CN116155412A - 无线信道评估方法及系统 - Google Patents
无线信道评估方法及系统 Download PDFInfo
- Publication number
- CN116155412A CN116155412A CN202310051375.XA CN202310051375A CN116155412A CN 116155412 A CN116155412 A CN 116155412A CN 202310051375 A CN202310051375 A CN 202310051375A CN 116155412 A CN116155412 A CN 116155412A
- Authority
- CN
- China
- Prior art keywords
- wireless channel
- representing
- channel
- power spectrum
- angular
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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
本申请公开了一种无线信道评估方法及系统,用以解决无线信道评估效率低的技术问题。其中,一种无线信道评估方案,基于波束空间的参考信号接收功率测量数据,采用了模型驱动和数据驱动的双驱动方式,建立了在地化统计信道模型。通过建立低维参考信号接收功率与高维信道矢量之间的统计关系,在单栅格中采用稀疏信号处理技术高效求解三维空间中的每个传输路径的角度功率谱统计参数。由于仅使用了参考信号接收功率而不是信道矩阵,所需的计算复杂度很低,本申请所提供的无线信道评估方法在地化的通信场景中,能够进行快速精确的无线信道统计特性建模,从而能够快速评估无线信道质量,进而提高网络优化效率。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种无线信道评估方法及系统。
背景技术
无线信道是信号发射端与信号接收端之间通信环境的数学性描述。信道的特性决定了信息传输的有效性、准确性,对通信质量起决定性作用。信道建模是5G网络优化领域的重要步骤之一,精准的信道模型将赋能网络优化算法,使之准确感知网络拓朴中各个用户的信道质量,并给出优化策略,以达到提高整体通信质量的最终目标。
在实现现有技术的过程中,发明人发现:
现有的信道模型包括确定性信道模型。确定性信道模型(如WINNER信道模型、IMT-advanced信道模型)虽然能精确地刻画信道的数字特征,但往往参数众多、结构复杂、需占用大量的计算资源与存储资源。
针对在地化的通信场景,确定性信道模型需要针对信道矩阵进行建模,所需的计算复杂度较高,无线信道评估效率低,难以满足网络优化任务的响应需求。
因此,需要提供一种新的无线信道评估方案,用以解决无线信道评估效率低的技术问题。
发明内容
本申请实施例提供一种新的无线信道评估方案,用以解决无线信道评估效率低的技术问题。
具体的,一种无线信道评估方法,包括以下步骤:
天线阵列根据预设的天线增益和发射功率,发射参考信号;
在预设位置的单栅格位置测量获得参考信号的接收功率;
使用在地化统计信道模型,获得无线信道的环境多径结构;
根据环境多径结构,获得无线信道的角度功率谱统计特性;
根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
进一步的,使用在地化统计信道模型,获得无线信道的环境多径结构,具体包括:
通过天线阵列,对单栅格的信道冲激响应描述无线信道的环境多径结构,
其中,天线对单栅格的信道冲激响应为:
式中,NV表示垂直面在角度域上的总切分数目,NH表示水平面在角度域上的总切分数目,表示路径损耗,gi,d表示天线增益,/>表示信道相对地面垂线的离开角,dx和dy表示相邻天线的间隔,/>表示角度间相位误差在区间[-π,π]中服从均匀分布,/>表示天线间相位误差服从均值为0方差为σ2的高斯分布。
进一步的,根据环境多径结构,获得无线信道的角度功率谱统计特性,具体包括:
根据环境多径结构,获得参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式:
式中P代表发射功率,gi,j表示天线增益。
进一步的,所述方法还包括:
使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性。
进一步的,使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
直到max(ATrk)<0 or|S|squals to K,
计算稀疏向量x,作为角度功率谱统计特性。
进一步的,所述方法还包括:
使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性。
进一步的,使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
使用稀疏贝叶斯学习方法,定义概率模型为:
RSRP=Ax+n,
根据似然函数,得到
式中,反方差参数β满足Gamma分布:
根据贝叶斯定理,得到x的后验概率分布为:
假设x的先验概率为高斯分布:
则最大化后验概率表述为:
对数似然函数求得为:
式中,C=β-1IM+A[diag(α)]-1AT;
根据对数似然函数,分别对超参数α,β求偏导,令超参数α,β偏导为零,得到:
本申请实施例还提供一种无线信道评估系统。
具体的,一种无线信道评估系统,包括:
天线阵列,用于根据预设天线增益和发射功率,发射参考信号;
无线信道评估装置,用于在预设位置的单栅格位置测量获得参考信号的接收功率;还用于使用在地化统计信道模型,获得无线信道的环境多径结构;还用于根据环境多径结构,获得无线信道的角度功率谱统计特性;还用于根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
进一步的,无线信道评估装置使用在地化统计信道模型,获得无线信道的环境多径结构,具体包括:
通过天线阵列,对单栅格的信道冲激响应描述无线信道的环境多径结构,其中,天线对单栅格的信道冲激响应为:
式中,NV表示垂直面在角度域上的总切分数目,NH表示水平面在角度域上的总切分数目,表示路径损耗,gi,j表示天线增益,/>表示信道相对地面垂线的离开角,dx和dy表示相邻天线的间隔,/>表示角度间相位误差在区间[-π,π]中服从均匀分布,/>表示天线间相位误差服从均值为0方差为σ2的高斯分布。
进一步的,无线信道评估装置根据环境多径结构,获得无线信道的角度功率谱统计特性,具体包括:
根据环境多径结构,获得参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式:
式中P代表发射功率,gi,j表示天线增益。
本申请实施例提供的技术方案,至少具有如下有益效果:
基于波束空间的参考信号接收功率测量数据,采用了模型驱动和数据驱动的双驱动方式,建立了在地化统计信道模型。通过建立低维参考信号接收功率与高维信道矢量之间的统计关系,在单栅格中采用稀疏信号处理技术高效求解三维空间中的每个传输路径的角度功率谱统计参数。由于仅使用了参考信号接收功率而不是信道矩阵,所需的计算复杂度很低,本申请所提供的无线信道评估方法在地化的通信场景中,能够进行快速精确的无线信道统计特性建模,从而能够快速评估无线信道质量,进而提高网络优化效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种无线信道评估方法的流程框图;
图2为本申请实施例提供的天线阵列参考坐标系与多径信道的示意图;
图3为本申请实施例提供的波束域的参考信号接收功率的示意图;
图4为本申请实施例提供的系数矩阵A的主瓣和旁瓣的示意图;
图5为本申请实施例提供的一种无线信道评估系统的结构示意图。
图中附图标记表示为:
100 无线信道评估系统
11 天线阵列
12 无线信道评估装置。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
请参照图1,为解决无线信道评估效率低的技术问题,本申请提供一种无线信道评估方法,包括以下步骤:
S110:天线阵列根据预设的天线增益和发射功率,发射参考信号。
可以理解的是,所述天线阵列设置于基站上,用于传播无线信号。通常,所述天线阵列由若干相同的天线单元按一定规律排列组成。所述天线阵列具有天线增益、天线间隔、发射功率等预设的工程参数。
为保证通信质量,基站通常会使用天线阵列发射参考信号,以确定基站的覆盖区域中哪部分特定频率区域质量较好,从而优先分配给用户终端。
具体的,天线阵列根据预设的天线增益和发射功率,发射参考信号,以为基站的调度资源提供参考。
S120:在预设位置的单栅格位置测量获得参考信号的接收功率。
需要指出的是,为了提高信道建模的精确度,本申请对基站的覆盖区域进一步细分。具体的,本申请将基站的覆盖区域进行栅格化划分。在所述基站为5G基站的应用场景中,由于5G基站的覆盖半径约为100-300米,本申请将基站的覆盖区域进行栅格化划分可以表现为:将基站的覆盖区域细分成若干个10米乘10米的正方形栅格。
在对基站的覆盖区域进行栅格化划分的基础上,可建立天线阵列参考坐标系。进而可以基于天线阵列参考坐标系,确定任意单栅格的坐标,作为单栅格的位置属性。进一步的,可以以预设位置坐标定义任意单栅格的位置属性。在单栅格位置处可测量获得参考信号接收功率,以对无线信道进行刻画。
S130:使用在地化统计信道模型,获得无线信道的环境多径结构。
可以理解的是,无线信道的环境多径结构可以由大尺度衰落(路径损耗、阴影衰落)或小尺度衰落刻画。本申请通过在地化统计信道模型对任意栅格的信道进行大尺度衰落刻画。
进一步的,请参照图2,假设基站的天线阵列包含了Nx×Ny个天线,那么使用在地化统计信道模型,获得无线信道的环境多径结构,具体包括:
通过天线阵列,对单栅格的信道冲激响应描述无线信道的环境多径结构,其中,天线(x,y)对栅格l的信道冲激响应为:
式中,NV表示垂直面在角度域上的总切分数目,NH表示水平面在角度域上的总切分数目;
gi,j表示对应天线(x,y)的天线增益;
dx和dy表示相邻天线的间隔;
S140:根据环境多径结构,获得无线信道的角度功率谱统计特性。
可以理解的是,角度功率谱x是大尺度衰落的信道统计特性,能够用来刻画环境。具体来说,角度功率谱x是一个稀疏的向量,它的维度是角度的均分数目,非零元素的位置对应信道多径的离开角,非零元素的取值对应每条路径的信道增益。
进一步的,根据环境多径结构,获得无线信道的角度功率谱统计特性,具体包括:
根据环境多径结构,获得参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式:
式中P代表发射功率,gi,j表示天线增益。
下面介绍参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式的推导过程:
在大规模天线中,信道冲激响应的维度很大。为降低复杂度,本申请考虑波束空间的参考信号接收功率。假设天线阵列到第l个栅格的信道矩阵为第k个波束的预编码矩阵为/>那么如图3所示,第k个波束到第l个栅格的参考信号接收功率可表示为:
其中,P代表发射功率。进一步展开rsrpl,k(t)可得
通过对上式两边的时间i进行取期望后,能够得到
其中,
至此,本申请建立了低维参考信号接收功率与无线信道的角度功率谱之间的统计关系。对于任意单栅格,这个关系可以表示为
系数矩阵A的主瓣和旁瓣如图4所示,天线阵列到栅格之间的路径只可能存在于主瓣和旁瓣对应的角度上。x是一个稀疏的向量,非零元素的个数一般小于10个,对应于多径信道的路径数目一般小于10条。
至此,本申请可通过RSRP和系数矩阵A,对x进行估计。
进一步的,基于波束空间的参考信号接收功率(RSRP)测量数据,本申请提供模型驱动或数据驱动,建立在地化统计信道模型。
在本申请采用模型驱动建立在地化统计信道模型的实施例中,所述方法还包括:
使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性。
具体的,在本申请采用模型驱动建立在地化统计信道模型的实施例中,本申请提出求解l0范数约束的优化问题来恢复x:
其中,K代表x中非零元素个数的最大取值。
由于系数矩阵A存在一些幅度很大的列,会影响寻找非零元素的准确性。为了解决问题(6),本申请采用加权非负正交匹配追踪法(Weighted non-negative orthogonalmatching pursuit,WNOMP),利用加权非负正交匹配追踪法设计了动态的权重λk来降低幅度大的列的影响。
进一步的,使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
计算稀疏向量x,作为角度功率谱统计特性。
进一步的,除了采用加权非负正交匹配追踪法的模型驱动方式,本申请还可以采用数据驱动方式来估计x。在本申请采用数据驱动建立在地化统计信道模型的实施例中,所述方法还包括:
使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性。
可以理解的是,所述稀疏贝叶斯学习是一种自动学习关键参数的数据驱动方式,能有效地取代人工调参。
进一步的,使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
使用稀疏贝叶斯学习方法,定义概率模型为:
RSRP=Ax+n,
根据似然函数,得到
式中,反方差参数β满足Gamma分布:
根据贝叶斯定理,得到x的后验概率分布为:
假设x的先验概率为高斯分布:
则最大化后验概率表述为:
对数似然函数求得为:
式中,C=β-1IM+A[diag(α)]-1AT;
根据对数似然函数,分别对超参数α,β求偏导,令超参数α,β偏导为零,得到:
下面介绍推导过程:
为了使用稀疏贝叶斯学习方法,本申请引入概率模型:
RSRP=Ax+n, (7)
进一步的,似然函数可以求得为
其中,反方差参数β满足Gamma分布:
根据贝叶斯定理,可以得到x的后验概率分布为
接下来,需要确定x的先验概率p(x),从而根据(9)求出x的后验分布。
假设x的先验概率为高斯分布,也就是
最大化后验概率的问题可以表述为:
同时,对数似然函数可以求得为
其中,C=β-1IM+A[diag(α)]-1AT。
为了确定超参数α,β,利用(13)中的对数似然函数分别对这两个超参数求偏导,令其偏导为零,可得
稀疏贝叶斯学习方法开始于随机赋予超参数α,β初始值,然后根据(11)来更新x后验分布的均值和协方差矩阵,接着根据(14)来更新超参数α,β。以这样的方式交替迭代(11)和(14),直到算法收敛稳定。在这个学习的过程中,一部分{αi}的值会变得很大,这部分{αi}对应于零均值零方差的高斯分布,也就是对应于x的零元素。另一部分{αi}的取值会变得很小,确保了x非零元素的存在。只需要交替迭代(11)和(14)数次,算法便可以收敛,但由于(11)中存在矩阵求逆运算,总体算法运行时间并不短。
S150:根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
可以理解的是,根据无线信道的角度功率谱统计特性,可以对无线信道进行质量评估,生成信道质量评估结果。基站在获得信道质量评估结果后,可选择合适的调度算法和下行数据块大小,以保证用户终端在不同的无线环境下获取最佳的下行性能。
综上所述,本申请提供的无线信道评估方法,基于波束空间的参考信号接收功率(RSRP)测量数据,采用了模型驱动和数据驱动的双驱动方式,建立了在地化统计信道模型。通过建立低维参考信号接收功率与高维信道矢量之间的统计关系,在单栅格中采用稀疏信号处理技术(如稀疏优化、稀疏贝叶斯学习等)高效求解三维空间中的每个传输路径的角度功率谱统计参数。由于仅使用了参考信号接收功率而不是信道矩阵,所需的计算复杂度很低,本申请所提供的无线信道评估方法在地化的通信场景中,能够进行快速精确的无线信道统计特性建模,从而能够快速评估无线信道质量,进而提高网络优化效率。
请参照图5,为支持无线信道评估方法,本申请还提供一种无线信道评估系统100,包括:
天线阵列11,用于根据预设天线增益和发射功率,发射参考信号;
无线信道评估装置12,用于在预设位置的单栅格位置测量获得参考信号的接收功率;还用于使用在地化统计信道模型,获得无线信道的环境多径结构;还用于根据环境多径结构,获得无线信道的角度功率谱统计特性;还用于根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
可以理解的是,所述天线阵列11设置于基站上,用于传播无线信号。通常,所述天线阵列11由若干相同的天线单元按一定规律排列组成。所述天线阵列11具有天线增益、天线间隔、发射功率等预设的工程参数。
为保证通信质量,基站通常会使用天线阵列11发射参考信号,以确定基站的覆盖区域中哪部分特定频率区域质量较好,从而优先分配给用户终端。
具体的,天线阵列11根据预设的天线增益和发射功率,发射参考信号,以为基站的调度资源提供参考。
无线信道评估装置12在预设位置的单栅格位置测量获得参考信号的接收功率。
需要指出的是,为了提高信道建模的精确度,本申请对基站的覆盖区域进一步细分。具体的,本申请将基站的覆盖区域进行栅格化划分。在所述基站为5G基站的应用场景中,由于5G基站的覆盖半径约为100-300米,本申请将基站的覆盖区域进行栅格化划分可以表现为:将基站的覆盖区域细分成若干个10米乘10米的正方形栅格。
在对基站的覆盖区域进行栅格化划分的基础上,无线信道评估装置12可建立天线阵列11参考坐标系。进而可以基于天线阵列11参考坐标系,确定任意单栅格的坐标,作为单栅格的位置属性。进一步的,无线信道评估装置12可以以预设位置坐标定义任意单栅格的位置属性。在单栅格位置处可测量获得参考信号接收功率,以对无线信道进行刻画。
无线信道评估装置12使用在地化统计信道模型,获得无线信道的环境多径结构。
可以理解的是,无线信道的环境多径结构可以由大尺度衰落(路径损耗、阴影衰落)或小尺度衰落刻画。无线信道评估装置12通过在地化统计信道模型对任意栅格的信道进行大尺度衰落刻画。
进一步的,请参照图2,假设天线阵列11包含了Nx×Ny个天线,那么无线信道评估装置12使用在地化统计信道模型,获得无线信道的环境多径结构,具体包括:
通过天线阵列11,对单栅格的信道冲激响应描述无线信道的环境多径结构,其中,天线(x,y)对栅格l的信道冲激响应为:
式中,NV表示垂直面在角度域上的总切分数目,NH表示水平面在角度域上的总切分数目;
gi,j表示对应天线(x,y)的天线增益;
dx和dy表示相邻天线的间隔;
无线信道评估装置12根据环境多径结构,获得无线信道的角度功率谱统计特性。
可以理解的是,角度功率谱x是大尺度衰落的信道统计特性,能够用来刻画环境。具体来说,角度功率谱x是一个稀疏的向量,它的维度是角度的均分数目,非零元素的位置对应信道多径的离开角,非零元素的取值对应每条路径的信道增益。
进一步的,无线信道评估装置12根据环境多径结构,获得无线信道的角度功率谱统计特性,具体包括:
根据环境多径结构,获得参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式:
式中P代表发射功率,gi,j表示天线增益。
下面介绍参考信号的接收功率和无线信道的角度功率谱统计特性之间的关系式的推导过程:
在大规模天线中,信道冲激响应的维度很大。为降低复杂度,本申请考虑波束空间的参考信号接收功率。假设天线阵列11到第l个栅格的信道矩阵为第k个波束的预编码矩阵为/>那么如图3所示,第k个波束到第l个栅格的参考信号接收功率可表示为:
其中,P代表发射功率。进一步展开rsrpl,k(t)可得
通过对上式两边的时间t进行取期望后,能够得到
其中,
至此,本申请建立了低维参考信号接收功率与无线信道的角度功率谱之间的统计关系。对于任意单栅格,这个关系可以表示为
系数矩阵A的主瓣和旁瓣如图4所示,天线阵列11到栅格之间的路径只可能存在于主瓣和旁瓣对应的角度上。x是一个稀疏的向量,非零元素的个数一般小于10个,对应于多径信道的路径数目一般小于10条。
至此,本申请可通过RSRP和系数矩阵A,对x进行估计。
进一步的,基于波束空间的参考信号接收功率(RSRP)测量数据,无线信道评估装置12采用模型驱动或数据驱动,建立在地化统计信道模型。
在无线信道评估装置12采用模型驱动建立在地化统计信道模型的实施例中,所述无线信道评估装置12还用于:
使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性。
具体的,在无线信道评估装置12采用模型驱动建立在地化统计信道模型的实施例中,本申请提出求解l0范数约束的优化问题来恢复x:
其中,K代表x中非零元素个数的最大取值。
由于系数矩阵A存在一些幅度很大的列,会影响寻找非零元素的准确性。为了解决问题(6),无线信道评估装置12采用加权非负正交匹配追踪法(Weighted non-negativeorthogonal matching pursuit,WNOMP),利用加权非负正交匹配追踪法设计了动态的权重λk来降低幅度大的列的影响。
进一步的,无线信道评估装置12使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
计算稀疏向量x,作为角度功率谱统计特性。
进一步的,除了采用加权非负正交匹配追踪法的模型驱动方式,无线信道评估装置12还可以采用数据驱动方式来估计x。在无线信道评估装置12采用数据驱动建立在地化统计信道模型的实施例中,无线信道评估装置12还用于:
使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性。
可以理解的是,所述稀疏贝叶斯学习是一种自动学习关键参数的数据驱动方式,能有效地取代人工调参。
进一步的,无线信道评估装置12使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
使用稀疏贝叶斯学习方法,定义概率模型为:
根据似然函数,得到
式中,反方差参数β满足Gamma分布:
根据贝叶斯定理,得到x的后验概率分布为:
假设x的先验概率为高斯分布:
则最大化后验概率表述为:
对数似然函数求得为:
式中,C=β-1IM+A[diag(α)]-1AT;
根据对数似然函数,分别对超参数α,β求偏导,令超参数α,β偏导为零,得到:
下面介绍推导过程:
为了使用稀疏贝叶斯学习方法,本申请引入概率模型:
RSRP=Ax+n (7)
进一步的,似然函数可以求得为
其中,反方差参数β满足Gamma分布:
根据贝叶斯定理,可以得到x的后验概率分布为
接下来,需要确定x的先验概率p(x),从而根据(9)求出x的后验分布。
假设x的先验概率为高斯分布,也就是
最大化后验概率的问题可以表述为:
同时,对数似然函数可以求得为
其中,C=β-1IM+A[diag(α)]-1AT。
为了确定超参数α,β,利用(13)中的对数似然函数分别对这两个超参数求偏导,令其偏导为零,可得
稀疏贝叶斯学习方法开始于随机赋予超参数α,β初始值,然后根据(11)来更新x后验分布的均值和协方差矩阵,接着根据(14)来更新超参数α,β。以这样的方式交替迭代(11)和(14),直到算法收敛稳定。在这个学习的过程中,一部分{αi}的值会变得很大,这部分{αi}对应于零均值零方差的高斯分布,也就是对应于x的零元素。另一部分{αi}的取值会变得很小,确保了x非零元素的存在。只需要交替迭代(11)和(14)数次,算法便可以收敛,但由于(11)中存在矩阵求逆运算,总体算法运行时间并不短。
最终无线信道评估装置12根据无线信道的角度功率谱统计特性,对无线信道进行质量评估,生成信道质量评估结果。基站在获得信道质量评估结果后,可选择合适的调度算法和下行数据块大小,以保证用户终端在不同的无线环境下获取最佳的下行性能
综上所述,本申请提供的无线信道评估系统100,基于波束空间的参考信号接收功率(RSRP)测量数据,采用了模型驱动和数据驱动的双驱动方式,建立了在地化统计信道模型。通过建立低维参考信号接收功率与高维信道矢量之间的统计关系,在单栅格中采用稀疏信号处理技术(如稀疏优化、稀疏贝叶斯学习等)高效求解三维空间中的每个传输路径的角度功率谱统计参数。由于仅使用了参考信号接收功率而不是信道矩阵,所需的计算复杂度很低,本申请所提供的无线信道评估系统100在地化的通信场景中,能够进行快速精确的无线信道统计特性建模,从而能够快速评估无线信道质量,进而提高网络优化效率。
需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,有语句“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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种无线信道评估方法,其特征在于,包括以下步骤:
天线阵列根据预设的天线增益和发射功率,发射参考信号;
在预设位置的单栅格位置测量获得参考信号的接收功率;
使用在地化统计信道模型,获得无线信道的环境多径结构;
根据环境多径结构,获得无线信道的角度功率谱统计特性;
根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
4.如权利要求3所述的无线信道评估方法,其特征在于,所述方法还包括:
使用加权非负正交匹配追踪法,估计稀疏向量,作为角度功率谱统计特性。
6.如权利要求3所述的无线信道评估方法,其特征在于,所述方法还包括:
使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性。
7.如权利要求6所述的无线信道评估方法,其特征在于,使用稀疏贝叶斯学习方法,估计稀疏向量,作为角度功率谱统计特性,具体包括:
使用稀疏贝叶斯学习方法,定义概率模型为:
RSRP=Ax+n,
根据似然函数,得到
式中,反方差参数β满足Gamma分布:
根据贝叶斯定理,得到x的后验概率分布为:
假设x的先验概率为高斯分布:
则最大化后验概率表述为:
对数似然函数求得为:
式中,C=β-1IM+A[diag(α)]-1AT;
根据对数似然函数,分别对超参数α,β求偏导,令超参数α,β偏导为零,得到:
8.一种无线信道评估系统,其特征在于,包括:
天线阵列,用于根据预设天线增益和发射功率,发射参考信号;
无线信道评估装置,用于在预设位置的单栅格位置测量获得参考信号的接收功率;还用于使用在地化统计信道模型,获得无线信道的环境多径结构;还用于根据环境多径结构,获得无线信道的角度功率谱统计特性;还用于根据无线信道的角度功率谱统计特性,对无线信道进行质量评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051375.XA CN116155412A (zh) | 2023-02-02 | 2023-02-02 | 无线信道评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051375.XA CN116155412A (zh) | 2023-02-02 | 2023-02-02 | 无线信道评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116155412A true CN116155412A (zh) | 2023-05-23 |
Family
ID=86350232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051375.XA Pending CN116155412A (zh) | 2023-02-02 | 2023-02-02 | 无线信道评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116155412A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827459A (zh) * | 2023-08-30 | 2023-09-29 | 长春市佳白网络科技有限公司 | 一种无线通信网络设备性能测试方法 |
CN117650861A (zh) * | 2024-01-25 | 2024-03-05 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
CN117650861B (zh) * | 2024-01-25 | 2024-05-17 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
-
2023
- 2023-02-02 CN CN202310051375.XA patent/CN116155412A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827459A (zh) * | 2023-08-30 | 2023-09-29 | 长春市佳白网络科技有限公司 | 一种无线通信网络设备性能测试方法 |
CN116827459B (zh) * | 2023-08-30 | 2023-11-07 | 长春市佳白网络科技有限公司 | 一种无线通信网络设备性能测试方法 |
CN117650861A (zh) * | 2024-01-25 | 2024-03-05 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
CN117650861B (zh) * | 2024-01-25 | 2024-05-17 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111010219B (zh) | 可重构智能表面辅助的多用户mimo上行链路传输方法 | |
CN109379752B (zh) | Massive MIMO的优化方法、装置、设备及介质 | |
US10382230B2 (en) | System and method for channel estimation in mmWave communications exploiting joint AoD-AoA angular spread | |
CN108365903B (zh) | 一种基于随机散射簇的三维Massive MIMO信道建模方法 | |
CN111556460B (zh) | 非理想毫米波无线供电通信无人机网络的功率分配方法 | |
CN109874146B (zh) | 一种预测路损的方法及装置 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN111131097B (zh) | Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法 | |
CN104702378A (zh) | 混合高斯分布的参数估计方法和装置 | |
CN116155412A (zh) | 无线信道评估方法及系统 | |
US8903007B2 (en) | Method and apparatus for determining precoding matrix | |
CN110710123A (zh) | 大规模mimo中的主动用户选择 | |
CN114826462A (zh) | 面向大规模mimo统计端口选择的波束域信道增广方法 | |
Li et al. | UAV trajectory optimization for spectrum cartography: a PPO approach | |
CN105262526A (zh) | 一种基于最小化干扰投影矩阵核范数的干扰对齐方法 | |
EP4270824A1 (en) | Channel estimation method based on neural network and communication apparatus | |
Li et al. | Optimal wifi aps deployment for localization and coverage based on virtual force | |
CN114268348A (zh) | 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法 | |
CN109274613B (zh) | 一种信道估计方法、系统及存储介质 | |
Huang et al. | Deep stochastic optimization for algorithm-specific pilot design in massive MIMO | |
CN116418425A (zh) | 无线信道评估方法及系统 | |
CN110212993A (zh) | 一种信号检测方法、装置、设备及可读存储介质 | |
Fadi et al. | Quantifying connectivity of grid-based Wireless Sensor Networks under practical errors | |
Xu et al. | Radio environment map construction with spatially distributed sensors | |
CN115001547B (zh) | 多小区协作大规模mimo鲁棒预编码设计方法 |
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 |