[发明专利]一种超密集网络中基于密度与最小距离的基站分簇方法

说明书

本发明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；本发明解决了分簇不均匀的问题。

技术领域

本发明属于无线通信技术领域，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。

背景技术

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。

发明内容

本发明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θ_j，并将微小区基站对应所述加权分布密度θ_j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θ_j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小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：