隨著MIMO技術的應用和發展,Massive MIMO技術作為5G移動通信的關鍵技術已經成為人們關注的焦點。由于網絡中部署了大量天線,網絡復雜度高,Massive MIMO系統的性能特征估計和分析需要考慮基站與用戶之間的空間傳輸特征以及用戶之間的干擾情況,而這些特性都隱藏在海量的網絡模型計算中,僅僅依靠傳統的系統仿真方法無法在實際網絡規劃中有效快速預測和評估網絡性能。所以,本文采用深度學習的方法對Massive MIMO信道特征和下行干擾水平兩個方面進行預測研究。同時本文采集了5G網絡真實場景中的宏基站覆蓋場景射線追蹤模型數據,然后將射線追蹤模型數據與3D MIMO信道模型融合,對信道空間特征和用戶空間特征進行分析,最后利用深度學習對信道特征和下行干擾預測研究。本文的主要研究內容包括:1.基于已有的射線追蹤數據,其中數據包括用戶和基站之間傳播射線的幾何位置以及每條射線的大尺度路損信息,與傳統3D MIMO信道模型的實現標準相融合,該融合信道模型是確定性模型和統計性模型相融合的新模型。2.根據新融合信道模型仿真得到信道矩陣和計算下行干擾水平,通過分析基站與用戶之間的空間特性和用戶之間特征...

【文章頁數】：62 頁

【學位級別】：碩士

【部分圖文】：

圖2-4經典的卷積神經網絡結構

第二章深度學習理論知識10LeNet-5模型，它是第一個成功應用于數字手寫識別問題的卷積神經網絡[44，45]。相比傳統的深度神經網絡，卷積神經網絡避免了對參數的過度依賴，能更好地學習高維數據。在網絡結構上，卷積神經網絡比傳統的深度神經網絡要復雜得多，其中最大的區別在于卷積神經網....

圖2-5卷積層的操作過程

安徽大學碩士學位論文11,,,llllijkijkkzxwb（2.10）圖2-5卷積層的操作過程2.3.2池化層池化是卷積神經網絡重要的概念，池化層一般往往加在卷積層之間，可以對輸入矩陣降維，即有效的縮小輸入矩陣的維度。例如一個44的輸入矩陣，有一個維度22的過濾器，通過過濾器可....

圖3-1單基站下用戶分布示意圖

安徽大學碩士學位論文15第三章基于射線追蹤的3DMIMO融合模型3.1基于射線追蹤的3DMIMO融合模型總體設計方案本文研究的傳播場景是宏基站室外傳播場景，以單基站為例，圖3-1展示了單基站下用戶分布示意圖。圖中星狀表示基站分布，點狀表示柵格級用戶分布，即柵格是5m5m的正方形，....

圖4-8卷積神經網絡結構

第四章基于深度學習的信道特征和下行干擾預測研究34征差異明顯，所以同一小區預測效果稍好于不同小區。表4-3DNN信道幅值預測性能結果樣本環境訓練樣本數預測樣本數平均相對誤差（%）平均絕對誤差（dB）相關系數同一小區5900010004.1405.4070.930不同小區75000....

本文編號：3996812