【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

 ✅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。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 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 sectors​udn.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, dBi​udn.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。

🔗 参考文献

🎈 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

👇  私信完整代码和数据获取及论文数模仿真定制

1 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、 集装箱船配载优化、 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

2 机器学习和深度学习方面

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

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

2.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

3 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

4 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

5 无线传感器定位及布局方面

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

6 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

7 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

8 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

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合