基于免疫算法的 TD-SCDMA 网络基站选址优化

针对已有3G基站选址优化算法的不足和TD-SCDMA网络的特点,提出了一种基于免疫算法的TD-SCDMA网络基站选址优化方案。建立了基站选址问题的数学模型,设计了基于反学习的种群初始化方案和精英交叉策略,给出了免疫优化算法框架。实验结果表明,该算法不仅能够以较小的建站代价获得较高的网络覆盖率,而且算法具有较好的收敛性。     

基于Voronoi图的应急通信系统基站选址方法研究

根据Voronoi图的最大空心圆策略,从应急通信系统基站选址的基本原则着手,借助小区通信理想化覆盖模型确定了基站覆盖半径,在平面区域上构建出一种应急通信基站的优化选址方法。最后分析了该方法的理论意义与实际不足。     

面向车联网数据隐私保护的高效分布式模型共享策略

针对车联网隐私数据共享面临的效率问题,提出了基于区块链的高效分布式模型共享策略.针对车联网场景下多实体、多角色的数据共享需求,通过在车辆、路边单元和基站之间构建主从链架构,实现了分布式模型安全共享;提出了基于激励机制的异步联邦学习算法,以激励车辆及路边单元参与优化过程;构造了混合PBFT的改进DPoS共识算法来降低通信...     

基于多参数融合的超宽带基站布设优化方法

超宽带室内定位精度受非视距传播(Non-Line Of Sight,NLOS)、多径效应、基站布设等因素影响，而这些因素均与基站的布设阵型有关.因此，本文提出一种基于位置精度稀释因子(Positioning Dilution Of Precision, PDOP)、到达时间差(Time Difference Of Arrival, TDOA)测量误差和克拉美劳界的基站布设优化数学模型，可用遗传算法和萤火虫算法等智能算法求解.理论推导和仿真测试表明优化后的基站布设阵型相较于传统的立方体8基站阵型具有更好的平均误差和方差. 14.5 m×7.6 m×3 m展厅的实测实验结果表明，经过优化后的基站布设阵型定位精度提高了0.713 2 cm，且方差减小了50.649 6 cm²具有较高的稳定性.     

基于深度强化学习的毫米波通信资源分配方法

针对5G毫米波通信系统资源管理难度大的问题，提出一种基于深度强化学习的毫米波通信系统资源优化分配方法。建立了符合实际应用场景的5G毫米波通信系统模型，模型考虑了移动通信基站、蜂窝用户终端与设备-设备用户终端，同时包含网络服务质量的多个关键因素。以最大下行速率与误码率为约束条件，以最大化系统总吞吐量为目标，利用深度强化学习技术寻找系统的资源分配措施。仿真实验结果表明，该方法通过资源优化分配措施改善了毫米波通信系统的总吞吐量。     

LTE混合组网中基于多目标粒子群的自规划

TDD-LTE与LTE-FDD混合组网对网络规划依赖较高。为实现LTE混合组网的基站选址自规划,使网络同时满足覆盖、能效比、负载、成本最优,提出了一种均衡多目标优化的混合组网基站选址规划模型。结合LTE混合组网理想回传的特点,重新构建多个目标优化函数,利用改进的离散多目标粒子群算法,从Pareto解集中模糊折衷选取较优解进行优化。仿真结果表明,提出的网络自规划方法能够综合提高网络性能同时减少成本,具有较好的应用价值。     

基于MADDPG的无人机辅助通信功率分配算法

针对多无人机(unmanned aerial vehicle, UAV)作为空中基站辅助通信的吞吐量和公平性问题,提出了一种基于多智能体深度确定性策略梯度算法(multi-agent deep deterministic policy gradient algorithms, MADDPG)的功率分配算法,该算法通过联合优化UAV基站的功率分配和用户接入以提高系统吞吐量和公平性。本文首先构建了UAV基站为地面建立通信服务的三维场景,然后通过联合功率、用户关联和UAV位置约束,构建了吞吐量和公平性最大化的问题模型。考虑到该问题的复杂性,本文将所构建的优化问题建模为马尔科夫决策过程(Markov decision process, MDP),通过引入深度确定性策略梯度算法(deep deterministic policy gradient algorithm, DDPG)解决该问题。仿真结果表明,本文提出的基于MADDPG的UAV基站功率分配算法与其他算法相比,可以有效地提升系统的吞吐量和用户的公平性,提高通信的服务质量。     

基于机器学习和卫星图像的路径损耗预测

基于反向传播神经网络（back propagation neural network,BPNN）构建了一种路径损耗预测模型.通过卫星图像的红、绿、蓝（red, green and blue,RGB）通道的颜色信息来表征无线通信电波传播路径的环境特征,结合路测点与基站的距离特征构建数据集,迭代训练网络参数,以预测传播路径损耗.结果表明,对跨基站路测点的预测结果与实测数据之间的相关系数达到0.83,绝对平均误差控制在0.66 dB,标准差控制在6.65 dB,说明在缺乏某一场景的详细模型和材质参数时,本文模型也能可靠预测无线通信电波的传播路径损耗.此外,本文信道模型与传统信道建模方法多方面的对比与分析表明,本文模型在相同计算资源下可以提供和传统信道建模方法相差很小的预测结果,同时大大缩短预测所需的时间,说明本文模型对传播路径损耗做出快速预测的能力可以用于无线通信网络系统的优化.     

用射线跟踪法预测室内电波传播模型

介绍了利用射线跟踪法预测室内电波传播模型的方法。该模型基于电磁场传播的物理模型,根据几何光学与一致绕射理论计算复杂电磁环境下信号的直射、反射和绕射多径传播,获得特定场景下信号覆盖强度、多径传播延时等数据,为室内基站优化和信道模型提取提供指导。     

衍射层析模型下穿墙雷达三维学习成像方法

针对现有穿墙雷达三维稀疏成像中,存在网格时延构建字典矩阵所需内存过大以及凸优化稀疏成像算法阈值参数不确定影响重建图像质量的问题,提出了一种基于衍射层析稀疏模型的学习近似消息传递三维成像方法。该方法在衍射层析成像算法上通过构造快速傅里叶变换算子来建立三维成像稀疏模型,然后修正近似消息传递算法求解稀疏解,并将其迭代过程映射成多层神经网络,最后通过数据驱动自适应学习多层神经网络中的可调参数,从而实现三维学习成像。仿真和实验数据处理结果表明,该方法不仅减小了系统所需内存,还避免了参数的人工调整对成像质量的影响。     

非视距环境中TOA/AOA混合定位方法

为了减少非视距对定位估计的影响,提出了一种新到达时间/到达角信号的抗非视距混合定位方法,该方法假设首先到达每个基站的信号路径经历了唯一的一次反射,采用约束非线性优化方法来定位移动台,将基站和移动台的几何分布关系和移动台的位置范围作为约束条件,并使用粒子群优化技术来寻找全局最优解,然后计算测量噪声并利用迭代过程进一步的提高定位精度,通过对比仿真表明该算法的有效性。     

RSS协助的ray-tracing室内定位算法

针对室内定位,当信号受到非视距(non-line-of-sight, NLOS)和多径传播的影响时,本文提出一种接收信号强度(Received Signal Strength, RSS)协助的Ray-tracing室内定位算法,改进已经提出的基于虚拟基站方法的信号到达时间 (Time of Arrival, TOA)和信号到达角度(Direction of Arrival, DOA)室内无线信号Ray-tracing模型,利用信号RSS测量值优化算法,实现TOA、DOA和RSS协同定位,提高室内多径及非视距环境下,无线定位的精度,降低算法复杂度,提高算法处理信号多重散射的能力并降低了对基站的依赖性适用环境更为广泛。首先通过RSS得到信号源可能存在的位置,随后利用Ray-tracing原理并使用虚拟基站,将非视距路径定位问题转化为视距路径定位问题,利用TOA和DOA对直射、透射、反射和绕射情况进行分析建模,最后使用最小二乘法对可能的位置进行筛选,得到信号源的最终位置。仿真结果表明,本算法较改进前拥有更高的定位精度。      

无人机机载5G一体化基站后台数据集成方法

传统无人机机载5G基站后台数据集成方法的数据集成性能较差,对此文中提出新的无人机机载5G一体化基站后台数据集成方法。采用无线传感网络和RFID标签射频检测法分区调度大数据,提取基站后台数据的关联规则性特征。利用特征模糊层次性融合方法实现后台数据关联性挖掘。通过机器学习方法实现对后台数据属性的聚类处理,结合子空间压缩方法实现对基站后台数据的集成。仿真实验结果表明,采用该方法集成基站后台数据的性能较好,数据特征提取精度较高,后台数据分类管理能力较强。     

多天线NLOS定位误差抑制算法

为抑制非视距传播造成的定位误差,提出一种基于对各基站TOA测量结果进行NLOS判别的误差抑制算法。与传统基于TOA统计信息的NLOS抑制不同,算法直接利用移动台多天线接收数据判别基站视距状态,然后融合LOS和NLOS基站测量结果解算移动台位置。NLOS判别机制采用多天线接收数据估计信道莱斯K因子,利用K因子在LOS/NLOS下服从的不同概率分布在信号处理层面对NLOS基站进行判别。算法最后采用约束最优化方法融合识别后的LOS和NLOS基站的TOA测量结果解算移动台位置。仿真结果表明,所提融合NLOS基站TOA解算算法可有效提高NLOS存在时的定位精度。      

TOA数据处理对NLOS环境下定位精度的改善

基于移动通信环境中非视距(NLOS)传播时延服从指数分布的特性,提出了一种改善移动台定位精度的波达时间(TOA)数据处理方法.NLOS传播时延是TOA测量误差的一部分,是基站与移动台距离的指数函数,具有正偏置的特性,因此TOA测量值越大其误差越大.对所有的TOA测量数据进行分析,仅保留误差最小的3个,然后再采用最小二乘(LS)法估计移动台的坐标.仿真结果表明,该TOA数据处理方法能够明显改善NLOS传播环境下的定位精度,在系统测量误差较小时对LOS传播条件下的定位精度几乎没有影响.     

基于资源调度和深度学习的5G多用户定位

由于5G通信网络具有结构异常庞大以及干扰情况异常复杂多变的特征,5G的空口资源调度面临着巨大挑战.基站准确获取用户位置不仅是许多应用场景的基本功能需求,还能指导基站在资源调度过程中有意识地规避或者抑制同频干扰,从而进一步提高系统容量.针对传统定位算法存在效率低、计算复杂度高等问题,提出利用介质访问控制(Media Ac...     

非直达波条件下的TDD高精度移动定位算法

本文基于单次散射双向移动信道模型及信道参数联合估计,利用单基站测得的多条散射路径的到达时延、到达方向和离波方向进行定位,提出了一种非直达波条件下的TDD高精度移动定位算法.随后分析了其定位误差的分布特性.仿真结果验证了非直达波条件下该算法的有效性.     

基于移动蜂窝网的机器学习室外指纹定位方案

基于移动蜂窝网络技术的定位方案是提供网络优化、紧急救援、公安巡警和位置服务等应用的重要技术途径之一。传统的基于小区基站位置信息的定位方案定位精度低、定位误差大,无法满足某些定位应用需求。基于指纹定位的方案能够在基于小区粗定位方案基础上大幅度提升定位精度、节约计算成本、增强适用性,成为定位研究的热点。针对室外指纹定位的业务需求,深入研究分析了两种基于机器学习的栅格化和非栅格化室外指纹定位方案。通过参数加权、数据拟合等方法对于大规模指纹数据进行了清洗,提高数据源的有效性。通过划定研究区域、栅格化、构建指纹数据库、训练模型、修正模型、非栅格化、粗定位耦合、匹配参数、训练参数等子模块的实现,分析和优化了算法的运行效率和定位精度,确定了影响算法性能的关键指标。进而结合仿真结果,分析了两种基于指纹的定位方案的性能。最后介绍了基于机器学习的指纹定位方案在实际应用中的典型场景。