【通信】基于位置感知波束形成的5G毫米波UDN干扰评估系统级模型附matlab代码

原创已于 2024-12-23 21:46:29 修改 · 935 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#5G #matlab #开发语言

于 2024-02-19 13:06:05 首次发布

通信专栏收录该内容

46 篇文章

订阅专栏

本文探讨了5G毫米波无授权设备网络（LBF-UDN）中基于位置感知波束形成的干扰问题。通过构建系统级模型，研究了不同参数对干扰的影响，并提出优化策略，如AP部署、波束宽度调整、功率控制和信道协调，以减轻干扰并提升网络性能。

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

摘要

随着5G毫米波（mmWave）技术的快速发展，基于位置感知波束形成（LBF）的无授权设备网络（UDN）已成为一种有前途的解决方案，可以提高网络容量和覆盖范围。然而，由于mmWave信号的传播特性，LBF-UDN中的干扰问题变得更加突出。本文提出了一个基于位置感知波束形成的5G毫米波UDN干扰评估系统级模型。该模型考虑了LBF-UDN的独特特征，例如位置感知波束形成、信道传播特性和干扰管理机制。通过仿真，我们评估了不同系统参数对干扰水平的影响，并讨论了减轻干扰的潜在策略。

引言

5G毫米波UDN是一种基于mmWave技术的无授权网络，允许用户在没有许可证的情况下部署和操作无线接入点（AP）。LBF技术通过利用位置信息来优化波束方向，可以显著提高网络容量和覆盖范围。然而，由于mmWave信号的传播特性，LBF-UDN中的干扰问题变得更加突出。

系统模型

我们提出了一个基于位置感知波束形成的5G毫米波UDN干扰评估系统级模型。该模型包括以下组件：

**信道模型：**考虑了mmWave信道的路径损耗、阴影衰落和多径传播特性。
**波束形成模型：**基于位置信息优化波束方向，以最大化信号强度和最小化干扰。
**干扰模型：**考虑了来自其他AP、授权网络和环境噪声的干扰。
**干扰管理机制：**包括功率控制、信道分配和波束协调机制，以减轻干扰。

仿真结果

我们通过仿真评估了不同系统参数对干扰水平的影响。仿真结果表明：

**AP密度：**AP密度增加会导致干扰增加。
**波束宽度：**较窄的波束宽度可以减少干扰，但也会降低覆盖范围。
**功率控制：**功率控制可以有效减轻干扰，但会降低网络容量。
**信道分配：**动态信道分配可以减少干扰，但需要额外的信令开销。
**波束协调：**波束协调可以显著减轻干扰，但需要AP之间的协调机制。

📣 部分代码

% CITE as Fokin, G. System-Level Model for Interference Evaluation in 5G % mmWave UDN with Location-Aware Beamforming. Information 2024, xx, xx. % the simulation model generates beams in the direction of given locations,% in which UEs are served; beamforming is performed based on a known UE % location with a specified positioning error then, after the deployment % of base stations and UEs, the simulation model performs SINR estimation % on all UEs in the service cell, surrounded by six other interfering cellsclose all; clear all; clc;% dense-Urban-eMBB scenario according to ITU-R M.2412-0udn.plot_enable=0;udn.cell_num=7;               % number of cellsudn.sector_num=3;             % number of sectorsudn.radius=10;                % exclusion region radius, mudn.UE_h = 1.5;               % UE antenna height, mudn.gNB_h = 15;               % gNB antenna height, mudn.eff_h=udn.gNB_h-udn.UE_h; % effective height, mudn.txPowerDBm = 40;          % total transmit power (80 MHz), dBmudn.txPower=(10.^((udn.txPowerDBm-30)/10)); % conversion dBm to Wudn.Am = 25;                  % back lobe suppression coefficient, dBudn.SLAv = 20;                % side lobe suppression coefficient, dBudn.GdB = 15;                 % antenna array gain, dBiudn.G = 10^(udn.GdB/10);      % antenna array gainudn.Gtx=3;                    % antenna array element gain, dBiudn.fc=30 ;                   % carrier frequency, GHzudn.angle_min=3;              % hpbw minimum value, degreesudn.bw = 80e6;                % 80 MHz bandwidthudn.rxNoiseFigure = 5;        % UE receiver noise figure, dBudn.rxNoisePowerdB = ...    -174 + 10*log10(udn.bw) + udn.rxNoiseFigure - 30;  % noise power, dBudn.rxNoisePower = 10^(udn.rxNoisePowerdB/10);         % noise power, W     udn.nrow = 32;        % number of elements in a row of rectangular arrayudn.ncol = 32;        % number of elements in a column of rectangular array% transmission power of one antenna array element, Wudn.txPowerSE = udn.txPower/(udn.nrow*udn.ncol);udn.Gbf=10*log10(udn.nrow*udn.ncol); % max. antenna array gain with BF, dBiudn.UE_num=64;                % number of UEs in a sectorudn.rcell=100;                % cell radius, m udn.accuracy=10;              % UE location uncertainty diameter, m% hexagonal scenario of territorial distribution of gNB[gNB, gNB_cell, gNB_sector]=lab_grid(udn.rcell);% terrestrial distribution scenario UE_loc_est and UE_loc_true[UE_est, UE_tru]=lab_deploy(udn, gNB, gNB_sector);% directional radio links gNB_UE_est and gNB_UE_tru[az_est, el_est, az_tru, el_tru] = lab_link(udn, gNB, UE_est, UE_tru);% adjust HPBW beamwidth by location in radio links gNB_UE_est[az_3dB, el_3dB]=lab_hpbw(udn, gNB, UE_est); % estimate SINR in radio links gNB_UE_est and gNB_UE_tru [SINR_S_est, SINR_S_tru, SINR_SC_est, SINR_SC_tru, ...    SINR_SCN_est, SINR_SCN_tru, SINR_SCNN_est, SINR_SCNN_tru] = ...    lab_sinr(udn, gNB, UE_est, UE_tru, ...    az_est, el_est, az_tru, el_tru, az_3dB, el_3dB);udn.accuracySINR_S_est_mean = 10*log10(mean(cell2mat(SINR_S_est)))SINR_S_tru_mean = 10*log10(mean(cell2mat(SINR_S_tru)))SINR_SC_est_mean = 10*log10(mean(cell2mat(SINR_SC_est)))SINR_SC_tru_mean = 10*log10(mean(cell2mat(SINR_SC_tru)))SINR_SCN_est_mean = 10*log10(mean(cell2mat(SINR_SCN_est)))SINR_SCN_tru_mean = 10*log10(mean(cell2mat(SINR_SCN_tru)))% SINR_SCNN_est_mean = 10*log10(mean(cell2mat(SINR_SCNN_est)))% SINR_SCNN_tru_mean = 10*log10(mean(cell2mat(SINR_SCNN_tru)))

⛳️ 运行结果

讨论

仿真结果表明，LBF-UDN中的干扰问题可以通过优化系统参数和采用干扰管理机制来缓解。减轻干扰的潜在策略包括：

**优化AP部署：**通过合理规划AP位置和密度，可以减少干扰。
**调整波束宽度：**根据覆盖范围和干扰要求，调整波束宽度可以优化网络性能。
**实施功率控制：**功率控制可以有效减轻干扰，但需要权衡网络容量。
**采用信道分配：**动态信道分配可以减少干扰，但需要额外的信令开销。
**实现波束协调：**波束协调可以显著减轻干扰，但需要AP之间的协调机制。

结论

本文提出了一个基于位置感知波束形成的5G毫米波UDN干扰评估系统级模型。该模型考虑了LBF-UDN的独特特征，例如位置感知波束形成、信道传播特性和干扰管理机制。通过仿真，我们评估了不同系统参数对干扰水平的影响，并讨论了减轻干扰的潜在策略。该模型和仿真结果为设计和优化LBF-UDN提供了有价值的见解，以最大化网络性能和最小化干扰。