CN110366187A - 权衡成本与信号强度的无线网络基站建站选址优化方法 - Google Patents
权衡成本与信号强度的无线网络基站建站选址优化方法 Download PDFInfo
- Publication number
- CN110366187A CN110366187A CN201910504292.5A CN201910504292A CN110366187A CN 110366187 A CN110366187 A CN 110366187A CN 201910504292 A CN201910504292 A CN 201910504292A CN 110366187 A CN110366187 A CN 110366187A
- Authority
- CN
- China
- Prior art keywords
- base station
- micro
- macro base
- point
- cluster
- 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.)
- Granted
Links
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
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种权衡成本与信号强度的无线网络基站建站选址优化方法,研究宏基站和微基站的建设位置选取以及建站所需成本,使成本费用减少与信号强度尽可能达到最优情况。宏基站建设的越多,覆盖的面积越广,信号强度也有所提高,但是总体的建站成本费用就会上升,因此宏基站和微基站的选址与建站成本面临信号强度与成本的权衡问题。本发明提出了一种兼顾成本与信号强度的宏基站与微基站协同运行建置方案,通过微基站的低成本来弥补宏基站高额的建设成本,组成异构网络,是使得效益均衡化的重要途径。本技术方案提出了一种相对平衡的最优解决方案,采用微基站来弥补宏基站边缘信号强度过低的缺点,使无线网络基站所有测试点的信号强度达到最强。
Description
技术领域
本发明属于无线通信技术领域,涉及一种无线网络基站建站选址优化方法,具体涉及一种权衡成本与信号强度的宏基站与微基站协同运行的无线网络基站建站选址优化方法。
背景技术
基站规划是为了满足规划区域内用户对网络数据传输的要求,在适合的位置建设发射基站使得网络信号覆盖整个规划区域。
现有技术方案在大范围的区域使用宏基站去覆盖,保证基本通讯需求,可以有效的减少部署费用,但是仅能做到有讯号,不能满足用户的使用感受。如果大面积的部署宏基站来确保用户的体验感受好,将产生高额的部署费用和维护费用。
现有技术方案在无线网络基站选址问题的建模及算法,大都在于4G异构网络是4G网络在同一个区域的叠加,具体表现为宏基站的信号覆盖范围内多个微基站同时向区域内的用户提供服务,使区域内用户实现成功传输数据、数据传输速度更快的目标。
宏基站建设的越多,覆盖的面积越广,信号强度也有所提高,但是总体的建站成本费用就会上升,因此宏基站和微基站的选址与建站成本面临信号强度与成本的权衡问题。
异构网络的出现可以灵活的解决这个问题。在异构网络中,微基站可以部署在宏基站的覆盖范围内,两者同时运行,在高负载的地方部署微基站解决网速低,宏基站起到保证讯号的作用,重要的通讯速度交给微基站负责,由于微基站的成本低,覆盖范围小,可以在多个区域部署,在固定小范围内提高用户使用感,满足人群密集区域的流量需求,以较小的经济成本解决宏观问题。
但是4G异构网络基站规划比一般的4G基站规划更为复杂。
发明内容
为了解决上述技术问题,本发明建立了异构网络覆盖率最大化、容量最大化、成本最小化为优化目标,宏基站与微基站之间的干扰为主要约束条件的新型4G异构网络基站规划模型,提供了一种权衡成本与信号强度的宏基站与微基站协同运行的无线网络基站建站选址优化方法。
本发明所采用的技术方案是:一种权衡成本与信号强度的无线网络基站建站选址优化方法,其特征在于,包括以下步骤:
步骤1:假设测试点坐标集为宏基站坐标为(Xk,Yk),单价为P1,建设个数为S1,覆盖范围为A1;微基站坐标为i表示第i个微基站,单价为P2,建设个数为S2,覆盖范围为A2;
步骤2:权衡考虑成本与信号强度,建构具有混合整数变量的无线网络优化模型;
所述具有混合整数变量的无线网络优化模型为:
Min Price=P1S1+P2S2 (1)
sum≤n; (5)
其中,Min Price表示成本优化函数,Max Cov表示信号覆盖率优化函数,sum代表在某宏基站覆盖范围内的信号测试点个数,n为测试点总个数,k为宏基站编号,i为微基站编号;目标函数(1)为成本的优化函数;目标函数(2)为信号覆盖率的优化函数;约束条件(3)表示属于某类的测试点离中心点的距离小于覆盖范围;约束条件(4)表示属于某类的微基站地址处于属于该宏基站的范围内,保证每个微基站对应一个宏基站;约束条件(5)保证被覆盖的测试点数sum小于等于总测试点个数n;约束条件(6)确保信号覆盖率的最低要求需要在≥N%,N为预设阈值;
步骤3:利用所述具有混合整数变量的无线网络优化模型,使用模糊C-均值聚类算法进行宏基站选址;
步骤4:利用所述具有混合整数变量的无线网络优化模型,使用K均值聚类算法进行初始微基站选址;
步骤5:对微基站坐标进行微调,把坐标在宏基站覆盖范围外的点移动至合适的位置,保持边界点全覆盖和噪点覆盖率大于预设值;其中,所述噪点为不在宏基站覆盖范围内的信号测试点。
作为优选,步骤3的具体实现包括以下子步骤:
步骤3.1:随机指定每个数据节点到各个簇的隶属度,表示成隶属度矩阵,隶属度矩阵大小为聚类数×测试点个数;其中数据节点为信号测试点,簇为宏基站的聚类类别;
在模糊C-均值算法中每个数据节点都存在隶属每一个类的隶属度,并且每个数据节点到所有类中心的隶属度和等于1;
隶属度计算公式为:
其中c为簇个数,即是宏基站的聚类类别个数;n为测试点总个数;所有的uij构成一个隶属度矩阵u,其中隶属度矩阵的大小为c行n列;
步骤3.2:根据隶属度计算每一个聚类的质心,所述质心为宏基站坐标点;
通过计算所有测试点到每个簇中心点的距离,保留最小的距离,从而根据宏基站的信号覆盖半径,筛选出不在宏基站信号覆盖范围内的测试点的个数和其位置坐标;同时,使用最小距离来判断测试点是否在宏基站覆盖边缘区域内,记录边界点的坐标和个数;
计算距离采用的是笛卡尔距离公式;假设测试点坐标为其中下标i代表第几个测试点。令簇聚类中心坐标为(Xk,Yk),利用以下公式(8)计算测试点离每个簇聚类中心距离:
步骤3.3:更新隶属度矩阵;
更新隶属度矩阵u中的元素uij是透过以下公式(9):
其中ci是聚类的质心,隶属度m为加权指数,dij=||ci-xj||为笛卡尔距离,质心ci满足以下公式(10):
其中n为测试点总个数;
步骤3.4:重复步骤3.2和步骤3.3,直到所有隶属度变化的绝对值都低于所设定的阈值;
步骤3.5:输出聚类中心点,即宏基站坐标点。
作为优选,步骤4的具体实现包括以下子步骤:
步骤4.1:随机选取K个中心点;其中,中心点即是初始微基站坐标点;
步骤4.2:遍历所有数据结点,将每个结点划分到最近的中心点的覆盖范围内;其中,数据结点是由模糊C-均值算法筛选出的边缘信号测试点points和噪点noise;噪点noise为不在宏基站覆盖范围内的信号测试点;
步骤4.3:计算每个聚类的平均值,并将其作为新的中心点;
步骤4.4:重复步骤4.2和步骤4.3,直到这K个中心点坐标不再变化;
步骤4.5:输出聚类中心点和信号测试点类别。
作为优选,步骤5的具体实现包括以下子步骤:
步骤5.1:计算所有初始微基站离各个宏基站的距离,保留最小值;
若最小值在宏基站覆盖半径内,则无需调整位置,本流程结束;
否则记录下该初始微基站坐标和隶属于哪个宏基站,以及原有聚类类别;
步骤5.2:构造各个宏基站覆盖半径的圆的函数表达式,以及将微基站与所隶属的宏基站做线性函数表达式;
步骤5.3:计算两个函数的解,交点取举例较小的点作为假设微基站坐标点;
步骤5.4:计算假设微基站坐标点与该类的所有测试点的距离,若有一个测试点满足在覆盖半径内,则保留该假设微基站坐标点;否则,放弃建设该假设微基站;
步骤5.5:输出最终的微基站建站基址。
本发明技术方案所提出的无线网络优化设计,考量建置成本与信号强度构建优化模型的目标函数,本发明建置方案使用宏基站与微基站协同混合搭配建置,构成宏基站与微基站协同运行的异构网络。本发明技术通过使用模糊C-均值聚类算法(Fuzzy C-meansAlgorithm)来筛选宏基站建站地址,并且使用K均值聚类算法(K-means ClusteringAlgorithm)来选出初始微基站基址,微基站用于补足宏基站覆盖边缘信号较差的缺点。
由于异构网络约束问题,微基站基址位置需要在宏基站覆盖范围内,因此对于在覆盖范围外的初始微基站,本发明技术采用特殊点处理算法,连接该微基站隶属的宏基站做直线方程,与宏基站圆方程联立求解,得出交点。本发明技术选离初始微基站距离最近的交点作为假设微基站基址,重新计算隶属于该类的测试点是否还在新假设微基站的覆盖范围内,若其中有至少一个测试点在覆盖范围内,则将这个假设微基站提交到最终微基站,否则删除原初始微基站点和假设微基站点,得出最终微基站坐标集。本发明技术确定宏基站和微基站个数后,可以计算出建置无线网络基站所需的总成本。
附图说明
图1为本发明实施例中模糊C-均值算法流程图;
图2为本发明实施例中K均值聚类算法流程图;
图3为本发明实施例中微基站特殊点位置调整算法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明技术方案所考虑无线网络基站选址问题是现在通信行业的重要一环,它决定了无线网络的基本模式,结构和形状。科学合理的网络基站选址能够降低基站建设成本,提高所在区域的信号强度,使更多的在区域内的居民获得更好的使用感受,获得更多的带宽分配,因此网络基站选址具有重要的理论意义和现实需求。有效率地求解权衡成本与信号强度的无线网络优化设计问题仍是困难的技术问题。
本发明所采用的技术方案是:一种权衡成本与信号强度的无线网络基站建站选址优化方法,包括以下步骤:
步骤1:假设测试点坐标集为宏基站坐标为(Xk,Yk),单价为P1,建设个数为S1,覆盖范围为A1;微基站坐标为i表示第i个微基站,单价为P2,建设个数为S2,覆盖范围为A2;
步骤2:权衡考虑成本与信号强度,建构具有混合整数变量的无线网络优化模型;
本实施例中具有混合整数变量的无线网络优化模型为:
Min Price=P1S1+P2S2 (1)
sum≤n; (5)
其中,Min Price表示成本优化函数,Max Cov表示信号覆盖率优化函数,sum代表在某宏基站覆盖范围内的信号测试点个数,n为测试点总个数,k为宏基站编号,i为微基站编号;目标函数(1)为成本的优化函数;目标函数(2)为信号覆盖率的优化函数;约束条件(3)表示属于某类的测试点离中心点的距离小于覆盖范围;约束条件(4)表示属于某类的微基站地址处于属于该宏基站的范围内,保证每个微基站对应一个宏基站;约束条件(5)保证被覆盖的测试点数sum小于等于总测试点个数n;约束条件(6)确保信号覆盖率的最低要求需要在≥N%,N为预设阈值,本实施例取值为85;
此数学模型的建模概念叙述如下:
在异构网络基站选址模型中,目标优化函数有两个,即目标式(1)和目标式(2)。目标式(1)为成本优化函数。目标式(2)为信号覆盖率优化函数,sum代表在某宏基站覆盖范围内的信号测试点个数,n为测试点总个数,k为宏基站序号。
约束条件(3)表示属于某类的测试点离中心点的距离小于覆盖范围,这是实用性约束条件,保证测试点有信号。约束条件(4)表示属于某类的微基站地址处于属于该宏基站的范围内,保证每个微基站对应一个宏基站,虽有违现实条件,但是有利于简化模型。约束条件(5)保证被覆盖的测试点数小于等于总测试点个数。约束条件(6)使得覆盖率最少也要满足大于等于85%,具体所指就是需要覆盖测试点数大于等于85%。
步骤3:利用所述具有混合整数变量的无线网络优化模型,使用模糊C-均值聚类算法进行宏基站选址;
本实施例使用模糊C-均值聚类算法(Fuzzy C-means Algorithm,FCMA)用于宏基站选址问题,这里的质心点即是宏基站坐标点,数据结点即为信号测试点。本技术方案使用模糊C-均值聚类算法用于选取中心点,通过计算所有测试点到每个中心点的距离,保留最小的距离,从而根据宏基站覆盖半径,得到不在覆盖范围内的测试点(noise)的坐标和个数,方便进行特殊点的处理。同时使用最小距离来判断测试点是否在宏基站覆盖边缘区域内,记录边界点(points)的坐标和个数。
计算距离采用的是笛卡尔距离公式。假设测试点坐标为其中i代表第几个测试点。令聚类中心坐标为(Xk,Yk),计算测试点离每个聚类中心距离,如下式(7)所示:
请见图1,步骤3的具体实现包括以下子步骤:
步骤3.1:随机指定每个数据节点到各个簇的隶属度,表示成隶属度矩阵,隶属度矩阵大小为聚类数×测试点个数;其中数据节点为信号测试点,簇为宏基站的聚类类别;
在模糊C-均值算法中每个数据节点都存在隶属每一个类的隶属度,并且每个数据节点到所有类中心的隶属度和等于1;
隶属度计算公式为:
其中c为簇个数,即是宏基站的聚类类别个数;n为测试点总个数;所有的uij构成一个隶属度矩阵u,其中隶属度矩阵的大小为c行n列;
步骤3.2:根据隶属度计算每一个聚类的质心,所述质心为宏基站坐标点;
通过计算所有测试点到每个簇中心点的距离,保留最小的距离,从而根据宏基站的信号覆盖半径,筛选出不在宏基站信号覆盖范围内的测试点的个数和其位置坐标;同时,使用最小距离来判断测试点是否在宏基站覆盖边缘区域内,记录边界点的坐标和个数;
计算距离采用的是笛卡尔距离公式;假设测试点坐标为其中下标i代表第几个测试点。令簇聚类中心坐标为(Xk,Yk),利用以下公式(8)计算测试点离每个簇聚类中心距离:
步骤3.3:更新隶属度矩阵;
更新隶属度矩阵u中的元素uij是透过以下公式(9):
其中ci是聚类的质心,隶属度m为加权指数,dij=||ci-xj||为笛卡尔距离,质心ci满足以下公式(10):
其中n为测试点总个数;
步骤3.4:重复步骤3.2和步骤3.3,直到所有隶属度变化的绝对值都低于所设定的阈值;
步骤3.5:输出聚类中心点,即宏基站坐标点。
步骤4:利用所述具有混合整数变量的无线网络优化模型,使用K均值聚类算法进行初始微基站选址;
本实施例使用K均值聚类算法(K-means Clustering Algorithm)用于初始微基站选址问题,本技术方案中的K均值聚类算法中心点即是初始微基站坐标点,数据结点即为边缘信号测试点(points)和噪点(noise),由模糊C-均值算法筛选出。由于实际无线网络建置设计时边界点(points)和噪点(noise)的坐标过于分散,本发明技术采用K均值聚类算法前需要先确定需要聚类的个数,计算距离采用的是笛卡尔距离公式。本发明技术在边界点(points)和噪点(noise)聚类时,根据微基站基址离每个宏基站基址的距离,该距离最小则隶属于该宏基站。
请见图2,步骤4的具体实现包括以下子步骤:
步骤4.1:随机选取K个中心点;其中,中心点即是初始微基站坐标点;
步骤4.2:遍历所有数据结点,将每个结点划分到最近的中心点的覆盖范围内;其中,数据结点是由模糊C-均值算法筛选出的边缘信号测试点points和噪点noise;噪点noise为不在宏基站覆盖范围内的信号测试点;
步骤4.3:计算每个聚类的平均值,并将其作为新的中心点;
步骤4.4:重复步骤4.2和步骤4.3,直到这K个中心点坐标不再变化;
步骤4.5:输出聚类中心点和信号测试点类别。
步骤5:对微基站坐标进行微调,把坐标在宏基站覆盖范围外的点移动至合适的位置,保持边界点全覆盖和噪点覆盖率大于预设值;其中,噪点为不在宏基站覆盖范围内的信号测试点。
本实施例针对特殊点的处理方法:通过上面的模糊C-均值算法和K均值聚类算法可以得出初步的微基站的坐标和个数,但是并不是最优化的无线网络建置方案。因为是噪点和边界点同时进行聚类,有可能导致部分微基站的坐标超出宏基站覆盖范围。因此,需要对微基站坐标进行微调,把坐标在宏基站覆盖范围外的点移动至合适的位置,保持边界点全覆盖和噪点大部分能覆盖。本发明技术方案针对需要位置调整的微基站坐标,进行调整方法,可以保证微基站均在宏基站覆盖范围内,对于部分无法覆盖到的点进行丢弃处理。
请见图3,步骤5的具体实现包括以下子步骤:
步骤5.1:计算所有初始微基站离各个宏基站的距离,保留最小值;
若最小值在宏基站覆盖半径内,则无需调整位置,本流程结束;
否则记录下该初始微基站坐标和隶属于哪个宏基站,以及原有聚类类别;
步骤5.2:构造各个宏基站覆盖半径的圆的函数表达式,以及将微基站与所隶属的宏基站做线性函数表达式;
步骤5.3:计算两个函数的解,交点取举例较小的点作为假设微基站坐标点;
步骤5.4:计算假设微基站坐标点与该类的所有测试点的距离,若有一个测试点满足在覆盖半径内,则保留该假设微基站坐标点;否则,放弃建设该假设微基站;
步骤5.5:输出最终的微基站建站基址。
本发明统计宏基站和微基站个数,利用式子(1)计算得出选址方案的建置成本。
在步骤3.2中根据隶属度计算每一个宏基站坐标点,通过计算所有测试点到每个宏基站坐标点的距离,保留最小的距离,从而根据宏基站的信号覆盖半径,筛选出不在宏基站信号覆盖范围内的测试点的个数和其位置坐标(让目标函数(2)的信号覆盖率尽量最大化)。
同时,在步骤3.2中使用最小距离来判断测试点是否在宏基站覆盖边缘区域内,记录边界点的坐标和个数(判断与宏基站的距离是否满足约束条件(3))。
本发明采用的模糊C-均值聚类算法可以自定义宏基站建站个数,由于微基站是用于补充宏基站覆盖不到的测试点和覆盖范围边缘的测试点,宏基站建设个数越多,微基站建设个数就会相应减少,式子(1)计算得出的成本变化也会更加明显。
在步骤4.2中使用约束条件(4)判断出不在宏基站覆盖范围内的信号测试点(即是噪点noise)。
另外,在步骤5.1中计算所有初始微基站离各个宏基站的距离,保留最小值;若最小值在宏基站覆盖半径内,则无需调整位置。本发明就是使用约束条件(4)、(5)和(6)的原则判断出是否需要进行後续流程的微调基站位置。
本发明技术方案研究宏基站和微基站的建设位置选取以及建站所需成本,使成本费用减少与信号强度尽可能达到最优情况。宏基站建设的越多,覆盖的面积越广,信号强度也有所提高,但是总体的建站成本费用就会上升,因此宏基站和微基站的选址与建站成本面临信号强度与成本的权衡问题。本发明提出了一种兼顾成本与信号强度的宏基站与微基站协同运行建置方案,通过微基站的低成本来弥补宏基站高额的建设成本,组成异构网络,是使得效益均衡化的重要途径。本技术方案提出了一种相对平衡的最优解决方案,采用微基站来弥补宏基站边缘信号强度过低的缺点,使无线网络基站所有测试点的信号强度达到最强。
本发明的创新之处包括:
1.本发明技术方案提出了一种兼顾成本与信号强度的宏基站与微基站协同运行建置方案,通过微基站的低成本来弥补宏基站高额的建设成本,组成异构网络,以达到优化无线网络基站建设的成本效益与信号强度。
2.本发明所提出的宏基站与微基站协同运行无线网络基站建置方案,采用微基站来弥补宏基站边缘信号强度过低的缺点,使无线网络基站所有测试点的信号强度达到最强。
3.本发明算法具有一定的普适性,用K均值聚类算法(K-means ClusteringAlgorithm)和模糊C-均值聚类算法(Fuzzy C-means Algorithm)进行求解,得出宏基站和微基站假设最优建设点以及所需成本,在部分特殊点进行微基站特殊点位置调整算法的处理。
4.本发明技术方案通过使用模糊C-均值聚类算法(Fuzzy C-means Algorithm)对宏基站位置选址,使用K均值聚类算法(K-means Clustering Algorithm)对微基站初始位置选址,通过判断微基站位置是否符合规定要求进行微调整,筛选出最终微基站基址。本发明算法统计宏基站和微基站个数,计算得出建站所需要的建置成本。
5.本发明技术方案的模糊C-均值聚类算法(Fuzzy C-means Algorithm)是指该算法的聚类界限是模糊的,而K均值聚类算法(K-means Clustering Algorithm)的聚类界限是确定的。
6.本发明技术方案的模糊C-均值聚类算法(Fuzzy C-means Algorithm)可以自定义宏基站建站个数,由于微基站是用于补充宏基站覆盖不到的测试点和覆盖范围边缘的测试点,宏基站建设个数越多,微基站建设个数就会相应减少,成本的变化也会更加明显。
7.本发明技术方案的模糊C-均值聚类算法(Fuzzy C-means Algorithm)中,每个数据节点都存在隶属每一个聚类类的隶属程度,并且每个数据节点到所有聚类类中心的隶属程度之总和等于1,其中隶属程度用[0,1]这个区间里的值来表示正确概率的程度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种权衡成本与信号强度的无线网络基站建站选址优化方法,其特征在于,包括以下步骤:
步骤1:假设测试点坐标集为宏基站坐标为(Xk,Yk),单价为P1,建设个数为S1,覆盖范围为A1;微基站坐标为i表示第i个微基站,单价为P2,建设个数为S2,覆盖范围为A2;
步骤2:权衡考虑成本与信号强度,建构具有混合整数变量的无线网络优化模型;
所述具有混合整数变量的无线网络优化模型为:
Min Price=P1S1+P2S2 (1)
sum≤n; (5)
其中,Min Price表示成本优化函数,Max Cov表示信号覆盖率优化函数,sum代表在某宏基站覆盖范围内的信号测试点个数,n为测试点总个数,k为宏基站编号,i为微基站编号;目标函数(1)为成本的优化函数;目标函数(2)为信号覆盖率的优化函数;约束条件(3)表示属于某类的测试点离中心点的距离小于覆盖范围;约束条件(4)表示属于某类的微基站地址处于属于该宏基站的范围内,保证每个微基站对应一个宏基站;约束条件(5)保证被覆盖的测试点数sum小于等于总测试点个数n;约束条件(6)确保信号覆盖率的最低要求需要在≥N%,N为预设阈值;
步骤3:利用所述具有混合整数变量的无线网络优化模型,使用模糊C-均值聚类算法进行宏基站选址;
步骤4:利用所述具有混合整数变量的无线网络优化模型,使用K均值聚类算法进行初始微基站选址;
步骤5:对微基站坐标进行微调,把坐标在宏基站覆盖范围外的点移动至合适的位置,保持边界点全覆盖和噪点覆盖率大于预设值;其中,所述噪点为不在宏基站覆盖范围内的信号测试点。
2.根据权利要求1所述的权衡成本与信号强度的无线网络基站建站选址优化方法,其特征在于,步骤3的具体实现包括以下子步骤:
步骤3.1:随机指定每个数据节点到各个簇的隶属度,表示成隶属度矩阵,隶属度矩阵大小为聚类数×测试点个数;其中数据节点为信号测试点,簇为宏基站的聚类类别;
在模糊C-均值算法中每个数据节点都存在隶属每一个类的隶属度,并且每个数据节点到所有类中心的隶属度和等于1;
隶属度计算公式为:
其中c为簇个数,即是宏基站的聚类类别个数;n为测试点总个数;所有的uij构成一个隶属度矩阵u,其中隶属度矩阵的大小为c行n列;
步骤3.2:根据隶属度计算每一个聚类的质心,所述质心为宏基站坐标点;
通过计算所有测试点到每个簇中心点的距离,保留最小的距离,从而根据宏基站的信号覆盖半径,筛选出不在宏基站信号覆盖范围内的测试点的个数和其位置坐标;同时,使用最小距离来判断测试点是否在宏基站覆盖边缘区域内,记录边界点的坐标和个数;
计算距离采用的是笛卡尔距离公式;假设测试点坐标为其中下标i代表第几个测试点。令簇聚类中心坐标为(xk,Yk),利用以下公式(8)计算测试点离每个簇聚类中心距离:
步骤3.3:更新隶属度矩阵;
更新隶属度矩阵u中的元素uij是透过以下公式(9):
其中ci是聚类的质心,隶属度m为加权指数,dij=||ci-xj||为笛卡尔距离,质心ci满足以下公式(10):
其中n为测试点总个数;
步骤3.4:重复步骤3.2和步骤3.3,直到所有隶属度变化的绝对值都低于所设定的阈值;
步骤3.5:输出聚类中心点,即宏基站坐标点。
3.根据权利要求1所述的权衡成本与信号强度的无线网络基站建站选址优化方法,其特征在于,步骤4的具体实现包括以下子步骤:
步骤4.1:随机选取K个中心点;其中,中心点即是初始微基站坐标点;
步骤4.2:遍历所有数据结点,将每个结点划分到最近的中心点的覆盖范围内;其中,数据结点是由模糊C-均值算法筛选出的边缘信号测试点points和噪点noise;噪点noise为不在宏基站覆盖范围内的信号测试点;
步骤4.3:计算每个聚类的平均值,并将其作为新的中心点;
步骤4.4:重复步骤4.2和步骤4.3,直到这K个中心点坐标不再变化;
步骤4.5:输出聚类中心点和信号测试点类别。
4.根据权利要求1-3任意一项所述的权衡成本与信号强度的无线网络基站建站选址优化方法,其特征在于,步骤5的具体实现包括以下子步骤:
步骤5.1:计算所有初始微基站离各个宏基站的距离,保留最小值;
若最小值在宏基站覆盖半径内,则无需调整位置,本流程结束;
否则记录下该初始微基站坐标和隶属于哪个宏基站,以及原有聚类类别;
步骤5.2:构造各个宏基站覆盖半径的圆的函数表达式,以及将微基站与所隶属的宏基站做线性函数表达式;
步骤5.3:计算两个函数的解,交点取举例较小的点作为假设微基站坐标点;
步骤5.4:计算假设微基站坐标点与该类的所有测试点的距离,若有一个测试点满足在覆盖半径内,则保留该假设微基站坐标点;否则,放弃建设该假设微基站;
步骤5.5:输出最终的微基站建站基址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504292.5A CN110366187B (zh) | 2019-06-12 | 2019-06-12 | 权衡成本与信号强度的无线网络基站建站选址优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504292.5A CN110366187B (zh) | 2019-06-12 | 2019-06-12 | 权衡成本与信号强度的无线网络基站建站选址优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110366187A true CN110366187A (zh) | 2019-10-22 |
CN110366187B CN110366187B (zh) | 2022-02-11 |
Family
ID=68215749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910504292.5A Active CN110366187B (zh) | 2019-06-12 | 2019-06-12 | 权衡成本与信号强度的无线网络基站建站选址优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110366187B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083713A (zh) * | 2020-01-16 | 2020-04-28 | 湘潭大学 | 一种面向双层蜂窝网络基站电磁辐射预测方法 |
CN111294847A (zh) * | 2020-01-16 | 2020-06-16 | 湘潭大学 | 一种景区区域异构蜂窝网络基站电磁辐射预测方法 |
CN112839343A (zh) * | 2021-01-04 | 2021-05-25 | 杭州海兴泽科信息技术有限公司 | 一种面向蜂窝单元的rf终端设备全覆盖方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387513A (zh) * | 2010-08-31 | 2012-03-21 | 华为技术有限公司 | 微小区创建方法、微基站和通信系统 |
CN103686832A (zh) * | 2012-09-12 | 2014-03-26 | 株式会社东芝 | 用于在多个无线电技术的情况下进行干扰和拥塞检测的方法 |
WO2015013949A1 (zh) * | 2013-08-01 | 2015-02-05 | 富士通株式会社 | 动态小区的部署方法和更新方法、用户设备以及基站 |
CN105517002A (zh) * | 2015-12-21 | 2016-04-20 | 桂林电子科技大学 | 一种干扰抑制和节能的蜂窝网中继站部署方法 |
CN108616892A (zh) * | 2018-03-16 | 2018-10-02 | 重庆邮电大学 | 一种基于混合免疫算法的4g基站选址方法 |
CN109460852A (zh) * | 2018-09-28 | 2019-03-12 | 广东电网有限责任公司 | 一种基站选址方法及系统、计算机设备及可读存储介质 |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
CN109862573A (zh) * | 2019-03-06 | 2019-06-07 | 重庆邮电大学 | 一种基于多目标粒子群的lte混合组网自规划方法 |
-
2019
- 2019-06-12 CN CN201910504292.5A patent/CN110366187B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387513A (zh) * | 2010-08-31 | 2012-03-21 | 华为技术有限公司 | 微小区创建方法、微基站和通信系统 |
CN103686832A (zh) * | 2012-09-12 | 2014-03-26 | 株式会社东芝 | 用于在多个无线电技术的情况下进行干扰和拥塞检测的方法 |
WO2015013949A1 (zh) * | 2013-08-01 | 2015-02-05 | 富士通株式会社 | 动态小区的部署方法和更新方法、用户设备以及基站 |
CN105517002A (zh) * | 2015-12-21 | 2016-04-20 | 桂林电子科技大学 | 一种干扰抑制和节能的蜂窝网中继站部署方法 |
CN108616892A (zh) * | 2018-03-16 | 2018-10-02 | 重庆邮电大学 | 一种基于混合免疫算法的4g基站选址方法 |
CN109460852A (zh) * | 2018-09-28 | 2019-03-12 | 广东电网有限责任公司 | 一种基站选址方法及系统、计算机设备及可读存储介质 |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
CN109862573A (zh) * | 2019-03-06 | 2019-06-07 | 重庆邮电大学 | 一种基于多目标粒子群的lte混合组网自规划方法 |
Non-Patent Citations (2)
Title |
---|
CHIA-HUNG WANG等: "A Coverage-Based Location Approach and Performance Evaluation for the Deployment of 5G Base Stations", 《IEEE ACCESS》 * |
陈志涛等: "基于遗传算法的分时长期演进(TD-LTE)多目标站址选址方法", 《科学技术与工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083713A (zh) * | 2020-01-16 | 2020-04-28 | 湘潭大学 | 一种面向双层蜂窝网络基站电磁辐射预测方法 |
CN111294847A (zh) * | 2020-01-16 | 2020-06-16 | 湘潭大学 | 一种景区区域异构蜂窝网络基站电磁辐射预测方法 |
CN111083713B (zh) * | 2020-01-16 | 2022-08-05 | 湘潭大学 | 一种面向双层蜂窝网络基站电磁辐射预测方法 |
CN111294847B (zh) * | 2020-01-16 | 2022-09-06 | 湘潭大学 | 一种景区区域异构蜂窝网络基站电磁辐射预测方法 |
CN112839343A (zh) * | 2021-01-04 | 2021-05-25 | 杭州海兴泽科信息技术有限公司 | 一种面向蜂窝单元的rf终端设备全覆盖方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110366187B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110366187A (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 | |
CN104990213B (zh) | 一种多人环境下协同控制空调的方法及系统 | |
CN104768162B (zh) | 一种多小区大规模mimo系统的导频动态分配方法 | |
CN110505644A (zh) | 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 | |
CN103068021A (zh) | 绿色wlan中基于节能和干扰规避的ap发射功率优化方法 | |
CN105050192B (zh) | 密集网络中基于虚拟小区的干扰管理方法 | |
CN103856996B (zh) | 一种联合功率控制和接入控制方法 | |
CN102111864B (zh) | 基于lte异构业务网络的小区间功率控制方法 | |
CN113286314B (zh) | 一种基于q学习算法的无人机基站部署及用户关联方法 | |
CN109960279A (zh) | 一种基于启发式算法的无人机盘旋半径优化方法 | |
CN102665219B (zh) | 一种基于ofdma的家庭基站系统的动态频谱分配方法 | |
CN105447572A (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统及方法 | |
CN109413664B (zh) | 一种基于干扰的超密集系留无人机基站高度调节方法 | |
CN103905106B (zh) | 一种多天线多播波束赋形向量计算方法 | |
CN107277159A (zh) | 一种基于机器学习的超密集网络小站缓存方法 | |
CN103402265B (zh) | 基于模糊逻辑和通信优先级的频谱分配方法 | |
CN106788812A (zh) | 一种两层网络中基于分簇的干扰对齐方法 | |
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 | |
CN113825143A (zh) | 基于协同异构空中网络的位置优化和资源分配方法及系统 | |
CN101808325A (zh) | 频谱分配方法及装置 | |
CN103379507A (zh) | 一种基于带宽预留的网络规划方法、优化方法以及装置 | |
CN106507463A (zh) | 一种基于多信道启发式分簇的异构蜂窝网络资源分配方法 | |
KR102567255B1 (ko) | 다중채널 자원할당 방법 및 시스템 | |
CN106850112B (zh) | 一种正交频分网络的干扰协调方法 | |
CN106817691A (zh) | 一种pci分配方法和装置 |
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 |