[发明专利]一种基于改进支持向量机算法的小区用户划分方法

权利要求书

1.一种基于改进支持向量机算法的小区用户划分方法，其特征在于，所述方法包括如下步骤：

(1)针对5G通信系统特性，建立小区移动用户到基站的通信场景模型问题模型；

(2)在基站端提取用户的信号/信道状态信息数据，并对数据进行特征参数的分离提取，通过特征参数，对用户是中心用户还是边缘用户进行综合划分，并建立用户特征向量数据；

(3)针对遗传算法做出改进；

所述步骤(3)中，改进遗传算法的具体步骤包括：

31)初始化种群P(0)，对相关参数进行设置，同时计算出群体P(t)中每个个体对应的适应度函数值；

32)将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择优良个体遗传到下一代群体；

33)将交叉算子作用于群体，对选中的成对个体，以自适应交叉概率Pc交换它们之间的部分染色体，产生新的个体；

34)变异运算：将变异算子作用于群体，对选中的个体，以自适应变异概率Pm改变某一个或某一些基因值为其他的等位基因；群体P(t)经过选择、交叉和变异运算之后得到下一代群体P(t+1)；计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作；

35)依据适应度方差公式计算当前g+1代种群的个体适应度方差δ²，对当前迭代次数g和方差δ²进行判定，决定是否进行高斯扰动和增大变异概率操作；

36)如果达到了终止条件，输出最优解，否则转至步骤32)；

(4)通过改进后的遗传算法实现支持向量机算法参数的组合优化；

所述步骤(4)中，对基于改进遗传算法的支持向量机的参数进行组合优化的具体步骤包括：

41)初始化种群，各个参数进行设置，设置惩罚参数C和核函数参数δ的取值范围，并依据取值范围随机生成N组(C,δ)，作为初始化种群P(0)；

42)以此(C,δ)作为SVM算法的参数，对样本数据进行训练和检验，并得到样本的分类结果，为寻求最优参数组合(C,δ)，定义误判率为种群个体适应度函数，误判率最小为优化目标，如式所示：

其中B₁、B₂为两类样本数目分别的总数，A₁、A₂分别为两类的误判数目，a为缩放因子，用来调节适应度函数值变化的明显程度；

43)将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体；

44)以自适应交叉概率Pc交换选中的成对个体之间的部分染色体，产生新的个体；

45)对选中的个体，以自适应变异概率Pm改变某一个或某一些基因值为其他的等位基因；

46)依据式适应度方差公式计算当前g+1代种群的个体适应度方差δ²，对当前迭代次数和方差进行判定，决定是否进行高斯扰动和增大变异概率操作；

47)如果达到了终止条件，输出SVM最优参数组合(C,δ)，否则转至步骤42)；

(5)基于步骤(4)中所得改进优化后支持向量机算法在基站侧建立用户分类模型并完成训练和测试。

2.根据权利要求1所述的一种基于改进支持向量机算法的小区用户划分方法，其特征在于：所述步骤(1)中小区移动用户到基站的通信场景模型问题模型中包括服务小区和相邻的干扰小区，服务小区存在1个基站A和1个移动用户UE1，干扰小区存在1个基站B和1个移动用户UE2。

3.根据权利要求1所述一种基于改进支持向量机算法的小区用户划分方法，其特征在于，所述步骤(2)中包括如下步骤：

21)在基站端提取用户信号到达接收端的时间t来判断某用户UE与基站之间的距离d；

22)比较d与和的大小，如果d大于则用户将被划分为边缘用户，如果d小于则用户将被划分为中心用户，其中r为小区半径，D为距离阈值；

23)不符合步骤22)的所有用户为中距用户，对于这些用户，在基站端提取它们的下倾角角度θ与垂直方向的划分角度β和大尺度衰落因子γ，组成一个代表UE1的三维特征向量(t，θ，α)，并打上标签：+1中心用户，-1边缘用户；

根据大尺度衰落因子的阈值p以及用户的垂直维度下倾角角度θ与划分角度β的对比：若用户下倾角满足90°≤θβ且大尺度衰落因子γ≥p，则判定为边缘用户，反之则判定为中心用户。