基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法
【專利摘要】本發明涉及一種基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法，所述系統包括：多個分布式自組織模塊，每個所述分布式自組織模塊布置在一個基站中，并且每個所述分布式自組織模塊周期性地利用模糊神經網絡優化所在基站的天線仰角和發射功率；集中式合作模塊，所述集中式合作模塊用于接收每個所述基站的分布式自組織模塊的優化參數，并將所述優化參數進行處理后，作為優化經驗發送到每個所述分布式自組織模塊。本發明的基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法通過調整基站的射頻天線仰角及發射功率，從而優化了網絡的負載及容量性能。
【專利說明】基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法
【技術領域】
[0001]本發明涉及無線通信【技術領域】，尤其是，涉及一種基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法。
【背景技術】
[0002]隨著無線通信高速化、寬帶化、泛在化的發展，下一代移動通信網絡變得越來越復雜，用戶對無線接入網所提供服務的質量要求也越來越高。而目前網絡中的許多網元和相關參數由人工配置，網絡規劃、優化和運營成本相當巨大。運營商一方面要降低運營成本，另一方面需要提供較好的終端用戶體驗，因此提出了自組織網絡(Self-OrganizingNetwork, SON)技術，旨在增強無線網元，實現無線網絡自組功能。SON有利于優化運營商的操作維護，能夠大大提升網絡性能，減少操作代價，降低無線網絡的運營成本。
[0003]覆蓋及容量優化(Coverageand Capacity Optimization, CC0)作為 SON 的一項重要功能，該優化功能旨在周期性根據無線環境情況甚至根據業務負載及用戶位置的變更進行基站射頻調整以提升網絡覆蓋以及系統容量性能。然而，目前對網絡覆蓋和容量的優化，仍然是由人工通過網絡優化工具獲取系統狀態參數，對系統狀態參數進行分析，判斷出系統存在的問題，再通過人工調整改善系統存在的問題。人工優化方式造成了人力物力的巨大浪費，網絡維護成本高，且人工配置很容易出現錯配和漏配的問題。
【發明內容】
[0004](一)要解決的技術問題
[0005]本發明要解決的技術問題是:通過調整各個基站的天線仰角及發射功率以優化網絡的負載及容量性能。
[0006](二)技術方案
[0007]為實現上述目的，本發明提供了一種基于模糊神經網絡的網絡覆蓋及容量優化系統，其特征在于，所述系統包括:多個分布式自組織模塊，每個所述分布式自組織模塊布置在一個基站中，并且每個所述分布式自組織模塊周期性地利用模糊神經網絡優化所在基站的天線仰角和發射功率；集中式合作模塊，所述集中式合作模塊用于接收每個所述基站的分布式自組織模塊的優化參數，并將所述優化參數進行處理后，作為優化經驗發送到每個所述分布式自組織模塊。
[0008]其中，所述分布式自組織模塊包括:參數計算單元，用于周期性地統計并計算模糊神經網絡的四個輸入參量:基站天線仰角、基站發射功率、負載差異因子、頻譜效率差異因子；模糊化單元，用于根據隸屬度函數將所述模糊神經網絡的四個參量的具體數值轉化成模糊化語言的形式；模糊推理單元，用于根據模糊推理規則進行邏輯推理，得到模糊推理結果；解模糊單元，用于根據所述隸屬度函數將所述模糊推理結果轉化成優化后的天線仰角和發射功率的精確輸出量；參數優化單元，用于將所述每個分布式自組織模塊所在的基站的天線仰角以及發射功率分別調整為所述優化后的天線仰角和發射功率；參數學習單元，用于根據所述優化后的天線仰角以及發射功率計算所述分布式自組織模塊所在基站的覆蓋及容量性能，并對優化參數進行學習調整；發送接收單元，用于將所述優化參數發送到所述集中式合作模塊，并接收所述集中式合作模塊發送的所述優化經驗，并將所述優化經驗發送到所述模糊化單元和解模糊單元，對所述優化參數進行替換。
[0009]其中，所述集中式合作模塊根據接收到的多個上述分布式自組織模塊的所述優化參數，計算出各項所述優化參數的算數平均值，并將各項計算后的優化參數作為上述優化經驗發送到每個所述分布式自組織模塊。
[0010]其中，所述優化參數包括所述模糊化單元和解模糊單元中的所述隸屬度函數的隸屬度函數中心和隸屬度函數寬度參數。
[0011]根據本發明的另一個方面，提供了一種使用上述基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法，其特征在于，包括:S1，使用每個分布式自組織模塊周期性地利用模糊神經網絡分別對所在基站的天線仰角和發射功率進行優化；S2，每個所述分布式自組織模塊將優化參數發送到集中式合作模塊；S3，所述集中式合作模塊將接收的多個所述優化參數進行計算，并將計算后的優化參數作為優化經驗分別發送到每個所述分布式自組織模塊；S4，每個所述分布式自組織模塊使用收到的所述優化經驗分別替換所述優化參數。
[0012]其中，所述步驟SI具體包括:S11，周期性統計計算模糊神經網絡的四個輸入參量:當前基站天線仰角、當前基站發射功率、負載差異因子、頻譜效率差異因子；S12，模糊化過程:根據隸屬度函數將模糊神經網絡的四個輸入參量的具體數值轉化成模糊化語言的形式；S13，模糊推理過程:根據模糊推理規則進行邏輯推理，得到模糊推理結果；S14，解模糊過程:根據所述隸屬度函數將模糊推理結果轉化成優化后的天線仰角和發射功率的精確輸出量；S15，參數優化:將所述分布式自組織模塊所在的基站的天線仰角以及發射功率分別調整為優化后的天線仰角和發射功率；S16，根據所述優化后的天線仰角和發射功率計算所述分布式自組織模塊所在基站的覆蓋以及容量性能，對優化參數進行學習調整。
[0013]其中，所述步驟S3具體包括:所述集中式合作模塊根據接收到的多個所述分布式自組織模塊的優化參數，計算出各項所述優化參數的算數平均值，并將各項計算后的優化參數作為優化經驗發送到每個所述分布式自組織模塊。
[0014]其中，所述優化參數包括所述模糊化過程和解模糊過程中的所述隸屬度函數的隸屬度函數中心和隸屬度函數寬度參數。
[0015](三)有益效果
[0016]本發明所述的基于模糊神經網絡的網絡覆蓋及容量優化系統及優化方法，增強了基站對射頻參數的自主調控能力，使基站能夠根據與鄰區的負載差異以及頻譜利用率性能差異情況，通過對基站天線仰角以及發射功率的聯合調整，從而提升網絡覆蓋及系統容量性能。并且，各分布式自組織模塊的優化經驗通過集中式合作模塊進行共享，將使各分布式自組織模塊更快的獲取更多的優化經驗，加快優化經驗的學習過程。
【專利附圖】
【附圖說明】
[0017]通過參考附圖會更加清楚的理解本發明的特征和優點，附圖是示意性的而不應理解為對本發明進行任何限制，在附圖中:[0018]圖1示出了本發明的一種基于模糊神經網絡的網絡覆蓋及容量優化系統的結構框圖；
[0019]圖2示出了本發明的一種基于模糊神經網絡的網絡覆蓋及容量優化系統的分布式自組織模塊的結構框圖；
[0020]圖3示出了本發明的一種使用基于模糊神經網絡的網絡覆蓋及容量系統進行優化的方法的流程圖；
[0021]圖4示出了本發明的一種使用基于模糊神經網絡的網絡覆蓋及容量系統進行優化的方法的步驟SI的流程圖；
[0022]圖5示出了本發明實施例的模糊神經網絡的結構圖；
[0023]圖6示出了現有的天線仰角及發射功率固定配置方案的覆蓋及容量與使用本發明所述的基于模糊神經網絡的網絡覆蓋及容量系統及方法進行優化后的覆蓋及容量的綜合性能曲線對比圖。
【具體實施方式】
[0024]下面將結合附圖對本發明的實施例進行詳細描述。
[0025]圖1示出了本發明的一種基于模糊神經網絡的網絡覆蓋及容量優化系統的結構框圖。
[0026]如圖1所示，本發明實施例的一種基于模糊神經網絡的網絡覆蓋及容量優化系統包括:集中式合作模塊100和多個分布式自組織模塊200。
[0027]每個分布式自組織模塊200布置在一個基站中，并且每個分布式自組織模塊200周期性地利用模糊神經網絡優化所在基站的天線仰角和發射功率；
[0028]集中式合作模塊100用于接收每個基站的分布式自組織模塊200的優化參數，并將優化結果進行處理后，作為優化經驗分別發送到每個分布式自組織模塊200。
[0029]圖2示出了本發明的一種基于模糊神經網絡的網絡覆蓋及容量優化系統的分布式自組織模塊的結構框圖。
[0030]參照圖2，本發明實施例的分布式自組織模塊200包括:
[0031]參數計算單元210，用于周期性地統計并計算模糊神經網絡的四個輸入參量:基站天線仰角、基站發射功率、負載差異因子、頻譜效率差異因子。
[0032]模糊化單元220，用于根據隸屬度函數將模糊神經網絡的四個參量的具體數值轉化成模糊化語言的形式。
[0033]模糊推理單元230，用于根據模糊推理規則進行邏輯推理，得到模糊推理結果。
[0034]解模糊單元240，用于根據隸屬度函數將模糊推理結果轉化成優化后的天線仰角和優化后的發射功率的精確輸出量。
[0035]參數優化單元250，用于將每個分布式自組織模塊所在的基站的天線仰角以及發射功率分別調整為優化后的天線仰角和發射功率；
[0036]參數學習單元260，用于根據優化后的天線仰角和發射功率計算分布式自組織模塊所在基站的覆蓋及容量性能，并對優化參數進行學習調整；
[0037]發送接收單元270，用于將優化參數發送到集中式合作模塊100，并接收集中式合作模塊100發送的優化經驗，并將優化經驗發送到模糊化單元220和解模糊單元240，以替換原有的優化參數。
[0038] 集中式合作模塊100根據接收到的多個分布式自組織模塊200的優化參數，計算出各項優化參數的算數平均值，并將計算后的各項優化參數作為優化經驗發送到每個分布式自組織模塊200。
[0039]在本實施例中，每個分布式自組織模塊200的優化參數包括模糊化單元220和解模糊單元240中的隸屬度函數的隸屬度函數中心和隸屬度函數寬度參數。
[0040]在本發明的另一個實施例中，提供了一種使用基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法。
[0041]圖3示出了本發明的一種使用基于模糊神經網絡的網絡覆蓋及容量系統進行優化的方法的流程圖；圖4示出了本發明的一種使用基于模糊神經網絡的網絡覆蓋及容量系統進行優化的方法的步驟SI的流程圖。圖5示出了本發明實施例的模糊神經網絡的結構圖。
[0042]參照圖3、圖4和圖5，使用基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法包括:
[0043]步驟SI，使用每個分布式自組織模塊周期性地利用模糊神經網絡對所在基站的天線仰角和發射功率進行優化；其具體步驟包括:
[0044]S11，周期性統計計算模糊神經網絡的四個輸入參量:當前基站天線仰角P、當前基站發射功率Θ、負載差異因子AL、頻譜效率差異因子AS。
[0045]其中，負載差異因子
【權利要求】
1.基于模糊神經網絡的網絡覆蓋及容量優化系統，其特征在于，所述系統包括: 多個分布式自組織模塊，每個所述分布式自組織模塊布置在一個基站中，并且每個所述分布式自組織模塊周期性地利用模糊神經網絡優化所在基站的天線仰角和發射功率； 集中式合作模塊，所述集中式合作模塊用于接收每個所述基站的分布式自組織模塊的優化參數，并將所述優化參數進行處理后，作為優化經驗發送到每個所述分布式自組織模塊。
2.根據權利要求1所述的基于模糊神經網絡的網絡覆蓋及容量優化系統，其特征在于，所述分布式自組織模塊包括: 參數計算單元，用于周期性地統計并計算模糊神經網絡的四個輸入參量:基站天線仰角、基站發射功率、負載差異因子、頻譜效率差異因子； 模糊化單元，用于根據隸屬度函數將所述模糊神經網絡的四個參量的具體數值轉化成模糊化語目的形式； 模糊推理單元，用于根據模糊推理規則進行邏輯推理，得到模糊推理結果； 解模糊單元，用于根 據所述隸屬度函數將所述模糊推理結果轉化成優化后的天線仰角和發射功率的精確輸出量； 參數優化單元，用于將所述每個分布式自組織模塊所在的基站的天線仰角以及發射功率分別調整為所述優化后的天線仰角和發射功率； 參數學習單元，用于根據所述優化后的天線仰角和發射功率計算所述分布式自組織模塊所在基站的覆蓋及容量性能，并對優化參數進行學習調整； 發送接收單元，用于將所述優化參數發送到所述集中式合作模塊，并接收所述集中式合作模塊發送的所述優化經驗，并將所述優化經驗發送到所述模糊化單元和解模糊單元，以替換所述優化參數。
3.根據權利要求1所述的基于模糊神經網絡的網絡覆蓋及容量優化系統，其特征在于，所述集中式合作模塊根據接收到的多個上述分布式自組織模塊的所述優化參數，計算出各項所述優化參數的算數平均值，并將各項計算后的優化參數作為上述優化經驗發送到每個所述分布式自組織模塊。
4.根據權利要求3所述的基于模糊神經網絡的網絡覆蓋及容量優化系統，其特征在于， 所述優化參數包括所述模糊化單元和解模糊單元中的所述隸屬度函數的隸屬度函數中心和隸屬度函數寬度參數。
5.一種使用上述權利要求1-4所述的基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法，其特征在于，包括: Si，使用每個分布式自組織模塊周期性地利用模糊神經網絡分別對所在基站的天線仰角和發射功率進行優化； S2，每個所述分布式自組織模塊將優化參數發送到集中式合作模塊； S3，所述集中式合作模塊將接收的多個所述優化參數進行計算，并將計算后的優化參數作為優化經驗分別發送到每個所述分布式自組織模塊； S4，每個所述分布式自組織模塊使用收到的所述優化經驗分別替換所述優化參數。
6.根據權利要求5所述的基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法，其特征在于，所述步驟SI具體包括: S11，周期性統計計算模糊神經網絡的四個輸入參量:當前基站天線仰角、當前基站發射功率、負載差異因子、頻譜效率差異因子； S12，模糊化過程:根據隸屬度函數將模糊神經網絡的四個輸入參量的具體數值轉化成模糊化語目的形式； S13，模糊推理過程:根據模糊推理規則進行邏輯推理，得到模糊推理結果； S14，解模糊過程:根據所述隸屬度函數將模糊推理結果轉化成優化后的天線仰角和發射功率的精確輸出量； S15，參數優化:將所述分布式自組織模塊所在的基站的天線仰角以及發射功率分別調整為優化后的天線仰角和發射功率； S16，根據所述優化后的天線仰角和發射功率計算所述分布式自組織模塊所在基站的覆蓋以及容量性能，對優化參數進行學習調整。
7.根據權利要求5所述的基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法，其特征在于，所述步驟S3具體包括: 所述集中式合作模塊根據接收到的多個所述分布式自組織模塊的優化參數，計算出各項所述優化參數的算數平均值，并將各項計算后的優化參數作為優化經驗發送到每個所述分布式自組織模塊。
8.根據權利要求6所述的基于模糊神經網絡的網絡覆蓋及容量優化系統進行優化的方法，其特征在于， 所述優化參數包括所述模糊化過程和解模糊過程中的所述隸屬度函數的隸屬度函數中心和隸屬度函數寬度參數。
【文檔編號】H04W24/02GK103945398SQ201410133551
【公開日】2014年7月23日 申請日期:2014年4月3日 優先權日:2014年4月3日
【發明者】田輝, 張平, 范紹帥 申請人:北京郵電大學