论文部分内容阅读
为了实现5G网络的无缝高质量覆盖,5G基站数量和能耗相比于传统移动通信网络成倍增加。因此,运营商对无线网络规划与优化技术提出了更高要求,以降低网络建设及运营成本。由于当前主要目标是实现5G网络的广域连续覆盖,故无线网络规划对以经验模型为基础的覆盖预测提出了精细化需求。同时,为了满足5G网络优化对大规模多天线（Massive Multiple-Input Multiple-Output,mMIMO）权值优化和覆盖仿真技术的需求,需要对优化弱覆盖问题的传统方法进行改进。为了解决上述问题,论文对传统经验模型校正算法及弱覆盖区域识别算法进行改进和优化,主要研究工作如下:1)提出了基于特征工程和多元线性回归-深度神经网络（MLR-DNN）的经验模型校正改进算法。首先根据无线信号传播特性设计特征工程方案,解决路测数据特征表达能力弱的问题,提升校正模型性能上限;其次设计了 MLR-DNN模型对该性能上限进行逼近,模型包含基于多元线性回归（Multiple Linear Regression,MLR）模型的一次校正和基于深度神经网络（Deep Neural Network,DNN）模型的二次校正两个部分。在一次校正部分,以5G城市宏蜂窝（Urban Macrocell,UMa）模型为基准,对5G无线信号路径损耗预测问题构建MLR模型,并使用最小二乘法拟合特征与路径损耗之间的线性关系。此外,还将MLR模型拟合结果作为描述线性关系的高阶特征,通过特征组合构建新数据集。在二次校正部分,设计了合理的DNN模型以及训练策略,并对新数据集进行训练,进一步拟合特征与路径损耗之间的非线性关系。通过对比实验得出,使用传统MLR模型和DNN模型校正后的经验模型预测误差标准差分别为8.63dB和5.51dB,而使用改进算法校正后的经验模型预测误差标准差降低至4.65dB,满足了经验模型预测误差标准差不大于5dB的精细化覆盖预测需求。2)提出了基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）和计算几何的弱覆盖区域识别优化算法。首先设计了基于DBSCAN聚类的质差簇识别优化算法,并根据轮廓系数自动选择聚类算法的最优参数组合,算法平均耗时35ms,解决了传统网络优化人力分析成本高且效率低的问题;其次设计了基于路测数据的小区覆盖区域提取优化算法,并构建网格索引优化存储结构,使质差点与小区覆盖关系的计算速度提升了 33倍;最后设计了基于计算几何的弱覆盖区域提取优化算法,根据小区实际覆盖区域使用射线法准确定位mMIMO权值优化的目标小区簇,并通过凸包法准确提取用于弱覆盖问题优化的仿真区域。相比于外接矩形法,凸包法提取的区域中冗余栅格占比降低了 29.1%,节约了覆盖仿真计算资源,满足了基于mMIMO权值优化与覆盖仿真的5G网络优化方法的精细化需求。