【技术实现步骤摘要】
本专利技术涉及天线参数优化，具体为一种5g大规模mimo天线参数优化方法及装置。
技术介绍
1、随着信息技术的高速发展和和5g技术的快速普及，5g技术已经深入到人们的日常生活当中，5g中的天线不同于4g宏基站的天线辐射方位固定，在没有物理调节的情况下会导致覆盖范围有限，为了扩大蜂窝网络的覆盖范围，在5g中实施了波束扫频技术，要求在一段时间间隔内进行波束组合。也就是使用不同指向的波束发射信号，然后用户通过测量不同波束发射出的无线信号得到相应的信道参数信息，基站可以根据这些信息估计出实时用户分布，然后快速优化一系列天线参数确定对准该用户的最佳发射波束。
2、传统的天线参数调整方法是通过专家经验或人的直觉来配置这些参数，显然，这些方法不能适应复杂动态环境下的自适应参数调整，也不是最优的。且由于联合优化蜂窝网络中在大规模场景中的天线参数非常复杂，传统的基于专家经验等静态配置方案已不能满足灵活快速的自适应天线配置的要求。且现有的配置方案即使获得了用户的位置信息，该用户的业务状态也很难预测，因为用户上网或者语音通话等业务行为很大程度上是随机的，现有技术中并未考虑对用户业务行为进行预测，只是根据所有用户当前的位置进行波束覆盖，这就造成了用户的体验感下降。
3、因此，如何针对某个区域内特定用户分布进行天线阵列参数的优化配置成为一个亟待解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种5g大规模mimo天线参数优化方法及装置，以解决上述
技术介绍
中提出的传统的天线参数
2、为了解决上述技术问题，本专利技术提供如下技术方案，一种5g大规模mimo天线参数优化方法，该优化方法步骤包括：
3、获取用户的三维位置坐标，将整个用户的三维位置坐标区域网络栅格化；
4、获取每个用户的历史行为特征，预测每个用户在某一时刻上发生某个用户行为上的概率；
5、根据每个网格内所有用户的在某一时刻上发生某个用户行为上的概率的大小对该栅格内的用户数量赋予权重，并确定目标函数；
6、基于目标函数，利用a3c(asynchronousadvantageactor-critic)框架，将不同的用户分布输入到不同线程的神经网络进行异步训练，得到多用户强化模型，进而对大规模mimo天线参数进行优化。
7、根据上述技术方案，统计所述每个用户的历史行为特征，计算每个用户在每个时间段内各个行为特征出现的概率，构建初始状态概率矩阵pa；
8、统计所述每个用户的历史行为特征，计算每个用户在t+1时刻的处于行为特征si，在t时刻处于行为特征sj的概率，进而构建转移概率矩阵pij；
9、基于初始状态概率矩阵和转移概率矩阵，利用概率预测模型对某一时刻上发生某个用户行为特征的概率进行预测；
10、以t时刻内用户行为特征的预测概率最大值对应的用户行为特征作为该用户在t时刻发生的行为特征。
11、利用用户历史行为特征来预测每个用户在某一时刻上发生某个用户行为的概率，可以提供更为精准的用户行为模式分析。这些行为特征包括用户的移动模式、通信行为、活动时间等，通过分析这些数据，可以更好地理解用户的习惯和偏好，以便于更为精确地预测用户的行为。
12、根据上述技术方案，述概率预测模型：
13、πi(t)＝sipapij；
14、其中，πi(t)表示行为特征si在t时刻的概率，pa表示初始状态概率矩阵，pij表示转移概率矩阵。
15、根据上述技术方案，统计t时刻每个栅格内所有用户发生的所述行为特征，并计算每个行为特征占该栅格所有行为特征的比例ji，利用权重赋予公式对每个栅格赋予权重；
16、所述权重赋予公式：
17、其中，sn表示赋权重后的栅格集合，ji表示行为特征si占该栅格所有行为特征的比例，β0表示为未赋权重的栅格集合，s0表示为标准的信号强度，βi表示为行为特征si对应的信号强度，所述栅格集合代表该栅格内部所有用户分布的三维矩阵合集。
18、根据每个网格内所有用户在某一时刻上发生某个用户行为的概率大小，对该网格内的用户数量赋予权重，能够更好地反映用户在该网格内的活动强度或行为模式的显著性。这个权重可以作为优化目标函数的重要依据，帮助我们更好地调整天线参数，以实现更高效的无线通信。
19、根据上述技术方案，所述目标函数：
20、
21、其中，r0.05(sn,an)表示在波束覆盖an下排行在倒数第5％的用户rsrp值，r0.95(sn,an)表示在波束覆盖an下排行在倒数第95％的用户rsrp值。
22、根据上述技术方案，将天线阵列参数的联合调整便转化为为每一个扇区从27个波束码本中选择8个作为该扇区赋形的波束，将sn输入到所述a3c模型中，将述目标函数作为一次迭代过程中异步训练的奖励值，用a3c框架将不同的用户分布输入到不同线程的神经网络进行异步训练，得到多用户强化模型；
23、其中，将a3c模型的神经网络输出层划分为k个独立的子输出层，所述子输出层共用同一个输入层和隐藏层，所述子输出层独立输出每个扇区的波束码本选择。
24、可以理解为输入为三维的用户分布信息，借助图像处理的经验(输入同样为三维：横、纵、深度)使用d卷积层用于提取输入用户分布的深层次局部特征信息，提取用户分布的规律性。池化层用于降低输入数据维度，降低计算复杂度。多个全连接层用于提高模型的非线性拟合能力，将提取到的局部特征映射为波束的选择概率。
25、还包括另一技术方案，一种5g大规模mimo天线参数优化装置，包括：
26、存储器，用于存储计算机程序指令；
27、处理器，当所述计算机程序指令被所述处理器执行时实现上述所述的天线参数的优化方法。
28、与现有技术相比，本专利技术所达到的有益效果是：
29、首先，获取每个用户的精确三维位置坐标，并将整个用户的三维位置坐标区域进行精细的网格划分，每个网格代表一个潜在的用户活动区域。通过这种方式，将用户的三维空间分布转化为一系列离散的网格，从而可以对每个网格内的用户行为进行独立的分析和预测。
30、接着，收集并分析每个用户的历史行为数据，以预测每个用户在某一特定时刻上执行特定行为的概率对每个用户的未来行为进行预测。
31、然后，根据每个网格内所有用户的在某一特定时刻上执行特定行为的概率的大小，对该网格内的用户数量赋予相应的权重。这个权重可以反映该网格内用户的活动强度或行为模式的显著性，从而为目标函数的确定提供依据。
32、最后，我们根据目标函数，利用先进的深度学习框架a3c，将不同的用户分布输入到不同线程的神经网络进行异步训练，得到一个多用户强化模型，该模型可以准确地对大规模mimo天线参数进行优化。这个优化过程可以有效地提高无线通信网络的性能，如本文档来自技高网...
【技术保护点】
1.一种5G大规模MIMO天线参数优化方法，其特征在于，该优化方法步骤包括：
2.根据权利要求1所述的一种5G大规模MIMO天线参数优化方法，其特征在于，统计所述每个用户的历史行为特征，计算每个用户在每个时间段内各个行为特征出现的概率，构建初始状态概率矩阵Pa；
3.根据权利要求2所述的一种5G大规模MIMO天线参数优化方法，其特征在于，所述概率预测模型：
4.根据权利要求1所述的一种5G大规模MIMO天线参数优化方法，其特征在于，统计t时刻每个栅格内所有用户发生的所述行为特征，并计算每个行为特征占该栅格所有行为特征的比例Ji，利用权重赋予公式对每个栅格赋予权重；
5.根据权利要求1所述的一种5G大规模MIMO天线参数优化方法，其特征在于，所述目标函数：
6.根据权利要求1所述的一种5G大规模MIMO天线参数优化方法，其特征在于，将sn输入到所述A3C模型中，将述目标函数作为一次迭代过程中异步训练的奖励值，用A3C框架将不同的用户分布输入到不同线程的神经网络进行异步训练，得到多用户强化模型；
7.一种5G大规
...【技术特征摘要】
1.一种5g大规模mimo天线参数优化方法，其特征在于，该优化方法步骤包括：
2.根据权利要求1所述的一种5g大规模mimo天线参数优化方法，其特征在于，统计所述每个用户的历史行为特征，计算每个用户在每个时间段内各个行为特征出现的概率，构建初始状态概率矩阵pa；
3.根据权利要求2所述的一种5g大规模mimo天线参数优化方法，其特征在于，所述概率预测模型：
4.根据权利要求1所述的一种5g大规模mimo天线参数优化方法，其特征在于，统计t时刻每个栅格内所有用户发生的所述行为特征，...
【专利技术属性】
技术研发人员：田龙，杨仕文，曹志祥，赵晓东，冯万荣，戴和平，张永发，秦辉建，于伟伟，
申请(专利权)人：扬州市宜楠科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。