针对传统入射及反弹射线跟踪算法(Shooting and Bouncing Ray tracing, SBR)中接收球半径通常难以准确确定导致信道仿真出现"射线泄露"或"射线重叠"的问题,提出了一种基于场景认知的改进方法.利用人工神经网络动态...针对传统入射及反弹射线跟踪算法(Shooting and Bouncing Ray tracing, SBR)中接收球半径通常难以准确确定导致信道仿真出现"射线泄露"或"射线重叠"的问题,提出了一种基于场景认知的改进方法.利用人工神经网络动态调整接收球半径,进而提升射线跟踪算法的信道仿真精度.针对收发端为大规模阵列天线时,SBR仿真时间较长的问题,提出了基于天线方向图的发射方法,用以提高使用大规模天线时的信道仿真效率.将改进的SBR信道仿真与基于传统SBR信道仿真和实测结果进行对比,结果表明:针对单天线,使用本文方法仿真获取的单天线路径损耗均方根误差为2.6 dB,误差小于传统的SBR信道仿真;针对大规模阵列天线仿真,使用本文方法进行接收功率单次仿真的平均时间比传统SBR仿真节省了97%.展开更多
文摘针对传统入射及反弹射线跟踪算法(Shooting and Bouncing Ray tracing, SBR)中接收球半径通常难以准确确定导致信道仿真出现"射线泄露"或"射线重叠"的问题,提出了一种基于场景认知的改进方法.利用人工神经网络动态调整接收球半径,进而提升射线跟踪算法的信道仿真精度.针对收发端为大规模阵列天线时,SBR仿真时间较长的问题,提出了基于天线方向图的发射方法,用以提高使用大规模天线时的信道仿真效率.将改进的SBR信道仿真与基于传统SBR信道仿真和实测结果进行对比,结果表明:针对单天线,使用本文方法仿真获取的单天线路径损耗均方根误差为2.6 dB,误差小于传统的SBR信道仿真;针对大规模阵列天线仿真,使用本文方法进行接收功率单次仿真的平均时间比传统SBR仿真节省了97%.