在5G移動通信系統(tǒng)中,毫米波的應(yīng)用可提供更大的帶寬和更高的傳輸速率。5G毫米波基站通過大規(guī)模天線陣列發(fā)射高增益的定向窄波束以增加信號的覆蓋范圍。在毫米波基站密集部署場景中,用戶需要搜索多個基站發(fā)出的大量窄波束來找到最優(yōu)波束,該過程將消耗大量的時間和運算資源。文章設(shè)計了一種多基站場景下的系統(tǒng)模型,重點考慮了用戶與基站的布局、大尺度衰落、波束定向增益以及毫米波信道的特性。在此基礎(chǔ)上設(shè)計了一種基于機器學習的波束搜索算法,與傳統(tǒng)窮舉算法相比,該算法具有更低的延時和運算開銷。 

【文章來源】：光通信研究. 2020,(04)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

用戶與基站位置分布圖

方向性函數(shù)Dk(θi)表明用戶處于第k條波束范圍內(nèi),其值大小表示用戶i相對第k條波束的法線偏離程度。圖2所示為用戶方向性示意圖。如圖所示,在第k個波束Beamk的覆蓋范圍內(nèi)存在一個用戶UEi,UEi與當前服務(wù)波束的法線的夾角為θ,用戶到基站的距離為d,由此可得任意波束k的方向性函數(shù)為

本節(jié)我們生成了一組波束樣本,并用這組波束樣本分別測試了隨機森林(Random Forest,RF)模型、線性判別分析(Linear Discriminant Analysis,LDA)模型、K-近鄰(K-NearestNeighbor,KNN)算法、分類和回歸樹(Classification and Regression Tree,CART)、樸素貝葉斯(Naive Bayes,NB)模型、支持向量機(SupportVectorMachine,SVM)及神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)等分類模型的訓練精度。圖3所示為幾種常用的機器學習模型訓練精度的箱線圖,由圖可知,RF模型雖然存在異常值,但整體的訓練精度最好。圖4所示為使用NN模型進行500次迭代的訓練精度曲線,可見NN損失函數(shù)在梯度下降到0.1時達到了最優(yōu)值,NN模型要略優(yōu)于其他機器學習模型。圖4 NN模型訓練精度


本文編號：3448180