基于机器学习的波束搜索算法设计
发布时间：2021-10-21 03:50
在5G移动通信系统中,毫米波的应用可提供更大的带宽和更高的传输速率。5G毫米波基站通过大规模天线阵列发射高增益的定向窄波束以增加信号的覆盖范围。在毫米波基站密集部署场景中,用户需要搜索多个基站发出的大量窄波束来找到最优波束,该过程将消耗大量的时间和运算资源。文章设计了一种多基站场景下的系统模型,重点考虑了用户与基站的布局、大尺度衰落、波束定向增益以及毫米波信道的特性。在此基础上设计了一种基于机器学习的波束搜索算法,与传统穷举算法相比,该算法具有更低的延时和运算开销。
【文章来源】：光通信研究. 2020,(04)北大核心
【文章页数】：6 页
【部分图文】：
用户与基站位置分布图
方向性函数Dk(θi)表明用户处于第k条波束范围内,其值大小表示用户i相对第k条波束的法线偏离程度。图2所示为用户方向性示意图。如图所示,在第k个波束Beamk的覆盖范围内存在一个用户UEi,UEi与当前服务波束的法线的夹角为θ,用户到基站的距离为d,由此可得任意波束k的方向性函数为
本节我们生成了一组波束样本,并用这组波束样本分别测试了随机森林(Random Forest,RF)模型、线性判别分析(Linear Discriminant Analysis,LDA)模型、K-近邻(K-NearestNeighbor,KNN)算法、分类和回归树(Classification and Regression Tree,CART)、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(SupportVectorMachine,SVM)及神经网络(Neural Network,NN)等分类模型的训练精度。图3所示为几种常用的机器学习模型训练精度的箱线图,由图可知,RF模型虽然存在异常值,但整体的训练精度最好。图4所示为使用NN模型进行500次迭代的训练精度曲线,可见NN损失函数在梯度下降到0.1时达到了最优值,NN模型要略优于其他机器学习模型。图4 NN模型训练精度
本文编号：3448180
【文章来源】：光通信研究. 2020,(04)北大核心
【文章页数】：6 页
【部分图文】：
用户与基站位置分布图
方向性函数Dk(θi)表明用户处于第k条波束范围内,其值大小表示用户i相对第k条波束的法线偏离程度。图2所示为用户方向性示意图。如图所示,在第k个波束Beamk的覆盖范围内存在一个用户UEi,UEi与当前服务波束的法线的夹角为θ,用户到基站的距离为d,由此可得任意波束k的方向性函数为
本节我们生成了一组波束样本,并用这组波束样本分别测试了随机森林(Random Forest,RF)模型、线性判别分析(Linear Discriminant Analysis,LDA)模型、K-近邻(K-NearestNeighbor,KNN)算法、分类和回归树(Classification and Regression Tree,CART)、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(SupportVectorMachine,SVM)及神经网络(Neural Network,NN)等分类模型的训练精度。图3所示为几种常用的机器学习模型训练精度的箱线图,由图可知,RF模型虽然存在异常值,但整体的训练精度最好。图4所示为使用NN模型进行500次迭代的训练精度曲线,可见NN损失函数在梯度下降到0.1时达到了最优值,NN模型要略优于其他机器学习模型。图4 NN模型训练精度
本文编号：3448180
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3448180.html
