异构密集蜂窝网络容量与覆盖优化系统级仿真平台及算法研究

《异构密集蜂窝网络容量与覆盖优化系统级仿真平台及算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TN929.5密级公开UDC621.39学位论文编号D-10617-308-(2016)-01093重庆邮电大学硕士学位论文中文题目异构密集蜂窝网络容量与覆盖优化系统级仿真平台及算法研究英文题目SystemLevelSimulationPlatformandAlgorithmsResearchforCapacityandCoverageOptimizationinHeterogeneousDenseCellularNetworks学号S130101107姓名刘伟学位类别工学硕士学科专业信息与通信工程指导教师唐伦教授完

2、成日期2016年6月8日重庆邮电大学硕士学位论文摘要摘要为了满足未来无线网络对数据流量的爆炸性增长的需求，下一代移动通信网络对网络容量与覆盖具有更高的要求。在下一代5G网络的关键技术的研究中，密集组网是公认的提升网络容量覆盖的有效手段之一。同时，为了降低复杂网络中运营商的资本支出和人工运营成本，自组织网络的研究也受到工业界和学术界的追捧。容量与覆盖优化是3GPP自组织网络中的一个重要用例，其目的在于在网络部署后通过自优化的手段保证网络容量与覆盖，提升网络整体性能和小区边缘用户性能。首先，论文对系统级仿真平台整体架构和功能模

3、块设计进行了介绍和阐述。主要包括无线信道模块，业务模块，MAC资源调度模块，移动性模块，AMC自适应调制编码模块等等。其次，基于基本的系统级仿真平台对容量与覆盖优化相关模块进行了设计与实现。考虑到真实的信道模型对系统级仿真平台容量与覆盖性能的重要性，根据3GPP标准TS36.873搭建了更加真实的3D信道模型。主要包括3D信道路损模型，阴影衰落模型和3D天线增益模型等，同时对该信道模型进行了仿真测试校准。针对动态仿真特点，为了支持用户及时向覆盖质量更好小区的切换，根据3GPPTS36.331对RRC层切换过程进行了建模实现

4、，主要包括TTT建模，测量报告触发与上报，切换准备与执行等。在完善了仿真平台的基础上，对容量与覆盖优化SON实体模块及接口进行了设计，主要包括数据收集，评估分析，优化处理和执行四个部分。接着，对异构密集网络部署对网络性能的影响进行了仿真分析，同时针对城市场景下的密集化网络部署给出了合理化的建议。最后，针对密集网络部署的不规则性而导致的容量与覆盖问题，设计了一种基于强化学习的进行微蜂窝功率控制的自优化控制系统。将模糊逻辑与Q学习算法相结合，综合考虑网络的平均用户性能、边缘用户性能和网络环境之间的相互影响来设计模糊逻辑与Q学习

5、算法的联合瞬时回报奖惩值，进行网络容量与覆盖的联合自优化。仿真结果表明，该方法能实现密集网络部署下的容量与覆盖自优化，有效提高系统平均用户吞吐量和边缘用户吞吐量。关键词：异构密集网络，系统级仿真，容量与覆盖优化，模糊逻辑Q学习I重庆邮电大学硕士学位论文AbstractAbstractInordertomeettheexplosivegrowthofthedemandofdatatrafficinthefuturewirelessnetwork,thenextgenerationofmobilecommunicationne

6、tworkhasbeenconsideredfromtheverystartwithhigherrequirementofnetworkcapacity.Amongthecandidatekeytechnologiesofthenextgeneration(5G)ofwirelesscommunication,densenetworkshavebeenrecognizedasaneffectivewaytoenhancethenetworkcapacityandcoverage.Atthesametime,inordert

7、oreducenetworkoperator’scapitalexpenditureandoperatingexpenseindensenetworks,studyonself-organizingnetwork(SON)hasgreatlyarousedindustrialandacademic’senthusiasm.Capacityandcoverageoptimization(CCO)isanimportantusecasedefinedinSONby3GPP(The3rdGenerationPartnership

8、Project),whichaimsatenhancingthenetworkoverallperformanceandcelledgeusers’performancethroughself-optimizationmethodunderthenetworkdeployment.Firstly,the