[发明专利]大规模MIMO天线参数调整方法及装置

说明书

本发明实施例提供一种大规模MIMO天线参数调整方法及装置，该方法包括：根据天线的当前实际网络状态，基于专家经验方法确定天线的调整参数的调整方向；根据调整方向从Q‑table表中选择调整动作，并从Q‑table表中查找当前实际网络状态对应于每个选择的调整动作的当前Q值；从查找出的当前Q值中选择最大值，根据最大值对应的调整动作对所述天线进行调整；根据调整后的天线的实际网络状态计算天线的回报函数，根据回报函数基于Q‑learning方法对最大值进行更新，直到天线的性能指标满足预设条件。本发明实施例提高了天线参数调整的准确性，需要更少的训练样本，且具有可解释性。

技术领域

本发明涉及大规模MIMO天线技术领域，尤其涉及一种大规模MIMO天线参数调整方法及装置。

背景技术

传统的天馈优化，如4G网络，主要依据MR(Measurement Report，测量报告)数据对天线的方位角和下倾角进行调整，以实现网络容量、覆盖以及干扰等指标的动态均衡优化。但人工操作无法准确控制机械方位角和下倾角的变化，不能达到预期效果。而5G网络建站更为密集，加之与4G网络共存的网络环境，将使网络覆盖、干扰等优化也更为复杂。

大规模MIMO(Multi Input Multi Output，多进多出)天线技术是提高系统容量和频谱利用率的关键技术，同时引入更多远程可调的参数，如波束数目、方位角、下倾角、水平宽度和垂直宽度等。通过工程师经验和塔工上站调整天线的传统方式已不再适用，需要一套智能化的解决方案来自动实现后期天线调整参数的自主优化。

目前针对大规模MIMO天线调整的方案大多是基于传播模型的仿真和基于MR数据的神经网络学习。其中，前者在自由空间的场景下表现良好，但现实场景下，环境极其复杂，其高楼耸立，建筑材质也不尽相同，加之四季变化对道路两侧、园区内植被的影响，使得传播模型不再可靠。后者因为无线环境信号的反射、衍射以及干涉的影响，MR数据也无法准确反应某个区域的信号特征，因此对天线调整参数的优化效果差。同时神经网络也是一类模型解释性很差的算法，导致最终的优化方案可信度很低。不仅如此，神经网络需要大量训练样本数据进行训练。

发明内容

本发明实施例提供一种大规模MIMO天线参数调整方法及装置，用以解决现有技术中大规模MIMO天线调整参数优化效果差，解释性差，且需要大量训练样本进行训练的缺陷，实现大规模MIMO天线调整参数的精确优化，具有可解释性，且不需要大量训练样本。

本发明实施例提供一种大规模MIMO天线参数调整方法，包括：

根据天线的当前实际网络状态，基于专家经验方法确定所述天线的调整参数的调整方向；其中，所述当前实际网络状态包括所述天线的网络指标的值；

根据所述调整方向从所述天线的Q-table表中选择调整动作，并从所述Q-table表中查找所述当前实际网络状态对应于每个选择的调整动作的上一次迭代更新后的Q值；其中，所述调整动作包括所述调整参数的待调整到的值；

从所述当前实际网络状态对应于每个选择的调整动作的上一次迭代更新后的Q值中选择最大值，根据所述最大值对应的调整动作对所述天线进行调整；

根据调整后的所述天线的实际网络状态计算所述天线的回报函数，根据所述回报函数基于Q-learning方法对所述最大值进行更新，并将调整后的所述天线的实际网络状态作为当前实际网络状态进行迭代，直到所述天线的性能指标满足预设条件。

根据本发明一个实施例的大规模MIMO天线参数调整方法，根据天线的当前实际网络状态，基于专家经验方法确定所述天线的调整参数的调整方向的步骤之前还包括：

将所述天线覆盖的区域进行栅格化；

根据每个栅格当前的MR数据和KPI数据，计算所述天线在每个栅格中的当前实际网络状态；