CN117082536A - 一种基于强化学习的空地网络协同覆盖方法 - Google Patents
一种基于强化学习的空地网络协同覆盖方法 Download PDFInfo
- Publication number
- CN117082536A CN117082536A CN202311292173.0A CN202311292173A CN117082536A CN 117082536 A CN117082536 A CN 117082536A CN 202311292173 A CN202311292173 A CN 202311292173A CN 117082536 A CN117082536 A CN 117082536A
- Authority
- CN
- China
- Prior art keywords
- base station
- network
- antenna
- coverage
- reinforcement learning
- 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.)
- Granted
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009471 action Effects 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 238000005728 strengthening Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
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
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04W16/22—Traffic simulation tools or models
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于强化学习的空地网络协同覆盖方法,包括以下步骤:S1.获取基站的地理位置和基站参数域;所述地理位置即基站的经纬度信息;所述基站参数域包括基站参数种类和每一种基站参数的范围;S2.基于无人机实测数据,获得基站在不同基站参数下的低空和地面的覆盖情况,并形成三维天线方向图;S3.将空地网络协同问题建模成强化学习任务,并基于强化学习得到寻找基站参数配置最佳状态,从而实现空地网络协同覆盖。本发明通过通过获取基站配置参数与基站覆盖的关系,继而构建强化学习任务在基站参数域中寻找最佳的基站配置,实现低空与地面的协同覆盖。
Description
技术领域
本发明涉及网络覆盖方法,特别是涉及一种基于强化学习的空地网络协同覆盖方法。
背景技术
当前300m以下低空网络覆盖主要由地面现有基站实现。存在地面网络与低空网络同时有覆盖需求时,难以较为有效的实现协同地面与低空同时覆盖的问题。现有的空地网络协同覆盖方法通常基于阈值报警后根据人工经验调整网络参数进行优化,存在以下缺陷:受限于人工经验的效率与准确度因素,对现有基站参数与基站覆盖指标的关系难以准确建模分析,继而网络协同优化程度受限;基于阈值预警的优化策略通常只能针对特定基站进行空地覆盖的优化调整,难以实现多基站场景的高复杂度协同优化。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于强化学习的空地网络协同覆盖方法,通过获取基站配置参数与基站覆盖的关系,继而构建强化学习任务在基站参数域中寻找最佳的基站配置,实现低空与地面的协同覆盖。
本发明的目的是通过以下技术方案来实现的:一种基于强化学习的空地网络协同覆盖方法,包括以下步骤:
S1.获取基站的地理位置和基站参数域;
所述地理位置即基站的经纬度信息;所述基站参数域包括基站参数种类和每一种基站参数的范围;
S2基于无人机实测数据,获得基站在不同基站参数下的低空和地面的覆盖情况,并形成三维天线方向图;
S3.将空地网络协同问题建模成强化学习任务,并基于强化学习得到寻找基站参数配置最佳状态,从而实现空地网络协同覆盖。
本发明的有益效果是:本发明构建基站参数域与基站覆盖的对应关系,将基站参数调整映射至基站实际覆盖情况;同时设计基于终端动态业务指标的目标函数与基于波束覆盖的约束模型,将不确定的调整关系转化为可量化的数据,降低根据人工经验判断分析基站配置更改所造成的影响,提高了优化调整效率;并且本申请构建强化学习任务,将基站视为智能体,基站可调参数域视为行动空间,通过强化学习直到输出最优基站参数配置方案,实现低空与地面基站的高效协同覆盖。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于强化学习的空地网络协同覆盖方法,包括以下步骤:
S1.获取基站的地理位置和基站参数域;
所述地理位置即基站的经纬度信息;所述基站参数域包括基站参数种类和每一种基站参数的范围;
S2基于无人机实测数据,获得基站在不同基站参数下的低空和地面的覆盖情况,并形成三维天线方向图;
S3.将空地网络协同问题建模成强化学习任务,并基于强化学习得到寻找基站参数配置最佳状态,从而实现空地网络协同覆盖。
其中,所述基站参数种类包括:站高天线站高h,天线方向角hAOA,天线下倾角downtilt,3dB波束宽度向量w=[wH,wv],以及SSB波束朝向;其中,wH表示水平宽度,wv表示垂直宽度。
所述步骤S2包括:
S201.保持基站的站高天线h不变,获取如下参数:
天线方向角hAOA的取值范围为{a1,a2,...,aJ},其中aj表示第j种天线方向角,J表示天线下倾角取值范围中包含的天线下倾角个数,j=1,2,…,J;
天线下倾角downtilt的范围为{θ1,θ2,...,θK},其中θk表示第k个天线下倾角,K表示天线下倾角取值范围中包含的天线下倾角个数,k=1,2,…,K;
基站的3dB波束宽度向量取值集合为{w1,w2,...,wN},其中wn表示集合中第n个向量,N为向量总数,n=1,2,…,N;
SSB波束朝向取值集合为{zSSB0,…,zSSB7},其中zSSBi为集合中第i个朝向,所述波束朝向是指在以天线面板为中心建立的笛卡尔坐标系中的朝向,i=0,1,2,…,7;
S202.初始化j=0,k=1,n=1,i=0;
S203.在天线方向角为aj、天线下倾角为θk、3dB波束宽度为wn、SSB波束i的波束朝向为zSSBi时,分别使用无人机挂载扫频仪,以及车载扫频仪方式进行低空网络与地面网络的覆盖测量,采集各采样点能接收的SSB波束信号强度RSRP;
S204.若i=7,则进入步骤S205,否则令i=i+1,然后返回步骤S203;
S205.若n=N,则进入步骤S206,否则令n=n+1,i=0,返回步骤S203;
S206.若k=K,则进入步骤S207,否则令k=k+1,n=1,i=0,返回步骤S203;
S207.若j=J,则实测结束,否则令j=j+1,k=1,n=1,i=0,返回步骤S203;
S208.由于i有8种取值,n有N中取值,k有K种取值,j有J种取值,故总共有8*N*K*J中基站参数组合,基于每一种参数组合下的测量结果,经过三次插值法进行测量采样点间的数据平滑处理,在三维空间中对波束信号的进行仿真,最终获得8*N*K*J种参数配置下的三维天线方向图结果。
所述步骤S203中,使用无人机挂载扫频仪进行低空网络的覆盖测量时,需要在距离基站水平距离为600m时,与天线垂直距离为60m至120m范围内,按照5m的步进,分别对基站进行测量,得到每一个天线垂直距离下基站各个SSB波束的信号强度RSRP,形成当前基站参数下的低空覆盖测量结果。
所述步骤S203中,使用扫频仪进行地面网络的覆盖测量时,需要在距离基站水平距离为600m时,对基站进行路测,得到地面的基站各个SSB波束的信号强度RSRP,形成当前基站参数下的地面测量结果。
通过设计以下覆盖质量评价函数,对低空网络与地面网络的覆盖质量进行评估:
其中QG(x),QA(x)分别表示地面与低空网络的覆盖质量,s为x位置的主服务基站小区,N0(x)为x位置环境噪声,为其他基站小区对当前位置信号的干扰;
为低空采样点由于地面用户上行信号而产生的信号干扰;采样点x的信号衰减/>由以下公式生成,其中gi(x)为天线i在位置x的信号强度,由天线方向图仿真方法生成,L(fc,d)为载波频率fc,传播距离d后的传播衰减:
所述步骤S3包括:
S301.建立强化学习任务,任务包含以下场景环境信息:基站周边地图M;多基站坐标PBS={P1…Pn};各基站天线配置SBS={S1…Sn},Si={zSSBi,hi,bi,ai,vi},bi为波束具体配置,包括3dB波束宽度,ai为天线水平方向角;vi为天线下倾角;同时,基于上述中无人机实测信号质量时同时采集的基站周边三维地理信息,通过三维点云重建各基站周边三维场景G={(x1,y1,z1,n1),…,(xi,yi,zi,ni)},(xi,yi,zi,ni)为场景中各点坐标以及该坐标点的底噪;
环境信息建立完成后,在强化学习任务中建立一个与环境相互作用的智能体,基于上述建立的强化学习任务,该智能体为目标航线段内的所有服务基站,智能体的行动空间A为目标航线段内所有基站的可调参数空间的组合;at∈A为智能体当前时刻t基于下一状态的预期函数所采取的行动,即基站参数调整策略;状态空间S为基于天线配置的基站覆盖分布,st∈S为当前智能体状态,即基站参数配置,空间大小为8*N*K,st+1为采取at后的智能体状态,即调整后的基站参数配置;
强化学习智能体建立后,需要进行奖惩函数的设置,一般情况下强化学习任务最终目标为最大化累积折扣奖励为:
折扣因子γ∈[0,1]
在此强化学习任务策略中,任务目标为对目标航线段上所有位置x的最大化平均覆盖质量,Kavg为在目标航线段/>上的N个采样点的低空与地面网络覆盖质量和的平均值,同时也为此强化学习任务的即时奖励r’:
其中KG(x),KA(x)分别表示地面与低空网络在x位置的覆盖质量,由当前智能体当前时刻t的状态st所对应的所有基站小区的参数配置所生成的天线方向图仿真得到,RSRP为x位置的信号强度,s为x位置的主服务基站小区,N0(x)为x位置环境噪声,为其他基站小区对当前位置信号的干扰;/>为低空采样点由于地面用户上行信号而产生的信号干扰;Ps,Pb与Pu分别为服务小区发射功率,邻区发射功率以及地面干扰终端发射功率;采样点x的信号衰减/>由以下公式生成,其中gi(x)为天线i在位置x的信号强度,由本专利所述天线方向图仿真方法生成,L(fc,d)为载波频率fc,传播距离d后的传播衰减:
S302.基于步骤S301中的强化学习任务,建立DQN网络,以计算拟合智能体在一种状态s下可采取的各种行动a对应的折扣奖励r(s,a),折扣奖励r通过目标航线段l上的N个采样点的低空与地面网络覆盖质量和的平均值乘Kavg折扣因子γ得到,DQN网络建立与训练方法具体如下:
建立结构相同的DQN主网络与DQN目标网络,使用全连接层作为网络的隐藏层,对网络权值进行初始化,同时初始状态采用均匀随机行动,并以概率参数ε的贪婪算法进行策略选择;对网络权值进行初始化,同时初始状态采用均匀随机行动,并以概率参数ε的贪婪算法进行策略选择;初始化回放缓存区,放入已知的转移参数样本(st,at,rt,st+1)并保存,由当前系统状态,当前状态采取的行动,当前状态的即时回报,系统下一个状态四个参数组成,当作DQN网络的已知经验;
S303.训练DQN网络,从回放缓存区中以均匀分布随机抽取转移参数样本计算两种Q值:直接计算目标Q值Qtarget=r+γ·maxQ(st+1,at+1;w),其中r为状态st采取at的回报,at+1为状态st+1时能获得最大Q值的行动;训练拟合预测Q值,计算过程为:Qpredict=Q(st,at;w),Qmain为在st状态下采取at行动,DQN网络在w权值下的通过神经网络拟合的Q值;采用Qtarget和Qpredict均方差损失函数计算,利用反向传播算法训练DQN主网络,把每次训练得到的新转移参数样本(st,at,rt,st+1)存入回放缓存区,并随机清理回放缓存区;每经过一定数量的迭代训练之后将DQN主网络权重w赋给DQN目标网络,然后继续从回放缓存区中以均匀分布随机抽取转移参数样本用于DQN主网络训练,直到DQN目标网络收敛,停止更新,输出DQN目标网络,得到近似每一状态的最佳行动值,继而采取最优贪婪策略寻找基站参数配置最佳状态,因为已经训练得到了每一状态的最佳行动值,所以采用最优贪婪策略,只考虑当前状态s下的能得到最大Q值的最佳行动a。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于强化学习的空地网络协同覆盖方法,其特征在于:包括以下步骤:
S1.获取基站的地理位置和基站参数域;
所述地理位置即基站的经纬度信息;所述基站参数域包括基站参数种类和每一种基站参数的范围;
S2基于无人机实测数据,获得基站在不同基站参数下的低空和地面的覆盖情况,并形成三维天线方向图;
S3.将空地网络协同问题建模成强化学习任务,并基于强化学习得到寻找基站参数配置最佳状态,从而实现空地网络协同覆盖。
2.根据权利要求1所述的一种基于强化学习的空地网络协同覆盖方法,其特征在于:所述基站参数种类包括:站高天线站高h,天线方向角hAOA,天线下倾角downtilt,3dB波束宽度向量w=[wH,wv],以及SSB波束朝向;其中,wH表示水平宽度,wv表示垂直宽度。
3.根据权利要求2所述的一种基于强化学习的空地网络协同覆盖方法,其特征在于:所述步骤S2包括:
S201.保持基站的站高天线h不变,获取如下参数:
天线方向角hAOA的取值范围为{a1,a2,...,aJ},其中aj表示第j种天线方向角,J表示天线下倾角取值范围中包含的天线下倾角个数,j=1,2,…,J;
天线下倾角downtilt的范围为{θ1,θ2,...,θK},其中θk表示第k个天线下倾角,K表示天线下倾角取值范围中包含的天线下倾角个数,k=1,2,…,K;
基站的3dB波束宽度向量取值集合为{w1,w2,...,wN},其中wn表示集合中第n个向量,N为向量总数,n=1,2,…,N;
SSB波束朝向取值集合为{zSSB0,…,zSSB7},其中zSSBi为集合中第i个朝向,所述波束朝向是指在以天线面板为中心建立的笛卡尔坐标系中的朝向,i=0,1,2,…,7;
S202.初始化j=0,k=1,n=1,i=0;
S203.在天线方向角为aj、天线下倾角为θk、3dB波束宽度为wn、SSB波束i的波束朝向为zSSBi时,分别使用无人机挂载扫频仪,以及车载扫频仪方式进行低空网络与地面网络的覆盖测量,采集各采样点能接收的SSB波束信号强度RSRP;
S204.若i=7,则进入步骤S205,否则令i=i+1,然后返回步骤S203;
S205.若n=N,则进入步骤S206,否则令n=n+1,i=0,返回步骤S203;
S206.若k=K,则进入步骤S207,否则令k=k+1,n=1,i=0,返回步骤S203;
S207.若j=J,则实测结束,否则令j=j+1,k=1,n=1,i=0,返回步骤S203;
S208.由于i有8种取值,n有N中取值,k有K种取值,j有J种取值,故总共有8*N*K*J中基站参数组合,基于每一种参数组合下的测量结果,经过三次插值法进行测量采样点间的数据平滑处理,在三维空间中对波束信号的进行仿真,最终获得8*N*K*J种参数配置下的三维天线方向图结果。
4.根据权利要求3所述的一种基于强化学习的空地网络协同覆盖方法,其特征在于:所述步骤S203中,使用无人机挂载扫频仪进行低空网络的覆盖测量时,需要在距离基站水平距离为600m时,与天线垂直距离为60m至120m范围内,按照5m的步进,分别对基站进行测量,得到每一个天线垂直距离下基站各个SSB波束的信号强度RSRP,形成当前基站参数下的低空覆盖测量结果。
5.根据权利要求3所述的一种基于强化学习的空地网络协同覆盖方法,其特征在于:所述步骤S203中,使用扫频仪进行地面网络的覆盖测量时,需要在距离基站水平距离为600m时,对基站进行路测,得到地面的基站各个SSB波束的信号强度RSRP,形成当前基站参数下的地面测量结果。
6.根据权利要求1所述的一种基于强化学习的空地网络协同覆盖方法,其特征在于:所述步骤S3包括:
S301.建立强化学习任务,任务包含以下场景环境信息:基站周边地图M;多基站坐标PBS={P1…Pn};各基站天线配置SBS={S1…Sn},Si={zSSBi,hi,bi,ai,vi},bi为波束具体配置,包括3dB波束宽度,ai为天线水平方向角;vi为天线下倾角;同时,基于上述中无人机实测信号质量时同时采集的基站周边三维地理信息,通过三维点云重建各基站周边三维场景G={(x1,y1,z1,n1),…,(xi,yi,zi,ni)},(xi,yi,zi,ni)为场景中各点坐标以及该坐标点的底噪;
环境信息建立完成后,在强化学习任务中建立一个与环境相互作用的智能体,基于上述建立的强化学习任务,该智能体为目标航线段内的所有服务基站,智能体的行动空间A为目标航线段内所有基站的可调参数空间的组合;at∈A为智能体当前时刻t基于下一状态的预期函数所采取的行动,即基站参数调整策略;状态空间S为基于天线配置的基站覆盖分布,st∈S为当前智能体状态,即基站参数配置,空间大小为8*N*K*J,st+1为采取at后的智能体状态,即调整后的基站参数配置;
强化学习智能体建立后,需要进行奖惩函数的设置,一般情况下强化学习任务最终目标为最大化累积折扣奖励为:
折扣因子γ∈[0,1]
在此强化学习任务策略中,任务目标为对目标航线段l上所有位置x的最大化平均覆盖质量,Kavg为在目标航线段上的N个采样点的低空与地面网络覆盖质量和的平均值,同时也为此强化学习任务的即时奖励r’:
其中KG(x),KA(x)分别表示地面与低空网络在x位置的覆盖质量,由当前智能体当前时刻t的状态st所对应的所有基站小区的参数配置所生成的天线方向图仿真得到,RSRP为x位置的信号强度,s为x位置的主服务基站小区,N0(x)为x位置环境噪声,为其他基站小区对当前位置信号的干扰;/>为低空采样点由于地面用户上行信号而产生的信号干扰;Ps,Pb与Pu分别为服务小区发射功率,邻区发射功率以及地面干扰终端发射功率;采样点x的信号衰减/>由以下公式生成,其中gi(x)为天线i在位置x的信号强度,由本专利所述天线方向图仿真方法生成,L(fc,d)为载波频率fc,传播距离d后的传播衰减:
S302.基于步骤S301中的强化学习任务,建立DQN网络,以计算拟合智能体在一种状态s下可采取的各种行动a对应的折扣奖励r(s,a),折扣奖励r通过目标航线段上的N个采样点的低空与地面网络覆盖质量和的平均值乘Kavg折扣因子γ得到,DQN网络建立与训练方法具体如下:
建立结构相同的DQN主网络与DQN目标网络,使用全连接层作为网络的隐藏层,对网络权值进行初始化,同时初始状态采用均匀随机行动,并以概率参数ε的贪婪算法进行策略选择;对网络权值进行初始化,同时初始状态采用均匀随机行动,并以概率参数ε的贪婪算法进行策略选择;初始化回放缓存区,放入已知的转移参数样本(st,at,rt,st+1)并保存,由当前系统状态,当前状态采取的行动,当前状态的即时回报,系统下一个状态四个参数组成,当作DQN网络的已知经验;
S303.训练DQN网络,从回放缓存区中以均匀分布随机抽取转移参数样本计算两种Q值:直接计算目标Q值Qtarget=r+γ·maxQ(st+1,at+1;w),其中r为状态st采取at的回报,at+1为状态st+1时能获得最大Q值的行动;训练拟合预测Q值,计算过程为:Qpredict=Q(st,at;w),Qmain为在st状态下采取at行动,DQN网络在w权值下的通过神经网络拟合的Q值;采用Qtarget和Qpredict均方差损失函数计算,利用反向传播算法训练DQN主网络,把每次训练得到的新转移参数样本(st,at,rt,st+1)存入回放缓存区,并随机清理回放缓存区;每经过一定数量的迭代训练之后将DQN主网络权重w赋给DQN目标网络,然后继续从回放缓存区中以均匀分布随机抽取转移参数样本用于DQN主网络训练,直到DQN目标网络收敛,停止更新,输出DQN目标网络,得到近似每一状态的最佳行动值,继而采取最优贪婪策略寻找基站参数配置最佳状态,因为已经训练得到了每一状态的最佳行动值,所以采用最优贪婪策略,只考虑当前状态s下的能得到最大Q值的最佳行动a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292173.0A CN117082536B (zh) | 2023-10-08 | 2023-10-08 | 一种基于强化学习的空地网络协同覆盖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292173.0A CN117082536B (zh) | 2023-10-08 | 2023-10-08 | 一种基于强化学习的空地网络协同覆盖方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117082536A true CN117082536A (zh) | 2023-11-17 |
CN117082536B CN117082536B (zh) | 2024-04-12 |
Family
ID=88710109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311292173.0A Active CN117082536B (zh) | 2023-10-08 | 2023-10-08 | 一种基于强化学习的空地网络协同覆盖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117082536B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293897A1 (en) * | 2017-04-11 | 2018-10-11 | T-Mobile, U.S.A, Inc. | Three-dimensional network coverage modeling for uavs |
US20200260404A1 (en) * | 2019-02-12 | 2020-08-13 | Samsung Electronics Co., Ltd. | Method and system for positioning low altitude platform station (laps) drone cells |
CN113157002A (zh) * | 2021-05-28 | 2021-07-23 | 南开大学 | 一种基于多无人机多基站的空地协同全覆盖轨迹规划方法 |
CN113645641A (zh) * | 2021-08-11 | 2021-11-12 | 北京邮电大学 | 一种空地用户共存的无人机网络对空天线参数配置方法 |
CN114095955A (zh) * | 2021-11-08 | 2022-02-25 | 西安电子科技大学 | 基于凸多边形剖分的地对空覆盖的场景化波束生成方法 |
CN114501530A (zh) * | 2020-10-28 | 2022-05-13 | 中国移动通信集团设计院有限公司 | 基于深度强化学习的天线参数的确定方法和装置 |
CN114980136A (zh) * | 2022-05-20 | 2022-08-30 | 西安电子科技大学 | 一种高能效的地面基站对低空立体信号覆盖方法 |
US20230041157A1 (en) * | 2021-06-29 | 2023-02-09 | At&T Intellectual Property I, L.P. | Interference reduction in heterogenous terrestrial/aerial networks |
CN116133052A (zh) * | 2023-02-03 | 2023-05-16 | 首都体育学院 | 一种空地异构网络中的带宽分配和资源调度联合优化算法 |
CN116232439A (zh) * | 2023-03-21 | 2023-06-06 | 中国民航大学 | 基于北斗的5g atg地面基站对空覆盖姿态测量与调控方法 |
CN116437370A (zh) * | 2023-04-18 | 2023-07-14 | 东南大学 | 低空立体覆盖场景下网络辅助全双工模式优化方法 |
CN116634450A (zh) * | 2023-05-04 | 2023-08-22 | 西安电子科技大学 | 一种基于强化学习的动态空地异构网络用户关联增强方法 |
-
2023
- 2023-10-08 CN CN202311292173.0A patent/CN117082536B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293897A1 (en) * | 2017-04-11 | 2018-10-11 | T-Mobile, U.S.A, Inc. | Three-dimensional network coverage modeling for uavs |
US20200260404A1 (en) * | 2019-02-12 | 2020-08-13 | Samsung Electronics Co., Ltd. | Method and system for positioning low altitude platform station (laps) drone cells |
CN114501530A (zh) * | 2020-10-28 | 2022-05-13 | 中国移动通信集团设计院有限公司 | 基于深度强化学习的天线参数的确定方法和装置 |
CN113157002A (zh) * | 2021-05-28 | 2021-07-23 | 南开大学 | 一种基于多无人机多基站的空地协同全覆盖轨迹规划方法 |
US20230041157A1 (en) * | 2021-06-29 | 2023-02-09 | At&T Intellectual Property I, L.P. | Interference reduction in heterogenous terrestrial/aerial networks |
CN113645641A (zh) * | 2021-08-11 | 2021-11-12 | 北京邮电大学 | 一种空地用户共存的无人机网络对空天线参数配置方法 |
US20230146215A1 (en) * | 2021-11-08 | 2023-05-11 | Xidian University | Scene-based beam generation method for ground-to-air coverage based on convex polygon subdivision |
CN114095955A (zh) * | 2021-11-08 | 2022-02-25 | 西安电子科技大学 | 基于凸多边形剖分的地对空覆盖的场景化波束生成方法 |
CN114980136A (zh) * | 2022-05-20 | 2022-08-30 | 西安电子科技大学 | 一种高能效的地面基站对低空立体信号覆盖方法 |
CN116133052A (zh) * | 2023-02-03 | 2023-05-16 | 首都体育学院 | 一种空地异构网络中的带宽分配和资源调度联合优化算法 |
CN116232439A (zh) * | 2023-03-21 | 2023-06-06 | 中国民航大学 | 基于北斗的5g atg地面基站对空覆盖姿态测量与调控方法 |
CN116437370A (zh) * | 2023-04-18 | 2023-07-14 | 东南大学 | 低空立体覆盖场景下网络辅助全双工模式优化方法 |
CN116634450A (zh) * | 2023-05-04 | 2023-08-22 | 西安电子科技大学 | 一种基于强化学习的动态空地异构网络用户关联增强方法 |
Non-Patent Citations (7)
Title |
---|
XINWEI WANG ET AL: "A Distributed 3D UAV Placement Algorithm for Integrated Ground-Air Cellular Networks", 2022 8TH INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING AND COMMUNICATIONS (BIGCOM), 20 March 2023 (2023-03-20) * |
付道繁;: "兼顾民用无人机通信的5G网络部署方案探讨", 电信快报, no. 03, 10 March 2020 (2020-03-10) * |
姚叶;崔岩;: "空地协同下移动边缘计算系统的联合多无人机轨迹和卸载策略优化", 通信技术, no. 09, 10 September 2020 (2020-09-10) * |
沈学民;承楠;周海波;吕丰;权伟;时伟森;吴华清;周淙浩;: "空天地一体化网络技术:探索与展望", 物联网学报, no. 03, 30 September 2020 (2020-09-30) * |
牛志升;SHERMAN SHEN;张钦宇;唐余亮;: "面向沉浸式体验的空天地一体化车联网体系架构与关键技术", 物联网学报, no. 02, 30 September 2017 (2017-09-30) * |
谷欣杏;韦再雪;李高斯;桑林;: "基于遗传算法的LTE系统网络覆盖优化方法", 移动通信, no. 04, 30 April 2018 (2018-04-30) * |
骆文磊: "空地一体化网络覆盖增强技术研究", 中国优秀硕士学位论文全文数据库信息科技辑, 15 July 2023 (2023-07-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117082536B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20060199546A1 (en) | Electro-magnetic propagation modeling | |
CN106788815B (zh) | 一种基于多体制探测数据的短波通信可靠性评估方法 | |
CA2707070C (en) | Method and apparatus for network planning | |
CN113064117B (zh) | 一种基于深度学习的辐射源定位方法及装置 | |
CN110225460A (zh) | 一种基于深度神经网络的室内定位方法及装置 | |
CN111062466B (zh) | 基于参数和神经网络预测天线调整后小区场强分布的方法 | |
CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
CN110650436B (zh) | 基于WiFi数据的位置指纹库建立与拟合方法 | |
CN110113119A (zh) | 一种基于人工智能算法的无线信道建模方法 | |
CN111818555A (zh) | 一种基于虚拟建站的无线电监测站点覆盖范围评估分析方法 | |
CN104093205A (zh) | 基于接收信号强度指示的无线定位系统锚节点部署方法 | |
WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
CN109561446B (zh) | 一种高铁高速场景下无线网络优化的方法及装置 | |
TWI718450B (zh) | 使用飛行載具之無線電訊號源的無線電波分布之量測與對應之無線電特徵之估算之方法及系統 | |
CN110418283B (zh) | 基于WiFi数据的位置指纹库创建方法 | |
CN106792554A (zh) | 一种基于双重匹配指纹定位技术的定位方法 | |
CN114630348A (zh) | 基站天线参数调整方法、装置、电子设备及存储介质 | |
CN114363808A (zh) | 一种基于rssi测距的室内定位方法 | |
CN116359838A (zh) | 一种面向室内低功耗蓝牙的定位解算模型 | |
Kim et al. | mmWave path loss modeling for urban scenarios based on 3D-convolutional neural networks | |
CN117082536B (zh) | 一种基于强化学习的空地网络协同覆盖方法 | |
CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
CN116980933A (zh) | 天线参数调整方法和装置、电子设备及存储介质 | |
WO2023026024A2 (en) | Methods and apparatus for determining above ground coverage of a mobile telecommunications network | |
Nguyen et al. | Deep Learning for Path Loss Prediction at 7 GHz in Urban Environment |
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 |