CN112512069A - 基于信道波束图样的网络智能优化方法及装置 - Google Patents

基于信道波束图样的网络智能优化方法及装置 Download PDF

Info

Publication number
CN112512069A
CN112512069A CN202110139221.7A CN202110139221A CN112512069A CN 112512069 A CN112512069 A CN 112512069A CN 202110139221 A CN202110139221 A CN 202110139221A CN 112512069 A CN112512069 A CN 112512069A
Authority
CN
China
Prior art keywords
base station
station engineering
channel beam
beam pattern
engineering parameters
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
CN202110139221.7A
Other languages
English (en)
Other versions
CN112512069B (zh
Inventor
黄永明
何伟梁
吴珩
张铖
张璐佳
尤肖虎
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.)
Network Communication and Security Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
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 Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202110139221.7A priority Critical patent/CN112512069B/zh
Publication of CN112512069A publication Critical patent/CN112512069A/zh
Application granted granted Critical
Publication of CN112512069B publication Critical patent/CN112512069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Abstract

本发明实施例提供了一种基于信道波束图样的网络智能优化方法及装置，包括：基于用户位置信息、基站工程参数和信道波束图样在第一神经网络模型和第二神经网络模型进行数据训练，通过两个神经网络的协调工作以及多次数据迭代确定满足预设迭代终止条件的基站工程参数；本发明实施例充分利用信道波束图样和无线通信网络环境特征，设计出基于数据驱动的智能网络优化算法，实现了以自适应调整基站工程参数的方式来提升网络性能的目的；本发明实施例具有复杂度较低、与实际无线通信网络环境匹配度较好、性能优异等特点。

Description

基于信道波束图样的网络智能优化方法及装置
技术领域
本发明涉及智能通信技术领域，尤其涉及一种基于信道波束图样的网络智能优化方法及装置。
背景技术
为了应对爆炸式增长的移动数据需求、海量密集的设备连接和不断涌现的新业务新场景，第五代移动通信技术（5G）采用新的频谱资源、空口技术以及网络架构以提高无线网络的承载力。然而，这些新的技术标准也为无线通信网络规划和优化带来了新的挑战。尤其，在5G多用户多输出（MU-MIMO）场景下，网络部署的密集化导致了不同用户的信号波束存在重叠，形成较强的用户间干扰，从而导致了网络性能的下降。一般地，为了应对这些挑战，需要对无线通信网络进行优化，该优化过程包括网络数据收集、网络优化模型构建、优化算法设计和网络参数配置等。
传统的无线网络规划和优化算法一般采用人工或半人工干预的方式对网络参数进行重新配置，以此来提高网络性能。由于存在人工干预，传统方法存在优化模型与实际环境易失配以及大规模网络运用时优化复杂度会激增等弊端。而当前存在研究中，多集中于网络瞬时性能的提升，然而由于对计算能力和设备实现要求高，这些研究目前都难以应用到5G无线通信网络中。因此，在5G无线通信网络中，亟需以中长期网络性能作为网络优化的衡量标准，降低网络优化的细粒度。
鉴于数据科学和人工智能的高速发展，基于数据驱动的智能无线网络优化技术应运而生。这些技术可根据无线网络指标采用人工智能方法训练网络模型，充分利用无线网络数据和自动化设计来减小环境等非理想因素对网络性能的影响，并可以大规模地进行网络部署。然而，由于无线通信场景的数据集采集难度大、成本高和有效性低等问题，导致这些优化技术多数不能有效地对网络进行优化。此外，由于实际环境变化多端，不同环境具有不同的特征，这些优化技术往往仅适用某些特定场景。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于信道波束图样的网络智能优化方法及装置。
第一方面，本发明实施例提供一种基于信道波束图样的网络智能优化方法，包括：
S1、获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；
S2、将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；
S3、基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；
S4、将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；
S5、基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；
S6、基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
进一步地，所述基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数，具体包括：
基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标求解所述基站工程参数的梯度；
根据所述基站工程参数的梯度更新所述基站工程参数。
进一步地，所述基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数，具体包括：
基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型重复步骤S3、步骤S4和步骤S5进行迭代优化，确定符合预设网络性能指标要求的第二网络性能指标；
根据所述符合预设网络性能指标要求的第二网络性能指标确定基站工程参数。
进一步地，还包括：
基于通信环境路测数据获取用户位置信息、基站工程参数和信道波束图样，并进行预处理筛选用户位置信息、基站工程参数和信道波束图样；
将筛选后得到的用户位置信息、基站工程参数和信道波束图样输入至第一神经网络模型。
进一步地，还包括：
基于通信环境路测数据通过波束训练得到所述信道波束图样。
进一步地，还包括：
基于用户位置信息x、基站工程参数
Figure 887766DEST_PATH_IMAGE001
和信道波束图样H设计隐式映射关系；所述 隐式映射关系为：
Figure 562330DEST_PATH_IMAGE002
。
进一步地，还包括：
将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型；
根据所述隐式映射关系预测当前信道波束图样。
第二方面，本发明实施例提供了一种基于信道波束图样的网络智能优化装置，包括：
第一模块，用于获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；
第二模块，用于将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；
第三模块，用于基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；
第四模块，用于将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；
第五模块，用于基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；
第六模块，用于基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的基于信道波束图样的网络智能优化方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的基于信道波束图样的网络智能优化方法的步骤。
由上述技术方案可知，本发明实施例提供的基于信道波束图样的网络智能优化方法及装置，通过基于用户位置信息、基站工程参数和信道波束图样在第一神经网络模型和第二神经网络模型进行数据训练，通过两个神经网络的协调工作以及多次数据迭代确定满足预设迭代终止条件的基站工程参数；从而充分利用信道波束图样和无线通信网络环境特征，设计出基于数据驱动的智能网络优化算法，实现了以自适应调整基站工程参数的方式来提升网络性能的目的；本发明实施例具有复杂度较低、与实际无线通信网络环境匹配度较好、性能优异等特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于信道波束图样的网络智能优化方法的流程示意图；
图2为本发明一实施例提供的单基站场景和双基站场景路测线路系统示意图；
图3为本发明一实施例提供的基站工程参数信息更新流程示意图；
图4为本发明一实施例提供的两步网络协同优化网络吞吐量的结构示意图；
图5为本发明一实施例提供的单基站场景网络吞吐量优化提升效果示意图；
图6为本发明一实施例提供的单基站场景基站工程参数优化示意图；
图7为本发明一实施例提供的双基站基站场景网络吞吐量优化提升效果示意图；
图8为本发明一实施例提供的双基站基站场景下AAU1基站工程参数优化示意图；
图9为本发明一实施例提供的双基站基站场景下AAU2基站工程参数优化示意图；
图10为本发明一实施例提供的基于信道波束图样的网络智能优化装置的结构示意图；
图11为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。下面将通过具体的实施例对本发明提供的基于信道波束图样的网络智能优化方法进行详细解释和说明。
图1为本发明一实施例提供的基于信道波束图样的网络智能优化方法的流程示意图；如图1所示，该方法包括：
步骤S1：获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的。
在本步骤中，可以理解的的是，基于通信环境路测数据获取用户位置信息、基站工 程参数和信道波束图样，其中，通过波束训练得到的信道波束图样H；为了更好的理解本步 骤，举例来说，如利用已适当预处理的通信环境路测数据，筛选用户位置信息x、基站工程参 数
Figure 709277DEST_PATH_IMAGE001
和通过波束训练得到的信道波束图样H作为第一神经网络N 1的输入特征，并将网络性 能指标R作为输出标签，制作数据集X 1，训练网络N 1（即第一神经网络）并冻结。
步骤S2：将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的。
在本步骤中，举例来说，将步骤S1中的用户位置信息x和基站工程参数
Figure 661577DEST_PATH_IMAGE001
作为第二 神经网络N 2的输入特征，并且以通过波束训练得到的信道波束图样H作为输出标签，训练第 二神经网络N 2并冻结。
步骤S3：基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数。
在本步骤中，举例来说，利用神经网络反向传播方法计算步骤S1输出的网络性能 指标R关于对应的输入基站工程参数
Figure 780843DEST_PATH_IMAGE001
的梯度，根据梯度上升方法更新基站工程参数
Figure 423046DEST_PATH_IMAGE001
。
步骤S4：将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样。
在本步骤中，可以理解的是，将更新后的基站工程参数
Figure 260552DEST_PATH_IMAGE001
重新输入到神经网络N 2 中，预测并更新信道波束图样H。如，基于第一神经网络和第二神经网络构建协同优化机制， 从而基于构建的神经网络
Figure 13613DEST_PATH_IMAGE003
和神经网络N 2的协同优化机制实现本步骤。
步骤S5：基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标。
在本步骤中，可以理解的是，利用更新后的数据对神经网络N 1重新预测获得网络性能指标R。如，基于第一神经网络和第二神经网络构建协同优化机制，从而基于构建的神经网络N 1和神经网络N 2的协同优化机制实现本步骤。
步骤S6：基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
在本步骤中，可以理解的是，基于第二网络性能指标以及所述第一神经网络模型 和所述第二神经网络模型，重复进行步骤S3、步骤S4和步骤S5，进行迭代优化，直至得到满 足预设迭代终止条件的基站工程参数。如，经过第一神经网络和第二神经网络的协同工作 以及多次数据训练迭代，找出符合预设性能指标要求的基站工程参数。针对确定满足预设 迭代终止条件的基站工程参数，其预设迭代条件还可以是迭代最大次数或者网络性能预测 值达到预设值。当满足某预设迭代条件时，迭代过程结束，此时的基站工程参数
Figure 987385DEST_PATH_IMAGE004
即为实 际通信网络的最优基站工程参数配置
Figure 800490DEST_PATH_IMAGE005
。
在本实施例中，需要说明的是，在神经网络N 1和神经网络N 2的特征选择方面，选用 全部信道波束图样H、用户位置信息x和基站工程参数
Figure 125292DEST_PATH_IMAGE001
作为神经网络N 1的输入，可以充分 表征相关参数对中长期网络性能的影响。神经网络N 2选用用户位置信息x和基站工程参数
Figure 436972DEST_PATH_IMAGE001
作为输入，可以表征当前环境状态下的信道波束图样H的变化。
在本实施例中，需要说明的是，本实施例涉及的神经网络N 1和神经网络N 2的协同优化机制的具体方法如下：
首先利用更新后的基站工程参数
Figure 530830DEST_PATH_IMAGE004
结合用户位置信息x重新输入到神经网络N 2 中。依据隐式映射关系
Figure 514836DEST_PATH_IMAGE006
来预测此时的信道波束图样Ht。将神经网络N 2输出的信 道波束图样Ht重新作为神经网络N 1的输入，并结合用户位置信息x和更新后的基站工程参数
Figure 264617DEST_PATH_IMAGE004
，共同输入到神经网络N 1中以预测网络的实时性能指标值R t 。该性能指标预测值R t 可视 作神经网络N 1和神经网络N 2的完成一次协同优化的结果。可见，神经网络N 1和神经网络N 2的 协同优化机制，充分利用两个神经网络输入与输出之间的紧密协同来完成网络性能的一次 优化。
在本实施例中，需要说明的是，在神经网络训练方面，可按照8：2比例将数据集X 1 随机划分成训练集
Figure 421798DEST_PATH_IMAGE007
和测试集
Figure 573425DEST_PATH_IMAGE008
，并依据最大-最小准则将输入特征归一化。利用训练 集
Figure 728331DEST_PATH_IMAGE007
训练神经网络N 1且收敛后，保存该神经网络模型。第二神经网络N 2的训练集和测试集 可从训练集
Figure 762146DEST_PATH_IMAGE007
中直接获取，选取合适数据，无需重新制作数据集，降低实现复杂度。经过 充分训练并收敛后，保存第二神经网络N 2的模型结构。
两个神经网络的模型结构不设限制。第一神经网络N 1可设计为多层感知机神经网络（MLP）或其他神经网络结构。考虑到神经网络的梯度是本实施例的重点关注因素，故可采用ReLU、ELU或改进的PReLU函数作为激活函数以避免 “梯度消失”或“神经元失活”现象出现。鉴于第二神经网络N 2旨在拟合与预测信道波束图样，故可设计为具有回归特性的普通机器学习算法代替神经网络完成功能。
本发明实施例旨在解决现有方法需要采集大量数据集、网优模型易与真实环境失配、优化算法较难落地实现的缺点，针对5G多用户密集波束场景，提供了一种基于信道波束图样的网络智能优化方法。本发明实施例基于有限的实测5G无线通信网络数据，提供了一种高效且易于实现的网络优化方法。可通过找到最优基站工程参数配置以简化网络优化难度，达到网络性能的整体优化，且有较高的中长期网络性能提升率。
由上面技术方案可知，本发明实施例提供的基于信道波束图样的网络智能优化方法，通过基于用户位置信息、基站工程参数和信道波束图样在第一神经网络模型和第二神经网络模型进行数据训练，通过两个神经网络的协调工作以及多次数据迭代确定满足预设迭代终止条件的基站工程参数；从而充分利用信道波束图样和无线通信网络环境特征，设计出基于数据驱动的智能网络优化算法，实现了以自适应调整基站工程参数的方式来提升网络性能的目的；本发明实施例具有复杂度较低、与实际无线通信网络环境匹配度较好、性能优异等特点。
在上述实施例的基础上，在本实施例中，所述基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数，具体包括：
基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标求解所述基站工程参数的梯度；
根据所述基站工程参数的梯度更新所述基站工程参数。
在本实施例中，举例来说，利用神经网络反向传播方法计算步骤S1输出的网络性 能指标R关于对应的输入基站工程参数
Figure 398052DEST_PATH_IMAGE001
的梯度，根据梯度上升方法更新基站工程参数
Figure 466502DEST_PATH_IMAGE001
。
在本实施例中，需要说明的是，本实施例涉及的基于神经网络反向传播和梯度上 升方法的基站工程参数
Figure 589047DEST_PATH_IMAGE001
更新机制的具体方法如下：
首先利用冻结后的神经网络N 1对数据集X 1进行预测，采用神经网络反向传播机制 获得关于基站工程参数
Figure 110159DEST_PATH_IMAGE001
的梯度
Figure 546825DEST_PATH_IMAGE009
，并合理设计基站工程参数
Figure 469782DEST_PATH_IMAGE001
更新步长
Figure 966491DEST_PATH_IMAGE010
，然后利 用梯度上升方法对基站工程参数
Figure 974898DEST_PATH_IMAGE001
进行自适应调整。更新公式为：
Figure 212326DEST_PATH_IMAGE011
其中t和t-1分别表示基站工程参数
Figure 989789DEST_PATH_IMAGE001
更新的当前时刻和前一时刻。Ht-1是基站工 程参数
Figure 657400DEST_PATH_IMAGE001
更新前的信道波束图样。此外，需要保证调整后的基站工程参数
Figure 887524DEST_PATH_IMAGE001
仍符合实际通 信网络的要求。
在上述实施例基础上，在本实施例中，所述基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数，具体包括：
基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型重复步骤S3、步骤S4和步骤S5进行迭代优化，确定符合预设网络性能指标要求的第二网络性能指标；
根据所述符合预设网络性能指标要求的第二网络性能指标确定基站工程参数。
在上述实施例基础上，在本实施例中，还包括：
基于通信环境路测数据获取用户位置信息、基站工程参数和信道波束图样，并进行预处理筛选用户位置信息、基站工程参数和信道波束图样；
将筛选后得到的用户位置信息、基站工程参数和信道波束图样输入至第一神经网络模型。
在本实施例中，需要说明的是，本实施例涉及的数据预处理，可利用异常值剔除、空值填充等方法对通信环境路测数据进行数据清洗和处理，提高数据集的质量和工程可用性。
在上述实施例基础上，在本实施例中，还包括：
基于通信环境路测数据通过波束训练得到所述信道波束图样。
在上述实施例基础上，在本实施例中，还包括：
基于用户位置信息x、基站工程参数
Figure 665993DEST_PATH_IMAGE001
和信道波束图样H设计隐式映射关系；所述 隐式映射关系为：
Figure 297962DEST_PATH_IMAGE002
。
在本实施例中，举例来说，针对通信环境路测数据，筛选出合适的用户位置信息x、 基站工程参数
Figure 136474DEST_PATH_IMAGE001
以及信道波束图样H。其中，信道波束图样H可以通过波束训练得到，即基站 与用户间信道在不同波束上投影值的短时平均值。鉴于信道波束图样与用户位置信息x和 基站工程参数
Figure 119474DEST_PATH_IMAGE001
有关，故设计神经网络N 2隐式映射两者间关系，即
Figure 704563DEST_PATH_IMAGE002
。
在上述实施例基础上，在本实施例中，还包括：
将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型；
根据所述隐式映射关系预测当前信道波束图样。
为了更好的理解本发明，下面结合实施例进一步阐述本发明的内容，但本发明不仅仅局限于下面的实施例。
步骤一：利用已适当预处理的通信环境路测数据，筛选用户位置信息x、基站工程 参数
Figure 191040DEST_PATH_IMAGE001
和信道波束图样H作为神经网络N 1的输入特征，并将网络性能指标之一吞吐量R作为 输出标签，制作数据集X 1 ，训练网络N 1并冻结。
其中，所需的路测数据可以是任意通信场景下的实测数据。本发明实例分别针对单基站场景和双基站场景进行通信真实路测数据采集。其通信系统路测场景如图2所示，图2中AAU1和AAU2表示两个基站，图2中N是指正北方向。鉴于其直接从实际场景采集，存在测量误差，数据质量不高，很难直接应用于神经网络。故需针对待优化的网络吞吐量R进行统计分析并采取相应数据清洗和预处理：当网络吞吐量R服从正态分布时采用3σ准则，否则采用四分位箱型图法来剔除异常样本；对于路测中由于掉话等情况出现的空值，可以采用线性插值方法填充。此外还需进行物理小区标识（PCI）和基站工程参数信息匹配以及信道波束图样映射工作。
鉴于信道波束图样主要与位置信息和基站配置信息有关，故本发明实施例中选取 用户位置x、基站工程参数
Figure 13502DEST_PATH_IMAGE001
(包括方位角
Figure 467486DEST_PATH_IMAGE012
和下倾角
Figure 338490DEST_PATH_IMAGE013
)以及所有服务波束上的信道波束 图样H(包含RSRP等)作为主要特征。通过将特征集合
Figure 194319DEST_PATH_IMAGE014
与网 络吞吐量R相结合，制作数据集X 1。按照8:2比例将其随机划分为训练集
Figure 390946DEST_PATH_IMAGE007
和测试集
Figure 66646DEST_PATH_IMAGE008
， 依据最大-最小准则对每个特征进行归一化处理，其转化公式如下：
Figure 741341DEST_PATH_IMAGE015
鉴于信道波束图样H与网络吞吐量R之间复杂的相关关系，故利用神经网络万能近 似定理，设计出神经网络N 1用来映射它们之间的隐式关系。为充分表征网络吞吐量的相关 影响因素，选取用户位置x、基站工程参数
Figure 448748DEST_PATH_IMAGE001
（包括方位角
Figure 550696DEST_PATH_IMAGE012
和下倾角
Figure 979272DEST_PATH_IMAGE013
）及所有服务波束 上的信道波束图样H作为神经网络N 1的输入特征，待优化的网络吞吐量R作为神经网络N 1的 输出标签，即
Figure 457658DEST_PATH_IMAGE016
。
在本发明实施例中，单基站场景数据量较少，且通信场景较为简单，故采用较为简 单的三层感知机网络结构（MLP）进行吞吐量映射。其网络各层神经元数分别为【512,256, 256】，是否增加Dropout层（或者BatchNorm层）可根据网络训练效果而定。针对通信环境复 杂的双基站场景，鉴于路测数据量较大且两基站的通信数据差异性明显，考虑到神经网络 的容量和拟合误差对吞吐量预测的影响，故采用神经元数较多且网络较复杂的Densenet网 络来实现吞吐量的映射功能。考虑到梯度对于本实例的重要性，为避免网络训练过程中出 现“梯度消失”或“部分神经元失活”现象，可将神经网络N 1的激活函数设计为ReLU函数或改 进的PReLU函数。利用训练集
Figure 22500DEST_PATH_IMAGE007
训练网络N 1，待网络收敛后保存该网络模型。激活函数的 具体形式如下：其中i表示不同的通道。
Figure 560929DEST_PATH_IMAGE017
步骤二：将步骤一中的用户位置信息x和基站工程参数
Figure 211222DEST_PATH_IMAGE001
作为神经网络N 2的输入 特征，并以信道波束图样H作为输出标签，训练神经网络N 2并冻结。
由于信道波束图样H会受基站工程参数
Figure 290036DEST_PATH_IMAGE001
和用户位置信息x的影响，且若在迭代过 程中每次改变基站工程参数
Figure 977894DEST_PATH_IMAGE001
以重新预测获得信道波束图样，耗费的人工成本和时间成本 太高，故本发明实施例设计神经网络N 2来表征该映射关系。
考虑到信道波束图样的相关性与用户位置信息x和基站工程参数
Figure 421645DEST_PATH_IMAGE001
的变化有直接 关系，按照信道一致性原理，位置接近或处于相同基站工程参数配置环境下的用户的信道 波束图样一致或相似。故在本发明实施例中，设计高斯过程回归（GPR）模型代替具有回归特 性要求的神经网络N 2来预测当前基站工程参数配置下的信道波束图样。波束图样回归模型 选择基站工程参数
Figure 824813DEST_PATH_IMAGE001
和用户位置信息x作为输入特征，特定位置下的所有服务波束的参考 信号接收功率信息（RSRP）作为网络输出。基于训练集
Figure 645002DEST_PATH_IMAGE007
进行网络训练，收敛后保存模型 参数。其中，GPR模型采用平方指数函数作为核函数，超参数根据实际数据特性利用最大似 然准则进行优化来改善GPR模型的回归效果。
给定N组通信环境特征和信道波束图样可建模成以下多元高斯过程：
Figure 184437DEST_PATH_IMAGE018
其中
Figure 533509DEST_PATH_IMAGE019
，具体的
Figure 158395DEST_PATH_IMAGE020
为x和
Figure 782274DEST_PATH_IMAGE001
组成的特征矢量，
Figure 173285DEST_PATH_IMAGE021
为均值函数，表征每维信道 波束图样的均值与用户位置信息x和基站工程参数
Figure 224418DEST_PATH_IMAGE001
之间的关系；
Figure 884070DEST_PATH_IMAGE022
为输入协方差函数， 表征不同环境特征下的信道波束图样的相关性；
Figure 295328DEST_PATH_IMAGE023
为输出协方差函数，表征不同维信道波 束图样的相关性。
在本发明实施例中，单基站场景的信道较为简单，通信数据量在可接受范围之内，故仅需传统的GPR模型即可实现较优的波束图样预测效果。然而，在双基站通信场景下，鉴于双基站之间存在干扰和越区切换，且需考虑的基站工程参数总组合数较多，近似认为与基站数目成正比例关系。复杂的通信场景和巨大的数据量无疑是对通信网络优化提出了较为艰难的挑战。在发挥GPR模型的预测能力和降低模型计算复杂度之间进行有效权衡下，本发明实例针对双基站场景实验进行两点改进。一是划分出每个基站的单独数据集，分别预测各自的信道波束图样。二是结合神经网络深层次地优化GPR的超参数，即深度高斯过程回归模型（DGPR），进一步地提高传统GPR模型的预测能力。
步骤三：利用神经网络反向传播方法计算步骤一输出的网络吞吐量R关于对应的 输入基站工程参数
Figure 560087DEST_PATH_IMAGE001
的梯度，根据梯度上升方法更新基站工程参数
Figure 31389DEST_PATH_IMAGE001
。
如图3所示，本发明实施例根据神经网络反向传播机制和梯度上升法获得测试集
Figure 116020DEST_PATH_IMAGE008
更新后的基站方位角
Figure 330969DEST_PATH_IMAGE012
和下倾角
Figure 184656DEST_PATH_IMAGE013
。考虑到实际环境基站工程参数可调范围有限，且 每次工程参数改变量不能过大，故必须合理设计基站工程参数的更新步长。本发明实施例 针对单基站场景下的基站工程参数取值（方位角允许取值范围是[240,320]度，下倾角取值 范围是[1,20]度），设计方位角步长选择范围为[0, 0.025]，间隔0.0001；下倾角步长选择 范围为[0, 0.02]，间隔0.001。针对双基站场景下的基站工程参数取值（AAU1方位角允许取 值范围是[180,220]度，下倾角取值范围是[2,6]度。AAU2方位角允许取值范围是[250,310] 度，下倾角取值范围是[0,20]度），设计方位角步长选择范围为[0, 1]，间隔0.005；下倾角 步长选择范围为[0, 1]，间隔0.005。
基站工程参数更新公式如下：
Figure 95367DEST_PATH_IMAGE024
其中i指的是第i个基站，
Figure 667294DEST_PATH_IMAGE025
。应注意的是，在单基站场景下i仅有一个取值， 即i=1。t和t-1分别为基站工程参数更新的当前时刻和前一时刻。
Figure 420355DEST_PATH_IMAGE026
分别指基站方位角
Figure 394128DEST_PATH_IMAGE012
和下倾角
Figure 207232DEST_PATH_IMAGE013
的梯度更新步长。H i,t-1 为基站工程参数更新之前的第i个基站的信道波束图 样。初始值
Figure 63192DEST_PATH_IMAGE027
均由测试集
Figure 619944DEST_PATH_IMAGE008
提供。
步骤四：构建神经网络N 1和神经网络N 2的协同优化机制。将更新后的基站工程参数
Figure 713802DEST_PATH_IMAGE001
重新输入到神经网络N 2中，预测并更新信道波束图样H。利用更新后的数据对神经网络N 1 重新预测获得网络吞吐量R。
在本发明实施例中实现两步神经网络协同优化结构示意图如图4所示，即首先利 用神经网络反向传播机制在神经网络N 1中获得网络吞吐量关于方位角
Figure 530815DEST_PATH_IMAGE028
和下倾角
Figure 77334DEST_PATH_IMAGE029
的梯度，根据梯度上升法更新方位角
Figure 172198DEST_PATH_IMAGE030
及下倾角
Figure 120563DEST_PATH_IMAGE031
，结合用户位置特征x作为高斯过程回 归模型的输入，预测新工程参数配置下的信道波束图样。之后将用户位置特征x、更新的方 位角
Figure 9890DEST_PATH_IMAGE030
及下倾角
Figure 43705DEST_PATH_IMAGE031
和更新的信道波束图样输入到神经网络N 1获得优化后的网络吞吐量R t 。其中，在双基站通信场景下，需要先结合两基站各自更新的信道波束图样，结合更新的 两基站的工程参数组合，共同作用于网络吞吐量R t 的预测中。
步骤五：重复进行步骤三到步骤四，进行迭代优化，直到满足预设迭代终止条件。
本发明实施例中单基站场景和双基站场景下的网络吞吐量优化结果图和工参变化图，如图5-图9，可以看出经过两步神经网络协同机制优化后的网络吞吐量有大幅提升，且基站工程参数有较为明显的聚集趋势，优化效果显著。
在本发明实施例中，结合步骤三至步骤五构成的两步神经网络协同优化网络吞吐量的算法实现流程如下：
两步神经网络协同机制优化网络吞吐量
1 初始化：
Figure 942260DEST_PATH_IMAGE032
。令t=0
单基站场景：i∈{1}
双基站场景i∈{1,2}
2 重复：
(1)
Figure 10710DEST_PATH_IMAGE033
(2)更新基站方位角
Figure 883988DEST_PATH_IMAGE034
和下倾角
Figure 594980DEST_PATH_IMAGE013
:
Figure 297225DEST_PATH_IMAGE035
(3)更新信道波束图样H:
Figure 16920DEST_PATH_IMAGE036
(4)更新网络吞吐量R:
Figure 264362DEST_PATH_IMAGE037
直到满足指定的终止条件
3 输出：方位角
Figure 256457DEST_PATH_IMAGE038
、下倾角
Figure 247547DEST_PATH_IMAGE039
和网络吞吐量R *
本发明实施例能够实现5G无线通信网络的信道波束图样和网络吞吐量的准确预测，同时根据神经网络反向传播机制得到梯度来自适应地更新基站工程参数，最终较低复杂度地且智能化地实现较为优异的中长期网络性能，并得到相应基站工程参数配置。
本发明实施例采用了神经网络反向传播机制、梯度上升方法以及两步神经网络协同机制，基于有限的无线通信路测数据，较为新颖地选取信道波束图样作为网络特征。本发明实施例能够充分利用真实路测数据，基于神经网络挖掘用户分布信息、基站工程参数、信道波束图样与5G网络总体性能之间的关系，从而无需人工经验干预即可快速、智能地找到适合于当前网络的最优基站工程参数配置，并实现较高的中长期网络性能增益。因此，本发明实施例具有与真实环境适配度高、所需数据量少、性能优异和实现难度低等特点。
本发明实施例一方面易于实现，同时适用于实际无线通信网络的。本发明实施例选取实际无线通信网络的用户位置信息、基站工程参数以及信道波束图样作为关键特征，充分利用神经网络反向传播机制和梯度上升方法以更新基站工程参数。同时，本发明实施例进一步探索上述特征信息与网络性能指标之间的紧密联系，并利用该关系设计出两步神经网络协同优化机制来迭代优化网络吞吐量，尽可能地以较少的5G网络数据实现性能优异的中长期网络配置。
图10为本发明一实施例提供的基于信道波束图样的网络智能优化装置的结构示意图，如图10所示，该装置包括：第一模块201、第二模块202、第三模块203、第四模块204、第五模块205和第六模块206，其中：
其中，第一模块201，用于获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；
第二模块202，用于将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；
第三模块203，用于基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；
第四模块204，用于将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；
第五模块205，用于基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；
第六模块206，用于基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
本发明实施例提供的基于信道波束图样的网络智能优化装置具体可以用于执行上述实施例的基于信道波束图样的网络智能优化方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
基于相同的发明构思，本发明实施例提供一种电子设备，参见图11，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；
其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：S1、获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；S2、将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；S3、基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；S4、将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；S5、基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；S6、基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，S1、获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；S2、将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；S3、基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；S4、将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；S5、基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；S6、基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上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，或者对其中部分技术特征进行等同替换；而这些修改或替换，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精神和范围。

Claims (10)

1.一种基于信道波束图样的网络智能优化方法，其特征在于，包括：
S1、获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；
S2、将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；
S3、基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；
S4、将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；
S5、基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；
S6、基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
2.根据权利要求1所述的基于信道波束图样的网络智能优化方法，其特征在于，所述基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数，具体包括：
基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标求解所述基站工程参数的梯度；
根据所述基站工程参数的梯度更新所述基站工程参数。
3.根据权利要求1所述的基于信道波束图样的网络智能优化方法，其特征在于，所述基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数，具体包括：
基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型重复步骤S3、步骤S4和步骤S5进行迭代优化，确定符合预设网络性能指标要求的第二网络性能指标；
根据所述符合预设网络性能指标要求的第二网络性能指标确定基站工程参数。
4.根据权利要求1所述的基于信道波束图样的网络智能优化方法，其特征在于，还包括：
基于通信环境路测数据获取用户位置信息、基站工程参数和信道波束图样，并进行预处理筛选用户位置信息、基站工程参数和信道波束图样；
将筛选后得到的用户位置信息、基站工程参数和信道波束图样输入至第一神经网络模型。
5.根据权利要求4所述的基于信道波束图样的网络智能优化方法，其特征在于，还包括：
基于通信环境路测数据通过波束训练得到所述信道波束图样。
6.根据权利要求1所述的基于信道波束图样的网络智能优化方法，其特征在于，还包括：
基于用户位置信息x、基站工程参数
Figure 648439DEST_PATH_IMAGE001
和信道波束图样H设计隐式映射关系；所述隐式 映射关系为：
Figure 325277DEST_PATH_IMAGE002
。
7.根据权利要求6所述的基于信道波束图样的网络智能优化方法，其特征在于，还包括：
将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型；
根据所述隐式映射关系预测当前信道波束图样。
8.一种基于信道波束图样的网络智能优化装置，其特征在于，包括：
第一模块，用于获取用户位置信息、基站工程参数和信道波束图样，并将所述位置信息、所述基站工程参数和所述信道波束图样输入至第一神经网络模型，得到与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标；其中，所述第一神经网络模型为采用用户位置信息样本、基站工程参数样本和信道波束图样样本作为输入数据，以及与用户位置信息样本、基站工程参数样本和信道波束图样样本对应的网络性能指标作为输出数据，基于机器学习算法训练得到的；
第二模块，用于将所述用户位置信息和所述基站工程参数输入至第二神经网络模型，得到与所述用户位置信息和所述基站工程参数对应的信道波束图样；其中，所述第二神经网络模型为采用用户位置信息样本和基站工程参数样本作为输入数据，以及与用户位置信息样本和基站工程参数样本对应的信道波束图样作为输出数据，基于机器学习算法训练得到的；
第三模块，用于基于与所述用户位置信息、所述基站工程参数和所述信道波束图样对应的第一网络性能指标更新所述基站工程参数；
第四模块，用于将更新后的基站工程参数以及所述用户位置信息输入至第二神经网络模型，得到与更新后的基站工程参数对应的信道波束图样；
第五模块，用于基于与更新后的基站工程参数对应的信道波束图样和第一神经网络模型，确定第二网络性能指标；
第六模块，用于基于第二网络性能指标以及所述第一神经网络模型和所述第二神经网络模型进行迭代优化，确定满足预设迭代终止条件的基站工程参数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1~7任一项所述的基于信道波束图样的网络智能优化方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1~7任一项所述的基于信道波束图样的网络智能优化方法。
CN202110139221.7A 2021-02-02 2021-02-02 基于信道波束图样的网络智能优化方法及装置 Active CN112512069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139221.7A CN112512069B (zh) 2021-02-02 2021-02-02 基于信道波束图样的网络智能优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139221.7A CN112512069B (zh) 2021-02-02 2021-02-02 基于信道波束图样的网络智能优化方法及装置

Publications (2)

Publication Number Publication Date
CN112512069A true CN112512069A (zh) 2021-03-16
CN112512069B CN112512069B (zh) 2021-05-28

Family

ID=74953211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139221.7A Active CN112512069B (zh) 2021-02-02 2021-02-02 基于信道波束图样的网络智能优化方法及装置

Country Status (1)

Country Link
CN (1) CN112512069B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242068A (zh) * 2021-05-10 2021-08-10 东南大学 一种基于深度强化学习的智能通信波束碰撞避免方法
CN115243270A (zh) * 2021-04-07 2022-10-25 中国移动通信集团设计院有限公司 5g网络规划方法、装置、计算设备和存储介质
WO2023102701A1 (zh) * 2021-12-06 2023-06-15 北京小米移动软件有限公司 信息处理方法、装置、通信设备及存储介质
WO2023134628A1 (zh) * 2022-01-14 2023-07-20 维沃移动通信有限公司 传输方法、装置和设备
WO2023143128A1 (zh) * 2022-01-30 2023-08-03 华为技术有限公司 一种数据处理方法以及相关设备
WO2024051789A1 (zh) * 2022-09-08 2024-03-14 华为技术有限公司 一种波束管理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107466099A (zh) * 2017-07-31 2017-12-12 北京邮电大学 一种基于非正交多址接入的干扰管理自优化方法
CN111984364A (zh) * 2019-05-21 2020-11-24 江苏艾蒂娜互联网科技有限公司 一种面向5g时代的人工智能云平台

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107466099A (zh) * 2017-07-31 2017-12-12 北京邮电大学 一种基于非正交多址接入的干扰管理自优化方法
CN111984364A (zh) * 2019-05-21 2020-11-24 江苏艾蒂娜互联网科技有限公司 一种面向5g时代的人工智能云平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾伟 等: "5G Massive MIMO智能优化", 《邮电设计技术》 *
陈文阳 等: "多小区多用户下行能效优化波束成形的分布式实现算法", 《通信学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115243270A (zh) * 2021-04-07 2022-10-25 中国移动通信集团设计院有限公司 5g网络规划方法、装置、计算设备和存储介质
CN115243270B (zh) * 2021-04-07 2023-09-22 中国移动通信集团设计院有限公司 5g网络规划方法、装置、计算设备和存储介质
CN113242068A (zh) * 2021-05-10 2021-08-10 东南大学 一种基于深度强化学习的智能通信波束碰撞避免方法
WO2023102701A1 (zh) * 2021-12-06 2023-06-15 北京小米移动软件有限公司 信息处理方法、装置、通信设备及存储介质
WO2023134628A1 (zh) * 2022-01-14 2023-07-20 维沃移动通信有限公司 传输方法、装置和设备
WO2023143128A1 (zh) * 2022-01-30 2023-08-03 华为技术有限公司 一种数据处理方法以及相关设备
WO2024051789A1 (zh) * 2022-09-08 2024-03-14 华为技术有限公司 一种波束管理方法

Also Published As

Publication number Publication date
CN112512069B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN110786046B (zh) 使用深度学习优化蜂窝网络
Dreifuerst et al. Optimizing coverage and capacity in cellular networks using machine learning
Masood et al. A machine learning based 3D propagation model for intelligent future cellular networks
CN109495920B (zh) 一种无线通信网络特征画像方法、设备和计算机程序产品
CN110401964A (zh) 一种面向用户为中心网络基于深度学习的功率控制方法
CN111867049B (zh) 定位方法、装置及存储介质
CN113329437B (zh) 无线网络信号传播路径损耗预测方法及电子设备
CN112243249B (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
Moraitis et al. Machine learning-based methods for path loss prediction in urban environment for LTE networks
CN109299698B (zh) 一种基于支持向量机的无线信道场景识别方法
CN114501530B (zh) 基于深度强化学习的天线参数的确定方法和装置
CN113382477B (zh) 应用于无线网络用户间上行干扰建模的方法
Fernandes et al. Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks
CN113592144A (zh) 一种中长期径流概率预报方法及系统
Qureshi et al. Enhanced MDT-based performance estimation for AI driven optimization in future cellular networks
CN112367130A (zh) 一种无线网络信号传输强度计算方法及计算机存储介质
CN117082547A (zh) 小区异常检测方法、装置、电子设备和可读存储介质
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
Masood et al. Interpretable AI-based large-scale 3D pathloss prediction model for enabling emerging self-driving networks
Qureshi et al. Towards addressing training data scarcity challenge in emerging radio access networks: A survey and framework
CN106993296A (zh) 终端的性能评估方法及装置
Boas et al. Machine learning for CSI recreation in the digital twin based on prior knowledge
US20230419172A1 (en) Managing training of a machine learning model
Yaseen et al. Graph signal processing-based network health estimation for next generation wireless systems

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