CN114978253A - 用于广播波束优化的方法、装置以及存储介质 - Google Patents

用于广播波束优化的方法、装置以及存储介质 Download PDF

Info

Publication number
CN114978253A
CN114978253A CN202110218051.1A CN202110218051A CN114978253A CN 114978253 A CN114978253 A CN 114978253A CN 202110218051 A CN202110218051 A CN 202110218051A CN 114978253 A CN114978253 A CN 114978253A
Authority
CN
China
Prior art keywords
directional diagram
antenna
optimization
data
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.)
Pending
Application number
CN202110218051.1A
Other languages
English (en)
Inventor
李艳芬
袁雪琪
谢伟良
刘悦
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202110218051.1A priority Critical patent/CN114978253A/zh
Publication of CN114978253A publication Critical patent/CN114978253A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种用于广播波束优化的方法、装置以及存储介质，涉及通信技术领域，其中的方法包括：根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使网络系统基于初始方向图对天线进行初始配置；基于网络性能评估数据进行网络性能评估，基于评估结果判断是否需要进行广播波束优化处理；如果确定需要进行广播波束优化处理，则根据天线的方向图以及最低增益要求建立方向图信息库；根据网络性能数据、方向图信息库并使用预设的天线优化算法，生成天线的优化方向图并下发给网络系统。本公开的方法、装置以及存储介质，能够对广播波束进行自动优化调整，提升网络配置的智能化，降低网络配置的复杂性，提高优化效率和准确性。

Description

用于广播波束优化的方法、装置以及存储介质
技术领域
本公开涉及通信技术领域，尤其涉及一种用于广播波束优化的方法、装置以及存储介质。
背景技术
Massive MIMO(MassiveMultiple Input Multiple Output，大规模多输入多输出)技术是第五代移动通信技术5G中提高网络覆盖和系统容量的关键技术。Massive MIMO通过波束赋形的机制发射多个波束覆盖扇区，提高发射电磁波的功率密度，增强了覆盖范围。Massive MIMO天线相比传统天线，软硬件发生很大变化。在4G网络之前的网络中，天线均是通过无源设备，方向图波束固定。当网络中出现类似覆盖、干扰等问题，与天线相关的优化方法主要是进行下倾角的调整。Massive MIMO通过波束赋形实现了灵活调整，然而，对于广播波束需要在网管系统上进行配置。广播波束涉及水平波宽、垂直波宽、下倾角等方向图的多参数组合，对运维人员进行网络配置、网络运维管理带来较大困难。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种用于广播波束优化的方法、装置以及存储介质。
根据本公开的第一方面，提供一种用于广播波束优化的方法，包括：根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使所述网络系统基于所述初始方向图对所述天线进行初始配置；基于网络性能评估数据进行网络性能评估，基于所述评估结果判断是否需要进行广播波束优化处理；如果确定需要进行广播波束优化处理，则根据所述天线的方向图以及最低增益要求建立方向图信息库；根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图并下发给网络系统，以使所述网络系统基于所述优化方向图对所述天线进行优化配置。
可选地，所述基于网络性能评估数据进行网络性能评估包括：获得第一网络性能指标KPI数据或第一网络测量报告MR数据；根据所述第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区；所述基于所述评估结果判断是否需要进行广播波束优化处理包括：如果有所述存在覆盖问题的小区，则确定需要进行广播波束优化处理。
可选地，所述天线优化算法包括：粒子群算法；所述根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图包括：对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹；构建初始粒子群；基于所述方向图信息库，计算与不同方向图权值对应的RSRP；建立适应度函数，用以计算适应值；更新个体最优种群和全局最优种群，在满足所述适应值的情况下，计算并更新粒子位置和速度；判断是否达到最大迭代次数，如果是，则根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为所述优化方向图。
可选地，所述天线优化算法包括：迭代仿真算法；所述根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图包括：基于RSRP或SINR建立目标优化函数；针对与所述天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为所述优化方向图。
可选地，在所述网络系统基于所述优化方向图对所述天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据；根据所述第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有所述存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成所述天线的新优化方向图。
可选地，所述天线包括：Massive MIMO天线；所述广播波束包括：Massive MIMO天线的广播波束。
根据本公开的第二方面，提供一种用于广播波束优化的装置，包括：初始配置模块，用于根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使所述网络系统基于所述初始方向图对所述天线进行初始配置；性能评估模块，用于基于网络性能评估数据进行网络性能评估，基于所述评估结果判断是否需要进行广播波束优化处理；信息库建立模块，用于如果确定需要进行广播波束优化处理，则根据所述天线的方向图以及最低增益要求建立方向图信息库；优化配置模块，用于根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图并下发给网络系统，用以对所述天线进行优化配置。
可选地，所述性能评估模块，具体用于获得第一网络性能指标KPI数据或第一网络测量报告MR数据；根据所述第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有所述存在覆盖问题的小区，则确定需要进行广播波束优化处理。
可选地，所述天线优化算法包括：粒子群算法；所述优化配置模块，具体用于对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹；构建初始粒子群；基于所述方向图信息库，计算与不同方向图权值对应的RSRP；建立适应度函数，用以计算适应值；更新个体最优种群和全局最优种群，在满足所述适应值的情况下，计算并更新粒子位置和速度；判断是否达到最大迭代次数，如果是，则根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为所述优化方向图。
可选地，所述天线优化算法包括：迭代仿真算法；所述优化配置模块，具体用于基于RSRP或SINR建立目标优化函数；针对与所述天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为所述优化方向图。
可选地，所述优化配置模块，还用于在所述网络系统基于所述优化方向图对所述天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据；根据所述第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有所述存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成所述天线的新优化方向图。
根据本公开的第三方面，提供一种控制器，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上的方法。
本公开的用于广播波束优化的方法、装置以及存储介质，能够对广播波束进行自动优化调整，提升网络配置的智能化，降低网络配置的复杂性，并可以提高优化效率和准确性。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为根据本公开的用于广播波束优化的方法的一个实施例的流程示意图；
图2为根据本公开的用于广播波束优化的方法的另一个实施例的流程示意图；
图3为根据本公开的用于广播波束优化的装置的一个实施例的模块示意图；
图4为根据本公开的用于广播波束优化的装置的一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。
下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。
目前，网管中关于方向图配置主要包括水平波宽、垂直波宽、下倾角、波束个数等，一方面参数配置复杂，另一方面由于方向图信息不完整，为智能化选择方向图带来一定困难。本公开的用于广播波束优化的方法，提出了一种Massive MIMO广播波束智能化调整方法，能够大幅降低网络配置复杂性，提升网络性能。
图1为根据本公开的用于广播波束优化的方法的一个实施例的流程示意图，如图1所示：
步骤101，根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使网络系统基于初始方向图对天线进行初始配置。
在一个实施例中，天线包括Massive MIMO天线，即Massive MIMO系统的天线；广播波束包括Massive MIMO天线的广播波束。针对目标覆盖场景，进行初始方向图配置下发，网络系统基于初始方向图对天线进行初始配置可以采用现有的多种方法。
面向Massive MIMO广播波束在网管上的配置包括单波束、4波束、7波束等多种类型，为了达到最好的网络覆盖性能一般会选择高增益波束，因此，初始建议选择7波束。Massive MIMO波束能够实现立体波束覆盖，针对中、高层楼宇可以选择垂直多波束。因此，将网络场景进行初步划分并给出初始配置，如下表1所示：
场景 波束数量 水平波宽 垂直层数
广覆盖 7 90°-110° 1
中低层混合场景 7 90°-110° 2
高层覆盖 7 90°-110° 3
高铁、公路 1 90°-110° 1
表1-初始配置建议参数表
步骤102，基于网络性能评估数据进行网络性能评估，基于评估结果判断是否需要进行广播波束优化处理。
在一个实施例中，初始配置(初始方向图)下发后，通过MR(Measurement Report，测量报告)数据或KPI(key performance indicator，关键绩效指标)数据统计进行网络性能评估。
步骤103，如果确定需要进行广播波束优化处理，则根据天线的方向图以及最低增益要求建立方向图信息库。
在一个实施例中，针对不同厂家网管广播波束配置进行立体方向图拟合，建立完整方向图信息库。设备网管提供的方向图配置只有波束个数、波束包络水平波宽、波束包络垂直波宽、方位角、下倾角等，并非完整的3D方向图。因此，基于上述信息结合设备最低增益要求，通过数据拟合出完整的3D方向图，建立方向图信息库，见下表2所示，可以获得每个角度对应的天线增益。阵列方向图＝sum(权值*单元方向图)，基于拟合3D方向图和单元方向图能够近似评估出权值。
方向图 V angle(0°) H angle(-180°) H angle(-179°) …… H angle(180°)
1 G(11) G(12) G(13) …… G(1362)
2 G(21) G(22) G(23) …… G(2362)
表2-方向图信息库的信息表
步骤104，根据网络性能数据、方向图信息库并使用预设的天线优化算法，生成天线的优化方向图并下发给网络系统，以使网络系统基于优化方向图对天线进行优化配置。
在一个实施例中，通过智能优化算法或者仿真完成最佳波束选择，生成天线的优化方向图并自动下发。每个小区提供了M套方向图，P个小区有MP个组合。因此，基于当前MR数据，结合方向图信息库通过智能优化算法，例如遗传算法、粒子群算法等通过迭代寻优可以找到最佳配置。如果基于方向图近似评估出各方向图权值，可以基于权值仿真找到最佳配置。最优配置下发后再次进行评估，直到找到最优配置。
在一个实施例中，基于网络性能评估数据进行网络性能评估可以采用多种方法。例如，获得第一网络性能指标KPI数据或第一网络测量报告MR数据，根据第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区，如果有存在覆盖问题的小区，则确定需要进行广播波束优化处理。存在覆盖问题的小区为弱覆盖小区等。天线优化算法为粒子群算法，可以采用现有的粒子群算法生成天线的优化方向图。
例如，对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹。构建初始粒子群；基于方向图信息库，计算与不同方向图权值对应的RSRP(Reference SignalReceiving Power,参考信号接收功率)。
建立适应度函数，用以计算适应值；更新个体最优种群和全局最优种群，在满足适应值的情况下，计算并更新粒子位置和速度；判断是否达到最大迭代次数，如果是，则根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为优化方向图。
天线优化算法可以为迭代仿真算法，可以采用现有的迭代仿真算法生成天线的优化方向图。例如，基于RSRP或SINR(信号与干扰加噪声比)建立目标优化函数，针对与天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为优化方向图。
在网络系统基于优化方向图对天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据。根据第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区，如果有存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成天线的新优化方向图。
图2为根据本公开的用于广播波束优化的方法的另一个实施例的流程示意图，如图2所示：
步骤201，针对覆盖场景，进行初始方向图配置下发。
步骤202，基于网络MR数据或KPI数据，进行网络性能评估，判断是否启动广播波束配置优化。如果是，则进入步骤203，如果否，则结束。
在一个实施例中，依据初始配置建议，针对覆盖场景，进行初始方向图配置下发。如果一个小区的MR RSRP《＝-110dB的采样点比例》20％，则将此小区定义为存在覆盖问题的小区。如果被评估为存在覆盖问题的小区，则说明当前初始配置不合适，需要进一步进行波束优化。
步骤203，针对不同厂家网管广播波束配置进行立体方向图拟合，建立方向图信息库。
在一个实施例中，遍历网管方向图数量和类型，结合最小增益要求，通过Matlab拟合出立体方向图，建立方向图信息库。可以采用现有的多种方法将方向图结合最小增益要求，通过Matlab拟合出立体方向图，建立方向图信息库。
步骤204，通过智能优化算法或者仿真完成最佳波束选择，并自动下发。
在一个实施例中，通过智能优化算法完成最佳波束选择，并自动下发。智能优化算法可以为多种算法。例如，基于粒子群进行迭代寻优化：
1、以相邻多个小区构建空间，每个小区方向图对应权值定义为W＝[w1,w2,w3,w4,w5,......，wx]，，其中w1代表第i个小区的权值；每个小区对应N个粒子同时在搜索空间中分别生成各自的运动轨迹。
2、构建初始粒子群
Figure BDA0002954692890000081
其中
Figure BDA0002954692890000082
分别代表第t次迭代中第i个粒子的个体极限和全局极限。
基于预先建立的方向图信息库，计算不同方向图权值下的RSRP。例如，当前水平α，垂直β角度为RSRP(i),在新方向图下：
RSRP(j)＝RSRP(i)+Gj-Gi；
其中，Gj、Gi分别为第j和第i个方向图对应角度的增益值。
RSRP(j)、RSRP(i)分别为第j和第i个方向图下RSRP值。
3、更新适应值，通过建立适应度函数计算适应值。
4、更新个体最优种群和全局最优种群，在满足上述的适应值下，计算并更新粒子位置和速度。
5、判断是否达到最大迭代次数，判断每组权值最终迭代完成后对应的RSRP CDF曲线及平均值，选择最优方向图。
在一个实施例中，智能优化算法也可以采用其他算法：
1、依据初始配置建议，针对覆盖场景，进行初始方向图配置下发。
2、如果一个小区的MR RSRP《＝-110dB的采样点比例》20％，则将此小区定义为存在覆盖问题的小区。如果评估为存在覆盖问题的小区，则说明当前初始配置不合适，需要进一步进行波束优化。
3、遍历网管方向图数量和类型，结合最小增益要求，通过Matlab拟合出立体方向图。由于阵列方向图＝sum(权值*单元方向图)，基于拟合3D方向图和单元方向图能够近似评估出权值。
4、建立目标优化函数，例如基于RSRP、SINR建立目标函数。针对每组权值进行迭代仿真评估，确定最优权值以及对应方向图。
5、将上述的最优配置下发后再次进行评估，直到找到最优配置。
在一个实施例中，如图3所示，本公开提供一种用于广播波束优化的装置30，包括初始配置模块31、性能评估模块32、信息库建立模块33和优化配置模块34。初始配置模块31根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使网络系统基于初始方向图对天线进行初始配置。性能评估模块32基于网络性能评估数据进行网络性能评估，基于评估结果判断是否需要进行广播波束优化处理。
如果确定需要进行广播波束优化处理，则信息库建立模块33根据天线的方向图以及最低增益要求建立方向图信息库。优化配置模块34根据网络性能数据、方向图信息库并使用预设的天线优化算法，生成天线的优化方向图并下发给网络系统，用以对天线进行优化配置。
在一个实施例中，性能评估模块32获得第一网络性能指标KPI数据或第一网络测量报告MR数据；性能评估模块32根据第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有存在覆盖问题的小区，则性能评估模块32确定需要进行广播波束优化处理。
天线优化算法包括粒子群算法。优化配置模块34对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹；构建初始粒子群；优化配置模块34基于方向图信息库，计算与不同方向图权值对应的RSRP；优化配置模块34建立适应度函数，用以计算适应值；优化配置模块34更新个体最优种群和全局最优种群，在满足适应值的情况下，计算并更新粒子位置和速度；判断是否达到最大迭代次数，如果是，则优化配置模块34根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为优化方向图。
天线优化算法包括迭代仿真算法。优化配置模块34基于RSRP或SINR建立目标优化函数；优化配置模块34针对与天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为优化方向图。
优化配置模块34在网络系统基于优化方向图对天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据；优化配置模块34根据第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成天线的新优化方向图。
在一个实施例中，图4为根据本公开的用于广播波束优化的装置的另一个实施例的模块示意图。如图4所示，该装置可包括存储器41、处理器42、通信接口43以及总线44。存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器41存储的指令执行实现上述的用于广播波束优化的方法。
存储器41可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器41也可以是存储器阵列。存储器41还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器42可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的用于广播波束优化的方法的一个或多个集成电路。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的用于广播波束优化的方法。
上述实施例提供的用于广播波束优化的方法、装置以及存储介质，能够对广播波束进行自动优化调整，提升网络配置的智能化，降低网络配置的复杂性，并可以提高优化效率和准确性。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (13)

1.一种用于广播波束优化的方法，包括：
根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使所述网络系统基于所述初始方向图对所述天线进行初始配置；
基于网络性能评估数据进行网络性能评估，基于所述评估结果判断是否需要进行广播波束优化处理；
如果确定需要进行广播波束优化处理，则根据所述天线的方向图以及最低增益要求建立方向图信息库；
根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图并下发给网络系统，以使所述网络系统基于所述优化方向图对所述天线进行优化配置。
2.如权利要求1所述的方法，所述基于网络性能评估数据进行网络性能评估包括：
获得第一网络性能指标KPI数据或第一网络测量报告MR数据；
根据所述第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区；
所述基于所述评估结果判断是否需要进行广播波束优化处理包括：
如果有所述存在覆盖问题的小区，则确定需要进行广播波束优化处理。
3.如权利要求2所述的方法，所述天线优化算法包括：粒子群算法；所述根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图包括：
对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹；
构建初始粒子群；基于所述方向图信息库，计算与不同方向图权值对应的RSRP；
建立适应度函数，用以计算适应值；
更新个体最优种群和全局最优种群，在满足所述适应值的情况下，计算并更新粒子位置和速度；
判断是否达到最大迭代次数，如果是，则根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为所述优化方向图。
4.如权利要求2所述的方法，所述天线优化算法包括：迭代仿真算法；所述根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图包括：
基于RSRP或SINR建立目标优化函数；
针对与所述天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为所述优化方向图。
5.如权利要求1所述的方法，还包括：
在所述网络系统基于所述优化方向图对所述天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据；
根据所述第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区；
如果有所述存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成所述天线的新优化方向图。
6.如权利要求1至5任一项所述的方法，其中，
所述天线包括：Massive MIMO天线；
所述广播波束包括：Massive MIMO天线的广播波束。
7.一种用于广播波束优化的装置，包括：
初始配置模块，用于根据目标覆盖场景，生成天线的初始方向图并下发给网络系统，以使所述网络系统基于所述初始方向图对所述天线进行初始配置；
性能评估模块，用于基于网络性能评估数据进行网络性能评估，基于所述评估结果判断是否需要进行广播波束优化处理；
信息库建立模块，用于如果确定需要进行广播波束优化处理，则根据所述天线的方向图以及最低增益要求建立方向图信息库；
优化配置模块，用于根据网络性能数据、所述方向图信息库并使用预设的天线优化算法，生成所述天线的优化方向图并下发给网络系统，用以对所述天线进行优化配置。
8.如权利要求7所述的装置，其中，
所述性能评估模块，具体用于获得第一网络性能指标KPI数据或第一网络测量报告MR数据；根据所述第一KPI数据或第一MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有所述存在覆盖问题的小区，则确定需要进行广播波束优化处理。
9.如权利要求8所述的装置，所述天线优化算法包括：粒子群算法；
所述优化配置模块，具体用于对于相邻多个小区构建空间，确定每个小区的方向图对应的方向图权值；其中，每个小区对应N个粒子，用于同时在搜索空间中分别生成各自的运动轨迹；构建初始粒子群；基于所述方向图信息库，计算与不同方向图权值对应的RSRP；建立适应度函数，用以计算适应值；更新个体最优种群和全局最优种群，在满足所述适应值的情况下，计算并更新粒子位置和速度；判断是否达到最大迭代次数，如果是，则根据每组方向图权值在迭代后的参考信号接收功率累积分布函数RSRP CDF曲线及平均值，选择最优方向图，作为所述优化方向图。
10.如权利要求8所述的装置，所述天线优化算法包括：迭代仿真算法；
所述优化配置模块，具体用于基于RSRP或SINR建立目标优化函数；针对与所述天线相对应的每组方向图权值进行迭代仿真评估，确定最优权值以及对应的方向图，作为所述优化方向图。
11.如权利要求7所述的装置，还包括：
所述优化配置模块，还用于在所述网络系统基于所述优化方向图对所述天线进行优化配置之后，获得第二网络性能指标KPI数据或第二网络测量报告MR数据；根据所述第二KPI数据或第二MR数据进行性能评估，用以确定存在覆盖问题的小区；如果有所述存在覆盖问题的小区，则确定需要再次进行广播波束优化处理，生成所述天线的新优化方向图。
12.一种用于广播波束优化的装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-7中任一项所述的方法。
13.一种计算机可读存储介质，所述计算机可读存储介质非暂时性地存储有计算机指令，所述指令被处理器执行如权利要求1至7中任一项所述的方法。
CN202110218051.1A 2021-02-26 2021-02-26 用于广播波束优化的方法、装置以及存储介质 Pending CN114978253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110218051.1A CN114978253A (zh) 2021-02-26 2021-02-26 用于广播波束优化的方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110218051.1A CN114978253A (zh) 2021-02-26 2021-02-26 用于广播波束优化的方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN114978253A true CN114978253A (zh) 2022-08-30

Family

ID=82973766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110218051.1A Pending CN114978253A (zh) 2021-02-26 2021-02-26 用于广播波束优化的方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114978253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758206A (zh) * 2022-11-07 2023-03-07 武汉麓谷科技有限公司 一种快速查找ZNS固态硬盘中NorFlash上次写结束位置的方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605336A (zh) * 2008-10-07 2009-12-16 中国移动通信集团设计院有限公司 多天线系统的无线网络确定方法及装置
CN104811964A (zh) * 2014-01-26 2015-07-29 中国移动通信集团湖北有限公司 一种智能天线性能的评估方法及系统
CN105223591A (zh) * 2015-10-27 2016-01-06 交通信息通信技术研究发展中心 一种用于减弱远近效应的伪卫星阵列天线方向图综合算法
US9270354B1 (en) * 2014-07-08 2016-02-23 Hrl Laboratories, Llc Blind beamforming using knowledge embedded in transmitted signals
CN107017467A (zh) * 2016-01-27 2017-08-04 中国移动通信集团公司 一种智能天线的调整方法及装置
CN108306699A (zh) * 2018-02-08 2018-07-20 南京华苏科技有限公司 一种基于增益预估的天馈优化方法
CN109379752A (zh) * 2018-09-10 2019-02-22 中国移动通信集团江苏有限公司 Massive MIMO的优化方法、装置、设备及介质
CN110488101A (zh) * 2019-08-26 2019-11-22 广东电网有限责任公司 一种天线辐射性能分析方法、装置及计算机可读存储介质
CN110622435A (zh) * 2017-05-12 2019-12-27 华为技术有限公司 一种无线通信系统中广播波束权值的确定方法以及装置
CN110730466A (zh) * 2018-07-16 2020-01-24 中兴通讯股份有限公司 确定广播波束权值的方法及装置、网元及存储介质
CN111082840A (zh) * 2019-12-23 2020-04-28 中国联合网络通信集团有限公司 一种天线广播波束的优化方法和装置
CN111224706A (zh) * 2020-01-15 2020-06-02 西安电子科技大学 一种基于混合自适应粒子群算法的面多波束赋形方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605336A (zh) * 2008-10-07 2009-12-16 中国移动通信集团设计院有限公司 多天线系统的无线网络确定方法及装置
CN104811964A (zh) * 2014-01-26 2015-07-29 中国移动通信集团湖北有限公司 一种智能天线性能的评估方法及系统
US9270354B1 (en) * 2014-07-08 2016-02-23 Hrl Laboratories, Llc Blind beamforming using knowledge embedded in transmitted signals
CN105223591A (zh) * 2015-10-27 2016-01-06 交通信息通信技术研究发展中心 一种用于减弱远近效应的伪卫星阵列天线方向图综合算法
CN107017467A (zh) * 2016-01-27 2017-08-04 中国移动通信集团公司 一种智能天线的调整方法及装置
CN110622435A (zh) * 2017-05-12 2019-12-27 华为技术有限公司 一种无线通信系统中广播波束权值的确定方法以及装置
CN108306699A (zh) * 2018-02-08 2018-07-20 南京华苏科技有限公司 一种基于增益预估的天馈优化方法
CN110730466A (zh) * 2018-07-16 2020-01-24 中兴通讯股份有限公司 确定广播波束权值的方法及装置、网元及存储介质
CN109379752A (zh) * 2018-09-10 2019-02-22 中国移动通信集团江苏有限公司 Massive MIMO的优化方法、装置、设备及介质
CN110488101A (zh) * 2019-08-26 2019-11-22 广东电网有限责任公司 一种天线辐射性能分析方法、装置及计算机可读存储介质
CN111082840A (zh) * 2019-12-23 2020-04-28 中国联合网络通信集团有限公司 一种天线广播波束的优化方法和装置
CN111224706A (zh) * 2020-01-15 2020-06-02 西安电子科技大学 一种基于混合自适应粒子群算法的面多波束赋形方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758206A (zh) * 2022-11-07 2023-03-07 武汉麓谷科技有限公司 一种快速查找ZNS固态硬盘中NorFlash上次写结束位置的方法

Similar Documents

Publication Publication Date Title
CN102316469B (zh) 配置天线参数的方法及系统
CN110572835B (zh) 调节天线参数的方法及装置、电子设备、计算机可读介质
US9345032B2 (en) Method and apparatus for determining network clusters for wireless backhaul networks
AU2001225003B2 (en) A method for improving intelligent antenna array coverage
CN114422363B (zh) 一种无人机搭载ris辅助通信系统容量优化方法及装置
CN112672376B (zh) 一种无人机辅助蜂窝网络中无人机部署方法
CN114630348A (zh) 基站天线参数调整方法、装置、电子设备及存储介质
CN114978253A (zh) 用于广播波束优化的方法、装置以及存储介质
CN104735684B (zh) 一种蜂窝移动通信网络公共控制信号立体覆盖的多扇区联合控制方法
CN110366188B (zh) 干扰测量点部署方法、干扰测量路径规划方法及系统
CN115103409A (zh) 一种多波束无人机协作通信的资源分配方法
CN113676919B (zh) 基于资源小区自适应生成的网络覆盖增强方法
CN114826462A (zh) 面向大规模mimo统计端口选择的波束域信道增广方法
CN114584192A (zh) 一种毫米波无人机通信系统抗抖动鲁棒波束成形优化方法
CN114818452A (zh) 天线配置参数优化方法、装置及存储介质
Sotiroudis et al. Optimal artificial neural network design for propagation path-loss prediction using adaptive evolutionary algorithms
CN113766518A (zh) 基站天线选择和广播波束规划方法及装置
CN108650682B (zh) 一种5g超密集无线网络的基站布设装置及其方法
Du et al. Cell size and shape adjustment depending on call traffic distribution
Kutty et al. An improved numerical optimization method for efficient beam search in 60 GHz indoor millimeter wave wireless networks
KR102388620B1 (ko) 기지국 안테나의 기울기 각도 최적화 방법 및 장치
CN109041009A (zh) 一种车联网上行功率分配方法及装置
CN112369060B (zh) 评估建筑物无线性能的方法
EP2189001B1 (en) Method and system for configuring a communicaton network, related network and computer program product
CN116980929A (zh) 无线网络优化方法、装置、设备以及计算机存储介质

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