一种超密集网络中基于密度与最小距离的基站分簇方法技术

本发明专利技术公开了一种超密集网络中基于密度与最小距离的基站分簇方法，首先计算超密集网络中各微小区基站的分布密度及分簇密度阈值，使分布密度大于分簇密度阈值的微小区基站构成初始簇中心池；计算初始簇中心池中各微小区基站与较其分布密度高的微小区基站间距离的最小值，定义微小区基站的分布密度与其最小距离的乘积为加权分布密度，由加权分布密度得到待选簇中心池；计算簇中心隔离距离，依次将待选簇中心池中两两之间距离大于簇中心隔离距离的两个簇中心中加权分布密度值较小的簇中心从待选簇中心池中移除；最后将待选簇中心池中簇中心数目及簇中心基站地理位置作为传统K‑means算法的参数，执行K‑means算法得到分簇结果；本发明专利技术解决了分簇不均匀的问题。

A Base Station Clustering Method Based on Density and Minimum Distance in Ultra-Dense Networks

The invention discloses a base station clustering method based on density and minimum distance in ultra-dense network. Firstly, the distribution density and clustering density threshold of each cell base station in ultra-dense network are calculated, so that the cell base stations whose distribution density is greater than the threshold of clustering density constitute the initial cluster center pool, and each cell base station in the initial cluster center pool and the cell base with higher distribution density are calculated. The minimum distance between stations is defined as the product of the distribution density of the base station and its minimum distance, and the cluster center pool is obtained from the weighted distribution density. The cluster center isolation distance is calculated, and the cluster centers with smaller weighted distribution density in two cluster centers whose distance between two clusters is greater than the cluster Center isolation distance in turn are selected from the cluster center pool. Finally, the number of cluster centers and the location of cluster center base stations in the pool of cluster centers to be selected are taken as parameters of the traditional K_means algorithm, and the clustering results are obtained by executing the K_means algorithm. The present invention solves the problem of uneven clustering.

【技术实现步骤摘要】
一种超密集网络中基于密度与最小距离的基站分簇方法
本专利技术属于无线通信
，应用于超密集网络中微小区基站的管理，具体涉及一种超密集网络中基于密度与最小距离的基站分簇方法。
技术介绍
随着移动通信技术的飞速发展，接入到网络中的通信设备呈爆炸式增长，使得原本就庞大的网络结构变得更加复杂。同时，用户对数据流量的需求也急剧增长，无线网络将面临巨大的压力和挑战。在超密集网络中，通过将微小区基站密集部署在小区内，可以大幅度的提高无线网络的系统容量。然而由于大量基站的密集部署，网络中的干扰问题也日趋严重，资源分配不合理的问题亟待解决。在超密集网络中，首先通过分簇技术将整个网络分成多个子网络，然后在每个子网络内进行干扰管理和资源分配可以有效地简化网络拓扑结构，便于对基站进行管理，从而有效地进行干扰管理、合理分配资源。其中，采用K-means算法可以根据微小区基站的位置快速的对基站进行有效的分簇。但是传统K-means算法需要对分簇的个数进行人为设置，这样就导致该算法不能自适应网络拓扑结构的变化。此外，该算法由于是随机选择初始簇中心，容易使最终分簇结果陷入局部最优解。因此，需要寻找一个能够适应不断变化的网络拓扑结构，以及更好地对网络进行分簇的分簇方法，以便能够在超密集网络中进行实际应用。
技术实现思路
本专利技术的目的在于提供一种超密集网络中基于密度与最小距离的基站分簇方法，该方法可以根据网络拓扑的变化对海量基站进行动态分簇，通过筛选簇中心点避免陷入局部最优解的情况，提高了分簇的准确度，同时也加快了分簇的收敛速度，解决了传统方案中分簇结果不均匀的问题，适用于超密集网络中的基站高效管理，具体技术方案如下：一种超密集网络中基于密度与最小距离的基站分簇方法，所述方法包括步骤：S1、记录超密集网络中N个微小区基站的地理位置，并计算任意两个微小区基站之间的欧式距离；S2、计算超密集网络中每个微小区基站的分布密度和分簇密度阈值，比较各微小区基站的分布密度与分簇密度阈值的大小，并将分布密度大于分簇密度阈值的微小区基站作为初始簇中心；S3、将所有所述初始簇中心组成初始簇中心池，计算所述初始簇中心池中每个微小区基站与较其分布密度高的微小区基站之间距离的最小值；S4、计算所述初始簇中心池中各微小区基站的分布密度与较其分布密度高的微小区基站之间距离最小值的乘积，记为加权分布密度θj，并将微小区基站对应所述加权分布密度θj从大到小降序排列形成待选簇中心池；S5、计算簇中心隔离距离，并按照所述加权分布密度θj的大小在所述待选簇中心池中进行降序排列，依次将待选簇中心池中两两之间距离大于所述簇中心隔离距离的两个簇中心中加权分布密度值较小的簇中心从待选簇中心池中移除；S6、统计并记录最终获得的所述待选簇中心池中簇中心的数目K及每一簇中心的地理位置，作为参数输入传统K-means算法中，执行K-means算法得到超密集网络中所有微小区基站的分簇结果。进一步的，步骤S2中，所述分布密度定义为：其中，di,j表示超密集网络中微小区基站i与微小区基站j之间的欧式距离；所述分簇密度阈值定义为：其中，α为所述初始簇中心数目的控制系数，取值范围为α∈[0.5,1]。进一步的，步骤S3中，所述最小值越大，说明所述初始簇中心中微小区微基站分布越均匀，且所述初始簇中心中分布密度最大的微小区基站的距离最小值为与其距离最远的微小区基站之间的距离；所述初始簇中心池中所有所述初始簇中心按照对应微小区基站的分布密度的大小降序排列。进一步的，步骤S4中，所述加权分布密度θj越大，说明与所述加权分布密度θj对应的微小区基站的分布密度越大，且与所述加权分布密度θj对应微小区基站距其他微小区基站的距离越远。进一步的，步骤S5中，所述簇中心隔离距离定义为：其中，β为所述初始簇中心数目的控制系数，取值范围为β∈[0.5,1]。进一步的，步骤S5中，将超密集网络中任意微小区基站i与任意微小区基站j之间的欧式距离di,j与所述簇中心隔离距离Rc比较，若di,j＞Rc，则将微小区基站j从所述待选簇中心池中移除，直至所述待选簇中心池中任意两个微小区基站的距离di,j均大于所述簇中心隔离距离Rc。本专利技术的超密集网络中基于密度与最小距离的基站分簇方法，首先计算得到超密集网络中微小区基站的分布密度和分簇密度阈值，将分布密度大于分簇密度阈值的微小区基站构建初始簇中心池，并计算初始簇中心池任意两个微小区基站之间的距离；然后，计算初始簇中心池中的每个微小区基站的加权分布密度为实际分布密度与距离高密度基站的最小距离的乘积，按加权分布密度对池中基站进行降序排列，形成待选簇中心池；并计算待选池的簇中心隔离距离；比较初始簇中心池任意两个微小区基站的距离与簇中心隔离距离的大小，将小于簇中心隔离距离的微小区基站从待选簇中心池移除；最后，统计并记录待选簇中心池中微小区基站的数目和地理位置，将数目和地理位置作为传统K-means的参数输入并执行K-means算法，得到超密集网络中微小区基站的分簇结果；与现有技术相比，本专利技术可以根据网络中基站的位置变化自适应的设置分簇的个数，从而更好地实现超密集网络的分簇；通过计算基站的分布密度与最小距离来联合筛选初始簇中心，可以避免陷入局部最优解的情况，从而获得准确度更高的分簇结果。附图说明图1为本专利技术实施例中所述超密集网络中基于密度与最小距离的基站分簇方法的流程框图示意。图2为本专利技术实施例的微小区基站分布位置模拟图。图3为本专利技术实施例的分簇结果图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。在本专利技术实施例中，提供了一种超密集网络中基于密度与最小距离的基站分簇方法；具体的，本专利技术以300m*300m的区域进行微小区基站的分布位置模拟来对本专利技术方法进行说明，区域内的所有微小区基站的位置分布满足独立泊松点分布过程；参阅图1，假设区域内微小区基站的数目为N＝50，则方法的具体过程包括步骤：步骤一、记录超密集网络中N个微小区基站的地理位置，即N＝50，参阅图2，图示为本实施例中微小区基站的分布位置模拟图，从中可知超密集网络中各微小区基站的实际位置分布情况，从而可以得到每一微小区基站的地理位置；然后计算任意两个微小区基站之间的欧式距离；超密集网络中基站i与基站j均为2维向量，则基站i与基站j之间的欧式距离计算为：l∈{1,2}，从而得到任意两个微小区基站之间的欧式距离。步骤二、计算超密集网络中每个微小区基站的分布密度和分簇密度阈值，其中，分布密度定义为：式中，di,j表示超密集网络中微小区基站i与微小区基站j之间的欧式距离；分簇密度阈值定义为：式中，α为所述初始簇中心数目的控制系数，取值范围为α∈[0.5,1]，且α越大，表明超密集网络中含有初始簇中心的数目就越少，本实施例以α＝1对本专利技术方法进行具体说明；将得到的每一微小区基站的分布密度与分簇密度阈值进行数值大小比较，若微小区基站对应的分布密度大于分簇密度阈值，即则将对应的微小区基站j作为初始簇中心。步骤三、将所有初始簇中心组成初始簇中心池，计算初始簇中心池中每个微小区基站与较其分布密度高的微小区基站之间距离的最小值；在实施例中，初始簇中心池中所有初始簇本文档来自技高网...

【技术保护点】
1.一种超密集网络中基于密度与最小距离的基站分簇方法，其特征在于，所述方法包括步骤：S1、记录超密集网络中N个微小区基站的地理位置，并计算任意两个微小区基站之间的欧式距离；S2、计算超密集网络中每个微小区基站的分布密度和分簇密度阈值，比较各微小区基站的分布密度与分簇密度阈值的大小，并将分布密度大于分簇密度阈值的微小区基站作为初始簇中心；S3、将所有所述初始簇中心组成初始簇中心池，计算所述初始簇中心池中每个微小区基站与较其分布密度高的微小区基站之间距离的最小值；S4、计算所述初始簇中心池中各微小区基站的分布密度与较其分布密度高的微小区基站之间距离最小值的乘积，记为加权分布密度θj，并将微小区基站对应所述加权分布密度θj从大到小降序排列形成待选簇中心池；S5、计算簇中心隔离距离，并按照所述加权分布密度θj的大小在所述待选簇中心池中进行降序排列，依次将待选簇中心池中两两之间距离大于所述簇中心隔离距离的两个簇中心中加权分布密度值较小的簇中心从待选簇中心池中移除；S6、统计并记录最终获得的所述待选簇中心池中簇中心的数目K及每一簇中心的地理位置，作为参数输入传统K‑means算法中，执行K‑means算法得到超密集网络中所有微小区基站的分簇结果。...

【技术特征摘要】
1.一种超密集网络中基于密度与最小距离的基站分簇方法，其特征在于，所述方法包括步骤：S1、记录超密集网络中N个微小区基站的地理位置，并计算任意两个微小区基站之间的欧式距离；S2、计算超密集网络中每个微小区基站的分布密度和分簇密度阈值，比较各微小区基站的分布密度与分簇密度阈值的大小，并将分布密度大于分簇密度阈值的微小区基站作为初始簇中心；S3、将所有所述初始簇中心组成初始簇中心池，计算所述初始簇中心池中每个微小区基站与较其分布密度高的微小区基站之间距离的最小值；S4、计算所述初始簇中心池中各微小区基站的分布密度与较其分布密度高的微小区基站之间距离最小值的乘积，记为加权分布密度θj，并将微小区基站对应所述加权分布密度θj从大到小降序排列形成待选簇中心池；S5、计算簇中心隔离距离，并按照所述加权分布密度θj的大小在所述待选簇中心池中进行降序排列，依次将待选簇中心池中两两之间距离大于所述簇中心隔离距离的两个簇中心中加权分布密度值较小的簇中心从待选簇中心池中移除；S6、统计并记录最终获得的所述待选簇中心池中簇中心的数目K及每一簇中心的地理位置，作为参数输入传统K-means算法中，执行K-means算法得到超密集网络中所有微小区基站的分簇结果。2.如权利要求1所述的超密集网络中基于密度与最小距离的基站分簇方法，其特征在于，步骤S2中，所述分布密度定义为：其中，di,j表示超密集网络中微小区基站i与微...

【专利技术属性】
技术研发人员：张晶，程万里，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32