CN110995399A - 一种基于用户分组的大规模mimo导频分配方法 - Google Patents
一种基于用户分组的大规模mimo导频分配方法 Download PDFInfo
- Publication number
- CN110995399A CN110995399A CN201911126088.0A CN201911126088A CN110995399A CN 110995399 A CN110995399 A CN 110995399A CN 201911126088 A CN201911126088 A CN 201911126088A CN 110995399 A CN110995399 A CN 110995399A
- Authority
- CN
- China
- Prior art keywords
- user
- cell
- users
- pilot
- pilot frequency
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于用户分组的大规模MIMO导频分配方法。本发明首先以小区基站为极点建立极坐标系,计算各小区的每个用户在本小区基站极坐标系下极角的大小,并升序排列,然后用1,2,...,k对相应的用户进行编号,位于不同小区且距离相对较远的用户组复用同一组导频序列。然后根据用户到基站的距离构建导频污染表达式,并以此作为遗传算法的适应度函数,用遗传算法在各小区相应的用户组中进行搜索,得到最优个体,该个体染色体上的基因对应的用户间导频污染和最小,且相对位置较远,为其分配相同的导频可以在提高用户公平性的同时提高***下行链路可达和速率,并降低计算复杂度。
Description
技术领域
本发明涉及大规模MIMO***领域,具体说是大规模MIMO***中一种基于用户分组的导频分配方法。
背景技术
目前,学术界已经研究出了许多减轻导频污染的方法,这些方法要么只考虑提高目标小区的***性能,忽略了相邻小区的***性能的提升,要么旨在最大化各小区用户的总可达速率,没有考虑用户的公平性,很有可能给信号强度小的用户分配污染严重的导频序列。
发明内容
针对上述问题,本发明提供了一种基于用户分组的大规模MIMO导频分配方法。
本发明包括以下步骤:
步骤1:测量小区用户到各基站的距离:测量各小区的每个用户到本小区基站的距离r(l,k),l(l=1,2,3,…,L;k=1,2,3,…,K)和各小区每个用户到相邻小区的距离r(l',k),l(l'=1,2,3,…,L;l≠l'),其中,r(l,k),l表示第l小区的第k个用户到第l小区基站的距离,r(l',k'),l表示第l'小区的第k'个用户到第l小区基站的距离,L表示小区总数,K表示各小区用户数,l=1,2,3,…,L,k=1,2,3,…,K,l'=1,2,3,…,L;k'=1,2,3,…,K,l≠l'。
步骤2:用户/导频分组:首先以各小区基站为极点建立极坐标系,计算各小区的每个用户在本小区基站坐标系下极角θ(0≤θ<2π)的大小,并升序排列,然后用1,2,...,K为相应的用户编号。
接着把各小区的用户和导频序列分为G组,具体步骤为:如果K=G×N,则依次以N个用户为一组把各小区用户分成G组,如果K=G×N+n(n<G),则每个小区的前n个用户组内的用户数为N+1,后G-n个用户组内的用户数为N,同理,导频序列也相应的分成G组,即第g(1≤g≤G)组导频序列内的导频个数与第g组用户组内的用户个数相同。
假设K=G×N,把各小区用户按上述导频分组方法分成G组,则各小区第一个用户组的用户集可以依次表示为:U(1,1)={u(1,1),u(1,2),…,u(1,N)},U(2,1)={u(2,1),u(2,2),…,u(2,N)},...,U(L,1)={u(L,1),u(L,2),…,u(L,N)},其他用户组的用户集可以类推得到。位于不同小区编号相同的用户组复用同一组导频序列,即各小区第g组用户复用第g组导频序列。
步骤3:编码:用十进制编码表示个体,所有个体都只有一条染色体,每条染色上的基因个数等于小区个数L,染色体上的基因是随机生成的N以内的十进制整数的排列,各个基因分别代表来自1,2,…,L小区第一个用户组内的一个用户。
步骤4:初始化:设置种群进化终止的迭代次数T、进化种群的大小S、交叉变异概率P等初始参数。
步骤5:种群生成:用步骤3所述的编码方式随机生成一个种群,该种群含有Q(S<Q)个个体。
步骤6:计算适应度值:用户的导频污染大小和用户到基站的距离密切相关,本发明用用户到基站的距离定义用户间的导频污染和,即使用相同导频的u(i,k)和u(j,q)两用户间的导频污染和为:值越大表明两用户使用相同的导频时相互间干扰越严重,产生的导频污染越大。遗传算法的适应度函数为来自不同小区使用相同导频的用户间产生的导频污染和,可以表示为:根据适应度函数计算步骤5生成的种群的适应度值。
步骤7:选择:选出S个适应度值小的个体作为初始种群,进行演化。
步骤8:交叉变异:在步骤7生成的初始种群中,根据适应度值从大到小的顺序选取P×S个个体进行交叉变异操作,其余个体保留不变与交叉变异生成的新个体一起组成子代。本发明采用单点交叉,即个体间在随机生成的交叉点处交换部分基因,生成新的个体,然后对生成的新个体进行变异操作。
步骤9:计算适应度值:根据适应度函数计算步骤8生成的子代的适应度值,找出适应度值最小的个体,此个体即为最优个体,为该个体染色体上的基因对应的用户分配相同的导频时产生的导频污染和最小。
步骤10:进化终止判断:如果种群进化次数达到T,则退出此循环,输出最优个体,为该个体染色体上的基因对应的各用户分配相同的导频,并把各用户从相应的小区用户集中删除,更新各小区用户集生成新的用户集,同时,把已分配的导频从相应的导频序列组中删除;如果进化次数没有达到T,执行步骤8。
步骤11:导频分配终止判断:如果各用户集中仅剩一个用户,则把剩下的一组导频分配给用户集中剩下的用户,退出循环,导频分配结束;否则执行步骤5。
本发明的有益效果是:
1:只对适应度值大的个体进行交叉变异操作,保留了父代优良个体,避免变异过程中优良基因的遗失,提高了结果的可靠性。
2:使用遗传算法搜索得到最优个体,降低了计算复杂度。
3:编号相同的用户组复用同一组导频序列,由用户分组方案可知,编号相同的用户组分别位于不同小区且位置相对较远,这样可以提高用户公平性,保证了基站获取的信号强度差的用户的信道状态信息是完整的。
4:用遗传算法在各小区相应的用户组内搜索得到最优个体,该个体染色体上的基因对应的用户间导频污染和最小,为其分配相同导频序列,可以有效提高下行可达和速率,减轻导频污染。
附图说明
图1为本发明的具体流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施例仅用于说明和解释本发明,但并不用于限定本发明。
近年来,数据业务快速增长,大规模MIMO技术作为5G关键技术之一,因具有高频谱利用率和大容量等优点,有效的解决了数据业务呈指数迅速增长的问题。然而,由于频谱资源的短缺,实际多小区场景中无法实现所有小区的用户都使用相互正交的导频序列,不同小区的用户使用相同导频序列难以避免,这使得基站端获得的用户信道状态信息,不仅受到噪声的干扰,而且还受到其他小区使用相同导频用户的干扰,即产生了导频污染,合理地为用户分配导频可减轻导频污染。
详见图1:本发明提供了一种基于用户分组的大规模MIMO导频分配方法,步骤如下:
步骤1:测量小区用户到各基站的距离:测量各小区的每个用户到本小区基站的距离r(l,k),l(l=1,2,3,…,L;k=1,2,3,…,K)和各小区每个用户到相邻小区的距离r(l',k),l(l'=1,2,3,…,L;l≠l')。
步骤2:用户和导频分组:首先以各小区基站为极点建立极坐标系,计算各小区的每个用户在本小区基站坐标系下极角θ(0≤θ<2π)的大小,并升序排列,然后用1,2,...,K为相应的用户编号。
接着把各小区的用户和导频序列分为G组,具体步骤为:如果K=G×N,则依次以N个用户为一组把各小区用户分成G组,如果K=G×N+n(n<G),则每个小区的前n个用户组内的用户数为N+1,后G-n个用户组内的用户数为N,同理,导频序列也相应的分成G组,即第g(1≤g≤G)组导频序列内的导频个数与第g组用户组内的用户个数相同。
假设K=G×N,把各小区用户按上述导频分组方法分成G组,则各小区第一个用户组的用户集可以依次表示为:U(1,1)={u(1,1),u(1,2),…,u(1,N)},U(2,1)={u(2,1),u(2,2),…,u(2,N)},...,U(L,1)={u(L,1),u(L,2),…,u(L,N)},其他用户组的用户集可以类推得到。位于不同小区编号相同的用户组复用同一组导频序列,即各小区第g组用户复用第g组导频序列。
接下来说明如何用遗传算法为各小区第一个用户组内的用户分配导频,其他用户组内用户的导频分配可以以此类推。
步骤3:编码:本发明用十进制编码表示个体,所有个体都只有一条染色体,每条染色上的基因个数等于小区个数L,染色体上的基因是随机生成的N以内的十进制整数的排列,各个基因分别代表来自1,2,…,L小区第一个用户组内的一个用户。
步骤4:初始化:设置种群进化终止的迭代次数T、进化种群的大小S、交叉变异概率P等初始参数。
步骤5:种群生成:用步骤3所述的编码方式随机生成一个种群,该种群含有Q(S<Q)个个体。
步骤6:计算适应度值:用户的导频污染大小和用户到基站的距离密切相关,本发明用用户到基站的距离定义用户间的导频污染和,即使用相同导频的u(i,k)和u(j,q)两用户间的导频污染和为:值越大表明两用户使用相同的导频时相互间干扰越严重,产生的导频污染越大。遗传算法的适应度函数为来自不同小区使用相同导频的用户间产生的导频污染和,可以表示为:根据适应度函数计算步骤5生成的种群的适应度值。
步骤7:选择:选出S个适应度值小的个体作为初始种群,进行演化。
步骤8:交叉变异:在步骤7生成的初始种群中,根据适应度值从大到小的顺序选取P×S个个体进行交叉变异操作,其余个体保留不变与交叉变异生成的新个体一起组成子代。
本发明采用单点交叉,即个体间在随机生成的交叉点处交换部分基因,生成新的个体,然后对生成的新个体进行变异操作。
步骤9:计算适应度值:根据适应度函数计算步骤8生成的子代的适应度值,找出适应度值最小的个体,此个体即为最优个体,为该个体染色体上的基因对应的用户分配相同的导频时产生的导频污染和最小。
步骤10:进化终止判断:如果种群进化次数达到T,则退出此循环,输出最优个体,为该个体染色体上的基因对应的各用户分配相同的导频,并把各用户从相应的小区用户集中删除,更新各小区用户集生成新的用户集,同时,把已分配的导频从相应的导频序列组中删除;如果进化次数没有达到T,执行步骤8。
步骤11:导频分配终止判断:如果各用户集中仅剩一个用户,则把剩下的一组导频分配给用户集中剩下的用户,退出循环,导频分配结束;否则执行步骤5。
综上,本发明根据用户位置把各小区的用户适当的分成G组,导频序列也相应的分成G组,位于不同小区编号相同的用户组复用同一组导频序列,即分配相同导频的用户分别位于不同小区且位置相对较远的用户组内,然后用遗传算法在相应的用户组内搜索得到最优个体,最优个体染色体上的基因对应的用户间产生的导频污染和最小,为各用户分配相同的导频,保证了在提高用户公平性的同时最大化下行链路可达和速率,减轻了导频污染。同时,本发明用用户到基站间的距离定义导频污染,并以此作为适应度函数,用遗传算法搜索得到最优个体,降低了算法复杂度。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,而做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于用户分组的大规模MIMO导频分配方法,其特征在于,包括以下步骤:
步骤1:测量小区用户到各基站的距离:
测量各小区的每个用户到本小区基站的距离r(l,k),l和各小区每个用户到相邻小区的距离r(l',k'),l;
其中,r(l,k),l表示第l小区的第k个用户到第l小区基站的距离,r(l',k'),l表示第l'小区的第k'个用户到第l小区基站的距离,L表示小区总数,K表示各小区用户数;l=1,2,3,…,L,k=1,2,3,…,K,l'=1,2,3,…,L;k'=1,2,3,…,K,l≠l';
步骤2:用户和导频分组:
首先以各小区基站为极点建立极坐标系,计算各小区的每个用户在本小区基站坐标系下极角θ的大小,并升序排列,0≤θ<2π,然后用1,2,...,K为相应的用户编号;
接着把各小区的用户和导频序列分为G组,则各小区第一个用户组的用户集依次表示为:U(1,1)={u(1,1),u(1,2),…,u(1,N)},U(2,1)={u(2,1),u(2,2),…,u(2,N)},...,U(L,1)={u(L,1),u(L,2),…,u(L,N)},其他用户组的用户集可以类推得到;
位于不同小区编号相同的用户组复用同一组导频序列,即各小区第g组用户复用第g组导频序列;
步骤3:编码:
用十进制编码表示个体,所有个体都只有一条染色体,每条染色上的基因个数等于小区个数L,染色体上的基因是随机生成的N以内的十进制整数的排列,各个基因分别代表来自1,2,…,L小区第一个用户组内的一个用户;
步骤4:初始化:
设置种群进化终止的迭代次数T、进化种群的大小S、交叉变异概率P;
步骤5:种群生成:
用步骤3所述的编码方式随机生成一个种群,该种群含有Q个个体,Q>S;
步骤6:计算适应度值:
采用用户到基站的距离定义用户间的导频污染和,即使用相同导频的u(i,k)和u(j,q)两用户间的导频污染和为:
遗传算法的适应度函数为来自不同小区使用相同导频的用户间产生的导频污染和;
根据适应度函数计算步骤5生成的种群的适应度值;
步骤7:选择:
选出S个适应度值小的个体作为初始种群,进行演化;
步骤8:交叉变异:
在步骤7生成的初始种群中,根据适应度值从大到小的顺序选取P×S个个体进行交叉变异操作,其余个体保留不变与交叉变异生成的新个体一起组成子代;
步骤9:计算适应度值:
根据适应度函数计算步骤8生成的子代的适应度值,找出适应度值最小的个体,此个体即为最优个体,为该个体染色体上的基因对应的用户分配相同的导频时产生的导频污染和最小;
步骤10:进化终止判断:
如果种群进化次数达到T,则退出此循环,输出最优个体,为该个体染色体上的基因对应的各用户分配相同的导频,并把各用户从相应的小区用户集中删除,更新各小区用户集生成新的用户集,同时,把已分配的导频从相应的导频序列组中删除;如果进化次数没有达到T,执行步骤8;
步骤11:导频分配终止判断:
如果各用户集中仅剩一个用户,则把剩下的一组导频分配给用户集中剩下的用户,退出循环,导频分配结束;否则执行步骤5。
2.根据权利要求1所述的一种基于用户分组的大规模MIMO导频分配方法,其特征在于:各小区的用户和导频序列分为G组,具体是:
如果K=G×N,则依次以N个用户为一组把各小区用户分成G组;
如果K=G×N+n,则每个小区的前n个用户组内的用户数为N+1,后G-n个用户组内的用户数为N,n<G;
同理,导频序列也相应的分成G组,即第g组导频序列内的导频个数与第g组用户组内的用户个数相同,1≤g≤G。
3.根据权利要求1所述的一种基于用户分组的大规模MIMO导频分配方法,其特征在于:交叉变异具体采用单点交叉,即个体间在随机生成的交叉点处交换部分基因,生成新的个体,然后对生成的新个体进行变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911126088.0A CN110995399B (zh) | 2019-11-18 | 2019-11-18 | 一种基于用户分组的大规模mimo导频分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911126088.0A CN110995399B (zh) | 2019-11-18 | 2019-11-18 | 一种基于用户分组的大规模mimo导频分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110995399A true CN110995399A (zh) | 2020-04-10 |
CN110995399B CN110995399B (zh) | 2022-05-31 |
Family
ID=70084754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911126088.0A Active CN110995399B (zh) | 2019-11-18 | 2019-11-18 | 一种基于用户分组的大规模mimo导频分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110995399B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567421A (zh) * | 2022-03-04 | 2022-05-31 | 北京奕斯伟计算技术有限公司 | 一种导频分配方法及装置 |
CN114745087A (zh) * | 2022-03-09 | 2022-07-12 | 北京奕斯伟计算技术有限公司 | 导频分配方法、装置、设备及存储介质 |
CN115460616A (zh) * | 2022-06-17 | 2022-12-09 | 东南大学 | 一种基于遗传算法的毫米波大规模mimo***用户分组方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006246322A1 (en) * | 2005-05-13 | 2006-11-16 | Dspace Pty Ltd | Method and system for communicating information in a digital signal |
CN104702390A (zh) * | 2015-02-04 | 2015-06-10 | 南京邮电大学 | 分布式压缩感知信道估计中的导频分配方法 |
WO2015116322A2 (en) * | 2013-12-12 | 2015-08-06 | Invisitrack, Inc. | Multi-path mitigation in rangefinding and tracking objects using reduced attenuation rf technology |
CN105024793A (zh) * | 2015-06-25 | 2015-11-04 | 山东大学 | 一种大规模天线***中基于遗传算法的导频分配方法 |
CN105207761A (zh) * | 2015-10-10 | 2015-12-30 | 南京邮电大学 | 一种基于遗传算法的tdd***导频调度方法 |
CN105634571A (zh) * | 2016-01-18 | 2016-06-01 | 重庆邮电大学 | 大规模mimo***中基于部分导频复用的导频污染减轻方法 |
CN108134661A (zh) * | 2018-01-30 | 2018-06-08 | 重庆邮电大学 | 一种大规模mimo***中低复杂度的导频分配方法 |
-
2019
- 2019-11-18 CN CN201911126088.0A patent/CN110995399B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006246322A1 (en) * | 2005-05-13 | 2006-11-16 | Dspace Pty Ltd | Method and system for communicating information in a digital signal |
WO2015116322A2 (en) * | 2013-12-12 | 2015-08-06 | Invisitrack, Inc. | Multi-path mitigation in rangefinding and tracking objects using reduced attenuation rf technology |
CN104702390A (zh) * | 2015-02-04 | 2015-06-10 | 南京邮电大学 | 分布式压缩感知信道估计中的导频分配方法 |
CN105024793A (zh) * | 2015-06-25 | 2015-11-04 | 山东大学 | 一种大规模天线***中基于遗传算法的导频分配方法 |
CN105207761A (zh) * | 2015-10-10 | 2015-12-30 | 南京邮电大学 | 一种基于遗传算法的tdd***导频调度方法 |
CN105634571A (zh) * | 2016-01-18 | 2016-06-01 | 重庆邮电大学 | 大规模mimo***中基于部分导频复用的导频污染减轻方法 |
CN108134661A (zh) * | 2018-01-30 | 2018-06-08 | 重庆邮电大学 | 一种大规模mimo***中低复杂度的导频分配方法 |
Non-Patent Citations (4)
Title |
---|
N.ZHANG等: "Genetic Algorithm based Pilot Allocation Scheme for Massive MIMO System", 《IEEE》 * |
SHUAI HOU等: "Non-orthogonal Pilot Design for Compressive Sensing-Based Channel Estimation in Massive MIMO Systems", 《2019 INTERNATIONAL SYMPOSIUM ON ANTENNAS AND PROPAGATION (ISAP)》 * |
孙文胜等: "基于遗传蚁群优化算法的认知无线电频谱分配", 《通信技术》 * |
李梦婉等: "多小区大规模MIMO***中基于部分导频交替复用的导频污染减轻方法", 《信号处理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567421A (zh) * | 2022-03-04 | 2022-05-31 | 北京奕斯伟计算技术有限公司 | 一种导频分配方法及装置 |
CN114567421B (zh) * | 2022-03-04 | 2024-06-25 | 北京奕斯伟计算技术股份有限公司 | 一种导频分配方法及装置 |
CN114745087A (zh) * | 2022-03-09 | 2022-07-12 | 北京奕斯伟计算技术有限公司 | 导频分配方法、装置、设备及存储介质 |
CN114745087B (zh) * | 2022-03-09 | 2023-12-22 | 北京奕斯伟计算技术股份有限公司 | 导频分配方法、装置、设备及存储介质 |
CN115460616A (zh) * | 2022-06-17 | 2022-12-09 | 东南大学 | 一种基于遗传算法的毫米波大规模mimo***用户分组方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110995399B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995399B (zh) | 一种基于用户分组的大规模mimo导频分配方法 | |
CN111132264B (zh) | 多用户mimo-noma***下行链路的用户分簇方法 | |
CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN111586720A (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN105843666B (zh) | 云计算中基于多目标优化的虚拟机放置方法 | |
CN113596785B (zh) | 基于深度q网络的d2d-noma通信***资源分配方法 | |
CN111294959B (zh) | 一种联合用户分组和功率分配的优化方法及其优化装置 | |
CN109088715A (zh) | 导频分配方法及装置 | |
CN105024793B (zh) | 一种大规模天线***中基于遗传算法的导频分配方法 | |
CN105873214A (zh) | 一种基于遗传算法的d2d通信***的资源分配方法 | |
CN114423028B (zh) | 基于多智能体深度强化学习的CoMP-NOMA协作成簇与功率分配方法 | |
Khanbary et al. | A GA-based effective fault-tolerant model for channel allocation in mobile computing | |
CN104168569B (zh) | 一种认知异构网络的动态频谱分配方法 | |
CN112469113B (zh) | 一种多载波noma***的资源分配方法及装置 | |
CN108260193B (zh) | 一种异构网络中基于信道聚合的联合资源分配方法及装置 | |
CN110505681B (zh) | 基于遗传方法的非正交多址接入场景用户配对方法 | |
CN112737726A (zh) | 一种静态与动态相融合的tdma时隙分配方法 | |
CN110167045B (zh) | 一种异构网络能效优化方法 | |
CN111026534A (zh) | 云计算环境下基于多种群遗传算法的工作流执行优化方法 | |
CN105992358B (zh) | 一种资源分配方法、基站及相关网元 | |
CN109548153B (zh) | 基于模块度sc-fdma***的资源分配方法 | |
CN109286480B (zh) | 基于候选信道匹配法正交频分多址***子载波分配方法 | |
CN110650539B (zh) | 一种基于scma的无线通信下行链路资源分配方法 | |
Wu et al. | An improved resource allocation scheme for plane cover multiple access using genetic algorithm | |
CN110213002B (zh) | 一种面向noma与d2d融合通信的资源分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |