CN104080091B - 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 - Google Patents
分层异构网络中基于负载预测分组的家庭基站频谱分配方法 Download PDFInfo
- Publication number
- CN104080091B CN104080091B CN201410350400.5A CN201410350400A CN104080091B CN 104080091 B CN104080091 B CN 104080091B CN 201410350400 A CN201410350400 A CN 201410350400A CN 104080091 B CN104080091 B CN 104080091B
- Authority
- CN
- China
- Prior art keywords
- load
- mrow
- home enodeb
- msub
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，属于通信技术领域。该方法包括以下步骤：步骤一：小区内的家庭基站根据历史的负载信息周期性地得到负载预测值；步骤二：小区内的家庭基站利用得到的负载预测信息进行周期性地分组，并且每个小组进行独立地频谱分配；步骤三：小区内的家庭基站在确定分组后独立地进行组内频谱分配，并且同一小组内的家庭基站不复用频谱。本方法通过对各个家庭基站以及宏基站的历史负载信息优化得到对未来时段的负载预测信息。利用得到的各家庭基站的负载预测值对小区内的家庭基站进行分组，通过分组后每个小组独立地使用和分配频谱资源，从而有效的降低家庭基站之间的同层干扰。
Description
技术领域
本发明属于分层异构自组织网络技术领域，涉及一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法。
背景技术
为了满足当今世界无线通信迅速增长的数据速率和更高覆盖质量的需求，并显著提升蜂窝网络性能，3GPP在LTE-Advanced的标准化中提出了异构网络(HeterogeneousNetwork，Hetnet)技术。特别是在当前异构小蜂窝的数量变得越来越多，密度也变得非常高的情况下，异构网络中的这些低功率节点的存在，大大缩短了无线网络基站与用户的距离，无线信号的质量也随之得到增强。异构网络技术大大提高了覆盖区域内的频谱空间复用率，从而为终端用户提供了更高的数据传输速率。
由于增加了新的网络接入点，可以为不同的业务需求提供服务并为局部区域提供良好的覆盖，比如家庭基站(Femtocell)。这些新型的网络节点与宏蜂窝网络共存，可以解决局部区域的覆盖问题并提高数据速率。同一个网络中的网络节点共享一段频谱资源，每个网络节点可以使用一定数量的频谱资源集合，但由于缺乏集中控制设备，不能像传统的蜂窝网络一样进行网络规划，某些网络节点通过自组织地形式存在，从而引起不同网络节点传输链路间的干扰及频谱使用效率的低下。同时由于用户开关这些设备，网络的拓扑结构动态变化，网络中已有的节点必须要能适应这种变化，因此这种动态网络的频谱分配是一个需要重点研究的问题。特别是在高密集异构自组织网络中，如何能够有效的消除或减少跨层和同层干扰变得更加重要。
发明内容
有鉴于此，本发明的目的在于提供一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，该方法通过对各个家庭基站以及宏基站的历史负载信息优化得到对未来时段的负载预测信息。利用得到的各家庭基站的负载预测值对小区内的家庭基站进行分组，通过分组后每个小组独立地使用和分配频谱资源，从而有效的降低家庭基站之间的同层干扰。
为达到上述目的，本发明提供如下技术方案：
一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，包括以下步骤：步骤一：小区内的家庭基站根据历史的负载信息周期性地得到负载预测值；步骤二：小区内的家庭基站利用得到的负载预测信息进行周期性地分组，并且每个小组进行独立地频谱分配；步骤三：小区内的家庭基站在确定分组后独立地进行组内频谱分配，并且同一小组内的家庭基站不复用频谱。
进一步，根据获取的各个家庭基站历史负载信息，通过Q学习算法得到负载的预测值，具体包括：
首先，得到小区内的各个家庭基站的历史负载信息loadt-i...loadt-1以及当前负载信息loadt；
其次，利用Q学习原理，得到对负载的预测值的公式：
其中a表示对历史负载进行预测的过程，Q(loadt,a)表示对负载值进行动作a得到的总体回报的一个估计，k为一个时间窗口，对其时间范围内的历史负载进行对应的加权，rt表示动作a对分层异构网络干扰环境的立即回报值。
进一步，在步骤二中，小区内的家庭基站利用得到的负载预测信息进行周期性地分组，并且每个小组进行独立地频谱分配，在分组时采用的是一种最大化组内频谱利用率的方法，具体包括：
1)在分层异构无线网络***环境下，利用公式：
来得到负载预测值之后计算得到某小区中的预分组数；
2)利用预分组数来进行家庭基站分组，并得到具体的分组结果；
3)在获得了家庭基站分组情况后，每个小组独立地进行频谱分配，并且具体的组内频谱分配通过最大化***容量模型求解，以达到小组内接近零干扰以及***容量最大。
进一步，利用负载预测值来计算得到小区内组数，具体包括以下步骤：
首先，假设每个小区中有一个宏基站和Nr个家庭基站；
其次，利用求得的负载值，可以表示为其中t表示时间，i表示某小区内的第i个femtocell，可以得到某个小区内的所有femtocell的负载之和，表示为：在当前的频率复用模式下每个femtocell可以使用的最多频谱即为全频段中除去宏基站使用的F1和F2的频段，对应的负载量记为最大负载值于是利用某小区内所有的femtocell负载值的和除以最大负载值并向上取整即可得到总的组数，记为S。
进一步，所述基于负载预测的分组方式，具体包括：
将femtocell的负载值从大到小进行排列，将最大的前S个femtocell设定为组长，并依次为这几个femtocell分配其他的组员femtocell，在分配组员femtocell时遵循位置相对近，并且使该小组内的总负载量不超过分组结束后每个小组都在组内进行独立的频谱分配。
进一步，在得到分组情况后每个小组内部独立地进行频谱分配，具体包括：
通过以上方式确定分组之后，每个小组内的所有femtocell保证不复用频谱资源，并且负载重的优先分配频谱资源；具体的分配资源方式将以最大化***容量模型来求得最优。
本发明的有益效果在于：本方法通过对各个家庭基站以及宏基站的历史负载信息优化得到对未来时段的负载预测信息。利用得到的各家庭基站的负载预测值对小区内的家庭基站进行分组，通过分组后每个小组独立地使用和分配频谱资源，从而有效的降低家庭基站之间的同层干扰。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明所述方法的总体流程图；
图2为***模型设定的流程图；
图3为频率复用模式图；
图4为预测负载的流程图；
图5为Q学习算法在计算预测负载时的流程图；
图6为分组的步骤流程图；
图7为分组的详细流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的总体流程图，如图所示，本方法可以分为4个大步骤，即：
步骤A，设定***模式。
步骤B，预测小区内各个家庭基站的负载信息。
步骤C，按照提出的方法对家庭基站进行分组。
步骤D，按照分组结果进行频谱分配。
下面详细介绍每个步骤的具体过程。
步骤A——设定***模式。
参见图2，图2为***模型设定的流程图，具体包括以下步骤：
步骤A1，参见图3，图3为本发明的基本频率复用模式，即利用了相邻3个小区的部分频率复用模式。相邻的3个小区被标号为1、2、3，对应使用图中的F1和F2部分。然后对小区内femtocell进行分类，依据其接受到的宏基站的SINR并结合femtocell的具体地理位置进行分类。可分为中心信号优femtocell(定义为a类)、中心信号差femtocell(定义为b类)、边缘信号优femtocell(定义为c类)和边缘信号差femtocell(定义为d类)。
步骤A2，对本发明的***模型进行定义，我们假定***中有NC个小区，每个小区中有一个宏基站和Nr个家庭基站。一个BS就代表着一个宏基站。总共有Nu个UE随机分布在***中，定义宏基站与UE之间的通信为直接连接，家庭基站与UE之间的通信为接入连接。***的总带宽为B，总共有N个RB，每个RB的带宽为Brb。宏基站的总功率为PM，第i个宏小区分配到每个RB上的额功率向量第i个宏小区中的第j个家庭基站在每个RB上的功率向量为其中每个femtocell可分配在RB上的最大功率和最小功率分别为和
步骤A3，为了表示和计算方便，我们对***的参数进行设定：我们用N0,i表示第i个小区的宏基站。用Nj,i来表示第i个小区内的第j个家庭基站。另外定义a为宏基站对小区中心宏用户发射功率与对边缘宏用户的发射功率比值，
***在某一时刻的负载情况可以通过第k个UE的链接状态来确定，由于UE在选择链接时考虑的是接受功率最大，因此第k个UE的最优节点为
定义变量来表示UE是否与Nj,i连接。
由于每个UE只可以同一个节点相连接并且假设占用的RB数要大于或者等于1，故有：
步骤A4，定义基站N0,i和第k个UE之间且在占用RB：n∈N时的信道增益为基站Nj,i和第k个UE之间且在占用RB：n∈N时的信道增益为
则在第i个宏小区的接收信噪比可以表示为：
若为宏用户且在占用RBn∈N时的SINR为：
若为家庭用户且在占用RBn∈N时的SINR为：
故家庭基站比特率：
宏基站比特率：
步骤B——预测负载信息
参见图4，图4为预测负载信息的流程图，具体的负载信息的预测过程如下：
步骤B1，获取历史负载信息，每个小区内的家庭基站以及宏基站都周期性的上报负载情况，并且由宏基站负责收集每个家庭基站的负载信息。得到小区内的历史负载信息后宏基站负责将其保存待用。
步骤B2，获取当前的负载信息，每个小区内的家庭基站都需要感知当前的负载情况，以及当前的频谱分配情况。
步骤B3，预测负载信息，参见图5，图5为Q学习算法在计算预测负载时的流程图。通过Q学习算法对历史负载进行优化得到对负载的预知信息。
Q学习是强化学习中非常经典和常用的算法之一。它是模型无关的强化学习，在每次迭代过程中只是学习最优策略，而不需学习状态转移概率函数和回报函数的先验知识模型。Q学习方法不需要环境的先验知识，在空间较大、复杂的***中都有很好的学习性能。该算法通过马尔可夫决策过程MDP进行建模，以环境-动作奖赏值Q(s,a)作为衡量标准，其中S＝{s1,s2,...,sl}表示可能的状态空间，A＝{a1,a2,...,am}表示agent可能选择的动作空间。
如上式，Q学习是通过感知环境状态，根据当前策略π选择某个动作。在环境执行了该动作后状态s变s′，并产生强化信号r(s,a)反馈给环境，作为对此次动作选择策略的评价。通过不断多次的学习，最后找到每个状态下的最佳策略π*(s)使得期望的长期累积回报最大化。
根据这个Q学习的基本概念，我们可以得到流程图如图5，具体步骤如下：
1)初始化所有的Q值。
2)监测当前时间的各femtocell的负载信息，并记入历史信息中。
3)利用历史的负载信息，通过学习速率为αt的Q学习可得到对下一时刻的负载预测信息。公式如下：
其中loadt表示t时间的负载值，a表示对历史负载进行预测的过程，Q(loadt,a)表示对负载值进行动作a得到的总体回报的一个估计，k为一个时间窗口，对其时间范围内的历史负载进行对应的加权。rt表示动作a对分层异构网络干扰环境的立即回报值。
步骤B4，更新历史负载信息，宏基站将小区内的所有家庭基站的当前负载和负载预测值记录到历史负载信息中，利用在以后的预测过程中。由于在预测时利用的是加窗估计算法，因此在超过了一定时间后，历史负载信息对负载的预测值的贡献作用就不在明显，因此不会造成占用巨大的数据存储空间的情况。
步骤C——利用负载预测信息对家庭基站进行分组。
参见图6，图6为分组过程的大体流程，具体如下：
步骤C1，首先需要得到每个家庭基站的负载信息，也就是在B过程中得到的预测负载信息，对应每个家庭基站有自己的负载预测信息。
步骤C2，将小区内的所有的家庭基站的负载预测值求和得到总负载量，由于在本方法中家庭基站可以使用的部分是除去F1和F2的频段，将总负载除以此值并取整得到的就是小组的数量为S。
步骤C3，进行第一个迭代，将小区中的家庭基站按照其负载量的大小进行排序，并先对负载量大于最大负载值的家庭基站进行分组，而且这些家庭基站自己成为一组，独立地进行频谱分配。记录下这些家庭基站的信息，在进行下一个迭代时将这些家庭基站排除开外。
步骤C4，进行第二个迭代，将剩余的家庭基站的负载量继续按照从大到小的顺序排列，并且按照每个小组内的负载量不超过最大负载量的原则来对剩余的家庭基站分组，直到每个家庭基站都分组完毕。
步骤C5，将分组的信息记录下来，包括分得的组数，以及每个小组内的家庭基站的ID号，从而方便对每个小组内的家庭基站进行频谱分配。
参见图7，图7为分组的具体流程图。
1)首先求得某小区中预分得的组数S，将所有负载求和得到总负载，由于femtocell可以使用的负载最大值即为除去F1和F2的频段，将总负载除以此值并取整得到的就是小组的数量为S。
2)将femtocell编号，并且将其负载量从大到小进行排序。
3)开始迭代算法直至所有的femtocell都分组完毕，迭代内容为首先判断某个femtocell的负载是否大于负载最大值，如果大于此值则将此femtocell独自分为一组，并继续判断下一个femtocell；如果小于此值，则记录此femtocell的ID号。
4)设通过上个步骤已经分得m组，于是将剩余的S-m个femtocell继续按照负载量从大到小进行排序。将排序后得到的负载量排在前S-m个femtocell分为剩余的S-m个小组。
5)最后进行迭代算法，将其他的femtocell均匀的分配给这S-m个小组，并且保证每个小组的负载量不超过负载最大值。
通过以上的5个步骤即可得到具体的分组方式。
步骤D——频谱分配：
通过前三个步骤之后，我们可以得到小区内的家庭基站分组的具体方式。每个小组独立地分配频谱资源，即每个小组都可以使用全部的除去F1和F2的频段，但是在同一个小组内的不同家庭基站不能复用频谱资源。每个小组内的家庭基站按照负载量的多少决定优先度分配频谱给每个用户。由于在分组时考虑的是不超过最大负载量的原则，因此可以保证良好的服务质量，同时也降低了很大一部分功耗。
根据前文对***模型的描述，我们可以建立一个优化模型来优化资源的分配问题，具体如下：
s.t.
0≤α≤1
0≤β≤1
通过对这个模型的求解我们就可以得到最优的频谱分配方式。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，其特征在于：包括以下步骤：
步骤一：小区内的家庭基站根据历史的负载信息周期性地得到负载预测值；
步骤二：小区内的家庭基站利用得到的负载预测信息进行周期性地分组，并且每个小组进行独立地频谱分配；
步骤三：小区内的家庭基站在确定分组后独立地进行组内频谱分配，并且同一小组内的家庭基站不复用频谱；
根据获取的各个家庭基站历史负载信息，通过Q学习算法得到负载的预测值，具体包括：
首先，得到小区内的各个家庭基站的历史负载信息loadt-i…loadt-1以及当前负载信息loadt；其次，利用Q学习原理，得到对负载的预测值的公式：
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>load</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>load</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
</mrow>
其中a表示对历史负载进行预测的过程，Q(loadt,a)表示对负载值进行动作a得到的总体回报的一个估计，k为一个时间窗口，对其时间范围内的历史负载进行对应的加权，rt表示动作a对分层异构网络干扰环境的立即回报值；
在步骤二中，小区内的家庭基站利用得到的负载预测信息进行周期性地分组，并且每个小组进行独立地频谱分配，在分组时采用的是一种最大化组内频谱利用率的方法，具体包括：
1)在分层异构无线网络***环境下，利用公式：
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>load</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>load</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
</mrow>
来得到负载预测值之后计算得到某小区中的预分组数；αt表示学习速率，kt-i表示t-i时间的时间窗口；
2)利用预分组数来进行家庭基站分组，并得到具体的分组结果；
3)在获得了家庭基站分组情况后，每个小组独立地进行频谱分配，并且具体的组内频谱分配通过最大化***容量模型求解，以达到小组内接近零干扰以及***容量最大。
2.根据权利要求1所述的一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，其特征在于：利用负载预测值来计算得到小区内组数，具体包括以下步骤：
首先，假设每个小区中有一个宏基站和Nr个家庭基站；
其次，利用求得的负载值，表示为其中t表示时间，i表示某小区内的第i个femtocell，得到某个小区内的所有femtocell的负载之和，表示为：在当前的频率复用模式下每个femtocell使用的最多频谱即为全频段中除去宏基站使用的F1和F2的频段，对应的负载量记为最大负载值于是利用某小区内所有的femtocell负载值的和除以最大负载值并向上取整即得到总的组数，记为S。
3.根据权利要求2所述的一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，其特征在于：所述基于负载预测的分组方式，具体包括：
将femtocell的负载值从大到小进行排列，将最大的前S个femtocell设定为组长，并依次为这几个femtocell分配其他的组员femtocell，在分配组员femtocell时遵循位置相对近，并且使该小组内的总负载量不超过分组结束后每个小组都在组内进行独立的频谱分配。
4.根据权利要求2所述的一种分层异构网络中基于负载预测分组的家庭基站频谱分配方法，其特征在于：在得到分组情况后每个小组内部独立地进行频谱分配，具体包括：
确定分组之后，每个小组内的所有femtocell保证不复用频谱资源，并且负载重的优先分配频谱资源；具体的分配资源方式将以最大化***容量模型来求得最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410350400.5A CN104080091B (zh) | 2014-07-22 | 2014-07-22 | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410350400.5A CN104080091B (zh) | 2014-07-22 | 2014-07-22 | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104080091A CN104080091A (zh) | 2014-10-01 |
| CN104080091B true CN104080091B (zh) | 2017-10-24 |
Family
ID=51601091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410350400.5A Active CN104080091B (zh) | 2014-07-22 | 2014-07-22 | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104080091B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104469798B (zh) * | 2014-12-12 | 2017-11-10 | 重庆邮电大学 | 一种基于马尔可夫链的通信网络负载状态信息预测方法 |
| CN104852831B (zh) * | 2015-06-01 | 2016-08-24 | 清华大学深圳研究生院 | 一种分层网络rtt的预测方法 |
| CN106792722B (zh) * | 2016-12-19 | 2019-09-24 | 北京科技大学 | 基于中介区域的分层异构lte***分数频率复用方法 |
| CN109526027B (zh) * | 2018-11-27 | 2022-07-01 | ***通信集团福建有限公司 | 一种小区容量优化方法、装置、设备及计算机存储介质 |
| CN109743149B (zh) * | 2019-01-22 | 2021-04-20 | 中国电子科技集团公司第五十四研究所 | 异构网络中基于载波聚合的干扰协调方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
| CN103781120A (zh) * | 2014-02-25 | 2014-05-07 | 重庆邮电大学 | 一种结合分级动态分配资源的移动负载均衡方法 |
-
2014
- 2014-07-22 CN CN201410350400.5A patent/CN104080091B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
| CN103781120A (zh) * | 2014-02-25 | 2014-05-07 | 重庆邮电大学 | 一种结合分级动态分配资源的移动负载均衡方法 |
Non-Patent Citations (2)
| Title |
|---|
| Clustering and Resource Allocation for Dense Femtocells in a Two-Tier Cellular OFDMA NetWork;Amr Abdelnasser等;《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》;20140331;第13卷(第3期);第1节 * |
| Dynamic Clustering Framework for Muliti-Cell Scheduling in Dense Small Cell Networks;Emmanouil Pateromichelakis等;《IEEE COMMUNICATIONS LETTERS》;20130930;第17卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104080091A (zh) | 2014-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104159258B (zh) | 一种通信节点状态调整方法、装置及*** | |
| CN104955077B (zh) | 一种基于用户体验速率的异构网络小区分簇方法及装置 | |
| CN104080091B (zh) | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 | |
| Yang et al. | Distributed deep reinforcement learning-based spectrum and power allocation for heterogeneous networks | |
| CN108848520A (zh) | 一种基于流量预测与基站状态的基站休眠方法 | |
| CN107426773A (zh) | 无线异构网络中面向能效的分布式资源分配方法和装置 | |
| CN104038945B (zh) | 一种基于独立集的异构蜂窝网络能效优化方法 | |
| CN104168653B (zh) | 一种基于干扰管理的宏基站与家庭基站联合资源分配方法 | |
| CN107613556A (zh) | 一种基于功率控制的全双工d2d干扰管理方法 | |
| Wang et al. | Bi-SON: Big-data self organizing network for energy efficient ultra-dense small cells | |
| CN105703870B (zh) | 密集异构网络中基于CoMP的动态小区间干扰协调方法 | |
| CN104159314B (zh) | 异构网络的分布式节能资源分配方法 | |
| Li et al. | An energy-effective network deployment scheme for 5G Cloud Radio Access Networks | |
| CN104640185A (zh) | 一种基于基站协作的小区休眠节能方法 | |
| CN107454601A (zh) | 一种超密集环境下考虑小区间干扰的无线虚拟映射方法 | |
| CN105578482B (zh) | 一种蜂窝异构网络资源分配方法 | |
| CN106412988A (zh) | 一种改进的基于加权图的超密集异构网络干扰协调方法 | |
| CN103167593A (zh) | 一种异构网络中基于博弈论的高效功控方法 | |
| Chen et al. | A self-organizing resource allocation strategy based on Q-learning approach in ultra-dense networks | |
| CN108834158B (zh) | 一种用于超密集组网的干扰管理方法 | |
| You et al. | A novel cell zooming strategy towards energy efficient based on load balancing in random heterogeneous networks | |
| Tang et al. | Interference management based on cell clustering in ultra-highly dense small cell networks | |
| CN108540246A (zh) | 一种基于认知无线电的IoT传感器网络在不完美信道下的次级IoT设备的资源分配方法 | |
| CN104168634B (zh) | 用于lte-a蜂窝网络的分布式用户位置感知小区关闭方法 | |
| Zhu et al. | A resource allocation and cell association algorithm for energy efficiency in HetNets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |