文摘
计算有效self-planning算法调整基站传输能量在LTE系统中细胞的基础上。算法的目的是改善整个网络频谱效率的下行传输能量的减少特定细胞消除干扰问题。算法的主要驱动力是一个新指标,预测变化的影响单个细胞对整个网络的传输能量信号干扰加噪声比(SINR)下行。算法进行评估是在一个静态的系统级仿真器实现LTE网络生活场景。在评估期间,该算法与最先进的self-planning算法相比基于修改天线倾斜角度。结果表明,该算法可以显著提高网络覆盖和容量比其他自动规划方法。
1。介绍
近年来,移动通信经历了一个快速增长的用户数量和服务,这使得运营商和制造商开发系统与更大的容量。同时,这些系统的复杂性和规模成倍增加,使网络管理一个非常具有挑战性的任务。处理这种复杂性,运营商需求自动配置网络参数的工具,作为一个灵活的解决方案来提高网络容量没有新的投资。这一趋势促进了研究和标准化活动领域的自组织网络(儿子)1]。
网络覆盖和容量优化(CCO)被运营商已被确认为最重要的一个用例的儿子2]。CCO的目的是提供最优(即。的,最大化的)概念覆盖和容量。在遗留无线接入技术(例如,全球移动通信系统、GSM), CCO可以轻易解决覆盖和容量是解耦的通过频率规划。这不是理由长期演进(LTE)的技术,所有的细胞都在同一层使用相同的频带。这种紧密的频率复用方案使得最近的细胞也最干扰的,所以更广泛的报道通常会导致更高的干扰,较低的频谱效率,,最终,更少的能力。因此,网络覆盖和容量在LTE息息相关,所以它们之间的权衡是必要的3]。
功率控制(PC)是一种强大的策略来处理CCO的问题。电脑的目的是减少来自邻居的干扰细胞的同时确保足够的电力传输(或收到)用户设备(UE)维持可接受的链接质量(4,5]。在LTE,部分功率控制用于上行(UL)动态变化问题(传输能量5]。此外,提出了几种self-planning方法适应上行功率控制(ULPC)参数在LTE本地网络条件6- - - - - -10]。然而,LTE下行(DL)的、电力规划是最简单的解决方案来解决CCO问题没有一个功率控制方案。
改变基站传输能量一样昂贵的改变其他无线接入网络参数因为行动只需要修改网络参数文件。然而,仍然存在的问题,找到最优传输功率设置。确保良好的连接质量之间存在权衡为用户服务的细胞改变其发射功率,同时降低干扰邻居的细胞。因此,电力规划制定,可以作为大规模不可分的多目标优化问题。找到最优发电计划,提出了许多搜索算法在文献[11- - - - - -16]。检查质量的一个计划,分析网络模型可以使用[14]。然而,分析方法不能反映相关网络条件(不规则空间交通分配、基站配置信道条件下,杂波类型,等等)。为了解决这个限制,系统级仿真器通常用于网络规划工具(11- - - - - -13,15,16]。然而,系统级仿真耗时。因此,必须有一个自动搜索算法,找到最佳的参数计划在一些尝试。作者的知识,没有以前的工作得到一个简单的规则来修改现有的电力计划确保最终解决方案确实是最好的解决方案。
在这项工作中,小说self-planning算法修改DL LTE系统中传输能量。该算法旨在改善整个网络SINR通过调整DL传输能量在每个细胞的基础上。算法设计的控制器(每个细胞一个),其输入是一个新的电池性能指标。这部小说指标,建议的核心,反映了如果一个高(或低)在一个特定的基站传输能量增加(或减少)的整体网络SINR DL。验证了算法在一个静态的系统级仿真器实现一个真正的LTE密集的城市场景。在分析过程中,该算法与最先进的self-planning方法相比,基于远程电气倾斜。
其余的工作组织如下。部分2介绍了国家CCO的研究问题。部分3提出的问题制定新的指标。部分4概述了该方法在细胞的基础上调整DL传输能量。部分5显示了模拟的结果进行了验证算法。最后,部分6介绍了主要结论的工作。
2。相关工作
根据他们的目的,方法可以分为self-planning儿子,自我优化,或自愈17,18]。Self-planning方法构思规划阶段,当网络还没有部署。因此,self-planning算法利用网络模型来估计网络参数的质量计划。在搜索最好的计划,很多不同的参数设置进行测试。为此,经典优化方法被用来找到最好的解决方案(例如,强力枚举(19),模拟退火(13],田口方法[6),和基因(20.])。检查质量的一个计划,分析(14)或模拟模型(5可以使用)。自我优化(又名自调优)方法设计网络参数适应网络环境的改变在运营阶段(11- - - - - -13,15,16]。自我优化算法通常由一个控制器迭代修改网络参数基于某些网络性能指标。与self-planning,自我优化算法不需要系统模型,但利用从现场测量网络调整网络参数。最后,自愈方法目标检测、诊断和补偿问题引起的异常事件在网络(21- - - - - -23]。
儿子也可以分类的方法修改网络参数。特别是,CCO通常通过改变天线进行轴承(6,19,20.,24- - - - - -30.)或电源设置11- - - - - -13,15,16]。策略修改天线轴承包括self-planning [6,19,24- - - - - -26)和自我优化方法(20.,27- - - - - -30.]。尽管大多数这些方法修改天线倾斜角度,同时其中的一些设置倾斜和方位角度(6,24,26]。关于基于权力CCO方法,功率控制算法在11)调整功率根据问题的需要。曲调DL算法基于信号质量传输能量测量的问题,以确保所有问题的经验足够的传输质量。算法还检测到问题时的经验需要传输质量比,因此传输能量最小化干扰邻居细胞减少。在[12),前面的算法扩展通过解决收敛问题开始规划以最大细胞所有发射机的功率。在[13),一个去中心化的算法调整基站的发射功率在LTE。在这种情况下,每个相邻小区搜索的最优设置传输能量的细胞,保持其他细胞的电源设置没有改变。的算法依赖于知识的邻居基站产生的干扰细胞在不同的传输功率。在[15),一个更复杂的算法,共同优化传输功率和天线倾斜。在该算法中,细胞分类的三组根据覆盖问题,流量的比值。参数变化计算基于性能最差的细胞,和变化是同时执行所有的细胞都在同一组。因此,这种方法不利用网络参数可以被设置在细胞的基础上。在[16),一个去中心化的自我优化算法调整传输能量和倾斜在细胞的基础上最大化cell-average和胞棱问题整个网络的吞吐量。该算法被实现为一个控制器基于模糊强化学习。输入当前的传输能量和倾斜设置优化细胞,和平均相对与邻居细胞加载和频谱效率的差异。一个中央控制器使合作学习通过共享适应过程中细胞的结果。控制器参数调整基于随机参数变化的结果。算法的主要缺点是需要多次迭代收敛,可以暂时降低网络性能。
同样,权力重新规划还用于自愈算法解决局部问题造成网络故障。与自我优化方法,治疗的目的不是实现最优的系统性能,但将有缺陷的细胞可接受的服务水平。最常见的应用是细胞中断补偿(COC) [21- - - - - -23]。这些方法的主要限制是假设,在正常操作中,基站不充分利用可用的传输能量。然而,在网络生活,基站通常设置为最大限度地覆盖的最大力量。此外,这些算法主要集中在改善覆盖,少强调注液电池干扰或信号质量。
大多数的儿子算法的主要缺点是缺乏一个最优的证明。self-planning大多数方法都是基于启发式方法减少需要探索解空间的大小,以减少计算时间。同样,大多数自我优化算法依赖于启发式控制规则知识的基础上,一个有经验的操作人员。尽管一些先进的自我优化算法包括非监督学习方法(例如,q学习(16]),简化的假设经常导致不能保证最优的系统性能。因此,优化通常是基于评估的美好收敛速度和稳定性问题(31日]。只有在非常罕见的情况下,新配方,可以作为控制问题有效解的最优性条件(例如,32),交通的问题分享在GSM被制定为相邻细胞)之间的平衡问题。
在这部作品中,全球CCO的问题是制定平衡问题,考虑到电池的性能和其邻国之间的权衡,当增加发射功率下的细胞研究。分析的最优性条件,推导出新的指标,反映了整体SINR获得附近的细胞增加传输能量。因此,确保电源设置的变化总是表现在细胞的基础上提高总体系统性能。这项工作的主要贡献是(a)如果增加新的指标用于检测某一基站传输能量的增加(或减少)的总系统在DL SINR, (b)的算法调整基站传输能量的LTE网络增加覆盖范围和整体频谱效率基于前面的指标,和(c)彻底比较该算法与经典的CCO算法在现实场景中来自网络生活。
3所示。问题公式化
在接下来的段落,变量对数单位是用大写字母写的,而变量的自然单位写的是小写的。同样地,简洁的词省略DL以后。
CCO应该被视为经典的多目标优化问题,因为必须最大化覆盖和容量。然而,常见的做法是分配一个优先覆盖或能力,因为两个功能不能同时优化。在大多数情况下,优化的重点在于网络容量,提供最小的网络覆盖是保证8]。在网络规划、网络容量通常是评估在频谱效率方面,由信号质量提供SINR。尽管如此,几个目标函数提出了在文献中测量网络的整体信号质量,取决于用户的性能和细胞聚合:(一)整体用户的意思是,考虑到所有用户一视同仁。因此,更多的填充细胞往往主导价值的图。(b)细胞的算术平均值,所有细胞都具有相同的待遇,不管他们的大小和流量。这样一个图的优点是计算简单,容易理解,运营商的首选。从香农限,可以推断,一个细胞的平均SINR (dB)是一个粗略的近似的平均频谱效率(34]。因此,算术平均的平均SINR跨细胞接近平均最大的电池容量,提供所有的细胞有相同的系统带宽。(c)细胞调和平均数[6),细胞与小SINR的价值观呈现均值很小。因此,细胞较差的性能往往主导价值的图。
在这部作品中,平均每细胞SINR dB的算术平均值。因此,要最大化的目标函数是整个系统SINR (dB)计算 在哪里和用户在细胞的平均SINR吗在细胞的胞棱,分别。在(1),的最小值需要在细胞。决策变量是细胞传递力量,确定的价值。在这工作,被定义为每个物理资源块的传输功率(复审委员会)。假设对所有伪随机位序列是相同的。
在没有约束的情况下,任何局部最小值必须满足固定条件下,也就是说, 如果假定改变细胞的传输功率仅影响有限数量的邻居细胞,静止的条件可以写成 在哪里组细胞的邻居吗。分子中的词汇反映了细胞的SINR和邻国之间的权衡。具体来说,增加细胞的传输功率会增加用户的SINR的细胞,也就是说, 降低用户的SINR的邻居细胞,也就是说,
找到一个局部最大值,可以使用一个简单的梯度提升方法。为了这个目的,目标函数的斜率对每个决策变量必须获得。这样的一个指标,,反映整个系统的增益SINR通过增加细胞的传输能量估计如下。
3.1。新颖的指标
为了方便起见,细胞周围的总SINR (dB)是第一个定义为 在哪里和平均期望信号和干扰水平(对数单位)在细胞收到了吗,分别。
在(6),平均对应于所有用户的聚集在一个细胞。在大多数网络规划工具,潜在用户表示位置。在真实的场景中,每个位置都有不同用户要求服务的可能性,由空间提供交通分布。这可以考虑乘以每个变量的值在一个位置代表交通概率加权函数的位置 在哪里是服务区域的细胞(即。,locations served by cell), 的概率是一个用户产生流量的位置吗, 和 从服务接收到的信号电平单元和总干扰级别从邻居问题位于细胞吗 ,分别。很明显,
从(3)和(7),它遵循的敏感性的变化是一样的吗,也就是说,
为简单起见,偏导数的(9)在四叫做加数分解 在哪里 反映出的影响在修改后的细胞所需的信号电平(即。,在细胞接收到用户从细胞)。做同样的用户收到的总干扰的细胞从邻居的细胞,所需的信号接收到用户的邻居细胞, ,用户收到的干扰的邻居。所有这些因素计算如下。
期望信号来源, 。从一个细胞接收到的信号电平在位置 是计算 在哪里 之间的路径损耗(包括天线增益)是细胞和位置 。特别是,所需的信号水平位置
注意交通空间分布, ,不取决于权力设置。然后,从(7),(12)和(13),这是推断的影响变化在细胞所需的用户收到的信号电平是
源干扰项, 。在位置接收到的干扰 在细胞从其他细胞 是计算 在哪里 权力收到了吗 从干扰细胞(自然单位),是热噪声(自然单位),然后呢负载细胞吗(无量纲)。的平均负载细胞估计是每个位置所产生的交通负荷的总和 由细胞作为 在哪里 平均交通生成的位置吗 (bps), 用户获得的频谱效率的位置吗 (bps /复审委员会),是伪随机位序列在细胞的数量吗,由系统带宽。在这个工作中,频谱效率估计的SINR截断香农限公式(34] 在哪里是最大的频谱效率,可以获得在一个位置, 是一个位置的SINR(线性单位),和SINR值对应于0和分别为,是代表一个衰减因素实现的损失。
因此,改变的力量的影响细胞的总干扰水平受到细胞 在(18),这是观察到,改变细胞的传输能量只会影响接收到的干扰水平位于相同的单元中通过改变邻居的负载细胞。
随着交通需求并不取决于链接质量,从(推导出16)邻居的敏感性负荷的变化是 从(17),这是推断,频谱效率的斜率对传输功率只在那些地方非零 ,所以
计算的导数 在(20.),它已被认为只接收到的干扰, 的变化,。温顺,副作用还没有考虑。此外,它假定贡献的总和负载从所有位置的变化 在细胞可以通过负载的变化近似时单元中的所有交通生成在一个位置的平均连接电池的性能。这个考虑假定平均细胞性能的变化代表单元中的所有点的变化。因此,(20.)可以近似 在哪里和分别是traffic-weighted平均SINR(线性单位)和干扰水平在所有地点(对数单位)在细胞。然后, 注意,任何改变传输能量的细胞影响信号质量,频谱效率,,最终,权力是修改的负载细胞。这种变化在细胞负荷引起干扰邻居上生成细胞的变化,也改变了他们的信号质量,频谱效率和负载。温顺,这里假定唯一的细胞改变负载细胞改变传输能量。这是真的,如果传输能量足够小的变化。已经检查与模拟在一个典型的场景,邻居的负载变化不到7%(相对而言)如果传输能量的变化小于1分贝。如果细胞负载在邻居的变化可以忽略不计, 因此,(22)可以写成
两个偏导数(24)显示干涉的邻居如何改变与传输功率和负载的变化修改后的细胞。这些条款可以作为计算 从(21),(24),(25)和(26),是获得 通过分组,可以写成 在哪里 和 干扰细胞的平均比例吗由于邻居,定义为
邻居期望信号, 。从(7)和(11), 是既不 也不 取决于, 。
邻居干扰项, 。类似于,邻居干扰的变化可以表示为 请注意,包括细胞作为细胞的影响。然后,偏导数(32)必须分开两组细胞:细胞干扰和其他干扰细胞 。因此, 遵循相同的步骤,获得 两项可以被识别(34)。第一项反映了干扰细胞的变化,负载变化引起的细胞由于频谱效率的变化新传输能量的细胞。第二项反映收到的干扰细胞的变化负载的变化造成的,陷的细胞,修改他们的负载干扰细胞的变化。
4所示。Self-Planning算法
在本节中,一个启发式方法来找到最好的DL传输能量的变化在细胞的基础上。该方法的目的是调整系统中每个单元的传输能量,提高整个系统SINR,。方法利用传统的梯度提升算法找到最佳的SINR细胞和其邻国之间的权衡,根据上述指标,,反映出是否增加某一基站传输能量的增加(或减少)的总系统SINR。
梯度提升算法设计为一组简单的比例控制器(每个细胞一个),其中迭代计算DL基于传输能量的变化的价值指标。具体地说,其中一个控制器的输出是DL传输能量的变化(dB),,计算 在哪里和是触发阈值修改,引入网络变化的数量减到最少。在这项工作中,两个阈值是对称的;也就是说, 。
该算法是一个迭代的过程,从最初的功率值,,这是后来在每次迭代修改(称为优化循环)。每一个循环始于网络数据的收集,计算所有细胞的场景。收集期间必须足够大(例如,一天)来提高算法的鲁棒性。然后,(35)用于计算能力的变化,,在那里是循环的数字。最后,新值在接下来的循环计算
一个输出范围,定义)。通常是由运营商固定设备,支持的最大值,因此网络覆盖最大化。这样一个最大值(即可能是硬件。(即,功率放大器)或软件。,许可)有限。请注意,在所有的细胞不一定是相同的,因为DL功率放大器和/或许可权力可能不同细胞之间。相比之下,被定义为一个安全制动器的优化过程防止覆盖问题。在这工作,设置为10 dB不到为每一个细胞,以避免过度的传输功率降低。
5。性能评估
self-planning算法与静态系统级验证LTE模拟器实现生活场景与实际测量调整。首先提出了描述和结果评估方法。
5.1。评估方法
本节描述仿真场景和实验评估拟议的指示器和self-planning方法。
5.1.1。模拟的场景
DL静态系统级LTE模拟器实现真正macrocellular场景一直在MATLAB开发(30.]。模拟器是为了充分利用可用的网络统计模型现场macrocellular场景。为此,模拟器包括以下功能:(一)初始化的细胞负载分配整个场景与复审委员会利用获得的数据从柜台现场LTE网络的网络管理系统。(b)调整距离空间的用户分布在细胞的戒指,这样用户在一个距离的概率环来源于时间提前(TA)分布35]。(c)优化传播模型参数根据现场RSRP测量统计。
表1总结了主要场景参数。模拟区域包含129个细胞分布在44网站(ISD)网站平均距离为0.8公里。与ISD相对较低,这种情况下,是代表一个interference-limited场景在一个密集的城市地区。地理面积分析分为普通网格点,代表潜在用户的位置。从基站接收信号电平每一点由macrocellular传播模型计算包括对数正态分布慢衰落(即。第二,C2模式33])。为此,用户位置分为视线(LOS)或非线性视线(仿真结果条件根据实际建筑和天线位置的定位数据的场景。网格分辨率是40米。细胞服务领域计算结合路径损失和天线增益,以便提供最大的服务单元是飞行员为每个点信号电平。同样,邻居细胞被定义为提供最大的信号水平服务区域的细胞。然后,干扰水平计算每一点通过添加所有邻居的干扰细胞。最后,细胞的基础上计算和执行self-planning算法获得新的吗值在接下来的优化循环。复审委员会利用比率在每一个新的循环更新估计的影响的变化对无线电频谱效率在每一个细胞。读者被称为(30.]仿真工具的详细说明。
5.1.2中。的验证指示器
敏感性测试首先进行检查指标的准确性,反映了权力的影响改变细胞的总系统SINR。为此,修改默认配置的权力计划运营商通过增加单个细胞1 dB的力量,所以一个新的权力的计划。这个过程被重复场景的每一个细胞,所以129新势力计划建造。然后,整个系统SINR的差异,,从每个功率变化计算值减去违约和新势力的计划。这些差异应该配合的值为不同的细胞,估计,从获得网络性能数据的默认计划(9)。
应该指出,仿真工具可以精确模型细胞耦合效应。例如,在邻居SINR当一个细胞的力量被修改被修改。因此,频谱效率的细胞变化,那么其复审委员会利用率。这个负载细胞的变化造成干扰两种细胞的变化和其他邻近细胞。因此,初始功率变化在细胞在网络上传播。同样,模拟器更新细胞与新电源设置服务领域。然而,这些副作用不能考虑获得使用的分析方法。相反,的定义只考虑一阶更改电源设置的影响。公平的比较,只有在这个实验中,复审委员会利用邻居细胞不改变模拟功率保持不变的,也就是说,只有修改后的细胞改变其复审委员会的利用率。同样,细胞在模拟器不重新计算服务领域权力设置修改。
5.1.3。算法评估
三种权力规划方法进行了比较。第一个方法是DL计划最初由运营商,实现传输能量表示为运营商解决方案(OS)。操作系统是基线,所有其他方法进行了比较。在操作系统计划,DL传输功率设置为最大值在所有细胞。这是由于这样的事实:DL传输能量通常是当网站启动和配置保持不变,当新网站部署的环境,这可能产生无用的细胞重叠和高注液电池干扰。
第二个方法是迭代self-planning DL算法提出传输能量,SINR-PWR表示。该方法初始化操作系统计划和30优化循环模拟。检查后验这循环的数量达到平衡。
第三种方法是迭代self-planning算法用于远程电气倾斜(RET)基于跟踪文件中描述(30.),表示TF-RET(基于跟踪模糊)。TF-RET调整天线倾斜值代替基站传输能量。为此,三个性能指标获得连接痕迹检测细胞过度,无用的细胞重叠,胞棱覆盖问题。天线下倾角是执行这些细胞产生过度和/或无用的重叠,并没有覆盖问题。在[30.),这种方法也是初始化操作系统计划和20优化循环模拟。检查后验这循环的数量达到平衡。
简洁、分析SINR-PWR和TF-RET仅限于过去迭代获得的解决方案。
两个数据的优点是用来评估电力规划算法:(我)总体平均DL SINR,作为衡量网络连接质量和频谱效率,计算平均DL SINR的算术平均在每一个细胞,,(2)整体胞棱DL SINR,作为一个衡量网络覆盖,计算的算术平均5 th-percentile DL SINR在每一个细胞,。
在实践中,任何更改电源设置通过优化循环可能导致一些地方得不到足够的信号电平的场景建立一个连接,或者,相反,一些地方最初不是由任何细胞可能达到足够的信号电平来启动一个连接在后面的优化循环。覆盖面积的变化会影响流量的网络。对于一个公平的比较,SINR指标都是在相同的地点集合的迭代计算(即。,评估地理区域始终是相同的)。
5.2。结果
的验证指标是第一个提出和电力规划的评估算法是稍后讨论。
5.2.1。的验证指示器
图1显示的准确性提出了指标通过对比估计得到的公式对模拟器的结果。图中每个点对应于一个新129年发电计划通过增加细胞1 dB的传输能量。的- - -相互重合代表的值和,分别。可以看出这两个指标是强相关,自确定系数,的值是0.98,回归斜率接近1。这种相似性模拟和分析值之间证明的有效性指标。
此外,它是观察到的影响大大增加细胞的传输能量从细胞到细胞不等。在一些细胞(点图1),1-dB传输能量增加直接翻译成1-dB增加整个系统SINR表示一个孤立的细胞的场景。相反,在其他细胞(左,点图),相同的传输能量变化导致降低总系统SINR,表示紧密耦合单元的场景。这个结果证明在细胞的基础上需要调整传输能量。
5.2.2。算法评估
图2比较了不同算法的结果。整个胞棱和cell-average SINR指标上所示- - -分别相互重合。点右上角的图显示出更好的性能。操作系统配置方法作为参考是由一个点(钻石)。(即Self-planning方法。,SINR-PWR and TF-RET) are represented by a curve of multiple dots showing the performance of intermediate network parameters settings reached across optimization loops. For clarity, the last value in these iterative methods is highlighted with a filled marker. Both SINR-PWR and TF-RET curves start with the OS network configuration, and their performance is thus the same in the first iteration. Thereafter, SINR-PWR and TF-RET improve both average and cell-edge SINR along iterations.
表2迭代方法的性能相比,SINR-PWR TF-RET,年底对初始解的优化过程,操作系统。表2还介绍了总体平均和胞棱DL用户吞吐量,和分别计算单个单元格值的算术平均(平均和胞棱DL用户吞吐量、职责)。DL用户吞吐量计算每个用户位置从SINR值有界的香农公式(34与衰减因子), 整个系统,假设用户可用带宽(即。,50复审委员会·180千赫/复审委员会= 9 MHz)。此外,还包括其他重要指标,如平均收到控制信号从细胞服务水平,,DL平均干扰水平,传输功率、平均偏差和倾角从最初的设置,和和修改后的细胞的数量。
在表2,观察两种方法优于当前运营商解决方案。具体来说,SINR-PWR改善1.21 dB和1.19 dB相比,操作系统,而TF-RET提高这些指标只有1.01和1.14 dB,分别。也观察到SINR-PWR优于TF-RET,因为都达到一个更好的性能指标的优化过程(即。13.90对13.70 dB,2.91对2.86 dB)。SINR改进直接翻译成一个更好的用户体验体现在吞吐量指标。具体地说,和指标相对而言增加了8.6%和17.5%,分别与SINR-PWR算法。相比之下,TF-RET算法只有达到这些指标的增加7.1%和16.9%。SINR-PWR的更好的性能的原因是这一事实SINR-PWR是基于一个分析方法,确保系统性能的(本地)最大,而TF-RET基于启发式规则。回想一下,SINR-PWR的主要目的是提高整体平均SINR,不管整个胞棱SINR。然后,SINR-PWR也得到了提高,超过TF-RET,是一个积极的副作用,证明了该方法的鲁棒性。
仔细检查表2表明SINR-PWR获得它的结果通过减少和值(−−1.46和2.67 dB、职责)。这样的削减,典型的interference-limited场景中,没有恶化整个SINR胞棱性能,也提高。相比之下,TF-RET维护和值。作为一个额外优势,SINR-PWR修改细胞比TF-RET少(即。48岁的变化与65年/天线下倾角)。
5.3。实现问题
SINR-PWR算法的时间复杂度,在那里在分析区域细胞的数量。方法设计控制算法,因此具有较低的计算复杂度。具体地说,30优化循环的总执行时间在考虑场景中有129个细胞,在计算机的时钟频率为3.47 GHz和12 GB的RAM,是1980秒平均每循环(66秒)。大部分的时间都花在模拟场景中获得网络性能指标,且仅0.085秒每循环用于计算(即所提出的指标。,不到0.13%的循环执行时间)。
此外,通过计算指标分析,推导了摄动分析,参数的数量计划模拟是减少了次了。请注意,指标可以通过模拟一个参数计算分析计划,而扰动分析需要改变一个单元的功率设定计划每个细胞,模拟一个新的参数。
6。结论
在这项工作中,小说self-planning算法已经提出了调整LTE基站的发射功率单元基础上提高网络覆盖和整体的频谱效率。算法设计为一组独立的控制器,决定是否增加或减少细胞的传输能量基于一种新的指标显示预期的变化对整个系统的影响DL SINR。提出self-planning算法已经在一个静态的系统级测试模拟器建模居住密集的城市interference-limited LTE的场景。结果表明,该方法可以提高cell-average和胞棱SINR值超过1 dB相比,目前的解决方案在网络中实现。
在测试期间,该方法比较先进的self-planning方法基于调整天线倾斜。先天的,倾斜是一个更强大的技术,因为它可以提高修改后的细胞(更高的期望信号水平)和其邻国(用更少的干扰)。然而,该方法优于基于权力tilt-based方法。优势的原因是基于权力的方法是为了达到最优发电计划,根据最优性条件的分析。因此,该方法保证了网络性能总是改善后电源设置的每一个变化。相比之下,tilt-based方法是基于启发式方法,在缺乏一个解析表达式的最优性条件天线倾斜。此外,与天线倾斜,调整权力仍然是有效的全方位的细胞或多波段天线。
与其他self-planning方法不同,该方法设计的控制算法。由于其较低的计算复杂度,方法可以适应作为自我优化算法,提供了的从可用的网络性能测量指标计算连接痕迹。为此,定期RSRP测量应在所有网站被激活。这个数据应该定期处理在一个集中的节点获取新的传输能量设置的算法。另外,每个基站可能交换性能测量与邻国获得相关的以分布式方式指示器。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作已经由西班牙经济和竞争力(tec2015 - 69982 r)和Optimi-Ericsson。