5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

Joint Power-Trajectory-Scheduling Optimization in A Mobile UAV-Enabled Network via Alternating Iteration

This work focuses on an unmanned aerial vehicle(UAV)-enabled mobile edge computing(MEC) system based on device-to-device(D2D) communication. In this system, the UAV exhibits caching,computing and relaying capabilities to periodically provide specific service to cellular users and D2D receiver nodes in the appointed time slot. Besides, the D2D transmitter can provide additional caching services to D2D receiver to reduce the pressure of the UAV. Note that communication between multi-type nodes is mutually restricted and different links share spectrum resources. To achieve an improved balance between different types of node, we aim to maximize the overall energy efficiency while satisfying the quality-of-service requirements of the cellular nodes.To address this problem, we propose an alternating iteration algorithm to jointly optimize the scheduling strategies of the user, transmitting power of the UAV and D2D-TX nodes, and UAV trajectory. The successive convex approximation, penalty function, and Dinkelbach method are employed to transform the original problem into a group of solvable subproblems and the convergence of the method is proved. Simulation results show that the proposed scheme performs better than other benchmark algorithms, particularly in terms of balancing the tradeoff between minimizing UAV energy consumption and maximizing throughput.     

基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

基于磁偶极子的2阶磁场梯度张量缩并方法

针对磁场定位中2阶磁场梯度张量的理论尚不够完善的现状，提出基于磁偶极子的2阶磁 场梯度张量缩并方法。给出2阶磁场梯度张量的全局模量和局部模量计算公式，分析2阶磁场梯度张量的全局模量和局部模量及相关参数的三维空间分布规律，并给出相关参数k_H、k_Hxy和k_Hz的近似计算公式，比较1阶磁场梯度张量和2阶磁场梯度张量及其模量的分布规律及与距离的关系。计算结果表明：全局模量C_H及参数k_H值在0°≤≤90°时，随着增大而减小，在=0°时最大，在=90°时最小；局部模量C_Hxy和参数k_Hxy值在0°≤≤90°时，随先增加、后减少，当=35° 时最大，当=90°时最小；局部模量C_Hz和参数k_Hz随先减少、后增加，当=0°时最大，当=71°时最小；k_H、k_Hxy和k_Hz的拟合值与理论反演值高度吻合；在距离较近时，2阶磁场梯度张量及模量更敏感；在距离较远时，1阶磁场梯度张量及模量更敏感；在实际磁场定位的应用中，可结合1阶和2阶磁场梯度张量及全局模量进行使用。     

基于Massive MIMO及频谱叠加的5G SA网络上行优化方法

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)可以有效提升5G SA网络的上行链路数据传输速率以及可靠性。针对5G SA网络上行链路速率和覆盖不均衡的情况,提出了基于大规模MIMO的分组算法,将发送信号矢量进行分组,组内采用最大似然检测,组外采用基于正交三角分解(QR分解)的干扰消除检测,并且结合5G频谱的叠加策略,在降低算法复杂度的同时,有效提升网络覆盖和速率。通过5G SA现网实测,通过MIMO降低分组数量能够提升分组检测性能,结合上行低频段频谱叠加策略能够有效提升5G SA网络上行覆盖30%,提升5G SA网络上行平均速率40%~80%,特别是弱覆盖边缘的网络速率,最高可达600%。