CN116488684B - 一种超大规模mimo天线系统中可视区域的识别方法和装置 - Google Patents

一种超大规模mimo天线系统中可视区域的识别方法和装置 Download PDF

Info

Publication number
CN116488684B
CN116488684B CN202310472139.5A CN202310472139A CN116488684B CN 116488684 B CN116488684 B CN 116488684B CN 202310472139 A CN202310472139 A CN 202310472139A CN 116488684 B CN116488684 B CN 116488684B
Authority
CN
China
Prior art keywords
beacon
user
data set
users
initial
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.)
Active
Application number
CN202310472139.5A
Other languages
English (en)
Other versions
CN116488684A (zh
Inventor
厉凯
高锐锋
李业
胡英东
王珏
金石
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202310472139.5A priority Critical patent/CN116488684B/zh
Publication of CN116488684A publication Critical patent/CN116488684A/zh
Application granted granted Critical
Publication of CN116488684B publication Critical patent/CN116488684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0802—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection
    • H04B7/0834—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection based on external parameters, e.g. subscriber speed or location
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及一种超大规模MIMO天线系统中可视区域的识别方法、装置、计算机设备和存储介质。包括：获取用户终端所在位置；根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增加而减小。本公开实施例采用自适应调整分配比例的方法有助于提高VR识别的准确率。

Description

一种超大规模MIMO天线系统中可视区域的识别方法和装置
技术领域
本发明涉及无线通信多天线传输技术领域，特别涉及一种超大规模MIMO天线系统中可视区域的识别方法、装置、计算机设备和存储介质。
背景技术
超大规模多输入多输出(MIMO)天线系统为第六代移动通信(6G)热点技术，而可视区域(Visible Region，VR)是其超大孔径阵列部署方式下出现的新的信道特性，由于阵列尺寸极大，使得各用户极有可能无法“看到”全部阵列，而只是各自可见整体天线阵列的不同部分(即VR)。通过选择基站天线阵列侧VR相互不重叠的多用户联合进行传输设计，可利用超大规模MIMO稀疏特性，降低传输信道维度，从而大幅降低通信复杂度，因此超大规模MIMO系统中用户可视区域的识别至关重要。相关技术中，可视区域识别通常从大量的用户中随机选择一些用户(信标用户)发送上行导频，测量他们位置坐标与对应的用户可视区域，构建起一个位置-可视区域信息的数据集作为参考。
然而，随机选择信标用户的分布具有不可控性，难以集中刻画重要的细节特征，这可能会导致可视区域交叠简单的位置区域由于信标用户数量分配太多而浪费资源，同时可视区域交叠复杂的位置区域由于信标用户数量分配不足而容易发生误判。因此，如何合理地选取信标用户使其兼顾可视区域识别的广度和细节，从而实现高效的可视区域识别，仍是一个有待解决的问题。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为了解决上述技术问题，本发明提供一种基于探测细化的超大规模MIMO可视区域识别的改进方法。在选择信标用户时，将一部分信标用户用于探测VR区域，另一部分用于细化VR边界，兼顾VR识别的广度和细节，从而使信标用户分布更加合理，层次更加丰富，在可使用信标用户数量有限的前提下，为大量可视区域未知的普通用户提供更佳的位置-VR数据集作为参考，最大程度地提升超大规模MIMO系统中VR识别的准确率，并由此开展可靠的低复杂度传输设计。
本发明提供了如下技术方案：
第一方面，提供一种超大规模MIMO天线系统中可视区域的识别方法，包括：
获取用户终端所在位置；
根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小。
在一种可能的实现方式中，所述优化数据集的获得方式，包括：
获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
步骤(1)从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
步骤(2)从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
步骤(3)从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
将所述第一孙集和所述第二孙集加入初始的优化数据集；
按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复步骤(1)至步骤(3)至预设次数，得到所述优化数据集。
在一种可能的实现方式中，从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集，包括：
步骤(31)，从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始信标用户终端位置与第一信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
步骤(32)，若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
重复步骤(31)和步骤(32)，直到筛选的第二信标用户的数量等于所述数据子集的(1-预设占比)。
在一种可能的实现方式中，在所述得到所述优化数据集，之后还包括：
从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
第二方面，提供一种超大规模MIMO天线系统中可视区域的识别装置，包括：
第一获取模块，用于获取用户终端所在位置；
确定模块，用于根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小。
在一种可能的实现方式中，还包括：
第二获取模块，用于获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
第三获取模块，用于从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
第四获取模块，用于从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
第五获取模块，用于从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
加入模块，用于将所述第一孙集和所述第二孙集加入初始的优化数据集；
生成模块按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复第三获取模块、第四获取模块、第五获取模块和加入模块至预设次数，得到所述优化数据集。
在一种可能的实现方式中，所述第五获取模块，包括：
第一获取子模块，用于从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始信标用户终端位置与第一信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
比较子模块，用于若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
筛选子模块，用于重复第一获取子模块和比较子模块，直到筛选的第二信标用户的数量等于所述数据子集的(1-预设占比)。
在一种可能的实现方式中，还包括：
第六获取模块，用于从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
合并模块，用于将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如本公开实施例任一项所述的超大规模MIMO天线系统中可视区域的识别方法的步骤。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本公开实施例任一项所述的超大规模MIMO天线系统中可视区域的识别方法的步骤。
与现有技术相比，本发明的有益效果在于：
1.本发明提出一种基于探测细化的超大规模MIMO可视区域识别的改进方法。将探测与细化相结合的理念应用于超大规模MIMO可视区域识别中，通过将一部分信标用户用于探测更多VR区域，另一部分用于刻画VR的边界细节，从而使信标用户选取结构更加合理，层次更加丰富，有利于提升VR识别效率。
2.本发明提供了用于探测和细化的信标用户分配比例，该比例随着信标用户数量的递增可实现自适应调整，更具体地说，随着投入信标用户数量逐渐增多，用于探测VR区域的信标用户逐渐减少，而用于细化VR边界的信标用户却逐渐增多，因此细化比例(1-α)的值也应逐渐增大，从而刻画更多的VR细节。仿真结果表明，采用自适应调整分配比例的方法有助于提高VR识别的准确率。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。其中：
图1为一个实施例中超大规模MIMO天线系统中可视区域的识别方法的第一流程示意图；
图2为一个实施例中超大规模MIMO天线系统中可视区域的识别方法的第二流程示意图；
图3为本发明所提改进方法与现有一般方法所实现的VR识别准确率对比图；
图4为本发明所提自适应调整分配比例方法与固定比例方法所实现的VR识别准确率对比图；
图5为一个实施例中超大规模MIMO天线系统中可视区域的识别装置的框图；
图6为一个实施例中计算机设备的内部结构图。
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，下面结合附图对本发明的具体实施方式做详细的说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种超大规模MIMO天线系统中可视区域的识别方法，所述方法应用于客户端或服务器，包括以下步骤：
步骤S101，获取用户终端所在位置。
步骤S102，根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小。
具体的，用户终端所在的位置可以通过卫星定位传感器或其他位置传感器确定。本公开实施例中，根据用户终端所在的位置，以及预设的位置区域与可视区域的关联关系，确定所述位置所归属的位置区域，进而确定与该位置区域相对应的可视区域。其中，上述关联关系来源于优化数据集。
本公开实施例中，优化数据集的获得方式包括：对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小。本公开实施例中，所述原始数据集可以包括原始的位置与可视区域关联关系的数据集，其中，位置和可视区域可以通过测试得到，例如提前测量上行导频发射位置与各个天线子阵列接收强度对应关系。原始数据集中，每个元素a表示一个候选信标用户，使用二维坐标(x,y)标记a所在位置信息，使用向量标签l标记a对应的已知可视区域。
设置用于区域探测的信标用户和用于边界细化的信标用的分配比例，该分配比例的设置与信标用户的扩展阶段有关，在初始阶段所需用于区域探测的信标用户较多，而用于边界细化的信标用户较少，因此，分配比例的值较大，从而实现更大的探测范围；随着总体扩展信标用户数量的增多，所需用于边界细化的信标用户逐渐增多，而用于区域探测的信标用户逐渐减少，因此，分配比例的值减小，从而获得更多的边界细节。
上述实施例中，通过将一部分信标用户用于探测可视区域的范围，另一部分用于刻画可视区域的边界细节，从而使信标用户选取结构更加合理，层次更加丰富，有利于提升可视区域识别效率。并且，本公开实施例提供了用于探测和细化的信标用户分配比例，该比例随着信标用户数量的递增可实现自适应调整，更具体地说，随着投入信标用户数量逐渐增多，用于探测可视区域范围的信标用户逐渐减少，而用于细化可视区域边界的信标用户却逐渐增多，因此分配比例的值也应逐渐减小，从而刻画更多的可视区域细节。仿真结果表明，采用自适应调整分配比例的方法有助于提高可视区域识别的准确率。
在一种可能的实现方式中，所述优化数据集的获得方式，包括：
获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
步骤(1)从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
步骤(2)从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
步骤(3)从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的所述数据子集中的信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
步骤(4)将所述第一孙集和所述第二孙集加入初始的优化数据集；
按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复步骤(1)至步骤(4)至预设次数，得到所述优化数据集。
具体的，原始数据集可以标记为A，从原始数据集中获取预设数量的数据子集，数据子集可以标记为B。在一示例性实施例中，可以设置优化数据集S中每次扩展元素数量N与数据子集B的信标用户数量一致。
从数据子集中获取预设占比(标记为α)的第一信标用户，作为探测区域的第一孙集(标记为s1)，即第一孙集的信标用户的数量为αN。本公开实施例中，所述边界可以包括可视区域的边界。从原始数据集A中获取占数据子集B(1-预设占比)的初始第二信标用户。在一示例性实施例中，由于数据子集B同样来源于原始数据A，则可能存在初始第二信标用户属于数据子集B。在一示例性实施例中，若初始第二信标用户属于数据子集B，则舍弃，重新从原始数据集A中获取初始第二信标用户。在另一示例性实施例中，在初始第二信标用户不属于数据子集B的情况下，计算该初始第二信标用户与数据子集B中所有信标用户的位置距离，例如选择距离最小的记为d1,距离次最小的记为d2，分别对应数据子集B的信标用户b1和b2，若d2-d1≤0.5(预设阈值，可根据具体场景设置)，且若信标用户b1和b2对应不同的识别区域，则所述初始第二信标用户有效，将其加入到用于细化边界的第二孙集S2。将所述第一孙集S1和所述第二孙集S2加入初始的优化数据集S。
本公开实施例中，按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复步骤(1)至步骤(4)至预设次数，得到所述优化数据集。
所述与重复次数呈负相关的关联关系，调整所述预设占比，即重复次数越多，预设占比α值越小，即减小用于探测区域的信标用户，增加用于细化边界的信标用户。
在一种可能的实现方式中，从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的所述数据子集中的信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集，包括：
步骤(31)，从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始信标用户终端位置与所述数据子集中的信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
步骤(32)，若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
重复步骤(31)和步骤(32)，直到筛选的第二信标用户的数量等于所述数据子集的(1-预设占比)。
在一种可能的实现方式中，从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
具体的，例如终端位置p1对应可视区域1，终端位置p2对应可视区域1，终端位置p3对应可视区域1，则可以将终端位置p1、p2、p3进行合并，得到位置区域1，则位置区域1对应可视区域1。
图2为一个实施例中超大规模MIMO天线系统中可视区域的识别方法的第二流程示意图；参考图2所示，所述方法包括：
步骤1、建立一个用于候选信标用户数据的位置-VR数据集A，集合A中每个元素a表示一个候选信标用户，使用二维坐标(x,y)标记a所在位置信息，使用向量标签l标记a对应的已知可视区域；
步骤2、每次从集合A中选取一段不同的元素构成原始信标用户集B，并设置优化后的信标用户集S中每次扩展元素数量N与集合B中的信标用户数量一致；
步骤3、合理设置用于探测区域的信标用户在全部信标用户中所占比例α，该值的设定与系统信标用户扩展阶段有关，在初始阶段所需用于探测VR区域的信标用户较多，而用于细化VR边界的信标用户较少，因此所选α的值应较大，从而实现更大的探测范围；其后随着总体扩展信标用户数量逐渐增多，所需用于细化VR边界的信标用户逐渐增多，而用于探测VR区域的信标用户减少，此时所选α的值也应逐渐减小，从而获得更多的探测细节；
步骤4、从B中选取前αN个数据作为构成信标用户集S的前段子集S1，这部分子集用于探测VR区域；
步骤5、从A中选取(1-α)N个数据作为S的后半段子集S2，这部分子集用于刻画VR边界细节，具体步骤包括：
5a、设置计数初始值，令n＝1，i＝1；
5b、取出候选集A中第i条数据，将其记为ai；
5c、若数据ai∈B，则舍弃该数据，进入步骤5d；否则，保留该数值，进入步骤5e；
5d、用于遍历候选集A的索引值自增一，也即i＝i+1；
5e、计算数据ai所在位置与B中所有信标所在位置的距离其中j＝1,2,…,N；
5f、选出所有距离中最小的记为d1,次小的记为d2，分别对应B中信标为b1和b2；
5g、若d2-d1≤0.5，且b1与b2所对应的VR向量标签不同，则数据ai处于两不同VR区域边界附近可能性很大，此时有利于细化VR边界，因此判定该数据有效，进入步骤5h；否则，舍弃数据ai，进入步骤5d；
5h、将ai加入集合S的后段子集S2，作为用于细化VR边界的信标；
5i、筛选出的信标数量n累加，即n＝n+1；
5j、若n≤(1-α)N，则进入步骤5d；否则，筛选出的信标数量达标，进入步骤6；
步骤6、将子集S1和子集S2合并为集合S，此时的S即为优化后的信标用户集；
步骤7、若集合S扩展信标次数满足总扩展次数要求，则进入步骤8；否则，进入步骤2；
步骤8、以此信标用户集S为基础，根据信标用户的位置信息对所有用户分布区域进行划分，将可视区域相同的位置区域合并，从而得到位置区域-VR数据集
步骤9、大量可视区域未知的普通用户以数据集为参考，根据自身位置信息找到所在位置区域，并由此获得对应的可视区域，从而实现VR识别优化目标。
上述实施例的仿真结果如图3所示，由图可知本发明所提基于细化探索的优化方案，明显优于现有的随机选择信标用户的方法，VR识别效率显著提高。
在一种可能的实现方式中，上述实施例中的步骤3提到的探测比例α的设置可随着投入信标数量的增多而动态调整，从而进一步提高VR识别效率：
比如，集合S中每增加500个信标用户，则自适应调整一次探测比例α，更确切地说是减小α，使用于刻画VR边界细节的信标用户比例增加，具体步骤如下：
步骤1、设置初始探测比例α＝0.8，从集合B中取出的400个第一信标用户，从集合A中筛选出的100个第二信标用户，二者共同构成信标用户集S，并以此为参考实现VR识别；
步骤2、重置探测比例α＝0.7，再次从集合B中取出的350个第一信标用户，从集合A中筛选出的150个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别；
步骤3、重置探测比例α＝0.6，再次从集合B中取出的300个第一信标用户，从集合A中筛选出的200个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别；
步骤4、重置探测比例α＝0.4，再次从集合B中取出的200个第一信标用户，从集合A中筛选出的300个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别；
步骤5、重置探测比例α＝0.3，再次从集合B中取出的150个第一信标用户，从集合A中筛选出的350个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别；
步骤6、重置探测比例α＝0.2，再次从集合B中取出的100个第一信标用户，从集合A中筛选出的400个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别；
步骤7、重置探测比例α＝0.1，再次从集合B中取出的50个第一信标用户，从集合A中筛选出的450个第二信标用户，二者一起加入信标用户集S，并以此为参考实现VR识别。
通过以上自适应调整探测比例α实现信标用户筛选的优化方法，与固定探测比例α＝0.2的原始方法相比，在可用信标数量受限的情况下，实现更大的VR探测范围，在可用信标数量充足的情况下，实现更多的VR边界细节探测，从而提升VR识别准确率。仿真结果如图4所示，由图可知本发明所提自适应调整探测比例α的优化方案，明显优于原有的固定α的方法，VR识别效率得到提升。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的超大规模MIMO天线系统中可视区域的识别方法的超大规模MIMO天线系统中可视区域的识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个超大规模MIMO天线系统中可视区域的识别装置实施例中的具体限定可以参见上文中对于超大规模MIMO天线系统中可视区域的识别方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种超大规模MIMO天线系统中可视区域的识别装置，包括：
第一获取模块501，用于获取用户终端所在位置；
确定模块502，用于根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小。
在一种可能的实现方式中，还包括：
第二获取模块，用于获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
第三获取模块，用于从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
第四获取模块，用于从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
第五获取模块，用于从所述原始数据集中获取所述数据子集的(1-预设占比)的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
加入模块，用于将所述第一孙集和所述第二孙集加入初始的优化数据集；
生成模块按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复第三获取模块、第四获取模块、第五获取模块和加入模块至预设次数，得到所述优化数据集。
在一种可能的实现方式中，所述第五获取模块，包括：
第一获取子模块，用于从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始信标用户终端位置与第一信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
比较子模块，用于若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
筛选子模块，用于重复第一获取子模块和比较子模块，直到筛选的第二信标用户的数量等于所述数据子集的(1-预设占比)。
在一种可能的实现方式中，还包括：
第六获取模块，用于从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
合并模块，用于将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
上述超大规模MIMO天线系统中可视区域的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储超大规模MIMO天线系统中可视区域的识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超大规模MIMO天线系统中可视区域的识别方法。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种超大规模MIMO天线系统中可视区域的识别方法，其特征在于，包括：
获取用户终端所在位置；
根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小，所述分配比例包括用于区域探测的信标用户与用于边界细化的信标用户的比例。
2.根据权利要求1所述的方法，其特征在于，所述优化数据集的获得方式，包括：
获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
步骤（1）从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
步骤（2）从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
步骤（3）从所述原始数据集中获取所述数据子集的（1-预设占比）的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
将所述第一孙集和所述第二孙集加入初始的优化数据集；
按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复步骤（1）至步骤（3）至预设次数，得到所述优化数据集。
3.根据权利要求2所述的方法，其特征在于，从所述原始数据集中获取所述数据子集的（1-预设占比）的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集，包括：
步骤（31），从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始第二信标用户终端位置与第一信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
步骤（32），若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
重复步骤（31）和步骤（32），直到筛选的第二信标用户的数量等于所述数据子集的（1-预设占比）。
4.根据权利要求2所述的方法，其特征在于，在所述得到所述优化数据集，之后还包括：
从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
5.一种超大规模MIMO天线系统中可视区域的识别装置，其特征在于，包括：
第一获取模块，用于获取用户终端所在位置；
确定模块，用于根据超大规模MIMO天线系统覆盖的位置区域与天线阵列可视区域的关联关系，确定与所述终端所在的位置相匹配的可视区域；其中，所述关联关系来源于优化数据集，所述优化数据集为对原始数据集按照分配比例分配用于区域探测的信标用户和用于边界细化的信标用户；其中所述分配比例随着优化数据集优化过程中信标用户的数量的增多而减小，所述分配比例包括用于区域探测的信标用户与用于边界细化的信标用户的比例。
6.根据权利要求5所述的装置，其特征在于，还包括：
第二获取模块，用于获取原始数据集，所述原始数据集包括候选信标用户的终端位置与可视区域的关联关系；
第三获取模块，用于从所述原始数据集中获取预设数量的数据子集，其中，所述数据子集与历史获取的数据子集不同；
第四获取模块，用于从所述数据子集中获取预设占比的第一信标用户，作为探测区域的第一孙集；
第五获取模块，用于从所述原始数据集中获取所述数据子集的（1-预设占比）的初始第二信标用户，在与所述初始第二信标用户距离满足预设阈值的第一信标用户对应不同的可见区域的情况下，将所述初始第二信标用户用于作为细化边界的第二孙集；
加入模块，用于将所述第一孙集和所述第二孙集加入初始的优化数据集；
生成模块按照与重复次数呈负相关的关联关系，调整所述预设占比，并重复第三获取模块、第四获取模块、第五获取模块和加入模块至预设次数，得到所述优化数据集。
7.根据权利要求6所述的装置，其特征在于，所述第五获取模块，包括：
第一获取子模块，用于从所述原始数据集中获取初始第二信标用户，在所述初始第二信标用户不属于所述数据子集的情况下，获取所述初始第二信标用户终端位置与第一信标用户终端位置之间的距离，确定距离最小的第一目标信标用户以及距离第二小的第二目标信标用户；
比较子模块，用于若所述第一目标信标用户的可视区域与所述第二目标信标用户的可视区域不同，且两者与所述初始第二信标用户距离差小于或等于预设阈值，则将所述初始第二信标用户加入所述第二孙集；
筛选子模块，用于重复第一获取子模块和比较子模块，直到筛选的第二信标用户的数量等于所述数据子集的（1-预设占比）。
8.根据权利要求6所述的装置，其特征在于，还包括：
第六获取模块，用于从所述优化数据集中获取信标用户的终端位置及对应的可视区域；
合并模块，用于将可视区域相同的终端位置合并，得到可视区域对应的位置区域。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的超大规模MIMO天线系统中可视区域的识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的超大规模MIMO天线系统中可视区域的识别方法的步骤。
CN202310472139.5A 2023-04-26 2023-04-26 一种超大规模mimo天线系统中可视区域的识别方法和装置 Active CN116488684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310472139.5A CN116488684B (zh) 2023-04-26 2023-04-26 一种超大规模mimo天线系统中可视区域的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310472139.5A CN116488684B (zh) 2023-04-26 2023-04-26 一种超大规模mimo天线系统中可视区域的识别方法和装置

Publications (2)

Publication Number Publication Date
CN116488684A CN116488684A (zh) 2023-07-25
CN116488684B true CN116488684B (zh) 2023-10-13

Family

ID=87217519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310472139.5A Active CN116488684B (zh) 2023-04-26 2023-04-26 一种超大规模mimo天线系统中可视区域的识别方法和装置

Country Status (1)

Country Link
CN (1) CN116488684B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348608A (zh) * 2010-11-01 2013-10-09 李尔登公司 经由用户群集在分布式无线系统中协调发射的系统及方法
CN109697735A (zh) * 2019-01-14 2019-04-30 刘翔宇 面向室内智能灯下的可见光定位图像处理方法
US10564251B1 (en) * 2018-10-03 2020-02-18 Bastille Networks, Inc. Localization of mobile high-speed wireless user equipment from downlink channels
CN112887371A (zh) * 2021-01-12 2021-06-01 深圳市中博科创信息技术有限公司 边缘计算方法、装置、计算机设备及存储介质
CN114650598A (zh) * 2020-12-18 2022-06-21 中兴通讯股份有限公司 配置通信小区协同关系的方法、网络设备及存储介质
CN115314082A (zh) * 2022-07-11 2022-11-08 南通先进通信技术研究院有限公司 一种超大规模mimo系统中用户可视区域识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8237612B2 (en) * 2010-02-24 2012-08-07 Microsoft Corporation Inferring beacon positions based on spatial relationships

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348608A (zh) * 2010-11-01 2013-10-09 李尔登公司 经由用户群集在分布式无线系统中协调发射的系统及方法
US10564251B1 (en) * 2018-10-03 2020-02-18 Bastille Networks, Inc. Localization of mobile high-speed wireless user equipment from downlink channels
CN109697735A (zh) * 2019-01-14 2019-04-30 刘翔宇 面向室内智能灯下的可见光定位图像处理方法
CN114650598A (zh) * 2020-12-18 2022-06-21 中兴通讯股份有限公司 配置通信小区协同关系的方法、网络设备及存储介质
WO2022127559A1 (zh) * 2020-12-18 2022-06-23 中兴通讯股份有限公司 配置通信小区协同关系的方法、网络设备及存储介质
CN112887371A (zh) * 2021-01-12 2021-06-01 深圳市中博科创信息技术有限公司 边缘计算方法、装置、计算机设备及存储介质
CN115314082A (zh) * 2022-07-11 2022-11-08 南通先进通信技术研究院有限公司 一种超大规模mimo系统中用户可视区域识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yair Noam and Andrea J. Goldsmith.Spatial MAC in MIMO Communications and its Application to Underlay Cognitive Radio.arXiv.2012,全文. *
麻悦.基于5G的绿色宽带通信研究与实现.《微型电脑应用》.2022,全文. *

Also Published As

Publication number Publication date
CN116488684A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Njima et al. DNN-based indoor localization under limited dataset using GANs and semi-supervised learning
CN108901036B (zh) 小区网络参数的调整方法、装置、计算机设备和存储介质
WO2020215783A1 (zh) 定位方法、装置及存储介质
WO2008097814A1 (en) System and method for generating a location estimate using a method of intersections
CN106326923B (zh) 一种顾及位置重复和密度峰值点的签到位置数据聚类方法
CN108934016A (zh) 小区场景类别的划分方法、装置、计算机设备和存储介质
CN111723815B (zh) 模型训练方法、图像处理方法、装置、计算机系统和介质
CN112867147B (zh) 定位方法和定位装置
CN106470435B (zh) 识别WiFi群的方法及系统
US10936899B2 (en) Methods, systems and apparatus to improve image classification with boundary-bitmaps
Liu et al. Location-based visible region recognition in extra-large massive MIMO systems
CN116488684B (zh) 一种超大规模mimo天线系统中可视区域的识别方法和装置
Chukhno et al. The use of machine learning techniques for optimal multicasting in 5G NR systems
US20220012526A1 (en) Systems and methods for image retrieval
CN117674957A (zh) 调度方法、装置、计算机设备、存储介质和程序产品
CN114430530B (zh) 空间划分方法、装置、设备、介质和程序产品
CN115314082B (zh) 一种超大规模mimo系统中用户可视区域识别方法
CN110851868A (zh) 一种用于轨迹数据发布的位置代表元生成方法
US11646778B2 (en) Method and apparatus for controlling beam adaptively in wireless communication system
CN113239879B (zh) 联邦模型训练、证件检测方法、装置、设备及介质
Malkova et al. Self-learning for received signal strength map reconstruction with neural architecture search
WO2023071760A1 (zh) 波束域的划分方法及装置、存储介质及电子装置
CN115413022B (zh) 基站位置的识别方法、装置、设备及存储介质
Malkova et al. Deep Learning with Partially Labeled Data for Radio Map Reconstruction
CN116232496A (zh) 限定信标间距的超大规模mimo可视区域识别方法

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
GR01 Patent grant
GR01 Patent grant