一种大规模MIMO系统下的用户分簇方法技术方案

一种大规模MIMO系统下的用户分簇方法，包括如下步骤：S1.查找噪声用户，并剔除；S2.获取用户的三维特征，计算该三维特征的相似度矩阵；S3.根据相似度矩阵，采用AP算法进行用户分簇；S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。本发明专利技术能对用户进行有效的分簇处理，从而对系统进行了降维，并且一定程度上降低处理维度，减少了干扰，提高了资源的利用率。

A User Clustering Method for Large-scale MIMO Systems

A user clustering method in large-scale MIMO system includes the following steps: S1. Finding noisy users and eliminating them; S2. Obtaining user's three-dimensional features and calculating the similarity matrix of the three-dimensional features; S3. Using AP algorithm to cluster users according to similarity matrix; S4. Using Q learning to learn and predict user's clustering status, and obtain the final clustering results. The invention can effectively cluster the users, thereby reducing the dimension of the system, reducing the processing dimension to a certain extent, reducing interference and improving the utilization rate of resources.

【技术实现步骤摘要】
一种大规模MIMO系统下的用户分簇方法
本专利技术属于无线通信领域，涉及5G(5th-generation)移动通信系统，具体为一种大规模MIMO系统下的用户分簇方法。
技术介绍
无线通信技术的快速发展在推动网络基础设施不断完善的同时,也导致移动用户数量和相关产业规模呈现爆炸式增长。现有频谱资源有限，在许多应用中，已无法满足日益增长的容量需求。为了解决以上提出的问题，MassiveMIMO作为第五代(5G)移动通信最关键的技术之一在《5G无线技术架构》和《5G概念白皮书》中被提出。在多用户MassiveMIMO系统中，空间的相关性对系统性能的提高具有显著影响，即不同用户的信道向量之间的相关性大小表征了用户间的干扰。为了提高系统性能，在许多文献中提出了多种用户分簇的算法，比如：文献[1]提出了一种基于用户属性利用k-means的自适应分组算法；文献[2]提出利用谱聚类算法对用户进行分簇；文献[3]针对k-means算法的不足，对簇中心的选取进行改善，即使用k-medoid算法等。其中，k-means分簇算法[1]的初始点选择不稳定，是随机选取的，这就引起分簇结果的不稳定；其次，层次聚类[5]虽然不需要确定分类数，但是一旦一个分裂或者合并被执行，就不能修正，分簇质量受限制；再则，DBSCAN算法[6]是基于密度的用户分组算法，需要选定合适的半径和最小用户数阈值，如果选择不当，将影响分簇结果。最后，FCM算法[7]对初始分簇中心敏感，需要人为确定分簇数，容易陷入局部最优解；所以针对大规模MIMO系统，从用户的空间相关性角度出发，结合用户信道相似度，信道增益差等用户特征属性来对用户进行配对分组，从而形成类似于小区簇的用户簇，在空间维度，通过波束赋形或者空分复用等技术来提高系统整体性能具有很大的研究意义。[1]王盛,陈松,任修坤,陈国军.CoMP上行链路基于属性的自适应分组算法[J].太赫兹科学与电子信息学报,2016,14(04):520-524+548.[2]TianR,LiangY,TanX,etal.OverlappingusergroupinginIoTorientedmassiveMIMOsystems[J].IEEEAccess,2017,5:14177-14186.[3]XuY,YueG,MaoS.UserGroupingforMassiveMIMOinFDDSystems:NewDesignMethodsandAnalysis[J].AccessIEEE,2014,2(2):947-959.[4]熊尚华.基于半监督学习的两种聚类算法研究[D].浙江师范大学,2011.[5]姜子林.层次聚类的方法及应用[J].电子技术与软件工程,2018(1):179-180.[6]谢江.针对非均匀密度环境的DBSCAN自适应聚类算法的研究[D].重庆大学,2015.[7]宫改云.FCM算法参数研究及其应用[D].西安电子科技大学,2004.
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种大规模MIMO系统下的用户分簇方法，降低处理维度，减少了干扰，提高了资源的利用率。本专利技术采用如下技术方案：一种大规模MIMO系统下的用户分簇方法，其特征在于，包括如下步骤：S1.查找噪声用户，并剔除；S2.获取用户的三维特征，计算该三维特征的相似度矩阵；S3.根据相似度矩阵，采用AP算法进行用户分簇；S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。所述S1具体包括如下：根据用户的位置信息，以用户为中心，在r为半径的空间范围内搜索其他用户，若没有搜索到其他用户，则定义此用户为噪声用户，并予以剔除。所述三维特征包括用户信道向量，用户的相对位置以及用户的QoS需求。所述S2中，先对三维特征进行归一化和降维处理，再计算相似度矩阵。所述三维特征的相似度矩阵包括采用Fubini-Study距离来表征用户信道向量间的相似度及采用欧式距离来表征用户的相对位置和QoS需求的相似度。所述S3具体包括如下：S301.根据相似度矩阵，计算用户与其他用户之间的吸引度和归属度；S302.引入阻尼因子交替更新吸引度和归属度；S303.计算用户的吸引度和归属度之和，判断是否大于0，若是则为簇类中心，添加至存放簇类中心的集合，得到用户簇类中心集；S304.根据距离最小原则，将各用户分配到相应的簇类中。所述S4具体包括如下：S401.定义用户的动作集合A和状态集合St；Q(s,a)为在状态s下动作a得到的总体回报的估计，初始值为0；动作集合A表示选择的用户簇的编号的集合，状态集合St＝{e,d,j}，e表示用户的移动性，d表示每个用户簇中的用户数和总的用户数的比值，j表示用户与簇类中心的相似度；S402.观察状态集合St并执行相应的at，使得总体回报的估计Qt(st,at)值最大，下标t表示迭代的次数；S403.定义即时回报函数R，并计算当下st,at下的即时回报值Rt(st,at)；S404.观察新状态st+1,并根据即时回报Rt计算更新Qt+1；S405.直到收敛，最后得到最大累积回报值的动作集即为最终的分簇结果。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：本专利技术采用AffinityPropagation(AP)算法对小区内的用户进行分簇，它对比于传统的分簇算法，具有明显的优势AP算法不需要事先指定分簇的数量，分簇结果很稳定，适用于非对称相似性矩阵，对于初始值不敏感，具有其特有的优势。并且对于非对称相似性矩阵也同样适用，该算法以其简单、高效的优势已广泛应用于多种领域，所以也适用于大规模MIMO下的用户分簇。本专利技术在大规模MIMO系统下，基于单小区多用户的场景下，针对大规模MIMO中频分双工(FrequencyDivisionDuplexing，FDD)系统下信道状态信息(ChannelStateInformation，CSI)的巨大开销，提出对用户进行有效的分簇处理，从而对系统进行了降维，并且一定程度上降低处理维度，减少了干扰，提高了资源的利用率。附图说明图1为本专利技术中的大规模MIMO系统场景示意图；图2为本专利技术的总流程图；图3为AP算法的信息传递过程图；图4为AP算法的算法流程示意图；图5为Q学习的算法流程示意图；具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。本专利技术实施例所提供环境为大规模天线系统下的单小区多用户单天线的场景，如图1所示，小区内包含一个具有M根天线的宏基站，以及小区内包含N个用户和C个用户簇(M≥N≥C)。并且在基站处存在一个分簇控制系统，它的主要功能是检测用户的状态，执行分簇策略，其中用户状态包括用户的信道特性，用户的位置，用户的移动性，小区内的用户数，以及用户的QoS需求等，由于关键质量指标(KeyQualityIndicators，KQI)主要针对不同业务提出的贴近用户感受的业务质量参数，所以实施例采用KQI来度量用户的QoS需求。通过合理的用户分簇，使得基站能进行有效的用户调度和资源分配，从而最大化资源利用率，提升系统容量。假设在同一时刻，该小区能为Na个用户提供服务(Na＜N)。分簇控制系统监视网络中的用户状态和系统容量，执行分簇算法。具体方案过程如本文档来自技高网...

【技术保护点】
1.一种大规模MIMO系统下的用户分簇方法，其特征在于，包括如下步骤：S1.查找噪声用户，并剔除；S2.获取用户的三维特征，计算该三维特征的相似度矩阵；S3.根据相似度矩阵，采用AP算法进行用户分簇；S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。

【技术特征摘要】
1.一种大规模MIMO系统下的用户分簇方法，其特征在于，包括如下步骤：S1.查找噪声用户，并剔除；S2.获取用户的三维特征，计算该三维特征的相似度矩阵；S3.根据相似度矩阵，采用AP算法进行用户分簇；S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。2.如权利要求1所述的一种大规模MIMO系统下的用户分簇方法，其特征在于，所述S1具体包括如下：根据用户的位置信息，以用户为中心，在r为半径的空间范围内搜索其他用户，若没有搜索到其他用户，则定义此用户为噪声用户，并予以剔除。3.如权利要求1所述的一种大规模MIMO系统下的用户分簇方法，其特征在于，所述三维特征包括用户信道向量，用户的相对位置以及用户的QoS需求。4.如权利要求3所述的一种大规模MIMO系统下的用户分簇方法，其特征在于：所述S2中，先对三维特征进行归一化和降维处理，再计算相似度矩阵。5.如权利要求3所述的一种大规模MIMO系统下的用户分簇方法，其特征在于：所述三维特征的相似度矩阵包括采用Fubini-Study距离来表征用户信道向量间的相似度及采用欧式距离来表征用户的相对位置和QoS需求的相似度。6.如权利要求1所述的一种大规模MIMO系统下的...

【专利技术属性】
技术研发人员：赵毅峰，张欢欢，唐余亮，黄联芬，张远见，李馨，刘重军，
申请(专利权)人：厦门大学，京信通信系统广州有限公司，
类型：发明
国别省市：福建,35