CN105050192A - 密集网络中基于虚拟小区的干扰管理方法 - Google Patents

Abstract

本发明请求保护一种密集网络基于虚拟小区的干扰管理方法，该方法首先建立一个基于用户分布的大数据库，随后利用机器学习方法对当前的用户分布进行分析进而判断是否需要执行构建虚拟小区的过程，构建虚拟小区按照本发明给出的基于用户分布的构建方法构建。之后进行虚拟小区的资源分配，步骤是首先按照基于优先级的频率分配方法为用户分配PRB，随后按照基于最小干扰的功率分配方法为用户分配功率，然后再按照功率补分配方法为虚拟小区分配功率，将成功分配资源之后的资源分配方式和当前的用户分布存入之前建立的数据库中。本方法使得同层干扰更加有效的被抑制，同时本方法能够获得更好的公平性，能够为用户提供更好的服务质量。

Description

密集网络中基于虚拟小区的干扰管理方法

技术领域

本发明涉及高密集异构自组织网络领域技术，尤其涉及一种密集网络基于虚拟小区的干扰管理方法。

背景技术

对于高密集蜂窝网络而言，小区边缘用户的吞吐量一直是无法回避的问题，边缘用户的吞吐量的降低将严重影响整个小区的吞吐量水平。并且由于网络和频谱资源的稀缺，共信道部署的解决方案又会使得系统内的同层干扰和跨层干扰十分严重。针对以上问题，在高密集分层异构网络中采用构建虚拟小区的组网方案可以提供更大容量的传输能力，并且由于依靠空闲频段和小区间的干扰协调技术，使得系统的性能得到优化频谱效率得到提高，特别是小区的边缘用户性能得到改善。

随着无线网络的不断更新换代，特别是在加入了高密集异构小蜂窝的5G网络中，整个网络中的数据量空前的巨大，而大数据问题是目前学术界和产业界共同关注的挑战性问题。伴随着大数据的采集、传输、处理和应用的相关技术就是大数据处理技术，也就是能够获得分析和预测结果的一系列数据处理技术。

由于大数据存在复杂、高维、多变等特性，如何从真实、凌乱、无模式和复杂的大数据中挖掘出我们需要的信息成了一个难题。特别是在网络自组织、自优化的需求下，利用大数据机器学习得到的统计预测结果会对系统的性能有比较明显的加强。本章采用改进的AdaBoost方法对用户以及femtocell资源使用情况进行预测。下面介绍AdaBoost方法的一些基本概念。

AdaBoost是最具代表性的Boosting方法，由Freund和Schapire于1995年提出，现有的各种Boosting方法都是在AdaBoost方法的基础之上发展而来的。其突出优点是不需要任何关于弱学习器的先验知识，样本分布的改变取决于样本是否被正确分类。方法的基本思路是赋予分类正确的样本以较低的权值，同时调高分类错误样本的权值，作为后续学习器的输入，最终得到的结果是弱分类器的加权组合。AdaBoost是一种有很高精度的分类器，能够有效避免过拟合。

虚拟小区或者可以被称为“宏蜂窝辅助”的微基站，是在分布式天线阵中移动台自组小区，它与传统蜂窝小区不同之处在于，虚拟小区没有被配置例如主/辅同步信号(PSS/SSS)ID、小区特定参考信号(CRS)以及控制信息模块(MIB)/系统信息模块(SIB)等专用的信号和信道。宏小区和虚拟小区是主从关系，由宏基站(MeNB)信令控制UE和虚拟小区之间的无线资源控制(RRC)连接程序，虚拟小区基站(PhNB)仅为用户业务提供数据传输通路。

虚拟小区的概念为未来高密集异构网络带来了一般性的设计理念和思路，它的实现包含了多种相关技术，与本文密切相关的有负载均衡、干扰管理和小区间干扰协调，除此之外还有频带扩展、高密度网络的基带处理、小小区的发现、小区规划、移动性支持以及进一步的低成本设计等等的内容。由于在高密集异构蜂窝网络下异构小蜂窝的部署密度较高，在传统的频率复用技术下，宏用户和宏用户之间、宏用户与异构蜂窝用户之间以及不同异构蜂窝用户之间的干扰都将变得更加的严重。为此，我们提出虚拟小区的概念，旨在解决这些高密度异构蜂窝用户的严重干扰问题并且提高频谱使用率。

发明内容

针对现有技术的不足，提出了一种同层干扰更加有效的被抑制，同时本方法能够获得更好的公平性，能够为用户提供更好的服务质量的密集网络中基于虚拟小区的干扰管理方法。本发明的技术方案如下：一种密集网络中基于虚拟小区的干扰管理方法，其包括以下步骤：

101、建立用户分布库，所述用户分布库包括成功构建了虚拟小区的用户的集合，即用于机器学习中的预测训练集合，所述用户的集合包括用户位置信息、用户被分配到的资源情况，用集合表示第i个小区内的第j个用户的所有情况，若i＝0则表示为宏小区，则代表某时刻的用户分布情况；

102、采用基于Adaboost的分布预测方法对步骤101中建立的用户分布库进行分布预测，若预测成功，得到结果为和π^* _n，i，j，其中π^* _n，i，j表示资源使用情况。则按照库中π^* _n,i,j给出的频率资源和功率进行分配，否则跳转至步骤103，建立虚拟小区；

103、根据系统的用户分布构建虚拟小区的步骤；

104、对步骤103建立的虚拟小区进行资源分配的步骤，依次进行基于优先级的PRB分配步骤、基于最小干扰的功率分配步骤和虚拟小区功率补分配步骤，得到用户分布和资源使用方式，并将用户分布和资源使用方式存入步骤101建立的用户分布库中完成虚拟小区的分配。

进一步的，步骤103根据系统的用户分布构建虚拟小区的步骤具体包括；

A1、设定虚拟小区初始半径R以及最大无干扰用户数量N，即系统最大PRB数；搜寻整个系统中在以R为半径的圆的范围内宏用户和所有区域内异构小蜂窝用户总数大于N的地区；

A2、计算相邻虚拟小区的中心间距，设定两个相邻虚拟小区的中心间距不小于将符合要求的虚拟小区进行编号，表示为：VC_m，输出成功构建的虚拟小区。

进一步的，步骤104中所述的基于优先级的PRB分配步骤具体为：

首先定义虚拟小区中间距d_i,j表示虚拟小区内的第i和第j两个用户之间的距离。同时，通过感知技术统计在虚拟小区内使用相同PRB的用户的数量并用变量S_i表示虚拟小区中第i个用户的情况。于是有：d_i＝∑d_i,j表示第i个用户和虚拟小区中其他使用相同PRB资源的所有用户的距离之和。

B1、赋值i＝{1,2,…,N_k}计算S_i和d_i，判断用户是否和其他已分配PRB的用户处于相同家庭基站，如果处在相同基站，则为该用户分配不重复PRB；如果不处在同一家庭基站则进入步骤B2；

B2、判断S_i的值是否大于其他未分配的用户，则优先为这个用户分配不重复PRB；如果其值不大于其他未分配的用户，则进入B3；

B3、判断d_i，如果其值小于其他未分配的用户，则优先为这个用户分配不重复的PRB；如果其值不小于其他未分配的用户，则判断当前是否还有剩余的不重复PRB资源，如果有，那么为这个用户分配不重复的PRB；输出用户占用PRB信息λ_n,k。

进一步的，步骤104中所述的基于最小干扰的功率分配步骤具体为：

C1、建立P1优化模型的方法；

$P1:\underset{P_{n,k}}{\min }\underset{n}{\overset{N}{\mathrm{\Σ}}}\underset{k}{\overset{N_k}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}{\mathrm{\Ω}}_{n,k}$

s.t.

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}\≥C_{\min },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}\≤P_{\max },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$P_{n,k}\≥0,\∀k\∈\{\mathrm{1,2}...,N_k\},\∀n\∈\{\mathrm{1,2}...,N\}$

式中，C_min表示每个用户的容量，P_max表示功率最大值，Ω_n,k为虚拟小区中第k个用户在占用第n个PRB时的干扰因子，它仅是通过位置信息和λ_n,k来确定的；N为虚拟小区可以使用的PRB数量；Nk为虚拟小区中的用户数量；C_n,k为第k个用户的容量；P_n,k为第k个用户的功率；

C2、优化求解后得到关于功率分配的最优解：

$P_{n,k}^{*}={[\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}}-\frac{{\mathrm{\σ}}^2}{G_{n,k}}]}^{+}$

其中[x]⁺＝max(0,x)。

进一步的，步骤104中所述的虚拟小区功率补分配步骤包括以下步骤：

E1、对经过基于最小干扰的功率分配步骤后剩余的功率余量可以表示为：

$P_{\mathrm{left}}=N_k{P}_{\max }-\underset{N}{\mathrm{\Σ}}\underset{N_k}{\mathrm{\Σ}}{P}_{n,k}^{*};$

E2、对步骤E1的功率余量建立以下优化模型：

$P3:\underset{P_i}{\min }\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i{\mathrm{\Ψ}}_i$

s.t.

$\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i=P_{\mathrm{left}}$

0≤P_i≤P_max

其中Ψ_i表示虚拟小区内的第i个用户同虚拟小区的路损和其受到的干扰的总和因子，求解得到功率分配。

本发明的优点及有益效果如下：

通过本方法的处理，能够有效的解决大规模部署小蜂窝带来的资源使用不充分的问题，同时也能够尽量地规避干扰。

附图说明

图1是本方法总体简要流程图；

图2是虚拟小区资源分配方法流程图；

图3是本方法总体详细流程图。

具体实施方式

以下结合附图，对本发明作进一步说明：

本发明提供了一种密集网络基于虚拟小区的干扰管理方法

参见图1，图1为本方法的总体流程图，从图中可以看出本方法可以分为4个大步骤，即：

步骤A，建立用户分布库。

步骤B，基于Adaboost的分布预测方法。

步骤C，构建虚拟小区的方法。

步骤D，虚拟小区资源分配方法。

下面详细介绍每个步骤的具体过程。

步骤A——建立用户分布库。

在给出数学模型之前，我们先假定家庭基站和宏基站共享信道资源，家庭用户和宏用户随机地分布在整个小区范围内。在不通过小区间的协作的前提下整个系统的干扰非常严重，信道环境很差，为此我们利用构建虚拟小区的方式来应对这个问题。首先，我们建立一个基于大数据的库，这个库包含了所有的成功构建虚拟小区的用户的集合，也就是运用到机器学习中的预测训练集合。这些集合中存储着某些时段的用户分布情况，包括用户位置信息、用户被分配到的资源情况等。用集合表示第i个小区内的第j个用户的所有情况，若i＝0则表示为宏小区。则代表某时刻的用户分布情况。

步骤B——基于Adaboost的分布预测方法

首先介绍Adaboost方法流程：

对于一组长度为m的预测训练集合C，(x_i,y_i)∈C表示预测训练集合中的元素。Ω为x_i被分类的集合，即y_i∈Ω＝{-1,1}，当y_i＝1时即代表x_i确实出现在下一时段的分布中，反之y_i＝-1代表x_i未出现在下一时段的分布中。

Input：长度为m的样本并且带有y_i∈Ω＝{-1,1}标签的预测训练集合C。

Output：预测结果。

Step1：初始化预测训练数据的权值分布：

$D_i\left(i\right)=\frac{1}{m},i=1,...,m$

Step2：对t＝1,…,T：

(2.a)使用具有权值分布的训练数据集进行学习，得到：

$g_t\left(x_i\right)=\left\{\begin{array}{cc}1& x_i\∈P\\ -1& x_i\∈Q\end{array}\right.$

(2.b)计算g_t(x)在预测训练数据集上的误差率δ_t：

$g_t:\arg \underset{g_j\∈G}{\min }{\mathrm{\δ}}_j=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{D}_t\left(i\right)[y_i\≠g_j\left(x_i\right)]$

如果计算得δ_t>1/2，则退出方法。

(2.c)计算g_t(x)的系数：

${\mathrm{\α}}_t=\frac{1}{2}\log \frac{1-{\mathrm{\δ}}_t}{{\mathrm{\δ}}_t}$

(2.d)更新预测训练数据集的权值分布：

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\·\exp (-{\mathrm{\α}}_t{y}_i{g}_t\left(x_i\right))}{Z_t}$

其中，Z_t是规范化因子，它使D_t+1成为一个概率分布：

$Z_t=\underset{i}{\mathrm{\Σ}}{D}_t\left(i\right)\exp (-{\mathrm{\α}}_t{y}_i{g}_t\left(x_i\right))$

Step3:输出最终数据预测结果：

$G\left(x\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{g}_t\left(x\right)$

其中若x的权重为正，则证明x为成功预测。

在本方法中，预测的训练集合为系统的用户分布标签为当前PRB使用状态π_n,i,j，因此假设通过上述方法能够成功，得到的结果为和π^* _n,i,j，那么按照π^* _n,i,j给出的频率资源进行分配，只需考虑功率的分配即可；反之，则要进行虚拟小区的构建，通过方法优化得到π^* _n,i,j，然后再进行功率的分配。

步骤C——构建虚拟小区的方法

下面介绍基于用户分布的虚拟小区构建方法步骤：

输入：系统的用户分布

Step1：设定虚拟小区初始半径R以及最大无干扰用户数量N，即系统最大PRB数；搜寻整个系统中在以R为半径的圆的范围内宏用户和所有区域内异构小蜂窝用户总数大于N的地区。

Step2：计算相邻虚拟小区的中心间距，为了保证相同的地区不被同时圈入多个虚拟小区内，我们规定两个相邻虚拟小区的中心间距不小于将符合要求的虚拟小区进行编号，表示为：VC_m。

输出：成功构建的虚拟小区。

步骤D——虚拟小区资源分配方法。

下面，我们主要介绍虚拟小区的资源分配方法。参见图2，图2为虚拟小区资源分配方法的流程图，从图中看出本步骤主要分成3个部分：基于优先级的PRB分配方法、基于最小干扰的功率分配方法和虚拟小区功率补分配方法。

步骤D1：基于优先级的PRB分配方法

Fori＝{1,2,…,N_k}计算S_i和d_i

Step1：判断用户是否和其他已分配PRB的用户处于相同家庭基站，如果处在相同基站，则为这些用户分配不重复PRB；如果不处在同一家庭基站则进入step2；

Step2：判断S_i，如果其值大于其他未分配的用户，则优先为这个用户分配不重复PRB；如果其值不大于其他未分配的用户，则进入step3；

Step3：判断d_i，如果其值小于其他未分配的用户，则优先为这个用户分配不重复的PRB；如果其值不小于其他未分配的用户，则判断当前是否还有剩余的不重复PRB资源。如果有，那么为这个用户分配不重复的PRB；

输出：用户占用PRB信息λ_n,k。

很显然，通过上面的三个步骤我们已经为N个用户分配了PRB资源，其他的N_k-N个用户只能分配已经有用户使用的PRB资源。对于这N_k-N个用户我们依然可以利用上面的步骤，此时在进行step2和step3时需要忽略分配PRB的用户。

通过以上的基于优先级的PRB资源分配方法我们得到了λ_n,k，也就是处在虚拟小区中的用户的PRB使用情况。

步骤D2：基于最小干扰的功率分配方法

我们使用建立优化模型的方法解决功率分配的问题。

$P1:\underset{P_{n,k}}{\min }\underset{n}{\overset{N}{\mathrm{\Σ}}}\underset{k}{\overset{N_k}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}{\mathrm{\Ω}}_{n,k}$

s.t.

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{C}_{n,k}\≥C_{\min },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}\≤P_{\max },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$P_{n,k}\≥0,\∀k\∈\{\mathrm{1,2}...,N_k\},\∀n\∈\{\mathrm{1,2}...,N\}$

问题P1中Ω_n,k为虚拟小区中第k个用户在占用第n个PRB时的干扰因子，它仅是通过位置信息和λ_n,k来确定的；N为虚拟小区可以使用的PRB数量；Nk为虚拟小区中的用户数量；C_n,k为第k个用户的容量；P_n,k为第k个用户的功率。

由于每个PRB的带宽都相同，我们可以将其忽略，根据香农公式我们可以得到：

$P_{n,k}=\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1)$

其中G_n,k表示第k个用户在占用第n个PRB时的信道增益。对于用户而言，当PRB分配结束后λ_n,k即为固定值，于是优化模型变为

$P2:\underset{C_{n,k}}{\min }\underset{n}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1){\mathrm{\Ω}}_{n,k}$

s.t.

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{C}_{n,k}\≥C_{\min },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1)\≤P_{\max },\∀k\∈\{\mathrm{1,2}...,N_k\}$

$P_{n,k}\≥0,\∀k\∈\{\mathrm{1,2}...,N_k\},\∀n\∈\{\mathrm{1,2}...,N\}$

由于问题P2为凸优化问题，下面我们对其进行求解。首先给出问题P2的拉格朗日方程：

$L=\underset{n}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1){\mathrm{\Ω}}_{n,k}+\mathrm{\α}(C_{\min }-\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{C}_{n,k})+\mathrm{\β}(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1)-P_{\max })-\underset{n}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}}-1){\mathrm{\μ}}_n$

其中α、β和μ_n为拉格朗日乘子，下面我们给出对应的KKT条件：

$C_{n,k}^{*}\≥0$

α≥0

β≥0

μ_n≥0

$\mathrm{\α}(C_{\min }-\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{C}_{n,k}^{*})=0$

$\mathrm{\β}(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}^{*}}-1)-P_{\max })$

$\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}^{*}}-1){\mathrm{\μ}}_n=0$

$\frac{\∂L}{{\∂C}_{n,k}^{*}}=0$

其中最后一式可以写为：

$\frac{\∂L}{{\∂C}_{n,k}^{*}}=\frac{{\mathrm{\σ}}^2}{G_{n,k}}(2^{C_{n,k}^k}-1){\mathrm{\Ω}}_{n,k}+\mathrm{\α}+\mathrm{\β}\frac{{\mathrm{\σ}}^2}{G_{n,k}}{2}^{C_{n,k}^{*}}-{\mathrm{\μ}}_n\frac{{\mathrm{\σ}}^2}{G_{n,k}}{2}^{C_{n,k}^{*}}=0$

将上式变形可以得到：

$C_{n,k}^{*}=\log \left(\frac{{\mathrm{\αG}}_{n,k}}{{\mathrm{\σ}}^2({\mathrm{\Ω}}_{n,k}+\mathrm{\β}-{\mathrm{\μ}}_n)}\right)$

根据香农公式，我们可以得到：

$P_{n,k}^{*}=\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}-{\mathrm{\μ}}_n}-\frac{{\mathrm{\σ}}^2}{G_{n,k}}$

由于因此如果有那么μ_n＝0，于是 $P_{n,k}^{*}=\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}}-\frac{{\mathrm{\σ}}^2}{G_{n,k}};$ 否则当 $\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}-{\mathrm{\μ}}_n}\≤\frac{{\mathrm{\σ}}^2}{G_{n,k}}$ 时有 $P_{n,k}^{*}=\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}-{\mathrm{\μ}}_n}-\frac{{\mathrm{\σ}}^2}{G_{n,k}}\≤0$ 所以有 $P_{n,k}^{*}=0.$

综上分析我们可以得到关于功率分配的最优解：

$P_{n,k}^{*}={[\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}}-\frac{{\mathrm{\σ}}^2}{G_{n,k}}]}^{+}$

其中[x]⁺＝max(0,x)。

步骤D3：虚拟小区功率补分配方法

由于步骤D2中的最优解是满足约束条件的，因此因此系统中仍然存在一部分功率余量没有被使用，这部分功率余量可以表示为：

$P_{\mathrm{left}}=N_k{P}_{\max }-\underset{N}{\mathrm{\Σ}}\underset{N_k}{\mathrm{\Σ}}{P}_{n,k}^{*}$

那么这些功率余量可以被虚拟小区使用，通过双连接的方式更进一步地提升小区的容量。为此我们建立以下优化模型：

$P3:\underset{P_i}{\min }\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i{\mathrm{\Ψ}}_i$

s.t.

$\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i=P_{\mathrm{left}}$

0≤P_i≤P_max

其中Ψ_i表示虚拟小区内的第i个用户同虚拟小区的路损和其受到的干扰的总和因子。

很明显，问题P3是一个线性优化问题，在数学中称这类简单的线性优化问题为组合投资优化问题。由于当用户位置固定而且在通过最小干扰功率分配方法分配了PRB资源之后，每个用户的Ψ_i其实是固定值。因此显然我们投资给给那些回报率高的用户能获得更大的提升。为了解决上述问题，我们给出虚拟小区功率补分配方法：

输入：Ψ_i,i＝1,2,…,N_k，P_left

Fori＝{1,2,…,N_k}，初始化P_i＝0

Step1：将虚拟小区中的所有Ψ_i按照升序排序，并标号为s；

Step2：计算同时令n＝1；

Step3：当n≤Z时，那么执行循环体{P_s(n)＝P_max,n＝n+1}；

Step4：令n＝Z+1，那么

Step5：按照标号s还原P_s(n)到P_i

输出：P_i,i＝1,2,…,N_k。

最后，将构建完毕的用户分布和资源使用方式存入我们建立的库中。

为了更清晰地给出本方法的思路，我们给出本方法的详细流程图，参见图3。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种密集网络中基于虚拟小区的干扰管理方法，其特征在于，包括以下步骤：

101、建立用户分布库，所述用户分布库包括成功构建了虚拟小区的用户的集合，即用于机器学习中的预测训练集合，所述用户的集合包括用户位置信息、用户被分配到的资源情况，用集合表示第i个小区内的第j个用户的所有情况，若i＝0则表示为宏小区，则代表某时刻的用户分布情况；

102、采用基于Adaboost的分布预测方法对步骤101中建立的用户分布库进行分布预测，若预测成功，得到结果为和π^* _n,i,j，其中π^* _n,i,j表示资源使用情况。则按照库中π^* _n,i,j给出的频率资源和功率进行分配，否则跳转至步骤103，建立虚拟小区；

103、根据系统的用户分布构建虚拟小区的步骤；

104、对步骤103建立的虚拟小区进行资源分配的步骤，依次进行基于优先级的PRB分配步骤、基于最小干扰的功率分配步骤和虚拟小区功率补分配步骤，得到用户分布和资源使用方式，并将用户分布和资源使用方式存入步骤101建立的用户分布库中完成虚拟小区的分配。

2.根据权利要求1所述的一种密集网络中基于虚拟小区的干扰管理方法，其特征在于，步骤103根据系统的用户分布构建虚拟小区的步骤具体包括；

A1、设定虚拟小区初始半径R以及最大无干扰用户数量N，即系统最大PRB数；搜寻整个系统中在以R为半径的圆的范围内宏用户和所有区域内异构小蜂窝用户总数大于N的地区；

A2、计算相邻虚拟小区的中心间距，设定两个相邻虚拟小区的中心间距不小于将符合要求的虚拟小区进行编号，表示为：VC_m，输出成功构建的虚拟小区。

3.根据权利要求1所述的一种密集网络中基于虚拟小区的干扰管理方法，其特征在于，步骤104中所述的基于优先级的PRB分配步骤具体为：

首先定义虚拟小区中间距d_i,j表示虚拟小区内的第i和第j两个用户之间的距离，同时，通过感知技术统计在虚拟小区内使用相同PRB的用户的数量并用变量S_i表示虚拟小区中第i个用户的情况，于是有：d_i＝∑d_i,j表示第i个用户和虚拟小区中其他使用相同PRB资源的所有用户的距离之和；

B1、赋值i＝{1,2,…,N_k}计算S_i和d_i，S_i和d_i分别表示判断用户是否和其他已分配PRB的用户处于相同家庭基站，如果处在相同基站，则为该用户分配不重复PRB；如果不处在同一家庭基站则进入步骤B2；

B2、判断S_i的值是否大于其他未分配的用户，则优先为这个用户分配不重复PRB；如果其值不大于其他未分配的用户，则进入B3；

B3、判断d_i，如果其值小于其他未分配的用户，则优先为这个用户分配不重复的PRB；如果其值不小于其他未分配的用户，则判断当前是否还有剩余的不重复PRB资源，如果有，那么为这个用户分配不重复的PRB；输出用户占用PRB信息λ_n,k。

4.根据权利要求1所述的一种密集网络中基于虚拟小区的干扰管理方法，其特征在于，步骤104中所述的基于最小干扰的功率分配步骤具体为：

C1、建立P1优化模型的方法；

$P1:\underset{P_{n,k}}{\min }\underset{n}{\overset{N}{\mathrm{\Σ}}}\underset{k}{\overset{N_k}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}{\mathrm{\Ω}}_{n,k}$

s.t.

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{C}_{n,k}\≥C_{\min },\∀k\∈\{\mathrm{1,2}\·\·\·,N_k\}$

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{n,k}{P}_{n,k}\≤P_{\max },\∀k\∈\{\mathrm{1,2}\·\·\·,N_k\}$

$P_{n,k}\≥0,\∀k\∈\{\mathrm{1,2}\·\·\·,N_k\},\∀n\∈\{\mathrm{1,2}\·\·\·,N\}$

式中，C_min表示每个用户的容量，P_max表示功率最大值，Ω_n,k为虚拟小区中第k个用户在占用第n个PRB时的干扰因子，它仅是通过位置信息和λ_n,k来确定的；N为虚拟小区可以使用的PRB数量；Nk为虚拟小区中的用户数量；C_n,k为第k个用户的容量；P_n,k为第k个用户的功率；

C2、优化求解后得到关于功率分配的最优解：

$P_{n,k}^{*}={[\frac{\mathrm{\α}}{{\mathrm{\Ω}}_{n,k}+\mathrm{\β}}-\frac{{\mathrm{\σ}}^2}{G_{n,k}}]}^{+}$

其中[x]⁺＝max(0,x)。

5.根据权利要求1所述的一种密集网络中基于虚拟小区的干扰管理方法，其特征在于，步骤104中所述的虚拟小区功率补分配步骤包括以下步骤：

E1、对经过基于最小干扰的功率分配步骤后剩余的功率余量可以表示为：

$P_{\mathrm{left}}=N_k{P}_{\max }-\underset{N}{\mathrm{\Σ}}\underset{N_k}{\mathrm{\Σ}}{P}_{n,k}^{*};$

E2、对步骤E1的功率余量建立以下优化模型：

$P3:\underset{P_i}{\min }\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i{\mathrm{\Ψ}}_i$

s.t.

$\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{P}_i=P_{\mathrm{left}}$

0≤P_i≤P_max

其中Ψ_i表示虚拟小区内的第i个用户同虚拟小区的路损和其受到的干扰的总和因子，求解得到功率分配。