～exp(μ)，IZ为累计干扰。其余变量的意义如表1所列。因此，公式(4)的分子表示接收信号功率，分母表示干扰和噪声。
本发明利用三维随机几何理论构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型，描述超密度5G蜂窝网络中目标用户的接收信干比的概率分布，通过综合考虑5G基站的立体分布以及目标用户接收信号和来自其余基站干扰的分布，准确计算5G蜂窝网络的覆盖性能指标估算值，即覆盖概率；
3、覆盖性能分析(覆盖概率)
结合步骤2计算的目标用户的信干噪比分析5G蜂窝网络的覆盖性能，5G蜂窝网络的覆盖性能(覆盖概率)通常指目标用户的接收SINR大于某信干噪比门限T的概率。根据上述两点，结合随机几何理论，可以得出覆盖概率的一般解析结论
SNRDL＝1/μσ2 (9)
其中，
为覆盖概率，SNRDL为目标用户的下行信干噪比，
公式(6)至公式(9)中，相关参数的物理意义在表1中已做详细说明。此外，上述参数都可以很方便地从网络运营商处获取。通过公式(6)至公式(9)可以很方便地估算出5G蜂窝网络的覆盖性能(覆盖概率)。
4、最低传输容量分析(信道速率)
计算5G蜂窝网络的最低传输容量。上述第3点中5G蜂窝网络的覆盖性能，其本质是目标用户的接收SINR大于某信干噪比门限T的概率，从概率统计的角度看即为SINR的概率分布情况。因此，根据香农公式，可以推算出5G蜂窝网络的最低传输容量(信道速率)
其中：
在公式(10)中，CDL(λ，α)为最低传输容量，λ为基站密度，α为路径损耗因子，W为系统带宽，N为研究区域范围内的用户总数，r0为通信基站与目标用户之间的距离，μ为5G基站发射功率，σ2为加性高斯白噪声功率，L为室内无线信道衰落综合系数，
为拉氏变换，t为log2(1+SINRDL)的门限值，
其他相关参数的物理意义在表1中已做详细说明。上述参数同样可以很方便地从网络运营商处获取。通过公式(10)同样可以很方便地估算出5G蜂窝网络的最低传输容量。
在覆盖性能分析的基础上进一步分析网络的最低传输容量，即信道速率，联合系统带宽和基站允许接入的最大用户数，得出网络传输容量的解析表达式，代入网络基本参数后可直接计算出结果，具有很强的实用性。
实施例
本实施例中将本发明提出的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法在某区域内进行实验。测量区域空间大小，统计区域内5G基站的数量，将基站数除以空间体积，得到区域基站密度，代入上述公式(6)至公式(9)即可很方便地估算出该区域内5G蜂窝网络的覆盖性能(覆盖概率)。从网络运营商处获得分配给5G基站的系统带宽W、基站允许接入的最大用户数N并结合估算覆盖性能时获得的基站密度一并代入公式(10)中，同样可以很方便地估算出该区域内5G蜂窝网络的最低传输容量(信道速率)。
根据通信运营商提供的区域内的5G基站密度模拟出的网络结构如图3所示，图2为运营商提供的区域内5G基站的实际位置绘制的网络分布情况。从这两幅中可以看出，本发明所提出的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，在构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型时，模型模拟出的网络结构分布与5G基站的实际分布基本吻合。
此外，将本发明提出的基于三维随机几何的超密度5G蜂窝网络基站空间分布模型与传统二维模型进行比较，以运营商仿真的覆盖性能为参照。当用二维随机几何模型估算5G蜂窝网络的覆盖概率时，需将区域内所有5G基站投影到平面区域中，基站密度根据投影区域的面积和基站数量重新计算。从图4中可以看出，基于三维随机几何的超密度5G蜂窝网络基站空间分布模型对5G蜂窝网络覆盖性能的估算值要明显比二维模型准确，和实测值基本相同。表2给出了5G蜂窝网络覆盖性能不同模型的估算误差和计算时间，包括本发明所用模型、二维随机几何模型在5G蜂窝网络覆盖性能方面估算的误差比较和运算时间比较。可以看出，三维随机几何模型的估算误差明显低于二维模型，计算时间基本相同(略有增加)。此外，从估算结果看，二维随机几何模型的估算值要高于仿真值，这会导致网络运营商过分相信5G网络的覆盖性能，从而导致实际覆盖不足，影响用户体验。
表2
在基于三维随机几何的超密度5G蜂窝网络基站空间分布模型与二维模型最低传输容量比较中，基于三维随机几何的超密度5G蜂窝网络基站空间分布模型和二维模型分别在某区域的超密度5G蜂窝网络场景内进行传输容量估算，以运营商实测速率值为参照。表3所示为5G蜂窝网络传输性能不同模型的估算误差和计算时间，从表中可以看出，三维随机几何模型对传输容量的估算同样更接近实测，计算时间基本相同(略有增加)。与覆盖性能的估算相同，二维随机几何模型所估算出的传输容量值高于实际值，这对网络性能评估同样是不利的。
表3
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于：包括以下步骤：
S1、构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型：在研究区域范围内，以目标用户为所述超密度5G蜂窝网络基站空间分布模型的坐标原点，定义通信基站及若干个干扰基站，所述通信基站相较于所有干扰基站与坐标原点的距离最近；根据三维空间泊松点公式构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型；
S2、根据步骤S1获取的超密度5G蜂窝网络基站空间分布模型计算目标用户的信干噪比：根据无线电波传输的路径损耗模型，结合步骤S1获取的超密度5G蜂窝网络基站空间分布模型，计算5G蜂窝网络下行链路目标用户的信干噪比；
S3、结合步骤S2计算的目标用户的信干噪比分析5G蜂窝网络的覆盖性能：获取步骤S2中求取的目标用户的信干噪比，计算所述目标用户的信干噪比大于信干噪比门限的概率，所述概率即为覆盖概率，所述覆盖概率反映5G蜂窝网络的覆盖性能；
S4、根据步骤S1获取的超密度5G蜂窝网络基站空间分布模型计算5G蜂窝网络的最低传输容量：结合步骤S1获取的超密度5G蜂窝网络基站空间分布模型和香浓公式，计算5G蜂窝网络的最低传输容量，所述最低传输容量即信道速率。
2.根据权利要求1所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述步骤S1中构建基于三维随机几何的超密度5G蜂窝网络基站空间分布模型的具体公式为：
其中，c0为通信基站，r0为通信基站与目标用户之间的距离，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数；ci为第i个干扰基站，i＝1，2，...n，n为干扰基站的总个数，ri为第i个干扰基站与目标用户之间的距离，r1，r2，…，rn按照从该干扰基站到目标用户的距离从小到大排列，
为通信基站在三维空间泊松点的分布函数，
为通信基站在三维空间泊松点的概率密度函数，λ为基站密度。
3.根据权利要求1所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述步骤S2中目标用户的信干噪比计算公式为：
其中，SINRDL为目标用户的信干噪比，h为综合考虑了5G基站发射功率μ以及信道小尺度衰落的随机变量，服从参数为
的指数分布，记作h～exp(μ)；L为室内无线信道衰落综合系数，c0为通信基站，r0为通信基站与目标用户之间的距离，α为路径损耗因子，σ2为加性高斯白噪声功率，IZ为累计干扰，ri为第i个干扰基站与目标用户之间的距离，i＝1，2，...n，n为干扰基站的总个数。
4.根据权利要求3所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述累计干扰IZ的计算公式为：
其中，Φ为区域内所有基站的集合。
5.根据权利要求1所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述步骤S3中覆盖概率的计算公式为：
其中，
为覆盖概率，T为信干噪比门限，λ为基站密度，α为路径损耗因子，
r0为通信基站与目标用户之间的距离，SNRDL为目标用户的下行信干噪比，L为室内无线信道衰落综合系数，ri为第i个干扰基站与目标用户之间的距离，i＝1，2，...n，n为干扰基站的总个数。
6.根据权利要求1所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述步骤S4中5G蜂窝网络的最低传输容量的计算公式为：
其中，CDL(λ，α)为最低传输容量，λ为基站密度，α为路径损耗因子，W为系统带宽，N为研究区域范围内的用户总数，r0为通信基站与目标用户之间的距离，μ为5G基站发射功率，σ2为加性高斯白噪声功率，L为室内无线信道衰落综合系数，
为拉氏变换。
7.根据权利要求6所述的一种基于三维随机几何的超密度5G蜂窝网络性能分析方法，其特征在于，所述
的计算公式为：
其中，t为log2(1+SINRDL)的门限值，SINRDL为目标用户的信干噪比，
r0为通信基站与目标用户之间的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011333482.4A CN112333761A (zh) | 2020-11-24 | 2020-11-24 | 基于三维随机几何的超密度5g蜂窝网络性能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011333482.4A CN112333761A (zh) | 2020-11-24 | 2020-11-24 | 基于三维随机几何的超密度5g蜂窝网络性能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112333761A true CN112333761A (zh) | 2021-02-05 |
Family
ID=74308503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011333482.4A Pending CN112333761A (zh) | 2020-11-24 | 2020-11-24 | 基于三维随机几何的超密度5g蜂窝网络性能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112333761A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113099423A (zh) * | 2021-04-09 | 2021-07-09 | 北京信息科技大学 | 一种基于泊松簇过程的窄带蜂窝物联网的部署方法 |
| CN114285504A (zh) * | 2021-12-22 | 2022-04-05 | 西安邮电大学 | 一种大规模无线供能反向散射通信网络传输性能研究方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106454919A (zh) * | 2016-10-25 | 2017-02-22 | 北京科技大学 | 基于泊松簇过程的异构蜂窝网络基站部署方法 |
| CN110519770A (zh) * | 2019-08-30 | 2019-11-29 | 南京工程学院 | 一种两层异构蜂窝网络能量效率优化方法 |
| CN110912747A (zh) * | 2019-11-28 | 2020-03-24 | 江苏电力信息技术有限公司 | 一种基于随机几何的电力无线专网性能分析方法 |
-
2020
- 2020-11-24 CN CN202011333482.4A patent/CN112333761A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106454919A (zh) * | 2016-10-25 | 2017-02-22 | 北京科技大学 | 基于泊松簇过程的异构蜂窝网络基站部署方法 |
| CN110519770A (zh) * | 2019-08-30 | 2019-11-29 | 南京工程学院 | 一种两层异构蜂窝网络能量效率优化方法 |
| CN110912747A (zh) * | 2019-11-28 | 2020-03-24 | 江苏电力信息技术有限公司 | 一种基于随机几何的电力无线专网性能分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| 李中捷等: "基于三维空间模型的毫米波蜂窝网络覆盖概率分析", 《重庆邮电大学学报(自然科学版)》 * |
| 李中捷等: "基于随机几何理论的多层异构蜂窝网络性能分析", 《中南民族大学学报(自然科学版)》 * |
| 潘子宇: "《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》", 15 February 2020 * |
| 潘子宇等: "三维小基站蜂窝网络上行覆盖概率与容量分析", 《信号处理》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113099423A (zh) * | 2021-04-09 | 2021-07-09 | 北京信息科技大学 | 一种基于泊松簇过程的窄带蜂窝物联网的部署方法 |
| CN113099423B (zh) * | 2021-04-09 | 2022-08-05 | 北京信息科技大学 | 一种基于泊松簇过程的窄带蜂窝物联网的部署方法 |
| CN114285504A (zh) * | 2021-12-22 | 2022-04-05 | 西安邮电大学 | 一种大规模无线供能反向散射通信网络传输性能研究方法 |
| CN114285504B (zh) * | 2021-12-22 | 2023-11-28 | 西安邮电大学 | 一种大规模无线供能反向散射通信网络传输性能研究方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Spatial stochastic models and metrics for the structure of base stations in cellular networks | |
| Boccolini et al. | Wireless sensor network for spectrum cartography based on kriging interpolation | |
| CN112333761A (zh) | 基于三维随机几何的超密度5g蜂窝网络性能分析方法 | |
| Raspopoulos et al. | 3D Ray Tracing for device-independent fingerprint-based positioning in WLANs | |
| CN102984745B (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
| EP2088813B1 (en) | Method, systems and apparatus for modifying a mobile network signal propagation prediction | |
| CN103686818B (zh) | 一种仿真测试方法及设备 | |
| CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
| Fernandes et al. | Scalable vanet simulations with ns-3 | |
| CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
| CN110912747B (zh) | 一种基于随机几何的电力无线专网性能分析方法 | |
| Laoudias et al. | Differential signal strength fingerprinting revisited | |
| CN105915299B (zh) | Ism频段中基于时频二维lmbp神经网络的频谱预测方法 | |
| US11425635B2 (en) | Small cell identification using machine learning | |
| Raspopoulos et al. | Cross device fingerprint-based positioning using 3D ray tracing | |
| CN104635206B (zh) | 一种无线定位的方法及装置 | |
| Dong et al. | Impact of data retrieval pattern on homogeneous signal field reconstruction in dense sensor networks | |
| CN115099385A (zh) | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 | |
| CN113759311B (zh) | 一种定位方法、装置及存储介质 | |
| WO2022193717A1 (zh) | 权值优化方法、装置、通信设备及计算机可读存储介质 | |
| Malandrino et al. | Performance and EMF exposure trade-offs in human-centric cell-free networks | |
| CN111385757B (zh) | 一种用于室内定位WiFi指纹库设备异构性的消除技术 | |
| Grimoud et al. | Best sensor selection for an iterative REM construction | |
| CN108462940A (zh) | 一种基于WiFi热点的室内定位方法 | |
| Almeroth et al. | Analytical interference models for the downlink of a cellular mobile network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |
|
| RJ01 | Rejection of invention patent application after publication |