基于AI算法的Massive MIMO波束权值优化研究与应用.pdfVIP

基于AI算法的MassiveMIMO

波束权值优化研究与应用

1概述2MassiveMIMO波束权值优化难点

相比4G，5G系统引入了MassiveMIMO技术，与MassiveMIMO技术在5G中的配置将更加复杂，

4G多天线技术存在较大的差异。5G系统MassiveMI⁃面临应用场景多样，权值选择空间更多的难题，相对

MO技术基于超大规模天线的多波束赋形，可提升网4G网络的插花部署，5G网络中大规模天线连续组网

络覆盖、小区总吞吐率及频谱效率，减少干扰，以满足和联合优化，将对寻找区域最优及全局最优的波束参

5G网络大容量、覆盖要求高的需求。同时，5G的切换数配置提出更高挑战。而5GMassiveMIMO波束由于

将从小区级切换转变为波束切换，MassiveMIMO波束扫描，不仅是动态波束，而且除原有的下倾角、水平/垂

的规划优化不仅直接影响整个5G网络的覆盖、容量，直波宽外还新增了方向角的属性，组合数量将达到上

对5G新移动性管理也有着至关重要的作用。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

收稿日期：2022-05-30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，解决间，其扇形覆盖的范围即5G小区覆盖范围，如图2所

5GMassiveMIMO波束组合数量大、人工规划优化困示。

难的问题。

3基于GBDT机器学习的MassiveMIMO波束N

（X1，Y1）

权值优化（X2，Y2）

a

针对MassiveMIMO波束优化困难的问题，本文提（X0，Y0）

出的算法充分考虑场景、建筑分布、地物分布、用户分（X3，Y3）

布等与波束权值的关系，并通过机器学习将各种因素图2基于地理位置的小区覆盖范围确定

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b）基于MR数据的小区覆盖范围确定。根据现网

满足5G网络规划优化的需求。本文所提出的算法引采集到的MR进行定位，使用定位后的栅格化MR数据

入了人工智能进行智能化的波束自适应调整。Mas⁃获得每个小区的覆盖范围。

siveMIMO波束配置整体规划方法可以分为建模过程c）基于仿真的小区覆盖范围确定。使用仿真软

和输出过程2个部分，建模过程主要通过仿真对样本件通过射线追踪模型结合5G波束特性进行5G覆盖仿

小区各种波束配置的性能进行评价，构建MassiveMI⁃真，通过仿真确定每个小区的覆盖范围。

MO波束自配置训练样本库，并通过机器学习算法进3.2特征工程

行建模。输出过程主要对规划小区进行场景特征提3.2.1标签构建

取，根据已经训练出的模型为每个待规划小区匹配一以某市的10000个小区作为样本数据来构建标

个最佳的MassiveMIMO波束配置（见图1）。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