m移动通信系统中越区切换算法的matlab仿真,对比MASN,ASUR,OP

简介: m移动通信系统中越区切换算法的matlab仿真,对比MASN,ASUR,OP

1.算法仿真效果
matlab2022a仿真结果如下:

555255f5df4237bf5b91042d228872ca_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
9323e7bed074e8f5137b7aa3bd45c6b0_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
743a647d033fd5a27a40576d2723bd92_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

2.算法涉及理论知识概要
硬切换,就是强制切换,其最大的特点是:“先断后连”。在硬切换过程中,用户移动设备仅仅保持与一个基站链接,一旦切换操作被激活,其马上会切断原有的连接,然后再与新的基站建立连接。从一个基站切换到另个基站的过程中,通信链路有短暂的中断。这个中断的时间长短将影响用户的通话。而且硬切换具有另一个缺陷,就是在区域边界出会频繁的出现反复切换的现象,这也是所谓的乒乓效应。当信道衰落效应存在的时候,会更进一步加剧乒乓效应。解决这个问题的办法是,通过滞后参数来延迟执行的时间,从而避免频繁切换的问题,但这将会要求小区边界有一个较高的发送功率,这就导致了给其他用户带了通话干扰。从而导致系统的容量的下降,影响了小区内整体的通话质量。图1就是硬切换的物理结构:

2885d6e9a306c2745c9f4f23132fd9a2_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

   通常情况下,硬切换测量过程对移动台设备的要求比较高。如果需要进行不同频率的硬切换操作,那么其首先需要做一个操作,即测量多个小区的导频信号强度。这就导致了硬切换过程中会引致另一个严重的缺陷,硬切换的基本原理如图2所示:

ebe192919a3fcf1bc4276071a53b5416_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

     如上图所示,当一个移动用户从小区1走向小区2的时候,小区1基站和用户移动台之间物理距离逐渐变大,这就导致用户移动设备接收到来自小区1基站的信号不断减弱,当这个信号小于一个门限的时候,便会激活硬切换过程。硬切换就会切断移动用户与基站的连接,同时启动与基站2的连接,从而完成一个硬切换的过程。

软切换

    软切换在其切换过程中,软切换不需要另外单独设置设备的频率的时候,也不会出现中断的情况,通常情况下,软切换可以分为软切换过程和更软切换过程两种切换过程。软切换:当用户移动台设备开始与一个新的小区基站建立联系的时候,并不立即中断与原来基站之间的通信,即“先连后断”。

image.png

    区分软切换和硬切换主要看它们发生的时间,后者是在某一个时间点上,而前者则不同,它是在一段时间内。

       在软切换中,只要满足触发条件,在新基站的导频强度不小于原来基站的导频强度之前,移动台都会进入软切换状态并建立新的连接。移动台会同时和至少两个基站保持连接,直到与原来的基站断开连接。因此软切换是一个“先建后断”的过程。

   而在硬切换过程中,如果移动台从a小区的边缘向b小区移动时,移动台会不断地测量b小区的导频信号强度,当b小区比a小区的导频强度大于迟滞边界时,硬切换就发生了。硬切换发生的同时,在与新基站建立连接之前,先要断开与原来基站的连接。所以说,硬切换是一个“先断后建”的过程。

3.MATLAB核心程序

%定义小区1,小区2,小区3的状态
cell1_state = 1;%小区1处于连接状态
cell2_state = 0;%小区2处于非连接状态
full        = 0;%激活集未满
Count       = 0;%定义激活集个数

Best_pn     = 10;%定义最好导频强度
Worst_pn    = 1;%定义最弱导频强度
T_ADD       = [1 2 3 4 5 6];%加入门限
T_DROP      = 7;%丢失门限
T_REP       = 1;%门限
Delta_T     = 5;%状态持续时间

times       = 1000;%仿真持续时间

Power_cell2 = zeros(times,1);%小区2的强度
tmp2        = 0;
cnt2        = 0;

%定义平均激活数
ASUR        = zeros(length(T_ADD),1);

for j = 1:length(T_ADD)

    for k = 1:200

    MASN_tmp = 0;

    %定义小区1,小区2,小区3的状态
    cell1_state = 1;%小区1处于连接状态
    cell2_state = 0;%小区2处于非连接状态
    full        = 0;%激活集未满
    Count       = 0;%定义激活集个数

    Best_pn     = 6;%定义最好导频强度
    Worst_pn    = 1;%定义最弱导频强度
    T_ADD       = [1 2 3 4 5 6];%加入门限
    T_DROP      = 7;%丢失门限
    T_REP       = 1;%门限
    Delta_T     = 5;%状态持续时间

    times       = 1000;%仿真持续时间

    Power_cell2 = zeros(times,1);%小区2的强度
    tmp2        = 0;
    cnt2        = 0;
    tmp3        = 0;
    cnt3        = 0;
相关文章
|
2月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
268 0
|
2月前
|
机器学习/深度学习 算法 机器人
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
178 8
|
2月前
|
机器学习/深度学习 算法 自动驾驶
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
188 8
|
2月前
|
传感器 机器学习/深度学习 算法
【无人机协同】动态环境下多无人机系统的协同路径规划与防撞研究(Matlab代码实现)
【无人机协同】动态环境下多无人机系统的协同路径规划与防撞研究(Matlab代码实现)
201 0
|
2月前
|
机器学习/深度学习 数据采集 负载均衡
结合多种启发式解码方法的混合多目标进化算法,用于解决带工人约束的混合流水车间调度问题(Matlab代码实现)
结合多种启发式解码方法的混合多目标进化算法,用于解决带工人约束的混合流水车间调度问题(Matlab代码实现)
168 0
|
2月前
|
机器学习/深度学习 人工智能 算法
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
157 0
|
2月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
204 2
|
3月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
226 3
|
3月前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
163 6
|
2月前
|
机器学习/深度学习 算法 数据可视化
基于MVO多元宇宙优化的DBSCAN聚类算法matlab仿真
本程序基于MATLAB实现MVO优化的DBSCAN聚类算法,通过多元宇宙优化自动搜索最优参数Eps与MinPts,提升聚类精度。对比传统DBSCAN,MVO-DBSCAN有效克服参数依赖问题,适应复杂数据分布,增强鲁棒性,适用于非均匀密度数据集的高效聚类分析。

热门文章

最新文章