WO2003061318A1 - Neuronales modellbasiertes verfahren und vorrichtung zur minimierung von störungen bei variierenden uplink/downlink timeslots in benachbarten zellen - Google Patents

Neuronales modellbasiertes verfahren und vorrichtung zur minimierung von störungen bei variierenden uplink/downlink timeslots in benachbarten zellen Download PDF

Info

Publication number
WO2003061318A1
WO2003061318A1 PCT/DE2003/000065 DE0300065W WO03061318A1 WO 2003061318 A1 WO2003061318 A1 WO 2003061318A1 DE 0300065 W DE0300065 W DE 0300065W WO 03061318 A1 WO03061318 A1 WO 03061318A1
Authority
WO
WIPO (PCT)
Prior art keywords
base station
timeslots
neural network
timeslot
network
Prior art date
Application number
PCT/DE2003/000065
Other languages
English (en)
French (fr)
Inventor
Volkmar Sterzing
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2003061318A1 publication Critical patent/WO2003061318A1/de

Links

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
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • 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
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames

Definitions

  • the TDD (Time Division Duplex) and SCTD procedure defined in the UMTS standard allows the assignment of a different number of timeslots for uplink and downlink traffic that is appropriate to the needs. So are z. B. with TDD-UMTS 15 timeslots available in each frame of length 10 ms.
  • TS uplink and downlink timeslots
  • a cell phone that handles its traffic through a first base station, e.g. B. approaching a second base station in buildings. If it sends in one of the overlapping timeslots, it blocks the traffic of the surrounding cell phones, which receive data from the second station in these timeslots.
  • the information of the cell phones belonging to the first base station which transmit in the overlapping timeslots and are located in the area which can be reached by both base stations, would be blocked or disrupted by the considerably more powerful simultaneous transmission of the second base station.
  • FCA Fixed Channel Allocation
  • DCA Dynamic Channel Allocation
  • the weighting of individual measured values and parameters can be varied by the appropriate choice of weight factors. Due to the earlier development stage of the technology, especially in the UMTS area, statements about the advantages and disadvantages of the known methods cannot be made.
  • the object of the present invention is to provide a method that the complex interactions of the individual parameters are taken into account in order to calculate an optimized distribution of timeslots.
  • the dependence of the individual parameters on each other is determined with the help of neural networks and corresponding learning phases.
  • the network trained in this way can then be used for other parameter combinations which are not yet known.
  • two neural networks are connected in series.
  • the first neural network calculates the input values for the second neural network.
  • the two networks it is also conceivable for the two networks to be merged into one network.
  • the second neural network which calculates the distribution of the time slots, has the following input values:
  • L DM (Likelihood of Disturbance by Mobile) as a measure of the probability of interference caused by the transmission of the mobile phone or subscriber in another cell of the network.
  • L DB (likelihood of disturbance by base station) as a measure of the probability of interference which is triggered by the neighboring base station being transmitted by the handset or subscriber.
  • the uplink timeslots for the mobile phone are to be assigned in a preferred embodiment for each cell in descending order from L DM according to the capacity starting with timeslot 1.
  • the downlink timeslots are assigned in descending order from L DB starting with the last timeslot, in UMTS with timeslot 15.
  • the use of not only the current but also the past values of L DM and L DB allows the speed at which a mobile phone or a subscriber moves towards or away from the base station.
  • This classification task is carried out by a neural network NN2 with the input values on L DB , L DM and in a preferred embodiment with the past values of L DB (tx), L DM (tx).
  • Measured data serve as target function values OTS (optimal timeslot) of this network, for which an optimal allocation of the timeslots was preferably calculated in an offline simulation.
  • OTS optimal timeslot
  • OTS NN2 (L DM (t), L DM (tl), ..., L DB (t), L DB (t-1), ...
  • a further neural network NN1 is used to determine the variables L DM , L DB .
  • This network NN1 uses available measurement data.
  • the values of L DM and L DB depend to a large extent on the distance to your own base station and the transmission power of the mobile subscriber or the base station.
  • the distance between mobile subscribers and base station can be estimated from the timing advance t A.
  • the running time of the signal between the base station and the mobile device is calculated on the basis of synchronized time information. This value includes the running time between the base station and the mobile device with a resolution of approximately thirty meters.
  • the dimension can be used as a distance dimension. Further information can be found in the documents on the website www.3gpp.org. Other forms of distance measurement are also conceivable. So z. B. a triangular bearing. It is also conceivable to use GPS information.
  • the past values of the power adjustments P A of the mobile phone and base station must be used. With this power adjustment, the base station and the participants exchange information about theirs own transmission power and the required transmission power. As a result of the communication, the transmission power is adjusted so that all mobiles are received equally strongly at the base station and so that too much energy is not used. Additional measured values, such as
  • RSCP received signal control power
  • PathlossDL Pulthloss Downlink - PLDL
  • PathlossUL Pulthloss Uplink - PLUL
  • ISCP Interference signal control power
  • BER Bit error rate
  • RawBERDL Downlink raw Bit Error Rate
  • RawBERUL Uplink raw bit error rate
  • RSSI Received Signal Strength Indicator
  • the neural network is usually a non-linear mapping from the above. Sizes created.
  • the interference described by L DM triggers the cell phone with its own transmission power on neighboring cell phones.
  • On this z. B. can be concluded from the intercell interference of this handset at the base station during the broadcast in an overlapping timeslot.
  • the foreign base station sees the transmission of the interfering mobile subscriber as intercell interference in the timeslot in which the external mobile subscriber transmits.
  • both neural networks can be combined into one.
  • a modular structure makes sense for model development and testing.
  • the following input data are required for training the first neural network NN1:
  • Timing advance t A of the mobile phone historical values of the power adjustments P A of the mobile phone and base station like the values already mentioned above RSCP (received signal control power), PathlossDL (Downlink Pathloss), PathlossUL
  • RSCP received signal control power
  • PathlossDL Downlink Pathloss
  • PathlossUL Downlink Pathloss
  • the target function values of the network NNl L DM and L DB can be calculated offline to create training data.
  • the starting point for this are the measured values for this mobile phone, which were collected from other (e.g. neighboring) base stations. This can e.g. B. done by targeted experiments in the pilot phase, in which deliberately overlapping timeslots are used. In addition to the distances known in this case, the field strengths, transmission powers and the above-mentioned measured values can be recorded. These values then allow the respective disturbances corresponding to L DM and L DB to be calculated directly and serve as the first input and target function values of the network NLI.
  • the data transmitted from neighboring base stations to the RNC can e.g. B. can be compared and offset offline to generate further training data.
  • the neural network NN2 uses the values for L DM and L DB determined as described as input variables for training. Two versions are preferred for generating the target data for the input variables.
  • the optimal uplink timeslots (OTS) for the cell phone are determined for each cell in descending order of L DM and L DM (t) -L DM (t-1) (i.e. L DM ( t) minus L DM (t-1)) assigned in ascending order according to the capacity starting with timeslot 1.
  • the optimal downlink timeslots (OTS) are assigned in descending order from L DB and L DB (t) - L DB (t-1) in descending order starting with timeslot 15.
  • the use of the instantaneous and past values of L DM and L DB allows the speed at which a mobile phone moves to the base station to and from the base station to be taken into account.
  • the optimal timeslots are used as target function values QTS for the Training of the neural network NN2 calculated. These are then used to train the neural model.
  • an MLP multilayer perceptron
  • squared input variables (DE 97P1893) are used to take into account quadratic dependencies.
  • the pre-transformations of the input variables described serve to reduce the superimposed noise and to rescaling.
  • the power adjustments P A can be used to make an estimate of the transmission power of the mobile phone and base station by means of suitable preliminary transformations, as a result of which real consideration could be dispensed with.
  • the complexity of the neural network can be reduced by using pruning methods (EBD, Inverse Kurtosis) (EP0890153B1). Through these steps, the network is mapped to the given relationships and the generalization ability of the neural network is increased.
  • the described method in conjunction with a fast intracell handover, allows the cell to be partitioned in several zones.
  • participants are assigned new frequencies or timeslots in certain areas, which are then used to exchange information.
  • Such a partitioning can always be of interest if, in certain areas, a particularly high bandwidth is required in the uplink or downlink and the others require a close 50:50 uplink-downlink distribution. If an overlap cannot be avoided, the closest participants are served in the overlapping timeslots, so that the interference of other cells is minimized by setting the smallest possible transmission power of the mobile and base station.
  • L DM and L DB can also be used for channel allocation to establish a connection. With channel allocation, certain timeslots are assigned according to the L DM and L DB values.
  • the method can be implemented at two points. If there is sufficient data available, an implementation in the base station enables a largely locally self-organizing network that achieves efficient use of the available resources with minimal communication effort.
  • the method can also be implemented in the RNC (radio network controller).
  • RNC radio network controller
  • An RNC is a central system unit in the network, which is largely responsible for managing the bandwidth and which acts proactively in order to provide the same bandwidth when a subscriber crosses the cell.
  • a neural network can rely on more data because the RNC cross-cell information ations managed.
  • Another advantage of the integration in the RNC is the easier coupling to the procedures of the intercell handover.
  • the devices can be expanded by appropriate processors and hardware components that accelerate the calculation of neural networks. Known components known for accelerating the calculation of a neural network can be used here. However, it is also conceivable to use known microprocessors.
  • 1 shows two cells that overlap, with more data being transmitted in one cell and more speech in the other cell, which results in different frame splits, with one subscriber blocking the data transmission for other subscribers;
  • Figure la shows a possible division of the frames that are used in Figure 1 for the transmission of information
  • FIG. 2 shows a basically two-stage structure of the present invention, the first neural network receiving information in order to calculate probabilities therefrom, the second neural network taking these ascertained values into account in order to determine the optimal time slot allocation.
  • FIG. 1 shows a mobile subscriber 11, M A , which is connected to base stations 12, A, B.
  • the mobile phone M A which handles its traffic via the base station A, can z. B. in coverage of buildings 13 of Approach base station B. If it transmits in one of the overlapping timeslots, it blocks the traffic of the surrounding mobile phones 14 which receive data from station B in these timeslots.
  • the transmissions of the cell phones belonging to the base station A which transmit in the overlapping timeslots and are located in the area which can be reached by both base stations, are blocked or disrupted by the considerably more powerful, simultaneous transmission of the base station B.
  • FIG. 1 a shows a possible division of frames 15, 16 into cell A and cell B.
  • time slots 24 are combined, which are used for the transmission of uplink information and downlink information. It can clearly be seen that there is an overlap 19 in timeslots 6 to 9. This is due to the fact that the two cells provide a differently large area for the transmission of uplink information 18 and downlink information 17.
  • FIG. 2 shows the structural structure of a neural network, as has already been described above. It can be clearly seen that two neural networks 20, 21 - are connected in series.
  • the first neural network calculates the values L DM and L DB on the basis of a large number of possible input values, as have already been described above.
  • the input values for the first network are also subjected to preprocessing 22, 23. A possible form of pre-processing has already been described above. Individual values can be squared in this way.
  • the value P A can e.g. B. a linear transformation over time to be able to determine the transmission power based on this.
  • neural networks can also be connected to a single network and that parts of the input values can be replaced or completely omitted.
  • the input values shown in FIG. 2 are therefore only to be regarded as examples.

Landscapes

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

Abstract

Die Erfindung betrifft Verfahren und Vorrichtung zur Minimierung von Störungen bei variierender Timeslotverteilung innerhalb eines Frames eines Funknetzes, wobei das Funknetz aus mehreren Zellen, Teilnehmern und Basisstationen besteht, die in zugewiesenen Timeslots Informationen austauschen, wobei die optimale Verteilung der Timeslots zwischen Up- und Downlink mit Hilfe eines neuronalen Netzwerkes berechnet wird, wobei der Abstand der Teilnehmer zueinander und/oder zur Basisstation und/oder die Sendeleistung der Teilnehmer und/oder der Basisstationen berücksichtigt werden.

Description

Beschreibung
Neuronales modellbasiertes Verfahren und Vorrichtung zur Minimierung von Störungen bei variierenden Uplink/Downlink Timeslots in benachbarten Zellen
Im Zuge des Ausbaus der mobilen Kommunikation wird es immer wichtiger, den Datenstrom auf die zur Verfügung stehende Bandbreite zu verteilen. Neben sprachbasierten Diensten treten zunehmend datenbasierte Anwendungen im Bereich der mobilen Kommunikation in den Vordergrund. Beide Verkehrsarten unterscheiden sich typischerweise deutlich im Verhältnis der benötigten Bandbreite zwischen Uplink und Downlink. Der Uplink bestimmt die Verbindung zur Basisstation und zum Netzwerk, während der Downlink die Verbindung zum Teilnehmer bestimmt. Während bei Sprachverkehr die für Uplink und Downlink benötigte Bandbreite in etwa gleichverteilt ist, liegt diese bei vom Internet dominierten Verkehr eher bei einem Verhältnis zwischen 20:80 und 40:60. Dies ist darauf zurückzuführen, dass beim Internetverkehr mehr Daten vom Teilnehmer angefordert werden, als von ihm gesendet werden. Zur optimalen Auslastung der zur Verfügung stehenden Bandbreite erlaubt das im UMTS-Standard definierte TDD (Time Division Duplex) - und SCTD-Verfahren die Zuordnung einer unterschiedlichen und dem Bedarf angemessenen Zahl von Timeslots für den Uplink- und Downlink-Verkehr. So stehen z. B. bei TDD-UMTS 15 Timeslots in jedem Frame der Länge 10 ms zur Verfügung.
Bei Funknetzen bewegen sich die Teilnehmer in unterschiedlichen Zellen. Für diese Zellen sind i. d. R. unterschiedliche Basisstationen zuständig. Damit ein sich bewegender Teilnehmer eine kontinuierliche Kommunikation erfährt, müssen sich diese Zellen überschneiden, um ein Wechseln des Teilnehmers zu ermöglichen. Bei zwei benachbarten Zellen (A, B) , die verschiedenartige Verkehrscharakteristiken haben (A-vorwiegend Sprache, B-vorwiegend Daten) , ist es sehr wahrscheinlich, dass beide Zellen einen verschiedenen Umschaltpunkt zwischen W 03
den Uplink und Downlink Timeslots (TS) eines Frames wählen würden. Dabei entsteht ein überlappender Zeitbereich, in dem die zu einer Basisstation gehörenden Mobiltelefone ebenso wie auch eine andere, möglicherweise nahegelegene, Basisstation senden.
So kann sich ein Mobiltelefon, das seinen Verkehr über eine erste Basisstation abwickelt, z. B. in Abdeckung von Gebäuden einer zweiten Basisstation nähern. Sendet es in einem der überlappenden Timeslots, blockiert es den Verkehr der umliegenden Mobiltelefone, die in diesen Timeslots Daten von der zweiten Station empfangen.
Die Informationen der zur ersten Basisstation gehörenden Mobiltelefone, die in den überlappenden Timeslots senden und sich in dem von beiden Basisstationen erreichbaren Gebiet befinden, würden durch die erheblich leistungsstärkere gleichzeitige Ausstrahlung der zweiten Basisstation blockiert oder gestört werden.
Ein bekannter Ansatz zur Verteilung einzelner Timeslots auf einzelne Zellen ist FCA (Fixed Channel Allocation) . Dieser hat den Nachteil, in jeder einzelnen Zelle nicht die gesamte Zeit zur Datenübertragung nutzen zu können. Weitere Ansätze wie der DCA (Dynamic Channel Allocation) zur bevorzugten bzw. ausschließlichen Nutzung von nicht überlappenden Timeslots basieren auf verschiedenen Messwerten, die u. a. eine Kostenfunktion berechnen. Dabei kann die Gewichtung einzelner Messwerte und Parameter durch die geeignete Wahl von Gewichtsfaktoren variiert werden. Aufgrund des früheren Entwicklungsstadiums der Technologie, insbesondere im UMTS Bereich, können Aussagen über die Vor- und Nachteile der bekannten Verfahren nicht gemacht werden.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren bereitzustellen, dass die komplexen Wechselwirkungen der ein- zelnen Parameter berücksichtigt, um daraus eine optimierte Verteilung von Timeslots zu berechnen.
Gelöst wird diese Aufgabe durch Verfahren und Vorrichtungen mit den Merkmalen der unabhängigen Ansprüche. Alternative Ausführungsformen sind den Unteransprüchen zu entnehmen.
Grundsätzlich wird mit Hilfe von neuronalen Netzwerken und durch entsprechende Lernphasen die Abhängigkeit der einzelnen Parameter zueinander bestimmt. Für andere noch nicht bekannte Parameterkombinationen kann dann auf das so trainierte Netzwerk zurückgegriffen werden.
In einer bevorzugten Ausführungsform werden dabei zwei neuronale Netzwerke hintereinander geschaltet. Das erste neuronale Netzwerk berechnet die Eingangswerte für das zweite neuronale Netzwerk. Es ist jedoch auch vorstellbar, dass die beiden Netzwerke zu einem Netzwerk zusammengeführt werden. Das zweite neuronale Netzwerk, das die Verteilung der Timeslots berechnet, hat folgende Eingangswerte:
LDM (Likelihood of Disturbance by Mobile) als Maß für die Wahrscheinlichkeit der Störungen, die durch Sendung des Mobiltelefons bzw. Teilnehmers in einer anderen Zelle des Netzwerkes verursacht werden.
LDB (Likelihood of Disturbance by Basestation) als Maß für die Wahrscheinlichkeit der Störungen, die durch Sendung der benachbarten Basisstation beim Mobilteil bzw. Teilnehmer ausgelöst werden.
Die Uplink-Timeslots für das Mobiltelefon sollen in einer bevorzugten Ausführungsform für jede Zelle in absteigender Reihenfolge von LDM entsprechend der Kapazität beginnend mit Timeslot 1 zugewiesen werden. Die Downlink-Timeslots werden hingegen in absteigender Reihenfolge von LDB beginnend mit dem letzten Timeslot, bei UMTS also mit Timeslot 15, zugewiesen. Die Verwendung nicht nur der aktuellen, sondern auch der Vergangenheitswerte von LDM und LDB, erlaubt die Berücksichtigung der Geschwindigkeit, mit der sich ein Mobiltelefon bzw. ein Teilnehmer auf die Basisstation zu bzw. von der Basisstation wegbewegt. Diese Klassifikationsaufgabe wird durch ein neuronales Netz NN2 mit den Eingangswerten auf LDB, LDM und in einer bevorzugten Ausführungsform mit den Vergangenheitswerten von LDB(t-x), LDM(t-x) durchgeführt. Als Zielfunktionswerte OTS (Optimal Timeslot) dieses Netzes dienen Messdaten, für die vorzugsweise in einer offline-Simulation eine optimale Zuordnung der Timeslots errechnet wurde. In formaler Schreibweise sieht das neuronale Netzwerk unter Berücksichtigung der zeitlichen Änderung der Eingangsdaten wie folgt aus:
OTS = NN2(LDM (t), LDM(t-l), ..., LDB (t), LDB (t-1),...)
Zur Bestimmung der Größen LDM, LDB wird in einer bevorzugten Ausführungsform ein weiteres neuronale Netzwerk NN1 eingesetzt. Dieses Netzwerk NN1 greift auf verfügbare Messdaten zurück. Die Werte von LDM und LDB hängen in hohem Maße von der Entfernung zur eigenen Basisstation und der Sendeleistung der mobilen Teilnehmer bzw. der Basisstation ab. Die Entfernung zwischen mobilen Teilnehmern und Basisstation kann aus dem Timing-Advance tA geschätzt werden. Anhand von synchronisierten Zeitinformationen wird hierbei die Laufzeit des Signals zwischen Basisstation und mobilem Endgerät berechnet.. Dieser Wert beinhaltet die Laufzeit zwischen der Basisstation und dem mobilen Endgerät mit einer Auflösung von ca. dreißig Metern. Dadurch ist das Maß als Abstandsmaß verwendbar. Weitere Informationen kann man den Schriften auf der Web-Site www.3gpp.org entnehmen. Andere Formen der Abstandsmessung sind auch denkbar. So kann z. B. eine Dreieckspeilung berücksichtigt werden. Weiterhin ist es denkbar, GPS-Informationen zu verwerten.
Falls die momentanen Sendeleistungen von Mobiltelefon und Basisstation nicht bekannt sind, ist auf die Vergangenheitswerte der Leistungsanpassungen PÄ von Mobiltelefon und Basisstation zurückzugreifen. Bei dieser Leistungsanpassung tauschen die Basisstation und die Teilnehmer Informationen über ihre eigene Sendeleistung und die benötigte Sendeleistung aus. Infolge der Kommunikation wird die Sendeleistung so angepasst, dass an der Basisstation alle Mobiles gleich stark empfangen werden und so nicht zuviel Energie verbraucht wird. Zusätzliche Messwerte, wie beispielsweise
RSCP (received signal control power) (Aus diesem Wert lässt sich die Stärke des Signals bestimmen.) PathlossDL (Pathloss Downlink - PLDL) (Dämpfung des Signals auf dem Up/Down Link zur Anpassung der Sendeleistung)
PathlossUL (Pathloss Uplink - PLUL) (Dämpfung des Signals auf dem Up/Down Link zur Anpassung der Sendeleistung)
ISCP (Interference signal control power) Störung des empfangenen Signals in einem TimeSlot
I (Inter- and intracellinterference) Gegenseitige Störungen innerhalb und zwischen zwei Zellen SIR (Signal to interference ratio) (RSCP/ISCP) XSF- Spreading Factor
CIR (Carrier to interference ratio) Verhältnis des Trägersignals zu den Störungen
BER (Bit error rate) (Ein Wert, aus dem sich die Fehlerrate bei der Übertragung bestimmen lässt.) rawBERDL (Downlink raw Bit Error Rate) (Ein Wert, aus dem sich die Fehlerrate bei der Übertragung über Downlink ablesen lässt.) rawBERUL (Uplink raw Bit Error Rate) (Ein Wert, aus dem sich die Fehlerrate bei der Übertragung über Uplink ablesen lässt. ) RSSI (Received Signal Strength Indicator) .
steigern die Genauigkeit bei der Modellierung von LDM und LDB- Es ist jedoch auch denkbar, dass nur ein Teil dieser Werte berücksichtigt wird.. Diese stellen lediglich eine Auswahl möglicher Eingangswerte dar. Andere Werte, die nicht aufge- führt wurden, die jedoch ohne weiteres zugänglich sind, könnten ebenfalls Berücksichtigung finden.
Dabei ist zu beachten, dass das neuronale Netz in der Regel eine nichtlineare Abbildung aus o. g. Größen erstellt.
Mittels Input und Gewichtspruning (EP 0890153B1) können aus den oben genannten Werten die relevanten Eingangsgrößen isoliert und basierend auf diesen ein optimales Modell erstellt werden. Basierend auf einem Neuro-Fuzzy-Ansatz (EP0901658B1 oder DE 19808372.6) kann darüber hinaus vorhandenes Expertenwissen als Initialisierung in das Netz integriert werden. Die sich in LDB ausdrückenden Störungen werden durch die Sendeleistung einer anderen Basisstation bei gegebenem Abstand des Mobiltelefons bzw. des Teilnehmers zur eigenen Basisstation verursacht.
Die oben aufgeführten Messgrößen zeigen die Auswirkungen der Sendung anderer störender Mobiltelefone auf die eigene Übertragung.
Die durch LDM beschriebene Störung löst das Mobiltelefon mit der eigenen Sendeleistung bei benachbarten Mobiltelefonen aus. Auf diese kann z. B. aus der Interzell-Interferenz dieses Mobilteils an der Basisstation während der Sendung in einem überlappenden Timeslot geschlossen werden. Hierbei sieht die fremde Basisstation die Sendung des störenden mobilen Teilnehmers als Interzell-Interferenz in dem Timeslot, in dem der fremde mobile Teilnehmer sendet.
Beide neuronalen Netze können abschließend zu einem zusammen- gefasst werden. Zur Modellentwicklung sowie zum Test erscheint jedoch ein modularer Aufbau sinnvoll.
Für das Training des ersten neuronalen Netzes NN1 werden folgende Eingangsdaten benötigt:
Timing-Advance tA des Mobiltelefons, Vergangenheitswerte der Leistungsanpassungen PA von Mobiltelefon und Basisstation so- wie die bereits oben genannten Werte RSCP (received signal control power), PathlossDL (Downlink Pathloss), PathlossUL
(Uplink Pathloss) , ISCP (interference signal control power) , I (Inter- and intracellinterference) , SIR (Signal to interference ratio) , CIR (Carrier to interference ratio) , BER (Bit error rate) , rawBERDL (Downlink raw Bit Error Rate) , rawBERÜL
(Uplink raw Bit Error Rate) , Received_BCCH_power.
Diese lassen sich i. d. R. von der Basisstation des Mobiltelefons gewinnen.
Die Zielfunktionswerte des Netzes NNl LDM und LDB können zur Erstellung von Trainingsdaten offline berechnet werden. Es sind jedoch auch Simulationen denkbar. Ausgangspunkt hierfür sind die Messwerte für dieses Mobiltelefon, die von anderen (z. B. benachbarten) Basisstationen gesammelt wurden. Dies kann z. B. durch gezielte Experimente in der Pilotphase erfolgen, bei denen bewusst überlappende Timeslots verwendet werden. Neben den in diesem Fall bekannten Entfernungen können die Feldstärken, Sendeleistungen und o. g. Messwerte dabei aufgezeichnet werden. Diese Werte erlauben dann direkt die Berechnung der jeweiligen Störungen korrespondierend zu LDM und LDB und dienen als erste Eingangs- und Zielfunktionswerte des Netzes NNl. Im realen Betrieb eines Netzes können die von benachbarten Basisstationen an den RNC (Radio Network Controller) übermittelten Daten z. B. offline miteinander verglichen und verrechnet werden, um weitere Trainingsdaten zu generieren.
Das neuronale Netz NN2 verwendet zum Training als Eingangsgrößen die wie beschrieben ermittelten Werte für LDM und LDB. Zur Generierung der Zieldaten zu den Eingangsgrößen werden zwei Ausführungen bevorzugt.
In einer ersten Ausführungsform werden entsprechend der zu Beginn dargestellten Strategie die optimalen Uplink-Timeslots (OTS) für das Mobiltelefon für jede Zelle in absteigender Reihenfolge von LDM und LDM (t) -LDM (t-1) (also LDM (t) Minus LDM (t-1)) entsprechend der Kapazität beginnend mit Timeslot 1 aufsteigend zugewiesen. Die optimalen Downlink-Timeslots (OTS) werden in absteigender Reihenfolge von LDB und LDB (t) - LDB (t-1) beginnend mit Timeslot 15 absteigend zugewiesen. Die Verwendung der Momentan- und der Vergangenheitswerte von LDM und LDB erlaubt die Berücksichtigung der Geschwindigkeit, mit der sich ein Mobiltelefon auf die Basisstation zur bzw. von der Basisstation wegbewegt.
In der zweiten Ausführungsform werden auf Grundlage einer offline Simulation und anschließender Optimierung basierend auf den Eingangsgrößen des Modells LDM (t,...,t-k) und LDB (t,...,t-k) die optimalen Timeslots als Zielfunktionswerte QTS für das Training des neuronalen Netzes NN2 errechnet. Mit diesen erfolgt dann das Training des neuronalen Modells.
Da bei beiden neuronalen Netzen NNl und NN2 von monotonen Zusammenhängen zwischen Eingangsgrößen und Zielfunktionswerten ausgegangen werden kann, ist ein MLP (multilayer perceptron) die bevorzugte Netzarchitektur. In einer weiteren Ausführungsform werden quadrierte Eingangsgrößen (DE 97P1893) zur Berücksichtigung quadratischer Abhängigkeiten verwendet. Die beschriebenen Vortransformationen der Eingangsgrößen dienen der Reduktion des überlagerten Rauschens und der Reskalie- rung. Zusätzlich kann aus den Leistungsanpassungen PA durch geeignete Vortransformationen eine Schätzung der Sendeleistung von Mobiltelefon und Basisstation vorgenommen werden, wodurch eine reale Berücksichtigung entfallen könnte.
Durch Einsatz von Pruningverfahren (EBD, Inverse Kurtosis) (EP0890153B1) kann die Komplexität des neuronalen Netzes reduziert werden. Durch diese Schritte wird das Netz auf die gegebenen Zusammenhänge abgebildet und die Generalisierungs- fähigkeit des neuronalen Netzes wird gesteigert.
Das beschriebene Verfahren erlaubt, in Verbindung mit einem schnellen Intracell-Handover eine Partitionierung der Zelle in mehrere Zonen. Bei einem Intracell-Handover werden den Teilnehmern in bestimmten Bereichen neue Frequenzen oder Timeslots zugewiesen, über die dann die Informationen austauscht werden. Eine solche Partitionierung kann immer dann interessant sein, wenn in bestimmten Bereichen eine besonders hohe Bandbreite im Uplink oder Downlink benötigt wird und den anderen eine nahe 50:50 Uplink-Downlink-Verteilung. Sollte sich eine Überlappung nicht vermeiden lassen, so werden in den überlappenden Timeslots die am nächsten gelegenen Teilnehmer bedient, so dass durch Einstellung einer kleinstmögli- chen Sendeleistung von Mobil- und Basisstation die Störung anderer Zellen minimiert wird. Eine effiziente Kombination zwischen Intra- und Intercell-Handover kann dadurch bewerkstelligt werden, dass für das Intercell-Handover hauptsächlich die "störendsten" Mobiltelefone mit den aktuell höchsten Werten für LDM und LDB betrachtet werden. Es ist auch denkbar, dass bestimmte Prioritäten verteilt werden, die durch entsprechende Zusatzkosten eine höhere Bandbreite und somit eine größere Zuteilung von Timeslots sicherstellen. Neben der Nutzung für Intracell-Handover können die Größen LDM und LDB auch bei der Channelallocation zum Verbindungsaufbau verwendet werden. Bei der Channelallocation werden bestimmte Timeslots entsprechend den LDM- und LDB-Werten zugewiesen.
Die Implementierung des Verfahrens kann an zwei Stellen erfolgen. Bei ausreichender Datenlage ermöglicht eine Realisierung in der Basisstation ein sich weitgehend lokal selbstorganisierendes Netz, das einen effizienten Umgang mit den zur Verfügung stehenden Ressourcen bei minimalem Kommunikationsaufwand erreicht.
Ebenso kann eine Implementierung des Verfahrens im RNC (radio network Controller) erfolgen. Ein RNC ist eine zentrale Systemeinheit im Netzwerk, die maßgeblich für die Verwaltung der Bandbreite zuständig ist, und die vorausschauend agiert, um beim Zellübertritt eines Teilnehmers die gleiche Bandbreite bereitzustellen. In einem RNC kann sich ein neuronales Netz auf mehr Daten stützen, da der RNC zellenübergreifende Infor- ationen verwaltet. Ein weiterer Vorteil der Integration im RNC ist die leichtere Kopplung an die Verfahren des Intercell-Handover. Um eine möglichst hohe Performance zu erreichen, können die Vorrichtungen durch entsprechende Prozessoren und Hardwarekomponenten erweitert werden, die die Berechnung von neuronalen Netzen beschleunigen. Hierbei kann auf bekannte Bauteile zurückgegriffen werden, die für die Beschleunigung der Berechnung eines neuronalen Netzes bekannt sind. Es ist jedoch auch denkbar, bekannte Mikroprozessoren einzusetzen.
Im Folgenden wird anhand von Figuren auf eine mögliche Realisierung der Erfindung eingegangen. Es zeigt:
Figur 1 zwei Zellen, die sich überschneiden, wobei in der einen Zelle mehr Daten übertragen werden und in der anderen Zelle mehr Sprache, woraus unterschiedliche Frameaufteilungen resultieren, mit einem Teilnehmer, der die Datenübertragung für andere Teilnehmer blockiert;
Figur la eine mögliche Aufteilung der Frames, die in Figur 1 zur Übertragung von Informationen eingesetzt werden;
Figur 2 zeigt einen grundsätzlich zweistufigen Aufbau der vorliegenden Erfindung, wobei das erste neuronale Netz Informationen erhält, um daraus Wahrscheinlichkeiten zu berechnen, wobei das zweite neuronale Netzwerk diese ermittelten Werte berücksichtigt, um die optimale Timeslotzuteilung zu bestimmen.
Die Figur 1 zeigt einen mobilen Teilnehmer 11, MA, der mit Basisstationen 12, A, B verbunden ist.
Das Mobiltelefon MA, das seinen Verkehr über die Basisstation A abwickelt, kann sich z. B. in Abdeckung von Gebäuden 13 der Basisstation B nähern. Sendet es in einem der überlappenden Timeslots, blockiert es den Verkehr der umliegenden Mobiltelefone 14, die in diesen Timeslots von Station B Daten empfangen.
Weiterhin werden die Sendungen der zur Basisstation A gehörenden Mobiltelefone, die in den überlappenden Timeslots senden und sich in dem von beiden Basisstationen erreichbaren Gebiet befinden, durch die erheblich leistungsstärkere, gleichzeitige Ausstrahlung der Basisstation B blockiert oder gestört .
Die Figur la zeigt eine mögliche Aufteilung von Frames 15, 16 in Zelle A und Zelle B. Hierbei werden Timeslots 24 zusammen- gefasst, die für die Übertragung von Uplink-Informationen und Downlink-Informationen eingesetzt werden. Man sieht deutlich, dass eine Überschneidung 19 bei den Timeslots 6 bis 9 vorliegt. Dies ist darauf zurückzuführen, dass beide Zellen einen unterschiedlichen großen Bereich für die Übertragung von Uplink-Informationen 18 und Downlink-Informationen 17 bereitstellen.
Figur 2 zeigt den strukturellen Aufbau eines neuronalen Netzes, wie es bereits oben beschrieben wurde. Es ist deutlich zu erkennen, dass zwei neuronale Netze 20, 21 - hintereinander geschaltet sind. Das erste neuronale Netz berechnet auf der Basis von einer Vielzahl möglicher Eingabewerte, wie sie bereits oben beschrieben wurden, die Werte LDM und LDB. Im Einzelnen werden die Eingabewerte für das erste Netz noch einer Vorbearbeitung 22, 23 unterzogen. Eine mögliche Form der Vorbearbeitung wurde bereits oben beschrieben. So können einzelne Werte quadriert werden. Der Wert PA kann z. B. einer linearen Transformation über die Zeit zugeführt werden, um anhand dieser die Sendeleistung bestimmen zu können.
Weitere Anpassungen, wie sie dem Stand der Technik für neuronale Netze entnommen werden können, sind denkbar. Es wird darauf hingewiesen, dass die neuronalen Netze auch zu einem einzigen Netz verbunden werden können, und dass Teile der Eingangswerte ersetzt oder vollständig weggelassen werden können. Die in Figur 2 aufgeführten Eingangswerte sind somit lediglich als Beispiele zu betrachten.

Claims

Patentansprüche
1. Verfahren zur Minimierung von Störungen bei variierender Timeslotverteilung zwischen Uplink und Downlink innerhalb eines Frames eines Funknetzes, wobei das Funknetz aus mehreren Zellen, Teilnehmern und Basisstationen besteht, die in zugewiesenen Timeslots Informationen austauschen, dadurch gekennzeichnet, dass die optimale Verteilung der Timeslots auf die Teilnehmer mit Hilfe eines neuronalen Netzwerkes berechnet wird, wobei der Abstand der Teilnehmer zueinander und/oder zur Basisstation und/oder die Sendeleistung der Teilnehmer und/oder der Basisstationen berücksichtigt werden.
2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, das unter Verwendung eines Maßes LDM für die Wahrscheinlichkeit einer Störung, die durch Senden von Frames eines Teilnehmers in einer anderen Zelle des Netzwerk verursacht wird, und unter Verwendung eines Maßes LBM für die Wahrscheinlichkeit einer Störung, die durch Senden einer benachbarten Basisstation beim Teilnehmer ausgelöst wird, mit Hilfe eines neuronalen Netzes NN2 die Verteilung der Timeslots OTS berechnet wird.
3. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass bei der Berechnung der optimalen Verteilung OTS vergangenheitsorientierte Werte LDιs(t), LDB(t) in der Form OTS = NN2 (LDM(t) , LDM(t-l), ..., LDB (t) , LDB (t-1) , ... ) berücksichtigt werden, wobei t für diskrete Zeitpunkte steht.
4. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass LDM und/oder LDB aus der Entfernung des Teilnehmers zur Basisstation und der Sendeleistung des Teilnehmers und der Basisstation berechnet werden.
5. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass OTS ein Tupel ist, das die Nummer des Uplink und Downlink Timeslots bestimmt, in dem ein Teilnehmer/Mobile senden und empfangen darf.
6. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die Verteilung so erfolgt, dass die Uplink-Timeslots und die Downlink-Timeslots vom Zentrum der Zelle beginnend mit dem ersten Timeslot in Richtung Ende der Zelle zugeteilt werden und die anderen beginnend mit dem letzten Timeslot im Zentrum der Zelle in Richtung Anfang zugeteilt werden.
7. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Training des neuronalen Netzes auf Grundlage einer offline Simulation und anschließender Optimierung basiert, wobei anhand der Eingangswerte LDM (t) ... LDM (t-k) und LDB (t) ... LDB (t-k) die optimalen Timeslots als Zielfunktionswerte OTS für das Training des neuronalen Netzes NN2 berechnet werden.
8. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass beim Training des neuronalen Netzes Uplink-Timeslots für das Mobiltelefon für jede Zelle in absteigender Reihenfolge von LDM und LDM (t) - LDM (t-1) entsprechend der Kapazität beginnend mit Timeslot 1 zugewiesen und Downlink-Timeslots in absteigender Reihenfolge von LDB und LDB (t) - LDB (t-1) beginnend mit höchstem Timeslot zugewiesen werden, wodurch auch eine Berücksichtigung der Geschwindigkeit erreicht wird.
9. Verfahren zur Bestimmung eines Maßes LDM für die Wahrscheinlichkeit einer Störung, die durch Senden von Frames eines Teilnehmers in einer anderen Zelle eines Funknetzwerks verursacht wird, und zur Bestimmung eines Maßes LDB für die Wahrscheinlichkeit einer Störung, die durch Senden einer benachbarten Basisstation beim Teilnehmer ausgelöst wird, ins- besondere nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mit Hilfe eines neuronalen Netzes NNl unter Verwendung von Informationen über die Entfernung der Basisstationen und der Teilnehmer und ihrer Sendeleistung die Maße LDM und LBM bestimmt werden.
10. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Entfernung aus dem Timing-Advance tA berechnet wird.
11. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Entfernung aus den Vergangenheitswerten der Leistungsanpassung PA von Teilnehmern und Basisstation berechnet wird.
12. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, das aus der Leistungsanpassung PA die Sendeleistung von Teilnehmern und Basisstation ermittelt wird.
13. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass einer oder mehrere der Parameter RSCP, PathlossDL, PathlossUL, ISCP, I, SIR, CIR, BER, rawBERDL, rawBERÜL, Received_BCCH_power bei der Berechnung mit dem neuronalen Netzwerk NNl berücksichtigt werden.
14 Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für das Training des neuronalen Netzwerkes NNl einer oder mehrere der Parameter tA, RSCP, PathlossDL, PathlossUL, ISCP, I, SIR, CIR, BER, raw BER_DL, rawBERÜL, Received_BCCH_power bei der Berechnung berücksichtigt werden.
15. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein mulitlayer per- ceptron MLP als Netzarchitektur für das neuronale Netz verwendet wird.
16. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, das zur Reduzierung der Komplexität des neuronalen Netzes Pruningverfahren eingesetzt werden.
17. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eingangswerte quadriert werden.
18. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, gekennzeichnet durch den Einsatz zur Partitionierung einer Zelle in mehrere Zonen, wobei ein vorzugsweise schnelles Intracell-Handover eingesetzt wird.
19. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Maße LDM und LDB bei der Channelallocation beim Verbindungsaufbau verwendet werden.
20. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Neuro-Fuzzy-Ansatz gewählt wird, um Expertenwissen zu integrieren.
21. Vorrichtung zur Zuteilung von Timeslots innerhalb eines Frames eines Funknetzes, gekennzeichnet durch
Mittel zur Realisierung eines Verfahrens mit den Merkmalen eines oder mehrerer der vorhergehenden Ansprüche.
22. Vorrichtung nach dem vorhergehenden Anspruch, dadurch gekennzeichnet,- dass es sich um eine Basisstation handelt.
23. Vorrichtung nach einem oder mehreren der vorhergehenden Vorrichtungsansprüche, dadurch gekennzeichnet, dass es sich um einen Radio Network Controller RNC handelt, der hauptsächlich für das Bandbreitenmanagement, die FrequenzZuteilung und die Timeslotzuteilung zuständig ist.
PCT/DE2003/000065 2002-01-16 2003-01-10 Neuronales modellbasiertes verfahren und vorrichtung zur minimierung von störungen bei variierenden uplink/downlink timeslots in benachbarten zellen WO2003061318A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10201479 2002-01-16
DE10201479.5 2002-01-16

Publications (1)

Publication Number Publication Date
WO2003061318A1 true WO2003061318A1 (de) 2003-07-24

Family

ID=7712288

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2003/000065 WO2003061318A1 (de) 2002-01-16 2003-01-10 Neuronales modellbasiertes verfahren und vorrichtung zur minimierung von störungen bei variierenden uplink/downlink timeslots in benachbarten zellen

Country Status (1)

Country Link
WO (1) WO2003061318A1 (de)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1524532A1 (de) * 2003-10-15 2005-04-20 Lucent Technologies Inc. Erweiterung eines GPS basierten Taktes durch ein neuronales Netz
DE102007001025A1 (de) * 2007-01-02 2008-07-03 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
WO2011051980A1 (en) * 2009-10-26 2011-05-05 Telecom Italia S.P.A. Score-based interference coordination in wireless communication systems
US8467731B2 (en) 2009-10-26 2013-06-18 Telecom Italia S.P.A. Radio resource scheduling for intra-system interference coordination in wireless communication systems
WO2017144397A1 (de) 2016-02-26 2017-08-31 Ghmt Ag System zum monitoring, überwachung, leistungsanalyse und/oder störungssuche in wlans
CN112752291A (zh) * 2020-12-15 2021-05-04 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN113645163A (zh) * 2021-01-26 2021-11-12 之江实验室 一种基于神经网络的智能反射表面反射相位配置方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6016311A (en) * 1997-11-19 2000-01-18 Ensemble Communications, Inc. Adaptive time division duplexing method and apparatus for dynamic bandwidth allocation within a wireless communication system
US6081722A (en) * 1994-03-16 2000-06-27 U.S. Philips Corporation Mobile radio transmission system with channel allocation, utilizing the extended kohonen networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6081722A (en) * 1994-03-16 2000-06-27 U.S. Philips Corporation Mobile radio transmission system with channel allocation, utilizing the extended kohonen networks
US6016311A (en) * 1997-11-19 2000-01-18 Ensemble Communications, Inc. Adaptive time division duplexing method and apparatus for dynamic bandwidth allocation within a wireless communication system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHANG C-J ET AL: "FUZZY/NEURAL CONGESTION CONTROL FOR INTEGRATED VOICE AND DATA DS-CDMA/FRMA CELLULAR NETWORKS", IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, IEEE INC. NEW YORK, US, VOL. 18, NR. 2, PAGE(S) 283-293, ISSN: 0733-8716, XP000912948 *
FUNABIKI N ET AL: "AN IMPROVED NEURAL NETWORK FOR CHANNEL ASSIGNMENT PROBLEMS IN CELLULAR MOBILE COMMUNICATION SYSTEMS", IEICE TRANSACTIONS ON COMMUNICATIONS, INSTITUTE OF ELECTRONICS INFORMATION AND COMM. ENG. TOKYO, JP, VOL. E78-B, NR. 8, PAGE(S) 1187-1195, ISSN: 0916-8516, XP000539754 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1524532A1 (de) * 2003-10-15 2005-04-20 Lucent Technologies Inc. Erweiterung eines GPS basierten Taktes durch ein neuronales Netz
US7984001B2 (en) 2003-10-15 2011-07-19 Alcatel-Lucent Usa Inc. Neural network-based extension of global position timing
US8554707B2 (en) 2007-01-02 2013-10-08 Siemens Aktiengesellschaft Method for the computer-assisted control and/or regulation of a technical system where the dynamic behavior of the technical system is modeled using a recurrent neural network
DE102007001025A1 (de) * 2007-01-02 2008-07-03 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102007001025B4 (de) * 2007-01-02 2008-11-20 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
WO2011051980A1 (en) * 2009-10-26 2011-05-05 Telecom Italia S.P.A. Score-based interference coordination in wireless communication systems
US8467731B2 (en) 2009-10-26 2013-06-18 Telecom Italia S.P.A. Radio resource scheduling for intra-system interference coordination in wireless communication systems
CN102648645B (zh) * 2009-10-26 2015-04-15 意大利电信股份公司 无线通信系统中的基于分数的干扰协调
US9973932B2 (en) 2009-10-26 2018-05-15 Telecom Italia S.P.A. Score-based interference coordination in wireless communication systems
WO2017144397A1 (de) 2016-02-26 2017-08-31 Ghmt Ag System zum monitoring, überwachung, leistungsanalyse und/oder störungssuche in wlans
DE102017103386A1 (de) 2016-02-26 2017-08-31 Ghmt Ag System zum Monitoring, Überwachung, Leistungsanalyse und/oder Störungssuche in standardisierten Funknetzen
US11109248B2 (en) 2016-02-26 2021-08-31 Ghmt Ag System for monitoring, controlling, analyzing performance and/or tracing malfunctions in WLANs
CN112752291A (zh) * 2020-12-15 2021-05-04 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN112752291B (zh) * 2020-12-15 2022-12-13 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN113645163A (zh) * 2021-01-26 2021-11-12 之江实验室 一种基于神经网络的智能反射表面反射相位配置方法

Similar Documents

Publication Publication Date Title
DE69913232T3 (de) Verfahren und System zur Sendeleistungsregelung während Makrodiversität
DE602005004619T2 (de) Zuweisung von Frequenzen mit begrenzter Leistung zur Verbesserung von Interzellinterferenzen
DE69634120T2 (de) Verfahren und Einrichtung zur adaptiven Kanalzuweisung mit Leistungsregelung in einem Mobilkommunikationssystem
DE602005005923T2 (de) Kanalselektionsverfahren für ein drahtloses Audio-Videogerät
DE60218088T2 (de) Zeitschlitzzuweisungsverfahren, Signalübertragungsverfahren, Basisstationssteuerungsgerät, Basisstation, und Mobilstation zur Verwendung in einem Mobilkommunikationssystem
DE69736615T2 (de) Drahtloses Kommunikationssystem mit dynamischer Zuweisung der Funkkanäle
DE60100157T2 (de) Verfahren zur Erkennung und Berechnung der Signalleistung eines äusseren Störers in Kommunikationssystemen
DE60221259T2 (de) Funkkommunikationssystem, endgerätestation und basisstation eines funkkommunikationssystems und sendeleistungsregelverfahren eines funkkommunikationssystems
DE60038164T2 (de) Verfahren und gerät zur übertragung von burstsignalen in einem mobilen kommunikationssystem, nachrichtenverteilungsverfahren und nachrichtensteuerung
DE60128957T2 (de) Verfahren zur leistungsregelung in offener schleife und bitratenauswahl
DE69936144T2 (de) Verfahren zur justierung von kanalleistungen in einem drahtlosen kommunikationssystem
EP1809058B1 (de) Verfahren zum Minimieren der Interferenz in einem zellulären OFDM Kommunikationssystem sowie Basisstation und Mobilstation hierfür
DE60036883T2 (de) Verfahren für die Zuteilung von Kanälen zu Funkgeräten, und Vorrichtung dafür
DE112012004947T5 (de) Leistungsverwaltung in einem Mobilfunksystem
DE60216828T2 (de) Verfahren und Vorrichtung zur Regelung der Kanalleistungen und Datenraten zur Erhaltung der Sprachqualität in einem CDMA-System
DE69914876T2 (de) Methode zur Verbesserung der Eigenschaften eines mobilen Funkkommunikationssystems unter Verwendung eines Leistungsregelungsalgorithmus
EP1554905B1 (de) Verfahren zur verwaltung von funkressourcen
WO1995017798A2 (de) Steuerungseinrichtung für die funkversorgung in einem zellularen, digitalen mobilkommunikationssystem
WO2011020838A1 (de) Digitales drahtloses audioübertragungssystem und verfahren zur drahtlosen audioübertragung
DE60303031T2 (de) Verfahren und System zur Bewertung von Störungen zwischen Zellen in der Aufwärtsrichtung
WO2003061318A1 (de) Neuronales modellbasiertes verfahren und vorrichtung zur minimierung von störungen bei variierenden uplink/downlink timeslots in benachbarten zellen
DE60118055T2 (de) Kanalbelegungsverfahren für ein drahtloses Kommunikationssystem und Teilnehmerstation
DE4225685A1 (de) Zellulares Mobilfunksystem
DE10331313B3 (de) Verfahren zur Synchronisation eines in Funkzellen aufgeteilten Funkkommunikationssystems
DE4408884A1 (de) Verfahren zum Erlernen der Kanalvergabe in Mobilfunknetzen unter Anwendung der erweiterten Kohonen-Netze

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): CN JP US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PT SE SI SK TR

121 Ep: the epo has been informed by wipo that ep was designated in this application
122 Ep: pct application non-entry in european phase
NENP Non-entry into the national phase

Ref country code: JP

WWW Wipo information: withdrawn in national office

Country of ref document: JP