一种异构密集网络中容量与覆盖联合优化方法技术

本发明专利技术请求保护一种异构密集网络中容量与覆盖联合优化方法，涉及到异构密集SON自组织网络领域。本方法采用了一种基于模糊逻辑与Q学习的进行小蜂窝功率控制的联合优化网络平均频谱效率和边缘频谱效率的方法。本方法首先需要密集小蜂窝根据移动台的测量上报信息在一个调整周期内进行网络平均频谱效率和边缘频谱效率的衡量。然后，将密集小蜂窝的功率，平均频谱效率和边缘频谱效率作为模糊逻辑的输入变量，进行模糊逻辑与Q学习的自优化控制处理，自适应的使网络收敛到理想的容量与覆盖联合优化调整状态。本方法，以在线的学习方式有效的改善高密集小蜂窝部署时由于功率设置不合理引起的容量覆盖问题，具有一定实用性。

【技术实现步骤摘要】

本专利技术设及无线通信网络领域技术，尤其关乎异构密集网络SON功能架构下容量 与覆盖优化(CCO)方法。
技术介绍
随着4G标准网络的全面商用，移动互联网的进入了快速发展的时代，其对未来无 线通信网络的容量要求越来越高。为了满足用户的业务需求，同时保证网络的连续广域的 覆盖，在LTE异构蜂窝网络中是在传统宏基站提供基本网络覆盖的基础上在热点地区部署 微蜂窝small cell小区来满足热点地区的业务和容量的需求。在下一代无线通信网络中， 超密集异构网络部署已被公认为提升网络容量覆盖及网络速率的一个极为重要的方面。 网络运营商在网络部署初期会由网络自配置功能对新加入到网络中网络节点进 行初始参数的配置，由于密集小蜂窝的部署是W不规则、无定型的方式存在于网络覆盖范 围中，在网络初始配置下由于参数设置不合理导致的容量和覆盖问题必定会发生。密集小 蜂窝之间由于功率设置过大虽然会相应的提升其辖属的覆盖范围，但是会导致相邻小蜂窝 之间和其与宏蜂窝之间严重的干扰的产生，进而会恶化SINR水平，最终影响系统整体吞吐 量的提升。密集小蜂窝之间功率设置过小虽然会一定程度上避免小蜂窝之间和其余宏蜂窝 之间的干扰，但是随之而来的覆盖范围过小又会导致旨在为热点地区提升网络容量而部署 的小蜂窝基站不能吸纳足够的用户，驻留在宏小区上的用户无法切换到小蜂窝上使用频谱 资源空间复用后的可用资源块，最终也会影响系统整体吞吐量的提升。 为了减少网络部署的资本开销(CAPEX)和人工操作成本(OPEX)，无线通信系统中 引入了自组织网络(SON)，其包括S大部分：自配置，自优化和自治愈。对于密集小蜂窝网络 部署下会导致的容量覆盖问题，其归属的范畴为自优化功能中的容量与覆盖优化方面。目 前，关于容量与覆盖优化的方式主要集中在对宏基站的电子下倾角的调整上，在大尺度上 保证宏基站的容量与覆盖保持在一个合适的水平从而保证网络的整体的可靠性和有效性。 而针对热点地区密集小蜂窝部署下的基于功率控制的容量与覆盖优化方法鲜有出现和应 用。
技术实现思路
针对W上现有技术的不足，提出了一种方法。本专利技术的技术方案如下:一种异构密 集网络中容量与覆盖联合优化方法，其包括W下步骤： a、移动用户终端获取服务基站的接收信号强度和干扰基站的接收信号强度并进 行信干噪比SINR的计算，其中RSRPs为服务基站接收信号强度，RSRPi 为干扰基站接收信号强度，N为干扰小区个数，no为噪声；周期性的上报下行信道质量指示 CQI ； b、密集小蜂窝基站在调整周期内进行小区平均频谱效率和边缘频谱效率的统计， 按权重进行网络状态质量指标的衡量，衡量公式为SQ= SEcenter+wSEedge，其中SQ为网络状态 质量指标，SEcenter为小区平均频谱效率，SEedge为边缘频谱效率，W为权重因子； C、获取邻小区的网络状态质量指标，在模糊逻辑Q学习算法中W多Agent合作的方 式评价网络整体状态质量，作为Agent单步调整好坏的评价指标，用来计算瞬时奖赏值； d、对密集小蜂窝功率，将平均频谱效率和边缘频谱效率作为模糊逻辑Q学习系统 的输入值进行模糊化处理，形成模糊规则，初始化状态动作Q值表，根据e-greedy策略对每 条激活了的规则进行动作选择，采用加权和方式进行去模糊化处理，输出调整值； e、根据输出调整值进行小蜂窝功率的自适应的调整，进入下一个调整周期的网络 整体状态质量的衡量； f、在一个调整粒度到期时，结合步骤C评价多Agent合作方式下的瞬时奖赏值，进 行模糊逻辑规则下的状态动作的Q值表的更新，然后按步骤d所述的e-greedy策略进行动作 选择，进行重复的功率自适应调整过程，直至收敛到设定网络容量与覆盖联合优化调整状 态。 进一步的，在步骤a中，移动用户终端获取服务基站的接收信号强度和干扰基站的 接收信号强度并进行信干噪比SINR的计算的公式为'其中RSRPs为服 务基站接收信号强度，RSRPi为干扰基站接收信号强度，N为干扰小区个数，no为噪声;周期性 的进行下行信道指示CQI的上报。 进一步的，在步骤b中，密集小蜂窝基站在200ms的调整周期内将每个用户在每个 子帖内上报的CQI映射为频谱效率，按从小到大的顺序进行存储统计，调整粒度到期时，遍 历存储统计单元缓存区，找出对应的5%用户的边缘频谱效率和50%用户平均频谱效率，W 权重w = 2按公式将作为单个小蜂窝的网络状态质量的评价指标，其中，W为边缘频谱效率相 比于平均频谱效率在网络状态质量中的权重因子。 进一步的，在步骤C中，W分布式方式存在各个网元单元中的AgentW合作的方式 获取邻区列表中的小区中的邻小区网络状态质量，W公式^'W来计算需要 考虑的网络整体平均状态质量，后续用来计算瞬时奖赏值。其中N为邻小区个数。 进一步的，步骤d具体为：，将密集小蜂窝功率模糊化为低、中、高=个模糊标识，将 小蜂窝平均频谱效率模糊化为低、中、高=个模糊标识，将小蜂窝边缘频谱效率模糊化为 低、中、高=个模糊标识，从而形成3*3*3 = 27个模糊规则，将输出调整值模糊化为减小、微 减、不变、微增、增加五个模糊标识，初始化每条规则对应的调整动作的Q值评估函数表，其 中，i为所有模糊规则状态，为执行的调整动作，将作为模糊逻辑Q学习控制器FQLC的输入变 量，根据模糊规则和隶属度函数，利用公式确定当前输入向量所对应的每条规则的真实度， 其中表示连续域的输入变量向量S进行模糊化处理后对应的第i条规则中第k个模糊标识对 应的隶属函数真实度，然后，对每条激活了的模糊规则即模糊规则的真实度非零值，按探 索/利用的e-greedy贪屯、策略进行调整的动作选择，即：按概率进行利用的调整的动作选 择;按概率进行探索的调整的动作选择;最后，根据模糊逻辑系统进行去模糊化处理，输出 连续域的功率调整值，同时，评价估计当前状态动作对的Q值函数。[OOW 进一步的，在步骤帥，在一个调整粒度200ms至Ij期时，智能体AgentW合作的方式 评价联合瞬时奖赏值作为上一次调整好坏的瞬时评判指标，计算当前时刻的值函数，利用 当前状态值函数和折扣因子计算与上一时刻Q函数的差值，采用梯度下降的方法来更新模 糊规则状态动作的q值表:然后根据更新的q值表进行e-greedy动作选择，重复上述过程，直 至收敛到理想的网络容量与覆盖联合优化调整状态。 本专利技术的优点及有益效果如下： 本专利技术针对密集小蜂窝网络部署时容量与覆盖相惇的属性提出了一种基于小蜂 窝功率控制的容量与覆盖联合优化，达到容量与覆盖的折中平衡，有效的提升了不规则、无 定形小蜂窝部署下的系统性能。其有效利用了 Q学习运种机器学习的在线学习动态调整的 特点，无需精确的数学建模，同时结合模糊逻辑将连续状态空间输入变量进行离散化，结合 多Agent合作模式下的联合瞬时奖赏的方式进行环境的感知与动作的选择，在保证了系统 的较快收敛和稳定性的同时也提升了系统整体性能。【附图说明】 图1是本专利技术提供优选实施例总体流程示意图； 图2为本专利技术中FQLC总体架构示意图； 图3为本专利技术中多Agent合作下感知网络状态质量的流程示意图； 图4为本专利技术中对输入参数的模糊化处理准则示意图； 图5为本专利技术中本文档来自技高网...

【技术保护点】
一种异构密集网络中容量与覆盖联合优化方法，其特征在于，包括以下步骤：a、移动用户终端获取服务基站的接收信号强度和干扰基站的接收信号强度并进行信干噪比SINR的计算：其中RSRPs为服务基站接收信号强度，RSRPi为干扰基站接收信号强度，n0为噪声；周期性的上报下行信道质量指示CQI；b、密集小蜂窝基站在调整周期内进行小区平均频谱效率和边缘频谱效率的统计，按权重进行网络状态质量指标的衡量，衡量公式为SQ＝SEcenter+w SEedge，其中SQ为网络状态质量指标，SEcenter为小区平均频谱效率，SEedge为边缘频谱效率，w为权重因子；c、获取邻小区的网络状态质量指标，在模糊逻辑Q学习算法中以多Agent合作的方式评价网络整体状态质量，作为Agent单步调整好坏的评价指标，用来计算瞬时奖赏值；d、对密集小蜂窝功率，将平均频谱效率和边缘频谱效率作为模糊逻辑Q学习系统的输入值进行模糊化处理，形成模糊规则，初始化状态动作Q值表，根据e‑greedy策略对每条激活了的规则进行动作选择，采用加权和方式进行去模糊化处理，输出调整值；e、根据输出调整值进行小蜂窝功率的自适应的调整，进入下一个调整周期的网络整体状态质量的衡量；f、在一个调整粒度到期时，结合步骤c评价多Agent合作方式下的瞬时奖赏值，进行模糊逻辑规则下的状态动作的Q值表的更新，然后按步骤d所述的e‑greedy策略进行动作选择，进行重复的功率自适应调整过程，直至收敛到设定网络容量与覆盖联合优化调整状态。...

【技术特征摘要】

【专利技术属性】
技术研发人员：唐伦，刘伟，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85