Massive multiple-input multiple-output (MIMO) is a fundamental enabler to provide high data throughput in next generation cellular networks. By equipping the base stations (BSs) with tens or hundreds of antenna elements, narrow and high gain beams can be used to spatially multiplex several user equipment (UE) devices. While increasing the achievable performance, focusing the transmit power into specific UE directions also poses new issues when performing the radio frequency (RF) exposure assessment. In fact, the spatial distribution of the actual BS transmit power strongly depends on the deployment scenario and on the position of the UEs. Traditional methods for assessing the RF exposure compliance boundaries around BS sites are generally based on maximum transmit power and static beams. In massive MIMO systems, these approaches tend to be very conservative, in particular when time averaging is properly considered. In this work, we propose to leverage the three dimensional spatial channel model standardized by the Third Generation Partnership Project in order to assess reasonably foreseeable compliance boundaries of massive MIMO BSs. The analysis is performed by considering BSs fully loaded and different configurations of active UEs per cell. Numerical results show that the statistical approach developed in this paper allows reducing to nearly half the compliance distance when compared to the traditional method.


翻译:在新一代蜂窝网络中提供高数据传输量的基本推动器是提供高数据传输量的大规模多输出多输出量(MIMO),通过为基地站配备数十或数百个天线元件,窄高增量的光束可以用于空间多倍数的多个用户设备。在提高可实现的性能的同时,将传输功率集中到具体的UE方向也带来了新的问题。事实上,实际BS传输功率的空间分布在很大程度上取决于部署情景和UES的位置。评估BS场地周围的RF暴露合规度的传统方法一般以最大传输功率和静态光束为基础。在大型MIMO系统中,这些方法往往非常保守,特别是在适当考虑平均时间时。在这项工作中,我们提议利用第三代伙伴关系项目标准化的三维空间信道模型,以便评估大规模IMO BS的可合理预见合规度界限。进行这项分析时,考虑到BS的全载和不同动态UE的组合,通常以最大传输力和静态光束为基础。在大型MIMOWS系统中,当将统计结果显示统计方法的半步法可以降低每个细胞的距离。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Learning to Importance Sample in Primary Sample Space
Arxiv
3+阅读 · 2018年3月13日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员