王绍江，张 波，柯雅珠（中兴通讯股份有限公司，广东 深圳 518000）
本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：对移动通信系统更高的速率和容量需求催生了毫米波在移动通信领域的应用。5G移动通信毫米波系统中的关键技术是波束赋形，利用不同的波束赋形权值可以调整小区的覆盖。选择合适的波束权值可以让小区覆盖更合理，从而使系统整体的吞吐量表现更好。介绍了移动通信领域毫米波系统的基本原理，以及如何用机器学习的方法来改进毫米波的波束管理。
关键词：毫米波；波束赋形；机器学习
doi：10.12045/j.issn.1007-3043.2018.11.002
引言
在无线通信领域，频段和带宽是影响无线传输的主要因素，通常低频段传输可以提供更好的覆盖，大带宽传输可以提供更高的传输速率。5G之前的移动通信系统对带宽的要求不是特别高，所以都采用低频段传输。随着移动通信的飞速发展，对无线传输速率的要求持续增长，迫切需要更大的传输带宽，毫米波频段拥有丰富的未被使用频段，成为5G移动通信技术的一个重要方面，为移动通信系统达到Gbit/s的速率提供了保障。
根根据3GPP TS38.101协议中的规定，5G NR可以使用FR2频段，FR2频段的频率范围是24.25~52.6GHz，即移动通信领域通常所说的毫米波（严格来说，毫米波传输是指30~300GHz的频段）。毫米波的引入对波束赋形有了新的要求。
1、毫米波的波束赋形原理
高频毫米波NR的波束赋形技术和传统的LTE或者5G低频（低于6GHz）采用数字波束赋形不同，高频NR采用数字+模拟的方式实现波束赋形。天线的间隔需要考虑波长，因为毫米波的波长较短，所以在有限的空间内可以配置较多的天线，实现大规模MIMO系统。在常规的数字波束赋形系统中，由DAC等模块组成的RF链路的数量和天线数量相同。但是，当天线数量很大的时候，采用和天线相同数量的RF链路成本太高，因此必须限制RF链路的数量。解决方案就是采用数字+模拟的混合波束赋形方式。
高频毫米波的天线结构和波束赋形如图1所示。
.png)
图1毫米波发射系统的结构和波束赋形示意图
数据流通过数字权值加权后映射到不同的天线子阵上，每个天线子阵由m1×m2个天线阵子组成，每个阵子乘以1个模拟权值向量（AWV——Antenna Weight Vector）后进行迭代处理，形成一个符合期望指向和宽度的波束，即每个天线阵子分别根据一个m1×m2个模拟权值向量构成的模拟权值码本形成一个波束将数据发送出去。
由发送SSB信号的多个波束的覆盖组合形成小区完整的覆盖范围，即图1中由N个广播波束覆盖的范围为该小区的覆盖范围。N个波束由N个m1×m2的权值码本（Code Book）形成，即一个小区由针对广播信道的N个模拟码本（Analog Code Book）形成完整的小区覆盖，通过修改这N个模拟码本，就可以满足不同的覆盖要求。
在毫米波组网方面，考虑毫米波波长太短，传输特性受环境影响非常大。空气、玻璃、建筑、降雨等都会对毫米波的传播带来致命影响。所以毫米波通常应用于视野较好、无明显遮挡物的场景，如室内场景（包括体育馆场景）、街道等室外空旷区域场景。
2.1 街道部署场景
街道上用户分布较为明确，在这种场景下，每个基站覆盖用户数较多的街道方向即可。
2.2 体育馆场景
典型的体育馆中视野较好，没有明显的遮挡物，适合部署毫米波基站。比如在举办足球赛事的时候， 用户分布在体育馆看台上，而体育馆的中心场地基本 无用户分布。此时，毫米波基站期望的覆盖范围集中 在四周的看台上，如图2所示。
图2 足球比赛时期望的体育馆场景覆盖示意图
但是，同一个场馆，也会举办演唱会等其他活动，此时需要的覆盖区域包括了部分看台和场地中央区域，如图3所示。
图3 演唱会时期望的体育馆场景覆盖示意图
综上所述，体育馆场景有如下特点：
a）毫米波基站可以分布在体育馆场景的四周，由多个基站完成对体育馆的完整覆盖。
b）用户分布随场馆举行的不同活动而变化，不同的用户分布对毫米波基站有不同的覆盖要求。
3、毫米波的波束管理
毫米波基站采用较宽的波束发送SSB信道和系统消息，而针对某个UE的业务传输采用较窄的波束，不同的波束设计和管理思路如下。
3.1 宽波束
毫米波基站采用宽波束轮流发送的方式传输系统消息，同时提供小区的参考信号（SSB），也就是说小区的多个宽波束提供的覆盖范围代表了小区的覆盖范围。毫米波UE侧也有多个接收波束，采用波束轮流接收的方式选择合适的波束，具体如图4所示。
图4 宽波束轮询过程
宽波束的设计有多种方式，其中比较典型的是水平方向N个波束，垂直方向1个波束。如在N=8的场景下波束信息如表1所示。
8个Beam分别采用1个模拟码本各自赋形，合起来构成了小区的一种覆盖场景，如果要满足不同的覆盖场景，则每个覆盖场景都需要1套由N=8个码本组合而成的码本组。
假如一个小区有M个可能的覆盖场景，就需要M个由N个码本构成的码本组。每个码本组合用一个index来表示，则一个码本组合index可以对应一个覆盖场。
3.2 窄波束
UE级别的传输更希望采用较窄的波束，这样同一个波束服务的用户更少，用户实际可用的时频资源更多。小区可用的窄波束数目比宽波束多，UE需要选择合适的波束进行传输。
UE选择波束的过程分成3个阶段，如图5所示。
图5 UE波束选择过程
P1阶段：基站侧Tx波束和UE侧Rx波束分别进行 波束扫描。
P2阶段：UE侧Rx波束不变，基站侧Tx波束扫描。
P3阶段：基站侧Tx波束扫描，UE侧Rx波束扫描。
4、智能宽波束权值选择和调整
本文主要研究的是体现小区覆盖的广播波束的权值选择和调整。
智能波束管理主要目的是使小区覆盖更多的用户，使毫米波基站服务更多的用户，让更多用户享受毫米波基站的高速率传输。当多个毫米波基站组成一个网络共同提供覆盖时，只有选择多个小区协同最优的权值组合（单小区覆盖是其中一个特殊情况），才能使多小区的综合覆盖和吞吐量达到最优。
4.1 多小区最优宽波束权值搜索算法
4.1.1 算法原理
如果一个小区提供了M套码本组合（即M个覆盖场景），P个小区就有MP个权值码本组合，在MP较大时，遍历每个码本组合是不现实的。为尽快搜索到最优权值组合，可以采用机器学习的算法来搜索，常用的算法有遗传算法（GA——Genetic Algorithm）、粒子群算法（PSO——Particle Swarm Optimization）、蚁群算法（ACO——Ant Colony Optimization）等，这3种算法的基本原理如下。
4.1.1.1 遗传算法
基本思想：通过对个体的选择、染色体的交换和 变异操作，经过若干代后，在所有后代中找到最优解。
基本概念：
a）基因：一个小区的码本组合中的一个码本。
b）染色体：一个小区的N个权值码本。
c）个体：对应一个覆盖场景的P个小区的码本组合。
d）种群：多个个体构成一个种群。初始种群可以包括基于历史经验获取的个体和随机产生的个体。
4.1.1.2 粒子群算法
基本思想：采用“群体”和“进化”的概念，通过个 体间的协作与竞争，实现复杂空间中最优解的搜索。
基本概念：
a）粒子：P维搜索空间中的一个解，相当于遗传算法中的个体。每个粒子都向最优解方向运动，即粒子的运动速度和方向由当前的最优解决定。
b）粒子群：可以选择m个粒子同时在搜索空间中分别运动生成各自的运动轨迹。m个粒子分别向最优的值附近找目标，m个粒子就是粒子群。粒子群的数目大小影响搜索的效果。
4.1.1.3 蚁群算法
基本思路：模拟蚂蚁寻找食物的过程，它能够求 出从原点出发，经过若干个给定的城市，根据蚁群留 下的信息素寻找到达到食物源的最短路径，即最优 解。
基本概念：
a）蚂蚁：搜索最优值的一个进程。
b）蚁群：可以设置m个蚂蚁独立进行搜索，m个蚂蚁称为蚁群。
c）城市：蚂蚁搜索路径经过的节点。在本例中，每个蚂蚁经过的城市数为P，每个城市代表1个小区所采用的权值组合。
d）初始城市：每个蚂蚁的初始所在位置。本例中即为某个小区初始选择的一个权值组合。
e）信息素：蚂蚁在寻找食物源的时候，能在其走过的路径上释放一种叫信息素的激素，使一定范围内的其他蚂蚁能够察觉到。当一些路径上通过的蚂蚁越来越多时，信息素也就越来越多，蚂蚁们选择这条路径的概率也就越高，这样这条路径上的信息素会进一步增多，蚂蚁走这条路的概率也增加，不断循环。另外，还需要考虑信息素会随着时间而挥发的特点。本例中，信息素由适应度值来确定，适应度越高的权值组合所留下的信息素越多。
上述3个寻优算法中涉及到的适应度需要综合考虑小区的覆盖情况和小区总的吞吐量来确定。小区的覆盖情况可根据用户的分布来学习，保证尽可能多地覆盖用户，将用户的丢失率限制在一定水平以下。在确定用户分布后，可根据每个用户所在位置计算出在指定权值组合下接收到的各小区的信号强度，评估用户是否会丢失。同时基于服务小区信号强度和邻区干扰信号强度来计算每个用户的理论吞吐量，进而得到小区总吞吐量。
4.1.2 算法仿真
在小区数为4，UE数为416的场景下对比上述3种最优权值组合的搜索方法以及遍历法，结果如表2所示。
表2 仿真结果
权值组合通过index表示，如“17，5，3，8”，小区1采用index=17码本组合，小区2采用index=5码本组合，小区3采用index=3码本组合，小区4采用index=8码本组合；搜索时间和运行环境、代码效率有关，主要看相对大小关系，绝对值参考意义不大。
从仿真结果可以看出：
a）GA、PSO、ACO在一定的配置情况下，均可以找到较为合理的局部最优权值，使总吞吐量达到使用参考权值时的2~3倍，相对于使用遍历法找到的全局最优权值组合没有明显差距。
b）GA、PSO、ACO在一定的配置情况下，均可以快速找到局部最优权值。
综上，3种权值搜索方法均可采用，均能大幅提高搜索最优值的效率。4.2不同场景下的宽波束权值的智能选择和调整4.2.1街道场景的广播波束权值的智能选择街道场景下用户分布特点基本不变，所以主要是在新建基站的时候选择合适的权值，使部署在街道上的毫米波小区的覆盖和吞吐量达到综合最优。可以采用4.1.1节中的描述的权值搜索方法搜索最优权值组合，初始选择好权值后，基本可以保持不变。具体包括以下步骤。
Step1：在参考权值的基础上学习出用户的分布。 参考权值的特点是使小区的覆盖最大化，从而检测到尽可能多的用户。用户的分布模型是通过不同小区 的DoA（DirectofAngle）和RSRP信息学习得到。
Step2：根据UE在参考权值组合下针对不同小区测量得到的DoA和RSRP信息，结合小区采用不同权值时相对于采用参考权值时UE在不同DoA情况下的功率增益，计算出采用指定权值组合时UE的RSRP信息（DoA信息不变）。
Step3：采用4.1.1节中的权值组合搜索方法和下述评价目标函数（在UE丢失率低于一定水平的条件下，使优化区域的吞吐量最大），找出一套最优的权值组合。
4.2.2 体育馆场景的广播波束权值的智能调整
体育馆场景中不同的赛事、演唱会都可能导致用户的分布发生改变，所以需要根据业务分布对权值进行动态调整。体育馆场景的广播波束权值的动态调整过程如图6所示。
图6 宽波束权值选择流程图
在确定用户分布特征后，如果在权值信息库中能够找到一个场景和当前场景具有相同的用户分布特征，并且这个场景下曾经优化过权值组合，并且优化过的权值具有较高的可信度，那么可以跳过学习过程，直接使用权值信息库中所对应的权值组合。否则，按新的用户场景对待，此时采用4.2.1节中确定权值的方法来确定权值。
用户分布特征体现了用户在指定覆盖区域内的分布情况，可根据用户针对不同小区的DoA信息来确定。对于一个新的场景，需要使用GA（或者PSO/ACO）算法来选择一组最优的权值组合，经过实际运行后评估运行效果，在指标满足需求的条件下将这套权值信息放入权值信息库中。在后续使用过程中需更 新运行结果。
5、结束语
毫米波作为通常用于未来5G移动通信系统的重要组成部分，可对热点区域进行覆盖以增加容量。多个波束覆盖一个毫米波小区，通过调整毫米波小区的每个波束的赋形权值可以调整小区覆盖。在多个毫米波小区共同提供一片区域的覆盖的时候，需要协调每个小区的波束以达到覆盖和容量的最优。
参考文献：
［1］ ROHW，SEOLJY，PARKJ，etal.Millimeter-wavebeamformingas anenablingtechnologyfor5Gcellularcommunications：theoretical feasibility and prototype results［J］ . Communications Magazine IEEE，2014，52（2）：106-113.
［2］ ALKHATEEBA，MOJ，GONZALEZ-PRELCICN，etal.MIMOPre? coding and Combining Solutions for Millimeter-Wave Systems［J］ . IEEECommunicationsMagazine，2014，52（12）：122-131.
［3］ TSANGYM，POONASY，ADDEPALLIS.CodingtheBeams：Im? proving Beamforming Training in mmWave Communication System ［C］//GlobalTelecommunicationsConference.IEEE，2012： 1-6.
［4］ Physicalchannelsandmodulation： 3GPPTS38.211［S/OL］ . ［201808-11］ .ftp： //3gpp.org/Specs/.
［5］ Multiplexingandchannelcoding： 3GPPTS38.212［S/OL］ .［201808-11］ .ftp： //3gpp.org/Specs/.
［6］ Physical layer procedures for control：3GPP TS 38.213［S/OL］ . ［2018-08-11］ .ftp： //3gpp.org/Specs/.
［7］ Physicallayerproceduresfordata： 3GPPTS38.214［S/OL］ .［201808-11］ .ftp： //3gpp.org/Specs/.
［8］ UserEquipment（UE）radiotransmissionandreceptionTS38.101［S/ OL］ . ［2018-08-11］ .ftp： //3gpp.org/Specs/.
［9］ KENNEDY J，EBERHART R. Particle swarm optimization［C］ // IEEE International Conference on Neural Networks，1995：19421948.
［10］李士勇，陈永强，李研.蚁群算法及其应用［M］ .哈尔滨：哈尔滨工 业大学出版社，2004.
［11］吴庆洪，张纪会，徐心和.具有变异特征的蚁群算法［J］ .计算机研 究与发展，1999，36（10）：1240-1245.
［12］金希东.遗传算法及其应用［D］ .成都：西南交通大学，1996. ［13］周明，孙树栋.遗传算法原理及应用［M］ .北京：国防工业出版社， 1999.
作者简介：
王绍江，毕业于南京理工大学，硕士，主要从事无线通信的算法设计工作；
张波，毕业于上海交通大学，硕士，主要从事无线通信的算法设计工作；
柯雅珠，毕业于天津大学，硕士，主要从事无线通信的算法设计工作。 
