基于AI算法的Massive MIMO波束权值优化研究与应用.docxVIP

16

16 2022/07/DTPT

基于AI算法的MassiveMIMO

波束权值优化研究与应用

1概述

相比4G，5G系统引入了MassiveMIMO技术，与4G多天线技术存在较大的差异。5G系统MassiveMI?MO技术基于超大规模天线的多波束赋形，可提升网络覆盖、小区总吞吐率及频谱效率，减少干扰，以满足5G网络大容量、覆盖要求高的需求。同时，5G的切换将从小区级切换转变为波束切换，MassiveMIMO波束的规划优化不仅直接影响整个5G网络的覆盖、容量，对5G新移动性管理也有着至关重要的作用。

——————————

收稿日期：2022-05-30

2MassiveMIMO波束权值优化难点

MassiveMIMO技术在5G中的配置将更加复杂，面临应用场景多样，权值选择空间更多的难题，相对4G网络的插花部署，5G网络中大规模天线连续组网和联合优化，将对寻找区域最优及全局最优的波束参数配置提出更高挑战。而5GMassiveMIMO波束由于扫描，不仅是动态波束，而且除原有的下倾角、水平/垂直波宽外还新增了方向角的属性，组合数量将达到上万种可能，这已超出了现有专家经验可优化的范畴，因此需要通过人工智能技术自动识别小区及波束覆盖的场景，通过机器学习算法建模，为各小区匹配最

佳的波束，实现MassiveMIMO波束自配置算法，解决5GMassiveMIMO波束组合数量大、人工规划优化困难的问题。

间，其扇形覆盖的范围即5G小区覆盖范围，如图2所示。

3基于GBDT机器学习的MassiveMIMO波束权值优化

针对MassiveMIMO波束优化困难的问题，本文提

N

（X1，Y1）

a

（X0，Y0）

（X2，Y2）

出的算法充分考虑场景、建筑分布、地物分布、用户分

布等与波束权值的关系，并通过机器学习将各种因素与MassiveMIMO波束权值调整进行关联映射，从而为每个小区分配一个最佳的MassiveMIMO波束配置，以满足5G网络规划优化的需求。本文所提出的算法引入了人工智能进行智能化的波束自适应调整。Mas?siveMIMO波束配置整体规划方法可以分为建模过程和输出过程2个部分，建模过程主要通过仿真对样本小区各种波束配置的性能进行评价，构建MassiveMI?MO波束自配置训练样本库，并通过机器学习算法进行建模。输出过程主要对规划小区进行场景特征提取，根据已经训练出的模型为每个待规划小区匹配一个最佳的MassiveMIMO波束配置（见图1）。

（X3，Y3）

图2基于地理位置的小区覆盖范围确定

b）基于MR数据的小区覆盖范围确定。根据现网采集到的MR进行定位，使用定位后的栅格化MR数据获得每个小区的覆盖范围。

c）基于仿真的小区覆盖范围确定。使用仿真软件通过射线追踪模型结合5G波束特性进行5G覆盖仿真，通过仿真确定每个小区的覆盖范围。

3.2特征工程

标签构建

以某市的10000个小区作为样本数据来构建标签，将仿真获得的小区最优波束权值作为样本标签，形成波束权值优化样本集。标签的构建的步骤如下。

样本 小区

建模过程规划

小区

输出过程

小区覆盖范围确定

小区覆盖范围确定

小区覆盖范围确定

标签数据构建

场景特征提取

MassiveMIMO波束自配置训练样本库

机器学习建模

MassiveMIMO

波束自配置模型

MassiveMIMO

波束规划结果

a）获取波束权值数据及对应天线图文件，本文算法中使用到的部分波束配置（标签）如表1所示。

b）在仿真软件中导入仿真地图、工参、天线数据。c）对每个小区使用多种波束权值配置进行仿真，

得到仿真结果。

d）对比各权值之间的性能优劣获取每个小区的最优权值作为样本标签；不同权值的性能优劣需要考虑在提升本小区覆盖的同时尽量降低对周边小区的干扰，因此本文采用综合覆盖栅格数来评价波束权值性能的优劣，综合覆盖栅格数定义如下：

图1波束权值优化整体设计思路

3.1小区覆盖范围确定

本文的算法通过提取每个小区的场景特征来匹配最佳的波束权值，所以首先需要确定小区的覆盖范围，然后从每个小区的覆盖范围内提取对应的场景特征。小区覆盖范围确定根据是否有仿真地图、MR

（Measurementreport）数据，一般有以下几种方法。

a）基于地理位置的覆盖范围确定。基于基站的

位置、角