首页> 中文学位 >高速铁路环境下LTE覆盖与容量优化研究
【6h】

高速铁路环境下LTE覆盖与容量优化研究

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 论文研究背景及意义

1.2 覆盖与容量优化算法的研究现状

1.3 论文研究内容及结构安排

2 LTE通信系统

2.1 LTE系统特征

2.2 LTE自组织网络

2.3 本章小结

3 LTE覆盖与容量优化

3.1 覆盖与容量性能分析

3.2 功率控制

3.3 天线倾角调整

3.4 覆盖与容量优化算法

3.5 本章小结

4 高速环境下覆盖与容量优化算法

4.1 高速铁路通信系统特点

4.2 高速环境下覆盖与容量优化算法改进

4.3 覆盖与容量优化算法评估标准

4.4 本章小结

5 算法性能仿真与分析

5.1 仿真设置

5.2 仿真与分析

5.3 本章小结

结论

致谢

参考文献

攻读学位期间的研究成果

展开▼

摘要

高速铁路凭借运行速度快的巨大优势逐渐成为人们出行首当其冲的选择,人们在享受高铁便利性的同时也希望在旅途中能够享受到优质的通信服务。目前铁路通信系统使用的GSM-R是第2代窄带通信系统,已经日渐无法满足人们对宽带业务的需求,因此具有频谱宽、时延小、覆盖能力强等优点的LTE技术,成为了解决铁路移动通信的最佳技术手段。但是,由于高速环境的特殊性,高铁沿线依然存在覆盖与容量问题,因此,对高速铁路环境下覆盖与容量优化问题的研究,具有重要理论及实际应用价值。  首先,本文介绍了 LTE通信系统的特点和自组织网络的功能,分析了无线网络覆盖与容量的性能,并在此基础上介绍了应用于覆盖与容量优化的模糊Q学习(FQL)算法以及合作模糊Q学习(co-FQL)算法。  其次,本文重点研究了高速铁路环境下的覆盖与容量优化算法。由于列车高速运行会引发穿透损耗、多普勒频移等现象,导致高速场景下通信环境恶化,使列车用户在通信需求方面无法获得持续的优质体验。因此,本文在传统单一调节天线下倾角的FQL算法的基础上,基于铁路环境中基站与列车位置信息可预知的优势,引入多agent系统,构造多 agent合作模糊 Q学习(ma-FQL)算法,其通过联合调整优化区域内相邻两基站的天线下倾角,实现了更快的优化速率。为了进一步达到更加理想的网络性能,文中引入协作机制的概念,提出了协作多agent合作模糊Q学习(协作FQL)算法。该算法是在ma-FQL算法的基础上,将基站发射功率与天线下倾角进行协作调整,从而不仅提高了整体网络性能优化的速率,同时提高了整体网络性能全局最优的概率。  最后,本文设定弱覆盖和过覆盖两种场景进行仿真。并通过改变列车速度在弱覆盖和过覆盖两种场景下,对传统算法和改进算法在频谱效率和吞吐量方面进行了仿真分析。弱覆盖场景下的仿真结果表明,相比于FQL算法、co-FQL算法和ma-FQL算法,协作 FQL算法能够更加有效的提升整体网络的频谱效率和吞吐量性能。同时,为了进一步验证协作 FQL算法应对不同无线环境的能力,在过覆盖场景下对其进行仿真。仿真结果表明,在过覆盖场景下协作 FQL算法在频谱效率和吞吐量方面也同样具有很好的优化效果。此外,在两种仿真场景下,随着列车时速不断增大,协作 FQL算法对整体网络性能的提升幅度也不断增大,说明其能够很好的适应高速环境。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号