一种超密集网络中基于混合聚类的资源分配方法组成比例

本发明专利技术属于超密集网络资源分配技术领域，一种超密集网络中基于混合聚类的资源分配方法，该方法包括：获取原始基站、用户位置的数据，并对数据进行预处理；采用Canopy算法与K

A resource allocation method based on Hybrid Clustering in ultra dense networks

【技术实现步骤摘要】
一种超密集网络中基于混合聚类的资源分配方法


[0001]本专利技术属于超密集网络资源分配
，一种超密集网络中基于混合聚类的资源分配方法。

技术介绍

[0002]由于数据流量的爆炸性增长，无线网络面临着巨大的挑战。第五代移动通信系统(5G)除了满足高速数据传输的要求外，还需要满足大容量、超可靠性、低延迟和无处不在的接入等不同应用场景的需求。超密集网络(UDN)是一种很有前途的方法来满足这些要求。
[0003]在超密集网络中，微基站的数目远远多于传统的网络。与此同时，密集分布的微基站会缩短用户与基站之间的传输距离，可以显著提高整个系统的吞吐量，可是基站密集的分布和距离的缩减会给用户带来严重的干扰，会造成损耗大于收益的情况。所以减少干扰和合理分配资源来提高系统性能是超密集网络的关键问题。
[0004]研究表明，聚类方法与资源分配方法相结合，可以减少同层和跨层干扰。超密集网络中的资源分配的问题是一个NP
‑
hard问题，求解全局最优解非常复杂，于是就将这个优化问题分解成几个子问题，对这些子问题都有相应的解决办法。比如在进行基站分簇时，采用k
‑
means算法根据基站间的距离将相互间干扰最大的基站分成一个簇，使簇间干扰尽可能降至最小，甚至可以忽略不计。可是传统的k
‑
means算法的k值和初始的聚类中心是事先给定的，这样就会导致最后的聚类结果不准确，无法反应真实的干扰关系，也就导致下一步的资源分配无法准确进行。
[0005]对微基站进行分簇之后，同一个簇中的基站对彼此连接的用户也有可能造成干扰，会使得用户难以获得满足服务质量的速率。

技术实现思路

[0006]为解决以上现有技术存在的问题，本专利技术提出了一种超密集网络中基于混合聚类的资源分配方法，该方法包括：构建超密集网络，该超密集网络为两层异构蜂窝下行超密集网络，即在网络中含有一个中心宏蜂窝基站和多个微蜂窝基站；
[0007]S1：基站、用户按照HPPP随机分布，获取网络中的数据，该数据包括基站的位置、基站的最大发射功率以及用户的位置；
[0008]S2：采用Canopy算法与K
‑
means算法对微基站分簇；
[0009]S3：对聚类后的每个簇中的用户构建干扰图，根据干扰图采用染色算法对用户进行分组；
[0010]S4：对每组中的用户采用贪婪算法分配子信道；
[0011]S5：采用注水算法对每组中的用户进行功率分配。
[0012]优选的，采用Canopy算法与K
‑
means算法对微基站分簇的过程包括：
[0013]S21：设置微基站距离阈值T1和T2，其中T1>T2；
[0014]S22：从微基站集合中选取一点f，将f作为第一个
类，并将该类作为Canopy；
[0015]S23：从集合中随机抽取点p，计算p到已经产生的所有Canopy的距离，若该点到Canopy的距离小于T1，将p加入到该Canopy，若该点到Canopy的距离大于T1，则将p作为一个新Canopy；
[0016]S24：计算点f到新Canopy的距离，若距离小于T2，则将点f从集合中删除，否则重新在集合选取点；
[0017]S25：对集合中的点重复上述S23、S24步骤直到集合为空，得到k值，以及大致的k个初始中心集C＝{1，
…
，c
k
，
…
，C
K
}；
[0018]S26：根据k个初始中心集采用K
‑
means算法对微基站分簇。
[0019]进一步的，采用K
‑
means算法对微基站分簇的过程包括：
[0020]S261：根据Canopy的聚类结果确定k值和聚类中心集C；
[0021]S262：用计算所有样本到k个质心的距离，并将其分配到距离最近的簇内；其中，f表示集合中的点，c
k
表示第k个初始聚类中心；
[0022]S263：用(k＝1,2,...,K)计算簇的新中心，将计算的均值作为新的聚类中心；n
k
表示簇的数目，k表示簇的序号，K表示簇的最大序号；
[0023]S264：重复上述步骤S262、S263，直至聚类中心不再变化。
[0024]优选的，根据干扰图采用染色算法对用户进行分组的过程包括：
[0025]S31：在一个FBS簇中用γ
i1
表示用户i1的干扰程度，计算每个用户的干扰程度:其中，FBS表示微基站；
[0026]其中，表示用户i1接收的干扰信号功率之和，表示用户i1接收的有用信号功率；
[0027]S32：计算用户与用户之间的干扰程度
[0028]S33：根据干扰程度采用矩阵E描述FBS簇中任意两个UE之间的干扰程度权值，即：
[0029][0030]其中，E
th
表示同一个微基站内的UE之间的干扰权值；
[0031]S34：设置干扰阈值T3，若E(i1,i2)≥T3,则用户i1与用户i2之间存在干扰；若E(i1,i2)<T3，则用户i1与用户i2之间不存在干扰；
[0032]S35：将一个簇中的所有用户作为顶点放入集合V中，从集合V中随机选取一个顶点v,并放入开始为空的集合α中，即：α＝{v}；
[0033]S36：构建候选集β＝V\α，即将集合V中的元素除集合α中的元素之外的其他元素存储到候选集β中；
[0034]S37：当集合α中用户的权重和小于E
th
时，从候选集β中选出顶点v
′
，该顶点可以最小化用户簇内的干扰权重，候选用户簇变成α＝α∪{v
′
}，重复S35～S36；
[0035]S38：当α中所有的顶点从V中移除时，将α中的顶点提取出来作为一个用户簇，重复S35～S37，直到V为空集，用户分组结束。
[0036]优选的，采用贪婪算法分配子信道的过程包括：
[0037]S41：按照用户组中网关单元GU包含的子信道数量对用户组进行降序排序；
[0038]S42：计算GU'
l
在每个子信道的通信速率，选出通信速率符合服务质量的所有子信道；
[0039]S43：计算GU'
l
在所选子信道上的信干燥比，找到最好的子信道；
[0040]S44：判断步骤S42中GU'
l
的最优子信道是否被其他GU占用，若没有占用则将该子信道分配给GU'
l
，并将该子信道从信道集合L中移除；若被占用，则在剩余可用子信道找到一个次优的子信道分配给GU'
l
，并将该子信道从集合L中移除；
[0041]S45：重复上述步骤S42～S44，直到子信道集合L为空。
[0042]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超密集网络中基于混合聚类的资源分配方法，其特征在于，包括：构建超密集网络，该超密集网络为两层异构蜂窝下行超密集网络，即在网络中含有一个中心宏蜂窝基站和多个微蜂窝基站；S1：基站、用户按照HPPP随机分布，获取网络中的数据，该数据包括基站的位置、基站的最大发射功率以及用户的位置；S2：采用Canopy算法与K
‑
means算法对微基站分簇；S3：对聚类后的每个簇中的用户构建干扰图，根据干扰图采用染色算法对用户进行分组；S4：对每组中的用户采用贪婪算法分配子信道；S5：采用注水算法对每组中的用户进行功率分配。2.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用Canopy算法与K
‑
means算法对微基站分簇的过程包括：S21：设置微基站距离阈值T1和T2，其中T1＞T2；S22：从微基站集合中选取一点f，将f作为第一个类，并将该类作为Canopy；S23：从集合中随机抽取点p，计算p到已经产生的所有Canopy的距离，若该点到Canopy的距离小于T1，将p加入到该Canopy，若该点到Canopy的距离大于T1，则将p作为一个新Canopy；S24：计算点f到新Canopy的距离，若距离小于T2，则将点f从集合中删除，否则重新在集合选取点；S25：对集合中的点重复上述S23、S24步骤直到集合为空，得到k值，以及大致的k个初始中心集C＝{1，
…
，c
k
，
…
，C
K
}；S26：根据k个初始中心集采用K
‑
means算法对微基站分簇。3.根据权利要求2所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用K
‑
means算法对微基站分簇的过程包括：S261：根据Canopy的聚类结果确定k值和聚类中心集C；S262：用计算所有样本到k个质心的距离，并将其分配到距离最近的簇内；其中，f表示集合中的点，c
k
表示第k个初始聚类中心；S263：用计算簇的新中心，将计算的均值作为新的聚类中心；n
k
表示簇的数目，k表示簇的序号，K表示簇的最大序号；S264：重复上述步骤S262、S263，直至聚类中心不再变化。4.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，根据干扰图采用染色算法对用户进行分组的过程包括：S31：在一个FBS簇中用表示用户i1的干扰程度，计算每个用户的干扰程度：其中，FBS表示微基站；其中，表示用户i1接收的干扰信号功率之和，表示用户i1接收的有用信号功率；
S32：计算用户与用户之间的干扰程度S33：根据干扰程度采用矩阵E描述FBS簇中任意两个UE之间的干扰程度权值，即：其中，E
th
表示同一个微基站内的UE之间的干扰权值；S34：设置干扰阈值T3，若E(i1，i2)≥T3，则用户i1与用户i2之间存在干扰；若E(i1，i2)＜T3，则用户i1与用户i2之间不存在干扰；S35：将一个簇中的所有用户作为顶点放入集合V中，从集合V中随机选取一个顶点v，并放入开始为空的集合α中，即：α＝{v}；S36：构建候选集β＝V\α，即将集合V中的元素除集合α中的元素之外的其他元素存储到候选集β中；S37：当集合α中用户的权重和小于E
th
时，从候选集β中选出顶点v
′
，该顶点可以最小化用户簇内的干扰权重，候选用户簇变成α＝α∪{v
′
}，重复S35～S36；S38：当α中所有的顶...

【专利技术属性】
技术研发人员：陈榕，唐宏，曹型兵，刘小洁，甘陈敏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：