基于泊松簇过程的异构蜂窝网络基站部署方法与流程

本发明涉及网络基站部署技术领域，特别是指一种基于泊松簇过程的异构蜂窝网络基站部署方法。

背景技术：

近年来，半导体技术的快速发展使得电子设备迅速更新换代，各种智能终端大量的涌入了消费市场，促进了移动互联网技术的高速发展，同时也导致了用户对数据业务的需求日益增强，而移动互联网与云计算技术的飞速发展正是大数据时代到来的基础，指数级增长的数据量为无线通信带来了新的挑战。面对日益增长的数据业务量以及用户日益提高的服务需求，学术界与工业界纷纷开始了对5G相关技术的研究与探索。新型的异构网络组网结构以及小基站的部署自然也得到了学术界的广泛重视。

传统的对异构蜂窝网络的建模研究方法主要集中在六边形或四边形的网格模型当中，但这种模型是十分理想化的，现实中的基站分布不会是标准的六边形网格模型，这种模型只能得到覆盖概率的上界。

技术实现要素：

本发明要解决的技术问题是提供一种基于泊松簇过程的异构蜂窝网络基站部署方法，能够更加贴近实际通信场景的模型，可以更好地分析覆盖概率和吞吐量。

为解决上述技术问题，本发明的实施提供一种基于泊松簇过程的异构蜂窝网络基站部署方法，所述方法包括：

基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型；

利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型；

结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型；

通过仿真对比分析泊松簇过程与泊松点过程的覆盖概率的差异。

优选的，所述信干噪比模型的表达式为：

其中，表示位于位置z的用户有用接收功率，W表示加性高斯白噪声，表示用户受到的干扰；

所述干扰分布模型表达式为：

优选的，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：

当第i层的基站提供的实时SINR大于γ_i时，用户接入到第i层，所述γ_i为SINR阈值，γ_i>1。

优选的，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：

将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置x_i，并不限于原点；

基站的位置根据Neyman-Scott簇过程进行部署。

优选的，所述Neyman-Scott簇过程为泊松簇过程，所述Neyman-Scott簇过程包括父过程和子过程；

父过程形成簇的中心，子过程围绕父过程分布在簇中心的一定范围内；

子过程采用Matern簇过程，每一个子过程点均匀分布在以a为半径的圆内，其密度函数为：

其中，x是相对于簇中心的二维位置，||·||代表欧氏范数。

优选的，所述将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置x_i，并不限于原点，包括;

假设移动用户位置位于z，第i层的服务基站位于点x_i处，不限于原点;

基站的位置根据Neyman-Scott簇过程进行部署,包括：

第i层的Neyman-Scott簇过程基站密度为λ_i，发射功率为P_i，SINR阈值为γ_i，根据基于瞬时SINR的小区选择机制，假设γ_i>1，得到SINR模型。

优选的，所述利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型，包括：

对聚集干扰表达式做拉普拉斯变换，得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函；

对基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函进行简化，得到聚集干扰拉普拉斯变换的上界；

优选的，所述结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型，包括：

将所述聚集干扰拉普拉斯变换上界代入到覆盖概率模型中，得到的基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界。

优选的，所述聚集干扰拉普拉斯变换的上界为：

其中，B(x,y)是Beta函数，且

所述基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界为：

优选的，所述基于泊松簇过程的异构蜂窝网络基站部署方法应用于三层异构蜂窝网络，所述三层异构蜂窝网络由宏基站、微微基站和家庭基站构成。

本发明的上述技术方案的有益效果如下：

上述方案中，通过基于随机几何的异构蜂窝网络基站部署，相对于之前的研究成果，将泊松簇过程应用到了异构蜂窝网络基站建模，采用了基于瞬时SINR的小区选择机制，并且将服务基站的位置推广到了任意位置，更加贴近实际通信场景的模型，覆盖概率更大，可以更好地分析覆盖概率、吞吐量，对将来异构蜂窝网络的研究具有重要意义。

附图说明

图1为本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法流程图；

图2为本发明实施例的基于随机几何的三层异构蜂窝网络网络拓扑模型图；

图3为本发明实施例的宏基站与小基站混合随机部署的Voronoi网络拓扑模型图；

图4为本发明实施例的仿真分析泊松点过程与泊松簇过程基站部署覆盖概率的对比图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明的实施例一种基于泊松簇过程的异构蜂窝网络基站部署方法，所述方法包括：

步骤101：基于随机几何理论，根据假设的系统模型，采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导出SINR模型。

所述SINR模型的表达式可以为：

其中，表示位于位置z的用户有用接收功率，W表示加性高斯白噪声，表示用户受到的干扰；

步骤102：利用泊松簇过程的特性以及其概率生成函数对多层异构蜂窝网络的干扰模型进行分析推导，得到干扰分布模型。

所述干扰分布模型表达式可以为为：

步骤103：结合SINR模型与干扰分布模型，推导得到多层异构蜂窝网络覆盖概率模型。

步骤104：通过仿真对比分析泊松簇过程与泊松点过程的覆盖概率的差异。

如图2和3所示，本发明实施例的基于随机几何的三层异构蜂窝网络网络拓扑模型，三层基站分别为宏基站、微微基站与家庭基站，这三种基站均为开放接入的。相比之下宏基站的功率最大，为200W，微微基站和家庭基站分别为2W和0.2W。因此三种基站的覆盖范围也不同，本发明中微微基站与家庭基站均部署在宏基站的覆盖范围下，为宏基站的一些覆盖空洞或边缘地区提供覆盖。图3可以很好的反映泊松过程的随机性，首先在其中部署宏基站，每个宏基站完全随机且均有自己的覆盖范围，即每一个Voronoi的小方格，而小基站作为弥补覆盖空洞的基站，广泛的部署在宏基站的覆盖范围内。

本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，通过基于随机几何的异构蜂窝网络基站部署，相对于之前的研究成果，将泊松簇过程应用到了异构蜂窝网络基站建模，采用了基于瞬时SINR的小区选择机制，并且将服务基站的位置推广到了任意位置，更加贴近实际通信场景的模型，覆盖概率更大，可以更好地分析覆盖概率、吞吐量，对将来异构蜂窝网络的研究具有重要意义。

本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，所述采用瞬时SINR的小区选择机制作为用户的小区选择机制，基于泊松簇过程推导SINR模型，包括：

当第i层的基站提供的实时SINR大于γ_i时，用户接入到第i层，所述γ_i为SINR阈值，γ_i>1。

将泊松簇过程应用到异构蜂窝网络中，并将为用户提供服务的服务基站位置推广到任意位置x_i，并不限于原点；

其中，可以假设移动用户位置位于z，第i层的服务基站位于点x_i处，不限于原点。

基站的位置根据Neyman-Scott簇过程进行部署。

其中，所述Neyman-Scott簇过程为泊松簇过程，所述Neyman-Scott簇过程包括父过程和子过程；

父过程形成簇的中心，子过程围绕父过程分布在簇中心的一定范围内；

子过程采用Matern簇过程，每一个子过程点均匀分布在以a为半径的圆内，其密度函数为：

其中，x是相对于簇中心的二维位置，||·||代表欧氏范数。

具体的，第i层的Neyman-Scott簇过程基站密度为λ_i，发射功率为P_i，SINR阈值为γ_i，根据基于瞬时SINR的小区选择机制，假设γ_i>1，得到SINR模型。

步骤102，可以包括：

对聚集干扰表达式做拉普拉斯变换，得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函；

其中，除了第i层位于x_i处的基站功率为有用功率外，其他基站带来的均为干扰，对聚集干扰表达式做拉普拉斯变换，得到：

其中h～exp(1)，上式中的三层异构蜂窝网络聚集干扰可以分为两部分，第五个等式的第一部分表示服务基站所在层其它基站对用户产生的干扰，而第二部分为其他两层所有基站对用户产生的干扰。

因此，第一部分可以用Neyman-Scott簇过程的条件PGFL来表示，第二部分可以用Neyman-Scott簇过程的PGFL来表示，我们可以得到基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函可以表示为：

对基于Neyman-Scott簇过程的三层异构蜂窝网络干扰的拉普拉斯泛函进行简化，得到聚集干扰拉普拉斯变换的上界。

其中，可以看到上式的干扰拉普拉斯变换模型十分复杂，无法进一步推导，因此我们利用Jensen不等式即以及子过程密度函数对其进行简化，得到聚集干扰拉普拉斯变换的上界表达式为：

其中，B(x,y)是Beta函数，且

步骤103，可以包括：

将所述聚集干扰拉普拉斯变换上界代入到覆盖概率模型中，得到的基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界。

其中，因为覆盖概率即用户接收SINR大于阈值γ_i的概率，即整个网络SINR的互补累积分布函数，因此覆盖概率的表达式表示为：

其中，第三个等式根据γ_i>1给出，第四个等式根据Campbell-Mecke定理给出，第五个等式根据信道衰落系数h服从均值为1的瑞利衰落得到。

所述基于泊松簇过程三层异构蜂窝网络覆盖概率模型上界为：

本发明实施例的基于泊松簇过程的异构蜂窝网络基站部署方法，所述基于泊松簇过程的异构蜂窝网络基站部署方法应用于三层异构蜂窝网络，所述三层异构蜂窝网络由宏基站、微微基站和家庭基站构成。

为了比较本发明与基于泊松点过程的基站部署策略在系统性能上的不同，对一种特殊情况下的实例进行验证，即干扰受限系统当中，在此系统中，不需考虑热噪声，其对比图如图4所示。

在图4中，当SINR阈值相同时，无论基站密度是否变化，三层异构蜂窝网络泊松簇过程的覆盖概率要明显大于三层异构蜂窝网络泊松点过程的覆盖概率，这是因为泊松点过程是一种完全空域随机的分布，存在一些无法完全覆盖的边缘区域，而成簇的空域分布方式很好的弥补了完全空域随机的覆盖空洞，提高了覆盖概率，因此，本发明基于泊松簇过程的基站部署是一种更加贴近实际通信场景的部署策略，为未来对于异构蜂窝网络的研究提供了重要的参考意义。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。