[发明专利]一种分布式自适应调节小基站发射功率偏置值的方法

摘要

本发明公开了一种分布式自适应调节小基站发射功率偏置值的方法。本发明在小基站的回程链路容量受限的情况下通过使用机器学习中的Q‑learning的方法自适应地调节小基站发射功率偏置来分担宏蜂窝负载，提高小基站回程链路资源利用率。利用机器学习的一种称为Q‑learning的方法可以方便每个小基站实时监控周围用户数目以及用户分布的变化，及时调整自己的参考信号功率偏置值来获得当前情况下最优的偏置值选择，从而充分利用自己的资源为宏基站实现分担负载的功能。本发明所提供的方法不仅能够有效地提高系统容量和覆盖效果，更有助于节省宏基站的运行成本，实现绿色通信。

主权项

一种分布式自适应调节小基站发射功率偏置值的方法，其特征在于，它的步骤如下：1)为使适量用户从宏基站转到小基站享受数据服务以使小基站最终的吞吐量逼近其所拥有的回程链路信道资源，从而充分利用小基站回程链路资源来给宏基站分担负载，小基站在考虑当前用户服务性能的同时，根据自己当前的回程链路资源的使用情况通过设置自己的参考信号功率偏置值来实现覆盖范围的调整；2)在小基站调整好自己的覆盖范围后，在所有候选的基站中，用户计算接收到的每个基站的参考信号功率，并在此功率上分别加上每个基站设定的参考信号功率偏置值作为来自该基站的最终接收“参考信号功率”，用户选择加上偏置后的参考信号功率值最大的基站进行连接；3)所有用户确定自己所接入的基站后，小基站在考虑自己当前的回程链路资源的使用和当前用户的服务性能情况下，动态调整自己的最优参考信号功率偏置值；4)重复步骤2)和步骤3)，直至小基站的最优参考信号功率偏置值收敛，当算法收敛后小基站调低最优参考信号功率偏置值的学习强度，减少运算量并实时监测环境变化，当小基站周围用户数以及分布情况发生重大改变，则小基站重新调高最优参考信号功率偏置值的学习强度，执行步骤2)；其中，步骤3)所述的动态调整自己的最优参考信号功率偏置值的方法为：小基站开启时运行Q‑learning算法对各状态下最优的参考信号功率偏置值进行学习，小基站在知道自己的回程链路资源数的情况下，将自己当前的吞吐量作为Q‑learning的状态变量，根据不同的状态，小基站学习在各状态下的最优的参考信号功率偏置值，方法的具体步骤包括：S1、算法开始运行时，宏基站的偏置值始终为0，小基站的偏置值初始化为0，小基站维护一张表格即Q‑table来记录每个状态的每一种执行措施下所能获得的Q‑value值，该Q‑value值与当前状态下采取当前措施获得的奖励值即reward有关；S2、在所有候选的基站中，用户计算接收到的每个基站的参考信号功率，并在此功率上分别加上每个基站设定的参考信号功率偏置值作为来自该基站的最终接收“参考信号功率”，用户选择加上偏置后的参考信号功率值最大的基站进行连接；S3、按照当前的接入情况，小基站计算当前的吞吐量，并找到该吞吐量所对应的状态；小基站按照一定准则选取一个参考信号功率偏置值作为下一时刻该小基站采用的参考信号功率的偏置值，同时，计算采取当前偏置值所获得的奖励值，以一定的准则来更新Q‑table；S4、循环执行步骤S2和步骤S3直到算法收敛，即在每一种状态下相应的最优的偏置值已经收敛；步骤S3中的参考信号功率偏置值的选择准则满足以下过程：(1)定义一个选择因子ε，0<ε<1；(2)在0到1之间随机产生一个值x，若x比ε大，则随机选择一个执行措施，否则，选择该状态下Q‑table中最大值对应的执行措施作为下一时刻的小基站参考信号功率偏置值；步骤S3中的Q‑table更新准则满足以下过程：(1)选定一个更新因子α,0<α<1；(2)将该状态下使用当前偏置值的Q‑table对应值按照如下公式进行更新：Q(st,at)=(1-α)Q(st,at)+α[reward+γmaxat+1Q(st+1,at+1)]]]>其中st,at代表t时刻的状态值与执行措施(即偏置值)，st+1,at+1即为相应的下一时刻的值；步骤S3中提到的奖励值的计算采用如下公式：reward=-log(1+w×CDR1+w)ρ+1ρ]]>其中,CDR表示掉话率，w是一个权重，控制掉话率在奖励值中的影响因子，目的在于在最大化小基站资源利用率与控制掉话率这一用户体验之间取一个折中；ρ是回程链路资源利用率，表达式可以写为：ρ=TCBL]]>其中，T为当前小基站的吞吐量，CBL为小基站的回程链路资源数，很显然有0≤ρ≤1。