过往年少|5G和机器学习：将蜂窝基站从智能变成天才
如果进行协调更多的资源 ， 意味着更好的性能下一代5G基站的标志之一是使用高级天线功能 。 这些功能包括但不限于大规模多输入多输出（MIMO）天线阵列 ， 波束成形和波束控制 。
波束成形是一种利用一组相控阵来创建能量束的能力 ， 该能量束可用于聚焦和扩展与特定移动设备之间的基站之间的信号传输和接收 。
波束控制是在整个移动环境中控制该波束跟随该天线阵列覆盖范围内的设备的能力 。 充分利用大规模MIMO并优化波束形成和波束控制后 ， 网络运营商和消费者都将受益于网络容量的增加和数据流的增加 ， 干扰的减少 ， 范围的扩大以及更优化的功率效率的扩展范围 。
但是机器学习对此有何帮助？想象一下 ， 如果您要在10桨船和20桨船之间进行比赛 。 尾桨为10桨的船不仅由节奏协调 ， 而且还不仅根据当前正在发生的情况 ， 而且还预测在以后发生的情况 ， 对航向和踏频进行实时校正 。
相反 ， 有20桨的船有一个船长 ， 他不能协调节奏 ， 只能根据已经发生的一般信息进行校正 。 显然 ， 前者将赢得比赛 ， 而后者的桨叶不仅进步很小 ， 而且在某些情况下实际上是相互干扰的 。 大规模MIMO也是如此 。 为了充分实现大规模MIMO功能 ， 波束成形和波束控制的优势 ， 基站采用了机器学习技术 ， 以提供实时和预测性的分析和建模 ， 从而更好地调度 ， 协调 ， 配置和选择使用哪些阵列以及何时使用 。
精准定位新的5G网络标准要求与较大的宏小区和多个空中接口协议一起工作的较小小区的更高密度部署 。 愿景是将较小的小区设计为室内位置或密集的城市环境 ， 在这些环境中GPS定位并不总是可靠的 ， 并且射频（RF）环境远非可预测的 。 理解与网络交互的设备的位置不仅对于应用层用例至关重要 ， 而且对于实时网络操作和优化也至关重要 。 因此 ， 至关重要的是找到一种方法 ， 不仅能够准确定位用户设备所在的位置 ， 而且能够跟踪用户设备在覆盖范围内的移动 。