CN112512077B - 一种上行速率的评估方法及装置 - Google Patents
一种上行速率的评估方法及装置 Download PDFInfo
- Publication number
- CN112512077B CN112512077B CN202011483304.XA CN202011483304A CN112512077B CN 112512077 B CN112512077 B CN 112512077B CN 202011483304 A CN202011483304 A CN 202011483304A CN 112512077 B CN112512077 B CN 112512077B
- Authority
- CN
- China
- Prior art keywords
- uplink rate
- uplink
- cell interference
- determining
- neural network
- 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
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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Abstract
本申请实施例提供一种上行速率的评估方法及装置,涉及通信技术领域,解决了现有测试方法无法为小区帧结构调整提供可靠性依据的技术问题。该上行速率的评估方法包括:确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数;将该输入信息输入至第一神经网络模型,得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;根据频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种上行速率的评估方法及装置。
背景技术
在第五代移动通信技术(5th generation mobile networks,5G)中,可以根据不同业务的时间和区域分布特性,实时调整网络资源和相关配置,从而降低网络部署难度和成本。由于在实际的灵活帧结构部署时,存在交叉时隙干扰,在网络建设后时隙不一致可能会带来严重的干扰问题,因此,预估当改变了帧结构后该小区受到的干扰程度,是能否应用灵活帧结构的关键指标,也是干扰规避和优化的依据。
现有技术可以通过系统仿真的方式获得干扰的性能影响,然而在系统仿真的方式中,用户的分布和业务类型都是基于假设,与实际的小区情况存在差别,因此不能为小区帧结构调整提供可靠性依据。
发明内容
本申请提供一种上行速率的评估方法及装置,解决了现有测试方法无法为小区帧结构调整提供可靠性依据的技术问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供一种上行速率的评估方法,包括:确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数;将该输入信息输入至第一神经网络模型,得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;根据频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。
本申请实施例中,可以确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数;将该输入信息输入至第一神经网络模型,得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;根据频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。通过该方案,由于可以通过第一神经网络模型得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量,并根据该频谱效率、层数和资源块数量得到待评估小区的上行吞吐量的评估信息,因此可以为灵活帧结构的决策提供依据。
第二方面,提供一种上行速率的评估装置,包括确定单元、输入单元以及评估单元。该确定单元,用于确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数;该输入单元,用于将该输入信息输入至第一神经网络模型,得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;该评估单元,用于根据频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。
第三方面,提供一种上行速率的评估装置,包括存储器和处理器。存储器用于存储计算机执行指令,处理器与存储器通过总线连接。当上行速率的评估装置运行时,处理器执行存储器存储的计算机执行指令,以使上行速率的评估装置执行第一方面提供的上行速率的评估方法。
第四方面,提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得该计算机执行第一方面提供的上行速率的评估方法。
第五方面,提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行如上述第一方面及其各种可能的实现方式提供的上行速率的评估方法。
需要说明的是,上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中,计算机可读存储介质可以与上行速率的评估装置的处理器封装在一起的,也可以与上行速率的评估装置的处理器单独封装,本申请对此不作限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述,可以参考第一方面的详细描述,此处不再赘述;并且,第二方面、第三方面、第四方面以及第五方面描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本申请中,上述上行速率的评估装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的基站产生交叉时隙干扰的结构示意图;
图2为本申请实施例提供的上行速率的评估装置的模块组成示意图;
图3为本申请实施例提供的上行速率的评估方法的流程示意图;
图4为本申请实施例提供的一种上行速率的评估装置的硬件结构示意图之一;
图5为本申请实施例提供的一种上行速率的评估装置的硬件结构示意图之二;
图6为本申请实施例提供的一种上行速率的评估装置的硬件结构示意图之三;
图7为本申请实施例提供的一种上行速率的评估装置的硬件结构示意图之四。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案,在本申请实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
下面对本申请中涉及的名词进行解释说明。
交叉时隙干扰:若相邻的两个小区在同一子帧内采用相反的传输方向,则除了传统的静态子帧配置中存在的基站到用户的干扰与用户到基站的干扰外,网络中将引入新的干扰,即基站到基站的干扰与用户到用户的干扰,这些干扰统称为交叉时隙干扰,在本申请中可以简称为干扰。
示例性的,如图1所示,基站gNB 1和gNB 2采用动态时分双工TDD技术时,小区Cell1采用下行传输DL,其临近小区Cell 2采用上行传输UL,此时Cell 1中的用户设备UE 1除接收gNB 1的下行传输信号外,还可以接收到Cell 2中UE 2的上行传输信号,UE 1受到的干扰即用户到用户的干扰;而gNB 2除了接收UE 2的上行传输信号外,还接收到gNB 1的下行传输信号,gNB 2受到的干扰即基站到基站的干扰。由于用户发射功率较小而基站发射功率通常较大,因此基站发射信号造成的干扰往往远大于用户发射信号造成的干扰,即基站到基站的干扰往往大于用户到用户的干扰。因此在分析动态TDD的干扰场景及解决方案时,通常重点考虑基站到基站的干扰。
累积分布函数(cumulative distribution function,CDF):对连续函数,累积分布函数表示所有小于等于a的值的出现概率和,即累积分布函数F(a)=P(x<=a)。
测量报告(measurement report,MR):信息在业务信道上每480ms(信令信道上470ms)发送一次数据,这些数据可用于网络评估和优化。
下面对本申请的应用场景进行解释说明。
5G系统是面向增强移动宽带(enhance mobile broadband,eMBB)、海量物联网通信(massive machine type communication,mMTC)、超高可靠性与超低时延业务(ultrareliable&low latency communication,URLLC)三大应用场景设计的。为了满足同一地方、不同场景下的网络需求,往往需要建设多个5G网络,并针对不同场景下的业务设计不同的网络配置。然而在网络建设后由于时隙不一致可能会导致严重的交叉时隙干扰问题。因此,在改变帧结构前预估干扰基站对该基站上行性能的影响和实际多用户存在时用户的上行吞吐量,可以为是否应用该帧结构以及干扰规避提供依据。
为了预估改变了帧结构后小区的网络性能,本申请实施例提供了一种上行速率的评估方法,下面对本申请实施例提供的上行速率的评估方法进行详细介绍。
本申请实施例提供一种上行速率的评估方法,该上行速率的评估方法可以应用于上行速率的评估装置,如图2所示,该上行速率的评估装置可以包括链路上行频谱效率评估模块和多用户上行速率评估模块,其中,该链路上行频谱效率评估模块可以包括6个子模块,分别为数据提取模块、模型训练模块、模型输出模块、干扰评估模块、信号干扰噪声比(signal-to-interference-and-noise-ratio,SINR)测算模块以及上行频谱效率输出模块。如图3所示,该上行速率的评估方法可以包括下述的S301-S303。
S301、上行容量的评估装置确定第一神经网络模型的输入信息。
其中,上述输入信息为待评估小区存在邻区干扰时的信道参数。上述第一神经网络模型为描述待评估小区信道参数与频谱效率之间关系的模型。
可选的,在S301之前,上行容量的评估装置可以先建立上述第一神经网络模型。上行容量的评估装置可以先获取待评估小区不存在邻区干扰时的测量报告;再根据测量报告中的信道参数与频谱效率之间的关系训练得到第一神经网络模型。
具体的,上行容量的评估装置可以先通过数据提取模块获取待评估小区不存在邻区干扰时的MR数据,该MR数据为小区覆盖范围内的真实用户分布下的数据,可以包括SINR、初传误包率(initial block error rate,IBLER)、用户数N、上行频谱效率FE、秩指示(rankindication,RI)和资源块数RB,还可以包括参考信号接收功率(reference signalreceiving power,RSRP)、终端发射功率Tx power、接收功率received power、兰德系数Rank Index、误块率block error rate、上行吞吐量等。之后,上行容量的评估装置可以通过模型训练模块以MR数据中的SINR、IBLER和N作为输入,以FE、RI和RB作为输出,利用神经网络训练模型,经过训练和测试,最后,通过模型输出模块输出包含FE={SINR,IBLER,N},RB=£{SINR,IBLER,N},RI=μ{SINR,IBLER,N}关系模型、且符合预期的第一神经网络模型。
可选的,上述神经网络训练模型可以为BP神经网络。由于BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小,因此,本申请中的模型训练模块可以以BP神经网络作为神经网络训练模型训练得到第一神经网络模型。
在建立第一神经网络模型之后,上行容量的评估装置可以确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数。该信道参数包括存在邻区干扰时的SINR和存在邻区干扰时的IBLER,其中,存在邻区干扰时的IBLER的值可以与上述不存在邻区干扰时的IBLER的值相同,而SINR的值可根据公式确定,其中,S为接收信号功率,I为干扰功率,N0为底噪。
具体的,上行容量的评估装置可以通过数据提取模块获取到接收信号功率S和底噪N0,再通过干扰评估模块确定待评估小区存在邻区干扰时的干扰功率I,最后通过SINR测算模块确定存在邻区干扰时的SINR。
可选的,为了确定干扰功率I,上行容量的评估装置可以先通过数据提取模块确定干扰参数,该干扰参数包括相邻小区的物理资源块(physical resource block,PRB)利用率PRB(t)、干扰类型、路劲损耗L(f)以及邻基站干扰发射功率P,再通过干扰评估模块将该干扰参数输入第二神经网络模型,得到邻区干扰功率I{f,t},该第二神经网络模型是通过大量的相邻小区的干扰数据训练得到的干扰参数与干扰功率的模型,时间颗粒度为一个slot,频谱颗粒度为一个子载波,最后根据得到的邻区干扰功率I{f,t}和公式确定SINR,并将一个slot下整个带宽的均值Average[SINR(f,slot)]作为第一神经网络模型的输入信息SINR。
可选的,上行容量的评估装置可以通过构建长短期记忆网络LSTM模型确定上述干扰参数中的PRB利用率PRB(t)。利用LSTM模型根据当前预设时间段内的PRB(t)对未来时刻的PRB利用率进行预测,从而确定PRB(t)。相对于传统的时间序列预测模型递归神经网络(recurrent neural network,RNN),LSTM的特点是在RNN结构以外添加了各层的阀门节点,包括遗忘阀门(forget gate),输入阀门(input gate)和输出阀门(output gate)。这些阀门可以打开或关闭,根据阀门的开关状态可以判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值,从而加入到当前该层的计算中。
可选的,本申请实施例中的LSTM模型采用RMSE(root mean square error)均方根误差作为loss函数,从而有效的优化和验证模型的准确性和效果。
S302、上行容量的评估装置将该输入信息输入至第一神经网络模型,得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量。
上行容量的评估装置可以通过上行频谱效率输出模块确定频谱效率。具体的,在将输入信息(存在邻区干扰时的IBLER、存在邻区干扰时的SINR和待预估小区的用户数N)输入第一神经网络模型后,第一神经网络模型可以根据关系模型:FE={SINR,IBLER,N},RB=£{SINR,IBLER,N},RI=μ{SINR,IBLER,N},输出上行频谱效率FE、层数RI和资源块数量RB。
S303、上行速率的评估装置根据频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。
上行速率的评估装置可以通过多用户上行速率评估模块确定待评估小区的评估信息,具体的,上行速率的评估装置可以根据公式确定多用户分布下用户的上行速率体验,并将所有的上行速率进行CDF统计,从而得出邻区干扰对于用户体验的影响,其中,i=3,4,5,8,9,10表示上行时隙。
示例性的,通过CDF统计可以得到如表1所示的不同时隙配比下的上行吞吐量的评估信息。
表1
上行吞吐量 | 无干扰 | 时隙配比1 | 时隙配比i | …… | 时隙配比N |
平均吞吐量 | |||||
最小吞吐量 | |||||
最大吞吐量 | |||||
30%吞吐量 | |||||
50%吞吐量 | |||||
80%吞吐量 |
本申请实施例提供一种上行速率的评估方法,由于可以通过第一神经网络模型得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量,并根据该频谱效率、层数和资源块数量得到待评估小区的上行吞吐量的评估信息,因此可以为灵活帧结构的决策提供依据。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的上行速率的评估方法,执行主体可以为上行速率的评估装置,或者该上行速率的评估装置中的用于上行速率评估的控制模块。本申请实施例中以上行速率的评估装置执行上行速率的评估方法为例,说明本申请实施例提供的上行速率的评估装置。
需要说明的是,本申请实施例可以根据上述方法示例对上行速率的评估装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图4所示,本申请实施例提供的一种上行容量的评估装置。该上行容量的评估装置400可以包括确定单元401、输入单元402以及评估单元403。该确定单元401,可以用于确定第一神经网络模型的输入信息,该输入信息为待评估小区存在邻区干扰时的信道参数。该输入单元402,可以用于将该输入信息输入至该第一神经网络模型,得到该待评估小区存在邻区干扰时的频谱效率、层数和资源块数量。该评估单元403可以用于根据该频谱效率、层数和资源块数量得到待评估小区在不同时隙配比下的上行吞吐量的评估信息。例如,结合图3,确定单元401可以用于执行S301,输入单元402可以用于执行S302,评估单元403可以用于执行S303。
可选的,上述信道参数包括信号干扰噪声比。上述确定单元401,具体可以用于确定邻区干扰参数;并将该邻区干扰参数输入至第二神经网络模型,得到邻区干扰功率;以及根据该邻区干扰功率确定该信号干扰噪声比。
可选的,上述邻区干扰参数包括物理资源块利用率。上述确定单元401,具体可以用于通过构建长短期记忆网络LSTM模型确定该物理资源块利用率。
可选的,结合图4,如图5所示,上述上行容量的评估装置400还可以包括:获取单元404和训练单元405。该获取单元404,可以用于获取该待评估小区不存在邻区干扰时的测量报告。该训练单元405,可以用于根据该测量报告中的信道参数与频谱效率之间的关系训练得到该第一神经网络模型。
当然,本申请实施例提供的上行速率的评估装置400包括但不限于上述模块。
本申请实施例提供一种上行速率的评估装置,由于可以通过第一神经网络模型得到待评估小区存在邻区干扰时的频谱效率、层数和资源块数量,并根据该频谱效率、层数和资源块数量得到待评估小区的上行吞吐量的评估信息,因此可以为灵活帧结构的决策提供依据。
本申请实施例还提供一种如图6所示的上行速率的评估装置,该上行速率的评估装置包括处理器11,存储器12、通信接口13、总线14。处理器11,存储器12以及通信接口13之间可以通过总线14连接。
处理器11是上行速率的评估装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器11可以是一个通用中央处理单元(central processingunit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器11可以包括一个或多个CPU,例如图6中所示的CPU 0和CPU 1。
存储器12可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器12可以独立于处理器11存在,存储器12可以通过总线14与处理器11相连接,用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时,能够实现本申请实施例提供的上行速率的评估方法。
另一种可能的实现方式中,存储器12也可以和处理器11集成在一起。
通信接口13,用于与其他设备通过通信网络连接。所述通信网络可以是以太网,无线接入网,无线局域网(wireless local area networks,WLAN)等。通信接口13可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线14,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图6示出的结构并不构成对该上行速率的评估装置的限定。除图6所示部件之外,该上行速率的评估装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
图7示出了本申请实施例中上行速率的评估装置的另一种硬件结构。如图7所示,上行速率的评估装置可以包括处理器21以及通信接口22。处理器21与通信接口22耦合。
处理器21的功能可以参考上述处理器11的描述。此外,处理器21还具备存储功能,可以参考上述存储器12的功能。
通信接口22用于为处理器21提供数据。该通信接口22可以是上行速率的评估装置的内部接口,也可以是上行速率的评估装置对外的接口(相当于上述通信接口13)。
需要指出的是,图6(或图7)中示出的结构并不构成对上行速率的评估装置的限定,除图6(或图7)所示部件之外,该上行速率的评估装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时,使得计算机执行如上述实施例提供的上行速率的评估方法中,上行速率的评估装置执行的各个步骤。
本申请实施例还提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的上行速率的评估方法中,上行速率的评估装置执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取的存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种上行速率的评估方法,其特征在于,包括:
确定第一神经网络模型的输入信息,所述输入信息为待评估小区存在邻区干扰时的信道参数;
将所述输入信息输入至所述第一神经网络模型,得到所述待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;所述层数为秩指示因子;
根据所述秩指示因子、所述资源块数量确定多用户分布下用户的上行速率体验,并对所述上行速率体验进行分布函数CDF统计得到所述待评估小区在不同时隙配比下的上行吞吐量的评估信息;其中,所述根据所述秩指示因子、资源块数量确定多用户分布下用户的上行速率体验,满足以下公式:
其中,ThroughputULEvaluate表示所述多用户分布下用户的上行速率体验,RB表示所述资源块数量,Average[SINR(f,slot)]表示一个slot下整个带宽的均值,RI表示所述秩指示因子;
所述方法还包括:
获取所述待评估小区不存在邻区干扰时的测量报告;
根据所述测量报告中的信道参数与频谱效率之间的关系训练得到所述第一神经网络模型。
2.根据权利要求1所述的上行速率的评估方法,其特征在于,所述信道参数包括信号干扰噪声比;所述确定第一神经网络模型的输入信息,包括:
确定邻区干扰参数;
将所述邻区干扰参数输入至第二神经网络模型,得到邻区干扰功率;
根据所述邻区干扰功率确定所述信号干扰噪声比。
3.根据权利要求2所述的上行速率的评估方法,其特征在于,所述邻区干扰参数包括物理资源块利用率;所述确定邻区干扰参数,具体包括:
通过构建长短期记忆网络LSTM模型确定所述物理资源块利用率。
4.一种上行速率的评估装置,其特征在于,包括:确定单元、输入单元以及评估单元;
所述确定单元,用于确定第一神经网络模型的输入信息,所述输入信息为待评估小区存在邻区干扰时的信道参数;
所述输入单元,用于将所述输入信息输入至所述第一神经网络模型,得到所述待评估小区存在邻区干扰时的频谱效率、层数和资源块数量;所述层数为秩指示因子;
所述评估单元,用于根据所述秩指示因子、所述资源块数量确定多用户分布下用户的上行速率体验,并对所述上行速率体验进行分布函数CDF统计得到所述待评估小区在不同时隙配比下的上行吞吐量的评估信息;其中,所述根据所述秩指示因子、资源块数量确定多用户分布下用户的上行速率体验,满足以下公式:
其中,ThroughputUL Evaluate表示所述多用户分布下用户的上行速率体验,RB表示所述资源块数量,Average[SINR(f,slot)]表示一个slot下整个带宽的均值,RI表示所述秩指示因子;
所述装置还包括:获取单元和训练单元;
所述获取单元,用于获取所述待评估小区不存在邻区干扰时的测量报告;
所述训练单元,用于根据所述测量报告中的信道参数与频谱效率之间的关系训练得到所述第一神经网络模型。
5.根据权利要求4所述的上行速率的评估装置,其特征在于,所述信道参数包括信号干扰噪声比;所述确定单元,具体用于确定邻区干扰参数;并将所述邻区干扰参数输入至第二神经网络模型,得到邻区干扰功率;以及根据所述邻区干扰功率确定所述信号干扰噪声比。
6.根据权利要求5所述的上行速率的评估装置,其特征在于,所述邻区干扰参数包括物理资源块利用率;所述确定单元,具体用于通过构建长短期记忆网络LSTM模型确定所述物理资源块利用率。
7.一种上行速率的评估装置,其特征在于,包括存储器和处理器;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过总线连接;
当所述上行速率的评估装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述上行速率的评估装置执行如权利要求1-3中任一项所述的上行速率的评估方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求1-3中任一项所述的上行速率的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483304.XA CN112512077B (zh) | 2020-12-15 | 2020-12-15 | 一种上行速率的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483304.XA CN112512077B (zh) | 2020-12-15 | 2020-12-15 | 一种上行速率的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112512077A CN112512077A (zh) | 2021-03-16 |
CN112512077B true CN112512077B (zh) | 2023-08-11 |
Family
ID=74972460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011483304.XA Active CN112512077B (zh) | 2020-12-15 | 2020-12-15 | 一种上行速率的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112512077B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449486B (zh) * | 2021-05-15 | 2023-05-19 | 山东英信计算机技术有限公司 | 评估pcb高速连接器焊盘参数方法、装置、设备及可读介质 |
CN115087011B (zh) * | 2022-06-20 | 2024-04-12 | 中国联合网络通信集团有限公司 | 灵活帧结构仿真系统的下行信号检测方法及装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101998476A (zh) * | 2009-08-31 | 2011-03-30 | 中国移动通信集团设计院有限公司 | 一种确定小区吞吐量的方法及装置 |
CN102833762A (zh) * | 2011-06-13 | 2012-12-19 | 中兴通讯股份有限公司 | Lte系统小区的用户吞吐量确定方法及装置 |
CN103945398A (zh) * | 2014-04-03 | 2014-07-23 | 北京邮电大学 | 基于模糊神经网络的网络覆盖及容量优化系统及优化方法 |
CN104185189A (zh) * | 2013-05-22 | 2014-12-03 | 中国移动通信集团浙江有限公司 | Lte系统干扰定位方法及装置 |
CN104639476A (zh) * | 2014-10-31 | 2015-05-20 | 上海华为技术有限公司 | 抑制td-lte交叉时隙干扰的方法和上行基站 |
CN106656548A (zh) * | 2016-09-26 | 2017-05-10 | 苏州蓝海飞讯信息科技有限公司 | 一种基于神经网络的WiFi控制系统 |
CN106888506A (zh) * | 2015-12-15 | 2017-06-23 | 亿阳信通股份有限公司 | 一种lte的小区间受干扰程度信息确定方法及系统 |
CN108966278A (zh) * | 2018-05-23 | 2018-12-07 | 广州海格通信集团股份有限公司 | 一种基于人工神经网络的智能异频融合方法 |
CN109495913A (zh) * | 2018-12-29 | 2019-03-19 | 中国联合网络通信集团有限公司 | 干扰评估方法及装置 |
CN109561435A (zh) * | 2017-09-27 | 2019-04-02 | 中兴通讯股份有限公司 | 一种资源分配方法及服务器 |
CN110099017A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 基于深度神经网络的混合量化系统的信道估计方法 |
CN110139325A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
CN110167056A (zh) * | 2019-04-29 | 2019-08-23 | 中国联合网络通信集团有限公司 | 5g小区容量评估方法及装置 |
CN110190918A (zh) * | 2019-04-25 | 2019-08-30 | 广西大学 | 基于深度q学习的认知无线传感器网络频谱接入方法 |
WO2020050671A1 (en) * | 2018-09-06 | 2020-03-12 | Samsung Electronics Co., Ltd. | Method and apparatus for normalising data in artificial intelligence system |
CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
CN111630936A (zh) * | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN112004235A (zh) * | 2019-05-27 | 2020-11-27 | 华为技术有限公司 | 一种接收波束调整方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495907B (zh) * | 2018-11-29 | 2020-05-12 | 北京邮电大学 | 一种意图驱动的无线接入组网方法和系统 |
-
2020
- 2020-12-15 CN CN202011483304.XA patent/CN112512077B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101998476A (zh) * | 2009-08-31 | 2011-03-30 | 中国移动通信集团设计院有限公司 | 一种确定小区吞吐量的方法及装置 |
CN102833762A (zh) * | 2011-06-13 | 2012-12-19 | 中兴通讯股份有限公司 | Lte系统小区的用户吞吐量确定方法及装置 |
CN104185189A (zh) * | 2013-05-22 | 2014-12-03 | 中国移动通信集团浙江有限公司 | Lte系统干扰定位方法及装置 |
CN103945398A (zh) * | 2014-04-03 | 2014-07-23 | 北京邮电大学 | 基于模糊神经网络的网络覆盖及容量优化系统及优化方法 |
CN104639476A (zh) * | 2014-10-31 | 2015-05-20 | 上海华为技术有限公司 | 抑制td-lte交叉时隙干扰的方法和上行基站 |
CN106888506A (zh) * | 2015-12-15 | 2017-06-23 | 亿阳信通股份有限公司 | 一种lte的小区间受干扰程度信息确定方法及系统 |
CN106656548A (zh) * | 2016-09-26 | 2017-05-10 | 苏州蓝海飞讯信息科技有限公司 | 一种基于神经网络的WiFi控制系统 |
CN109561435A (zh) * | 2017-09-27 | 2019-04-02 | 中兴通讯股份有限公司 | 一种资源分配方法及服务器 |
CN111630936A (zh) * | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
CN110139325A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
CN108966278A (zh) * | 2018-05-23 | 2018-12-07 | 广州海格通信集团股份有限公司 | 一种基于人工神经网络的智能异频融合方法 |
WO2020050671A1 (en) * | 2018-09-06 | 2020-03-12 | Samsung Electronics Co., Ltd. | Method and apparatus for normalising data in artificial intelligence system |
CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
CN109495913A (zh) * | 2018-12-29 | 2019-03-19 | 中国联合网络通信集团有限公司 | 干扰评估方法及装置 |
CN110190918A (zh) * | 2019-04-25 | 2019-08-30 | 广西大学 | 基于深度q学习的认知无线传感器网络频谱接入方法 |
CN110167056A (zh) * | 2019-04-29 | 2019-08-23 | 中国联合网络通信集团有限公司 | 5g小区容量评估方法及装置 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110099017A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 基于深度神经网络的混合量化系统的信道估计方法 |
CN112004235A (zh) * | 2019-05-27 | 2020-11-27 | 华为技术有限公司 | 一种接收波束调整方法及装置 |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
Non-Patent Citations (1)
Title |
---|
基于迭代攻击检测的联合压缩频谱感知算法;李含青;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112512077A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112533251B (zh) | 一种小区干扰评估方法及装置 | |
CN112512077B (zh) | 一种上行速率的评估方法及装置 | |
Tabassum et al. | A framework for uplink intercell interference modeling with channel-based scheduling | |
US9426675B2 (en) | System and method for adaptation in a wireless communications system | |
KR20150131404A (ko) | 상태공간을 이용해서 무선 시스템 발견 및 제어를 구현하기 위한 방법 및 장치 | |
CN112654063B (zh) | 一种上行容量的评估方法及装置 | |
EP3942719A1 (en) | Link adaptation optimized with machine learning | |
Sánchez et al. | A data-driven scheduler performance model for QoE assessment in a LTE radio network planning tool | |
Randrianantenaina et al. | Limits on the capacity of in-band full duplex communication in uplink cellular networks | |
Hu et al. | A study of LTE network performance based on data analytics and statistical modeling | |
El-Aasser et al. | A comprehensive hybrid bit-level and packet-level LoRa-LPWAN simulation model | |
Kala et al. | Evaluation of theoretical interference estimation metrics for dense Wi-Fi networks | |
CN112752291B (zh) | 一种上行速率的评估方法及装置 | |
Alvarez et al. | Simulating dense small cell networks | |
CN112654064B (zh) | 一种上行频谱效率的评估方法及装置 | |
Luoto et al. | Gibbs sampling based spectrum sharing for multi-operator small cell networks | |
Schoenen et al. | Multihop wireless channel models suitable for stochastic Petri nets and markov state analysis | |
CN108055699B (zh) | 一种感知时长和资源分配联合优化的方法 | |
Busson et al. | Impact of resource blocks allocation strategies on downlink interference and SIR distributions in LTE networks: a stochastic geometry approach | |
Marjasz et al. | Mitigation of LoRa interferences via dynamic channel weights | |
CN115334525B (zh) | 网络利用率计算方法和装置 | |
Sivagar et al. | Elite opposition based metaheuristic framework for load balancing in LTE network | |
Sagari | Models and algorithms for spectrum coexistence in wireless networks | |
US20230254723A1 (en) | Data transmission method and communication apparatus | |
Fernández-Segovia et al. | A teletraffic model for the Physical Downlink Control Channel in LTE |
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 |