【使用带外空间信息的毫米波波束选择】利用在低于6 GHz频段提取的空间信息来辅助建立mmWave链接附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在 5G 及 5G Advanced 通信体系中，毫米波（mmWave）凭借超大带宽优势成为实现 10Gbps 级峰值速率的核心技术，但短波长导致的覆盖范围窄、穿透能力弱、波束对准难度大等问题，严重制约其链路稳定性。低于 6GHz 的 Sub-6GHz 频段虽速率较低，却具备覆盖广、传播损耗小、空间信息提取成本低的特点。利用 Sub-6GHz 提取的带外空间信息辅助毫米波波束选择，可大幅缩短波束扫描时间、提升链路建立效率与稳健性，成为解决毫米波部署瓶颈的关键路径。本文系统阐述该技术的核心原理、实施流程与优化策略，并结合商用案例验证其工程价值。

一、核心原理：Sub-6GHz 与毫米波的空间信息关联性

Sub-6GHz 与毫米波的传播路径虽存在差异（前者以绕射为主，后者以直射与反射为主），但在同一通信场景下，二者的空间特征存在强相关性 —— 基站与终端间的主导传播方向、散射簇分布具有一致性。这种关联性构成了带外信息复用的物理基础，具体体现在两个层面：

（一）空间角度关联性

终端与基站间的 “来波方向（DOA）” 和 “波达方向（DOD）” 是波束选择的核心空间参数。Sub-6GHz 频段的天线阵列可通过 MIMO 技术高效估计角度信息：

• 对于宏基站覆盖场景，Sub-6GHz 信号的主径 DOA 与毫米波的直射径 DOD 偏差通常小于 15°，在视距（LOS）环境下偏差可压缩至 5° 以内；

• 非视距（NLOS）场景中，二者的散射簇分布重合度达 70% 以上，Sub-6GHz 识别的 TOP 3 强散射路径可直接映射为毫米波的候选波束方向。

这种关联性使得 Sub-6GHz 的角度估计结果可作为毫米波初始波束的 “粗对准参考”，避免全空间盲目扫描。

（二）信道状态关联性

Sub-6GHz 的信道质量参数（如信道秩、延迟扩展）可间接反映空间传播环境特征：

• 当 Sub-6GHz 信道秩为 1 且延迟扩展小于 100ns 时，对应环境多为 LOS 场景，毫米波可优先选择窄波束（波束宽度≤5°）进行高精度对准；

• 若 Sub-6GHz 延迟扩展大于 500ns，说明存在多径散射，毫米波需切换为宽波束（波束宽度≥15°）捕获散射径，再通过窄波束细化。

高通骁龙 X75 的实测数据显示，基于 Sub-6GHz 信道状态预判毫米波波束类型，可使初始波束捕获成功率提升 40%。

二、关键流程：带外空间信息驱动的波束选择架构

基于 Sub-6GHz 的毫米波波束选择采用 “粗对准 - 细优化” 二级架构，核心流程包括空间信息提取、波束候选集生成、精细对准与动态更新四个阶段，整体链路建立时间可从传统全扫描的 100ms 级压缩至 10ms 以内。

（一）阶段 1：Sub-6GHz 带外空间信息提取

通过 Sub-6GHz 链路的 MIMO 信道估计与信号处理，提取三类核心空间信息，为毫米波决策提供输入：

1. 角度信息估计

采用基于 ESPRIT（旋转不变技术估计信号参数）或 MUSIC（多信号分类）的算法，通过 Sub-6GHz 天线阵列（通常为 4×4 MIMO）估计主径 DOA/DOD，输出精度为 ±10° 的角度区间。例如在骁龙 X80 调制解调器中，通过 AI 增强的角度估计算法，可将 Sub-6GHz 的角度估计误差降低至 ±3°。

1. 传播环境分类

基于 Sub-6GHz 的接收信号强度（RSSI）、信噪比（SNR）与延迟扩展，通过随机森林分类模型识别环境类型：LOS（视距）、轻 NLOS（1-2 个散射簇）、重 NLOS（3 个以上散射簇）。分类准确率可达 92% 以上，为毫米波波束宽度选择提供依据。

1. 链路稳定性预测

计算 Sub-6GHz 信号的短期衰落方差（100ms 内），若方差小于 5dB，则判定终端移动速度低（≤3km/h），毫米波可采用固定波束；若方差大于 15dB，说明终端高速移动，需预留动态波束切换冗余。

（二）阶段 2：毫米波候选波束集生成

基于 Sub-6GHz 提取的空间信息，从毫米波波束码本中筛选候选集，大幅缩减扫描范围：

• 角度映射：将 Sub-6GHz 的主径 DOA/DOD 映射至毫米波角度域，以映射角度为中心，根据环境类型确定候选波束范围 ——LOS 场景取 ±5°（对应 2-3 个窄波束），重 NLOS 场景取 ±15°（对应 5-8 个宽波束）；

• 优先级排序：结合 Sub-6GHz 的 RSSI 强度对候选波束排序，RSSI 每提升 10dB，对应毫米波波束的优先级提升 2 级；

• 冗余裁剪：移除候选集中重叠度超过 80% 的波束，确保候选集规模控制在 8 个以内（传统全扫描需 64-128 个波束）。

骁龙 X70 的实践表明，该阶段可使毫米波候选波束数量减少 85%，扫描时间缩短至 5ms。

（三）阶段 3：毫米波精细波束对准

对候选波束集进行低复杂度扫描，实现高精度对准：

1. 宽波束预扫描：若为 NLOS 场景，先通过宽度为 15° 的宽波束扫描候选集，获取各波束的接收功率，筛选 TOP 2 强功率波束；

1. 窄波束细化：以强功率宽波束为中心，激活相邻 4 个窄波束（宽度 5°）进行扫描，选择接收功率最大的波束作为最优波束；

1. 链路确认：通过毫米波 SRS（探测参考信号）验证最优波束的信道容量，若容量≥1Gbps，则完成对准；否则返回阶段 2 补充候选波束。

（四）阶段 4：动态波束更新

利用 Sub-6GHz 的实时空间信息触发毫米波波束更新：

• 当 Sub-6GHz 的角度估计变化超过 10° 时，触发毫米波候选集重生成；

• 当 Sub-6GHz 的衰落方差突增超过 20dB 时，启动毫米波快速扫描（仅扫描前 3 个候选波束）；

• 每 200ms 基于 Sub-6GHz 的环境分类结果，更新毫米波波束宽度（窄波束 / 宽波束切换）。

三、性能优化：AI 赋能与硬件协同策略

为进一步提升链路建立效率与稳健性，需结合 AI 技术与异构硬件架构进行优化，这也是高通等厂商的核心技术方向。

（一）AI 增强的空间信息复用

引入 AI 处理器实现空间信息的精准映射与预测，典型方案如骁龙 X75 的专用硬件张量加速器：

1. 跨频段映射模型：通过深度学习训练 Sub-6GHz 角度与毫米波角度的映射关系，输入特征包括 Sub-6GHz 的 DOA、延迟扩展、环境类型，输出毫米波最优波束索引，模型预测准确率可达 94%；

1. 移动轨迹预测：基于 Sub-6GHz 的历史位置信息（结合 GNSS），通过 LSTM 网络预测终端未来 100ms 的移动方向，提前生成毫米波候选波束集，使切换时延降低至 2ms；

1. 干扰抑制学习：通过 AI 识别 Sub-6GHz 的干扰信号（如 WiFi 6 信号），剔除受干扰的空间信息，避免毫米波波束误选。

（二）硬件异构协同设计

通过 Sub-6GHz 与毫米波的硬件融合降低交互延迟：

• 融合射频收发器：如高通 QTM565 毫米波天线模组，与 Sub-6GHz 射频单元共享本地振荡器，使跨频段信号同步误差小于 1ns，角度映射精度提升 30%；

• 天线阵列共址部署：终端侧将 Sub-6GHz 天线与毫米波天线集成在同一模组，减少空间位置偏差导致的角度估计误差（偏差可控制在 2° 以内）；

• 软件协议复用：复用 Sub-6GHz 的 RRC（无线资源控制）连接，无需重新建立毫米波信令链路，信令开销降低 60%。

四、工程实现与商用案例

该技术已在主流 5G 芯片与终端中规模化应用，典型案例如下：

（一）高通骁龙 X 系列调制解调器实践

• 骁龙 X70：全球首个集成 AI 处理器的基带芯片，通过 Sub-6GHz 的 AI 辅助波束管理，使毫米波覆盖范围扩展 15%，链路中断率降低 40%；

• 骁龙 X75：引入传感器辅助的毫米波管理，结合 Sub-6GHz 与 IMU（惯性测量单元）数据，在电梯、地铁等场景实现毫米波波束的预判切换，连接可靠性提升至 99.2%；

• 骁龙 X80：通过动态频谱分配 AI 模型，将 Sub-6GHz 的空间信息与毫米波的信道状态融合，使峰值下载速度达 10Gbps，在体育场等密集场景仍能保持 1Gbps 稳定速率。

（二）终端侧部署优化

iPhone 17 Pro Max 搭载的骁龙 X80 调制解调器，采用以下设计提升实用性：

1. 毫米波模块体积缩小 20%，与 Sub-6GHz 天线共址部署，角度映射误差降至 ±2°；

1. 基于 Sub-6GHz 的移动速度预测，动态调整毫米波扫描频率（静止时 500ms / 次，高速时 100ms / 次），功耗降低 10%；

1. 针对美国市场的毫米波频段（28GHz、39GHz）优化映射算法，链路建立时间缩短至 8ms。

（三）固定无线接入（FWA）场景应用

第三代高通固定无线接入平台将该技术用于家庭宽带部署：

• 通过 Sub-6GHz 的室外 CPE（客户前置设备）估计角度信息，引导室内毫米波 CPE 的波束对准；

• 结合 Sub-6GHz 的信道质量预测毫米波链路容量，提前为用户分配带宽资源；

• 实现毫米波与 Wi-Fi 7 的协同切换，当毫米波链路因遮挡中断时，通过 Sub-6GHz 的空间信息快速重建链路，中断时间小于 100ms。

五、挑战与未来方向

⛳️ 运行结果

🔗 参考文献

[1] 陈真,唐杰,杜晓宇,等.无人机辅助多用户毫米波MIMO系统的透镜波束预编码技术研究[J].电子与信息学报, 2022(044-003).

[2] 李晓辉,李欢洋,吕思婷,等.毫米波通感一体化中的混合波束赋形算法[J].系统工程与电子技术, 2023, 45(5):1512-1517.DOI:10.12305/j.issn.1001-506X.2023.05.28.

[3] 李中捷,熊吉源,高伟,等.基于GRU网络的毫米波波束跟踪和阻碍判断联合预测方案[J].重庆邮电大学学报:自然科学版, 2022, 34(6):9.DOI:10.3979/j.issn.1673-825X.202107020234.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇