基于迭代联合传输的超密集网络动态干扰协调方案

鉴于超密集网络中急剧增长的小区和用户数量,研究了如何通过合理地选择联合传输用户来实现动态干扰协调,以此提高小区边缘用户频谱效率。通过动态协作簇划分和动态联合静默传输2种手段,将所有用户分类;再利用迭代优化算法进一步提高系统性能,同时解决了联合传输用户的数量选择问题。仿真结果表明,与传统的协作多点方案相比,所提方案在不损失小区平均频谱效率的前提下,在小区边缘频谱效率方面存在显著的性能增益。     

基于多点协作联合传输的超密集组网性能分析

超密集组网的基站高密度特性会带来严重的小区间干扰,多点协作联合传输应用于超密集组网进行干扰管理是目前的研究热点,该文对多点协作联合传输时基站密度对网络性能的影响进行了分析。首先采用随机几何方法推导了3维空间基站与用户距离的概率密度函数,为选取距离用户最近的多个基站联合传输的协作机制提供了基础;然后结合有界双斜率路径损耗模型,进行用户下行链路的干扰建模,进一步推导出用户下行链路覆盖率和网络区域频谱效率的表达式,并分析了协作基站数、基站密度等参数对网络性能的影响。数值仿真表明：协作基站数为2时就可使下行链路覆盖率增加10%,且实现2到3倍的频谱效率的增益,当协作基站数为3时,费效比更优,同时可得到多点协作下的基站密度极限使区域频谱效率最高。该文工作可为下一代移动通信网络的基站部署提供理论支持。

     

一种5G分布式联合传输策略研究

在5G超密集网络UDN部署的低功率节点覆盖下,小区覆盖重叠严重导致了小区间存在较大的同层干扰,由用户话务在时间和空间上分布不均匀而产生的小区负载不均衡造成了小区网络资源的严重浪费,小区用户体验大幅度降低。基于5G网络和TDD-CoMP技术的新特征,构建了一种以用户为中心的5G分布式联合传输模型,对模型中的干扰、功耗以及速率解决方案进行了分析,最后得出一种可有效降低系统能耗,提升用户整体的速率的5G分布式联合传输策略研究方案。     

超密集网络下行传输局部按需协作的功率分配方法

针对超密集网络的下行传输,分析研究了频谱效率和功率分配方案,并基于对性能和复杂度的综合考量,提出了密集部署接入点（Access Point,AP）基于部分用户迫零和按需进行局部协作的功率分配方法。先假设每个AP知道用户的位置信息,且仅服务其附近的用户,利用迫零准则消除所服务用户之间的干扰,即部分用户迫零。功率分配则基于信道大尺度衰落进行。但可能存在无法满足部分用户最低通信需求的情况,需针对这部分用户形成局部协作簇,并对功率分配进行重新优化。仿真结果显示,该算法在避免了功率资源全局优化带来的高计算复杂度问题的同时,也保证了系统性能。     

非理想CSIT下超密集分布式天线网络的高能效协同波束成形

针对超密集分布式天线网络(md-DAN)的下行场景,基于以用户为中心的虚拟小区模式,在非理想的发端信道状态信息(CSIT)条件下对系统的高能效协同波束成形问题进行研究。提出一种采用连续Taylor展开和Dinkelbach方法的迭代解决问题方案。仿真表明,该方案在不同网络部署密集程度下均可明显提高md-DAN系统能效。     

基于能量效率优化的超密集网络干扰协调方案

针对超密集网络场景,提出一种基于能量效率优化的干扰协调方案,通过粒子群优化算法联合调整基站活跃状态概率、基站发射功率以及协作用户数量,并在确保边缘用户满意度的前提下,优化系统的能量效率。实验结果证明,提出的方案相比传统联合传输方案可获得10.30%的能量效率增益,相比非协作方案可获得18.73%的能量效率增益。     

超密集小蜂窝网络移动性技术分析

蜂窝网络中移动性管理的目的是根据用户的位置查找、识别和跟踪用户,以向他们提供蜂窝服务。GSM和UMTS网络的主要功能是为其用户提供高质量的蜂窝服务。这意味着如果用户在靠近移动终端或在丘陵地区使用他们的设备,则这些设备都必须被GSM蜂窝网络覆盖。通信的稳定性、可靠性都是蜂窝网络中移动性管理的最终目标。文章讨论了5G超密集小蜂窝网络两种类型的移动性技术、位置管理和切换。     

基于随机几何理论的多天线密集异构网络性能分析与优化

无线网络的异构化、密集化部署极大地提高了系统容量,可满足用户日益增长的数据流量需求,但是复杂的网络结构、近乎随机的基站分布不利于系统的性能评估和参数设计。针对这一问题,该文提出一种适用于多天线密集异构网络的性能分析框架。首先,利用随机几何模型推导了覆盖率的闭合表达式并给出了优化方案。为了直观地观察关键系统参数对覆盖率的影响,还给出了一种渐近表达式。其次,推导了区域频谱效率(ASE)的积分表达式,为了减小计算复杂度,给出了一种ASE的上界。最后,还提出了一种有效的算法来设计最优的基站(BSs)部署密度,以在满足覆盖率需求的前提下最大化ASE。仿真结果验证了理论分析的正确性和所提优化算法的有效性。该文的研究成果不但可以为复杂网络的性能分析提供理论依据,还可为系统的优化与设计提供可行性方案。     

超密集网络中基于BCD的联合频谱资源优化方法

针对超密集网络(ultra dense network, UDN)中基站密集部署导致的严重层间干扰问题,构建了考虑频谱复用和共信道干扰条件下最大化系统总吞吐量问题模型,提出了一种基于块坐标下降(block coordinate descent, BCD)法的联合频谱资源优化(joint resource optimization based on BCD, JROBB)方法。该方法将原问题分解为分簇、子信道分配和功率分配三个子问题,通过BCD法迭代优化子信道分配和功率分配,逼近原问题的最优解。仿真分析表明,在复杂度提升有限的情况下,系统总吞吐量比现有典型算法平均至少提升22%,可以有效提升频谱利用率。     

超密集分簇网络中基于马尔可夫模型的移动性能建模与分析

第五代移动通信(5G)系统中,大规模MIMO天线和超密集部署网络是实现高吞吐量的两种主要方法。在超密集部署网络中,将小蜂窝的基站按照地域位置和信号强度等条件进行分簇,簇内所有的小蜂窝共用同一控制平面,实现了业务和控制的分离。基于此场景,提出了基于马尔可夫模型对移动终端在超密集分簇网络下的移动状态进行建模,推导出系统吞吐量、阻塞概率等系统性能的闭式表达式。仿真结果表明超密集分簇网络可以有效地减少移动终端不必要的切换次数,并提高系统吞吐量。     

超密集异构蜂窝网多维资源联合优化算法

作为5G的关键技术,超密集组网(UDN)可以大幅度提高网络容量和用户体验,但其性能严重受限于小区间干扰。针对超密集异构蜂窝网络的无线资源高效管理问题,提出了一种多维无线资源联合分配算法。为了在保障用户服务质量的前提下,最大化系统能效,将时频资源与功率资源的最优分配问题建模为有约束的组合优化问题。由于这是一个NP-hard问题,求解比较困难。因此,采用分步优化+迭代搜索策略：首先基于模拟退火算法进行时频资源优化分配,并引入粒子删减和回火升温过程以提高搜索速度和避免落入局部最优陷阱;然后采用拉格朗日乘子法进行功率最优分配;最后,通过多次迭代,逼近全局最优解。仿真结果表明,提出的联合资源分配算法能够保障用户间的公平性并且有效提高系统能效与网络吞吐量,同时具有更快的收敛速度和更高的收敛精确度。     

密集小基站网络中的下行乒乓中继传输机制

研究了密集小基站网络中的下行放大转发中继传输机制。由于半双工限制,传统中继传输机制会带来一定的频谱效率损失,同时在密集系统中获取全局信道状态信息也较为困难,为此提出了一种分布式乒乓中继传输机制。该机制避免了传统机制的半双工损失,同时也可以有效地解决中继间干扰问题。分析了传统传输机制以及乒乓中继传输机制的可达速率,并且给出了两者在中继数很大时的渐进性能。分析与数值仿真表明该机制相较于传统中继机制可以带来较大性能增益。     

超密集网络中最大化网络吞吐量的预测资源分配

在超密集网络中,小区间干扰严重制约了小区边缘用户的性能体验以及网络吞吐量。无线大数据分析的飞速发展,使得人们有可能通过预测未来的信道状态来分配资源,在无干扰网络中可达到很大的性能增益。但是在干扰网络中如何利用预测信息,在分配资源的同时有效协调干扰还是一个尚未研究的问题。本文分析了干扰网络中预测资源分配的设计难点和存在的问题,针对该问题提出了相应的解决方法,将资源分配建模成一个凸优化问题,通过求解优化问题得到最优的资源分配方法。仿真表明,与未知预测信息的最大化网络吞吐量方法相比,所提方法能够有效提高用户的成功传输率、平均传输进度和网络的吞吐量。当用户数据需求较大时,所提方法可以提供较大的网络性能增益。      

面向5G超密集场景下的网络自组织关键技术

随着网络部署越来越密集,以及多种网络制式的同时存在,均将加大将来5G网络的运维难度及成本支出.而网络自组织技术则是一种提升网络管理效率、降低运维成本的重要手段措施,因此面向5G超密集场景下的网络自组织关键技术展开相关的研究工作意义重大.本文简要介绍了网络自组织的概念,进一步对超密集场景下存在的主要问题展开了具体的研究工作,结合本次研究,最终就干扰管理自优化技术、负载均衡自优化技术、故障检测和分析技术、网络中断补偿技术等网络自组织关键技术展开了深入的探究工作.     

能量高效超密集网络的最优部署

为使能量效率最大化,采用随机几何方法对多小区多用户MIMO蜂窝网络的上行链路进行建模,改进系统功耗模型,得到一个关于基站密度、发送信号功率、基站天线数、小区用户数以及导频复用因子的能量效率最大化问题.求解该问题,可得到最优的网络部署方案以及各最优参数与硬件特性、传播环境之间的关系.仿真与数值计算结果显示,超密集网络部署可以显著提高能量效率,但是随着基站密度的进一步增加,能量效率的提升很快饱和.更有趣的是,能量效率最优化所确定的部署方案恰为大规模MIMO情形.     

超密集网络中的绿色预测资源分配

大数据分析兴起使得系统可以预测用户的移动轨迹和业务需求等信息,从而可以根据预测信息对资源进行预先分配,在满足用户需求的同时降低网络的资源消耗。相比于无干扰网络,在基站密集部署的网络中,干扰的存在使得用户数据率预测与资源分配耦合,增加了干扰网络中进行预测资源分配的复杂性。本文研究了在保证用户业务需求情况下如何最小化系统资源消耗的问题,提出了一种能够有效协调网络干扰的预测资源分配方法。仿真结果表明,本方法基于可预测的大尺度信道信息进行预测资源分配,能够在相同的用户需求下提高网络成功传输率,降低系统能量资源消耗,提高资源的频谱效率。      

超密集网络中基于博弈论的频谱分配策略研究

超密集网络(Ultra-Dense Network,UDN)作为5G的关键技术之一,密集分布的小基站带来了系统容量和传输速率的提升,已成为近年的研究热点.针对UDN中严重的同层与跨层干扰问题,将博弈论应用到频谱分配中,求解相关均衡得到优化的频谱分配策略.使用Matlab对基于博弈论的频谱分配策略(SAGT)、对图论着色...     

机器学习在5G超密集网络切换中的应用

超密集网络（Ultra-dense Network,UDN）作为5G网络架构的关键技术,其切换时延及无效切换等已成为网络发展的巨大挑战。提出了一种基于集成策略的机器学习算法,并结合用户的移动性数据,进行较高精确度的切换预测,减少切换时延及非必要切换等目标。仿真结果表明,采用结合改进机器学习算法的切换策略,不必要切换率降低了40.2%,平均时延降低了28.6%。