CN110086556A - 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 - Google Patents
基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 Download PDFInfo
- Publication number
- CN110086556A CN110086556A CN201910179900.XA CN201910179900A CN110086556A CN 110086556 A CN110086556 A CN 110086556A CN 201910179900 A CN201910179900 A CN 201910179900A CN 110086556 A CN110086556 A CN 110086556A
- Authority
- CN
- China
- Prior art keywords
- cluster
- classification number
- multipath
- radio channel
- space conversion
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于电子信息技术领域,公开了一种基于空间转换c‑Means的无线信道多径模糊聚类的方法及系统,首先将信号多径参数(包括振幅、时延、波达角和波发角)用变量空间转换的方法转换成与MCD兼容的形式后进行多径的聚类,另外该方法及系统为每个候选的多径聚类类别数K∈κ建立两个排名,在每个排名中,聚类结果都按照GD或者XB指数进行排序,排序后使用如附图所示的特定的计分机制选出最佳的聚类类别数。本发明在同等条件下的聚类准确率比KPowerMeans方法高44%,在较佳情况下相比FCM方法而言能实现100%的聚类准确率。
Description
技术领域
本发明属于电子信息技术领域,尤其涉及一种基于空间转换c-Means的无线信道多径模糊聚类的方法及系统。
背景技术
目前,业内常用的现有技术是这样的:无线信号在蜂窝无线信道中传播的时候,大多数会受到周围环境中的反射、散射以及由建筑物等障碍物造成的衍射的影响,所以信道在响应冲击时会产生多径效应。大量的信道测试证明,这些多径(MPCs)并不是互相独立存在的,他们可以被分组,也就是所谓的“簇”。通常同一个簇里的信号路径是由同一个障碍物或者散射物造成的,他们也因此有着相似的参数,例如时延、入射角以及反射角。簇的概念被广泛的应用于信道模型,例如3GPP,WINNER,COST2100和METIS。信道建模需要解决多径问题。MPCs有着传输能量随传输距离呈指数衰减的性质,这一性质在早期被用于多径聚类,例如RMSE。但是由于当时技术水平有限,信道建模时并没有能力将MPCs在空间中的传播性质考虑在内。这类方法只使用了能量衰减这一个性质,MPCs在空间中的传播性质(例如入射角和反射角)没有被考虑,而这些参数对多径聚类非常有用。
模式识别是一种非常有前景的多径聚类方法,例如在KMeans基础上提出的KPowerMeans方法用衡量多径距离(MCD)以及多径能量衰减的方式进行多径的聚类。也有人将MCD应用在传统的c-Means模糊聚类(FCD)中进行多径的分类。但是Schneider’s FCM方法在同时应用MCD和FCM的时候在数学上并不严谨。因此下面有必要对传统的FCM方法进行说明,在信道建模问题中,聚类之前的信道冲击响应可以表示为式(1),其中L是MPCs的总数目,是第l个MPC的复幅值。τl,分别表示延时、反射角的方位角、反射角的俯仰角,入射角的方位角和方位角的俯仰角。我们使用来表示第l个MPC的参数。又假设K是簇的个数,Lk是第K个簇中路径的的个数,而{K,l}表示第K个簇里的第l条信号路径,则聚类之后的信道冲激响应表示为式(2):
通过迭代式(3),可以得到某个信号属于某条路径的置信矩阵以及每个簇的中心向量,至此聚类工作完成:
在Schneider’s FCM中,使用式(4)表示的MCD替代式(3)中的来衡量多个信号路径之间的差异,其中,dT,i,j和dR,i,j被定义为式(5),dτ,i,j被定义为式 (6):
在欧式空间下,欧式距离应该具有如下性质:但是在非欧式空间中,MCD(多径距离)的偏导在数学上没有意义同时也不成立,因此用MCD取代之后,同样使用FCM算法将导致多径聚类算法在数学上不成立,也因此,在欧式距离下能收敛的迭代方程在MCD距离下不能保证收敛。
综上所述,现有技术存在的问题是:由于没有恰当的技术手段利用MPCs 在空间中的传播性质(例如入射角和反射角)来提高聚类准确率,因此多径的聚类算法只使用了MPCs的幅度特性,算法的准确率较低;同时FCM算法由于使用了MCD距离而非欧式距离,因此FCM算法在数学上不成立,同时也不能保证算法的收敛性,这会导致聚类过程的不准确甚至聚类失败。
解决上述技术问题的难度:
需要使用变量空间转换的方法来利用多径参数(包括振幅、时延、波达角和波发角)。只有实现变量的空间转换,上述多径参数才能用于提高多径聚类准确率。
解决上述技术问题的意义:
本发明以变量空间转换为基础,利用了多径的振幅、时延、波达角和波发角等多种多径信息,这样可以规避只使用多径振幅作为聚类依据而导致的聚类准确率偏低的缺陷。针对多径变量空间转换,需要利用空间转换公式进行空间映射,便于多径参数批量处理。
本发明的系统提供最佳聚类类别数自动寻找功能,系统自动寻找最佳聚类类别数,规避手动设置聚类类别数导致的聚类偏差甚至失败。自动寻找最佳聚类类别数功能可以减少人为参数设置导致的系统聚类失败,该功能可以进一步保障空间中有复杂多径分布情况的聚类准确性。
发明内容
针对现有技术存在的问题,本发明提供了一种基于空间转换c-Means的无线信道多径模糊聚类的方法及系统。
本发明是这样实现的,一种基于变量空间转换c-Means的无线信道多径模糊聚类方法,所述基于变量空间转换c-Means的无线信道多径模糊聚类方法包括:
步骤1,设置多径的初始置信矩阵Uk为零矩阵,该矩阵的维度为K×L,
步骤2,设置初始迭代次数i为1,
步骤3,初始化原参数空间中K个聚类中心为Γ(i),
步骤4,通过将原空间多径参数ωl和Γ(i)代入来计算置信矩阵中的值
步骤5,根据步骤4得到置信矩阵中第l列向量
步骤6,根据步骤5得到置信矩阵
步骤7,当||U(i)-U(i-1)||>ε时循环执行步骤8,9,10,
步骤8,更新迭代次数i=i+1,
步骤9,将U(i-1)代入计算新的聚类中心,
步骤10,根据以及由步骤9得到的聚类中心计算新的置信矩阵Ui
步骤11,令Uk=U(i)得到迭代完毕时的多径聚类置信矩阵
步骤12,根据计算原变量空间里的聚类中心
进一步,所述基于空间转换c-Means的无线信道多径模糊聚类方法的一种寻找最佳聚类类别数的方法包括:
步骤1:让候选的聚类类别数K从Kmin迭代到Kmax;
步骤2:在步骤1的基础上根据ST-FCM算法计算出多径的置信矩阵Uk和对应的聚类中心ΓK;
步骤3:在步骤2的基础上让l从1到L迭代,如果那么让 并且令在k=1,2,…,K并且时令ul(k)=0;否则将wl和ul从Ω和 Uk中移除;
步骤4:步骤2,3迭代完成之后,计算GD和XB指数,循环执行步骤1;
步骤5:步骤1,2,3,4都完成之后,计算每个聚类类别数的得分,按照计分规则选取最佳的聚类类别数;
步骤6:根据得到的最佳聚类类别数对多径进行聚类,得到置信度矩阵 以及对应的聚类中心
进一步,所述基于空间转换c-Means的无线信道多径模糊聚类方法的一种聚类类别数评价方法包括:
假设Ωk={ωl|l=1,2,…,Lk}是当有K个簇时第k个簇里的多径的集合。定义 接着定义GD指数为任意两个SID的和与两倍SID最大值之间的商:GD指数越高,聚类效果越好。定义XB指数为所有 MCD值的平方和与L倍MCD最大值平方的比值:
XB指数越小,聚类效果越好。
进一步,所述基于空间转换c-Means的无线信道多径模糊聚类方法的一种聚类类别数计分方法,所述一种聚类类别数计分方法包括:
首先根据GD和XB指数为每个候选的类别数K∈κ建立两个排名,在每个排名中,聚类结果都按照GD或者XB指数进行排序,好结果排在前而差结果排在后;
其次在每个排名中,排序结果最差的聚类结果对应的聚类类别数获得一分;
然后每个比之前结果更好的聚类结果对应的聚类类别数多获得一分,聚类结果对应的聚类类别数比次好的聚类结果对应的聚类类别数多得两分;
最后得分统计完成之后将两个排名的得分值进行简单的相加作为某个聚类类别数的最终得分,得分最高的类别数成为最佳的聚类类别数。
本发明的另一目的在于提供一种实现所述基于空间转换c-Means的无线信道多径模糊聚类的方法的基于空间转换c-Means的无线信道多径模糊聚类的系统,所述基于空间转换c-Means的无线信道多径模糊聚类的系统包括:
基于变量空间转换c-Means的无线信道多径模糊聚类模块:用于使用多径参数信息进行多径的聚类。
寻找最佳聚类类别数模块:用于寻找最佳聚类类别数。
聚类类别数评价模块:用于评价聚类类别数的优劣。
聚类类别数计分模块:用于为每个聚类类别数计分排名。
本发明的另一目的在于提供一种应用所述基于空间转换c-Means的无线信道多径模糊聚类的方法的蜂窝无线信道传播平台。
综上所述,本发明的优点及积极效果为:
本发明使用空间转换的方法解决了多径的空间传播参数不能利用的问题,并且保证了ST-FCM算法在数学上的严谨性和收敛性。同时本发明提出的一种寻找最佳聚类类别数的方法、一种聚类类别数评价方法和一种聚类类别数计分方法能有效地提高多径聚类准确率。在同样的条件下,ST-FCM的准确率为78%,而KPowerMeans方法的准确率为54%,相比KPowerMeans方法,ST-FCM的准确率提高了44.4%。在同样的条件下,ST-FCM能够100%正确地进行信道聚类,而FCM的准确率为42.8%,相比于FCM,ST-FCM的准确率提高了133%。
附图说明
图1是本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的聚类类别数计分方法流程图。
图2是本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的方法流程图。
图3是本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的系统的结构示意图。
图4是本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的系统的多径聚类结果可视化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图2所示,本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的方法包括以下步骤:
步骤1:聚类参数初始化,包括置信矩阵、迭代次数、聚类中心
步骤2:将原变量通过变量空间转换的方法转换到新的变量空间
步骤3:使用迭代公式计算置信矩阵
步骤4:根据置信矩阵更新聚类中心
步骤5:将聚类中心通过空间反转换的方法转换到原空间,得到原空间的聚类中心,同时得到置信矩阵
如图3所示,本发明实施例提供的基于空间转换c-Means的无线信道多径模糊聚类的系统包括:一种基于变量空间转换c-Means的无线信道多径模糊聚类方法、一种寻找最佳聚类类别数的方法、一种聚类类别数评价方法、一种聚类类别数计分方法。具体步骤包括:
步骤1:设定聚类类别数范围,并让聚类类别数从范围中的最小值开始迭代到最大值
步骤2:根据ST-FCM算法计算出多径的置信矩阵和对应的聚类中心
步骤3:为每次迭代聚类类别数而得到的聚类结果和聚类中心计算GD和 XB指数,并使用聚类类别数计分方法进行计分
步骤4:根据聚类类别数评价方法对当前迭代的聚类类别数进行评价,并剔除评价较低的聚类类别数
步骤5:在ST-FCM算法中使用最佳的聚类类别数,得到最终的聚类结果和聚类中心
下面结合具体实施例对本发明的应用原理作进一步的描述。
在ST-FCM(空间转换-模糊c中心聚类)算法中,采用描述一个信号路径,而不是仅仅使用信号振幅来描述,以最大程度上利用信号接收机获得的信息,从而提升聚类的整体性能。
原先用来表示第l个MPC参数的将通过式(7)变换为Xl,其中的β是一个归一化因子:
定义Γ为K个MPC簇的中心,Γ={γk|k=1,2,…,K},其中紧接着定义SMCDk,l=|αl|2·||M(ωl)-M(γk)||,使用SMCD度量多径之间的差异,并用SMCD替换此时使用式(8)进行迭代得到聚类中心和对应的多径置信矩阵:
具体算法包括如下步骤,
步骤一,设置多径的初始置信矩阵Uk为零矩阵,该矩阵的维度为K×L;
步骤二,设置初始迭代次数i为1;
步骤三,初始化原参数空间中K个聚类中心为Γ(i);
步骤四,通过将原空间多径参数ωl和Γ(i)代入式(8)来计算置信矩阵中的值
步骤五,根据步骤四得到置信矩阵中第l列向量
步骤六,根据步骤五得到置信矩阵
步骤七,当||U(i)-U(i-1)||>ε时循环执行步骤八,步骤九,步骤十;
步骤八,更新迭代次数i=i+1;
步骤九,将U(i-1)代入式(8)计算新的聚类中心;
步骤十,根据式(9)以及由步骤九得到的聚类中心计算新的置信矩阵Ui;
步骤十一,令Uk=U(i)得到迭代完毕时的多径聚类置信矩阵;
步骤十二,根据式(9)计算原变量空间里的聚类中心:
注意到聚类的类别数对聚类效果有着十分重要的影响,这里提出一种方法让算法自适应地调整聚类类别数。假定可能的类别数K∈K={K|Kmin≤K≤Kmax},接着引入两个指数Generalized Dunn's(GD)和Xie-Beni(XB)。下面对这两个指数进行说明。
假设Ωk={ωl|l=1,2,…,Lk}是当有K个簇时第k个簇里的多径的集合。定义 接着定义GD指数为任意两个SID的和与两倍SID最大值之间的商:
GD指数越高,聚类效果越好。定义XB指数为所有MCD值的平方和与L 倍MCD最大值平方的比值:
XB指数越小,聚类效果越好。GD指数和XB指数从不同的侧面评价了聚类效果的好坏,并且它们适用的范围不同,提出一种基于计分机制的融合方法整合这两个指数。
首先根据GD和XB指数为每个候选的类别数K∈κ建立两个排名,在每个排名中,聚类结果都按照GD或者XB指数进行排序,好结果排在前而差结果排在后。之后,在每个排名中,排序结果最差的聚类结果对应的聚类类别数获得一分,之后,每个比之前结果更好的聚类结果对应的聚类类别数多获得一分,注意最好的聚类结果对应的聚类类别数比次好的聚类结果对应的聚类类别数多得两分。得分统计完成之后将两个排名的得分值进行简单的相加作为某个聚类类别数的最终得分,得分最高的类别数成为最佳的聚类类别数。
至此,给出自适应调整聚类类别数的算法,该算法包含如下步骤,
步骤一,让候选的聚类类别数K从Kmin迭代到Kmax;
步骤二,在步骤一的基础上根据ST-FCM算法计算出多径的置信矩阵UK和对应的聚类中心ΓK;
步骤三,在步骤二的基础上让l从1到L迭代,如果那么让 并且令在k=1,2,…,K并且时令ul(k)=0;否则将wl和ul从Ω和 Uk中移除;
步骤四,步骤二和步骤三迭代完成之后,计算GD和XB指数,循环执行步骤一;
步骤五,步骤一-步骤四都完成之后,计算每个聚类类别数的得分,按照计分规则选取最佳的聚类类别数;
步骤六,根据得到的最佳聚类类别数对多径进行聚类,得到置信度矩阵 以及对应的聚类中心
至此本发明提出的多径聚类方法以及软件框架完成。软件框架如附图3所示,包括:
基于变量空间转换c-Means的无线信道多径模糊聚类模块:用于使用多径参数信息进行多径的聚类;
寻找最佳聚类类别数模块:用于寻找最佳聚类类别数;
聚类类别数评价模块:用于评价聚类类别数的优劣;
聚类类别数计分模块:用于为每个聚类类别数计分排名。
其中聚类类别数计分模块的结果为聚类类别数评价模块提供参考;寻找最佳聚类类别数模块使用聚类类别数评价模块来衡量找到的最佳聚类类别数;多径模糊聚类模块使用寻找最佳聚类类别数模块寻找得到的最佳聚类类别数进行多径的聚类。
下面结合具体实施例对本发明的应用原理作进一步的描述。
实施例1:
使用由ESCM模型生成的7个MPC作为原始数据,初始信道置信矩阵随机赋值,使用ST-FCM进行信道聚类,在1000个采样点中,ST-FCM准确率达到 78%,所有的径都正确地分到了6个类别里,而采用KPowerMeans方法得到的准确率仅54%。
在一个具有农村宏蜂窝(RMa)场景中实测信道数据。测量考虑下行链路,用于模拟基站BS的发射端放置在25m高的5层楼顶。模拟用户终端的接收机分布在发射端楼房附近的154个位置(Ptl~Pt154),其中LoS和NLoS个各76 个。在测量中,终端不是连续移动的,发射天线和接受天线都由64根天线阵子组成。64根发送天线阵子分时发送长度为1023的PN序列并由64根接受天线分时接受。轮询完所有的收发天线后得到64×64×1023的信道冲激响应(CIR)。根据PDP,采取阈值和SNR相结合的方式选径,阈值设为20dB,SNR设为3dB。确定径之后利用MUSIC算法估计径的参数如角度,时延,功率等。
将算法的多径聚类结果可视化得到附图4。图中横轴0,1,2代表三个不同的簇,纵轴是有着不同时延的多径分量。可以看出第一条径的时延为236,它对编号为0的簇的隶属度为0.42,对1的簇隶属度为0.20,对编号为3的簇隶属度为0.37。从附图4中明显可以看出多径被正确分到了相应的簇中,证实了本发明是切实可行并有效的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于变量空间转换c-Means的无线信道多径模糊聚类方法,其特征在于,所述基于变量空间转换c-Means的无线信道多径模糊聚类方法包括:
步骤一,设置多径的初始置信矩阵Uk为零矩阵,该矩阵的维度为K×L;
步骤二,设置初始迭代次数i为1;
步骤三,初始化原参数空间中K个聚类中心为Γ(i);
步骤四,通过将原空间多径参数ωl和Γ(i)代入计算置信矩阵中的值
步骤五,根据步骤四得到置信矩阵中第l列向量
步骤六,根据步骤五得到置信矩阵
步骤七,当||U(i)-U(i-1)||>ε时循环执行第八步-第十步;
步骤八,更新迭代次数i=i+1;
步骤九,将U(i-1)代入计算新的聚类中心;
步骤十,根据以及由步骤九得到的聚类中心计算新的置信矩阵Ui;
步骤十一,令UK=U(i)得到迭代完毕时的多径聚类置信矩阵;
步骤十二,根据计算原变量空间里的聚类中心。
2.如权利要求1所述的基于变量空间转换c-Means的无线信道多径模糊聚类方法,其特征在于,所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的寻找最佳聚类类别数的方法包括:
第一步,让候选的聚类类别数K从Kmin迭代到Kmax;
第二步,在第一步的基础上根据ST-FCM算法计算出多径的置信矩阵UK和对应的聚类中心ΓK;
第三步,在第二步的基础上让l从1到L迭代,如果那么让 并且令在k=1,2,…,K并且时令ul(k)=0;否则将wl和ul从Ω和UK中移除;
第四步,第二步和第三步迭代完成之后,计算GD和XB指数,循环执行第一步;
第五步,第一步-第四步都完成之后,计算每个聚类类别数的得分,按照计分规则选取最佳的聚类类别数;
第六步,根据得到的最佳聚类类别数对多径进行聚类,得到置信度矩阵 以及对应的聚类中心
3.如权利要求2所述的的基于变量空间转换c-Means的无线信道多径模糊聚类方法,其特征在于,所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的聚类类别数评价方法包括:
假设Ωk={ωl|l=1,2,…,Lk}是当有K个簇时第k个簇里的多径的集合。定义 接着定义GD指数为任意两个SID的和与两倍SID最大值之间的商:GD指数越高,聚类效果越好;定义XB指数为所有MCD值的平方和与L倍MCD最大值平方的比值:XB指数越小,聚类效果越好。
4.如权利要求2所述的的基于变量空间转换c-Means的无线信道多径模糊聚类方法,其特征在于,所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的聚类类别数计分方法包括:
首先根据GD和XB指数为每个候选的类别数K∈κ建立两个排名,在每个排名中,聚类结果都按照GD或者XB指数进行排序,好结果排在前而差结果排在后;
其次在每个排名中,排序结果最差的聚类结果对应的聚类类别数获得一分;
然后每个比之前结果更好的聚类结果对应的聚类类别数多获得一分,聚类结果对应的聚类类别数比次好的聚类结果对应的聚类类别数多得两分;
最后得分统计完成之后将两个排名的得分值进行简单的相加作为某个聚类类别数的最终得分,得分最高的类别数成为最佳的聚类类别数。
5.一种实现权利要求1所述基于空间转换c-Means的无线信道多径模糊聚类的方法的基于空间转换c-Means的无线信道多径模糊聚类的系统,其特征在于,所述基于空间转换c-Means的无线信道多径模糊聚类的系统包括:
基于变量空间转换c-Means的无线信道多径模糊聚类模块:用于使用多径参数信息进行多径的聚类;
寻找最佳聚类类别数模块:用于寻找最佳聚类类别数;
聚类类别数评价模块:用于评价聚类类别数的优劣;
聚类类别数计分模块:用于为每个聚类类别数计分排名。
6.一种应用权利要求1~4任意一项所述基于空间转换c-Means的无线信道多径模糊聚类的方法的蜂窝无线信道传播平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179900.XA CN110086556A (zh) | 2019-03-11 | 2019-03-11 | 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179900.XA CN110086556A (zh) | 2019-03-11 | 2019-03-11 | 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110086556A true CN110086556A (zh) | 2019-08-02 |
Family
ID=67412393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179900.XA Pending CN110086556A (zh) | 2019-03-11 | 2019-03-11 | 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110086556A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049636A (zh) * | 2012-09-12 | 2013-04-17 | 江苏大学 | 可能模糊k调和均值聚类方法及系统 |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN106127260A (zh) * | 2016-07-04 | 2016-11-16 | 北京交通大学 | 一种新颖的多源数据模糊聚类算法 |
CN106548197A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 改进的多径簇聚类方法 |
CN108768567A (zh) * | 2018-06-01 | 2018-11-06 | 北京邮电大学 | 一种多径分簇方法、装置、电子设备及可读存储介质 |
CN108881076A (zh) * | 2018-06-30 | 2018-11-23 | 宜春学院 | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 |
-
2019
- 2019-03-11 CN CN201910179900.XA patent/CN110086556A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN103049636A (zh) * | 2012-09-12 | 2013-04-17 | 江苏大学 | 可能模糊k调和均值聚类方法及系统 |
CN106127260A (zh) * | 2016-07-04 | 2016-11-16 | 北京交通大学 | 一种新颖的多源数据模糊聚类算法 |
CN106548197A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 改进的多径簇聚类方法 |
CN108768567A (zh) * | 2018-06-01 | 2018-11-06 | 北京邮电大学 | 一种多径分簇方法、装置、电子设备及可读存储介质 |
CN108881076A (zh) * | 2018-06-30 | 2018-11-23 | 宜春学院 | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 |
Non-Patent Citations (3)
Title |
---|
RUONAN ZHANG: "NDCMC: A Hybrid Data Collection Approach for Large-Scale WSNs Using Mobile Element and Hierarchical Clustering", 《IEEE》 * |
张传锦: "基于模糊 C 均值聚类的无线传感器网络节点定位算法", 《电子设计工程》 * |
赵洪钢: "一种基于节点相关度的无线传感器网络分簇算法", 《西北工业大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN110492911B (zh) | 一种用于无人机通信的波束追踪方法与系统 | |
CN103826249B (zh) | 一种智能天线异常性能评估方法及装置 | |
Brida et al. | An experimental evaluation of AGA algorithm for RSS positioning in GSM networks | |
Khan et al. | A generalized model for the spatial characteristics of the cellular mobile channel | |
Dharmadhikari et al. | Path loss exponent estimation for wireless sensor node positioning: Practical approach | |
CN104581945A (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
CN111007456A (zh) | 能时域联合的鲁棒性非视距偏差消除定位方法 | |
CN108169709B (zh) | 一种基于分布式天线的室内三维定位方法 | |
Zhu et al. | Maximum likelihood scheme for fingerprinting positioning in LTE system | |
Morais et al. | Localization in Digital Twin MIMO Networks: A Case for Massive Fingerprinting | |
CN110086556A (zh) | 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 | |
CN116744444A (zh) | 基于双重指纹参数的wknn定位方法及定位系统 | |
CN112752339B (zh) | 一种基于大规模mimo单站系统的指纹库更新方法 | |
Muttair et al. | Optimal transmitter location using multi-scale algorithm based on real measurement for outdoor communication | |
CN109861776A (zh) | 一种模拟多天线室外空间耦合衰落传播特性的方法 | |
Mondal et al. | Genetic algorithm optimized grid-based RF fingerprint positioning in heterogeneous small cell networks | |
Borenovic et al. | Comparative analysis of RSSI, SNR and noise level parameters applicability for WLAN positioning purposes | |
Seretis et al. | Ray-tracing driven ann propagation models for indoor environments at 28 GHz | |
CN110456307B (zh) | 一种基于室内伪卫星信号载噪比的终端定位方法 | |
Chen et al. | Multipath-based CSI fingerprinting localization with a machine learning approach | |
CN113890583B (zh) | 一种毫米波亚毫米波频段非对称信道参数预测方法 | |
Borenovic et al. | ANN based models for positioning in indoor WLAN environments | |
Anusuya et al. | Wireless channel models for indoor environments | |
CN113346970B (zh) | 面向无线三维信道的用户级信道空域特征建模方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190802 |
|
WD01 | Invention patent application deemed withdrawn after publication |