CN109327838B - 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 - Google Patents

一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 Download PDF

Info

Publication number
CN109327838B
CN109327838B CN201811384950.3A CN201811384950A CN109327838B CN 109327838 B CN109327838 B CN 109327838B CN 201811384950 A CN201811384950 A CN 201811384950A CN 109327838 B CN109327838 B CN 109327838B
Authority
CN
China
Prior art keywords
matrix
cellular network
clustering
graph
heterogeneous cellular
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.)
Expired - Fee Related
Application number
CN201811384950.3A
Other languages
English (en)
Other versions
CN109327838A (zh
Inventor
钱志鸿
杨冰涛
王雪
黄岚
初明
蒙武杰
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201811384950.3A priority Critical patent/CN109327838B/zh
Publication of CN109327838A publication Critical patent/CN109327838A/zh
Application granted granted Critical
Publication of CN109327838B publication Critical patent/CN109327838B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

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

Abstract

本发明公开了一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，包括：S1：将异构蜂窝网络环境中的用户作为顶点，构造出无方向权值连接图；S2：对无方向权值连接图的边赋权值，构建相似度矩阵；S3：基于相似度矩阵求得规范化拉普拉斯矩阵，计算规范化拉普拉斯矩阵的特征值和特征向量，得到第一矩阵，将第一矩阵每一行规范化成范数为1，得到第二矩阵；S4：利用聚类算法对第二矩阵进行聚类，实现对异构蜂窝网络用户的分簇；S5：对步骤S4的得到的各个簇分配不同的频谱资源。本发明整体方法复杂度低，且该方法能够提高频率资源的利用率，最大限度的降低系统内的干扰，可有效保障用户的服务质量。

Description

一种异构蜂窝网络中基于谱聚类的频谱资源分配方法
技术领域
本发明涉及通信技术领域，更具体的说是涉及一种异构蜂窝网络中基于谱聚类的频谱资源分配方法。
背景技术
未来，无线通信需求的不断增长，将给现有的无线通信网络带来很大的压力，传统的单层蜂窝网络将愈来愈无法满足终端用户的通信需求。因此，异构蜂窝网络开始引起人们越来越多的关注。异构蜂窝网络指的是包括宏基站和低功率节点组成的混合网络，具有组网灵活、针对性覆盖、维护成本低、频率利用率高、绿色节能等优点。然而，由于异构蜂窝网络的频谱复用，大量部署小基站将不可避免地引入干扰。此外，由于小基站部署的不确定性，在异构蜂窝网络中实施干扰协调会比传统的单层蜂窝网络难度更大。因此，提出一种简单、高效的异构蜂窝网络频谱资源分配方法具有很大的意义。
目前，关于异构蜂窝网络频谱资源分配的研究已经取得一定的进展，提出了多种不同的异构蜂窝网络频谱资源分配算法。但现存的异构蜂窝网络频谱资源分配算法主要包括智能算法或者博弈论，但是这些算法的算法复杂度较高，实用性较差。
因此，如何提供一种复杂度低的频谱资源分配方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，整体方法复杂度低，且该方法能够提高频率资源的利用率，最大限度的降低系统内的干扰，可有效保障用户的服务质量。
为了实现上述目的，本发明采用如下技术方案：
一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，包括：
S1：将异构蜂窝网络环境中的用户作为顶点，构造出无方向权值连接图；
S2：对无方向权值连接图的边赋权值，构建相似度矩阵；
S3：基于相似度矩阵求得规范化拉普拉斯矩阵，计算规范化拉普拉斯矩阵的特征值和特征向量，得到第一矩阵V，将第一矩阵V每一行规范化成范数为1，得到第二矩阵U；
S4：利用聚类算法对第二矩阵U进行聚类，实现对异构蜂窝网络用户的分簇；
S5：对步骤S4的得到的各个簇分配不同的频谱资源。
优选的，步骤S1具体包括：在异构蜂窝网络中，将宏蜂窝用户和微蜂窝用户看作图的顶点，构造一个无方向权值连接图G＝(V,E),V＝{v1,v2,…,vn}是异构蜂窝网环境下的用户集合，假定总共有n个用户；E表示连接顶点的边的集合。
优选的，步骤S2具体包括：
利用高斯核函数，对G中的边赋权值，构建相似度矩阵W＝(wij)n×n，其中，
Figure BDA0001872756720000021
其中，wij表示图G的第i个样本点和第j个样本点之间的权值，亦可称为相似度；SINRi,j表示两点间的信干噪比；σ为尺度参数；W＝(wij)n×n表示相似度矩阵，因为G是无向图，故wij＝wji，即相似度矩阵为对称矩阵；
在异构蜂窝网络环境中，仅考虑下行链路，则干扰可分为三种，分别是：微蜂窝用户和宏蜂窝用户之间的干扰，微蜂窝用户和微蜂窝用户之间的干扰，宏蜂窝用户和宏蜂窝用户之间的干扰；则SINRi,j的取值分以下三种情况考虑：
为方便推导出SINRi,j，规定：在异构蜂窝网络中，有一个宏蜂窝基站和若干个微蜂窝基站，则整个小区的集合表示为S＝{1,2,…,S}，其中序号1表示宏蜂窝基站，其他的表示微蜂窝基站；Mi表示小区i中的用户集合，小区i中的用户数为Mi；假设所有的基站都装配全向天线，第i个基站的最大传输功率表示为Pi max；
(1)微蜂窝用户和宏蜂窝用户：当未经授权的宏蜂窝用户移动至微蜂窝基站的覆盖范围内时，将受到微蜂窝基站严重的下行干扰，则
Figure BDA0001872756720000031
其中，
Figure BDA0001872756720000032
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；
(2)微蜂窝用户和微蜂窝用户：这种情况下从以下两方面考虑：
(21)当两个微蜂窝用户属于同一个微蜂窝时，则
Figure BDA0001872756720000033
其中，
Figure BDA0001872756720000034
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；Emax表示用户簇整体干扰的上界；
(22)当两个蜂窝用户不属于同一个微蜂窝时，则
Figure BDA0001872756720000035
其中，
Figure BDA0001872756720000036
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；
(3)宏蜂窝用户和宏蜂窝用户：
Figure BDA0001872756720000041
其中，
Figure BDA0001872756720000042
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；Emax表示用户簇整体干扰的上界。
优选的，步骤S3具体包括：
S31：相似度矩阵的确定：在S2中，求得相似度矩阵W＝(wij)n×n，即：
Figure BDA0001872756720000043
S32：度矩阵的确定：在图论中，对于某一个图，规定其相似度矩阵的每行元素的和为该顶点的度，故图G的度矩阵D＝(dij)n×n可定义为：
Figure BDA0001872756720000044
S33：规范化拉普拉斯矩阵：基于S31求得的相似度矩阵W＝(wij)n×n和S32求得的度矩阵D＝(dij)n×n，求得图G的非规范化拉普拉斯矩阵L：
L＝D-W
则矩阵L的规范化拉普拉斯矩阵为
Lsym＝D-1/2LD-1/2＝1-D-1/2WD-1/2
S34：计算Lsym的前k个最小特征值所对应的特征向量v1,v2,…,vk，得到第一矩阵V＝(vij)1×k；
S35：将第一矩阵V的每一行规范化成范数为1，得到第二矩阵U＝(uij)n×k，其中，
Figure BDA0001872756720000045
优选的，步骤S4具体包括：
利用K-means算法对矩阵U进行聚类，
S41，随机初始化m个聚类中心；
S42，计算图G中各个顶点与m个聚类中心的相似度；
S43，根据最近原则，将图G中各个顶点(也就是异构蜂窝网络环境下的各个用户)划分到相应的簇，得到m个簇；
S44，计算m个簇内数据点的平均值作为新的m个聚类中心，之后重复步骤S42和S43，直至聚类中心不再发生变化，实现对异构蜂窝网络用户的分簇。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，整体方法复杂度低，且该方法能够提高频率资源的利用率，最大限度的降低系统内的干扰，可有效保障用户的服务质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的异构蜂窝网络中基于谱聚类的频谱资源分配方法的流程图。
图2为本发明提供的异构蜂窝网络系统模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1，本发明实施例公开了一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，包括：
S1：将异构蜂窝网络环境中的用户作为顶点，构造出无方向权值连接图；
S2：对无方向权值连接图的边赋权值，构建相似度矩阵；
S3：基于相似度矩阵求得规范化拉普拉斯矩阵，计算规范化拉普拉斯矩阵的特征值和特征向量，得到第一矩阵V，将第一矩阵V每一行规范化成范数为1，得到第二矩阵U；
S4：利用聚类算法对第二矩阵U进行聚类，实现对异构蜂窝网络用户的分簇；
S5：对步骤S4的得到的各个簇分配不同的频谱资源。
本发明的发明思路是，首先将异构蜂窝网络建模为一个无向图；然后基于高斯核函数为无向图的边赋权重；最后求出该无向图的规范化拉普拉斯矩阵，并基于K-means算法完成聚类，聚类的结果是使得簇间干扰最大，簇内干扰最小。该方法能够提高频谱资源的利用率，最大限度地降低系统内的干扰，从而可实现保障用户的服务质量。
为了进一步优化上述技术方案，步骤S1具体包括：在异构蜂窝网络中，将宏蜂窝用户和微蜂窝用户看作图的顶点，构造一个无方向权值连接图G＝(V,E),V＝{v1,v2,…,vn}是异构蜂窝网环境下的用户集合，假定总共有n个用户；E表示连接顶点的边的集合。
为了进一步优化上述技术方案，步骤S2具体包括：
利用高斯核函数，对G中的边赋权值，构建相似度矩阵W＝(wij)n×n，其中，
Figure BDA0001872756720000061
其中，wij表示图G的第i个样本点和第j个样本点之间的权值，亦可称为相似度；SINRi,j表示两点间的信干噪比；σ为尺度参数；W＝(wij)n×n表示相似度矩阵，因为G是无向图，故wij＝wji，即相似度矩阵为对称矩阵；
这里需要说明的是，传统的某条边权值求解中，使用两点间的距离去求得边的权值，但是在本发明中，采用两点间的信干噪比求解权值，如此一来，最终聚类的结果可使得簇内节点间的干扰最小，簇间的干扰最大。这样做的最终目的就是：因为簇内节点干扰小，所以可以复用同一频段的频谱资源，提高了频谱资源的利用率。
在异构蜂窝网络环境中，仅考虑下行链路，则干扰可分为三种，分别是：微蜂窝用户和宏蜂窝用户之间的干扰，微蜂窝用户和微蜂窝用户之间的干扰，宏蜂窝用户和宏蜂窝用户之间的干扰；则SINRi,j的取值分以下三种情况考虑：
为方便推导出SINRi,j，规定：在异构蜂窝网络中，有一个宏蜂窝基站和若干个微蜂窝基站，则整个小区的集合表示为S＝{1,2,…,S}，其中序号1表示宏蜂窝基站，其他的表示微蜂窝基站；Mi表示小区i中的用户集合，小区i中的用户数为Mi；假设所有的基站都装配全向天线，第i个基站的最大传输功率表示为Pi max；
(1)微蜂窝用户和宏蜂窝用户：当未经授权的宏蜂窝用户移动至微蜂窝基站的覆盖范围内时，将受到微蜂窝基站严重的下行干扰，则
Figure BDA0001872756720000071
其中，
Figure BDA0001872756720000072
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；
(2)微蜂窝用户和微蜂窝用户：这种情况下从以下两方面考虑：一种情况是当这两个微蜂窝用户属于同一个微蜂窝，另外一种情况是当这两个微蜂窝用户不属于同一个微蜂窝。
(21)当两个微蜂窝用户属于同一个微蜂窝时，则
Figure BDA0001872756720000081
其中，
Figure BDA0001872756720000082
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；Emax表示用户簇整体干扰的上界；理论上来说，该参数是无穷大，目的是为了避免同一个小区的用户分配到同一个用户簇中。
(22)当两个蜂窝用户不属于同一个微蜂窝时，则
Figure BDA0001872756720000083
其中，
Figure BDA0001872756720000084
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；
(3)宏蜂窝用户和宏蜂窝用户：本发明考虑的场景为：一个宏蜂窝基站覆盖下，多个微蜂窝基站共存的场景，则
Figure BDA0001872756720000085
其中，
Figure BDA0001872756720000086
表示基站ib与用户i之间的路径衰落；Si表示用户i所在的小区簇的小区的集合；Emax表示用户簇整体干扰的上界。理论上来说，该参数是无穷大，目的是为了避免同一个小区的用户分配到同一个用户簇中。
为了进一步优化上述技术方案，步骤3)规范化谱聚类算法：在图划分的过程中，最优化问题是一个NP难问题，为解决该NP难问题，需要将最优化问题转化为连续放松形式，亦即求相关矩阵的谱分解。
具体包括：
S31：相似度矩阵的确定：在S2中，求得相似度矩阵W＝(wij)n×n，即：
Figure BDA0001872756720000091
S32：度矩阵的确定：在图论中，对于某一个图，规定其相似度矩阵的每行元素的和为该顶点的度，故图G的度矩阵D＝(dij)n×n可定义为：
Figure BDA0001872756720000092
S33：规范化拉普拉斯矩阵：基于S31求得的相似度矩阵W＝(wij)n×n和S32求得的度矩阵D＝(dij)n×n，求得图G的非规范化拉普拉斯矩阵L：
L＝D-W
非规范化拉普拉斯矩阵具有如下的性质
对于向量f∈Rn，满足
Figure BDA0001872756720000093
L是对称且半正定的；
L的最小特征值为0，对应的特征向量为所有元素都为1的向量；
L有n个非负的、实的特征值，即，0≤λ1≤λ2≤…≤λn。
则矩阵L的规范化拉普拉斯矩阵为
Lsym＝D-1/2LD-1/2＝1-D-1/2WD-1/2
S34：计算Lsym的前k个最小特征值所对应的特征向量v1,v2,…,vk，得到第一矩阵V＝(vij)1×k；
S35：将第一矩阵V的每一行规范化成范数为1，得到第二矩阵U＝(uij)n×k，其中，
Figure BDA0001872756720000094
为了进一步优化上述技术方案，步骤S4具体包括：
利用K-means算法对第二矩阵U进行聚类，
S41，随机初始化m个聚类中心；
S42，计算图G中各个顶点与m个聚类中心的距离；
S43，根据最近原则，将图G中各个顶点划分到相应的簇，得到m个簇；
S44，计算m个簇内数据点的平均值作为新的m个聚类中心，之后重复步骤S42和S43，直至聚类中心不再发生变化，实现对异构蜂窝网络用户的分簇。
将异构蜂窝网络中的用户聚类成m个簇后，则对可用的频谱资源m等分，分配给m个簇里的用户。同一个簇的用户可以复用同一频谱资源，不同簇的用户不可复用同一频谱资源。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，其特征在于，包括：
S1：将异构蜂窝网络环境中的用户作为顶点，构造出无方向权值连接图；
S2：利用高斯核函数，对无方向权值连接图的边赋权值，构建相似度矩阵；
S3：基于相似度矩阵求得规范化拉普拉斯矩阵，计算规范化拉普拉斯矩阵的特征值和特征向量，得到第一矩阵V，将第一矩阵V每一行规范化成范数为1,得到第二矩阵U；
S4：利用K-means算法对第二矩阵U进行聚类，实现对异构蜂窝网络用户的分簇；
S5：对步骤S4的得到的各个簇分配不同的频谱资源；
步骤S3具体包括：
S31：相似度矩阵的确定：在S2中，求得相似度矩阵W＝(wij)n×n，即：
Figure FDA0003210093760000011
S32：度矩阵的确定：在图论中，对于某一个图，规定其相似度矩阵的每行元素的和为该顶点的度，故图G的度矩阵D＝(dij)n×n定义为：
Figure FDA0003210093760000012
S33：规范化拉普拉斯矩阵：基于S31求得的相似度矩阵W＝(wij)n×n和S32求得的度矩阵D＝(dij)n×n，求得图G的非规范化拉普拉斯矩阵L：
L＝D-W
则矩阵L的规范化拉普拉斯矩阵为
Lsym＝D-1/2LD-1/2＝1-D-1/2WD-1/2
S34：计算Lsym的前k个最小特征值所对应的特征向量v1,v2,…,vk，得到第一矩阵V＝(vij)1×k；
S35：将第一矩阵V的每一行规范化成范数为1，得到第二矩阵U＝(uij)n×k，
其中，
Figure FDA0003210093760000021
步骤S1具体包括：在异构蜂窝网络中，将宏蜂窝用户和微蜂窝用户看作图的顶点，构造一个无方向权值连接图G＝(V,E),V＝{v1,v2,…,vn}是异构蜂窝网环境下的用户集合，假定总共有n个用户；E表示连接顶点的边的集合。
2.根据权利要求1所述的一种异构蜂窝网络中基于谱聚类的频谱资源分配方法，其特征在于，步骤S4具体包括：
利用K-means算法对矩阵U进行聚类：
S41，随机初始化m个聚类中心；
S42，计算图G中各个顶点与m个聚类中心的相似度；
S43，根据最近原则，将图G中各个顶点划分到相应的簇，得到m个簇；
S44，计算m个簇内数据点的平均值作为新的m个聚类中心，之后重复步骤S42和S43，直至聚类中心不再发生变化，实现对异构蜂窝网络用户的分簇。
CN201811384950.3A 2018-11-20 2018-11-20 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 Expired - Fee Related CN109327838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811384950.3A CN109327838B (zh) 2018-11-20 2018-11-20 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811384950.3A CN109327838B (zh) 2018-11-20 2018-11-20 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法

Publications (2)

Publication Number Publication Date
CN109327838A CN109327838A (zh) 2019-02-12
CN109327838B true CN109327838B (zh) 2021-09-17

Family

ID=65258015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811384950.3A Expired - Fee Related CN109327838B (zh) 2018-11-20 2018-11-20 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法

Country Status (1)

Country Link
CN (1) CN109327838B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831819B (zh) * 2019-03-06 2021-10-22 重庆邮电大学 一种基于异构蜂窝网络分簇smdp基站休眠方法
CN111181788B (zh) * 2019-12-31 2023-05-09 江苏省未来网络创新研究院 一种sdn智能系统、工作方法及远程服务器
CN111580500B (zh) * 2020-05-11 2022-04-12 吉林大学 一种针对自动驾驶汽车安全性的评价方法
CN113194031B (zh) * 2021-04-23 2023-03-31 西安交通大学 雾无线接入网内结合干扰抑制的用户聚类方法及系统
CN113612557B (zh) * 2021-07-30 2023-08-04 天津(滨海)人工智能军民融合创新中心 无人机蜂群多微蜂窝频谱资源管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158573A (zh) * 2014-07-01 2014-11-19 北京邮电大学 消除干扰的预编码方法及系统
CN106792893A (zh) * 2016-11-29 2017-05-31 西南交通大学 基于最大接收功率的异构蜂窝网络接入方法
CN108834158A (zh) * 2018-05-02 2018-11-16 北京交通大学 一种用于超密集组网的干扰管理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8428602B2 (en) * 2009-10-14 2013-04-23 Ntt Docomo, Inc. Methods for enhancing performance of open-access and closed-access femtocells

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158573A (zh) * 2014-07-01 2014-11-19 北京邮电大学 消除干扰的预编码方法及系统
CN106792893A (zh) * 2016-11-29 2017-05-31 西南交通大学 基于最大接收功率的异构蜂窝网络接入方法
CN108834158A (zh) * 2018-05-02 2018-11-16 北京交通大学 一种用于超密集组网的干扰管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A hierarchical MADM-based network selection scheme for system performance enhancement;Long Li等;《2014 IEEE International Conference on Communication Systems》;20141121;全文 *
协同基站群的动态分簇算法研究;郑丽清;《中国优秀硕士学位论文全文数据库 信息科技辑 2012年第07期》;20120716;全文 *

Also Published As

Publication number Publication date
CN109327838A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109327838B (zh) 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法
CN110708711B (zh) 基于非正交多址接入的异构携能通信网络资源分配方法
Liang et al. A cluster-based energy-efficient resource management scheme for ultra-dense networks
Wang et al. Joint interference alignment and power control for dense networks via deep reinforcement learning
CN109803269B (zh) 组网方法和装置、网络接入方法、以及用户设备
CN106954227A (zh) 超密集无线网络基于干扰协调的能效资源分配方法
Dai et al. Optimal decomposition for large-scale infrastructure-based wireless networks
US20190075471A1 (en) Cell clustering method, spectrum overlapping multiplexing method based on method, and device thereof
CN109769257B (zh) 基于能效的异构网络鲁棒资源分配和时长混合优化方法
Abdelhakam et al. A cooperation strategy based on bargaining game for fair user-centric clustering in cloud-RAN
CN106788812B (zh) 一种两层网络中基于分簇的干扰对齐方法
Chen et al. Hypergraph spectral clustering based spectrum resource allocation for dense NOMA-HetNet
CN101808325B (zh) 频谱分配方法及装置
Ge et al. 2-step graph coloring algorithm for cluster-wise distributed MU-MIMO in ultra-dense RAN
Yao et al. Interference management scheme of ultra dense network based on clustering
CN108430109A (zh) 一种认知小小区网络的合作博弈资源配置方法及其系统
Xia et al. Complexity-Constrained Clustered Cell-Free Networking for Sum Capacity Maximization
Li et al. UAV-assisted cellular communication: Joint trajectory and coverage optimization
Touati et al. Model-Based optimization for JT CoMP in C-RAN
Liu et al. Power allocation and channel selection in small cell networks based on traffic-offloading
CN112243283B (zh) 基于成功传输概率的Cell-Free Massive MIMO网络分簇计算方法
CN110380808B (zh) 以用户设备为中心的微小区半分簇干扰协调方法
EP3188372B1 (en) Graph clustering for cooperation in telecommunications networks
Mussbah et al. Access Point Clustering-based Pilot Assignment for Cell-free Massive MIMO
Afrin et al. A fuzzy logic approach for improving throughput of the UAV-assisted wireless networks

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210917