基于机器学习的前摄性天线倾斜角度调整机制制造技术

针对小区网络中智能天线倾角调整需要满足通信实时性要求的问题，我们提出基于机器学习(ML)的前摄性天线倾斜角度调整(PATAA)机制。即通过回声状态网络(ESN)来预测下一时刻的用户位置，再用NN拟合得到下一时刻的基站天线倾角组。NN的线下训练，能够节省线上求解的时间；而该机制中基站在获取用户真实位置前直接进行谱效性能理想的PATAA，能进一步缩短倾角调整时间，达到满足通信系统的实时性要求的效果。

Machine learning based tilt angle adjustment mechanism of proactive antenna

【技术实现步骤摘要】
基于机器学习的前摄性天线倾斜角度调整机制
本专利技术涉及三扇区场景中用户位置预测和在其基础上的天线倾斜角度组预测，确切地说，通过机器学习的方法实现前摄性天线倾角调整，属于无线通信

技术介绍
大规模多输入多输出系统(LS-MIMO)为第五代移动通信系统(5G)中的关键技术，其利用空分复用可显著提高系统的能量效率(EE)和频谱效率(SE)。作为最主要的的线性信号处理技术，迫零(ZF)、最大比传输(MRT)和最小均方误差(MMSE)预编码/检测方法被广泛使用在MIMO系统上/下行链路中，其利用已知的空间信道信息进行预处理操作，能够提高用户和系统的吞吐量。在水平的二维自适应波束成型的基础上，简单的三维波束成型(3D-BF)能通过调整天线倾角(ATA)来降低小区间干扰，从而进一步提高系统性能。目前，前沿领域所研究的ATA调整机制都建立在固定的用户分布上，没有考虑到用户分布也会发生变化(实际场景中用户不断在动)的情况，在本项研究中我们基于用户的位置对ATA进行预测，适用面更广。对用户位置的预测属于时间序列预测(TSP)问题，回声状态网络(ESN)以其结构简单和具有反馈连接的特性而在TSP、信道估计、频谱预测、非线性控制等领域广泛应用。ESN的核心是一个随机生成且保持不变的储备池，它的输出权值是一个唯一需要调整的部分，因而其参数少、训练速度快，用简单的线性回归就可完成对网络的训练。此外，通信系统一般对实时性有较高的要求，单纯通过算法来计算系统的相应参数(如ATA等)可能会因为计算过程的复杂而无法满足低时延的需求。因此可以再次引入机器学习(ML)的方法，利用已有的计算得到的数据训练神经网络(NN)使其获得“经验”，再向NN输入端输入新状态的变量时同样能够获得较为精确的系统参数，且时间上能够大大缩短。
技术实现思路
本专利技术考虑三基站三扇区场景并基于多用户的实际位置进行预测，提出基于机器学习(ML)的前摄性天线倾角调整(PATAA)，即通过回声状态网络(ESN)来预测下一时刻的用户位置，再用NN拟合得到下一时刻的经证明性能理想的基站天线倾角组，从而实现PATAA。通过ESN和普通NN这两层神经网络的线下训练和预测，可以缩短下一时刻最优倾角获取时间，使得基站可进行谱效性能理想的前摄性倾角调整，同时满足通信系统的实时性要求。附图说明图1为摘要附图。图2为三基站三扇区系统模型图。图3为PATAA概念验证的方法流程图。图4为在不同的ESN中间层神经元数下，随训练集大小而变化的归一化均方误差(NMSE)曲线。图5为P＝1时，在不同训练步长下，随隐层神经元数而变化的预测集均方误差。图6为穷搜最大频谱效率及ML拟合倾角对应的谱效对比。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术作进一步的详细描述。图1为摘要附图，有关其的详细描述参见说明书的摘要部分。参见图2，我们考察三个相邻基站的三个相邻扇区构成的正六边形单元，设初始时单天线用户在六边形中均匀分布，每个单天线用户被离其最近的基站服务，设在一个时隙(0.5s)内用户位置不变，每过一个时隙用户位置进行移动，当用户未到达六边形边界时，移动规律遵循无限域仿真模型，当用户到达边界时，设定其速度方向按类似光的反射方向以原速度大小弹回，即在这一刹那遵循随机漫步模型。考虑下行链路，假设基站可以获得完美信道状态信息(CSI)且使用迫零ZF预编码。参见图3，验证PATAA概念的思维导图。对基于移动模型得到的用户真实位置组，首先我们将其代入合谱效(SSE)中，并以粒度为1°对三基站ATA进行遍历，得到使SSE最大的ATA组，并计算随发射功率P而变化的平均SSE；同时将真实位置组作为NN的输入，将其对应的最优ATA组作为NN的输出，对NN进行训练和调参；接着，我们用仿真确定参数的回声状态网络(ESN)进行下一时隙用户位置的预测，得到预测位置组，将其代入之前训练好的NN即得到所预测的下一时隙ATA，进而计算不同P对应的平均SSE。将两组SSE进行对比，若很接近，则可验证PATAA概念。参见图4，第一层网络ESN的调参过程，设六边形中共有30个用户，总时隙数为10000，使用ESN对下一时隙用户的位置进行预测，将预测结果与真实的用户位置进行比较，计算归一化均方误差(NMSE)。在不同的ESN中间层神经元数下，随训练集大小而变化的NMSE如图所示。观察可得NMSE的整体趋势是随着训练集大小的增加先降低再升高，当N＝15，Nt＝4000时，可得较为满意的NMSE并且N和Nt都较小。参见图5，第二层NN的调参过程，取(10,4000)对应的预测用户位置，对余下的6000个时隙，每隔四个时隙进行一次采样，得到间隔为1.5s的2000个时隙的预测的用户位置。采用遍历方式得到2000个时隙的最优ATA组，作为NN输出，用户位置(横纵坐标拆开)作为输入，对NN进行训练。我们仅考虑单隐层NN，其参数包括训练步长(TS)及隐层神经元数(NHLN)。NHLN一般为0.01，由于当TS＝0.007且NHLN大于23时，或NHLN＝23且TS大于0.007时，几乎都在NN训练一开始即出现早停，使得无法继续训练，故横坐标只到23且最大的训练步长只到0.007。由图中可得当TS为0.007，NHLN为23时，可得最小的全数据集MSE。参见图6，通过训练后的(0.007,23)所对应的神经网络，我们得到基于预测的用户位置的预测ATA组，并计算其对2000个时隙的平均谱效。作为基准参考，我们同时计算了由实际用户位置穷搜最优倾角对应的平均谱效。图中为二者对比，用ESN预测位置再用NN拟合得到的谱效为基于用户实际位置穷搜得到的谱效的99.7％-99.85％，二者非常接近。综上，我们可以通过ML的方法得到下一时隙性能较优的ATA组，从而验证了基于ML-LP的PATAA概念。以上所述仅为本专利技术的一个实例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术保护的范围之内。本文档来自技高网...

【技术保护点】
1.针对小区网络中智能天线倾角调整需要满足通信系统实时性要求的问题，我们提出基于机器学习(ML)的前摄性天线倾斜角度调整(PATAA)机制。/n(1)前摄性天线倾斜角度调整(PATAA)机制/nPATAA由两个神经网络(NN)模块串接实现，第一个NN模块使用中间储备池中神经元采用不带自环的单向环连接结构的回声状态网络(ESN)来预测下一时隙用户位置组，第二个模块使用以梯度下降法训练的单隐层NN来得到基于下一时隙用户位置的天线倾斜角度组。/n如上可以实现“前摄性”(proactive)倾角调整，即基站组能够预知下一时隙使区域合谱效接近最大(基站能获取完美信道状态信息下占穷搜最优倾角对应谱效大于99.5％)的天线倾角组，进而在下一时刻到来时可以在获取用户真实位置前直接调整倾角，缩短倾角调整时间；且“预知”过程通过线下训练的NN进行，进一步节省了线上调整时间，达到满足通信系统实时性要求的效果。/n

【技术特征摘要】
1.针对小区网络中智能天线倾角调整需要满足通信系统实时性要求的问题，我们提出基于机器学习(ML)的前摄性天线倾斜角度调整(PATAA)机制。
(1)前摄性天线倾斜角度调整(PATAA)机制
PATAA由两个神经网络(NN)模块串接实现，第一个NN模块使用中间储备池中神经元采用不带自环的单向环连接结构的回声状态网络(ESN)来预测下一时隙用户位置组，第二个模块使用以梯度下降法训练的单隐层NN...

【专利技术属性】
技术研发人员：高晖，姜百淳，许文俊，曹若菡，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11