CN112468197B - 一种联合优化c-ran中波束成形和用户关联方法 - Google Patents

一种联合优化c-ran中波束成形和用户关联方法 Download PDF

Info

Publication number
CN112468197B
CN112468197B CN202011383307.6A CN202011383307A CN112468197B CN 112468197 B CN112468197 B CN 112468197B CN 202011383307 A CN202011383307 A CN 202011383307A CN 112468197 B CN112468197 B CN 112468197B
Authority
CN
China
Prior art keywords
remote antenna
antenna unit
low
state information
channel 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.)
Active
Application number
CN202011383307.6A
Other languages
English (en)
Other versions
CN112468197A (zh
Inventor
朱鹏程
张震
李佳珉
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011383307.6A priority Critical patent/CN112468197B/zh
Publication of CN112468197A publication Critical patent/CN112468197A/zh
Application granted granted Critical
Publication of CN112468197B publication Critical patent/CN112468197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04B7/0426—Power distribution
    • H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
    • 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
    • H04B7/0452—Multi-user MIMO systems
    • 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
    • H04B7/0613—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 simultaneous transmission
    • H04B7/0615—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 simultaneous transmission of weighted versions of same signal
    • H04B7/0617—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 simultaneous transmission of weighted versions of same signal for beam forming
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种联合优化C‑RAN中波束成形和用户关联方法，包括以下步骤：步骤S1，建立基于集中化处理和分布式天线系统的C‑RAN数学模型；步骤S2，建立联合优化问题数学模型的目标函数和约束条件；步骤S3，将原问题转化为凸问题；步骤S4，采用迭代算法求解步骤S3转化后的凸问题。本发明能够联合优化系统的波束成形和用户关联，使C‑RAN中的远端天线单元达到负载平衡并且有效降低网络的发射功率，具有广阔的应用前景。

Description

一种联合优化C-RAN中波束成形和用户关联方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种联合优化C-RAN中波束成形和用户关联方法。
背景技术
近些年，移动通信快速发展，越来越多的设备接入到移动网络，数据流量快速增长。作为一种新兴的网络结构，云无线接入网(Cloud-radio access network，C-RAN)被认为能满足未来通信日益增加的业务量和服务质量的要求。在C-RAN中，传统的基站被远端天线单元所代替，并且所有的远端天线单元通过回程链路连接到基带单元池。因此基带单元池可以联合的处理用户信息，如此，可以有效的缓解干扰，提升C-RAN系统的性能。云集中式架构的共享基带单元池可以有效地减少系统地电力消耗，减少支出成本；分布式的远端天线单元通过相互协作，多点传输，共同为用户服务，提升了C-RAN系统的扩展性和灵活性。由于流量分布在空间上的不均匀性，在C-RAN网络中不可避免的会存在高流量区域。根据传统的用户关联方案，用户会偏向选择有着高信噪比的远端天线单元作为接入点，这就不可避免地会在高流量区域造成基站拥塞，因此设计负载平衡的用户关联方案对于现代移动通信系统有非常重要的意义。
目前现有的联合优化C-RAN中波束成形和用户关联的方案，在诱导重加权
Figure BDA0002809039970000011
范数时，只考虑了远端天线单元的发射功率，而忽略了系统的信道状态信息和远端天线单元的负载数目，这不可避免地会在高流量地区造成基站的拥塞，从而影响网络的性能。
发明内容
本发明的目的是提供一种联合优化C-RAN中波束成形和用户关联方法，该方法既可以有效地降低C-RAN系统的发射功率，又可以获得负载平衡的用户关联方案。
为实现上述目的，本发明采用的技术方案为：
一种联合优化C-RAN中波束成形和用户关联方法，包括以下步骤：
步骤S1，建立基于集中化处理和分布式天线系统的C-RAN数学模型；
步骤S2，建立联合优化问题数学模型的目标函数和约束条件；
步骤S3，将原问题转化为凸问题；
步骤S4，采用迭代算法求解步骤S3转化后的凸问题。
所述步骤S1具体包括：
步骤S11，配置拥有1个基带单元池、L个配有Nl根天线的远端天线单元和K个单天线的接收机用户的C-RAN系统，其中基带单元池已知信道状态信息；
步骤S12，建立远端天线单元发射功率模型，第l个远端天线单元的发射功率为
Figure BDA0002809039970000021
其中，∑·表示求和运算，||·||表示范数运算，wl,k表示第l个远端天线单元和第k个接收机用户之间的波束成形矢量，k∈K；
步骤S13，建立用户接收机服务质量QoS模型，第k个接收机用户的信干噪比为
Figure BDA0002809039970000022
其中，
Figure BDA0002809039970000023
表示加性高斯白噪声的功率，(·)2表示平方运算，|·|表示绝对值运算，hl,k表示第l个远端天线单元和第k个接收机用户之间信道增益矢量，上标H表示共轭转置，下标i表示第i个接收机用户。
所述步骤S2具体包括：
步骤S21，建立C-RAN网络远端天线单元发射功率最小化目标函数：
Figure BDA0002809039970000024
其中，
Figure BDA0002809039970000025
·表示优化波束成形矢量wl,k使得其后函数值最小；
步骤S22，建立远端天线单元发射功率约束：
Figure BDA0002809039970000026
其中，Pl max表示第l个远端天线单元最大发射功率，
Figure BDA0002809039970000027
表示任意；
步骤S23，建立用户接收机服务质量QoS约束：
Figure BDA0002809039970000028
其中，γk表示第k个接收机用户需要的信干噪比条件；
步骤S24，建立用户关联约束，第k个接收机用户只能关联一个远端天线单元：
Figure BDA0002809039970000031
其中，
Figure BDA00028090399700000311
为指示函数，具体定义为：
Figure BDA0002809039970000032
其中x为函数任意自变量。
所述步骤S3中，利用二阶锥规划，半定规划以及重加权
Figure BDA00028090399700000312
范数技术将原问题模型转化为凸问题：
Figure BDA0002809039970000033
其中，
Figure BDA0002809039970000034
·表示优化波束成形矢量Wl,k使得其后函数值最小，s.t.表示使其满足后述条件，Tr(·)表示求迹运算，
Figure BDA0002809039970000035
≥表示半正定，βl,k表示根据重加权
Figure BDA00028090399700000313
范数技术得出的第l个远端天线单元和第k个接收机用户之间的重加权权值。
所述步骤S4具体包括：
步骤S41，初始化n＝1，
Figure BDA0002809039970000036
求解步骤S3中的优化问题，得到远端天线单元的发射功率以及远端天线单元的负载数目，其中n为迭代次数，
Figure BDA0002809039970000037
表示第1次迭代中βl,k的取值；
步骤S42，重新设置
Figure BDA0002809039970000038
为1；
步骤S43，通过模糊推理系统基于本次优化问题的求解得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息推理得到迭代算法中
Figure BDA0002809039970000039
的该变量
Figure BDA00028090399700000310
其中
Figure BDA0002809039970000041
表示第n次迭代中βl,k的值，
Figure BDA0002809039970000042
表示第n次迭代后
Figure BDA0002809039970000043
的改变值；
步骤S44，更新
Figure BDA0002809039970000044
n＝n+1；
步骤S45，根据新得到的
Figure BDA0002809039970000045
重新求解步骤S3中的优化问题；
步骤S46，重复步骤S43至S45，直至算法收敛。
所述步骤S43具体包括：
步骤S431，选择模糊推理系统的隶属度函数；
步骤S432，建立归一化输入输出变量的模糊术语集；
步骤S433，建立模糊推理规则表；
步骤S434，运行模糊推理系统，将本次优化问题求解结果得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息模糊化后输入模糊推理系统，模糊推理系统根据步骤S434中的模糊规则推理得到
Figure BDA0002809039970000046
的变化量
Figure BDA0002809039970000047
所述步骤S431中，选用三角隶属度函数计算模糊推理系统归一化输入和输出参数的隶属度，一个三角隶属度函数的模糊参数用一个三元组来表示(a1,a2,a3)，数学形式如下：
Figure BDA0002809039970000048
其中，x表示模糊推理系统归一化输入和输出参数，
Figure BDA0002809039970000049
表示选用三元组(a1,a2,a3)作为模糊参数的三角隶属度函数。
有益效果：本发明能够联合优化C-RAN波束成形和用户关联，既能有效地降低系统中所有远端天线单元的发射总功率，又能获得负载平衡的用户关联方案，提升C-RAN系统的系统性能，防止高流量地区远端天线单元发生拥塞，具有广阔的应用前景。
附图说明
图1为本发明提供的联合优化C-RAN波束成形和用户关联方法的流程图；
图2为本发明所采用的模糊推理系统结构框图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，本发明提供的一种联合优化C-RAN波束成形和用户关联方法，包括如下步骤：
步骤S1，建立基于集中化处理和分布式天线系统的C-RAN数学模型；具体步骤为：
步骤S11，配置拥有1个基带单元池、L个配有Nl根天线的远端天线单元和K个单天线的接收机用户的C-RAN系统，其中基带单元池已知信道状态信息；
步骤S12，建立远端天线单元发射功率模型，第l个远端天线单元的发射功率为
Figure BDA0002809039970000051
其中∑·表示求和运算，||·||表示范数运算，wl,k表示第l个远端天线单元和第k个接收机用户之间的波束成形矢量；
步骤S13，建立用户接收机服务质量QoS模型，第k个接收机用户的信干噪比为
Figure BDA0002809039970000052
其中，
Figure BDA0002809039970000053
表示加性高斯白噪声的功率，(·)2表示平方运算，|·|表示绝对值运算，hl,k表示第l个远端天线单元和第k个接收机用户之间信道增益矢量，上标H表示共轭转置，下标i表示第i个接收机用户；
步骤S2，建立联合优化问题数学模型的目标函数和约束条件；具体为：
步骤S21，建立C-RAN网络远端天线单元发射功率最小化目标函数：
Figure BDA0002809039970000054
其中，
Figure BDA0002809039970000055
·表示优化波束成形矢量wl,k使得其后函数值最小；
步骤S22，建立远端天线单元发射功率约束：
Figure BDA0002809039970000056
其中，Pl max表示第l个远端天线单元最大发射功率，
Figure BDA0002809039970000057
表示任意；
步骤S23，建立用户接收机服务质量QoS约束：
Figure BDA0002809039970000061
其中，γk表示第k个接收机用户需要的信干噪比条件；
步骤S24，建立用户关联约束，第k个接收机用户只能关联一个远端天线单元：
Figure BDA0002809039970000062
其中，
Figure BDA00028090399700000610
为指示函数，具体定义为：
Figure BDA0002809039970000063
其中x为函数任意自变量。
步骤S3，利用二阶锥规划，半定规划和重加权
Figure BDA00028090399700000611
范数技术将原问题转化为凸问题：
Figure BDA0002809039970000064
其中，
Figure BDA0002809039970000065
·表示优化波束成形矢量Wl,k使得其后函数值最小，s.t.表示使其满足后述条件，Tr(·)表示求迹运算，
Figure BDA0002809039970000066
≥表示半正定，βl,k表示根据重加权
Figure BDA00028090399700000612
范数技术得出的第l个远端天线单元和第k个接收机用户之间的重加权权值。
步骤S4，采用迭代算法求解S3转化后的凸问题：具体为：
步骤S41，初始化n＝1，
Figure BDA0002809039970000067
求解步骤3中的优化问题，得到远端天线单元的发射功率以及远端天线单元的负载数目，其中n为迭代次数，
Figure BDA0002809039970000068
表示第1次迭代中βl,k的取值；
步骤S42，重新设置
Figure BDA0002809039970000069
为1；
步骤S43，为了获得负载平衡的用户关联方案，通过模糊推理系统基于本次优化问题的求解得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息推理得到迭代算法中
Figure BDA0002809039970000071
的该变量
Figure BDA0002809039970000072
其中
Figure BDA0002809039970000073
表示第n次迭代中βl,k的值，
Figure BDA0002809039970000074
表示第n次迭代后
Figure BDA0002809039970000075
的改变值；
步骤S43具体为：
步骤S431，选择模糊推理系统的隶属度函数，选用三角隶属度函数计算模糊推理系统归一化输入和输出参数的隶属度，一个三角隶属度函数的模糊参数可以用一个三元组来表示(a1,a2,a3)，数学形式如下：
Figure BDA0002809039970000076
其中x表示模糊推理系统归一化输入和输出参数，
Figure BDA0002809039970000077
表示选用三元组(a1,a2,a3)作为模糊参数的三角隶属度函数。
步骤S432，建立归一化输入输出变量的模糊术语集，如表1：
表1
等级 隶属函数
Very Low (-0.25,0.00,0.25)
Low (0.00,0.25,0.50)
Medium (0.25,0.50,0.75)
High (0.50,0.75,1.00)
Very High (0.75,1.00,1.25)
步骤S433，建立模糊推理规则表，如表2：
表2
Figure BDA0002809039970000081
步骤S434，运行模糊推理系统，将本次优化问题求解结果得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息模糊化后输入模糊推理系统，模糊推理系统根据S53.中的模糊规则推理得到
Figure BDA0002809039970000082
的变化量
Figure BDA0002809039970000083
步骤S44，更新
Figure BDA0002809039970000084
n＝n+1；
步骤S45，根据新得到的
Figure BDA0002809039970000091
重新求解步骤3中的优化问题；
步骤S46，重复步骤S43至S45，直至算法收敛。
本发明能够联合优化C-RAN波束成形和用户关联，既能有效地降低系统中所有远端天线单元的发射总功率，又能获得负载平衡的用户关联方案，提升C-RAN系统的系统性能，防止高流量地区远端天线单元发生拥塞，具有广阔的应用前景。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种联合优化C-RAN中波束成形和用户关联方法，其特征在于：包括以下步骤：
步骤S1，建立基于集中化处理和分布式天线系统的C-RAN数学模型；所述步骤S1具体包括：
步骤S11，配置拥有1个基带单元池、L个配有Nl根天线的远端天线单元和K个单天线的接收机用户的C-RAN系统，其中基带单元池已知信道状态信息；
步骤S12，建立远端天线单元发射功率模型，第l个远端天线单元的发射功率为
Figure FDA0003264876170000011
其中，∑·表示求和运算，||·||表示范数运算，wl,k表示第l个远端天线单元和第k个接收机用户之间的波束成形矢量，k∈K；
步骤S13，建立用户接收机服务质量QoS模型，第k个接收机用户的信干噪比为
Figure FDA0003264876170000012
其中，
Figure FDA0003264876170000013
表示加性高斯白噪声的功率，(·)2表示平方运算，|·|表示绝对值运算，hl,k表示第l个远端天线单元和第k个接收机用户之间信道增益矢量，上标H表示共轭转置，下标i表示第i个接收机用户；
步骤S2，建立联合优化问题数学模型的目标函数和约束条件；所述步骤S2具体包括：
步骤S21，建立C-RAN网络远端天线单元发射功率最小化目标函数：
Figure FDA0003264876170000014
其中，
Figure FDA0003264876170000015
表示优化波束成形矢量wl,k使得其后函数值最小；
步骤S22，建立远端天线单元发射功率约束：
Figure FDA0003264876170000016
其中，Pl max表示第l个远端天线单元最大发射功率，
Figure FDA0003264876170000017
表示任意；
步骤S23，建立用户接收机服务质量QoS约束：
Figure FDA0003264876170000018
其中，γk表示第k个接收机用户需要的信干噪比条件；
步骤S24，建立用户关联约束，第k个接收机用户只能关联一个远端天线单元：
Figure FDA0003264876170000021
其中，
Figure FDA0003264876170000022
为指示函数，具体定义为：
Figure FDA0003264876170000023
其中x为函数任意自变量；
步骤S3，利用二阶锥规划，半定规划以及重加权
Figure FDA0003264876170000024
范数技术将原问题模型转化为凸问题：
Figure FDA0003264876170000025
Figure FDA0003264876170000026
Figure FDA0003264876170000027
Figure FDA0003264876170000028
Figure FDA0003264876170000029
其中，
Figure FDA00032648761700000210
表示优化波束成形矢量Wl,k使得其后函数值最小，s.t.表示使其满足后述条件，Tr(·)表示求迹运算，
Figure FDA00032648761700000211
Figure FDA00032648761700000212
表示半正定，βl,k表示根据重加权
Figure FDA00032648761700000213
范数技术得出的第l个远端天线单元和第k个接收机用户之间的重加权权值；
步骤S4，采用迭代算法求解步骤S3转化后的凸问题；所述步骤S4具体包括：
步骤S41，初始化n＝1，
Figure FDA00032648761700000214
求解步骤S3中的优化问题，得到远端天线单元的发射功率以及远端天线单元的负载数目，其中n为迭代次数，
Figure FDA00032648761700000215
表示第1次迭代中βl,k的取值；
步骤S42，重新设置
Figure FDA00032648761700000216
为1；
步骤S43，通过模糊推理系统基于本次优化问题的求解得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息推理得到迭代算法中
Figure FDA0003264876170000031
的该变量
Figure FDA0003264876170000032
其中
Figure FDA0003264876170000033
表示第n次迭代中βl,k的值，
Figure FDA0003264876170000034
表示第n次迭代后
Figure FDA0003264876170000035
的改变值；
步骤S44，更新
Figure FDA0003264876170000036
步骤S45，根据新得到的
Figure FDA0003264876170000037
重新求解步骤S3中的优化问题；
步骤S46，重复步骤S43至S45，直至算法收敛。
2.根据权利要求1所述的联合优化C-RAN中波束成形和用户关联方法，其特征在于：所述步骤S43具体包括：
步骤S431，选择模糊推理系统的隶属度函数；
步骤S432，建立归一化输入输出变量的模糊术语集；
步骤S433，建立模糊推理规则表；
步骤S434，运行模糊推理系统，将本次优化问题求解结果得到的远端天线单元发射功率，远端天线单元负载数目以及信道状态信息模糊化后输入模糊推理系统，模糊推理系统根据步骤S434中的模糊规则推理得到
Figure FDA0003264876170000038
的变化量
Figure FDA0003264876170000039
3.根据权利要求2所述的联合优化C-RAN中波束成形和用户关联方法，其特征在于：所述步骤S431中，选用三角隶属度函数计算模糊推理系统归一化输入和输出参数的隶属度，一个三角隶属度函数的模糊参数用一个三元组来表示(a1,a2,a3)，数学形式如下：
Figure FDA00032648761700000310
其中，x表示模糊推理系统归一化输入和输出参数，
Figure FDA00032648761700000311
表示选用三元组(a1,a2,a3)作为模糊参数的三角隶属度函数。
4.根据权利要求2所述的联合优化C-RAN中波束成形和用户关联方法，其特征在于：
所述步骤S432中，归一化输入输出变量的模糊术语集为：
等级Very Low 隶属函数(-0.25,0.00,0.25)
等级Low 隶属函数(0.00,0.25,0.50)
等级Medium 隶属函数(0.25,0.50,0.75)
等级High 隶属函数(0.50,0.75,1.00)
等级Very High 隶属函数(0.75,1.00,1.25)。
5.根据权利要求2所述的联合优化C-RAN中波束成形和用户关联方法，其特征在于：
步骤S433中，模糊推理规则为：
规则1：远端天线单元发射功率Medium，信道状态信息Low，远端天线单元负载数目VeryLow，Δβl,kVery Low；
规则2：远端天线单元发射功率Medium，信道状态信息Medium，远端天线单元负载数目Very Low，Δβl,kVery Low；
规则3：远端天线单元发射功率Medium，信道状态信息Medium，远端天线单元负载数目Medium，Δβl,kLow；
规则4：远端天线单元发射功率Medium，信道状态信息Medium，远端天线单元负载数目High，Δβl,kHigh；
规则5：远端天线单元发射功率Medium，信道状态信息Medium，远端天线单元负载数目Very High，Δβl,kVery High；
规则6：远端天线单元发射功率High，信道状态信息Medium，远端天线单元负载数目Very Low，Δβl,kVery Low；
规则7：远端天线单元发射功率High，信道状态信息Medium，远端天线单元负载数目Low，Δβl,kVery Low；
规则8：远端天线单元发射功率High，信道状态信息Medium，远端天线单元负载数目Medium，Δβl,k Low；
规则9：远端天线单元发射功率High，信道状态信息Medium，远端天线单元负载数目High，Δβl,kHigh；
规则10：远端天线单元发射功率Low，信道状态信息Medium，远端天线单元负载数目Very Low，Δβl,kVery Low；
规则11：远端天线单元发射功率Low，信道状态信息Medium，远端天线单元负载数目Low，Δβl,kLow；
规则12：远端天线单元发射功率Low，信道状态信息Medium，远端天线单元负载数目Medium，Δβl,k Medium；
规则13：远端天线单元发射功率Low，信道状态信息Medium，远端天线单元负载数目High，Δβl,k High；
规则14：远端天线单元发射功率Medium，信道状态信息Low，远端天线单元负载数目Low，Δβl,kVery Low；
规则15：远端天线单元发射功率Medium，信道状态信息Low，远端天线单元负载数目Medium，Δβl,k Low；
规则16：远端天线单元发射功率Medium，信道状态信息Low，远端天线单元负载数目High，Δβl,kHigh；
规则17：远端天线单元发射功率High，信道状态信息Low，远端天线单元负载数目VeryLow，Δβl,kVery Low；
规则18：远端天线单元发射功率High，信道状态信息Low，远端天线单元负载数目Low，Δβl,kLow；
规则19：远端天线单元发射功率High，信道状态信息Low，远端天线单元负载数目High，Δβl,kHigh；
规则20：远端天线单元发射功率Very High，信道状态信息Very High，远端天线单元负载数目Very Low，Δβl,kVery Low。
CN202011383307.6A 2020-12-01 2020-12-01 一种联合优化c-ran中波束成形和用户关联方法 Active CN112468197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011383307.6A CN112468197B (zh) 2020-12-01 2020-12-01 一种联合优化c-ran中波束成形和用户关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011383307.6A CN112468197B (zh) 2020-12-01 2020-12-01 一种联合优化c-ran中波束成形和用户关联方法

Publications (2)

Publication Number Publication Date
CN112468197A CN112468197A (zh) 2021-03-09
CN112468197B true CN112468197B (zh) 2021-11-12

Family

ID=74806047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011383307.6A Active CN112468197B (zh) 2020-12-01 2020-12-01 一种联合优化c-ran中波束成形和用户关联方法

Country Status (1)

Country Link
CN (1) CN112468197B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501480B (zh) * 2022-03-28 2024-01-30 东南大学 毫米波分布式网络中用户关联和波束成形联合多目标优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110601734A (zh) * 2019-09-12 2019-12-20 南京邮电大学 基于非理想csi的回程容量受限c-ran中联合预编解码方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106507361B (zh) * 2016-12-01 2019-10-18 广州番禺职业技术学院 一种基于云无线接入网的物理层安全通信优化系统和方法
US11564077B2 (en) * 2018-10-25 2023-01-24 Commscope Technologies Llc Multi-carrier radio point for a centralized radio access network
CN111294817B (zh) * 2018-12-06 2023-03-21 中国移动通信集团山东有限公司 一种接入模式选择和预编码联合优化方法和装置
EP3932123A4 (en) * 2019-03-01 2022-11-23 CommScope Technologies LLC TRANSMISSION THRUST CONTROL IN A C-RAN
CN111107645B (zh) * 2019-12-16 2022-10-18 东南大学 一种均衡长期能效和网络稳定性的c-ran系统资源分配方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110601734A (zh) * 2019-09-12 2019-12-20 南京邮电大学 基于非理想csi的回程容量受限c-ran中联合预编解码方法

Also Published As

Publication number Publication date
CN112468197A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Ge et al. Joint user association and user scheduling for load balancing in heterogeneous networks
Zhang et al. Deep reinforcement learning for multi-agent power control in heterogeneous networks
US20150119050A1 (en) System and Method for Joint Power Allocation and Routing for Software Defined Networks
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
CN109831808B (zh) 一种基于机器学习的混合供电c-ran的资源分配方法
Ji et al. Power optimization in device-to-device communications: A deep reinforcement learning approach with dynamic reward
CN111107645B (zh) 一种均衡长期能效和网络稳定性的c-ran系统资源分配方法
CN112468197B (zh) 一种联合优化c-ran中波束成形和用户关联方法
Kim et al. Learning to cooperate in decentralized wireless networks
Tan et al. Solving nonconvex power control problems in wireless networks: Low SIR regime and distributed algorithms
Alam et al. Hopfield neural network based uplink/downlink transmission order optimization for dynamic indoor TDD femtocells
CN111741478B (zh) 一种基于大尺度衰落跟踪的业务卸载方法
TWI741619B (zh) 多輸入輸出系統之參數估測方法
Al-Gumaei et al. A new power control game in two-tier femtocell networks
CN108848519B (zh) 一种基于交叉熵学习的异构网络用户接入方法
CN115361734B (zh) 基于信息时效性的功率和irs相移联合优化方法及装置
CN113259944B (zh) 一种基于深度强化学习的ris辅助频谱共享方法
Wang SINR feedback-based integrated base-station assignment, diversity, and power control for wireless networks
Zhang et al. Multi-agent deep reinforcement learning for non-cooperative power control in heterogeneous networks
CN113747386A (zh) 认知无线电网络频谱共享中的智能功率控制方法
Liu et al. Globally optimal joint uplink base station association and beamforming
Lin et al. Deep learning based resource allocation in NOMA wireless power transfer networks
Zhuang et al. When multi-access edge computing meets multi-area intelligent reflecting surface: A multi-agent reinforcement learning approach
CN115941010B (zh) 基于分支界定的irs辅助去蜂窝大规模mimo系统波束赋形方法
CN113055229B (zh) 一种基于ddqn的无线网络自选择协议的方法

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