CN107659973A - 基于密度改进K‑means算法的超密集网络分簇方法 - Google Patents
基于密度改进K‑means算法的超密集网络分簇方法 Download PDFInfo
- Publication number
- CN107659973A CN107659973A CN201710730788.5A CN201710730788A CN107659973A CN 107659973 A CN107659973 A CN 107659973A CN 201710730788 A CN201710730788 A CN 201710730788A CN 107659973 A CN107659973 A CN 107659973A
- Authority
- CN
- China
- Prior art keywords
- cluster center
- mrow
- base station
- density
- super
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于密度改进K‑means算法的超密集网络分簇方法，该方法首先计算超密集网络中密集分布的微小区基站的分布密度和分簇密度阀值；将分布密度大于分簇密度阀值的基站选为初始簇中心并形成初始簇中心池；通过使初始簇中心池中任意两个初始簇中心间的距离都大于簇中心隔离距离筛选出最终簇中心点；将最终簇中心点数目K以及对应的地理位置作为传统K‑means的输入参数并执行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。本发明可以根据网络拓扑的变化进行动态分簇，并且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，可用于网络分簇和基站资源调度。
Description
技术领域
本发明属于无线通信领域，涉及一种基于密度改进K-means算法的超密集网络分簇方法，适用于对网络进行合理分簇和基站资源调度。
背景技术
近年来，越来越多的通信设备接入网络中，使得整个网络结构变得庞大而复杂，同时用户对数据流量的需求也呈现爆炸性增长，无线网络将面临着巨大的挑战。在超密集网络中，通过将微小区基站密集部署在小区中，可以大幅提高无线网络的系统容量。然而由于大量基站的密集部署，使得网络中干扰问题日趋严重，资源分配不合理的问题也亟待解决。通过分簇技术将整个网络分成多个子网络，然后在每个簇内进行干扰管理和资源分配可以有效地简化网络结构、便于基站管理，从而有效地进行干扰管理、合理分配资源。其中，采用K-means算法可以快速的根据微小区基站的位置对基站进行有效分簇。但是传统K-means算法需要对分簇的个数提前人为设置，而且不能根据网络结构的变化自适应地设定分簇个数。此外，该算法由于随机选择初始簇中心使得最终分簇结果容易陷入局部最优解的情况。
因此，需要寻找一个可以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，以便于在超密集网络中的实际应用。
发明内容
本发明所解决的技术问题在于提供一种基于密度改进K-means算法的超密集网络分簇方法，
实现本发明目的的技术解决方案为：一种基于密度改进K-means算法的超密集网络分簇方法，包括以下步骤：
步骤1、记录超密集网络中N个微小区基站的地理位置并计算每两个微小区基站之间的欧式距离。
步骤2、计算微小区基站的分布密度和分簇密度阀值。
步骤2-1定义的超密集网络中微小区基站的分布密度具体描述为：
其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离。
步骤2-2定义的超密集网络中微小区基站的分簇密度阀值具体描述为：
步骤2-3定义α为初始簇中心数目的控制系数，其取值范围为α∈[0.6,1]。当α越大时，初始簇中心的数目就越多。
步骤3、将分布密度大于分簇密度阀值的基站选为初始簇中心，利用判别式
将分布密度大于分簇密度阀值的基站j定义为初始簇中心。
步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并将池中的初始簇中心按照分布密度从大到小降序排列。
步骤5、计算簇中心隔离距离。
步骤5-1定义的簇中心隔离距离具体描述为：
步骤5-2定义β为簇中心隔离距离的控制系数，其取值范围为β∈[0.5,1]。当β越小时，簇中心间的隔离距离就越小。
步骤6、按照簇中心在初始簇中心池中的前后排列顺序，即λi＞λj，将簇中心i与簇中心j之间的距离di,j与簇中心隔离距离Rc进行比较。如果di,j＜Rc，β＝0.8，则将簇中心j从初始簇中心池中取出。重复此步骤，直至池中任意两簇中心间的距离都大于簇中心隔离距离。
步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行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。
本发明与现有技术相比，其显著优点为：1)本发明可以根据网络中基站的位置变化动态地设置分簇的个数，从而更好地实现超密集网络的分簇；2)本发明通过计算基站的分布密度来筛选初始簇中心，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；3)本发明和传统K-means算法相比，可以提高分簇的收敛速度。
附图说明
图1是本发明实施例的基站分布位置模拟图
图2是本发明的算法流程图。
图3是本发明实施例的分簇结果图。
图4是本发明实施例算法收敛迭代次数的比较图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述。
本发明首先在一个300m*300m的区域内模拟微小区基站分布位置，其中基站位置满足泊松点分布过程，图1所示的是基站数目N＝50的分布位置模拟图。然后开始对基站进行分簇过程。
如图2所示，本发明的一种基于密度改进K-means算法的超密集网络分簇方法的一般流程为：
步骤1、记录超密集网络中N个微小区基站的地理位置，计算每两个微小区基站之间的欧式距离。
步骤2、计算微小区基站的分布密度和分簇密度阀值。
步骤2-1定义的超密集网络中微小区基站的分布密度具体描述为：
其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离。
步骤2-2定义的超密集网络中微小区基站的分簇密度阀值具体描述为：
步骤2-3定义α为初始簇中心数目的控制系数，其取值范围为α∈[0.6,1]。当α越大时，初始簇中心的数目就越多。本发明实例中α＝1，根据公式(2)计算微小区基站的分簇密度阀值。
步骤3、将分布密度大于分簇密度阀值的基站选为初始簇中心，利用判别式
将分布密度大于分簇密度阀值的基站j定义为初始簇中心。
步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并将池中的初始簇中心按照分布密度从大到小降序排列。
步骤5、计算簇中心隔离距离。
步骤5-1定义的簇中心隔离距离具体描述为：
步骤5-2定义β为簇中心隔离距离的控制系数，其取值范围为β∈[0.5,1]。当β越小时，簇中心间的隔离距离就越小。本发明实例中β＝0.8，根据公式(4)计算簇中心隔离距离Rc。
步骤6、按照簇中心在初始簇中心池中的前后排列顺序，即λi＞λj，将簇中心i与簇中心j之间的距离di,j与簇中心隔离距离Rc进行比较。如果di,j＜Rc，则将簇中心j从初始簇中心池中取出。重复此步骤，直至池中任意两簇中心间的距离都大于簇中心隔离距离。
步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行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。
图3为本发明实施例的分簇结果图。可以看到，本发明算法很好地将N＝50个微小区基站分成了6个不相邻的簇，每个簇内基站都围绕着簇中心点分布。
图4为本发明算法与传统K-means算法在不同基站数目下的算法收敛迭代次数的比较图。可以看到本发明算法收敛迭代次数明显低于传统K-means算法，说明本发明算法能够提高分簇的收敛速度。此外，可以看到随着基站数目的增加，本发明算法的迭代收敛次数虽然也在增加，但相比K-means算法更加稳定，说明本发明算法通过计算基站的分布密度来筛选初始簇中心，能够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。
以上所述仅为本发明的优选实施例而已，并不限制于本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种基于密度改进K-means算法的超密集网络分簇方法，其特征在于，包括以下步骤：
步骤1、记录超密集网络中N个微小区基站的地理位置并计算每两个微小区基站之间的欧式距离；
步骤2、计算微小区基站的分布密度和分簇密度阀值；
步骤3、将分布密集大于分簇密度阀值的基站选为初始簇中心；
步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并按照分布密度大小由大到小降序排列；
步骤5、计算簇中心隔离距离；
步骤6、按照簇中心在初始簇中心池中的前后排列顺序，依次将池中两两之间距离小于簇中心隔离距离的两个中心里分布密度较小的簇中心从初始簇中心池中取出，直到池中任意两个初始簇中心间的距离都大于簇中心隔离距离；
步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行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。
2.根据权利要求1所述的基于密度改进K-means算法的超密集网络分簇方法，其特征在于，步骤2所述的微小区基站的分布密度具体描述为：
且k≠j (1)
其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离
步骤2所述的微小区基站的分簇密度阀值具体描述为：
<mrow>
<mover>
<mi>&lambda;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mi>&alpha;</mi>
<mi>N</mi>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
α定义为初始簇中心数目的控制系数，其取值范围为α∈[0.6,1]。
3.根据权利要求2所述的基于密度改进K-means算法的超密集网络分簇方法，其特征在于，步骤3中利用的公式为：
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mover>
<mi>&lambda;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
将分布密度大于分簇密度阀值的基站j定义为初始簇中心。
4.根据权利要求1所述的基于密度改进K-means算法的超密集网络分簇方法，其特征在于，步骤5中定义的簇中心隔离距离具体描述为：
<mrow>
<msub>
<mi>R</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
β定义簇中心隔离距离的控制系数，其取值范围为β∈[0.5,1]。
5.根据权利要求4所述的基于密度改进K-means算法的超密集网络分簇方法，其特征在于，步骤6中筛选最终初始簇中心的具体描述为：
按照簇中心在初始簇中心池中的前后排列顺序，即λi＞λj，将簇中心i与簇中心j之间的距离di,j与簇中心隔离距离Rc进行比较；即di,j＜Rc，则将簇中心j从初始簇中心池中取出；重复此步骤，直至池中任意两簇中心间的距离都大于簇中心隔离距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710730788.5A CN107659973A (zh) | 2017-08-23 | 2017-08-23 | 基于密度改进K‑means算法的超密集网络分簇方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710730788.5A CN107659973A (zh) | 2017-08-23 | 2017-08-23 | 基于密度改进K‑means算法的超密集网络分簇方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107659973A true CN107659973A (zh) | 2018-02-02 |
Family
ID=61128889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710730788.5A Pending CN107659973A (zh) | 2017-08-23 | 2017-08-23 | 基于密度改进K‑means算法的超密集网络分簇方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107659973A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108770029A (zh) * | 2018-05-02 | 2018-11-06 | 天津大学 | 基于聚类和模糊系统的无线传感器网络分簇路由协议 |
| CN109145995A (zh) * | 2018-08-31 | 2019-01-04 | 国网福建省电力有限公司 | 一种基于聚类离散点检测的反窃电方法 |
| CN109831794A (zh) * | 2019-03-22 | 2019-05-31 | 南京邮电大学 | 一种超密集网络中基于密度与最小距离的基站分簇方法 |
| CN110505644A (zh) * | 2019-09-26 | 2019-11-26 | 江南大学 | 5g超密集异构网络下的用户任务卸载与资源分配联合优化方法 |
| CN113709754A (zh) * | 2021-08-24 | 2021-11-26 | 西安交通大学 | 基于聚类算法的无线宽带通信系统布站组网方法及系统 |
| CN114339947A (zh) * | 2021-12-24 | 2022-04-12 | 杭州电子科技大学 | 超密集网络中基于高斯加权的基站动态分簇方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104955077A (zh) * | 2015-05-15 | 2015-09-30 | 北京理工大学 | 一种基于用户体验速率的异构网络小区分簇方法及装置 |
| CN105376255A (zh) * | 2015-12-08 | 2016-03-02 | 国网福建省电力有限公司 | 一种基于K-means聚类的Android平台入侵检测方法 |
| WO2016075096A1 (en) * | 2014-11-10 | 2016-05-19 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
| CN106162544A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种地理围栏的生成方法和设备 |
| CN106793053A (zh) * | 2016-12-08 | 2017-05-31 | 北京邮电大学 | 一种5g用户为中心超密集网络的功率控制方法 |
-
2017
- 2017-08-23 CN CN201710730788.5A patent/CN107659973A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016075096A1 (en) * | 2014-11-10 | 2016-05-19 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
| CN106162544A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种地理围栏的生成方法和设备 |
| CN104955077A (zh) * | 2015-05-15 | 2015-09-30 | 北京理工大学 | 一种基于用户体验速率的异构网络小区分簇方法及装置 |
| CN105376255A (zh) * | 2015-12-08 | 2016-03-02 | 国网福建省电力有限公司 | 一种基于K-means聚类的Android平台入侵检测方法 |
| CN106793053A (zh) * | 2016-12-08 | 2017-05-31 | 北京邮电大学 | 一种5g用户为中心超密集网络的功率控制方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108770029A (zh) * | 2018-05-02 | 2018-11-06 | 天津大学 | 基于聚类和模糊系统的无线传感器网络分簇路由协议 |
| CN108770029B (zh) * | 2018-05-02 | 2021-05-04 | 天津大学 | 基于聚类和模糊系统的无线传感器网络分簇路由协议方法 |
| CN109145995A (zh) * | 2018-08-31 | 2019-01-04 | 国网福建省电力有限公司 | 一种基于聚类离散点检测的反窃电方法 |
| CN109831794A (zh) * | 2019-03-22 | 2019-05-31 | 南京邮电大学 | 一种超密集网络中基于密度与最小距离的基站分簇方法 |
| CN109831794B (zh) * | 2019-03-22 | 2022-03-11 | 南京邮电大学 | 一种超密集网络中基于密度与最小距离的基站分簇方法 |
| CN110505644A (zh) * | 2019-09-26 | 2019-11-26 | 江南大学 | 5g超密集异构网络下的用户任务卸载与资源分配联合优化方法 |
| CN110505644B (zh) * | 2019-09-26 | 2021-09-10 | 江南大学 | 用户任务卸载与资源分配联合优化方法 |
| CN113709754A (zh) * | 2021-08-24 | 2021-11-26 | 西安交通大学 | 基于聚类算法的无线宽带通信系统布站组网方法及系统 |
| CN113709754B (zh) * | 2021-08-24 | 2022-06-07 | 西安交通大学 | 基于聚类算法的无线宽带通信系统布站组网方法及系统 |
| CN114339947A (zh) * | 2021-12-24 | 2022-04-12 | 杭州电子科技大学 | 超密集网络中基于高斯加权的基站动态分簇方法 |
| CN114339947B (zh) * | 2021-12-24 | 2024-04-02 | 杭州电子科技大学 | 超密集网络中基于高斯加权的基站动态分簇方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107659973A (zh) | 基于密度改进K‑means算法的超密集网络分簇方法 | |
| Moh’d Alia | Dynamic relocation of mobile base station in wireless sensor networks using a cluster-based harmony search algorithm | |
| CN105050192B (zh) | 密集网络中基于虚拟小区的干扰管理方法 | |
| CN107333267A (zh) | 一种用于5g超密集组网场景的边缘计算方法 | |
| Cheng et al. | A delay-aware data collection network structure for wireless sensor networks | |
| CN104955077B (zh) | 一种基于用户体验速率的异构网络小区分簇方法及装置 | |
| CN110247793B (zh) | 一种移动边缘云中的应用程序部署方法 | |
| CN106954227A (zh) | 超密集无线网络基于干扰协调的能效资源分配方法 | |
| CN110263928A (zh) | 保护数据隐私的基于移动设备的分布式深度学习训练方法 | |
| Elhabyan et al. | PSO-HC: Particle swarm optimization protocol for hierarchical clustering in Wireless Sensor Networks | |
| Rabiaa et al. | Improvements in LEACH based on K-means and Gauss algorithms | |
| CN105554771B (zh) | 基于密集分布的毫微微用户资源分配方法 | |
| CN109327838A (zh) | 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 | |
| CN110366187B (zh) | 权衡成本与信号强度的无线网络基站建站选址优化方法 | |
| CN104080091B (zh) | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 | |
| CN106788812A (zh) | 一种两层网络中基于分簇的干扰对齐方法 | |
| CN108366426A (zh) | 一种超密集环境下基于模拟退火算法的虚拟映射方法 | |
| CN103619066B (zh) | 一种基于分布式信道分配下行干扰缓解的方法 | |
| CN108848535A (zh) | 一种面向共享模式的雾计算环境资源分配方法 | |
| CN105978673B (zh) | 大规模分布式天线系统中基于用户距离的导频分配方法 | |
| CN106209336B (zh) | 一种软件定义移动网络中的资源分配方法 | |
| CN109600756B (zh) | 一种基于最大度优先染色算法的物理小区识别分配方法 | |
| CN104486767B (zh) | 异构蜂窝网络中基于分簇的动态abs干扰抑制方法 | |
| CN107454601A (zh) | 一种超密集环境下考虑小区间干扰的无线虚拟映射方法 | |
| CN114423013A (zh) | 一种面向配电网的5g异构网络基站部署方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |
|
| RJ01 | Rejection of invention patent application after publication |