CN113258971A - 一种多频联合波束赋形方法、装置、基站及存储介质 - Google Patents

一种多频联合波束赋形方法、装置、基站及存储介质 Download PDF

Info

Publication number
CN113258971A
CN113258971A CN202010086942.1A CN202010086942A CN113258971A CN 113258971 A CN113258971 A CN 113258971A CN 202010086942 A CN202010086942 A CN 202010086942A CN 113258971 A CN113258971 A CN 113258971A
Authority
CN
China
Prior art keywords
user equipment
frequency point
distribution characteristics
reconstructed
distribution
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
CN202010086942.1A
Other languages
English (en)
Other versions
CN113258971B (zh
Inventor
陆珺
蒋成龙
敖娟
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.)
Shanghai Huawei Technologies Co Ltd
Original Assignee
Shanghai Huawei Technologies Co Ltd
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 Shanghai Huawei Technologies Co Ltd filed Critical Shanghai Huawei Technologies Co Ltd
Priority to CN202010086942.1A priority Critical patent/CN113258971B/zh
Publication of CN113258971A publication Critical patent/CN113258971A/zh
Application granted granted Critical
Publication of CN113258971B publication Critical patent/CN113258971B/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
    • H04B7/06—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
    • 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
    • H04B7/0837—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 pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例公开了一种多频联合波束赋形方法、装置、基站及存储介质，具体地，基站获取当前周期内小区中每个频点对应的用户设备分布特征，并将所有频点对应的用户设备分布特征输入预先训练的重构网络模型中，以获取每个频点对应的重构用户设备分布特征。针对每一个频点，对该频点对应的重构用户设备分布特征进行分类获取对应的分类结果。然后，根据该频点对应的分类结果查找匹配的波束参数，以根据该波束参数调整下一周期该频点的波束分布。即，本申请实施例在对频点的波束参数进行调整时，利用的是该频点对应的重构用户设备分布特征，考虑用户驻留策略对用户设备分布特征的影响，使得确定的波束参数更精准地对准下一周期该频点的用户设备。

Description

一种多频联合波束赋形方法、装置、基站及存储介质
技术领域
本申请涉及数据传输技术领域，具体涉及一种多频联合波束赋形方法、装置、基站及存储介质。
背景技术
波束赋形(beam forming)是一种使用传感器阵列定向发送和接收信号的信号处理技术，主要利用空间信道的强相关性以及波的干涉原理产生强方向性的辐射方向图，使辐射方向图的主瓣自适应地指向用户来波方向，从而提高信噪比，提高系统容量或覆盖范围。
随着通信业务的不断发展，为使得基站可以自适应地调整波束参数，获得最佳小区容量，智能波束赋形技术应运而生。具体地，智能波束赋形技术根据收集到的小区内用户分布信息调整波束参数(波束个数、波束方向、波束宽度等)。然而，现有的智能波束赋形技术应用于单个频点上波束参数的调整，当小区内存在多个频点时，如何利用智能波束赋形技术进行波束参数调整是急需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供一种多频联合波束赋形方法、装置、基站及存储介质，以实现通过多频联合进行波束赋形，使得小区内的波束参数更优。
为解决上述问题，本申请实施例提供的技术方案如下：
本申请实施例第一方面，提供了一种多频联合波束赋形方法，所述方法应用于基站，所述方法包括：获取当前周期内小区每个频点的用户设备分布特征；将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征；针对任一频点，对所述频点对应的重构用户设备分布特征进行分类获取所述频点对应的重构用户设备分布特征的分类结果；根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据所述波束参数调整下一周期所述频点的波束分布。可见，本申请实施例在对频点的波束参数进行调整时，利用的是该频点对应的重构用户设备分布特征，考虑用户驻留策略对用户设备分布特征的影响，使得确定的波束参数更精准地对准下一周期该频点的用户设备。
在一种可能的实现方式中，所述根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，包括：当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种。
在一种可能的实现方式中，所述根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，包括：根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。
在一种可能的实现方式中，所述根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，包括：当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种，所述Q表中还包括每种分类结果对应的话统KPI。
在一种可能的实现方式中，所述Q表构建过程包括：在前预设数个周期内，获取所述频点对应的重构用户设备分布特征对应的分类结果；对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数；获取所述基站所服务的小区特征数据；根据所述小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数；将所述分类结果以及对应的波束参数添加至Q表中，所述波束参数包括所述第一波束参数和第二波束参数。
在一种可能的实现方式中，在对所述频点对应的重构用户设备分布进行分类获取所述频点对应的重构用户设备分布特征的分类结果之前，所述方法还包括：将所述当前周期以及与所述当前周期相邻的前预设数个周期作为参考周期；根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征；将所述下一周期所述频点对应的重构用户设备分布特征作为所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征，包括：根据各个所述参考周期对应的重构用户分布特征以及对应的权重进行加权求和作为下一周期所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述波束参数至少包括波束个数、波束方向、波束宽度。
在一种可能的实现方式中，所述用户设备分布特征包括位置信息、测量角、调度资源块数、参考信息接收功率、调制与编码策略中的一种或多种。
在本申请实施例第二方面，提供了一种多频联合波束赋形装置，所述装置应用于基站，所述装置包括：第一获取单元，用于获取当前周期内小区每个频点的用户设备分布特征；第二获取单元，用于将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征；第三获取单元，用于针对任一频点，对所述频点对应的重构用户设备分布特征进行分类获取所述频点对应的重构用户设备分布特征的分类结果；查找单元，用于根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据所述波束参数调整下一周期所述频点的波束分布。
在一种可能的实现方式中，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种。
在一种可能的实现方式中，所述查找单元，具体用于根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。
在一种可能的实现方式中，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种，所述Q表中还包括每种分类结果对应的话统KPI。
在一种可能的实现方式中，所述Q表构建过程包括：在前预设数个周期内，获取所述频点对应的重构用户设备分布特征对应的分类结果；对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数；获取所述基站所服务的小区特征数据；根据所述小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数；将所述分类结果以及对应的波束参数添加至Q表中，所述波束参数包括所述第一波束参数和第二波束参数。
在一种可能的实现方式中，所述装置还包括：第一确定单元，用于在执行所述第三获取单元之前，将所述当前周期以及与所述当前周期相邻的前预设数个周期作为参考周期；预测单元，用于根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征；第二确定单元，用于将所述下一周期所述频点对应的重构用户设备分布特征作为所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述预测单元，具体用于根据各个所述参考周期对应的重构用户分布特征以及对应的权重进行加权求和作为下一周期所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述波束参数至少包括波束个数、波束方向、波束宽度。
在一种可能的实现方式中，所述用户设备分布特征包括位置信息、测量角、调度资源块数、参考信息接收功率、调制与编码策略中的一种或多种。
在本申请实施例第三方面，提供了一种基站，包括：处理器和存储器；所述存储器，用于存储指令或计算机程序；所述处理器，用于执行所述指令或计算机程序，执行第一方面所述的方法。
在本申请实施例第四方面，提供了一种计算机可读存储介质，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行以上第一方面所述的方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例基站获取当前周期内小区中每个频点对应的用户设备分布特征，并将所有频点对应的用户设备分布特征输入预先训练的重构网络模型中，以获取每个频点对应的重构用户设备分布特征。针对每一个频点，对该频点对应的重构用户设备分布特征进行分类获取对应的分类结果。然后，根据该频点对应的分类结果查找匹配的波束参数，以根据该波束参数调整下一周期该频点的波束分布。即，本申请实施例在对频点的波束参数进行调整时，利用的是该频点对应的重构用户设备分布特征，考虑用户驻留策略对用户设备分布特征的影响，使得确定的波束参数更精准地对准下一周期该频点的用户设备。
附图说明
图1为一种波束赋形示意图；
图2为现有波束赋形实现框架图；
图3a为多频独立调增实现效果示意图；
图3b为多频联合调整实现效果示意图；
图4多频波束赋形独立调整示意图；
图5为本申请实施例提供的一种多频联合波束赋形方法流程图；
图6为本申请实施例提供的一种重构示意图；
图7为本申请实施例提供的一种预测下一周期用户设备分布特征的流程图；
图8为本申请实施例提供的一种多频联合波束赋形装置结构图；
图9为本申请实施例提供的一种基站结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请实施例提供的技术方案，将先结合附图对本申请涉及的智能波束赋形技术进行详细说明。
智能波束赋形技术根据收集到的小区内的用户设备(user equipment，UE)分布信息，自适应地调整基站(base station，BS)中有源天线单元(active antenna unit，AAU)的波束参数，使得AAU的覆盖性最大化，以获得最佳小区容量和用户体验。如图1所示，在用户设备分布不均匀的场景下，会调节波束更精准对准用户。另外，在小区整体负载较轻或者某个区域用户数极少时，将减少波束个数，从而降低波束间干扰，提升用户体验；小区整体负载较高时，增加波束个数，从而提升小区容量。
在实际应用中，智能波束赋形技术主要实现过程包括：1)获取用户设备分布特征和小区特征数据；2)利用机器学习算法进行波束参数的估计；3)根据覆盖和干扰要求，调整所估计的波束参数。当应用于多频场景中时，针对每个频点单独收集该频点上的用户设备分布特征和小区特征数据，然后根据该频点、当前周期内的用户设备分布特征和小区特征数据，调整下一周期内的波束参数。如图2所示，当小区内为多频传输时，对于频点1，收集周期T内的用户设备分布特征和小区特征数据，然后根据上述数据计算周期T+1内的波束参数，以在T+1周期内利用该波束参数调整波束分布。对于频点2，收集周期T内的用户设备分布特征和小区特征数据，然后根据上述数据计算周期T+1内的波束参数，以在T+1周期内利用该波束参数调整波束分布。
发明人在对智能波束赋形在多频场景应用下研究发现以下几个问题：一是，传统的方法在独立调整某频点上的波束参数，每个频点的增益有限。尤其是每个频点的用户设备分布差异较小时，独立调整的结果差异不大。如图3所示，两个频点(F1和F2)的用户设备UE分布相似时，多频独立调整机制倾向于波束同构(波束方向一致)，总有部分用户设备(圆虚线框中的UE)位于所有波束的边缘，该用户设备无法获得良好的通信服务。
而且，传统的智能波束赋形技术未考虑用户多频驻留策略对每个频点用户设备分布的影响，若频点间的用户设备分布因驻留策略的影响存在较大差异，则会导致独立调整时波束被动异构(如图4虚线方框区域所示)，降低用户设备的移动性负载均衡的概率，无法达到容量最优。如图4所示，由于多频驻留策略使得频点F1对应的用户设备分布曲线S1和频点F2对应的用设备分布曲线S2存在较大差异。其中，驻留策略包括强制驻留和倾向性驻留，一般在异频同覆盖场景应用较多。强制驻留策略是指将其中某个频点设置为不允许UE驻留，强制驻留到另一个频点。倾向性驻留则是在驻留难易程度上对两个异频同覆盖小区进行差异化设置，带有倾向性的诱导UE在某个频点上驻留。
二是，波束调整是根据当前周期的用户设备分布信息，存在时间滞后性，无法适配突变的用户设备分布。例如，小区内某个频点下用户设备分布的归类结果存在时间上的突变，当突变前后用户设备分布差异较大时，依据当前周期的用户设备分布确定下一周期的波束参数，会导致波束与用户设备分布不符，无法满足用户设备的话统关键性能指标(keyperformance indicator，KPI)。
三是，多频用户设备分布时调整的参数空间较大，当没有收敛机制时容易产生波束参数反复调整，增加负增益可能性，影像覆盖、容量和体验效果。
针对上述问题，本申请实施例提供了一种多频波束赋形方法，主要包括以下技术：(1)收集当前周期内所有频点的用户设备分布特征，获得每个频点的重构用户设备分布特征；(2)根据最近预设数个周期的重构用户设备分布特征预测下一周期该频点的用户设备分布特征，以适应突变的用户设备分布；(3)根据下一周期频点的用设备分布特征进行强化学习，获得收敛的波束调整参数，降低负增益概率。
需要说明的是，本申请实施例可以应用于具有静态共享波束功能AAU的通信系统，如长期演进(long term evolution，LTE)和新广播(new radio，NR)。具体地，执行本申请实施例方法的网元可以为各种基站，例如eNodeB、ng-eNodeB和gNodeB。
基于上述说明，下面将结合附图对本申请实施例提供的技术方案进行说明，如图5所示的一种多频联合波束赋形方法流程图，该方法应用于基站，包括：
S501：获取当前周期内小区每个频点的用户设备分布特征。
S502：将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征。
本实施例中，在当前观测周期内，获得该小区内所覆盖的每个频点的用户设备分布特征。该用户设备分布特征是指在该频点通信的所有用户设备的分布信息，其可以包括但不限于调度资源数、调度调制与编码策略、用户设备到达角、用户设备参考信号接收功率、用户设备位置等。
当获得每个频点的用户设备分布特征后，将所有频点的用户设备分布特征输入重构网络模型中，以获取该重构网络模型输出的各个频点对应的重构用户设备分布特征。
其中，重构网络模型为预先训练的模型，该重构网络模型可以利用所输入的各个频点的用户设备分布特征获得每个频点对应的重构用户设备分布特征。为便于理解重构网络模型的工作过程，下面将对重构网络模型的训练过程进行说明，具体训练过程如下：
1)：获取各个频点对应的待训练用户设备分布特征。
在训练生成重构网络模型时，获取当前周期小区内每个频点对应的用户设备分布特征作为该频点的待训练用户设备分布特征。例如，小区覆盖2个频点分布为F1和F2，则获取当前观测周期F1对应的用户设备分布特征x，以及F2对应的用户设备分布特征y。
2)：将用户设备从第一频点迁移到第二频点，获取该用户设备在第二频点的用户设备分布特征。
为兼顾驻留策略对于用户设备分布的影响，驱动用户设备从当前频点(第一频点)迁移到任一其它频点(第二频点)，获取用户设备迁移到各个频点的用户设备分布特征。其中，第一频点为小区内所覆盖的任一频点，第二频点为除第一频点外其他频点。例如，将频点F1(第一频点)上的用户设备迁移到频点F2(第二频点)，获取频点F1上的用户设备切换到频点F2的用户设备分布特征；将频点F2(第一频点)上的用户设备迁移到频点F1(第二频点)，获取频点F2上的用户设备切换到频点F1的用户设备分布特征。
再例如，当小区覆盖三个频点F1、F2和F3，将频点F1(第一频点)上的用户设备迁移到频点F2(第二频点)，获取频点F1上的用户设备切换到频点F2的用户设备分布特征；将频点F1(第一频点)上的用户设备迁移到频点F3(第二频点)，获取频点F1上的用户设备切换到频点F3的用户设备分布特征；将频点F2(第一频点)上的用户设备迁移到频点F1(第二频点)，获取频点F2上的用户设备切换到频点F1的用户设备分布特征；将频点F2(第一频点)上的用户设备迁移到频点F3(第二频点)，获取频点F2上的用户设备切换到频点F3的用户设备分布特征；将频点F3(第一频点)上的用户设备迁移到频点F1(第二频点)，获取频点F3上的用户设备切换到频点F1的用户设备分布特征；将频点F3(第一频点)上的用户设备迁移到频点F2(第二频点)，获取频点F3上的用户设备切换到频点F2的用户设备分布特征。
3)根据迁移前第三频点对应的用户设备分布特征以及迁移后第三频点对应的用户设备分布特征确定该第三频点的标签数据。
即，将小区内所覆盖的任一频点作为第三频点，根据迁移前第三频点的用户设备分布特征以及其他频点的用户设备迁移到第三频点后对应的用户设备分布特征确定第三频点的标签数据。具体地，该标签数据为迁移前第三频点的用户设备分布特征与其他频点的用户设备迁移到第三频点后的用户设备分布特征进行融合后对应的用户设备分布特征。
为便于理解，参见图6所示获得标签数据的过程，该小区覆盖两个频点分布为频点F1和频点F2，其中，(a)中方框为频点F1的用户设备分布、圆圈为频点F2的用户设备分布；切换后，(b)中圆圈为图(a)中频点F1的用户设备切换到频点F2的用户设备分布，方框为(a)中频点F2的用户设备切换到频点F1的用户设备分布。将(a)中频点F1的用户设备分布特征和(b)中频点F1的用设备分布特征进行融合，得到频点F1的标签数据；将(a)中频点F2的用户设备分布特征和(b)中频点F2的用户设备分布特征进行融合，得到频点F2的标签数据，如(c)所示。
4)：将频点对应的待训练用户设备分布特征以及标签数据作为训练数据训练生成重构网络模型。
当获得小区内各个频点对应的待训练用户设备分布特征以及标签数据后，将其作为训练数据训练初始网络模型以获得重构网络模型。
在获得重构网络模型后，在实际应用时，将小区内的各个频点对应的用设备分布特征输入到重构网络模型，以获得每个频点对应的重构用户设备分布特征。
S503：针对任一频点，对频点对应的重构用户设备分布特征进行分类获取频点对应的重构用户设备分布特征的分类结果。
当获得任一频点对应的重构用户设备分布特征，对该频点的重构用户设备分布特征进行分类获得该频点的重构用户设备分布特征的分类结果。
在具体实现时，可以将频点对应的重构用户设备分布特征与预先存在分类结果的用户设备分布特征进行相似度计算，并判断所计算的相似度是否满足预设阈值，如果满足，则确定该频点对应的重构用户设备分布特征的分类结果；如果不满足，则根据该频点对应的重构用户设备分布特征进行聚类，根据其对应的聚类结果确定分类结果。
具体地，如果该频点对应的重构用户设备分布特征与预先存在分类结果的任一用户设备分布特征的相似度均不满足预设阈值，则可以利用聚类算法对该频点的重构用户设备分布特征进行聚类，获得相应的聚类结果，以将该聚类结果确定为该频点对应的重构用户设备分布特征的分类结果。
S504：根据频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据波束参数调整下一周期频点的波束分布。
本实施例中，当确定频点对应的重构用户设备分布特征的分类结果后，根据该分类结果查找匹配的波束参数。然后，利用该波束参数调整下一周期频点的波束分布。即，利用分类结果查找匹配的波束参数，以根据该波束参数调整基站下一周期在该频点的波束个数、宽度以及波束方位角等。
可以理解的是，在一些应用场景下，可以预先设置约束条件，该约束条件可以为话统KPI中的一种或多种，例如最大化信噪比、最大化参考信号接收功率等，以便在根据分类结果查找对应的波束参数时，查找满足约束条件的波束参数。具体地，当频点存在约束条件时，根据约束条件以及频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数。也就是，可以先根据分类结果查找出多组匹配的波束参数，然后在从查找的多组波束参数中选择满足约束条件的波束参数，以利用满足约束条件的波束参数调整下一周期频点的波束分布。
具体地，在查找匹配的波束参数时，可以根据频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数。其中，Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。即，预先构建Q表，该Q表中包括不同分类结果对应的波束参数，然后，当获得某频点对应的重构用户设备分布特征的分类结果后，在该Q表中查找对应的波束参数。
其中，Q表的构建过程如下所示：
1)在前预设数个周期内，获取频点对应的重构用户设备分布特征对应的分类结果。
在波束调整的前预设数个周期，获取每个周期频点对应的重构用户设备分布特征对应的分类结果，以便后续构建Q表。
2)对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数。
对于每个频点对应的重构用户设备分布特征进行聚类，以根据聚类结果获取第一波束参数。其中，第一波束参数至少包括波束方向角和波宽。具体地，将重构用户设备分布特征输入预先训练的机器学习模型中进行聚类，聚类输出每个簇的中心点为波速方向角，根据每个簇的用户设备分布估算波宽。其中，机器学习模型可以利用K-means算法、分层算法等不同的聚类算法。
在实际应用中，可以根据覆盖和干扰要求，调整第一波束参数中的波束方向角和波宽。例如要求波束覆盖范围为120度，则需要约束边界波束方向角之差再加上波宽为120度；为了控制波束之间的干扰，则要求相邻波束间隔应大于第一预设门限；同时，为了控制波束之间的空洞不宜过大，相邻波束间隔应小于第二预设门限。
3)获取基站所服务的小区特征数据。
4)根据小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数。
本实施例中，在获取第二波束参数时，还需获取基站所服务的小区的特征数据，以根据小区特征数据以及该频点对应的重构用户设备分布特征获得第二波束参数。其中，第二波束参数至少包括波束个数。其中，小区特征数据包括但不限于小区总用户数、小区负载、小区里所有用户的信道质量指示(channel quality indicator，CQI)分布等。
具体地，可以将小区特征数据以及频点对应的重构用户设备分布特征输入预先训练的机器学习模型，以根据该机器学习模型的输出结果确定第二波束参数。其中，该机器学习模型利用监督学习算法，可以为回归模型或分类模型。当机器学习模型为回归模型时，可以采用神经网络模型、决策树等，该模型的输出结果为不同小区个数对应的小区KPI(所有小区对应的整体KPI)，将最优小区KPI对应的小区个数确定为波束个数。例如，该模型输出2种小区KPI，第一种小区KPI对应的小区个数为3；第二种小区KPI对应的小区个数为4，其中，第一种小区KPI为最优小区KPI，则波束为3个。其中，小区KPI可以为平均频谱效率、小区平均用户感知速率或小区容量等。
当机器学习模型为分类模型时，可以采用随机森林模型、支持向量机模型等，该模型的输出结果为小区个数，将小区个数确定为波束个数。
5)将分类结果以及对应的波束参数添加至Q表中。
当获得第一波束参数和第二波束参数后，根据频点对应的重构用户设备分布特征的分类结果以及第一波束参数、第二波束参数添加至Q表中，直至
Q表收敛，停止向Q表中添加。即，本实施例根据用户设备分布的稳定情况进行强化学习，获得收敛的波束参数，降低没有增益或负增益的情况，提升边缘用户设备的体验速率以及AAU覆盖率。
另外，当各个频点存在约束条件时，在查找匹配的波束参数时，根据约束条件以及频点对应的重构用户设备分布特征的分类结果从预先构建的Q表查找匹配的波束参数。其中，约束条件为话统KPI中的一种或多种，Q表中还包括每种分类结果对应的话统KPI。
基于上述描述可知，获取当前周期内小区中每个频点对应的用户设备分布特征，并将所有频点对应的用户设备分布特征输入预先训练的重构网络模型中，以获取每个频点对应的重构用户设备分布特征。针对每一个频点，对该频点对应的重构用户设备分布特征进行分类获取对应的分类结果。然后，根据该频点对应的分类结果查找匹配的波束参数，以根据该波束参数调整下一周期该频点的波束分布。即，本申请实施例在对频点的波束参数进行调整时，利用的是该频点对应的重构用户设备分布特征，考虑用户驻留策略对用户设备分布特征的影响，使得确定的波束参数更精准地对准下一周期该频点的用户设备。
为便于理解，参见图3b所示的多频联合调整实现效果示意图，通过图3a和图3b对比可知，通过本申请实施例提供的方法可以提升容量以及覆盖率。
另外，对于用户设备分布突变而导致下一周期的用户设备分布特征发生调整，如果仍按照上一周期的用户设备分布特征调整下一周期的波束参数，导致下一周期的信号没有增益或者为负增益。基于此，本申请实施例构建了一种预测模型，以预测下一周期的用户设备分布特征，并根据预测的用户设备分布特征进行波束参数的调整，具体实现如下：
如图7所示的方法流程图，该方法在对频点对应的重构用户设备分布特征进行分类之前执行，具体可以包括：
S701：将当前周期以及与当前周期相邻的前预设数个周期作为参考周期。
本实施例首先确定进行预测时所利用的参考周期，即当前周期以及与当前周期相邻的前预设数个周期。其中，前预设数个周期的数量可以根据实际应用情况进行确定。例如，前预设数个周期为前2个周期，当前周期为T，则将周期T、周期T-1以及周期T-2作为参考周期。
具体地，前预设数个周期可以根据预测模型的阶数所确定，当模型阶数为n时，前预设数个周期为n-1。例如，所利用的预测模型为3阶的自回归模型，则前预设数个周期为当前周期的前2个周期。
S702：根据各个参考周期对应的重构用户设备分布特征预测下一周期频点对应的重构用户设备分布特征。
当获得预测所需要的参考周期后，利用各个参考周期对应的重构用户设备分布特征预测下一周期该频点对应的重构用户设备分布特征。
具体地，可以预先为每个参考周期设置不同的权重，利用每个参考周期对应的重构用户设备分布特征以及对应的权重进行加权求和，将和值作为下一周期频点对应的重构用户设备分布特征。例如，预测模型的阶数为3，当前周期为T，则T+1周期的重构用设备分布特征＝a1*周期T的重构用户设备分布特征+a2*周期T-1的重构用户设备分布特征+a3*周期T-2的重构用户设备分布特征。可以理解的是，在当前周期为T-1时，则T周期的重构用户设备分布特征＝＝a1*周期T-1的重构用户设备分布特征+a2*周期T-2的重构用户设备分布特征+a3*周期T-3的重构用户设备分布特征。
S703：将下一周期频点对应的重构用户设备分布特征作为频点对应的重构用户设备分布特征。
当确定出下一周期频点对应的重构用户设备分布特征后，将所预测的下一周期频点对应的重构用户设备分布特征作为频点对应的重构用户设备分布特征，以利用所预测的重构用户设备分布特征进行后续的分类以及波束参数的查找，从而使得所查找的波束参数可以适配突变的用户分布效果。
基于上述说明，本申请实施例所提供的方法不仅将重构后的多频用户设备分布特征作为输入，把用户驻留策略作为多频联合波束参数优化的约束条件，扩大算法寻优的空间；还可以根据最近几个周期的重构用户设备分布特征预测下一周期的重构用户设备分布特征，改善波束参数适配突变的用户设备分布的效果；另外，还可以根据用户设备分布的稳定性进行强化学习，获得收敛的波束参数，减低负增益场景，有助于功能特性配合。
基于上述实施例所提供的多频联合波束赋形方法，本申请实施例还提供了对应的装置，下面将结合附图对该装置进行说明。
参见图8所示的多频联合波束赋形装置结构图，该装置应用于基站，如图8所示，该装置800可以包括
第一获取单元801，用于获取当前周期内小区每个频点的用户设备分布特征；
第二获取单元802，用于将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征；
第三获取单元803，用于针对任一频点，对所述频点对应的重构用户设备分布特征进行分类获取所述频点对应的重构用户设备分布特征的分类结果；
查找单元804，用于根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据所述波束参数调整下一周期所述频点的波束分布。
在一种可能的实现方式中，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种。
在一种可能的实现方式中，所述查找单元，具体用于根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。
在一种可能的实现方式中，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种，所述Q表中还包括每种分类结果对应的话统KPI。
在一种可能的实现方式中，所述Q表构建过程包括：
在前预设数个周期内，获取所述频点对应的重构用户设备分布特征对应的分类结果；
对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数；
获取所述基站所服务的小区特征数据；
根据所述小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数；
将所述分类结果以及对应的波束参数添加至Q表中，所述波束参数包括所述第一波束参数和第二波束参数。
在一种可能的实现方式中，所述装置还包括：
第一确定单元，用于在执行所述第三获取单元之前，将所述当前周期以及与所述当前周期相邻的前预设数个周期作为参考周期；
预测单元，用于根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征；
第二确定单元，用于将所述下一周期所述频点对应的重构用户设备分布特征作为所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述预测单元，具体用于根据各个所述参考周期对应的重构用户分布特征以及对应的权重进行加权求和作为下一周期所述频点对应的重构用户设备分布特征。
在一种可能的实现方式中，所述波束参数至少包括波束个数、波束方向、波束宽度。
在一种可能的实现方式中，所述用户设备分布特征包括位置信息、测量角、调度资源块数、参考信息接收功率、调制与编码策略中的一种或多种。
需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例，本实施例在此不再赘述。
需要说明的是，前述提及的用于多频联合波束赋形的装置800，其硬件结构可以为如图9所示的结构，图9为本申请实施例提供的一种基站的结构示意图。
请参阅图9所示，设备900包括：处理器910、通信接口920和和存储器930。其中设备900中的处理器910的数量可以一个或多个，图9中以一个处理器为例。本申请实施例中，处理器910、通信接口920和存储器930可通过总线系统或其它方式连接，其中，图9中以通过总线系统940连接为例。
处理器910可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器910还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器930可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器930也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器930还可以包括上述种类的存储器的组合。当设备900对应前述用于时钟同步的消息处理装置500时，存储器930例如可以存储第一时间戳、第二时间戳和第三时间戳；当设备900对应图6所示的时钟同步装置600时，存储器930例如可以存储第五时间戳和第三时间戳。
可选地，存储器930存储有操作系统和程序、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，程序可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。处理器910可以读取存储器930中的程序，实现本申请实施例提供的用于时钟同步的消息处理方法或者时钟同步方法。
总线系统940可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线系统940可以分为地址总线、数据总线、控制总线等。为便于表示，图9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。
本申请实施例还提供了一种计算机可读存储介质，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行以上实施例提供的用于多频联合波束赋形的方法。
本申请实施例还提供了一种包含指令或计算机程序的计算机程序产品，当其在计算机上运行时，使得计算机执行以上实施例提供的用于多频联合波束赋形的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，在本文中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (20)

1.一种多频联合波束赋形方法，其特征在于，所述方法应用于基站，所述方法包括：
获取当前周期内小区每个频点的用户设备分布特征；
将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征；
针对任一频点，对所述频点对应的重构用户设备分布特征进行分类获取所述频点对应的重构用户设备分布特征的分类结果；
根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据所述波束参数调整下一周期所述频点的波束分布。
2.根据权利要求1所述的方法，其特征在于，所述根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，包括：
当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，所述根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，包括：
根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，包括：
当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种，所述Q表中还包括每种分类结果对应的话统KPI。
5.根据权利要求3或4所述的方法，其特征在于，所述Q表构建过程包括：
在前预设数个周期内，获取所述频点对应的重构用户设备分布特征对应的分类结果；
对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数；
获取所述基站所服务的小区特征数据；
根据所述小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数；
将所述分类结果以及对应的波束参数添加至Q表中，所述波束参数包括所述第一波束参数和第二波束参数。
6.根据权利要求1所述的方法，其特征在于，在对所述频点对应的重构用户设备分布进行分类获取所述频点对应的重构用户设备分布特征的分类结果之前，所述方法还包括：
将所述当前周期以及与所述当前周期相邻的前预设数个周期作为参考周期；
根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征；
将所述下一周期所述频点对应的重构用户设备分布特征作为所述频点对应的重构用户设备分布特征。
7.根据权利要求6所述的方法，其特征在于，所述根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征，包括：
根据各个所述参考周期对应的重构用户分布特征以及对应的权重进行加权求和作为下一周期所述频点对应的重构用户设备分布特征。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述波束参数至少包括波束个数、波束方向、波束宽度。
9.根据权利要求1-7任一项所述的方法，其特征在于，所述用户设备分布特征包括位置信息、测量角、调度资源块数、参考信息接收功率、调制与编码策略中的一种或多种。
10.一种多频联合波束赋形装置，其特征在于，所述装置应用于基站，所述装置包括：
第一获取单元，用于获取当前周期内小区每个频点的用户设备分布特征；
第二获取单元，用于将各个频点对应的所述用户设备分布特征输入重构网络模型中，获取所述重构网络模型输出的各个频点对应的重构用户设备分布特征；
第三获取单元，用于针对任一频点，对所述频点对应的重构用户设备分布特征进行分类获取所述频点对应的重构用户设备分布特征的分类结果；
查找单元，用于根据所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，根据所述波束参数调整下一周期所述频点的波束分布。
11.根据权利要求10所述的装置，其特征在于，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种。
12.根据权利要求10所述的装置，其特征在于，所述查找单元，具体用于根据所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述Q表中包括不同分类结果的用户设备分布特征以及每种分类结果对应的至少一种波束参数。
13.根据权利要求12所述的装置，其特征在于，所述查找单元，具体用于当所述频点存在约束条件时，根据所述约束条件以及所述频点对应的重构用户设备分布特征的分类结果从预先构建的Q表中查找匹配的波束参数，所述约束条件为话统KPI中的一种或多种，所述Q表中还包括每种分类结果对应的话统KPI。
14.根据权利要求12或13所述的装置，其特征在于，所述Q表构建过程包括：
在前预设数个周期内，获取所述频点对应的重构用户设备分布特征对应的分类结果；
对频点对应的重构用户设备分布特征进行聚类，根据聚类结果获取第一波束参数；
获取所述基站所服务的小区特征数据；
根据所述小区特征数据以及频点对应的重构用户设备分布特征获取第二波束参数；
将所述分类结果以及对应的波束参数添加至Q表中，所述波束参数包括所述第一波束参数和第二波束参数。
15.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第一确定单元，用于在执行所述第三获取单元之前，将所述当前周期以及与所述当前周期相邻的前预设数个周期作为参考周期；
预测单元，用于根据各个所述参考周期对应的重构用户设备分布特征预测下一周期所述频点对应的重构用户设备分布特征；
第二确定单元，用于将所述下一周期所述频点对应的重构用户设备分布特征作为所述频点对应的重构用户设备分布特征。
16.根据权利要求15所述的装置，其特征在于，所述预测单元，具体用于根据各个所述参考周期对应的重构用户分布特征以及对应的权重进行加权求和作为下一周期所述频点对应的重构用户设备分布特征。
17.根据权利要求10-16任一项所述的装置，其特征在于，所述波束参数至少包括波束个数、波束方向、波束宽度。
18.根据权利要求10-16任一项所述的装置，其特征在于，所述用户设备分布特征包括位置信息、测量角、调度资源块数、参考信息接收功率、调制与编码策略中的一种或多种。
19.一种基站，其特征在于，包括：处理器和存储器；
所述存储器，用于存储指令或计算机程序；
所述处理器，用于执行所述指令或计算机程序，执行权利要求1-9任意一项所述的方法。
20.一种计算机可读存储介质，其特征在于，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行以上权利要求1-9任意一项所述的方法。
CN202010086942.1A 2020-02-11 2020-02-11 一种多频联合波束赋形方法、装置、基站及存储介质 Active CN113258971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086942.1A CN113258971B (zh) 2020-02-11 2020-02-11 一种多频联合波束赋形方法、装置、基站及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086942.1A CN113258971B (zh) 2020-02-11 2020-02-11 一种多频联合波束赋形方法、装置、基站及存储介质

Publications (2)

Publication Number Publication Date
CN113258971A true CN113258971A (zh) 2021-08-13
CN113258971B CN113258971B (zh) 2024-03-01

Family

ID=77219593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086942.1A Active CN113258971B (zh) 2020-02-11 2020-02-11 一种多频联合波束赋形方法、装置、基站及存储介质

Country Status (1)

Country Link
CN (1) CN113258971B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505182A (zh) * 2009-03-18 2009-08-12 北京邮电大学 一种多天线系统中基于波束赋形的数据传输方法和基站
CN108574954A (zh) * 2017-03-08 2018-09-25 索尼公司 无线通信系统中的电子设备和方法
CN108900232A (zh) * 2018-08-08 2018-11-27 深兰科技（上海）有限公司 一种自适应波束成形的方法、装置和电子设备
US20190182683A1 (en) * 2016-08-12 2019-06-13 Nec Corporation Communication system
CN109982350A (zh) * 2017-12-28 2019-07-05 中国移动通信集团山东有限公司 一种小区覆盖自适应调整方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505182A (zh) * 2009-03-18 2009-08-12 北京邮电大学 一种多天线系统中基于波束赋形的数据传输方法和基站
US20190182683A1 (en) * 2016-08-12 2019-06-13 Nec Corporation Communication system
CN108574954A (zh) * 2017-03-08 2018-09-25 索尼公司 无线通信系统中的电子设备和方法
CN109982350A (zh) * 2017-12-28 2019-07-05 中国移动通信集团山东有限公司 一种小区覆盖自适应调整方法和装置
CN108900232A (zh) * 2018-08-08 2018-11-27 深兰科技（上海）有限公司 一种自适应波束成形的方法、装置和电子设备

Also Published As

Publication number Publication date
CN113258971B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
US20200364571A1 (en) Machine learning-based data processing method and related device
EP3665787B1 (en) System and method for antenna beam selection
US20220051139A1 (en) Wireless device, a network node and methods therein for training of a machine learning model
US10327112B2 (en) Method and system for grouping wireless devices in a communications network
US20200401945A1 (en) Data Analysis Device and Multi-Model Co-Decision-Making System and Method
EP3742669B1 (en) Machine learning in radio access networks
US20220386136A1 (en) Facilitating heterogeneous network analysis and resource planning for advanced networks
US11646778B2 (en) Method and apparatus for controlling beam adaptively in wireless communication system
CN113396602A (zh) 无线电接入网络优化的移动性度量的预测和估计
CN113258971B (zh) 一种多频联合波束赋形方法、装置、基站及存储介质
WO2021239212A1 (en) Dynamic labeling for machine learning models for use in dynamic radio environments of a communications network
US11622322B1 (en) Systems and methods for providing satellite backhaul management over terrestrial fiber
US20220408334A1 (en) Cellular network user device mobility optimization management
EP3844995B1 (en) Method and apparatus for forecasting cell capacity saturation in wireless communication system
EP3188372B1 (en) Graph clustering for cooperation in telecommunications networks
US20230246700A1 (en) Method and device for beam selection
US20230394032A1 (en) Methods for processing data samples in communication networks
US11689269B1 (en) Systems and methods for dynamic beam set optimization
WO2023226868A1 (zh) 天线方向的调整方法及装置、基站、电子设备和存储介质
WO2023173298A1 (en) Methods and systems for distributed training a deep neural network
US20240135247A1 (en) Method and Apparatus for Selecting Machine Learning Model for Execution in a Resource Constraint Environment
WO2023095150A1 (en) First node, second node, communications system and methods performed thereby for handling predictive models
Subramaniam et al. Hybrid Optimal Ensemble SVM Forest Classifier for Task Offloading in Mobile Cloud Computing
Yazıcı et al. A Robust Machine Learning Approach for Path Loss Prediction in 5G Networks with Nested Cross Validation
Yang et al. Reinforcement Learning-Based Task Offloading of MEC-Assisted UAVs in Precision Agriculture

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