基于深度学习的5G Massive MIMO信道特征和下行干扰水平预测研究

发布时间：2024-06-28 23:24

　　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...

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图2-4经典的卷积神经网络结构

第二章深度学习理论知识10LeNet-5模型，它是第一个成功应用于数字手写识别问题的卷积神经网络[44，45]。相比传统的深度神经网络，卷积神经网络避免了对参数的过度依赖，能更好地学习高维数据。在网络结构上，卷积神经网络比传统的深度神经网络要复杂得多，其中最大的区别在于卷积神经网....

图2-5卷积层的操作过程

安徽大学硕士学位论文11,,,llllijkijkkzxwb（2.10）图2-5卷积层的操作过程2.3.2池化层池化是卷积神经网络重要的概念，池化层一般往往加在卷积层之间，可以对输入矩阵降维，即有效的缩小输入矩阵的维度。例如一个44的输入矩阵，有一个维度22的过滤器，通过过滤器可....

图3-1单基站下用户分布示意图

安徽大学硕士学位论文15第三章基于射线追踪的3DMIMO融合模型3.1基于射线追踪的3DMIMO融合模型总体设计方案本文研究的传播场景是宏基站室外传播场景，以单基站为例，图3-1展示了单基站下用户分布示意图。图中星状表示基站分布，点状表示栅格级用户分布，即栅格是5m5m的正方形，....

图4-8卷积神经网络结构

第四章基于深度学习的信道特征和下行干扰预测研究34征差异明显，所以同一小区预测效果稍好于不同小区。表4-3DNN信道幅值预测性能结果样本环境训练样本数预测样本数平均相对误差（%）平均绝对误差（dB）相关系数同一小区5900010004.1405.4070.930不同小区75000....

本文编号：3996812