论文部分内容阅读
随着MIMO技术的应用和发展,Massive MIMO技术作为5G移动通信的关键技术已经成为人们关注的焦点。由于网络中部署了大量天线,网络复杂度高,Massive MIMO系统的性能特征估计和分析需要考虑基站与用户之间的空间传输特征以及用户之间的干扰情况,而这些特性都隐藏在海量的网络模型计算中,仅仅依靠传统的系统仿真方法无法在实际网络规划中有效快速预测和评估网络性能。所以,本文采用深度学习的方法对Massive MIMO信道特征和下行干扰水平两个方面进行预测研究。同时本文采集了5G网络真实场景中的宏基站覆盖场景射线追踪模型数据,然后将射线追踪模型数据与3D MIMO信道模型融合,对信道空间特征和用户空间特征进行分析,最后利用深度学习对信道特征和下行干扰预测研究。本文的主要研究内容包括:1.基于已有的射线追踪数据,其中数据包括用户和基站之间传播射线的几何位置以及每条射线的大尺度路损信息,与传统3D MIMO信道模型的实现标准相融合,该融合信道模型是确定性模型和统计性模型相融合的新模型。2.根据新融合信道模型仿真得到信道矩阵和计算下行干扰水平,通过分析基站与用户之间的空间特性和用户之间特征,对深度学习网络模型中输入、输出特征进行建模分析,并创建自己的网络训练数据集。3.研究分析深度学习中常用的神经网络模型方法,通过已经得到的数据集,利用深度学习方法对Massive MIMO信道特征和下行干扰水平预测分析,通过预测结果分析不断对模型进行训练和优化,最终确定合适的输入、输出和深度学习网络模型。本文将射线追踪数据和3D MIMO信道模型融合成新模型仿真计算了信道特征和下行干扰水平,该融合模型和传统统计模型对比,融合模型更能反映MIMO网络的真实性和有效性。根据融合模型得到结果分析设计了深度学习模型特定的输入向量和输出向量,提出了基于深度学习的信道特征和下行干扰水平预测研究方法。相比融合模型和传统统计模型,本文提出的深度学习方法能够快速预测栅格级网络性能,在实际的网络规划优化中,该方法能够降低网络规划优化成本以及减少网络复杂度高带来的时间开销。