CN115278711A - 一种波束权值确定方法、装置、电子设备和可读存储介质 - Google Patents
一种波束权值确定方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115278711A CN115278711A CN202210779879.9A CN202210779879A CN115278711A CN 115278711 A CN115278711 A CN 115278711A CN 202210779879 A CN202210779879 A CN 202210779879A CN 115278711 A CN115278711 A CN 115278711A
- Authority
- CN
- China
- Prior art keywords
- beam weight
- weight
- configuration information
- information
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 96
- 238000004088 simulation Methods 0.000 claims description 70
- 238000005070 sampling Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 abstract description 42
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000007850 degeneration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000252203 Clupea harengus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000019514 herring Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种波束权值确定方法、装置、电子设备和可读存储介质，包括：根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
Description
技术领域
本发明涉及通信技术领域，特别是涉及一种波束权值确定方法、一种波束权值确定装置、一种电子设备和一种计算机可读存储介质。
背景技术
网络覆盖是保障网络性能的基础，相比2G/3G/4G技术，5G引入空域的维度概念，基于天线Massive MIMO(大规模天线阵列)技术，多波束在水平、竖直宽度，电子下倾角、电子方位角上配置更灵活、覆盖类型更多样，波束权值库组合成千上万种。
对于5G超密集组网，波束权值空间搜索的复杂度呈指数增长，传统的网络优化手段耗时、耗力、功效低。尤其在高楼林立的场景，例如城市中央商务区、高层酒店公寓区、高层商业住宅区等，网络深度覆盖受限，处于上述高楼林立的场景时仅依靠网优工程师经验粗放型调整波束权值覆盖，无法做到基于用户分布进行波束精细化调优。
立体高层建筑群通常位于城市中央商业区，相比普通道路的开放性，高层楼宇空间私密性更强，测试难度大，深度覆盖问题难以评估。针对该场景，目前采用的波束权值优化方法存在各种短板问题，包括采集的数据量多，需要三维建模，依赖价格昂贵的3D电子地图和精准站址工参信息，仿真上需要全部小区仿真追踪等，在AI(ArtificialIntelligence，人工智能)算法上存在需要调优训练的参数较多，对AI工程师的经验有较高要求，蚁群算法的“收敛慢”，“死锁”等问题。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种波束权值确定方法和相应的一种波束权值确定装置、一种电子设备，以及一种计算机可读存储介质。
本发明实施例公开了一种波束权值确定方法，所述方法包括：
确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息；
根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；
针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；
根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解；
采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
可选地，所述根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片，包括：
根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度；
将所述关联度高于预设关联度阈值的小区划分为属于一个子网切片，以将所述目标地理区域的网络解耦成相互独立的所述多个子网切片。
可选地，所述根据所述波束权值组合配置信息构建目标函数，包括：
确定针对所述子网切片中单个小区的权值仿真增益表；
根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数。
可选地，所述确定针对所述子网切片中单个小区的权值仿真增益表，包括：
将所述目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，得到对应的多个栅格；
对所述子网切片中单个小区的波束权值配置信息在所述多个栅格分别进行覆盖电平仿真，计算出不同权值相对于初始权值在所述多个栅格的增益；
根据计算得到的所述不同权值相对于初始权值在所述多个栅格的增益，确定针对所述子网切片中单个小区的所述权值仿真增益表；所述权值仿真增益表中同一权值、同一栅格所对应的覆盖电平增益相同。
可选地，所述根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数，包括：
构建与所述波束权值组合配置信息对应的波束权值组合函数；
基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数。
可选地，所述基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数，包括：
利用在先测试数据计算所述子网切片中多个小区在对应的第一权值组合下的第一参考信号接收功率信息和第一信号与干扰加噪声比信息；
基于所述权值仿真增益表，确定所述子网切片中多个小区在所述波束权值组合配置信息对应的不同权值组合下的第二参考信号接收功率信息和第二信号与干扰加噪声比信息；
采用所述第一参考信号接收功率信息、所述第一信号与干扰加噪声比信息、所述第二参考信号接收功率信息和所述第二信号与干扰加噪声比信息，以所述波束权值组合函数为变量构建所述目标函数。
可选地，所述根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度，包括：
分别确定服务小区和邻小区的覆盖信号门限值，并确定服务小区与邻小区之间覆盖信号的差值门限；
基于所述服务小区和邻小区的覆盖信号门限值、所述服务小区与邻小区之间覆盖信号的差值门限，从所述覆盖信号信息对应的采样点中筛选出有效的采样点；
根据所述有效的采样点的数量确定所述目标地理区域中各个小区之间的所述关联度。
本发明实施例还公开了一种波束权值确定装置，所述装置包括：
确定及采集模块，用于确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息；
解耦模块，用于根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；
确定模块，用于针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；
构建及求解模块，用于根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解；
配置模块，用于采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
可选地，所述解耦模块，包括：
第一确定子模块，用于根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度；
划分子模块，用于将所述关联度高于预设关联度阈值的小区划分为属于一个子网切片，以将所述目标地理区域的网络解耦成相互独立的所述多个子网切片。
可选地，所述构建及求解模块，包括：
第二确定子模块，用于确定针对所述子网切片中单个小区的权值仿真增益表；
构建子模块，用于根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数。
可选地，所述第二确定子模块，包括：
栅格划分单元，用于将所述目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，得到对应的多个栅格；
覆盖电平仿真及计算单元，用于对所述子网切片中单个小区的波束权值配置信息在所述多个栅格分别进行覆盖电平仿真，计算出不同权值相对于初始权值在所述多个栅格的增益；
第一确定单元，用于根据计算得到的所述不同权值相对于初始权值在所述多个栅格的增益，确定针对所述子网切片中单个小区的所述权值仿真增益表；所述权值仿真增益表中同一权值、同一栅格所对应的覆盖电平增益相同。
可选地，所述构建子模块，包括：
第一构建单元，用于构建与所述波束权值组合配置信息对应的波束权值组合函数；
第二构建单元，用于基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数。
可选地，所述第二构建单元，包括：
计算子单元，用于利用在先测试数据计算所述子网切片中多个小区在对应的第一权值组合下的第一参考信号接收功率信息和第一信号与干扰加噪声比信息；
确定子单元，用于基于所述权值仿真增益表，确定所述子网切片中多个小区在所述波束权值组合配置信息对应的不同权值组合下的第二参考信号接收功率信息和第二信号与干扰加噪声比信息；
构建子单元，用于采用所述第一参考信号接收功率信息、所述第一信号与干扰加噪声比信息、所述第二参考信号接收功率信息和所述第二信号与干扰加噪声比信息，以所述波束权值组合函数为变量构建所述目标函数。
可选地，所述第一确定子模块，包括：
第二确定单元，用于分别确定服务小区和邻小区的覆盖信号门限值，并确定服务小区与邻小区之间覆盖信号的差值门限；
筛选单元，用于基于所述服务小区和邻小区的覆盖信号门限值、所述服务小区与邻小区之间覆盖信号的差值门限，从所述覆盖信号信息对应的采样点中筛选出有效的采样点；
第三确定单元，用于根据所述有效的采样点的数量确定所述目标地理区域中各个小区之间的所述关联度。
本发明实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述一种波束权值确定方法的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述一种波束权值确定方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，可以根据采集的覆盖信号信息，将目标地理区域的网络解耦成相互独立的多个子网切片，针对子网切片中的多个小区的波束权值组合配置信息构建对应的目标函数，通过采用粒子群算法求解目标函数的局部最优解，该局部最优解即为该子网切片中的多个小区的局部最优波束权值组合配置信息。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
附图说明
图1是本发明实施例提供的一种波束权值确定方法的步骤流程图；
图2是本发明实施例提供的另一种波束权值确定方法的步骤流程图；
图3是本发明实施例的一种对三维空间栅格化的示意图；
图4是本发明实施例的一种权值仿真增益表的示意图；
图5是本发明实施例的一种MR覆盖信息表的示意图；
图6是本发明实施例的一种关联度邻区对熔断机制的处理过程示意图；
图7是本发明实施例的一种单小区波束权值库规划示意图；
图8是本发明实施例的一种单小区波束权值库信息的示意图；
图9是本发明实施例的一种粒子群算法搜索流程图；
图10是本发明实施例的一种粒子群算法寻优过程示意图；
图11是本发明实施例的CSI和SSB仿真波束映射示意图；
图12是本发明实施例的一种用于波束权值存储和处理的电子装置的结构示意图；
图13是本发明实施例的智能寻优前后高层建筑物中波束的覆盖信息变化示意图；
图14是本发明实施例提供的一种波束权值确定装置的结构框图。
具体实施方式
为使本发明的上述目的、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发明作进一步详细的说明，显然，所描述的实施例仅仅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所获得的所有其它实施例，都属于本发明保护的范围。
针对高层楼宇的网络覆盖问题，当前5G天线波束权值规划和优化主要有以下方法：
1、基于蚁群算法的波束权值优化方法：通过采集终端的MR(MeasurementReport，测量报告)、MDT(Minimization Drive Test，最小化路测)数据，评估小区覆盖高度，确定小区下倾角，通过解析数据，获取小区到达角DOA(Direction OfArrival，信源到达角)分布范围，获取扇区的垂直、水平波宽，确定波束数量，设置每个天线调整幅度、迭代次数及关联的评估指标，在迭代过程中进行相应调整，利用蚁群算法根据迭代过程中指标优化/劣化程度计算有效的正负得分，形成正反馈的调整机制，并在迭代次数结束后获得优化的波束权值设置组合。
2、基于MR数据的立体波束优化方法：根据MR中小区的平均电平值以及每个小区主覆盖的波束ID(Identity document，身份标识号)对应的水平、垂直波束信息，构建三维立体栅格，识别弱覆盖和重叠覆盖用户分布，构建路损矩阵，基于波束级路损矩阵和覆盖预测算法预测Pattern参数调整后的覆盖变化，然后对Pattern参数进行迭代寻优。
3、基于三维电子地图、站址工参、仿真技术的波束权值优化方法：该方法需要准备精准的3D电子地图、站址和天线高度等工参信息，结合三维建筑物信息，射线追踪法仿真出每个小区的覆盖，建立投影虚拟栅格。基于候选天线对应的多种广播波束配置，对优化区域内每个小区使用射线追踪法进行覆盖仿真，投影栅格建模和简并。计算每个栅格简并后的代价函数，选择函数增益最大方式所对应的候选天线进行选型，将对应的波束权值配置进行平台仿真和验证，获得各小区最佳波束权值配置。
目前以上技术或方法存在以下短板和不足：
1、基于蚁群算法的波束权值优化：该方法需要采集的参数较多，如基站经纬度，小区覆盖信息等；蚁群搜索存在收敛速度慢，多次迭代容易出现同一个局部最优解，初始参数配置更多依赖于工程师的经验和多次试错，配置不合适算法能力会减弱，造成“死锁”现象；种群多样性与收敛速度的矛盾，个体分布越均匀，种群多样性就越好，得到全局最优解的概率就越大，但是寻优时间就越长。个体分布越集中，种群多样性就越差，不利于发挥算法的探索能力。
2、基于MR数据的立体波束优化方法：该方法需要解析大量Beam级数据，对输入数据的质量要求极高，算法计算量大，优化周期长，对机器的软硬件要求较高，投资成本高，单次运行能输入的小区量较少，比较适合小规模热点区域的精细化波束调优，在大批量站点的开通优化上不足。
3、基于三维电子地图、站址工参、仿真技术的波束权值优化方法：该方法需要购买价格昂贵的三维电子地图，对站址工参信息(如经纬度、站高、下倾角)准确性依赖性很高，否则会影响仿真结果。在仿真规模上，需要对优化区域的所有小区进行仿真出射线投影栅格，仿真量大，而且每个小区的仿真结果具有单一性，小区权值信息发生变化后，覆盖模型也会发生变化，需要重新仿真计算。最后，仿真投影栅格需要由角度和天线的距离来定位，是一个三维立体模型，表征更为复杂。
为了解决以上问题，本发明拟提供一种克服上述问题或者至少部分地解决上述问题的一种波束权值确定方法和相应的一种波束权值确定装置、一种电子设备，以及一种计算机可读存储介质。
本发明实施例的核心构思之一在于，可以根据采集的覆盖信号信息，将目标地理区域的网络解耦成相互独立的多个子网切片，针对子网切片中的多个小区的波束权值组合配置信息构建对应的目标函数，通过采用粒子群算法求解目标函数的局部最优解，该局部最优解即为该子网切片中的多个小区的局部最优波束权值组合配置信息。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
参照图1，示出了本发明实施例提供的一种波束权值确定方法的步骤流程图，具体可以包括如下步骤：
步骤101，确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息。
在本发明实施例中，可以将需要进行波束权值优化的地理区域作为目标地理区域，可以采集针对该目标地理区域的覆盖信号信息。其中，覆盖信号信息可以是以MR覆盖信息表的形式呈现的。
步骤102，根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片。
根据采集到的覆盖信号信息可以对目标地理区域进行网络解耦，分割成相互独立的多个子网切片，其中，可以约定属于不同子网切片的各个小区之间的波束权值调整互不影响，而属于同一个子网切片的各个小区之间的波束权值调整相互影响。
步骤103，针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息。
相互独立的子网切片各自进行波束权值调整，各个子网切片并行计算。对于任一个子网切片，可以确定该子网切片中的多个小区，其中，每个小区具有对应的波束权值配置信息，将该子网切片中各个小区对应的波束权值配置信息进行组合，可以得到针对该子网切片中多个小区的波束权值组合配置信息。
在一种示例中，假设某子网切片中有n个小区，单个小区的波束权值配置信息可以使用变量Weight表示，单个小区的波束权值配置信息中对应的波束权值有P个，波束权值可以由三个维度决定(方位角，下倾角，水平波宽)，单小区的波束权值P＝方位角个数*下倾角个数*水平波宽个数，那么，针对该子网切片中多个小区的波束权值组合配置信息有Pn次方个，一个子网切片中多个小区的波束权值组合配置信息与该子网切片中的小区个数呈指数关系。
步骤104，根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解。
在本发明实施例中，采用波束权值组合配置信息构建目标函数，并采用粒子群算法对目标函数求解，获得该目标函数的局部最优解，局部最优解也是针对该子网切片中多个小区的局部最佳的波束权值组合方式。
步骤105，采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
在求解得到局部最佳的波束权值组合方式，即目标波束权值组合配置信息之后，可以按照该目标波束权值组合配置信息对该子网切片中的多个小区进行波束权值配置。
综上，在本发明实施例中，可以根据采集的覆盖信号信息，将目标地理区域的网络解耦成相互独立的多个子网切片，针对子网切片中的多个小区的波束权值组合配置信息构建对应的目标函数，通过采用粒子群算法求解目标函数的局部最优解，该局部最优解即为该子网切片中的多个小区的局部最优波束权值组合配置信息。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
参照图2，示出了本发明实施例提供的另一种波束权值确定方法的步骤流程图，具体可以包括如下步骤：
步骤201，确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息。
在本发明实施例中，可以选择需要进行波束权值优化调整的目标地理区域，并采集在该目标地理区域的覆盖信号信息。
在一种示例中，可以确定该目标地理区域的5G站点信息，小区信息和天线信息等。可以在网管上配置订阅测量任务启动周期性测量，测量报告MR上报间隔可以设置在1～10秒，采用多终端测量可以加快采样点采集。网管微服务器采集用户终端的MR(MeasurementReport，测量报告)信息后进行数据存储，解码后获取用户终端UE的总采样点N个，以及每个采样点对应的服务小区/邻小区的CellID(小区识别码)、RSRP(Reference SignalReceiving Power，参考信号接收功率)、DOA(Angle OfArrival，波达角)等信息，生成MR覆盖信息表。
步骤202，根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片。
根据采集到的覆盖信号信息可以对目标地理区域进行网络解耦，分割成相互独立的多个子网切片，其中，可以约定属于不同子网切片的各个小区之间的波束权值调整互不影响，而属于同一个子网切片的各个小区之间的波束权值调整相互影响。
在本发明一种可选的实施例中，步骤202具体可以包括如下子步骤：
子步骤S11，根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度。
在本发明实施例中，可以先根据采集到的覆盖信号信息计算目标地理区域中各个小区之间的关联度。例如，可以基于MR覆盖信息表以及N个样本点，计算出优化的目标地理区域内服务小区/邻小区的关联度值。
在本发明一种可选的实施例中，子步骤S11具体可以包括如下子步骤：
分别确定服务小区和邻小区的覆盖信号门限值，并确定服务小区与邻小区之间覆盖信号的差值门限；基于所述服务小区和邻小区的覆盖信号门限值、所述服务小区与邻小区之间覆盖信号的差值门限，从所述覆盖信号信息对应的采样点中筛选出有效的采样点；根据所述有效的采样点的数量确定所述目标地理区域中各个小区之间的所述关联度。
对于服务小区/邻小区的关联度的计算，需要筛选出有效的样本点(即采样点)，可参考5G回切4G的RSRP门限进行筛选条件的弹性设定，范围建议在-115dBm～-110dBm之间。
在一种示例中，可以设置服务小区和邻小区的覆盖信号门限值均为-113dBm；服务小区与邻小区之间覆盖信号的差值门限可以为6dBm，计算公式如下：
a:RSRP_S>＝-113dBm；
b:RSRP_N>＝-113dBm；
c:Abs|RSRP_S-RSRP_N|<＝6dBm；
其中，RSRP_S代表服务小区的参考信号强度值，S是服务小区ServingCell的简写；RSRP_N代表邻小区的参考信号强度值，N是NeighbouringCell的简写。
关联度的定义用于表征服务小区和邻小区之间的关系程度，服务小区/邻小区的关联度的计算公式如下：
其中，Sample_a代表服务小区RSRP_S大于等于-113dBm的样本点数，对应上述公式a；Sample_b代表邻小区RSRP_N大于等于-113dBm的样本点数，对应上述公式b；Sample_c代表服务小区RSRP_S和邻小区RSRP_N的RSRP之差的绝对值小于等于6dBm的总样本点数，对应上述公式c；Sample_(c|a,b)代表在a,b满足的条件下c的样本点数；w为根据绝对值差划分的权重因子；Sample_(c|a,b)w代表在满足a,b,c条件下，在某权重w区间(w在1～6之间取整)内的样本点数。
在采样点中服务小区RSRP_S参考信号强度和邻小区RSRP_N参考信号强度差的绝对值<＝6dBm的前提下，将6dBm按照1dBm梯度划成6个等分区间：
1)绝对值差在[0,1)范围的w权重定义最高为6；
2)绝对值差在[1,2)范围的w权重定义为5；
3)以此类推；
4)绝对值差在[5,6)范围的w权重定义最低为1。
由上可知，覆盖信号信息可以包括服务小区的参考信号接收功率信息和邻小区的参考信号接收功率信息。基于服务小区和邻小区的覆盖信号门限值、服务小区与邻小区之间覆盖信号的差值门限，从覆盖信号信息对应的采样点中筛选出有效的采样点，可以是将满足服务小区的参考信号接收功率信息不小于服务小区的覆盖信号门限值条件的样本点、满足邻小区的参考信号接收功率信息不小于邻小区的覆盖信号门限值条件的样本点，以及在满足上述两个条件下，满足服务小区的参考信号接收功率信息与邻小区的参考信号接收功率信息之差的绝对值不大于服务小区与邻小区之间覆盖信号的差值门限的样本点确定为有效的采样点。
筛选出有效的采样点之后，再根据上述服务小区/邻小区的关联度的计算公式计算目标地理区域中各个小区之间的关联度。
子步骤S12，将所述关联度高于预设关联度阈值的小区划分为属于一个子网切片，以将所述目标地理区域的网络解耦成相互独立的所述多个子网切片。
在本发明实施例中，可以设置熔断门限，对关联度低的邻区对(邻区对是指计算关联度的两两小区)剔除，将关联度高于预设关联度阈值的小区划分为属于一个子网切片，可以降低机器学习噪声。例如，可以将邻区对控制在60以内，否则AI搜索时间会很长，算法收敛慢，可以通过排序熔断低关联度的邻区对。
基于熔断机制，可以将目标地理区域的网络解耦成相互独立的多个子网切片，子网切片具有对应的关联度邻区对。
步骤203，针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息。
对于一个子网切片，该一个子网切片中具有对应的关联度邻区对，根据该关联度邻区对可以确定该子网切片中所包含的小区，其中，每个小区具有对应的波束权值配置信息，将该子网切片中各个小区对应的波束权值配置信息进行组合，可以得到针对该子网切片中多个小区的波束权值组合配置信息。
假设某个子网切片中有n个小区，单个小区的波束权值配置信息可以使用变量Weight表示，单个小区的波束权值配置信息中对应的波束权值有P个，那么，针对该子网切片中多个小区的波束权值组合配置信息有Pn次方个，n个小区的波束权值组合配置信息可以使用变量Wj表示，公式如下：
Wj＝[Weighti,1,Weighti,2,Weighti,3,Weighti,4,Weighti,n]，i∈[1,P]，j∈[1,Pn]
步骤204，确定针对所述子网切片中单个小区的权值仿真增益表。
在本发明实施例中，对于任一个子网切片，可以创建针对该子网切片中单个小区的权值仿真增益表。其中，权值仿真增益表中同一权值、同一栅格所对应的覆盖电平增益相同。
在本发明一种可选的实施例中，步骤204具体可以包括如下子步骤：
子步骤S21，将所述目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，得到对应的多个栅格。
在本发明实施例中，可以将目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，划分得到的栅格是一个只有方向没有模的向量。
在一种示例中，可以将三维立体空间划分M个DOA虚拟栅格。DOA虚拟栅格是一个只有方向没有模的向量，只记录天线和用户终端UE的角度，不关注和用户终端UE的距离。可以将M个DOA虚拟栅格在二维平面进行投影，生成对应的M个二维HDOA,VDOA平面栅格，二维平面栅格和空间DOA立体虚拟栅格映射，从而无需构建三维用户分布模型，通过减少距离数据的采集达到降维的效果。
子步骤S22，对所述子网切片中单个小区的波束权值配置信息在所述多个栅格分别进行覆盖电平仿真，计算出不同权值相对于初始权值在所述多个栅格的增益。
对单小区P个波束权值在M个DOA栅格位置方向分别进行平面投影仿真，以小区默认权值仿真出来的M个DOA栅格电平作为初始值，其他P-1个波束权值对应在M个DOA栅格位置仿真出来的电平分别和初始值做差求增益，在M个DOA栅格上进行不同权值相对于初始值的增益计算，显然初始权值相对自身初始权值的增益为0。基于单小区仿真出来的DOA级的增益，可以推广至所有同类型天线上，原理类似于路损PL(Pathloss，传播路径损耗)，覆盖增益不会随小区高度、机械下倾角、方位角的变化而不同，只取决于空间传播特性，空间的传播损耗基本是固定的。
子步骤S23，根据计算得到的所述不同权值相对于初始权值在所述多个栅格的增益，确定针对所述子网切片中单个小区的所述权值仿真增益表。
通过对单小区的波束权值配置信息进行覆盖电平仿真，计算出不同权值相对于初始权值在空间DOA栅格位置上的增益。通过仿真单小区，获得空间所有DOA栅格位置相对于初始权值的RSRP电平增益公式为：
其中，
代表小区权值为K时在DOA[a]栅格位置的仿真电平值，
代表小区初始权值为J时在DOA[a]栅格位置的仿真电平值，在DOA[a]栅格位置上权值K相对于初始权值J的增益为
DOA[a]栅格是M个DOA栅格之一。
通过单小区仿真不同权值下DOA栅格粒度的电平值，计算的覆盖增益不随小区站址高度，机械下倾，功率等参数变化而改变。根据计算得到的不同权值相对于初始权值在多个栅格的增益，可以确定针对子网切片中单个小区的权值仿真增益表。
参照图3所示，为本发明实施例的一种对三维空间栅格化的示意图，在三维空间中：
1)在竖直方向上，相对于基站天线面板中心(原点)法线向上偏移的角度为负，向下偏移的角度为正。竖直方向规划了-45°到+45°的范围，用字段VDOA(Vertical Directionof Arrival)表示，如图4所示，在Excel表中有90行数据；
2)在水平方向上，相对于基站天线面板中心法线向左偏移的角度为负，向右偏移的角度为正。水平方向规划了-90°到+90°的范围，用字段HDOA(Horizontal Direction ofArrival)表示，如图4所示，在Excel表中有180列数据；
3)将竖直和水平组合起来是三维空间，可以基于一定空间尺寸定义一个虚拟栅格将空间分割成M个栅格，例如可以设置DOA虚拟栅格尺寸为1°*1°，那么三维空间就划分成M＝90°*180°/1°*1°＝16200个小粒度DOA虚拟栅格。一个权值的覆盖空间在表格中对应1*90行、1*180列，16200个二维DOA栅格电平增益；单小区全部权值P构成P*90行、P*180列，总共P*16200个二维DOA栅格覆盖增益表。
步骤205，根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数。
在本发明实施例中，采用权值仿真增益表和波束权值组合配置信息构建目标函数。
在本发明一种可选的实施例中，步骤205具体可以包括如下子步骤：
子步骤S31，构建与所述波束权值组合配置信息对应的波束权值组合函数。
子步骤S32，基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数。
在本发明实施例中，根据波束权值组合配置信息构建对应的波束权值组合函数，可以采用变量Wj表示，得到波束权值组合函数Wj的方法已在步骤203中进行描述，在此不再赘述。
在本发明一种可选的实施例中，子步骤S32具体可以包括如下子步骤：
利用在先测试数据计算所述子网切片中多个小区在对应的第一权值组合下的第一参考信号接收功率信息和第一信号与干扰加噪声比信息；基于所述权值仿真增益表，确定所述子网切片中多个小区在所述波束权值组合配置信息对应的不同权值组合下的第二参考信号接收功率信息和第二信号与干扰加噪声比信息；采用所述第一参考信号接收功率信息、所述第一信号与干扰加噪声比信息、所述第二参考信号接收功率信息和所述第二信号与干扰加噪声比信息，以所述波束权值组合函数为变量构建所述目标函数。
在本发明实施例中，在先测试数据可以为T0时刻的测试数据，T0时刻具有对应的第一权值组合，T0时刻测试时的平均RSRP计算方法为所有采样点RSRP加权求平均，由于测量报告MR不上报SINR(Signal to Interference plus Noise Ratio，信号与干扰加噪声比)值，SINR值的计算需要采取拟合计算的方式，每个采样点对应的服务小区RSRP除以所有邻小区的RSRP和白噪声Noise之和，Noise通常为-125dBm，N个样本点求平均，公式如下：
其中，RSRPT0代表T0时刻采集的在先覆盖信号强度信息，N个样本点的RSRP值求平均(相当于第一参考信号接收功率信息)；SINRT0代表T0时刻采集的在先覆盖信号质量信息，N个样本点的平均SINR(相当于第一信号与干扰加噪声比信息)；sample代表样本点；RSRP_Ssample代表样本点sample对应的服务小区参考信号强度值；RSRP_Nsample代表样本点sample对应的邻小区的参考信号强度值；Noise代表白噪声。
n小区波束权值组合配置信息更新后，T0时刻对应的服务小区的RSRP/SINR值会发生变化，可以基于单小区权值仿真增益表，计算变更后的RSRP/SINR值。
某子网切片内n小区组成对应的波束权值组合函数为Wj时，
的计算公式如下：
其中
代表权值组合为Wj时，N个样本点的平均RSRP(相当于第二参考信号接收功率信息)；
代表权值组合为Wj时，N个样本点的平均SINR(相当于第二信号与干扰加噪声比信息)；sample代表样本点；RSRP_Ssample代表样本点sample对应的服务小区的参考信号强度值；RSRP_Nsample代表样本点sample对应的邻小区的参考信号强度值；Noise代表白噪声；gain(DOA_S)代表在服务小区DOA_S栅格位置上电平增益；gain(DOA_N)代表在邻小区DOA_N栅格位置上电平增益，DOA_N的个数取决于邻小区的个数。
在n小区波束权值组合从T0时刻更新至Wj时，所有N个采样点对应服务小区DOA_S和邻小区DOA_N位置(个数取决于邻小区数量)的电平值都会更新，计算完更新后的RSRP值，用户终端UE基于信号强度变化进行小区切换，在更新后的服务小区/邻小区RSRP值中选择最大RSRP值的小区驻留，即为更新后的服务小区。
由于RSRP和SINR取值范围的差异，在构建目标函数时需要进行归一化处理，分别求RSRP和SINR更新后的比值。以波束权值组合函数Wj为变量构建RSRP&SINR目标函数f(Wj)可表示为：
其中，l1，l2为学习因子，用于AI路径寻优中调节RSRP/SINR学习方向的权重。在一张示例中，可以设置一种比较公平的组合值l1，l2＝0.5。
步骤206，采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解。
目标函数构建完成，可以基于粒子群算法合理设置参数迭代，待f(Wj)值达到最大迭代次数或最大值基本不在变化时迭代结束，f(Wj)获得局部/全局最大值，变量Wj解的值为该子网切片n个小区波束取值组合的局部/全局最优权值组合。
步骤207，采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
在确定局部最优解对应的目标波束权值组合配置信息之后，可以按照该目标波束权值组合配置信息对该子网切片中的多个小区进行波束权值配置。在具体实施中，可以将SSB(Synchronization Signal Block，同步信号块)波束权值组合和业务信道CSI(ChannelState Information，信道状态信息)波束权值映射拉齐，通过带有存储、处理和计算功能的电子装置下发对应小区中，评估效果。
为了使本领域技术人员能够更好地理解本发明实施例，下面通过一个例子加以说明，本发明实施例的一种波束权值确定方法的具体流程可以包括：
1、确定优化区域
首先需要确定要进行波束权值优化的目标地理区域，梳理该目标地理区域中的站点信息、小区信息和天线信息等，可以选取覆盖比较接近的32T/64TAAU(Active AntennaUnit，有源天线单元)天线，暂不考虑8T/4T/2T的天线。
2、确定测量任务，采集覆盖信号信息
5G小区等信息梳理完成后，在网管配置订阅任务，下发周期性测量。数据采集分为路测场景和商用场景，路测场景需要网管中配置UE的TraceID，最大可识别10个，测试人员持UE设备测试，配置好后台，网管只采集配置的UE数据；如不配置TraceID，则为商用场景，网管会采集所有测量到的UE信息。本示例中分别采取两种模式评估，网管微服务器采集对应模式下的UE的MR上报数据，缓存到网管服务器中，经过数据提取解码后，生成MR覆盖信息表，如图5所示。
3、划分DOA虚拟栅格
本示例中在水平±90°，竖直±45°空间范围内，基于最小DOA虚拟栅格步长1°*1°，将扇区方向的三维立体空间划分M＝16200个DOA虚拟栅格，如图3所示。DOA虚拟栅格是一个只有方向没有模的向量，只记录天线和UE的角度，不关注和UE的距离。M个DOA虚拟栅格在二维平面投影生成M个二维HDOA,VDOA平面栅格，平面栅格和空间DOA立体虚拟栅格映射，二维平面栅格坐标如图4所示。
基于可变空间栅格步长大小(1°*1°，10°*10°)，在水平±90°，竖直±45°范围构建的M个DOA立体虚拟栅格，DOA虚拟栅格的个数取决于预设的栅格步长大小，将M个三维立体栅格在二维平面投影可以实现降维解析，可以有效简化问题的复杂度，无需三维用户分布建模，降低对软硬件的投入成本。
4、网络解耦与子网切片
本示例中参考本地网5G回切4G的门限-113dBm，过滤低门限样本点，通过计算服务小区/邻小区绝对值电平差，基于预设的6dBm绝对值门限划分权重梯度w，计算邻区对的关联度，梳理小区间的关系度，通过熔断机制将网络解耦成独立的关联度邻区对，形成独立子网切片。本示例例中通过设置关联度阈值0.2，进行网络解耦划分子网切片，如图6所示，原来9个邻区对降低至4个，由4个邻区对形成一个独立的子网切片。
5、单小区波束权值库规划
基于立体楼宇场景的典型特征，本示例将5G小区波束规划为4个(波束ID2,4,5,6)，其中波束ID2作为兜底网络。预期如下：兜底波束覆盖高楼的低层及道路区域，波束4,5,6以叠罗汉形式覆盖楼宇的中高层区域，方位角建议最大调整幅度控制在40°以内，波束赋形方位角超过40°，波束前方会出现覆盖畸形。根据预设的其中一种调整步长，可以规划单个小区的波束权值配置信息，即单小区波束权值库P＝53125个，如图7所示。
6、多小区波束权值组协同优化
本示例基于5G单小区波束权值库P＝53125个，如图8所示，以及某子网切片中有4个小区，组成4个小区的波束权值组合配置信息，即4个小区的波束权值组，波束权值组有P4＝7.97*1018个，波束权值组个数随子网切片内小区个数增加而指数增长。
7、函数构建
本示例中需要构建多个函数与公式，包括：
1)单小区权值库仿真，计算所有权值基于初始权值的电平增益，公式为：
某小区的波束权值为K值时，权值仿真增益表如图4所示。基于单小区初始权值，不同权值在M个DOA虚拟栅格的覆盖电平增益仿真，通过作差构建覆盖增益表，通过增益差可避免小区因为不同高度，功率，机械下倾角带来的覆盖电平差异，只要终端的DOA向量位置不变，该方向上同一个位置的覆盖增益差基本不会变，单小区的覆盖增益值可以推广至所有同类型天线的小区。
2)子网切片内4小区的波束权值组空间解函数Wj公式为：
Wj＝[Weighti1，Weighti2，Weighti3，Weighti4]
i∈[1，P＝53125]
j∈[1，P4≈7.97×1018]
3)以波束权值组空间解函数Wj为变量构建RSRP&SINR函数，公式为：
4)T0测试数据的RSRP&SINR值为：
5)基于波束权值组空间解Wj，RSRPWj，SINRWj，RSRPT0和SINRT0构建最终目标函数f(Wj)，公式为：
通过构建权值组解空间函数Wj，以解空间Wj为变量，构建RSRP/SINR的适应度目标函数，RSRP和SINR权重分别由学习因子l1,l2调节，将粒子群算法应用于该目标函数求解局部最大值的方法具有独创性。
8、粒子群算法多小区协同寻优
子网切片内多小区的寻优问题非常复杂，A小区权值的调整，会直接影响B、C、D小区的覆盖；B的调整，反过来又会影响A、C、D，困难系数随小区个数指数增长，在处理多小区协同优化上，需要将子网切片内所有小区的权值合并寻优。在本示例中某子网切片中有4小区，波束权值有P4≈7.97*1018种组合方式，基于粒子群算法对权值组合并寻优，可以实现较快收敛，获得局部最优解，算法流程如图9所示，具体描述如下：
1)参数初始化：粒子群体初始化，包括种群粒子数m、随机位置Wi(P4次方个权值组中随机化一个值Wj)、随机粒子更新速度Vi(粒子的移动速率)：
对于单个粒子i第d维分量速度
的更新公式为：
通过上述公式可以看出，粒子i运动的过程中受到三个部分的影响：粒子前一时刻的速度
也叫自身惯性向量；粒子i当前位置与自己最好位置之间的距离
区域最佳解；粒子i当前位置与群体最好位置之间的距离
全域最佳解。也就是粒子i当前的更新速度由上一时刻的运动方向，个人认知最优解方向，以及全域最佳解方向，因此，粒子i下一时刻t的运动方向是惯性向量方向、区域最佳解方向、和全域最佳解的矢量加权求和方向；
粒子i在第d维分量上的
位置更新公式为：
上述公式的参数介绍如下：
pbest为个体最优解，对每个粒子，将其当前适应值与其个体历史最佳位置(pbest)对应的适应值做比较，如果当前的适应值更高，则将用当前位置更新历史最佳位置pbest；
gbest为全局最优解，对每个粒子，将其当前适应值与全局最佳位置(gbest)对应的适应值做比较，如果当前的适应值更高，则将用当前粒子的位置更新全局最佳位置gbest，如图10所示。
2)评估准则：根据fitness函数评价每个粒子的适应度；
3)粒子更新速度：根据公式更新每个粒子的速度与位置；
4)迭代：如未满足结束条件，则返回步骤2)，通常算法达到最大迭代次数或者最佳适应度值的增量小于某个给定的阈值时算法停止。
9、业务信道CSI波束和SSB波束映射拉齐
通过仿真，可以看到CSI和SSB波束的空间覆盖的情况，可以找到最接近的一组，将SSB和CSI波束权值映射对齐，保证业务信道覆盖和SSB覆盖基本一致，从而避免SSB覆盖好，但是业务CSI信道SINR很差，导致编码效率低，速率上不去的问题，CSI波束权值和SSB寻优后的权值映射，如图11所示。
10、波束权值存储、生效
本示例中可以提供一种电子装置，用来存储和处理权值参数，存储器中存储有计算机程序用来执行寻优好的CSI和SSB波束权值，处理器通过输入输出设备下发权值生效，如图12所示。
根据应用效果评估，本示例中分别基于路测场景，以及商用场景做了验证。相比传统优化，本示例的波束权重寻优方法效率上有很大提升，保障高层建筑中室内用户的体验感知，可以降低用户投诉。本发明的实施效果如下：
路测场景建筑物内覆盖对比如表1所示：
表1
商用场景建筑物内覆盖对比如表2所示：
表2
不同技术的产投比对比如表3所示：
表3
智能寻优前后高层建筑物中波束的覆盖信息变化如图13所示，寻优前高层波束信号占用没有规律性，杂乱无章，波束寻优生效后各楼层占用的波束ID表现为：1F-15F占用兜底波束ID2；17F-21F占用波束ID4；23F-27F占用波束ID5；29F-37F占用波束ID6。
综上，在本发明实施例中，可以根据采集的覆盖信号信息，将目标地理区域的网络解耦成相互独立的多个子网切片，针对子网切片中的多个小区的波束权值组合配置信息构建对应的目标函数，通过采用粒子群算法求解目标函数的局部最优解，该局部最优解即为该子网切片中的多个小区的局部最优波束权值组合配置信息。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
本发明提出的波束权值确定方法，在数据采集量上更少、无需3D建模；在仿真上，只需要对单小区仿真出不同权值库的电平值，分别计算出M个DOA栅格相比初始权值的电平增益，不依赖站点的工参信息，避免因工参不准导致的仿真效果不佳，也不需要对优化区所有小区全量仿真，仿真上简单准确，可以降本增效；相比蚁群算法，粒子群搜索算法更为简单、需要调优的参数更少、对算法工程师的经验要求不高、不容易出现“死锁”现象，收敛速度更快。因此，本发明提出了一种简单、高效、低成本、低数据量，降本增效的5G波束寻优方法，基站和设备，本发明有以下几个方面优点具体描述如下：
1、数据采集上，本发明只需解析UE测量到的CellID、RSRP、DOA信息，将空间划分成M个DOA虚拟栅格，天线只识别用户相对天线的角度DOA，将DOA立体栅格投影二维平面栅格使用(HDOA,VDOA)表征，不采集TA距离，不需要3D建模，从而降低软硬件成本。在空间信道划分上，最新提出对空间划分精细可变的DOA虚拟栅格，DOA栅格空间步长大小最低为1°*1°，最大可为10°*10°，空间粒度可以更细，识别用户位置更精准。
2、单小区覆盖增益表仿真，本发明规划5G单小区波束权值库P个，具体权值个数可根据调整步长变化。对单小区P个权值在M个空间DOA栅格位置分别进行仿真，以小区默认权值仿真出来的M个DOA栅格电平作为初始值，其他P-1个波束权值对应的M个DOA栅格位置的电平分别和初始值做差求增益，M个DOA栅格转化成不同权值下相对于初始值的增益，初始权值相对自身权值的增益为0。基于单小区仿真出来的DOA级的增益，可以推广至所有同类型天线上，原理类似于路损PL，不会随小区工参的变化而不同，其大小只取决于空间传播特性。
3、网络解耦与函数构建：基于MR覆盖信息表和熔断门限筛选主要关联度邻区对，相比已公开技术本发明首次提出将大网解耦成小的子网切片，做并行计算。子网切片内成员小区组成波束权值组Wj，以Wj为变量创新性地提出了基于RSRP&SINR的目标函数f(Wj)，采取粒子群算法，合理设置粒子数m，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图14，示出了本发明实施例提供的一种波束权值确定装置的结构框图，具体可以包括如下模块：
确定及采集模块1401，用于确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息；
解耦模块1402，用于根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；
确定模块1403，用于针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；
构建及求解模块1404，用于根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解；
配置模块1405，用于采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
在本发明实施例中，所述解耦模块，包括：
第一确定子模块，用于根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度；
划分子模块，用于将所述关联度高于预设关联度阈值的小区划分为属于一个子网切片，以将所述目标地理区域的网络解耦成相互独立的所述多个子网切片。
在本发明实施例中，所述构建及求解模块，包括：
第二确定子模块，用于确定针对所述子网切片中单个小区的权值仿真增益表；
构建子模块，用于根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数。
在本发明实施例中，所述第二确定子模块，包括：
栅格划分单元，用于将所述目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，得到对应的多个栅格；
覆盖电平仿真及计算单元，用于对所述子网切片中单个小区的波束权值配置信息在所述多个栅格分别进行覆盖电平仿真，计算出不同权值相对于初始权值在所述多个栅格的增益；
第一确定单元，用于根据计算得到的所述不同权值相对于初始权值在所述多个栅格的增益，确定针对所述子网切片中单个小区的所述权值仿真增益表；所述权值仿真增益表中同一权值、同一栅格所对应的覆盖电平增益相同。
在本发明实施例中，所述构建子模块，包括：
第一构建单元，用于构建与所述波束权值组合配置信息对应的波束权值组合函数；
第二构建单元，用于基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数。
在本发明实施例中，所述第二构建单元，包括：
计算子单元，用于利用在先测试数据计算所述子网切片中多个小区在对应的第一权值组合下的第一参考信号接收功率信息和第一信号与干扰加噪声比信息；
确定子单元，用于基于所述权值仿真增益表，确定所述子网切片中多个小区在所述波束权值组合配置信息对应的不同权值组合下的第二参考信号接收功率信息和第二信号与干扰加噪声比信息；
构建子单元，用于采用所述第一参考信号接收功率信息、所述第一信号与干扰加噪声比信息、所述第二参考信号接收功率信息和所述第二信号与干扰加噪声比信息，以所述波束权值组合函数为变量构建所述目标函数。
在本发明实施例中，所述第一确定子模块，包括：
第二确定单元，用于分别确定服务小区和邻小区的覆盖信号门限值，并确定服务小区与邻小区之间覆盖信号的差值门限；
筛选单元，用于基于所述服务小区和邻小区的覆盖信号门限值、所述服务小区与邻小区之间覆盖信号的差值门限，从所述覆盖信号信息对应的采样点中筛选出有效的采样点；
第三确定单元，用于根据所述有效的采样点的数量确定所述目标地理区域中各个小区之间的所述关联度。
综上，在本发明实施例中，可以根据采集的覆盖信号信息，将目标地理区域的网络解耦成相互独立的多个子网切片，针对子网切片中的多个小区的波束权值组合配置信息构建对应的目标函数，通过采用粒子群算法求解目标函数的局部最优解，该局部最优解即为该子网切片中的多个小区的局部最优波束权值组合配置信息。通过采用上述方法，根据子网切片内成员小区的波束权值组合配置信息构建目标函数，采取粒子群算法，合理设置粒子数，以及迭代参数寻优，相比蚁群搜索算法，粒子群算法简单，迭代参数少，收敛速度快。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述一种波束权值确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述一种波束权值确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理终端设备上，使得在计算机或其它可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，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”或者其任何其它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、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种波束权值确定方法和一种波束权值确定装置、一种电子设备和一种计算机可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种波束权值确定方法，其特征在于，所述方法包括：
确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息；
根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；
针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；
根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解；
采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片，包括：
根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度；
将所述关联度高于预设关联度阈值的小区划分为属于一个子网切片，以将所述目标地理区域的网络解耦成相互独立的所述多个子网切片。
3.根据权利要求1所述的方法，其特征在于，所述根据所述波束权值组合配置信息构建目标函数，包括：
确定针对所述子网切片中单个小区的权值仿真增益表；
根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数。
4.根据权利要求3所述的方法，其特征在于，所述确定针对所述子网切片中单个小区的权值仿真增益表，包括：
将所述目标地理区域的网络覆盖的三维空间基于波达方向进行栅格化划分，得到对应的多个栅格；
对所述子网切片中单个小区的波束权值配置信息在所述多个栅格分别进行覆盖电平仿真，计算出不同权值相对于初始权值在所述多个栅格的增益；
根据计算得到的所述不同权值相对于初始权值在所述多个栅格的增益，确定针对所述子网切片中单个小区的所述权值仿真增益表；所述权值仿真增益表中同一权值、同一栅格所对应的覆盖电平增益相同。
5.根据权利要求3所述的方法，其特征在于，所述根据所述权值仿真增益表和所述波束权值组合配置信息构建所述目标函数，包括：
构建与所述波束权值组合配置信息对应的波束权值组合函数；
基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述权值仿真增益表，以所述波束权值组合函数为变量构建所述目标函数，包括：
利用在先测试数据计算所述子网切片中多个小区在对应的第一权值组合下的第一参考信号接收功率信息和第一信号与干扰加噪声比信息；
基于所述权值仿真增益表，确定所述子网切片中多个小区在所述波束权值组合配置信息对应的不同权值组合下的第二参考信号接收功率信息和第二信号与干扰加噪声比信息；
采用所述第一参考信号接收功率信息、所述第一信号与干扰加噪声比信息、所述第二参考信号接收功率信息和所述第二信号与干扰加噪声比信息，以所述波束权值组合函数为变量构建所述目标函数。
7.根据权利要求2所述的方法，其特征在于，所述根据所述覆盖信号信息确定所述目标地理区域中各个小区之间的关联度，包括：
分别确定服务小区和邻小区的覆盖信号门限值，并确定服务小区与邻小区之间覆盖信号的差值门限；
基于所述服务小区和邻小区的覆盖信号门限值、所述服务小区与邻小区之间覆盖信号的差值门限，从所述覆盖信号信息对应的采样点中筛选出有效的采样点；
根据所述有效的采样点的数量确定所述目标地理区域中各个小区之间的所述关联度。
8.一种波束权值确定装置，其特征在于，所述装置包括：
确定及采集模块，用于确定需进行波束权值调整的目标地理区域，并采集针对所述目标地理区域的覆盖信号信息；
解耦模块，用于根据所述覆盖信号信息将所述目标地理区域的网络解耦成相互独立的多个子网切片；
确定模块，用于针对任一个子网切片，基于所述子网切片中单个小区的波束权值配置信息，确定针对所述子网切片中多个小区的波束权值组合配置信息；
构建及求解模块，用于根据所述波束权值组合配置信息构建目标函数，并采用粒子群算法求解所述目标函数，得到针对所述波束权值组合配置信息的局部最优解；
配置模块，用于采用所述局部最优解对应的目标波束权值组合配置信息对所述子网切片中的多个小区进行波束权值配置。
9.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述一种波束权值确定方法的步骤。
10.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述一种波束权值确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210779879.9A CN115278711A (zh) | 2022-07-04 | 2022-07-04 | 一种波束权值确定方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210779879.9A CN115278711A (zh) | 2022-07-04 | 2022-07-04 | 一种波束权值确定方法、装置、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115278711A true CN115278711A (zh) | 2022-11-01 |
Family
ID=83763760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210779879.9A Pending CN115278711A (zh) | 2022-07-04 | 2022-07-04 | 一种波束权值确定方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115278711A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933895A (zh) * | 2019-03-12 | 2019-06-25 | 西北工业大学 | 基于动态网格多目标粒子群优化法的阵列方向图综合方法 |
| CN113133022A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团重庆有限公司 | 一种基于构建mimo多径的下载速率提升方法和系统 |
| CN113271549A (zh) * | 2020-02-17 | 2021-08-17 | 中兴通讯股份有限公司 | 一种权值的发送方法及装置、存储介质及电子装置 |
| WO2022083275A1 (zh) * | 2020-10-21 | 2022-04-28 | 浪潮天元通信信息系统有限公司 | 一种基于蚁群算法的天线权值优化方法及装置 |
-
2022
- 2022-07-04 CN CN202210779879.9A patent/CN115278711A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933895A (zh) * | 2019-03-12 | 2019-06-25 | 西北工业大学 | 基于动态网格多目标粒子群优化法的阵列方向图综合方法 |
| CN113133022A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团重庆有限公司 | 一种基于构建mimo多径的下载速率提升方法和系统 |
| CN113271549A (zh) * | 2020-02-17 | 2021-08-17 | 中兴通讯股份有限公司 | 一种权值的发送方法及装置、存储介质及电子装置 |
| WO2022083275A1 (zh) * | 2020-10-21 | 2022-04-28 | 浪潮天元通信信息系统有限公司 | 一种基于蚁群算法的天线权值优化方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 吴远等: "改进粒子群算法在Massive MIMO波束优化的应用研究", 5G网络创新研讨会（2021）论文集, 13 October 2021 (2021-10-13), pages 2 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Corre et al. | Three-dimensional urban EM wave propagation model for radio network planning and optimization over large areas | |
| JP5273664B2 (ja) | 通信特性解析システム、通信特性解析方法、及び通信特性解析プログラム | |
| CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
| CN103347261B (zh) | 基于cdma网络数据确定lte网络部署的组网方法和装置 | |
| US20130115961A1 (en) | Communication characteristic analyzing system, communication characteristic analyzing method, and communication characteristic analyzing program | |
| JP2004524751A (ja) | 放射経路損失の測定に基づく予測方法 | |
| Esrafilian et al. | 3D city map reconstruction from UAV-based radio measurements | |
| WO2022017012A1 (zh) | 一种网络配置方法及装置 | |
| Filiposka et al. | Terrain-aware three-dimensional radio-propagation model extension for NS-2 | |
| CN114630348A (zh) | 基站天线参数调整方法、装置、电子设备及存储介质 | |
| CN104349335B (zh) | 一种网络覆盖规划指标分析方法及系统 | |
| Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
| CN110366188B (zh) | 干扰测量点部署方法、干扰测量路径规划方法及系统 | |
| CN108207005B (zh) | 一种lte无线网络的评估方法及服务器 | |
| Pilosu et al. | RADII: A computationally affordable method to summarize urban ray-tracing data for VANETs | |
| CN113766518B (zh) | 基站天线选择和广播波束规划方法及装置 | |
| CN112752268A (zh) | 一种无线网络立体覆盖的优化方法 | |
| Bärring et al. | Factory radio design of a 5G network in offline mode | |
| CN115278711A (zh) | 一种波束权值确定方法、装置、电子设备和可读存储介质 | |
| CN113839725A (zh) | 无线信号传播预测方法及装置 | |
| CN105848177B (zh) | 一种获取天线姿态信息的方法及系统 | |
| Vuckovik et al. | Durkin’s propagation model based on triangular irregular network terrain | |
| CN116133037A (zh) | 一种无线网络评估方法及装置 | |
| Shen et al. | Monte Carlo tree search for network planning for next generation mobile communication networks | |
| Yang et al. | Matlab simulink of COST231-WI Model |
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 |