技術特征：

1.一種基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：

在宏基站保持網(wǎng)絡覆蓋的條件下，采用集中式SON架構(gòu)對微基站的工作模式以及宏基站的電下傾角進行控制，實現(xiàn)對網(wǎng)絡的動態(tài)調(diào)整；

利用SON收集到的關于基站和用戶的關鍵性能指標，計算每個微基站的效用函數(shù)值并對其排序，逐個對具有較小效用函數(shù)值的微基站進行休眠測試；

若微基站進入休眠，對其所在的宏扇區(qū)基站的天線電下傾角進行優(yōu)化調(diào)整。

2.根據(jù)權利要求1所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于，該方法進一步為：

步驟1、獲取網(wǎng)絡服務狀態(tài)信息和宏扇區(qū)基站天線電下傾角信息；

步驟2、根據(jù)設計的效用函數(shù)計算所有微基站的效用函數(shù)值并進行排序；按照效用函數(shù)值從小到大的順序依次對每一個微基站進行休眠測試；

步驟3、若微基站能夠成功進行休眠狀態(tài)，將該微基站所在扇區(qū)作為扇區(qū)簇中心進行成簇處理，對扇區(qū)簇中的扇區(qū)傾角進行優(yōu)化調(diào)整；

步驟4、通過SON的自配置功能對HetNets中宏扇區(qū)的傾角進行集中配置。

3.根據(jù)權利要求2所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于，在步驟1中，對網(wǎng)絡狀態(tài)服務信息進行收集和處理：收集微基站服務的用戶數(shù)據(jù)速率信息、微基站負載信息以及微基站歷史記錄的阻塞概率信息。

4.根據(jù)權利要求2或3所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：

在步驟2中，微基站p的效用函數(shù)表示為：

$U_p=\mathrm{\α}\·\frac{R_p}{R_{max}}+\mathrm{\β}\·\frac{L_p}{L_{max}}+\mathrm{\χ}\·\frac{W_p}{W_{max}}$

其中，α、β、χ分別表示權重因子，滿足α+β+χ＝1，R_p表示微基站p的平均用戶速率，R_max表示示微基站p的最大用戶速率，L_max表示微基站p的最大負載，W_max表示W(wǎng)_p的最大值，R_p表示為：

其中，表示微基站p的用戶集合，L_p表示微基站p的負載情況，L_p表示為：

$L_p=\frac{N_{use}}{N_{RB}}$

其中，N_use表示微基站中被占用的資源塊，N_RB表示微基站中總的資源塊數(shù)，W_p是基于微基站歷史記錄的阻塞概率的函數(shù)，W_p表示為：

$W_p=N_{served,p}*\exp (P_{blocked,th}-\frac{N_{blocked,p}}{N_{served,p}+N_{blocked,p}})$

W_p考慮了微基站p可接受服務的UE數(shù)量N_served,p以及在該微基站p范圍內(nèi)被阻塞的UE數(shù)量N_blocked,p，P_blocked,th表示阻塞概率門限值。

5.根據(jù)權利要求4所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：

在步驟2中，對微基站進行休眠測試的過程為：根據(jù)設計的效用函數(shù)計算每一個微基站的效用函數(shù)值的大小并排序，依次對效用函數(shù)值小于預定值的微基站進行休眠測試；如果被測試微基站可將用戶完全轉(zhuǎn)移，那么該微基站進入休眠轉(zhuǎn)態(tài)；

將服務的全部用戶移交到鄰近宏基站或微基站，更新微基站集合；如果不能將用戶完全轉(zhuǎn)移，則保持開啟狀態(tài)，更新微基站集合。

6.根據(jù)權利要求5所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：當測試微基站順利進入休眠狀態(tài)，則以該微基站所在扇區(qū)為中心，進行成簇處理，對扇區(qū)簇中的扇區(qū)進行傾角調(diào)整，基于扇區(qū)傾角的調(diào)整對扇區(qū)頻譜效率和周圍用戶干擾選擇保證目標函數(shù)：

大于預定值的傾角組合作為最優(yōu)傾角信息，對扇區(qū)傾角進行調(diào)整；其中，S_m,avg(β)、S_m,edge(β)、I_p,total和I_i,total分別表示為：

$S_{m,avg}\left(\mathrm{\β}\right)=\frac{{\mathrm{\Σ}}_{u\∈m}{R}_{m,u}\left(\mathrm{\β}\right)}{{\mathrm{\Σ}}_{u\∈m}{\mathrm{RB}}_{m,u}};$

其中，R_m，u(β)、分別表示用戶u、邊緣用戶u_edge在宏站扇區(qū)m上獲得的數(shù)據(jù)速率；

RB_m，u、分別表示宏站扇區(qū)m的用戶u和邊緣用戶u_edge得到的資源塊；

表示資源占用指示器，當宏站扇區(qū)i的第n個RB塊被占用時，為1，反之為0；PT_i⁽ⁿ⁾表示宏站扇區(qū)i的第n個RB塊上的功率，表示從宏站扇區(qū)i到UEu，在第n個RB塊上的平均信道增益；

表示資源占用指示器，當微基站p的第n個RB塊被占用時，為1，反之為0，表示微基站p的第n個RB塊上的功率，表示用戶u接收來自微基站p的第n個RB塊的信道增益的對數(shù)值；β表示由宏扇區(qū)天線傾角組成的角度矢量，表示微微基站p的集合，表示宏站扇區(qū)m的集合；

a，b，w_avg，w_edge表示效用函數(shù)需要考慮因素的加權系數(shù)，滿足a+b＝1，w_avg和w_edge的單位為1/bits/s/Hz；

S_m,avg和S_m,edge分別表示扇區(qū)m的平均頻譜效率和邊緣頻譜效率，其中邊緣頻譜效率是按照整個頻譜效率分布的5％計算；

w_avg和w_edge作為頻譜效率的加權因子來影響效用函數(shù)對S_m,avg和S_m,edge的側(cè)重；

I_p,total表示周圍微基站的用戶受到來自宏扇區(qū)m的干擾信號強度，

I_i,total表示周圍宏基站中的用戶受到宏站扇區(qū)m的干擾信號強度，然后宏站扇區(qū)m計算干擾信息并將信息發(fā)送給OAM，帶下標的max表示的是相應因素的最大值，這些信息用來進行歸一化處理，上述用來計算宏扇區(qū)效用函數(shù)的參數(shù)信息都是通過OAM集中收集處理得到的。

7.根據(jù)權利要求6所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：對待休眠微基站所在的扇區(qū)進行成簇處理，根據(jù)目標扇區(qū)對周圍扇區(qū)產(chǎn)生影響的大小決定是否成簇，當扇區(qū)傾角變化對周圍扇區(qū)產(chǎn)生的影響大于預期值的宏扇區(qū)作為一個扇區(qū)簇單元來研究。

8.根據(jù)權利要求6所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：對扇區(qū)簇中的扇區(qū)進行統(tǒng)一傾角調(diào)整，將傾角調(diào)整問題作為一個尋找最優(yōu)化目標的問題來處理，傾角優(yōu)化過程具體如下：

1)假設對扇區(qū)簇中的扇區(qū)傾角按照給出的規(guī)則求導：

其中集合S中的扇區(qū)表示在扇區(qū)中可能造成局部最小點的扇區(qū)，最后求出歸一化常數(shù)T為保證目標函數(shù)T_m的一般形式，j表示第j個宏站扇區(qū)；i表示第i個宏基站扇區(qū)；β_i表示第i個宏站扇區(qū)的天線傾角；

2)求出預調(diào)傾角矢量其中m∈M,k∈K，

其中

M表示宏站扇區(qū)m的集合；K為限制最優(yōu)解的次數(shù)；K取10；

3)根據(jù)下列公式

確定最佳的天線傾角矢量；β_t和β_t+1分別表示t、t+1時刻的天線傾角矢量。

9.根據(jù)權利要求2至7任一項所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：步驟3中，按照微基站效用函數(shù)值的大小對網(wǎng)絡中的微基站進行休眠測試，對能夠成功進行休眠的微基站所在扇區(qū)簇中的扇區(qū)進行聯(lián)合傾角優(yōu)化調(diào)整；循環(huán)上述過程，直到所有微基站都被測試為止。

10.根據(jù)權利要求2至7任一項所述的基于集中式自組織網(wǎng)絡架構(gòu)的傾角調(diào)整動態(tài)扇區(qū)休眠方法，其特征在于：步驟4中，當網(wǎng)絡完成了對所有微基站的休眠測試以及扇區(qū)傾角的調(diào)整，通過SON的自配置功能對異構(gòu)網(wǎng)絡中宏扇區(qū)的傾角進行配置。