射线跟踪（精选4篇）
射线跟踪 篇1
0 引言
相比于传统的统计模型,基于多径电磁计算的射线跟踪(Ray Tracing,RT)信道模型作为一种最常见的确定性模型,能够较准确地预测城市微小区以及室内场景的场强覆盖[1,2]。然而,射线跟踪算法精度严重依赖于算法所需的预设参数。参数校正方法旨在求取适用于特定场景的最佳参数集,从而提高RT预测精度。
在地球物理学和遥感领域,有一类利用雷达回波求取介质电磁参数的方法称作反演。由于雷达回波无法显示地表示为参数的函数,故常采用智能搜索算法来反演参数。反演方法有很多种,包括梯度法、牛顿法、蒙特卡洛法、遗传算法、模拟退火(Simulated Annealing,SA)算法等。文献[3]提出了一种搜索步长自适应的模拟退火反演方法,相较于传统模拟退火具有较高的搜索效率;文献[4]提出一种模拟退火与遗传算法相结合的混合算法,能够在保证全局搜索能力的前提下进一步提高局部搜索能力。
RT参数校正与地球物理学的参数反演问题在数学上具有一致性,归根结底都是一种对多元目标函数的迭代最优化方法,其正向映射关系f一般多为隐式的或较复杂,难以用解析方法直接求解。因此借助较成熟的反演及其改进方法解决RT参数校正问题是可行的。文献[5,6]虽然给出了利用模拟退火算法对室内射线跟踪算法进行参数校正的实例,但并未对搜索算法本身做出改进。此处采用了一种改进的模拟退火方法作为RT参数校正方法,既能够有效避免陷入局部最小值点,又能尽量减少正演算法y=f(X)的迭代次数,提高了算法效率。
1 射线跟踪预测模型概述
作为确定性信道模型的一种,RT模型需要对特定场景进行建模,并利用射线的发射与接收对收发天线进行仿真,以及利用追踪几何路径的方法来模拟电磁波在空间的传播。关于电磁场的计算,主要是根据自由空间传播损耗公式、反射定律、一致绕射理论(UTD)等计算得出接收点的场强或时延、到达角等多径信息[1,2,7]。RT需事先设定材料电磁参数、天线参数或其他一些待定参数。确定参数后,要利用设定好的精度准则对参数进行校正以得到最适用于当前场景的RT参数[8]。
2 模拟退火算法概述
作为最优化方法,模拟退火算法具备较好的全局寻优能力,在组合优化问题和连续空间优化问题上应用广泛。设目标函数为y=f(X),X={x1,x2,x3,…}为参数集,令目标函数表示样本接收点上的实测值与RT预测值的均方误差,则目标函数表达式为:
Ci和Mi分别表示在第i个接收点处的场强计算值和场强实测值。若Xopt表示待求解的最优参数,则Xopt满足f(Xopt)=minf(X)。理想状态下,以Mi表示的实测值可以认为是在真实的参数集Xreal作用下的第i个接收点的真实场强,则有Xopt→Xreal;但实际情况要考虑到设备精度、场景模型精度、噪声等因素,真实参数集Xreal不可测,因此所求的Xopt是对Xreal的似然估计,有时称Xopt为“等效参数”。用模拟退火实现的反演过程实际上是迭代过程,总体上看,迭代总是朝着使目标函数减小的方向进行,但也允许以一定概率接受“较差”的参数集,从而具备一定的跳脱局部极值点的能力。跳变点接收概率用Metroplise准则描述:
算法通过内部最大迭代次数n和外部温度T控制迭代的进行,通过Metroplise准则判断决定迭代是否被接受,文献[5]给出了较为详尽的算法流程。
3 参数校正算法实例
为了验证参数校正算法的可行性,本节将以某室内场景为例,根据该场景实测数据[9],利用改进的模拟退火算法进行参数校正。天线发射2.5GHz窄带信号,采用软件无线电USRP设备在室内一条接收路径上(y=1.8m;x=2.8~10.3m;z=1.5m)进行了实测[9]。场景模型示意图如图1所示。
3.1 参数集的选取
校正参数前,首先需确定参数集,即找出对场强预测结果影响较大的参数。此处采用的RT算法为自主编写射线管射线跟踪方法(C#语言实现),接收球半径作为一个重要参数,用来调整接收点接收路径数量。在电磁参数方面,相关文献通过详实地研究,发现介电常数的影响远高于另外两个———磁导率和电导率[10,11,12]。因此,此处用于校正的参数为:接收球半径R、墙面介电常数ε1、地面介电常数ε2。
3.2 搜索策略
模拟退火算法针对不同的参数应设定不同的搜索范围,搜索范围又称“扰动区间”。若区间过小,则可能忽略全局最优点,导致结果不是最优;若区间过大,则由于迭代次数过多导致收敛速度变慢或降低优化精度。因此这里采用自适应调整搜索步长[3],当“跳跃”没有被接受的次数较多时,扩大“扰动区间”以方便全局搜索。对第i个参数,扰动区间用ξi表示,则采用以下方式设定区间大小:
式中,δi表示扰动区间初始范围阈值,n为内部循环总次数,na为内部循环“跳变”没有被接受的总次数,5.0为多次试验得到的经验常数。对于本例的三个参数,初始搜索区间分别为R:0.01m~0.1m;ε1、ε2:1~15。
3.3 参数校正结果及分析
针对室内场景,初始解根据经验值设定。完整的参数校正过程较耗时,共用时4h22min(调用420次射线跟踪计算,降温28次,内部循环15次)。与固定步长相比,采用自适应搜索步长的策略,在初始区间足够宽裕时,可以有效缩小搜索区间,从而在一定程度上提高搜索精度。若采用枚举法令参数+/-固定常数以遍历参数,例如R以+0.0025从0.01递增至0.1,ε1、ε2以+1从3递增至15,则共需调用18×13×13=3042次RT计算模块,运算过于耗时且搜索精度不及SA算法。参数校正结果如表1所示。
4 结束语
本文借鉴了地球物理学中较为成熟的参数反演思想,采用了自适应搜索步长的模拟退火算法作为射线跟踪的参数校正方法。通过一个室内场景实例,对2.5GHz窄带信号进行实测和仿真,根据某一路径上的少量实测数值反推出3D射线跟踪的最优参数,成功地实现了参数校正过程,且校正后的预测结果能较好地与测量值吻合。
参考文献
[1]Iskander M F,Yun Z.Propagation Prediction Models for Wireless Communication Systems[J].IEEE Transactions on Microwave Theory and Techniques,2002,50(3):662-673.
[2]Phillips C,Sicker D,Grunwald D.A Survey of Wireless Path Loss Prediction and Coverage Mapping Methods[J].IEEE Commnications Serveys&Tutorials,2013,15(1):255-270.
[3]张宇,张晓娟,方广有.大尺度分层介质电特性参数的反演方法研究[J].物理学报,2013,62(4):1-5.
[4]宋欢,胡耀垓,赵正予,等.基于混合遗传算法的斜测电离图参数反演[J].地球物理学报,2014,57(3):703-714.
[5]Priebe S,Jacob M,Kürner T.Calibrated Broadband Ray Tracing for the Simulation of Wave Propagation in mm and Sub-mm Wave Indoor Communication Channels[C].European Wireless 2012,Poznan,Poland,2012:1-10.
[6]Priebe S,Kannicht M,Jacob M,et al.Ultra Broadband Indoor Channel Measurements and Calibrated Ray Tracing Propagation Modeling at THz Frequencies[J].Journal of Communications and Networks,2013,15(6):547-558.
[7]Yun Z,Zhang Z,Iskander M F.A Ray-Tracing Method Based on the Triangular Grid Approach and Application to Propagation Prediction in Urban Environments[J].IEEE Transactions on Antennas and Propagation,2002,50(5):750-758.
[8]Seidel S Y,Rappaport T S.Site-Specific Propagation Prediction for Wireless In-Building Personal Communication System Design[J].IEEE Transactions on Vehicular Technology,1994,43(4):879-891.
[9]武博强,杨晋生,刘敬浩,等.基于USRP平台的无线信道测量设计与实现[J].电子测量技术,2014,37(2):120-123.
[10]Athanasiadou G E,Nix A R.Investigation into the Sensitivity of the Power Predictions of a Microcellular Ray Tracing Propagation Model[J].IEEE Transactions on Vehicular Technology,2000,49(4):1140-1151.
[11]Rizk K,Wagen F,Gardiol F.Influence of Database Accuracy on Two-Dimensional Ray-Tracing-Based Predictions in Urban Microcells[J].IEEE Transactions on Vehicular Technology,2000,49(2):631-642.
[12]Yu M,Ma X,Zhou M.Radio Channel Allocations With Global Optimality and Bounded Computational Scale[J].IEEE Transactions on Vehicular Technology,2014,63(9):4670-4680.
射线跟踪 篇2
众所周知,较为常见的场强预测的传统信道模型有两大类:经验模型和确定性模型[1]。经验模型大多利用一些“通用场景”的“特定表述方式”,即对电波的自由空间传播损耗公式作补充或修正———场景的通用性是指场景地理位置不受限,能涵盖一类地区或地形;表述方式的特定性是指场景信息的表达式种类繁多,因不同场景特征而异,例如天线高度,障碍物类型、数量、厚度等都是影响表达式的参数。而确定性模型,如射线跟踪(Ray Tracing,RT),利用“特定场景”的“通用表述方式”来预测场强———场景的特定性是指场景仅限于某个场景,要求已获得其几何模型;表述方式的通用性是指不管场景如何,统一将场景信息量化为矩形、三角形等几何元素,然后将来自于发射源的电波用带矢量场(场强)的射线(传播方向)表示,经过直射反射绕射,在接收端叠加各多径分量的场强求得总场强。与此类似,利用人工神经网络(Artificial Neural Network,ANN)进行场强预测也要提取场景信息,只不过这些信息是以神经网络输入参数的形式来表达的。应当看到,不同的场强预测模型所用方法可能不同,但是场强预测模型共同追求的关键点是一致的———尽量精确地提取和利用重要场景信息。对于大多数情形,射线跟踪计算对于特定场景,能够得到较准的预测结果,但需要较为精确的场景数据库并具有较高的时间复杂度;而在场景不确定或场景数据库不精确时,利用天线、障碍物等特定参数的经验模型能够快速获得一定精度的预测值。
因此这里提出一种折中的场景信息提取方法,既能保留射线跟踪的优势———场景信息的通用表达形式,又能一定程度保留经验模型的优势———不需要很精确的场景数据库。此处将场景信息提取方法称作主路径法,即利用简单快速的射线跟踪,获取特定场景的主路径信息。利用部分主路径信息和测量值训练得到ANN,再利用ANN和待估点的主路径信息可以快速准确地获得预测场强值。此模型属于RT-ANN混合预测模型。
1 场强预测方法
1.1 射线跟踪方法
作为确定性信道模型的一种,射线跟踪模型能够高效准确地对特定场景的电波传播情况进行预测。Ray Tracing(RT)是根据几何光学理论和几何绕射理论,对电波的传播路径进行跟踪,找出发射天线和接收天线间的所有可能的传播路径,然后根据电磁理论对相关参数进行计算,得到接收端的场强值。文献[1]介绍了射线跟踪信道建模的几种方法。RT被广泛应用于微小区与微微小区等区域的电波传播的预测。
射线跟踪的预测精度主要取决于场景数据库的精度,数据库应包含物体精确的几何参数和电磁特性参数,而有些情况下建立这样一个精确的数据库是十分困难的,对场景进行简化又必然会造成预测精度的降低。当场景的结构复杂、物体数量较大时,射线跟踪的计算量也较大。
1.2 利用神经网络预测场强
人工神经网络具有强大的学习能力,通过训练,能够从大量的离散样本中提取出输入矢量与输出矢量之间的非线性关系,并且将这种关系表示为网络中连接权值的大小,从而建立起比较精确的场强预测模型。
人工神经网络包含一系列相互连接的基本单元,称作神经元或节点。表达式(1)给出了ANN基本的逻辑结构。各节点i通过转移函数fi连接起来,可以用有向图表示。Yi是节点i的输出,xj是节点的第j个输入,wij是节点i和j的连接权重,θi是节点的偏移量。转移函数fi通常是非线性函数,比如Heaviside、Sigmoid或高斯函数[2,3]。
文献[4]介绍了一种室外微小区场强预测方法,从2D场景数据库提取必要的地形信息作为输入训练神经网络,用测量数据验证模型。文献[5]提出一种室外混合预测模型,将经验模型与ANN模型相结合,分别考虑收发端视距(LOS)和非视距(NLOS)情形,用于不同的地形类型,如城市或郊区。文献[6]介绍一种室内预测方法,比较了多种类型ANN用于场强预测的效果。文献[7]提出另外一种室外预测方法,采用机器学习方法对不同地形分类,自动提取必要的场景信息训练ANN。
1.3 RT-ANN混合场强预测模型
利用射线跟踪和神经网络相结合的方法,可以补偿射线跟踪计算量大的缺点,而且不损失甚至提高预测精度。文献[8]使用了混合差分预测模型,利用粗略场景模型和少量的精确预测值来训练多层感知机神经网络,从而能够花费较小的运算复杂度达到精确的场强预测效果。
2 主路径RT-ANN混合预测模型
主路径信息的提取和模型结构设计是这里所提混合模型的两个关键。
2.1 快速RT计算主路径
关于主路径的计算,文献[9,10]给出了不同的定义和提取方法,并结合神经网络进行了场强预测。两者都是利用简单的二维室内场景图,找出发射点和接收点之间的主路径,作为ANN的输入参数。
文献[9]将平面场景网格化,并用均匀网格的中心代替各网格区域,由于相邻中心点排布规则,所以只需方向序列表达从接收点到发射点的主路径。文献[10]则是对射线路径按类型简化,即所有反射路径用一条反射主路径表达,所有绕射路径用一条绕射主路径表达,所有透射路径用一条透射主路径表达。
而本文则采取了更为接近真实场景的射线跟踪主路径提取方法。利用三角化射线跟踪程序,对三维室内特定场景进行简化的射线跟踪运算,将源点与场点间的直射路径和一次反射路径作为主路径。
2.2 混合预测模型方法流程
利用混合模型预测场强的整个流程大体分为三个阶段:准备阶段、训练阶段和预测阶段。其中最关键也是最耗时的是准备阶段。这一阶段的工作决定了样本的数量,样本越多,越分散,预测效果就越好。大体流程如图1所示。
对于室内场景,利用RT-ANN混合模型,采用差分形式,即利用神经网络对预测误差进行预测。某接收点的预测误差ΔV定义为最终预测值与该点主路径场强值(RT)之差。
在训练阶段,利用选取的样本点(训练集)对神经网络训练时,采用实测值与主路径计算值之差作为预测误差,与主路径信息(输入参数)共同训练神经网络,如图2所示。实际情况是,训练集须选在那些有实测数值的接收点上,而测量地点的选取受到客观因素限制。因此,训练集往往不能覆盖全部区域,且数量较少。如何利用少量训练集得到尽可能准确的预测效果是值得深入研究和改进的。
在预测阶段,利用神经网络预测所得到的预测误差与主路径RT值之和,即是最终的预测值,如图3所示。
3 应用实例
室内场景实例如图4所示。发射机位置固定,如图所示为T,接收路径为室内的一条直线,如图所示为从r1点开始到r2点结束,接收点均匀排布,接收点最小间隔为0.1m。利用测量设备,已经得出接收路径上各个点的场强实测值,并且经过去噪处理和滑动窗口平滑处理。
路径信息(RBF输入参数):接收机位置为接收机距离发射机的距离Location;主路径射线跟踪预测场强为RT。用Location和RT作为ANN输入参数。
研究对象:某直线接收路径上等间隔接收点,接收间隔0.1m。
测试集:研究对象(即路径上全部接收点)的主路径信息以及实测值。
训练集:研究对象的等间隔部分选取,包括1/5训练集、1/4训练集、1/3训练集(如图5所示)、1/2训练集(例如:“1/3训练集”表示在路径上全部接收点中按顺序每3个选1个作为训练集)。
选取不同的训练集,利用MATLAB的rbf工具包多次仿真,得出结果如表1所示。
总体来看,实例表明RT-ANN混合差分预测模型能够获取较精准的预测结果(在测试集中,预测值与测量值的均方误差很小)。与单纯使用RT方法计算相比,混合预测模型不仅降低运算复杂度,还能对预测精度稍微改善。
考虑训练集对预测结果的影响,可以看出,训练集越大(选取的样本越密),预测结果越接近实测值。
4 结束语
本文提出一种基于主路径的快速射线跟踪和神经网络的混合模型,能够快速准确地对室内场景区域进行场强预测。由于所用的RT算法只求取主路径信息,因此与一般的RT相比,运行速度很快。再结合部分实测值,利用RBF神经网络可以得到更为精确的预测场强值。
参考文献
[1]Iskander M F,Yun Z.Propagation Prediction Models for Wireless Communication Systems[J].IEEE Transactions on Microwave Theory and Techniques,2002,50(3):662-673.
[2]YAO X.Evolving Artificial Neural Networks[J].Proceedings of the IEEE,1999,87(9):1423-1447.
[3]Basheer I A,Hajmeer M.Artificial neural networks-fundamentals computing design and application[J].Journal of Microbiological Methods,2000,43:3-31.
[4]Neskovic A,Neskovic N,Paunovic D.ANN Microcell Electric Field Level Prediction Model[C]∥International Conference on Trends in Communications(EUROCON'2001),Bratislava,Slovakia,2001:128-131.
[5]Popescu I,Nikitopoulos D,Constantinou P,et al.ANN Prediction Models for Outdoor Environment[C]∥The 17th Annual IEEE International Symposium on Personal,Indoor and Mobile Radio Communications(PIMRC'06),Helsinki,2006:1-5.
[6]Vilovic I,Burum N,ipuZ.A Comparison of Neural Network Models for Indoor Field Strength Prediction[C]∥49th International Symposium ELMAR-2007,Zadar:IEEE,2007:251-254.
[7]Neunerdt M,Engels A,Mathar R.Land Use Classification as a Key Component for Path Loss Prediction in Rural Areas[C]∥The 7th International Symposium on Wireless Communication Systems(ISWCS),York:IEEE,2010:666-670.
[8]Chen W,Lin Y,Yang J.Hybrid Prediction Model for Field Strength with Ray Tracing and Artificial Neural Networks[C]∥The14th IEEE International Conference on Communication Technology(ICCT),Chengdu:IEEE,2012:301-305.
[9]Wolfle G,Landstorfer F M.A Recursive Model for the Field Strength Prediction with Neural Networks[C]∥10th International Conference on Antennas and Propagation,Edinburgh,1997:174-177.
射线跟踪 篇3
无线传播模型是描述无线电波在介质中传播特性的数学模型, 在无线蜂窝系统的规划设计时, 使用无线传播模型可以精确模拟未来的网络覆盖, 为网络规划提供验证提供基础。同时一个相对准确的传播模型结合链路预算结果可以估算基站小区半径, 为无线网络规划提供重要依据。
二、射线跟踪模型
无线传播模型按照来源性质可分为经验模型、半经验模型和确定性模型:经验模型是根据大量的测试结果统计分析后导出的公式, 常用经验模型包括Okumura-Hata模型、COST231-Hata模型及室内传播模型;半经验模型是在经验模型的基础上, 基于大量测试数据的统计模型, 常用半经验模型包括Standard Macrocell Model和SPM模型;确定性模型是直接应用电磁场理论计算出来的传播模型, 射线跟踪模型是一种确定性模型, 常用的射线跟踪模型包括Cross Wave模型、Volcano模型及MYRIAD模型。
2.1射线跟踪模型介绍
射线跟踪模型是一种确定性模型, 该模型可以模拟电磁波传播过程中的直射、反射和绕射过程, 跟踪所有从基站发射出来的射线, 从而辨认出多径信号中发射机和接收机之间所有可能的射线路径。一旦所有路径辨认出来, 就可以根据相关电波传播理论计算出每条射线的相位、幅度、延迟和极化, 然后结合天线图和系统带宽, 计算出接收机位置处所有射线的相干合成结果。
2.2射线跟踪技术主要思路
射线跟踪技术的主要思想是将天线理想化为一源点, 大量电磁波射线由该源点均匀的辐射出去, 然后由电子计算机程序追踪各条射线的路径。源射线在传播过程中, 先利用计算机程序的算法判断是否有视距路径, 若没有检测到源射线与建筑物相交, 则直接计算接收场并跟踪另一条射线;如果检测到有相交的情况, 则源射线便被程序分解为折射射线和反射射线, 这两条射线都从源射线与建筑物体的交点发射出去, 接着用类似源射线的处理方法来处理这些射线, 即判断折射射线和反射射线在到达接收点前是否与建筑物相交。对计算过程中产生的新的绕射射线, 可以利用绕射理论将其加入总场计算中。射线强度随着传播距离的增加而衰减, 计算过程则持续到射线强度下降到门限以下或无相交时为止。
2.3射线轨迹算法原理
射线跟踪技术采用特定的算法计算射线的轨迹, 常用的两类算法是正向射线跟踪法和反向射线跟踪法。正向射线跟踪法, 即测试射线法, 指从源点 (基站等) 出发, 向周围的球面空间均匀发射出大量的射线, 并跟踪所有射线的方法。为了确认每一条射线是否到达接收点, 需要引入接收球的概念:接收球设置合理的半径才能够有效捕捉到源点散开的射线。如果接收球半径太大, 将会有超过一条的射线被接收点错误接收;如果接收球半径太小, 则有些接收点接收不到射线。测试射线法将所有到达接收机的射线做相干叠加, 计算出接收点的场强。流程图如下:
反向射线跟踪法, 也就是镜像法, 是基于反射定律、折射定律和解析几何理论的点对点跟踪技术, 即从场点 (接收机) 出发, 反向跟踪每一条可能从发射线到接收点的路径。一般情况下, 跟踪所有能从源点 (发射机) 到达场点 (接收机) 的路径是不可能的。考虑到电磁波传播过程中场的衰减, 可以忽略那些到达接收机时幅度很小的传播路径。对于室外接收机而言, 可以忽略透射进入建筑物内部的射线, 只需考虑直射、反射和绕射。
正向射线跟踪法流程简单、计算快速有效, 适用于仅需要信号覆盖预测的研究目标;反向射线跟踪法流程复杂但精确度高, 适用于需分析无线通信信道特性及需计算相关相位和极化信息的研究目标。
三、射线跟踪模型与其他模型对比
3.1各模型适用范围
各类传播模型的适用范围如表1:
3.2与实际测试对比
以深圳罗湖火车站区域为例, 验证射线跟踪模型在网络规划中的应用效果, 同时与SPM模型的预测结果进行对比, 可知射线跟踪模型的精确度。
本次仿真采用Orange Lab公司的Crosswave、深圳市关内区域5m精度地图。射线跟踪模型和传统SPM模型预测的覆盖效果与DT路测对比图如图2所示:
射线跟踪模型仿真预测图与路测图更接近, 可以看到明显的街道效应, 还可以看到建筑物分布及特征对覆盖预测结果的影响。而SPM仿真预测结果主要只考虑了天线方向图及天线高度等的影响, 其建筑物的分布对覆盖预测结果基本上没有产生影响, 也不能看到由信号反射和绕射造成的街道效应。因为SPM模型仅计算垂直剖面上的绕射损耗, 因此其预测结果是较为规则的方向图形状, 而Cross Wave不仅计算垂直剖面绕射损耗, 同时还计算水平剖面墙面反射和墙角绕射等。
仿真统计结果如下:
从上表可知, 每个区间Cross Wave仿真结果与DT路测均在一个数量级且相差小于3%, 而SPM仿真RSRP小于-80d Bm区域间与DT路测相差较大, 可知Cross Wave仿真结果更接近于路测结果。
由表3可知, Cross Wave空载网络仿真, 各区间与DT路测结果小于4%, SPM空载网络仿真与DT路测结果相差较大。
由仿真结果可知, 射线跟踪模型的预测结果与DT路测结果更接近。
四、在LTE网络规划中的应用
随着城市的发展, 密集市区内的建筑物密度及高度不断增加。相对于2G/3G网络规划, 传统模型只能从统计意义上对建筑物的影响进行粗略的估算, 精确度较低, 传统模型已经不能满足LTE对于城区内无线仿真的要求;而射线跟踪模型基于3D电子地图, 能充分考虑建筑物的特征和分布对信号传播的影响, 进行精确的网络规划, 能够满足LTE无线仿真需求。
射线跟踪模型预测的准确性与高精度的电子地图、站点工参的准确性及软件的算法密不可分。由于高精度 (至少5米) 含3D建筑物的电子地图成本较高, 且城市发展日新月异, 数字地图的更新往往滞后一些, 使射线跟踪模型的实际应用受到了一些限制。另外射线跟踪模型的算法是追踪所有可能的射线传播路径, 因此计算量往往是经验模型的数倍, 虽然随着算法不断改进, 使用射线跟踪模型预测所花费的时间大为缩短, 但当全部区域都使用射线跟踪模型时, 运算量是巨大的。
综上所示, 为了进行精确的LTE网络规划, 综合考虑成本和可实施性, 建议在市区使用射线跟踪模型, 在县城或郊区等区域使用传统的经验模型。
摘要：本文主要介绍了射线跟踪模型, 并与传统经验模型进行了对比, 然后对其在LTE网络规划中的应用进行了探讨。通过微蜂窝环境下的测试结果, 说明了射线跟踪模型能够很好的模型密集市区环境下无线信号的传播。
射线跟踪 篇4
小区边缘速率是一个LTE网路规划的重要指标之一,直接影响到网络规划的质量和工程建设成本,同时也直接影响到用户使用LTE业务的感知。在一般工程设计中,都是假设小区边缘上行速率如512kbit/s进行链路预算和规划,对于实际LTE网络中的小区边缘情况,结合射线跟踪模型通过系统的仿真,可以整体了解网路小区边缘速率分布情况,为网络规划和优化提供支撑。
2 LTE仿真的流程和传播模型
LTE仿真工具通常有Forsk的atoll、Aircom的asset等。本文采用的是Aircom公司的ASSET ENTERPRISE8.1版本,使用的服务器为惠普双核服务器。
按照ASSET仿真工具的使用方法,LTE仿真的流程如图1。
其中传播模型,ASSET工具支持传统的SPM模型、准射线跟踪模型Myraid模型、全射线跟踪模型Volcano模型等。本项目使用了Myraid模型,是一种高度集成的预校正射线跟踪模型,具有运算速度快、参数配置简便等特点,适合采用三维数字化地图。
Myraid模型[1]中可以设置频率、终端高度、Graph计算结果配置、室外到室内穿透损耗、室内传播损耗等参数,可以综合考虑室内室外的信号覆盖仿真。Myraid模型的主要思路是在进行路径损耗预测前,按照预定的计算模型,对三维地图做一次预计算,主要是计算街道等径向环境下的损耗,可大大简化真正进行路径损耗的计算量。图2 Myraid传播模型参数设置。
使用了精度为5m的三维数字化地图,包括Vector、Cluter、DTM等信息。经过预校正运算,得到了针对特定区域的三维数字化地图射线跟踪模型的中间结果,如图3。
3 LTE网络小区边缘的定义
在ASSET规划工具中,有两种方法定义小区边缘,一种为绝对定义,设置RSRP值为小区边缘的强度,可以设置为-108~-110dBm,一种为相对定义,最好服务小区和第二服务小区的RSRP差值,默认设置为3dB。
4 小区边缘速率仿真流程和结果
通过AEEST上述仿真流程后,并没有直接显示和统计小区边缘上下行速率和吞吐量的功能,但在SIMULATION步骤中,工具是包括了小区边缘的定义和小区边缘的相关指标。为了单独显示小区边缘终端的上下行速率,可以通过ARRAY中的人工生成相关数据。在ARRAY菜单中,选择Compound ArrayGenerator,出现图的窗口。其中Source选择Simulator,Array选择Cell Center/CelEdge,Instance选择Service名称,本项目中为LTE_Ulmc。相关参数如图5。最后点击Generate后,就生成了相关统计参数的数组edge rate[2]。
在人工设置相关参数后,在Map Information Control中的Data Type中,就自动在Array Clipborad菜单下增加了相关的数据集名称和选项,比如edge rate。因为是人工生成的,需要同时修改显示的图例,可以按照所关注的上下行速率进行区域划分和颜色配置。这样就可获得图6的显示结果,表示了小区边缘的上行速率的分布情况。针对该指标,还可以进行分布统计,统计结果如图7。
根据上述方法,我们可以类似得出小区边缘下行速率、吞吐量等有关指标的分析和统计。
5 总结
本文论述了ASSET仿真工具的流程和射线跟踪传播模型,结合实际高精度的三维数据地图和LTE宏微基站组网仿真场景,分析了小区边缘的速率的仿真方法和结果分析,得出了一种基于ASSET和射线跟踪模型的LTE网络小区边缘速率等相关参数的仿真方法。
摘要：文章论述了ASSET仿真工具的流程和仿真传播模型,结合实际高精度的三维数据地图和LTE宏微基站组网仿真场景,对最新的基于ASSET和射线跟踪模型的LTE网络小区边缘速率仿真方法进行了详细介绍和分析,得出了一种基于ASSET工具的LTE网络小区边缘速率仿真方法。