[发明专利]超密集网络中基于高斯加权的基站动态分簇方法

说明书

本发明公开了一种超密集网络中基于高斯加权的基站动态分簇方法，该方法首先计算超密集网络中每个小基站的高斯加权密度值以及平均加权密度值；将高斯加权密度值大于平均加权密度的基站挑选为初始簇中心并形成待选初始簇中心池；计算簇的覆盖半径，依次将待选簇中心池中两两基站之间高斯加权分布密度值小于覆盖半径的基站从池中移除；将最终簇中心点数目以及相应的基站坐标信息作为传统K‑means的输入参数来执行K‑means算法，从而得到最终超密集网络中所有基站的分簇结果。本发明可以准确地衡量基站的分布状况、提高分簇的准确率、加快分簇的收敛速度，并且可以根据基站的分布状况进行动态分簇，使超密集网络场景的分簇更加灵活。

技术领域

本发明属于无线通信领域，具体涉及一种超密集网络中基于高斯加权的基站动态分簇方法，主要应用于超密集网络中基站的合理分簇。

背景技术

随着无线移动网络的迅速发展，大量的智能设备不断兴起。为了满足激增的流量需求，超密集网络将作为5G的关键性技术之一。在超密集网络中，为了保证室内无线覆盖效果，尤其是在建筑物密集区域，简单的增大宏基站的发射功率并不能解决该问题。我们通过密集部署小功率的小型基站不仅可以增强蜂窝覆盖、缓解高密度地区的宏蜂窝流量，同时也可以提高网络吞吐量和频谱效率，这被广泛认为是一种有前景的技术。但由于密集部署的小基站将带来巨大的计算量以及干扰问题，因此采用半分布式的资源管理分配逐渐流行，对于半分布式的资源管理分配，即先对基站进行分簇，然后每个簇内利用簇头进行资源的合理分配。其中，根据基站的位置信息采用K-means算法可以快速有效地对基站进行分簇。但传统的K-means存在一些不足，首先，过于依赖初始的簇中心。因为该算法初始簇中心的选择是随机的，并且样本越多，迭代次数越高，对分簇算法越不利，甚至在极端情况下，该聚类算法无法收敛；其次，容易受到噪声点样本的影响，使得分簇进入局部最优解；最后，分簇的数量不能自动确定，因此在每次分簇算法执行前必须要手动输入分簇数量。

针对以上技术问题，需要寻找合适的初始簇中心极为关键，同时为了适应不断变化的网络拓扑结构，采用动态分簇对于超密集网络场景更为合适。

发明内容

本发明的目的在于针对现有技术的缺陷，提供了一种超密集网络中基于高斯加权的基站动态分簇方法。

为了实现以上目的，本发明采用以下技术方案：

一种超密集网络中基于高斯加权的基站动态分簇方法，包括步骤：

S1、输入小基站的坐标信息集合，并计算任意两个基站之间的欧式距离；

S2、计算每个基站的分布密度值、高斯权重值、归一化权重值、高斯加权密度值以及基站的平均加权密度；

S3、遍历所有基站，找出高斯加权密度值大于平均加权密度的所有数据点形成初始簇中心池，并将这些数据点按照加权密度值从大到小的顺序排列，放到初始簇中心池中；

S4、计算簇的覆盖半径R；

S5、计算初始簇中心池中任意两个数据点之间的欧式距离，当集合内两个数据点之间的距离小于簇的覆盖半径R时，则从初始簇中心池中删除相对靠后的数据点，直到池中任意两点的距离都大于簇的覆盖半径；

S6、统计剩余的数据点，将其定义为最终的初始簇中心池，并记录基站个数K；

S7、将最终的初始簇中心池、基站个数以及基站所有的位置信息作为K-means算法的输入，执行K-means算法，得出最终的簇中心点集合。我们选取离簇中心点最近的基站作为每个簇的簇头，输出分簇个数K、簇头集合以及每个基站所属簇的状况。

进一步的，步骤S2中，所述的密度值定义为：