CN116261210A - 功率控制参数的选择 - Google Patents

功率控制参数的选择 Download PDF

Info

Publication number
CN116261210A
CN116261210A CN202211586776.7A CN202211586776A CN116261210A CN 116261210 A CN116261210 A CN 116261210A CN 202211586776 A CN202211586776 A CN 202211586776A CN 116261210 A CN116261210 A CN 116261210A
Authority
CN
China
Prior art keywords
power control
radio access
uplink power
access network
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
CN202211586776.7A
Other languages
English (en)
Inventor
D·J·科尔皮
M·J·莫伊西奥
K·林德曼
M·A·尤西塔洛
K·乌帕德亚
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.)
Nokia Solutions and Networks Oy
Original Assignee
Nokia Solutions and Networks Oy
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 Nokia Solutions and Networks Oy filed Critical Nokia Solutions and Networks Oy
Publication of CN116261210A publication Critical patent/CN116261210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/06—TPC algorithms
    • H04W52/14—Separate analysis of uplink or downlink
    • H04W52/146—Uplink power control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/225—Calculation of statistics, e.g. average, variance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/06—TPC algorithms
    • H04W52/10—Open loop power control

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

提出了用于功率控制参数选择的解决方案。该解决方案包括从一组给定无线电接入网参数中确定(300)对上行链路功率控制有影响的无线接入网参数的选择，以及利用无线电接入网参数的选择作为输入来训练神经网络(302)以确定上行链路功率控制参数，并且以无线电接入网参数的选择作为输入利用(304)已训练神经网络获取一组初始上行链路功率控制参数作为输出。

Description

功率控制参数的选择
技术领域
本发明的示例性和非限制性实施例总体上涉及无线通信系统。本发明的示例性和非限制性实施例特别地涉及无线通信网络中的装置和方法。
背景技术
在无线电信系统中，传输功率的控制是一个重要因素。移动终端和网络元件的无线传输通常对网络的其他传输造成干扰。此外，在电池操作的移动终端中，功耗是一个重要因素。然而，传输功率不应当太低，因为无线连接的传输质量可能会降低。因此，不断地开发高效的功率控制机制。
发明内容
为了提供对本发明的一些方面的基本理解，下文呈现了本发明的简化概述。该概述不是本发明的广泛概述。它不旨在确定本发明的关键/基本要素，也不旨在界定本发明的范围。其唯一目的是以简化形式呈现本发明的一些概念，作为稍后呈现的更详细描述的前奏。
根据本发明的一个方面，提供了权利要求1和6的装置。
根据本发明的一个方面，提供了权利要求8的系统。
根据本发明的一个方面，提供了权利要求10和15的方法。
根据本发明的一个方面，提供了权利要求17和18的包括指令的计算机程序。
在附图和以下描述中更详细地阐述了实现的一个或多个示例。从描述和附图以及从权利要求中，其他特征将是很清楚的。在本说明书中描述的不属于独立权利要求的范围的实施例和/或示例和特征(如果有的话)将被解释为对理解本发明的各种实施例有用的示例。
附图说明
以下仅通过示例的方式参考附图描述本发明的实施例，在附图中：
图1和图2示出了通信系统的简化系统架构的示例；
图3A和图3B是示出本发明的实施例的流程图；
图3C和图3D示出了神经网络的示例；
图4示出了确定无线电接入网参数的选择的示例；
图5示出了神经网络的训练的示例；
图6示出了提供初始上行链路功率控制参数的示例；
图7示出了微调上行链路功率控制参数的示例；以及
图8A、图8B和图8C示出了应用本发明的一些实施例的装置的简化示例。
具体实施方式
以下实施例仅是示例。尽管说明书可能在若干位置引用“一个(an)”、“一个(one)”或“一些(some)”实施例，但这并不一定表示每个这样的引用都指向相同的实施例，也不一定表示该特征仅适用到单个实施例。也可以组合不同实施例的单个特征以提供其他实施例。此外，词语“包括(comprising)”和“包括(including)”应当理解为未将所描述的实施例限制为仅由已经提及的那些特征组成，并且这样的实施例还可以包含未具体提及的特征、结构、单元、模块等。
本发明的一些实施例适用于用户终端、通信设备、基站、eNodeB、gNodeB、基站的分布式实现、通信系统的网络元件、对应组件和/或任何通信系统或者支持所需要的功能的不同通信系统的任何组合。
所使用的协议、通信系统、服务器和用户设备的规范(特别是在无线通信中)发展迅速。这样的开发可能需要对实施例进行额外的改变。因此，所有的词语和表达都应当被广义地解释，它们旨在说明而不是限制实施例。
在下文中，将使用基于高级长期演进(高级LTE，LTE-A)或者新无线电(NR，5G)的无线电接入架构作为可以应用实施例的接入架构的示例来描述不同示例性实施例，但是未将实施例限于这样的架构。通过适当地调节参数和过程，这些实施例也可以应用于具有适当手段的其他类型的通信网络。合适的系统的其他选项的一些示例是通用移动电信系统(UMTS)无线电接入网(UTRAN)、无线局域网(WLAN或者WiFi)、全球微波接入互操作性(WiMAX)、
Figure BDA0003990988270000031
个人通信服务(PCS)、/>
Figure BDA0003990988270000032
宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动自组织网络(MANET)和互联网协议多媒体子系统(IMS)或者其任何组合。
图1描绘了简化系统架构的示例，仅示出了一些元素和功能实体，它们都是逻辑单元，其实现可以与所示的不同。图1所示的连接是逻辑连接；实际的物理连接可以不同。对于本领域技术人员来说很清楚的是，该系统通常还包括除了图1所示的功能和结构之外的其他功能和结构。
然而，实施例不限于作为示例给出的系统，而是本领域技术人员可以将解决方案应用于提供必要特性的其他通信系统。
图1的示例示出了示例性无线电接入网的一部分。
图1示出了设备100和102。设备100和102被配置为在一个或多个通信信道上与节点104处于无线连接。节点104进一步连接到核心网106。在一个示例中，节点104可以是接入节点，诸如小区中的(e/g)NodeB服务设备。在一个示例中，节点104可以是非3GPP接入节点。从设备到(e/g)NodeB的物理链路称为上行链路或者反向链路，而从(e/g)NodeB到设备的物理链路称为下行链路或者前向链路。应当理解，(e/g)NodeB或者其功能可以通过使用适合这种用途的任何节点、主机、服务器或者接入点等实体来实现。
通信系统通常包括一个以上的(e/g)NodeB，在这种情况下，(e/g)NodeB也可以被配置为通过为该目的而设计的有线或者无线链路彼此通信。这些链路可以用于信令目的。(e/g)NodeB是被配置为控制它所耦合到的通信系统的无线电资源的计算设备。NodeB也可以称为基站、接入点或者任何其他类型的接口设备，包括能够在无线环境中操作的中继站。(e/g)NodeB包括或者耦合到收发器。从(e/g)NodeB的收发器，提供与天线单元的连接，该天线单元建立与设备的双向无线电链路。天线单元可以包括多个天线或者天线元件。(e/g)NodeB进一步连接到核心网106(CN或者下一代核心NGC)。根据所部署的技术，(e/g)NodeB连接到服务和分组数据网络网关(S-GW+P-GW)或者用户平面功能(UPF)，以用于路由和转发用户数据分组并且提供设备与一个或多个外部分组数据网络的连接；以及(e/g)NodeB连接到移动管理实体(MME)或者接入移动性管理功能(AMF)，以用于控制设备的接入和移动性。
设备的示例性实施例是订户单元、用户设备(user device)、用户设备(userequipment，UE)、用户终端、终端设备、移动台、移动设备等。
设备通常是指移动或者静态设备(例如，便携式或者非便携式计算设备)，包括使用或者不使用通用订户标识模块(USIM)进行操作的无线移动通信设备，包括但不限于以下类型的设备：移动电话、智能手机、个人数字助理(PDA)、手机、使用无线调制解调器的设备(警报或测量设备等)、笔记本电脑和/或触摸屏计算机、平板电脑、游戏机、笔记本电脑和多媒体设备。应当理解，设备也可以是几乎排他的仅上行链路设备，其中的一个示例是向网络加载图像或者视频剪辑的照相机或者摄像机。设备也可以是具有在物联网(IoT)网络中操作的能力的设备，IoT网络是一种场景，在这种场景中，对象设置有通过网络传输数据的能力，而无需人对人或者人对计算机互动，例如以用于智能电网和联网车辆。该设备还可以利用云。在一些应用中，设备可以包括具有无线电部件(诸如，手表、耳机或者眼镜)的用户便携式设备，并且计算在云中进行。
该设备示出了一种类型的设备，空中接口上的资源被分配和指派给该设备，并且因此本文中所描述的设备的任何特征可以通过对应装置来实现，诸如中继节点。这样的中继节点的一个示例是面向基站的第3层中继(自回程中继)。该设备(或者在一些实施例中为第3层中继节点)被配置为执行用户设备功能中的一个或多个。
本文中描述的各种技术也可以应用于信息物理系统(CPS)(协调控制物理实体的计算元素的系统)。CPS可以启用嵌入在不同位置的物理对象中的大量互连信息和通信技术ICT设备(传感器、执行器、处理器、微控制器等)的实现和利用。移动网络物理系统(所讨论的物理系统在其中具有固有的移动性)是网络物理系统的一个子类别。移动物理系统的示例包括由人类或者动物运输的移动机器人和电子器件。
此外，虽然该装置已经被描述为单个实体，但可以实现不同的单元、处理器和/或存储器单元(未全部在图1中示出)。
5G启用使用多输入多输出(MIMO)天线、比LTE更多的基站或节点(所谓的小小区概念)，包括与较小基站合作运行并且采用各种无线电技术的宏站点，这取决于服务需求、用例和/或可用频谱。5G移动通信支持广泛的用例和相关应用，包括视频流、增强现实、不同的数据共享方式和各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC))，包括车辆安全、不同的传感器和实时控制。预计5G将具有多个无线电接口，例如6GHz以下或者24GHz以上、cmWave和mmWave，并且还可以与现有的传统无线电接入技术(诸如LTE)集成。与LTE的集成可以至少在早期阶段作为系统来实现，其中宏覆盖由LTE提供并且5G无线接口接入通过到LTE的聚合而来自小小区。换言之，5G计划同时支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性，诸如6GHz以下——cmWave、6或者24GHz以上——cmWave和mmWave)。被认为在5G网络中使用的概念中的一个是网络切片，在网络切片中，可以在同一基础设施内创建多个独立和专用的虚拟子网(网络实例)以运行对延迟、可靠性、吞吐量和移动性有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中并且完全集中在核心网中。5G中的低延迟应用和服务需要将内容靠近无线电，从而导致本地爆发和多接入边缘计算(MEC)。5G使得分析和知识生成能够在数据源处进行。这种方法需要利用可能不会持续连接到网络的资源，诸如笔记本电脑、智能手机、平板电脑和传感器。MEC为应用和服务托管提供分布式计算环境。它还具有在蜂窝订户附近存储和处理内容以加快响应时间的能力。边缘计算涵盖了广泛的技术，诸如无线传感器网络、移动数据获取、移动签名分析、协作分布式对等自组织网络和处理(也可以归类为本地云/雾计算和网格/网状计算)、露水计算、移动边缘计算、小云、分布式数据存储和检索、自主自愈网络、远程云服务、增强和虚拟现实、数据高速缓存、物联网(大规模连接和/或延迟关键)、关键通信(自主车辆、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与其他网络112通信，诸如公共交换电话网络、或者VoIP网络、或者互联网、或者专用网络，或者利用由它们提供的服务。通信网络也可以能够支持云服务的使用，例如，核心网操作的至少一部分可以作为云服务来执行(这在图1中由“云”114描绘)。通信系统还可以包括为不同运营商的网络提供用于例如在频谱共享中进行协作的设施的中央控制实体等。
可以通过利用网络功能虚拟化(NFV)和软件定义网络(SDN)将边缘云技术引入无线电接入网(RAN)。使用边缘云技术可以表示将至少部分在操作耦合到包括无线电部分的远程无线电头端或者基站的服务器、主机或者节点中执行接入节点操作。节点操作也可以分布在多个服务器、节点或者主机之间。cloudRAN架构的应用使得RAN实时功能能够在远程天线站点处或者附近执行(在分布式单元DU108中)并且非实时功能能够以集中方式执行(在中央单元CU 110中)。
还应当理解，核心网操作与基站操作之间的工作分配可以不同于LTE的工作分配，或者甚至不存在。可能会使用的一些其他技术进步是大数据和全IP，这可能会改变网络的构建和管理方式。5G(或者新无线电NR)网络被设计为支持多个层次结构，其中MEC服务器可以放置在核心与基站或者NodeB(gNB)之间。应当理解，MEC也可以应用于4G网络。
5G还可以利用卫星通信来增强或者补充5G服务的覆盖范围，例如提供回程。可能的用例是为机器对机器(M2M)或者物联网(IoT)设备或者为车辆乘客、移动宽带(MBB)提供服务连续性，或者确保关键通信以及未来的铁路/海事/航空通信的服务可用性。卫星通信可以利用对地静止地球轨道(GEO)卫星系统，也可以利用近地轨道(LEO)卫星系统，特别是巨型星座(其中部署有数百个(纳米)卫星的系统)。巨型星座中的每个卫星可以覆盖创建地面小区的若干启用卫星的网络实体。地面小区可以通过地面中继节点或者由位于地面或者卫星中的gNB创建。
对于本领域技术人员而言很清楚的是，所描绘的系统仅是无线电接入系统的一部分的示例，并且在实践中，该系统可以包括多个(e/g)NodeB，设备可以访问多个无线电小区，并且该系统还可以包括其他装置，诸如物理层中继节点或者其他网络元件等。至少一个(e/g)NodeB可以是家庭(e/g)NodeB。另外，在无线电通信系统的地理区域中，可以提供多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或者伞形小区)，它们是直径通常长达数十公里的大型小区、或者是诸如微、毫微微或者微微小区等较小小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以被实现为包括几种小区的多层网络。通常，在多层网络中，一个接入节点提供一种一个或多个小区，并且因此需要多个(e/g)NodeB来提供这种网络结构。
为了满足改善通信系统的部署和性能的需要，引入了“即插即用”(e/g)NodeB的概念。通常，除了家庭(e/g)NodeB(H(e/g)nodeB)，能够使用“即插即用”(e/g)NodeB的网络还包括家庭NodeB网关或者HNB-GW(图1中未示出)。通常安装在运营商网络内的HNB网关(HNB-GW)可以将业务从大量HNB聚合回核心网。
图2示出了基于5G网络组件的通信系统的示例。终端设备、用户终端或者用户设备200经由5G网络202与数据网络112通信。用户终端200连接到无线电接入网RAN节点，诸如(e/g)NodeB 206，该节点经由一个或多个用户平面功能UPF 208向用户终端提供到网络112的连接。用户终端200还连接到核心接入和移动性管理功能AMF 210，AMF 210是用于(无线电)接入网的控制平面核心连接器，并且从这个角度可以被视为LTE中的移动性管理实体MME的5G版本。5G网络还包括会话管理功能SMF 212和策略控制功能PCF 214，SMF 212负责订户会话，诸如会话建立、修改和释放，PCF 214被配置为通过向控制平面功能提供策略规则来管理网络行为。5G网络还可以包括位置管理功能LMF 216，LMF 216可以被配置为基于从终端设备和/或gNB 206接收的信息来确定终端设备200的位置。
如同在很多无线通信系统中一样，也在基于5G的系统中，存在用于网络控制用户设备的传输功率的方法。由于若干原因，用户设备功率控制(上行链路PC)是有用的。例如，通过对可靠接收不需要的传输(Tx)功率设置限制，可以减少对其他用户的不必要干扰。此外，通过控制Tx功率，可以节省UE电池功率。
5G规范描述了用于从基站向用户设备发送开环(OL)功率控制参数的信令机制。例如，等式(1)示出了如何基于信令控制参数来设置物理上行链路共享信道(PUSCH)传输功率。
PPUSCH＝min(Pmax,P0+αPL+10log10(M2μ)+δTF),
(等式1)
其中PPUSCH是PUSCH的传输功率(单位dBm)，Pmax是设备的最大传输功率(单位dBm)；P0是目标接收功率(单位dB)，α是分数路径损耗补偿因子，其中值1.0表示路径损耗被完全补偿，PL是从用户设备到基站的路径损耗(单位dB)，μ是子载波间隔相关参数，M是被调度用于传输的资源块的数目，δTF是调制编码方案相关参数。
在上述等式中，P0和α项可以被认为是最重要的。
5G规范还支持基本上行链路功率控制(UL PC)的一些增强，例如闭环校正部分和专用UE特定PC命令的可能性。功率控制参数用RRC信令发信号通知。这些参数通常是特定于小区的，即，它们是按每个小区广播的，并且因此在不同小区之间可以是不同的。
在5G中，有若干不同类型的服务可供用户使用。服务中的一个是超可靠低延迟通信(URLLC)。URLLC要求低延迟(单向低至1ms)和高可靠性。基本要求是，99.999％的分组在给定时间预算内被正确接收。另一服务是增强型移动宽带(eMBB)，eMBB在广泛的覆盖范围内提供高数据速率。
上行链路开环功率控制的一个目的是选择功率控制参数，使得网络性能可以在给定指定关键性能指标(KPI)方面最大化。众所周知，开环功率控制以及所使用的PC算法和参数可能会对系统性能产生很大影响。PC参数与网络性能之间的关系取决于用户设备和基站的环境。可以假定，对于所有部署，可以使用固定PC参数来实现合理的性能，但是针对当前网络配置和要求来定制PC参数将产生更高的性能。
此外，模拟表明，即使PC参数的微小偏差也会导致URLLC服务中断。这表明，PC参数对URLLC延迟和可靠性极为敏感。因此，应当避免可能导致URLLC服务中断或者与这样的PC参数值类似的这样的PC参数值。
图3A的流程图示出了一个实施例。该流程图示出了被配置为训练神经网络的装置或者实体的操作的示例。
在步骤300中，该装置被配置为从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择。
在步骤302中，该装置被配置为利用无线电接入网参数的选择、一个以上的无线电接入网配置、一种或多种类型的无线电接入网业务和变化的无线电接入网条件作为输入来训练神经网络以确定上行链路功率控制参数。
在步骤304中，该装置被配置为以无线电接入网参数的选择作为输入利用已训练的神经网络获取一组初始上行链路功率控制参数作为输出。
在一个实施例中，上行链路功率控制参数包括目标接收功率P0和分数路径损耗补偿因子α。
在一个实施例中，该装置被配置为传输该组初始上行链路功率控制参数以进行进一步处理。
图3B的流程图示出了一个实施例。该流程图示出了诸如基站或者gNB等装置的操作的示例。
在步骤310中，该装置被配置为接收由神经网络训练的一组初始上行链路功率控制参数。
在步骤312中，该装置被配置为在操作无线电接入网中利用该组初始上行链路功率控制参数，并且从该组初始上行链路功率控制参数中选择给出最佳性能的参数作为要应用于无线电接入网的上行链路功率控制参数。
在一个实施例中，当在操作无线电接入网中利用该组初始上行链路功率控制参数时，网络元件可以被配置为将该组初始上行链路功率控制参数中的每个上行链路功率控制参数应用预定时间量。
在一个实施例中，当在操作无线电接入网中利用该组初始上行链路功率控制参数时，网络元件可以被配置为监测网络的性能，并且如果性能劣化，则拒绝当前上行链路功率控制参数，并且应用与该组初始上行链路功率控制参数不同的参数的利用。
图3C示出了具有一个隐藏层的神经网络320的实施例，并且图3D示出了计算节点的实施例。
深度学习(也称为深度结构化学习或者分层学习)是基于在人工神经网络中使用的层的更广泛的机器学习方法家族的一部分。
人工神经网络ANN包括被设计为执行诸如回归、分类、聚类和模式识别等任务的一组规则。ANN通过学习过程实现这样的目标，其中示出了输入数据的各种示例以及期望输出。通过这一点，ANN学习标识各样的训练数据内的任何输入的适当输出。使用标签进行学习称为有监督学习，而没有标签的学习称为无监督学习。深度学习通常需要大量的输入数据。
深度神经网络(DNN)320是一种人工神经网络，其包括在输入层322与输出层326之间的给定数目的隐藏层324。神经网络的训练允许它找到正确的数学操作，以将输入变换为适当的输出，即使当该关系高度非线性和/或复杂时也是如此。
在该示例中，每个隐藏层324包括节点328、330、332、4334、336，计算在这些节点中进行。如图3D所示，每个节点336将输入数据322与一组系数或者权重340组合，该组系数或权重340放大或衰减该输入322，从而相对于算法试图学习的任务向输入322分配重要性。输入权重乘积被相加342，并且总和通过激活函数344，以确定该信号是否以及在多大程度上应当进一步通过网络320以影响最终结果，诸如分类行为。在这个过程中，神经网络学习识别某些相关特征与最佳结果之间的相关性。
在分类的情况下，深度学习网络332的输出可以被认为是特定结果的可能性，诸如在这种情况下，给定PC参数是最优的概率。在这种情况下，隐藏层324的数目可以与所使用的输入数据322的数目成比例地变化。然而，当输入数据322的数目较高时，结果326的精度更可靠。另一方面，当存在更少的层324时，计算可能花费更少的时间并且从而减少延迟。然而，这高度依赖于特定的神经网络架构和/或计算资源。
模型的初始权重340可以以各种替代方式设置。在训练阶段，初始权重340适于基于分析决策中的错误来提高过程的精度。训练模型基本上是一种试错活动。原则上，神经网络320的每个节点328、330、332、4334、336做出决定(输入*权重)，然后将该决定与所收集的数据进行比较，以找出与所收集的数据的差异。换言之，它确定误差，基于该误差，权重340可以被调节。因此，模型的训练可以被视为校正反馈回路。
典型地，神经网络模型使用随机梯度下降优化算法来训练，其中梯度使用反向传播算法来计算。梯度下降算法寻求改变权重340，使得下一次评估减少误差，这表示，优化算法正在沿着误差的梯度(或者斜率)向下导航。也可以使用能够提供足够精确的权重340的任何其他合适的优化算法。因此，神经网络320的已训练参数可以包括权重340。
在优化算法的上下文中，用于评估候选解决方案(即，一组权重)的函数称为目标函数。通常，对于神经网络(其中目标是最小化误差)，目标函数通常被称为成本函数或者损失函数。在调节权重340时，可以使用任何合适的方法作为损失函数，一些示例是均方误差(MSE)、最大似然(MLE)和交叉熵。
至于节点336的激活函数344，它定义了在给定一个输入或者一组输入322的情况下该节点336的输出326。节点336计算输入的加权和，可能加上偏置，并且然后基于作为二进制激活的判定阈值或者使用给出非线性判定函数的激活函数334来做出“激活”还是“不激活”的判定。可以使用任何合适的激活函数344，例如S形、校正线性单元(ReLU)、归一化指数函数(softmax)、sotfplus、tanh等。在深度学习中，激活函数344通常在层级别设置并且应用于该层中的所有神经元。然后，输出326用作下一节点的输入，以此类推，直到找到原始问题的期望解决方案。
图4示出了步骤300的示例实现，其中确定无线电接入网参数的选择。
首先，选择一组给定无线电接入网参数400作为起点。这些网络参数可以被假定为可能影响功率控制参数的网络参数。
在一个实施例中，该组给定无线电接入网参数包括基站位置、估计的路径损耗指数、小区特定负载、站点间距离、每小区平均用户数、网络中心频率和平均分组大小中的两个或更多个。
这些无线电接入网参数400被馈送到模拟器402，在模拟器402中，在所选择的参数400的不同值下模拟无线电接入网参数和功率控制参数404，以查看它们中的哪个影响功率控制参数。模拟被自动监测406，并且功率控制参数用预定义的关键性能指标(KPI)来评估。最后，如果确定408改变特定网络参数以影响功率控制参数选择，则选择410该网络参数作为输入参数以预测最佳功率控制参数。改变值对功率控制参数没有影响的那些网络参数被丢弃412。
图5示出了步骤302的示例实现，其中训练神经网络以确定上行链路功率控制参数。
在下文中，例如假定上行链路功率控制参数包括目标接收功率P0和分数路径损耗补偿因子α。然而，本领域技术人员也可以考虑其他参数。
在一个实施例中，为了训练基于神经网络的功率控制参数预测算法，可以通过用eMBB业务模拟网络来生成训练数据。可以使用若干不同的网络配置，并且其中的每个使用P0和α的所有组合进行评估。这两个参数都是离散参数。以这种方式，可以评估具有不同功率控制参数的相同网络，并且因此可以确定每种网络类型的最佳功率控制参数。
在一个实施例中，最佳PC参数通过计算每个模拟运行的以下量来确定：
S＝xRmean+(1-x)Redge
(等式2)
其中Rmean是归一化平均数据速率，Redge是小区边缘处的归一化数据速率，x是设计参数，其值为0.7，选择该值是为了使平均比特率优先于小区边缘比特率。两个数据速率都在[0,1]的区间内归一化，以确保它们在质量度量中具有相同权重。在一个实施例中，对于给定的网络配置，给出S的最高值的PC参数被认为是最佳的。
上述度量S是可能度量的一个示例。还可以选择用于定义最佳网络操作的任何其他度量。度量可以基于网络在其下操作的业务类型来选择。例如，在URLLC场景中，延迟应当反映在等式中。具有eMBB和URLLC业务的混合的网络的质量度量的示例可以表示为
Figure BDA0003990988270000141
其中LURLLC是以秒为单位的URLLC业务的延迟，并且参数y可以基于eMBB和URLLC的优先级来选择。该度量将允许神经网络学习其中过度延迟风险很小的这样的PC优化，同时仍然实现良好的eMBB性能。
在一个实施例中，为了分离不同网络配置并且允许神经网络适当地学习最佳PC参数的预测，以下特征被用作神经网络的输入数据：
-站点间距离(ISD)，以及
-用户/小区(负载)数。
ISD的使用可以用作输入，因为上行链路PC操作严重依赖于用户设备与基站之间的距离。小区边缘处与小区中心处用户之间的平衡对于整体性能至关重要。例如，使用较小的α值，对增加的路径损耗给出较少的补偿，这导致来自小区边缘用户的接收功率较小，但另一方面，小区边缘用户对相邻基站造成的干扰也较小。这种平衡取决于ISD，ISD既影响用户的路径损耗，也影响用户对相邻小区生成多少干扰。
负载对PC参数的影响来自于多种网络效应。例如，负载影响分配给UE的资源块的调度和数量，这影响每个资源块的可用功率。此外，调制编码方案(MCS)受到影响，并且当然网络的干扰情况也会受到影响。
正如在基于神经网络的解决方案中的典型情况，输入在被馈送到神经网络之前还可以被归一化为具有单位方差。可以注意到，可以向神经网络馈送相当多的参数，但是在该简化示例中，仅考虑两个参数。其他可能的输入参数包括路径损耗指数、基站位置和小区特定负载。
上述参数定义了输入数据向量，而最佳PC参数组合表示标签，即神经网络的输出。可以注意到，每个(P0，α)对可以被编码为数值类指示符，并且因此神经网络基本上输出不同PC参数对的最优性的概率。概率最高的一个通常被选择作为分类结果。
训练本身可以通过将模拟数据收集到数据存储装置500中来执行。每个数据样本表示输入输出对，其中输入是所选择的数据向量，并且输出是最佳PC参数对。所收集的数据被拆分502为单独的部分，这些部分中的一个用于训练504，并且这些部分中的一个用于验证506神经网络的性能。训练循环508涉及首先通过神经网络馈送一批输入样本，之后将预测的类映射到其对应PC参数值510，并且计算512相对于最佳PC参数值的损失。例如，可以使用对数似然损失来确定损失的值。然后使用随机梯度下降或者其任何变体基于计算的损失来更新神经网络的参数。一旦训练完成514，例如，在达到预定义数目的历元/迭代之后，通过测量516单独验证集上的预测精度来确定最终性能。
当神经网络被训练时，它可以用于给出初始上行链路功率控制参数，如步骤304所示。图6示出了提供初始上行链路功率参数的示例。
无线电接入网参数600的选择被作为已训练神经网络602的输入，已训练神经网络602被配置为确定604初始上行链路功率控制参数，在该示例中为P0和α。
如上所述，通常，神经网络包括输入层、多个隐藏层、和输出层。在一个实施例中，四层神经网络用于确定初始上行链路功率控制参数。然而，也可以使用其他数目的层。在该示例中，因此存在输入层、两个隐藏层、和输出层。
在一个实施例中，神经网络总共包括四个层，其中隐藏层利用校正线性单元(ReLU)作为激活函数，并且输出层被馈送通过S形函数以将输出映射到类概率。在上述实施例中，存在两个输入特征，它们被映射到给定数目的类中的预测中，每个类表示P0和α的特定组合。
表1示出了用于进行初始PC参数预测的神经网络。可以注意到，所示值仅仅是神经网络的可能结构的示例。
Figure BDA0003990988270000151
/>
Figure BDA0003990988270000161
表1
当示例已训练神经网络解决方案被执行并且与所选择的PC值进行比较时，对于训练期间未使用的测试模拟数据，该PC值可以被视为良好的默认值。所有网络配置之上的平均结果如表2所示。
平均吞吐量 边缘吞吐量
增益 1.6倍 2.0倍
表2
基于NN的预测的增益是很清楚的：平均而言，它可以将小区的总吞吐量提高60％，同时将小区边缘吞吐量提高加倍。预测的PC参数对于大多数网络配置都是有益的。这些模拟结果示出了所提出的方法的优点。当研究已训练神经网络的分类精度时，它针对随机选择的测试数据集在65-80％的时间内正确预测PC参数，证明了选择最佳PC参数对的高精度。
在另一测试案例中，考虑了不规则小区和更复杂的输入参数空间。考虑了以下四个输入特征：
-用户/小区(负载)数
-分组大小
-路径损耗系数A和B：PL＝A+Blog_10(d)，d＝距离(km)
分组大小影响在传输协议中利用多少资源块。增加资源块的数量增加了功率电平要求，并且因此需要不同的功率控制参数。
路径损耗系数的重要性在于，路径损耗通过功率控制参数进行补偿，并且因此直接影响传输功率。太低的传输功率表示低比特率，特别是对于小区边缘用户。在不同的环境中，例如在城市和农村，路径损耗是不同的。因此，路径损耗系数提供了有关环境的信息。
该场景的神经网络架构的示例如表3所示。
层 输入大小 输出大小 激活
完全连接 4. 35 ReLU
完全连接 35 35 ReLU
完全连接 35 35 ReLU
完全连接 35 19 LogSoftmax
表3
如表4所示，与被视为良好默认值的所选择的PC值相比，随机选择的测试集的吞吐量存在增益。所提出的神经网络正确预测了约76％的试验的PC参数。
Figure BDA0003990988270000171
表4
已经注意到，基于神经网络的功率控制参数预测的增益为模拟网络产生了良好的结果。然而，在实际网络中，精度可以没有那么高。因此，可能需要微调神经网络的输出，即初始参数。图7示出了微调参数的可能方法的示例。
无线电接入网参数600的选择被作为已训练神经网络602的输入，已训练神经网络602被配置为产生具有概率700的初始上行链路功率控制参数作为输出。在该示例中，参数是参数对P0和α。
选择702具有最高概率的未使用的功率控制参数对。针对某个预选阈值测试704概率。如果概率小于阈值，则过程终止706。否则，使用708该参数对，并且操作710网络，并且跟踪网络的性能。计算712性能度量，并且将其与先前获取的度量(使用其他参数)进行比较714。如果性能更高，则保留716当前参数，并且过程在步骤702继续。如果没有，则使用718给出更好性能的先前参数。只要存在概率高于阈值的PC参数候选，就可以重复该过程。
该过程还包括一种保护措施，即，如果系统的性能突然降低720，则使用718先前参数。这确保了对错误PC参数预测的稳健性。
图8A、图8B和图8C示出了一个实施例。这些图示出了应用本发明的实施例的装置的简化示例。
应当理解，这里将装置描述为示出一些实施例的示例。对于本领域技术人员来说，很清楚的是，该装置还可以包括其他功能和/或结构，并且并非所有描述的功能和结构都是需要的。尽管已经将装置描述为一个实体，但是可以在一个或多个物理或逻辑实体中实现不同的模块和存储器。
图8A示出了被配置为训练神经网络的装置。800或者应用本发明的实施例的网络元件。在一些实施例中，该装置可以是网络元件或者网络元件的一部分。在一些实施例中，该装置可以包括彼此连接的若干网络实体。
该示例的装置800包括控制电路系统800，该控制电路系统800被配置为控制该装置的操作的至少一部分。
该装置可以包括用于存储数据的存储器802。此外，存储器可以存储由控制电路系统800可执行的软件804。存储器可以集成在控制电路系统中。
该装置还包括被配置为将该装置连接到其他设备和无线电接入网的网络元件的一个或多个接口电路系统806。接口806可以提供有线或者无线连接。接口可以提供到图8B或者图8C的网络元件的连接。
在一个实施例中，软件804可以包括计算机程序，该计算机程序包括程序代码装置，该程序代码装置适于引起该装置的控制电路系统800实现以上例如结合图3A所述的实施例中的至少一些。
图8B示出了应用本发明的实施例的网络元件装置810。在一些实施例中，该装置可以是网络元件或者网络元件的一部分。在一些实施例中，该装置可以包括彼此连接的若干网络实体。在一个实施例中，该装置是gNB或者gNB的一部分。
该示例的装置810包括控制电路系统820，该控制电路系统820被配置为控制该装置的操作的至少一部分。
该装置可以包括用于存储数据的存储器822。此外，存储器可以存储由控制电路系统820可执行的软件824。存储器可以集成在控制电路系统中。
在一个实施例中，软件824可以包括计算机程序，该计算机程序包括程序代码装置，该程序代码装置适于引起该装置的控制电路系统820实现以上例如结合图3B所述的实施例中的至少一些。
该装置还包括被配置为将该装置连接到其他设备和无线电接入网的网络元件的一个或多个接口电路系统826。接口806可以提供有线或者无线连接。例如，接口可以提供到图8A的装置和无线电接入系统的其他网络元件的连接。
在一个实施例中，网络元件装置810的至少一些功能可以在两个物理上分离的设备之间共享，以形成一个操作实体。因此，该装置可以被视为描绘了包括用于执行所描述的过程中的至少一些的一个或多个物理上分离的设备的操作实体。因此，利用这种共享架构的图8B的装置可以包括远程控制单元RCU 830，诸如主机计算机或者服务器计算机，该RCU830可操作地耦合(例如，经由无线或者有线网络)到位于基站中的远程分布式单元RDU832。在一个实施例中，上述过程中的至少一些可以由RCU 830执行。在一个示例中，上述过程中的至少一些的执行可以在RDU 832与RCU 830之间共享。
在一个实施例中，RCU 830可以生成虚拟网络，通过该虚拟网络，RCU 830与RDU832通信。通常，虚拟网络化可以涉及将硬件和软件网络资源和网络功能组合成单个基于软件的管理实体(虚拟网络)的过程。网络虚拟化可以涉及平台虚拟化，平台虚拟化通常与资源虚拟化相结合。网络虚拟化可以被分类为将很多网络或者网络部分组合到服务器计算机或者主机计算机(例如，到RCU)中的外部虚拟网络化。外部网络虚拟化旨在优化网络共享。另一类是内部虚拟网络化，它为单个系统上的软件容器提供类似网络的功能。虚拟网络化也可以用于测试终端设备。
在一个实施例中，虚拟网络可以在RDU与RCU之间提供操作的灵活分配。在实践中，可以在RDU或者RCU中执行任何数字信号处理任务，并且在RDU与RCU之间转移责任的边界可以根据实现来选择。
上述和附图中描述的步骤和相关功能没有绝对的时间顺序，并且一些步骤可以同时执行，或者以不同于给定顺序的其他顺序执行。也可以在步骤之间或者步骤内执行其他功能。某些步骤也可以省略或者替换为对应步骤。
能够执行上述步骤的装置或控制器可以实现为电子数字计算机、处理系统或者电路系统，其可以包括工作存储器(随机存取存储器、RAM)、中央处理单元(CPU)和系统时钟。CPU可以包括一组寄存器、算术逻辑单元和控制器。处理系统、控制器或者电路系统由从RAM传送到CPU的程序指令序列控制。控制器可以包含用于基本操作的多个微指令。微指令的实现可以根据CPU设计而变化。程序指令可以由编程语言编码，编程语言可以是高级编程语言，诸如C、Java等，或者是低级编程语言，诸如机器语言或者汇编程序。电子数字计算机还可以具有操作系统，该操作系统可以向用程序指令编写的计算机程序提供系统服务。
如在本申请中使用的，术语“电路系统”是指以下所有：(a)仅硬件电路实现，诸如仅在模拟和/或数字电路系统中的实现，以及(b)电路和软件(和/或固件)的组合，诸如(如适用)：(i)(多个)处理器的组合，或者(ii)(多个)处理器/软件(包括(多个)数字信号处理器)、软件和(多个)存储器的部分，这些部分一起工作以引起装置执行各种功能，以及(c)电路，诸如(多个)微处理器或者(多个)微处理器的一部分，其需要软件或者固件来执行操作，即使软件或者固件实际上并不存在。
“电路系统”的这一定义适用于该术语在本申请中的所有使用。作为另外的示例，如在本申请中使用的，术语“电路系统”也将涵盖仅处理器(或者多个处理器)或者处理器的一部分及其(或者它们的)随附软件和/或固件的实现。例如，如果适用于特定元件，术语“电路系统”还将涵盖用于移动电话的基带集成电路或者应用处理器集成电路、或者服务器、蜂窝网络设备或者其他网络设备中的类似集成电路。
实施例提供了一种体现在分发介质上的计算机程序，该计算机程序包括程序指令，该程序指令在被加载到电子设备中时被配置为控制该装置执行上述实施例。
计算机程序可以是源代码形式、目标代码形式或者某种中间形式，并且可以存储在某种载体中，该载体可以是能够承载该程序的任何实体或者设备。例如，这样的载体包括记录介质、计算机存储器、只读存储器和软件分发包。根据所需要的处理能力，计算机程序可以在单个电子数字计算机中执行，也可以分布在多个计算机之间。
该装置还可以实现为一个或多个集成电路，诸如专用集成电路ASIC。其他硬件实施例也是可行的，诸如由单独的逻辑组件构建的电路。这些不同实现的混合也是可行的。在选择实现方法时，本领域技术人员将考虑例如对装置的尺寸和功耗、必要的处理能力、生产成本和生产量而设置的要求。
一个实施例提供了一种装置，该装置包括用于从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择的部件；用于利用无线电接入网参数的选择、一个以上的无线电接入网配置、一种或多种类型的无线电接入网业务和变化的无线电接入网条件作为输入来训练神经网络以确定上行链路功率控制参数的部件；以及用于以无线电接入网参数的选择作为输入利用已训练神经网络获取一组初始上行链路功率控制参数作为输出的部件。
实施例提供了一种装置，该装置包括用于接收由已训练神经网络提供的一组初始上行链路功率控制参数的部件；以及用于在操作无线电接入网中利用该组初始上行链路功率控制参数并且从所接收的一组初始上行链路功率控制参数中选择给出最佳性能的参数作为要应用于无线电接入网的上行链路功率控制参数的部件。
对于本领域技术人员来说很清楚的是，随着技术的进步，本发明的概念可以以各种方式实现。本发明及其实施例不限于上述示例，而是可以在权利要求的范围内变化。

Claims (18)

1.一种装置，包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述装置至少执行：
从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择；
利用将所述无线电接入网参数的选择作为输入，训练神经网络以确定上行链路功率控制参数；
以所述无线电接入网参数的选择作为输入，利用已训练的神经网络获取一组初始上行链路功率控制参数作为输出。
2.根据权利要求1所述的装置，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述装置进一步执行：
在所述神经网络的所述训练中利用以下中的至少一项作为输入：一个或多个无线电接入网配置、变化的无线电接入网条件、网络站点间距离、每小区用户数。
3.根据权利要求1或2所述的装置，其中所述上行链路功率控制参数包括：目标接收功率P0、以及分数路径损耗补偿因子α。
4.根据任一前述权利要求所述的装置，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述装置进一步执行：
当训练所述神经网络时，选择包括以下中的至少一项的性能度量：用户设备归一化平均数据速率、归一化小区边缘速率和延迟；以及
向所述一组初始上行链路功率控制参数中选择参数，所述参数给出所选择的性能度量的最高值。
5.根据任一前述权利要求所述的装置，其中所述一组给定无线电接入网参数包括：基站位置、估计的路径损耗指数、小区特定负载、站点间距离、每小区平均用户数、网络中心频率和平均分组大小。
6.一种无线电接入网中的网络元件，包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述网络元件至少执行：
接收由已训练的神经网络提供的一组初始上行链路功率控制参数；
在操作无线电接入网中利用所述一组初始上行链路功率控制参数，并且从所接收的一组初始上行链路功率控制参数中选择给出最佳性能的参数，作为要应用于所述无线电接入网的上行链路功率控制参数，其中当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，将所述一组初始上行链路功率控制参数中的每个上行链路功率控制参数应用预定时间量。
7.根据权利要求6所述的网络元件，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述网络元件进一步执行：
当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，监测所述网络的性能，并且如果所述性能劣化，则拒绝当前上行链路功率控制参数，并且应用与所述一组初始上行链路功率控制参数不同的参数的利用。
8.一种系统，包括装置和至少一个网络元件，所述装置包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述装置至少执行：
从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择；
利用将所述无线电接入网参数的选择作为输入，训练神经网络以确定上行链路功率控制参数；
以所述无线电接入网参数的选择作为输入，利用已训练的神经网络获取一组初始上行链路功率控制参数作为输出；
以及无线电接入网中的所述网络元件，包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述网络元件至少执行：
接收由已训练的神经网络提供的一组初始上行链路功率控制参数；
在操作无线电接入网中利用所述一组初始上行链路功率控制参数，并且从所接收的一组初始上行链路功率控制参数中选择给出最佳性能的参数，作为要应用于所述无线电接入网的上行链路功率控制参数，其中当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，将所述一组初始上行链路功率控制参数中的每个上行链路功率控制参数应用预定时间量。
9.根据权利要求8所述的系统，其中所述装置被配置为向至少一个网络装置传输所述一组初始上行链路功率控制参数。
10.一种在无线电接入网中的方法，包括：
从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择；
利用所述无线电接入网参数的选择、一个以上的无线电接入网配置、一种或多种类型的无线电接入网业务、以及变化的无线电接入网条件作为输入，训练神经网络以确定上行链路功率控制参数；
以所述无线电接入网参数的选择作为输入，利用已训练神经网络获取一组初始上行链路功率控制参数作为输出。
11.根据权利要求10所述的方法，还包括：
在所述神经网络的所述训练中利用以下中的至少一项作为输入：一个或多个无线电接入网配置、变化的无线电接入网条件、网络站点间距离、每小区用户数。
12.根据权利要求10或11所述的方法，其中所述上行链路功率控制参数包括：目标接收功率P0、以及分数路径损耗补偿因子α。
13.根据前述权利要求10至12中任一项所述的方法，还包括：
当训练所述神经网络时，选择包括以下中的至少一项的性能度量：用户设备归一化平均数据速率、归一化小区边缘速率和延迟；以及
向所述一组初始上行链路功率控制参数中选择参数，所述参数向所选择的性能度量给出最高值。
14.根据前述权利要求10至12中任一项所述的方法，其中所述一组给定无线电接入网参数包括：基站位置、估计的路径损耗指数、小区特定负载、站点间距离、每小区平均用户数、网络中心频率和平均分组大小。
15.一种用于无线电接入网中的网络元件的方法，包括：
接收由已训练的神经网络提供的一组初始上行链路功率控制参数；
在操作无线电接入网中利用所述一组初始上行链路功率控制参数，并且从所接收的一组初始上行链路功率控制参数中选择给出最佳性能的参数，作为要应用于所述无线电接入网的上行链路功率控制参数，其中当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，将所述一组初始上行链路功率控制参数中的每个上行链路功率控制参数应用预定时间量。
16.根据权利要求15所述的方法，还包括：
当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，监测所述网络的性能，并且如果所述性能劣化，则拒绝当前上行链路功率控制参数，并且应用与所述一组初始上行链路功率控制参数不同的参数的利用。
17.一种计算机程序，包括用于使得装置至少执行以下操作的指令：
从一组给定无线电接入网参数中确定对上行链路功率控制有影响的无线电接入网参数的选择；
利用所述无线电接入网参数的选择、一个以上的无线电接入网配置、一种或多种类型的无线电接入网业务、以及变化的无线电接入网条件作为输入，训练神经网络以确定上行链路功率控制参数；
以所述无线电接入网参数的选择作为输入，利用已训练神经网络获取一组初始上行链路功率控制参数作为输出。
18.一种计算机程序，包括用于引起无线电接入网中的网络元件至少执行以下操作的指令：
接收由已训练的神经网络提供的一组初始上行链路功率控制参数；
在操作无线电接入网中利用所述一组初始上行链路功率控制参数，并且从所接收的一组初始上行链路功率控制参数中选择给出最佳性能的参数，作为要应用于所述无线电接入网的上行链路功率控制参数，其中当在操作无线电接入网中利用所述一组初始上行链路功率控制参数时，将所述一组初始上行链路功率控制参数中的每个上行链路功率控制参数应用预定时间量。
CN202211586776.7A 2021-12-10 2022-12-09 功率控制参数的选择 Pending CN116261210A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20216265 2021-12-10
FI20216265 2021-12-10

Publications (1)

Publication Number Publication Date
CN116261210A true CN116261210A (zh) 2023-06-13

Family

ID=84363120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211586776.7A Pending CN116261210A (zh) 2021-12-10 2022-12-09 功率控制参数的选择

Country Status (3)

Country Link
US (2) US11800458B2 (zh)
EP (1) EP4195791A1 (zh)
CN (1) CN116261210A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101313487A (zh) * 2005-08-17 2008-11-26 T.O.P优化技术公司 用于无线通信系统中外环功率控制的方法和装置
CN109845310A (zh) * 2016-10-13 2019-06-04 华为技术有限公司 利用强化学习进行无线资源管理的方法和单元
CN112913272A (zh) * 2018-08-20 2021-06-04 诺基亚通信公司 方法、装置和计算机程序
CN113301637A (zh) * 2021-05-20 2021-08-24 东南大学 一种基于q学习和神经网络的d2d通信功率控制算法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9781685B2 (en) * 2013-11-21 2017-10-03 At&T Intellectual Property I, L.P. Self-adaptive coverage of wireless networks
US10757655B1 (en) * 2019-04-18 2020-08-25 At&T Intellectual Property I, L.P. Uplink interference avoidance under closed loop power control conditions
CN113875294B (zh) * 2019-06-03 2023-03-28 诺基亚通信公司 使用深度q学习的上行链路功率控制
WO2021223865A1 (en) 2020-05-07 2021-11-11 Telefonaktiebolaget Lm Ericsson (Publ) Reinforcement learning based uplink power control providing joint optimization for multiple uplink power control loops in a distributed manner
US11259251B2 (en) * 2020-05-20 2022-02-22 Nokia Technologies Oy Uplink power adjustment for packet data convergence protocol (PDCP) duplication

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101313487A (zh) * 2005-08-17 2008-11-26 T.O.P优化技术公司 用于无线通信系统中外环功率控制的方法和装置
CN109845310A (zh) * 2016-10-13 2019-06-04 华为技术有限公司 利用强化学习进行无线资源管理的方法和单元
CN112913272A (zh) * 2018-08-20 2021-06-04 诺基亚通信公司 方法、装置和计算机程序
CN113301637A (zh) * 2021-05-20 2021-08-24 东南大学 一种基于q学习和神经网络的d2d通信功率控制算法

Also Published As

Publication number Publication date
US20230189160A1 (en) 2023-06-15
US20240007961A1 (en) 2024-01-04
EP4195791A1 (en) 2023-06-14
US11800458B2 (en) 2023-10-24

Similar Documents

Publication Publication Date Title
CN113661727B (zh) 用于无线网络的无线电接入网(ran)节点的神经网络的配置
CN112913274B (zh) 用于自组织网络的优化的过程
CN113875294B (zh) 使用深度q学习的上行链路功率控制
CN112118203B (zh) 具有可配置调制阶数的通信系统以及相关联的方法和装置
CN114389779B (zh) 信道状态信息报告
CN113661676B (zh) 选择无线网络中的上行链路传输频带
US11310864B2 (en) Hybrid transmission scheme determination
WO2020152389A1 (en) Machine learning for a communication network
WO2022051226A1 (en) Method and apparatus for cbrs network planning and operating in an enterprise network
CN114826445A (zh) 估计不同类型的无线电接入技术的功率消耗
Gures et al. A comparative study of machine learning-based load balancing in high-speed
CN116137544B (zh) 用于通信的方法和装置
CN113473544B (zh) 网络切片配置
US11800458B2 (en) Selection of power control parameters
US12010571B2 (en) Spectral efficiency prediction with artificial intelligence for enhancing carrier aggregation and proactive radio resource management
EP4362360A1 (en) Channel state information reporting
US20230099006A1 (en) Spectral Efficiency Prediction with Artificial Intelligence for Enhancing Carrier Aggregation and Proactive Radio Resource Management
US20240187284A1 (en) Channel State Information Reporting
EP4047382A1 (en) Rf-fingerprinting map update
US20240137787A1 (en) Method for predicting adverse operating conditions
US20230319707A1 (en) Power saving in radio access network
WO2024012679A1 (en) Apparatuses, methods and computer program products for routing data using multi-agent federated learning
CN116636187A (zh) 网络状态建模
WO2023144443A1 (en) Enhancing connection quality after handover
CN117693021A (zh) 一种波束管理方法

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