子连接有源可重构智能表面辅助的宽带无蜂窝网络能效优化

面对无蜂窝网络中超密集基站部署产生的高功耗问题,提出了一种基于子连接有源可重构智能表面辅助的宽带无蜂窝网络系统。考虑有源智能超表面最大功率约束、放大因子约束和基站端最大功率约束,构建了一个联合基站和可重构智能表面波束优化的能效最大化问题。由于所形成的优化问题非凸,提出了一种交替优化方案将原问题转化为多个子问题,进而利用块坐标下降、拉格朗日对偶变换、多维复二次变换等方法将每个子问题转化为凸优化问题,通过交替求解每个子问题最终获得原问题的解。仿真结果验证了所提方案的有效性。

基于FL的无蜂窝网络用户调度与功率分配策略

为解决无蜂窝网络系统中用户链路质量差异和通信、计算资源占用不平衡导致的联邦学习(FL)训练性能受限问题,设计了一个联合用户调度和功率分配的优化方案。首先,提出了一种低复杂度的基于资源优先的二次抽样用户调度(RPSS-US)算法,根据用户计算资源的可用性和链路质量选择用户,优先调度对系统容量和全局模型更新贡献较大的用户参与FL任务,提高整体训练性能。随后,提出了一种基于二分法的功率分配(BM-PA)算法,通过优化功率分配改善用户链路质量差异,以提高数据传输速率,减少FL任务的总体时延。通过交替迭代优化这2个子问题,实现系统性能的联合优化。仿真结果表明,相较于其他对比算法,所提出的算法下行吞吐量提升了47.19%,上行吞吐量提升了22.60%,FL任务时间消耗减少了57.33%,并在达到相同模型精度时的时间开销最小。

基于深度强化学习算法的蜂窝网络功率控制

为了更加有效地利用频谱资源,提高频谱效率,在蜂窝网络中提出了频谱效率最大化问题,建立了最大发射功率约束下的功率控制模型。同时,为了解决信道状态信息不完美和迭代时间过长的问题,采用深度Q学习(DeepQ-Network,DQN)算法进行功率控制。另外,使用Python仿真,将基于DQN的算法与加权最小均方误差(Weighted Minimum Mean Square Error,WMMSE)算法和分数规划(Fractional Programming,FP)算法相对比,结果表明提出的基于DQN的算法在归一化性能和累计分布概率上接近最优,可以得到更高的频谱效率。

D2D通信复用异构蜂窝网络中分布式路由资源分配方法

由于设备到设备(Device-To-Device,D2D)通信复用异构蜂窝网络环境的复杂性和动态性,难以实现高效、均衡的路由资源利用,文章提出D2D通信复用异构蜂窝网络中分布式路由资源分配方法。采用分布式系统模型构建D2D通信复用异构蜂窝网络的拓扑结构,基于邻居节点信息交换实现D2D设备发现,并引入自适应的会话建立策略建立通信链路,采用贪婪算法为D2D用户分配子信道,实现路由资源的均衡分配。实验结果表明,设计方法在提升D2D用户之间数据传输速率方面具有较好的性能,适用于D2D通信复用异构蜂窝网络中的路由资源分配。

蜂窝网络下同时同频全双工设备到设备组网的干扰协调算法

蜂窝网络下的同时同频全双工(CCFD)设备到设备(D2D)组网可以进一步提升网络频谱效率,然而由此引入的残余自干扰(RSI)及蜂窝用户(CU)与D2D用户(DU)之间共享频谱的干扰会严重影响到蜂窝用户的体验。因此,该文为蜂窝网络下同时同频全双工组网设计了两种干扰协调算法,即CU和速率最大化算法(MaxSumCU)与CU最小速率最大化算法(MaxMinCU),在小区频谱效率得到提升的同时尽可能地保证CU的体验。对于MaxSumCU算法,该文以CU和速率为优化目标建立混合整数非线性规划问题(MINLP),其在数学上为非确定性多项式(NP-hard)问题。算法将其分解为功率控制与频谱资源分配两个子问题,并用图形规划找到最优功率解后,使用二向图最大权值匹配算法决定频谱共享的CU与DU。为了保证每一个蜂窝用户体验的公平性,该文设计了Max Min CU算法用以最大化所有CU速率中的最小值,该算法基于二分查找与二向图最小权值匹配算法来完成用户的资源分配。数值结果表明,与小区和速率最大化(MaxSumCell)设计相比,该文所提的两种算法在提升小区和速率的同时均有效地提升了蜂窝用户的体验。

联合功率控制和信道分配的蜂窝网络能效优化算法

为了提高混合设备到设备(D2D)蜂窝网络中D2D干扰导致系统能效下降的问题,提出了联合功率控制和信道分配的能效优化(EEPC)算法,进而提升系统能效。以D2D用户和蜂窝用户最小速率为约束条件,建立最大化能效的优化问题;利用块坐标下降法将优化问题转化为信道分配和功率控制两个子问题,再分别利用Q学习算法、Dinkelbach算法和优化最小(MM)算法求解。并对Q学习算法中贪婪搜索因子进行改进,采用动态的搜索因子,平衡探索与利用间的关系。性能分析表明,提出的EEPC算法提升了系统能效。

基于EWT和NeuralProphet-MLP的蜂窝网络流量长期预测方法

蜂窝网络流量长期预测对网络扩展和优化具有重要意义,针对长期预测中数据可用性低以及非线性等弊端所带来的诸多挑战,提出一种基于分解的分频预测模型。分别采用NeuralProphet模型和多层感知机对分解出的低频分量和中高频分量进行预测,最后对各分量预测结果进行逆经验小波变换得到最终结果。在真实的蜂窝网络流量数据集上进行验证,结果表明所提方法相较于传统预测模型在准确度上有较大提升,具有较好的应用价值。

混合供能蜂窝网络的投资回报率和碳效联合优化

为解决“5G基站+光伏+储能”系统难以兼顾系统经济性与蜂窝网络性能的问题,提出双层优化模型。外层模型将时间尺度压缩在1天,采用基于模拟退火的粒子群算法求解基站光伏储能容量,其优化目标为在满足光伏利用率要求下,使得系统投资回报率最大。内层模型将时间尺度确定在1小时,采用拉格朗日对偶分解方法求解基站发射功率分配策略,其优化目标为在满足用户服务速率要求下,使得网络逐小时碳排放效率最优。通过对混合供能蜂窝网络系统经济性分析,分别得出了系统投资回报率、碳效与系统光伏板面积、电池储能容量的关系。仿真结果表明,使用提出的算法可使得系统投资回报率达到380.3%,光伏利用率达到96.5%;其内层碳效优化算法相较于注水算法碳排放量降低了31.8%。

移动蜂窝网络多出口流量数据精准清洗方法

为了提升移动网络多出口流量数据的清洗精度,降低冗余数据占比,提出移动蜂窝网络多出口流量数据高效清洗方法。依据移动蜂窝网络结构特点以及流量特征,预处理移动蜂窝网络多出口流量数据;利用差分自回归移动平均模型,构建移动蜂窝网络多出口流量数据高效清洗模型;将多出口流量数据四元组作为模型输入,运用优化粗糙集理论的数据约简算法,达到精准清洗移动蜂窝网络多出口流量数据的目的。实验证明该方法可通过流量数据预处理降低冗余数据占比,可降低流量数据输出出错率,提高了移动网络多出口流量数据的清洗精度。

无人机连接蜂窝网络的应用与挑战

为了实现无人机在各领域的广泛应用,对高速率、低时延的无线通信连接的需求日益增长。蜂窝网络凭借其覆盖范围广和信号带宽高等特点,成为满足这一需求的有力候选。研究旨在探讨无人机连接蜂窝网络的可行性、主要应用场景和挑战。通过综合分析无人机使用蜂窝网络连接的技术路线和实际案例,详细探讨了各个场景连接过程中地面蜂窝基站和空中无人机面临的挑战。进一步,通过对现有文献和案例归纳总结,识别了当前技术的局限性和潜在的改进方向。研究发现,虽然蜂窝网络为无人机提供了可靠的连接支持,确保了通信的高速率和低时延,但在确保连接稳定性、扩展网络覆盖范围以及优化信号传输效率方面,仍存在诸多挑战。特别是在高密度无人机应用场景中,如何有效管理和调配蜂窝网络资源成为研究的重点。尽管面临挑战,但通过技术创新和策略调整,蜂窝网络连接无人机的应用前景非常广阔。未来研究需进一步探索高效的资源管理方案和更灵活可扩展的网络架构,以支持无人机在更多领域中的应用。

绿色蜂窝网络的频谱效率与能效函数

为了给绿色蜂窝网络的研究和设计提供一个基本的基准或判断依据,对存在多小区干扰和越区切换情况下蜂窝网络的网络传输能力(网络频谱效率)和能量效率函数(能效函数)进行了研究,揭示了蜂窝网络的功率开销与频谱效率之间的关系。首先,给出了蜂窝网络能效函数的定义,并在此基础上提出了小区干扰深度和越区切换的动力学模型,进而论证了存在多小区干扰和越区切换情况下的蜂窝网络频谱效率,并推证了数学表达式。最后,求解了蜂窝网络的能效函数,讨论了相关参数对它的影响和数值结果分析,为绿色蜂窝网络的研究和设计,提供了有益的分析依据和基础。

浅谈蜂窝网络的应用

蜂巢是蜜蜂的家,常称为蜂窝。蜜蜂建造的蜂巢不但精细、巧妙、省料,而且作用较大,蜂巢结构在许多领域中都有广泛的应用。移动通信基站就是按照蜂巢的原理排列成蜂窝状,以达到信号的全覆盖和良好的通信效果。

基于用户QoE的5G绿色蜂窝网络节能基站控制技术

针对多个小蜂窝组成的大蜂窝系统能耗过高问题,提出基于用户QoE的5G绿色蜂窝网络节能基站控制技术,实现基站自适应开/关控制。首先,基于历史流量预测基站短期流量;在此基础上,在基站利用率最大化的基础上,考虑用户业务速率、信噪比和吞吐量的约束动态调整活跃基站数量,从而实现基站节能控制的目的。

大规模MIMO蜂窝网络系统中的导频污染减轻方法

提出了2个减轻大规模天线蜂窝网络导频污染的方案:利用正交导频把蜂窝系统中的小区划分为两类一维大的天线阵列网络,每一类之内采用相同的导频,两类之间采用正交的导频,再利用导频功率控制方法减轻了导频污染。利用基站间的协调,以所有基站信道估计均方误差的求和最小为目标函数,寻求近似最优的导频序列长度和同导频用户发射导频时隙的分配方案,从而提高了信道估计的性能,提升了整个系统的下行链路可达和速率。

基于自适应遗传算法的蜂窝网络信道分配

为解决遗传算法用于蜂窝网络固定信道分配时存在的过早收敛问题,通过采用最大需求优先最小冲突初始化方式、渐进式变异技术和一种新的交叉概率、变异概率自适应调整策略,提出一种自适应遗传算法。通过评估一组benchmark问题,证明该算法对解决信道分配问题具有较强的最优解收敛能力,收敛速度较快。

蜂窝网络下行链路单反馈干扰对齐算法研究

干扰是无线蜂窝网络面临的主要问题之一。蜂窝网络干扰对齐能消除干扰的影响从而提高系统信道容量。经典蜂窝网络下行链路干扰对齐算法仅优化单个用户自身信道容量,从而限制了蜂窝小区整体信道容量的提升。从提高蜂窝小区总信道容量出发,该文提出一种蜂窝网络下行链路单反馈干扰对齐算法。构建了蜂窝网络下行链路干扰对齐数学模型;在用户端以最大化用户SINR为目标构造接收矩阵;而在基站端以最大化小区总信道容量为目标构造预编码矩阵,并通过梯度投影算法来求解该优化问题。实验结果表明,相比于传统蜂窝小区下行链路干扰对齐算法,新算法可有效提高蜂窝网络下行链路信道容量。

蜂窝网络中环状搜索移动性管理策略

位置管理是移动通信领域的一个具有挑战性的问题 ,涉及到位置更新和位置查找操作 .在现行蜂窝系统的位置管理策略 (简称“基本策略”)中 ,一旦移动台越区 ,就需要进行位置更新 .由于移动台的越区具有局部性 ,基本策略会造成系统资源的极大浪费 .因此 ,降低位置管理的费用成为移动通信领域的一个研究热点 .该文给出不需要进行位置更新的环状搜索位置管理策略 (简称“环状策略”) ,并推导出搜索位置区平均层数的一个公式 ,然后利用这一公式对基本策略、指针推进策略与环状策略的费用进行了对比研究 ,得出 :在一定条件下 ,环状策略的费用要比基本策略及基本指针推进策略小 .

基于加权二部图及贪婪策略的蜂窝网络D2D通信资源分配

D2D(Device-to-Device)通信是解决频谱资源稀缺问题的关键技术之一。该文研究蜂窝网络中“many-tomany”的复杂场景,即单个RB(Resource Block)可以分配给多对D2D用户重用,并且允许单个D2D用户对使用多个RB,其中D2D用户对数量远多于蜂窝用户设备(Cellular User Equipment,CUE)数量和RB数量。考虑CUE对资源使用具有更高优先级,将此优化问题分解为蜂窝用户资源分配和D2D用户资源重用两个阶段。在第1阶段,提出基于公平性的循环二部图匹配(Fairness-based Circular Bipartite Graph Matching,FCBGM)算法,将现有的RB分配给所有CUE,以最大化蜂窝用户和速率。在第2阶段,分别提出基于二部图的资源重用(Bipartite Graph-based Resource Reuse,BGRR)算法和基于贪婪策略的资源重用(Greedy-based Resource Reuse,GRR)算法,目标是将已经分配给CUE的RB再次分配给D2D用户重用,以最大化系统和速率,同时确保CUE的基本速率需求。仿真结果表明,在D2D用户对数量远大于CUE数量和RB数量的情况下,与现有典型算法相比,所提算法能够有效提高系统和速率,增加D2D接入率,同时兼顾用户公平性和服务质量需求。

基于微基站发射功率的异构蜂窝网络能效优化

异构蜂窝网络(HetNet)的能量效率近年来引起了广泛的关注,然而,对于宏基站采用非泊松过程系统的能量效率的研究并不多。针对这一问题,研究了两层HetNet的能量效率,其中宏基站的部署采用β-Ginibre点过程(β-GPP)建模。首先,采用一种简单的近似方法分析了两层网络的信干比(SIR)分布;然后,推导出HetNet的覆盖概率、吞吐量和系统的能量效率;最后,提出一种有效的能量效率优化算法,寻找最优的微基站发射功率,使能量效率最大化。仿真结果表明,当β=1,宏基站的分布密度为2×10^-4 m^-2,微基站的分布密度为宏基站分布密度的2倍时,采用所提能量效率优化方案可以使系统能量效率提高约20%。实验结果验证了理论分析的准确性和提出的能效优化算法的有效性。

蜂窝网络中能量收集基站的能量协作算法

针对蜂窝网络中具有能量收集(Energy Harvesting,EH)功能且固定电网作为必要补充的基站,以最小化基站从固定电网消耗的能量,充分利用收集的清洁能量,减小二氧化碳的排放量为目的,研究基站间的能量协作问题.提出了该类基站间能量协作的新模型,基站从可再生能源收集的能量在使用之前先被存储在容量有限的充电电池中,2个基站之间通过相连的电力线共享收集的能量.基于提出的新模型,采用线性规划、贪婪算法和Lyapunov优化研究3种不同情景下的EH基站能量协作方案,并给出相应的最优离线和实时算法.通过数值模拟,验证算法的有效性,以及能量转移效率和电池容量对能量协作下基站性能收益的影响.