CN108737009B - 一种干扰抑制方法和装置 - Google Patents

一种干扰抑制方法和装置 Download PDF

Info

Publication number
CN108737009B
CN108737009B CN201710240910.0A CN201710240910A CN108737009B CN 108737009 B CN108737009 B CN 108737009B CN 201710240910 A CN201710240910 A CN 201710240910A CN 108737009 B CN108737009 B CN 108737009B
Authority
CN
China
Prior art keywords
cluster
initial sub
sub
clusters
base station
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.)
Active
Application number
CN201710240910.0A
Other languages
English (en)
Other versions
CN108737009A (zh
Inventor
陈山枝
李曦
刘宜明
刘佳敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Telecommunications Technology CATT
Datang Mobile Communications Equipment Co Ltd
Original Assignee
China Academy of Telecommunications Technology CATT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Telecommunications Technology CATT filed Critical China Academy of Telecommunications Technology CATT
Priority to CN201710240910.0A priority Critical patent/CN108737009B/zh
Publication of CN108737009A publication Critical patent/CN108737009A/zh
Application granted granted Critical
Publication of CN108737009B publication Critical patent/CN108737009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0023—Interference mitigation or co-ordination
    • H04J11/005—Interference mitigation or co-ordination of intercell interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0632—Channel quality parameters, e.g. channel quality indicator [CQI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种干扰抑制方法和装置，应用于超密集网络，基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰，从而提高了超密集网络的吞吐量。

Description

一种干扰抑制方法和装置
技术领域
本发明涉及通信领域，尤其涉及一种干扰抑制方法和装置。
背景技术
超密集组网技术通过在热点区域大规模部署低功率接入点可以有效提升网络容量，扩展网络覆盖范围，已成为5G(the fifith generation mobile network，第五代移动通信)的关键技术之一。超密集组网通过降低基站与终端用户间的路径损耗提升了网络吞吐量，在增大有效接收信号的同时也放大了干扰信号，同时，不同发射频率的低功率接入点与宏基站重叠部署，小区密度的急剧增加使得干扰变得异常复杂。如何有效进行干扰消除、干扰协调，成为未来超密集组网场景下需要重点考虑的问题。
在UDN(ultra-dense network，超密集网络)的场景下，接入点部署密集，传统的波束成形算法在天线和小区用户数目上严格限制，无法适用于的用户和基站密集化分布的场景。可见，现有技术中存在如下技术问题：在超密集网络中，接入点的密集部署使得小区间干扰变得更加严重。传统干扰管理方法利用小区分簇技术和频率复用技术可有效消除簇间干扰，但是簇内干扰仍然严重。
发明内容
本发明实施例通过提供一种干扰抑制方法和装置，用于解决现有技术中存在的在超密集网络中，接入点的密集部署使得小区间干扰严重的技术问题。
一方面，本发明一实施例提供了一种干扰抑制方法，应用于超密集网络，所述方法包括：
基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
可选的，所述基于Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，包括：
基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；
基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度；
基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇。
可选的，在所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前，所述方法包括：
获得所述超密集网络中各基站间的相对距离，所述各基站间的相对距离的计算规则如下：
Figure BDA0001269373150000021
Figure BDA0001269373150000022
Figure BDA0001269373150000023
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标，其中，k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
可选的，所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，所述相对互联度的计算规则是：
Figure BDA0001269373150000031
其中，所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000032
Figure BDA0001269373150000033
Figure BDA0001269373150000034
可选的，在所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前，所述方法还包括：
获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
可选的，所述方法还包括：
如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
可选的，所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度，所述相对近似度的计算规则是：
Figure BDA0001269373150000041
Figure BDA0001269373150000042
其中，RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度，MEC(CLp)表示所述初始子簇p内的各个边的平均权重，MEC(CLq)表示所述初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数，RCp、RCq分别代表所述初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000045
其中，
Figure BDA0001269373150000046
为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure BDA0001269373150000051
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
表示所述初始子簇p内的边的个数，
Figure BDA0001269373150000054
表示所述初始子簇q内的边的个数，n表示所述初始子簇p和所述初始子簇q之间的边的个数。
可选的，所述基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
，其中，所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
可选的，所述利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，包括：
利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
其中，
Figure BDA0001269373150000056
其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，
Figure BDA0001269373150000057
表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure BDA0001269373150000058
表示对矩阵
Figure BDA0001269373150000059
的复共轭转置，
另一方面，本发明实施例提供了一种干扰抑制装置，应用于超密集网络，所述装置包括：
第一获得模块，用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
第二获得模块，用于利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
波束成形模块，用于利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
可选的，所述第二获得模块包括：
第一计算子模块，用于基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；
第二计算子模块，用于基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度；
第三计算子模块，用于基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
第一获得子模块，用于基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇。
可选的，所述装置还包括：
第三获得模块，用于在所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前，获得所述超密集网络中各基站间的相对距离，所述各基站间的相对距离的计算规则如下：
Figure BDA0001269373150000072
Figure BDA0001269373150000073
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标，其中，k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
可选的，所述第一计算子模块计算所述相对互联度的计算规则是：
Figure BDA0001269373150000074
其中，所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000075
Figure BDA0001269373150000076
Figure BDA0001269373150000077
可选的，所述装置还包括：
第四获得模块，用于在所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前，获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
第五获得模块，用于对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
可选的，所述装置还包括：
如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
可选的，所述第二计算子模块计算所述相对近似度的计算规则是：
Figure BDA0001269373150000081
Figure BDA0001269373150000082
其中，RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度，MEC(CLp)表示所述初始子簇p内的各个边的平均权重，MEC(CLq)表示所述初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数，RCp、RCq分别代表所述初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000084
Figure BDA0001269373150000085
其中，
Figure BDA0001269373150000091
为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure BDA0001269373150000092
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
Figure BDA0001269373150000093
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
Figure BDA0001269373150000094
表示所述初始子簇p内的边的个数，
Figure BDA0001269373150000095
表示所述初始子簇q内的边的个数，n表示所述初始子簇p和所述初始子簇q之间的边的个数。
可选的，所述第三计算子模块计算所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
可选的，所述波束成形模块，用于利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
Figure BDA0001269373150000096
其中，
Figure BDA0001269373150000097
其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，
Figure BDA0001269373150000098
表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure BDA0001269373150000099
表示对矩阵
Figure BDA00012693731500000910
的复共轭转置，
Figure BDA00012693731500000911
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：针对超密集网络，利用基于Chameleon算法的低复杂度动态分簇和增强型簇间频率复用技术，避免了簇间干扰，将强干扰转化为簇内干扰，基于迫零算法对簇内小区进行多小区波束成形，消除簇内干扰，从而提高超密集网络的吞吐量。
附图说明
图1为本发明实施例中提供的干扰抑制方法的流程图；
图2为本发明实施例中提供的计算相似度的流程图；
图3为本发明实施例中提供的最终子簇的示意图；
图4为本发明实施例中提供的干扰抑制装置的示意图；
图5为本发明实施例中提供的干扰抑制装置中第二获得模块的示意图；
图6为本发明实施例中随机分布的基站的仿真图；
图7为本发明实施例中最终子簇中各基站的分布的仿真图；
图8为本发明实施例中提供的干扰抑制方法和现有技术中超密集网络的吞吐量随用户数量变化的仿真图；
图9为本发明实施例中提供的干扰抑制方法在不同用户数量的情况下超密集网络的吞吐量随发射功率变化的仿真图；
图10为本发明实施例中提供的干扰抑制方法中使用迫零波束成形方法和不使用迫零波束成形方法情况下超密集网络的吞吐量随发射功率变化的仿真图。
具体实施方式
本发明实施例通过提供一种干扰抑制方法和装置，用于解决现有技术中存在的上述技术问题。本发明实施例中的技术方案为解决上述技术问题，总体思路如下：基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1，本发明一实施例提供了一种干扰抑制方法，应用于超密集网络，所述方法包括：
S10，基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
S20，利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
S30，利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰
在所述步骤S10之前，进行初始化，统计超密集网络内可用频段资源、可用基站数目和发射天线数目，获取基站位置以及用户请求信息等。
然后执行步骤S10，具体地，构造K-最临近图Gk，基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，将所述K-最临近图Gk划分，形成S个初始子簇。
在执行所述步骤S10后，执行步骤S20，所述步骤S20的具体流程图参见图2，所述步骤S20具体如下：
S201，基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；其中，所述相对互联度的计算规则是：
Figure BDA0001269373150000121
其中，所述RI(CLp,CLq)表示初始子簇p和初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000122
Figure BDA0001269373150000123
Figure BDA0001269373150000124
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，所述dk p、dk q、dk p,q的计算规则如下：
Figure BDA0001269373150000125
Figure BDA0001269373150000127
其中，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标；
上述参数中的k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
S202，基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度。
在利用Chameleon算法计算相似度之前，先获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
在所述平均值大于等于第一预设值时，所述步骤S202中的所述相对近似度的计算规则如下：
Figure BDA0001269373150000131
Figure BDA0001269373150000132
其中，RC(CLp,CLq)表示初始子簇p和初始子簇q之间的相对近似度，MEC(CLp)表示初始子簇p内的各个边的平均权重，MEC(CLq)表示初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示初始子簇p和初始子簇q之间的内部近似度函数，RCp、RCq分别代表初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000133
Figure BDA0001269373150000134
Figure BDA0001269373150000135
其中，
Figure BDA0001269373150000136
为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure BDA0001269373150000141
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
Figure BDA0001269373150000142
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
Figure BDA0001269373150000143
表示初始子簇p内的边的个数，
Figure BDA0001269373150000144
初始子簇q内的边的个数，n初始子簇p和初始子簇q之间的边的个数。
S203，基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；其中，所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
S204，基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇；具体地，例如，当所述初始子簇p和所述初始子簇q之间的相似度大于一预设的相似度阈值时，则合并所述初始子簇p和所述初始子簇q形成一新的子簇，如果小于，则不合并所述初始子簇p和所述初始子簇q，合并形成的新的子簇以及没有合并的初始子簇形成S1个第一级子簇，其中，S1是大于等于1的整数。根据实际中对超密集网络的容量的需求，S1个第一级子簇可以作为最终子簇，其中S1等于所述M，或者利用Chameleon算法继续对所述S1个第一级子簇进行循环并簇运算，直至达到预期的结果，形成M个最终子簇。通过Chameleon算法能够动态调整小区分簇，将相互干扰严重的小区划分到一个簇内，并在簇间利用增强型频率复用技术，降低簇间干扰。例如图3中通过Chameleon算法的动态调整获得3个最终子簇1、2和3，其中最终子簇1中包括5个基站11、12、13、14和15，最终子簇2中包括4个基站21、22、23和24，最终子簇3中包括3个基站31、32和33。
在基于所述步骤S20获得M个最终子簇后，执行步骤S30，具体为：
利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
Figure BDA0001269373150000151
其中，
Figure BDA0001269373150000152
其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，
Figure BDA0001269373150000153
表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure BDA0001269373150000154
表示对矩阵
Figure BDA0001269373150000155
的复共轭转置，
Figure BDA0001269373150000156
通过设计迫零波束成形方法有效的抑制了簇内干扰。
对于所述
Figure BDA0001269373150000157
的具体解释如下：
对于所述最终子簇m1，Nt表示最终子簇m1中的发射天线的个数，Nr表示最终子簇m1对应的当前用户的个数，所述当前用户是单接收天线，即Nr也表示最终子簇m1对应的接收天线的个数，假设所述基站Si对应用户i，即所述基站Si是用户i的服务基站，Nt个发射天线的发射信号集合为
Figure BDA00012693731500001513
其中ui为所述基站Si发送给用户i的发射信号，则对于所述基站Si和用户i之间的信道，有信道矩阵
Figure BDA0001269373150000158
Figure BDA0001269373150000159
是所述基站Si到所述用户i的路径损耗，与所述基站Si到用户i的距离有关，
Figure BDA00012693731500001511
是瑞利衰落信道。
另外，在所述基站Si为用户i提供服务时，所述基站Si与所述用户i之间的信干噪比计算公式如下：
Figure BDA00012693731500001512
其中，I为用户集合，σi为所述基站Si为用户i提供服务时的加性高斯白噪声。
因此，用户i能够从所述基站Si获得的速率可由下式所得：
Figure BDA0001269373150000161
其中B为用户i所占有的有效带宽。
参见图4，本发明另一实施例提供了一种干扰抑制装置，应用于超密集网络，所述装置包括：
第一获得模块10，用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
第二获得模块20，用于利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
波束成形模块30，用于利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
在所述第一获得模块10，基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息之前，进行初始化，统计超密集网络内可用频段资源、可用基站数目和发射天线数目，获取基站位置以及用户请求信息等。
然后构造K-最临近图Gk,所述第一获得模块10，用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，将所述K-最临近图Gk划分，形成S个初始子簇。
参见图5，所述干扰抑制装置中所述第二获得模块20包括第一计算子模块201，第二计算子模块202，第三计算子模块203，第一获得子模块204，其中：
所述第一计算子模块201，用于基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；其中，所述相对互联度的计算规则是：
Figure BDA0001269373150000171
其中，所述RI(CLp,CLq)表示初始子簇p和初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000172
Figure BDA0001269373150000173
Figure BDA0001269373150000174
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，所述dk p、dk q、dk p,q的由所述干扰抑制装置中的第三获得模块计算获得，具体计算规则如下：
Figure BDA0001269373150000175
Figure BDA0001269373150000176
Figure BDA0001269373150000177
其中，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标；
上述参数中的k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
所述第二计算子模块202，用于基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度；
在所述第二计算子模块202利用Chameleon算法计算相似度之前，所述干扰抑制装置中的第四获得模块先获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
然后所述干扰抑制装置中的第五获得模块对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则所述第二计算子模块202基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
在所述平均值大于等于第一预设值时，所述所述第二计算子模块202计算所述相对近似度的计算规则如下：
Figure BDA0001269373150000182
其中，RC(CLp,CLq)表示初始子簇p和初始子簇q之间的相对近似度，MEC(CLp)表示初始子簇p内的各个边的平均权重，MEC(CLq)表示初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示初始子簇p和初始子簇q之间的内部近似度函数，RCp、RCq分别代表初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure BDA0001269373150000184
Figure BDA0001269373150000185
其中，
Figure BDA0001269373150000191
为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure BDA0001269373150000192
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
Figure BDA0001269373150000193
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
Figure BDA0001269373150000194
表示初始子簇p内的边的个数，
Figure BDA0001269373150000195
初始子簇q内的边的个数，n初始子簇p和初始子簇q之间的边的个数。
所述第三计算子模块203，用于基于所述第一计算子模块201计算的所述相对互联度和所述第二计算子模块202计算的所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
所述第一获得子模块204，用于基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇。基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇；具体地，例如，当所述初始子簇p和所述初始子簇q之间的相似度大于一预设的相似度阈值时，则合并所述初始子簇p和所述初始子簇q形成一新的子簇，如果小于，则不合并所述初始子簇p和所述初始子簇q，合并形成的新的子簇以及没有合并的初始子簇形成S1个第一级子簇，其中，S1是大于等于1的整数。根据实际中对超密集网络的容量的需求，S1个第一级子簇可以作为最终子簇，其中S1等于所述M，或者利用Chameleon算法继续对所述S1个第一级子簇进行循环并簇运算，直至达到预期的结果，形成M个最终子簇。通过Chameleon算法能够动态调整小区分簇，将相互干扰严重的小区划分到一个簇内，并在簇间利用增强型频率复用技术，降低簇间干扰。例如图3中通过Chameleon算法的动态调整获得3个最终子簇1、2和3，其中最终子簇1中包括5个基站11、12、13、14和15，最终子簇2中包括4个基站21、22、23和24，最终子簇3中包括3个基站31、32和33。
在所述第一获得子模块204获得M个最终子簇后，所述干扰抑制装置中的波束成形模块30具体用于：
利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
其中，
Figure BDA0001269373150000202
其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure BDA0001269373150000204
表示对矩阵
Figure BDA0001269373150000205
的复共轭转置，
Figure BDA0001269373150000206
通过设计迫零波束成形方法有效的抑制了簇内干扰。
对于所述
Figure BDA0001269373150000207
的具体解释如下：
对于所述最终子簇m1，Nt表示最终子簇m1中的发射天线的个数，Nr表示最终子簇m1对应的当前用户的个数，所述当前用户是单接收天线，即Nr也表示最终子簇m1对应的接收天线的个数，假设所述基站Si对应用户i，即所述基站Si是用户i的服务基站，Nt个发射天线的发射信号集合为
Figure BDA0001269373150000208
其中ui为所述基站Si发送给用户i的发射信号，则对于所述基站Si和用户i之间的信道，有信道矩阵
Figure BDA00012693731500002010
是所述基站Si到所述用户i的路径损耗，与所述基站Si到用户i的距离
Figure BDA00012693731500002011
有关，
Figure BDA00012693731500002012
是瑞利衰落信道。
另外，在所述基站Si为用户i提供服务时，所述基站Si与所述用户i之间的信干噪比计算公式如下：
Figure BDA0001269373150000211
其中，I为用户集合，σi为所述基站Si为用户i提供服务时的加性高斯白噪声。
因此，用户i能够从所述基站Si获得的速率可由下式所得：
Figure BDA0001269373150000212
其中B为用户i所占有的有效带宽。
对本发明上述两个实施例中提供的干扰抑制方法和装置的进行建模仿真，考虑到超密集网络中用户分布和基站部署的随机性，分别用泊松分布和随机分布来仿真超密集网络中用户和基站的位置分布，首先在100m×200m的矩形区域内，生成100个随机分布点和50个泊松分布点分别代表基站和用户的位置，再根据基站间的距离计算各点之间的互联性和近似度，进行基于Chameleon算法的小区分簇，具体仿真图6-图10所示。
其中，图6为进行分簇之前100个随机分布的基站的仿真图；
利用Chameleon算法对仿真系统中100个随机分布的基站进行分簇，获得分簇结果；所述分簇结果如图6所示，图7为经Chameleon算法分簇后不同的最终子簇中基站的分布的仿真图；
根据获得的分簇结果，利用迫零波束成形方法进行多基站的发射信号的波束成形，具体地，根据前述计算获得的迫零波束成形矢量
Figure BDA0001269373150000213
针对不同用户的情况下的超密集网络的吞吐量进行仿真。图8为使用本发明的干扰抑制方法和不使用本发明的干扰抑制方法的情况下超密集网络的吞吐量随用户数量变化的仿真图；
为了获得用户数量对超密集网络的吞吐量的影响，对不同用户数量的情况下超密集网络的吞吐量和基站的发射功率之间的关系进行了仿真，图9为使用本发明的干扰抑制方法时不同用户数量的情况下超密集网络的吞吐量随发射功率变化的仿真图；
为了验证迫零波束成形方法对超密集网络的吞吐量的影响，对迫零波束成形方法对超密集网络的吞吐量和基站的发射功率的影响情况进行了仿真，图10本发明实施例中获得分簇结果后使用迫零波束成形方法和不使用迫零波束成形方法情况下超密集网络的吞吐量随发射功率变化的仿真图。
根据仿真结果可以看出，上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：
1、本发明采用的干扰抑制方法和装置有效提高了超密集网络的吞吐量，降低了网络间的干扰。在用户数量增多的情况下，本发明的方法和装置的优势更加明显，本发明的方法和装置的优势在于联合分簇频谱复用和多小区波束成形，降低簇间干扰和簇内小区间干扰，最终提高超密集网络的吞吐量。也就是说，上述仿真结果有力证明了本发明的方法和装置在用户密集场景下高速率业务需求的可行性和适用性。
2、提出了一种低复杂度的多小区波束成形算法，可以有效适用于功能受限的低功率基站，提高了网络运维效率。
3、改进了小区分簇方式，通过动态调整小区分簇，有效提高了超密集网络的容量。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (16)

1.一种干扰抑制方法，应用于超密集网络，其特征在于，所述方法包括：
基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰；
所述基于Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，包括：
基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；
基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度；
基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇。
2.如权利要求1所述的方法，其特征在于，在所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前，所述方法包括：
获得所述超密集网络中各基站间的相对距离，所述各基站间的相对距离的计算规则如下：
Figure FDA0002207062070000011
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标，其中，k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
3.如权利要求2所述的方法，其特征在于，所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，所述相对互联度的计算规则是：
Figure FDA0002207062070000023
其中，所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure FDA0002207062070000024
Figure FDA0002207062070000025
Figure FDA0002207062070000026
4.如权利要求3所述的方法，其特征在于，在所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前，所述方法还包括：
获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
6.如权利要求4所述的方法，其特征在于，所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度，所述相对近似度的计算规则是：
Figure FDA0002207062070000031
Figure FDA0002207062070000032
其中，RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度，MEC(CLp)表示所述初始子簇p内的各个边的平均权重，MEC(CLq)表示所述初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数，RCp、RCq分别代表所述初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure FDA0002207062070000033
Figure FDA0002207062070000041
Figure FDA0002207062070000042
其中，为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure FDA0002207062070000044
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
Figure FDA0002207062070000045
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
Figure FDA0002207062070000046
表示所述初始子簇p内的边的个数，
Figure FDA0002207062070000047
表示所述初始子簇q内的边的个数，n表示所述初始子簇p和所述初始子簇q之间的边的个数。
7.如权利要求6所述的方法，其特征在于，所述基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
其中，所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
8.如权利要求1所述的方法，其特征在于，所述利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，包括：
利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
Figure FDA0002207062070000051
其中，其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，
Figure FDA0002207062070000053
表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure FDA0002207062070000054
表示对矩阵
Figure FDA0002207062070000055
的复共轭转置，
Figure FDA0002207062070000056
9.一种干扰抑制装置，应用于超密集网络，其特征在于，所述装置包括：
第一获得模块，用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息，获得S个初始子簇，其中，每个初始子簇包括至少一个基站，S为大于等于2的整数；
第二获得模块，用于利用Chameleon算法对所述S个初始子簇进行并簇，获得M个最终子簇，其中，每个最终子簇包括至少一个初始子簇，M为大于等于1的整数；
波束成形模块，用于利用迫零波束成形方法，对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰；
所述第二获得模块包括：
第一计算子模块，用于基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度，其中，所述S个初始子簇中以两个相邻初始子簇为一个所述单位；
第二计算子模块，用于基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度；
第三计算子模块，用于基于所述相对互联度和所述相对近似度，计算一个所述单位中两个相邻初始子簇间相似度；
第一获得子模块，用于基于所述相似度对所述S个初始子簇进行并簇，获得M个最终子簇。
10.如权利要求9所述的装置，其特征在于，所述装置还包括：
第三获得模块，用于在所述基于所述超密集网络中各基站间的相对距离，利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前，获得所述超密集网络中各基站间的相对距离，所述各基站间的相对距离的计算规则如下：
Figure FDA0002207062070000061
Figure FDA0002207062070000062
Figure FDA0002207062070000063
其中，所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离，dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离，dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离，xp,i为所述初始子簇p中第i个基站的横坐标，xp,j为所述初始子簇p中第j个基站的横坐标，yp,i为所述初始子簇p中第i个基站的纵坐标，yp,j为所述初始子簇p中第j个基站的纵坐标，xq,i为所述初始子簇q中第i个基站的横坐标，xq,j为所述初始子簇q中第j个基站的横坐标，yq,i为所述初始子簇q中第i个基站的纵坐标，yq,j为所述初始子簇q中第j个基站的纵坐标，其中，k，p，q，i*，j*，i，j均为大于等于1的整数，i不等于j。
11.如权利要求10所述的装置，其特征在于，所述第一计算子模块计算所述相对互联度的计算规则是：
Figure FDA0002207062070000064
其中，所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度，EC(CLp)为所述初始子簇p内各基站间距离的权重的总和，EC(CLq)为所述初始子簇q内各基站间距离的权重的总和，EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数；EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下：
Figure FDA0002207062070000071
Figure FDA0002207062070000072
Figure FDA0002207062070000073
12.如权利要求11所述的装置，其特征在于，所述装置还包括：
第四获得模块，用于在所述基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前，获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合；
第五获得模块，用于对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值；
如果所述平均值大于等于第一预设值，则基于所述超密集网络中各基站间的干扰信息，利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
13.如权利要求12所述的装置，其特征在于，所述装置还包括：
在所述第五获得模块，对所述第一集合中的信干噪比进行累加求平均值，获得所述第一集合中的信干燥比的平均值之后，如果所述平均值小于所述第一预设值，则所述两个相邻初始子簇间的相对近似度为0。
14.如权利要求12所述的装置，其特征在于，所述第二计算子模块计算所述相对近似度的计算规则是：
Figure FDA0002207062070000074
Figure FDA0002207062070000075
其中，RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度，MEC(CLp)表示所述初始子簇p内的各个边的平均权重，MEC(CLq)表示所述初始子簇q内的各个边的平均权重，MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数，RCp、RCq分别代表所述初始子簇p、q的归一化因子，|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数；MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下：
Figure FDA0002207062070000081
Figure FDA0002207062070000082
Figure FDA0002207062070000083
其中，
Figure FDA0002207062070000084
为所述初始子簇p内的各个边的权重值，所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息；
Figure FDA0002207062070000085
为所述初始子簇q内的各个边的权重值，所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息；
Figure FDA0002207062070000086
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值，所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息；
表示所述初始子簇p内的边的个数，
Figure FDA0002207062070000088
表示所述初始子簇q内的边的个数，n表示所述初始子簇p和所述初始子簇q之间的边的个数。
15.如权利要求14所述的装置，其特征在于，所述第三计算子模块计算所述相似度的计算规则如下：
RIC(CLp,CLq)＝RI(CLp,CLq)*RC(CLp,CLq)
其中，所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
16.如权利要求9所述的装置，其特征在于：
所述波束成形模块，用于利用迫零波束成形方法构造迫零波束成形矢量，利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形，其中，所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为：
Figure FDA0002207062070000091
其中，其中，Nt表示最终子簇m1中的发射天线的个数，一个基站对应一个发射天线，Nr表示最终子簇m1对应的当前用户的个数，表示所述基站Si与其对应的用户i之间的信道矩阵，
Figure FDA0002207062070000094
表示对矩阵
Figure FDA0002207062070000095
的复共轭转置，
Figure FDA0002207062070000096
CN201710240910.0A 2017-04-13 2017-04-13 一种干扰抑制方法和装置 Active CN108737009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710240910.0A CN108737009B (zh) 2017-04-13 2017-04-13 一种干扰抑制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710240910.0A CN108737009B (zh) 2017-04-13 2017-04-13 一种干扰抑制方法和装置

Publications (2)

Publication Number Publication Date
CN108737009A CN108737009A (zh) 2018-11-02
CN108737009B true CN108737009B (zh) 2020-02-11

Family

ID=63925074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710240910.0A Active CN108737009B (zh) 2017-04-13 2017-04-13 一种干扰抑制方法和装置

Country Status (1)

Country Link
CN (1) CN108737009B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242304B (zh) * 2020-03-05 2021-01-29 北京物资学院 O-ran系统中基于联邦学习的人工智能模型处理方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647262A (zh) * 2012-04-09 2012-08-22 北京航空航天大学 一种协作通信系统中基于正交波束成形的隐反馈传输方法
CN103458414A (zh) * 2013-08-14 2013-12-18 北京邮电大学 一种小区分簇方法
CN106374989A (zh) * 2016-09-19 2017-02-01 浙江大学 一种基于频分复用多天线系统的下行非正交多接入方法
CN106452653A (zh) * 2016-11-11 2017-02-22 上海电机学院 一种分布式多天线系统对宏蜂窝基站干扰的抑制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647262A (zh) * 2012-04-09 2012-08-22 北京航空航天大学 一种协作通信系统中基于正交波束成形的隐反馈传输方法
CN103458414A (zh) * 2013-08-14 2013-12-18 北京邮电大学 一种小区分簇方法
CN106374989A (zh) * 2016-09-19 2017-02-01 浙江大学 一种基于频分复用多天线系统的下行非正交多接入方法
CN106452653A (zh) * 2016-11-11 2017-02-22 上海电机学院 一种分布式多天线系统对宏蜂窝基站干扰的抑制方法

Also Published As

Publication number Publication date
CN108737009A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN105049098A (zh) 大规模mimo系统中克服导频污染的部分导频复用方法
CN106680780A (zh) 频谱共享环境下基于射频隐身的雷达最优波形设计方法
CN111417126B (zh) 星空地协同海洋通信网络按需覆盖方法及装置
CN107613555A (zh) 非正交多址接入蜂窝和终端直通密集网络资源管控方法
CN113923787B (zh) 实现大规模urllc的用户自适应接入方法及装置
CN105119644A (zh) 基于swipt的单用户mimo系统空分模式切换方法
Wang et al. User association in non-orthogonal multiple access networks
CN111417125B (zh) 星空地协同海洋通信网络容量优化方法及装置
US20150173090A1 (en) Distributed multi-cell multi-user beamforming method, transmitter and relevant system
Khamesi et al. Energy and area spectral efficiency of cell zooming in random cellular networks
CN110198552B (zh) 一种下行吞吐量的计算方法和装置
Naqvi et al. Pilot reuse and sum rate analysis of mmWave and UHF-based massive MIMO systems
KR102012250B1 (ko) 일방향 협력 채널을 통한 빔형성 방법 및 장치
CN108737009B (zh) 一种干扰抑制方法和装置
Kim et al. Resource allocation in cluster based ultra dense network
CN110167057B (zh) 一种下行吞吐量的计算方法和装置
Kusaladharma et al. Interference and outage in random D2D networks under millimeter wave channels
Shi et al. Coverage and area spectral efficiency analysis of dense terahertz networks in finite region
CN115632684B (zh) 一种感知通信一体化系统的传输策略设计方法
CN114430590B (zh) 一种实现上行大规模urllc的无线传输方法
CN115811734A (zh) 混合卫星-地面无线网络中基于物理层安全的安全速率最大化方法
Yang et al. Fast and reliable initial access with random beamforming for mmWave networks
CN110312280B (zh) 一种下行吞吐量的计算方法和装置
CN110337120B (zh) 一种上行吞吐量的计算方法和装置
Wang et al. Access point selection for cell-free massive MIMO over Rician fading channels

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100191 No. 40, Haidian District, Beijing, Xueyuan Road

Patentee after: CHINA ACADEMY OF TELECOMMUNICATIONS TECHNOLOGY

Address before: 100191 No. 40, Haidian District, Beijing, Xueyuan Road

Patentee before: CHINA ACADEMY OF TELECOMMUNICATIONS TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210528

Address after: 100085 1st floor, building 1, yard 5, Shangdi East Road, Haidian District, Beijing

Patentee after: DATANG MOBILE COMMUNICATIONS EQUIPMENT Co.,Ltd.

Address before: 100191 No. 40, Haidian District, Beijing, Xueyuan Road

Patentee before: CHINA ACADEMY OF TELECOMMUNICATIONS TECHNOLOGY