18、毫米波(mmWave)无线电传播特性解析

毫米波(mmWave)无线电传播特性解析

1. 引言

如今,毫米波(mmWave)无线通信技术被视为第五代(5G)无线蜂窝网络发展的主要元素之一。这是因为毫米波无线系统能够提供极宽的信道带宽,从而使可实现的数据速率随带宽线性增加。

不过,尽管基于超宽带宽,毫米波5G无线网络有诸多优势,但毫米波无线链路的传播具有高方向性,且由于其较高的载波频率(约30 - 300 GHz),信号衰减严重。为了量化方向性和衰减因素,我们将对国际电信联盟(ITU)的标准文档进行总结,涵盖ITU标准化的天线辐射方向图、路径损耗模型、毫米波无线系统中特定的衰减因素等。基于这些模型和参数,我们会进行链路预算计算,以确定在给定阈值数据速率下,毫米波无线传播链路能够达到的距离。本文主要关注28、38和60 GHz的毫米波无线信道,这些频段在5G蜂窝和点对点无线接入网络中研究最多。

2. 传播特性

2.1 高方向性

毫米波无线电技术虽因带宽大而颇具吸引力,但具有高方向性。这种高方向性在毫米波网络设备密集化方面有积极作用(得益于空间复用),但在波束跟踪开销方面是负面的(不利于移动性支持)。因此,有必要量化定向波束的波束宽度。

无线无线电传播的方向性取决于天线类型和相应参数。这里考虑ITU标准的天线辐射方向图,ITU推荐的用于400 MHz至约70 GHz共享研究的参考天线辐射方向图如下:
[
G(\phi, \theta) =
\begin{cases}
G_{max} - 12(\frac{x}{x_{1}})^2, & 0 \leq x < x_{1} \
G_{max} - 15

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值