[發明專利]一種分布式網絡無線射頻指標智能實時改進的方法及裝置

有效

• 申請號: 201010502450.2
• 申請日: 2010-10-11
• 公開（公告）號: CN102448103A
• 公開（公告）日: 2012-05-09
• 發明（設計）人: 唐肖劍;楊波靖
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: H04W24/10
• 分類號: H04W24/10;H04W52/18
• 代理公司: 北京元本知識產權代理事務所 11308
• 代理人: 秦力軍

技術領域

本發明涉及分布式網絡系統，尤其涉及分布式網絡中無線射頻指標的實時性準確性調整的方法及其裝置。

背景技術

由于分布式基站具有模塊化設計的特點，其具有接口標準化、選址方便、系統擴容升級方便的優點，符合新型移動網絡未來的發展趨勢。特別在TD-SCDMA系統(TD-SCDMA，Time?Division-Synchronous?Code?Division?Multiple?Access)中得到了普遍的應用。

在TD-SCDMA(TD-SCDMA，Time?Division-Synchronous?Code?Division?Multiple?Access)分布式組網場景下，如附圖一所示，組網由基帶池單元(BBU，Base?Band?Unit)，射頻拉遠單元(Radio?Remote?Unit)組成。兩者通過光纖或其他方式連接。其中基帶池單元主要處理TD-SDMA系統中載頻資源分配、無線鏈路建立、無線鏈路控制、上下行信號調制編解碼等功能，射頻拉遠單元主要將從基帶池單元發送的IQ調制型號通過上變頻，通過功放單元發射成為TD-SCDMA空中信號；檢測接收用戶信號，經由下變頻轉換為IQ調制信號送往基帶池單元處理

移動通信從信號轉換角度來看，依賴于基帶信號到射頻信號轉化及其逆過程。而無線射頻指標作為射頻信號的衡量標準，其決定了信號的質量、信號的覆蓋范圍等關鍵性能。

對于EVM(誤差向量幅度)這種可以通過準確的數學模型來描述的指標，通過改進基帶側調制、解調的信號處理方法，射頻側改進消峰處理、濾波器設計等手段可以得到比較好的控制，并且其效果是持久的，一般情況下不會隨時間和外界環境的變化而發生顯著的惡化。

而對于某些無線射頻指標而言，其數學模型往往是非線性的，且隨著外界環境的變化，時間的推移，可能發生比較顯著的變化。以輸出功率而言，為保證空口功率輸出的準確性。過去通常的做法是通過儀表測量手段，對某批次的功放進行參數測量，用線性擬合的方法近似的得到功放的增益曲線，然后將曲線以表格等類似的方式保存下來，基站在工作的時候則會調用相關的曲線，然后對輸出功率進行動態調整和補償。這種做法存在幾個缺點：

第一，由于增益曲線是對某批次功放的平均估計，因此其無法準確地反映個體功放的實際增益特性。

第二，由于以前的功控方法采取的是利用測量經驗值進行粗步調整，之后則在小范圍內微調的模型。而當功放本身的增益特性隨著時間推移，隨著外界環境的變化發生較大偏移的時候，這種方法無法做到動態調整，只能其依賴于先前已測量好的特性曲線。

因此，對于輸出功率這種很容易隨著外界環境、時間推移等發生隨機動態變化，從而引起其無線射頻指標的不穩定，不能保證空口功率輸出的準確性，影響分布式基站的信號調制，導致分布式基站很難對無線射頻指標做到實時調整。

發明內容

本發明的主要目的在于提供一種分布式網絡無線射頻指標智能實時改進的方法及裝置，其通過建立網元節點的功率模型，通過模型參數的調整來確定對網元節點的鏈路調整，從而實現無線射頻指標的實時調整。

根據本發明的一個方面，提供了一種分布式網絡無線射頻指標智能實時改進的方法，包括以下步驟：

A)數據分析單元接收帶射頻模塊的基站網元節點的輸入功率、輸出功率和鏈路增益，并根據所述輸入功率、輸出功率和鏈路增益建立所述基站網元節點的學習模型；

B)數據分析單元按照預先設置的輸入功率與輸出期望功率的對應關系得到所述輸入功率對應的輸出期望功率；

C)在學習模型中，按輸出期望功率與輸出功率的差值調節所述鏈路增益，直至學習模型的輸出功率與輸出期望功率的差值達到預定范圍，并將此時的鏈路增益確定為新鏈路增益；

D)所述數據分析單元將新鏈路增益發送給帶射頻模塊的基站網元節點，由其根據新鏈路增益調節基站網元節點的鏈路增益。

帶射頻模塊的基站網元節點為包括檢測單元、增益調節單元的射頻拉遠單元節點RRU，步驟A)具體為：

射頻拉遠單元節點通過檢測單元檢測收集輸入功率、輸出功率和鏈路增益，并發送給數據分析單元；

數據分析單元根據射頻拉遠單元節點輸入功率、輸出功率和鏈路增益，并建立所述射頻拉遠單元節點的學習模型，學習模型包括輸入層、中間層和輸出層。

帶射頻模塊的基站網元節點為包括檢測單元、增益調節單元的收集射頻拉遠單元節點RRU，步驟C)具體為：

若學習模型中輸出功率與期望功率的差值不在預定的范圍內；