KR100930799B1 - 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치 - Google Patents

자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치 Download PDF

Info

Publication number
KR100930799B1
KR100930799B1 KR1020070094116A KR20070094116A KR100930799B1 KR 100930799 B1 KR100930799 B1 KR 100930799B1 KR 1020070094116 A KR1020070094116 A KR 1020070094116A KR 20070094116 A KR20070094116 A KR 20070094116A KR 100930799 B1 KR100930799 B1 KR 100930799B1
Authority
KR
South Korea
Prior art keywords
cluster
clustering
algorithm
clusters
delay
Prior art date
Application number
KR1020070094116A
Other languages
English (en)
Other versions
KR20090028953A (ko
Inventor
박재준
김원섭
김명돈
정현규
김성철
구자호
강남구
Original Assignee
한국전자통신연구원
재단법인서울대학교산학협력재단
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 한국전자통신연구원, 재단법인서울대학교산학협력재단 filed Critical 한국전자통신연구원
Priority to KR1020070094116A priority Critical patent/KR100930799B1/ko
Priority to PCT/KR2008/002782 priority patent/WO2009038271A1/en
Priority to US12/678,545 priority patent/US20100217763A1/en
Publication of KR20090028953A publication Critical patent/KR20090028953A/ko
Application granted granted Critical
Publication of KR100930799B1 publication Critical patent/KR100930799B1/ko

Links

Images

Classifications

    • 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
    • H04B7/0413—MIMO systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 자동화된 클러스터링 방법에 관한 것으로서, 더욱 상세하게는 Average-Linkage 알고리즘 및 KPowerMeans 알고리즘을 이용한 자동화된 클러스터링 방법과, 이동통신 환경에서의 공간 채널 특성 분석(Spatial Channel Modeling, SCM)에 반드시 필요한 다중 경로의 클러스터링을 자동화하는 방법 및 장치에 관한 것이다.
본 발명은 계층적 클러스터링 알고리즘에 의하여 클러스터 초기 중심 구하는 제 1 단계; 상기 클러스터의 초기 중심을 평면적 클러스터링 알고리즘에 의하여 재설정하는 제 2 단계; 상기 재설정된 클러스터의 중심에 따라서 데이터집합을 클러스터링 하는 제 3 단계; 및 상기 클러스터링된 데이터집합에 대한 검증 지표를 계산하여 최적의 클러스터 수를 결정하는 제 4 단계를 포함하는 자동화된 클러스터링 방법을 개시한다.
클러스터링 알고리즘, 다중 경로, MIMO,

Description

자동화된 클러스터링 방법 및 이를 이용한 이동통신 환경에서 다중 경로의 클러스터링 방법 및 장치{METHOD FOR AUTOMATIC CLUSTERING, AND METHOD AND APPARATUS FOR MULTIPATH CLUSTERING IN WIRELESS COMMUNICATION USING THE SAME}
본 발명은 자동화된 클러스터링 방법에 관한 것으로서, 더욱 상세하게는 Average-Linkage 알고리즘 및 KPowerMeans 알고리즘을 이용한 자동화된 클러스터링 방법과, 이동통신 환경에서의 공간 채널 특성 분석(Spatial Channel Modeling, SCM)에 반드시 필요한 다중 경로의 클러스터링을 자동화하는 방법 및 장치에 관한 것이다.
본 발명은 정보통신부 및 정보통신진흥연구원의 IT신성장동력핵심기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 2005-S-001-03, 과제명: 차세대 이동통신용 무선공간 채널특성 연구].
이동통신 서비스의 폭발적인 증가와 다양한 요구사항으로 인해 차세대 이동통신 시스템에서의 고속의 무선 전송과 효율적인 주파수 사용 및 다중 안테나 전송 기술 연구가 다방면으로 이루어지고 있다. 이를 위해서는 정확한 무선 채널 특성의 파악을 기초로 하여야 한다.
무선 채널 특성을 파악하기 위한 측정 시스템은 MIMO 채널의 특성을 측정하기 위한 시스템으로써, 차세대 이동통신 주파수 대역에서 전파의 특성을 분석하여 향후 이 주파수 대역의 활용에 있어서 필요한 채널 모델링을 위해 이용된다.
차세대 이동통신 시스템은 고속의 무선 데이터 전송과 효율적인 주파수 사용을 위해서 광대역의 대역폭을 필요로 하고, 이에 대한 채널 모델링을 위해 상기 시스템은 기존의 협대역 채널 측정이 아닌 100MHz의 광대역 무선 공간 채널 측정을 위해 설계되었으며, 이러한 광대역 신호 처리를 위해 요구되는 광대역의 RF 모듈 및 고속의 ADC, 베이스밴드 신호 처리 기술이 설계에 반영되었다.
도 1은 일반적인 이동통신 환경에서의 다중경로 송수신 시스템의 구성을 간략하게 나타내는 블럭도이다.
도 1에 도시된 바와 같이, 상기 측정 시스템(140)의 특징은 MIMO 채널 측정이 가능하도록 4개의 송신 안테나(110)와 8개의 수신 안테나(120)를 통해 시간에 따른 순차적인 송수신을 하도록 하였으며, 다양한 측정 신호를 지원하도록 측정 신호를 외부 제어 PC(150)에 의해 로딩할 수 있도록 설계하였다. 그리고, 무선 공간 채널 측정 데이터를 외부 저장 장치를 통해 저장한 후 post-processing을 통해 Impulse response, Scattering function, Power Delay Profile, Doppler Power Spectrum등과 같은 무선 공간 채널의 다양한 특성을 분석하도록 하고 있다.
본 발명은 이동 통신 환경의 공간 채널 분석에 있어 상기 측정 시스템에서 측정된 데이터를 이용하는 다중 경로의 클러스터링에 대한 것으로, 자동화 된 클러스터링 알고리즘을 제안함으로써 다중 경로의 클러스터링의 기준을 마련한다.
이동 통신이 발전함에 따라 더 많은 용량(Capacity)에 대한 요구가 증가하고 있고 이러한 요구를 충족시키기 위한 기술 중 공간분할다중접속(Space Division Multiple Access, SDMA) 기술은 다중 배열 안테나를 사용한 빔 형성(beam-forming)기법을 활용하여 하나의 기지국에 속해 있지만 서로 다른 장소에 위치하는 사용자들에게 더 많은 통신 자원을 할당한다. 무선 통신 시스템에서 배열 안테나의 관심이 증가함에 따라, 시간 영역의 채널 특성 분석뿐 아니라 공간 영역에서의 채널 특성 분석이 중요하게 되었다. 상기 SDMA 기술을 활용하기 위해서 공간 영역에서의 특성 분석인 SCM(spatial channel modeling)이 반드시 필요하다. SCM이란 수신되는 다중 경로 신호의 특성 중 도래각을 찾아내는 것으로서, 배열 신호 처리방법과 배열 안테나를 활용하여 최근 많이 연구되고 있다.
배열 안테나에 수신된 신호를 이용하여 도래각을 찾는 신호 처리 방법은 SAGE 알고리즘이 있다. 상기 SAGE알고리즘에 의하여 채널 파라미터의 추정이 가능해졌고 추정한 파라미터를 바탕으로 어떻게 SCM을 할 것인가에 대한 연구가 이루어졌다. 그러나 상기 SAGE 알고리즘을 통해 얻은 채널 파라미터는 각 다중경로의 유사성을 나타내는 클러스터 정보가 없기 때문에 SCM을 위해서는 클러스터링 작업이 반드시 필요하다.
현재까지 많은 논문에서는 육안검사를 사용하여 클러스터링을 수행하였다.
그러나, 측정 데이터의 양이 점차 방대해지고 요구되는 채널 파라미터 정보가 많아짐에 따라서 육안검사를 사용한 클러스터링은 실용적이지 못하게 되었다.
최근에 반자동(semi-automatic) 클러스터링 방법연구가 이루어지고 있고, 자동화된 KPowerMeans 알고리즘이 제안되었다.
그러나, 초기 클러스터 중심 값에 의한 성능저하 문제와 이동 통신 환경에서의 최적화에 대한 문제가 있다. 따라서 이동 통신 환경에서 채널 파라미터를 이용한 최적화된 자동화 클러스터링 알고리즘이 요구되는 실정이다.
본 발명은 상술한 바와 같은 종래기술의 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 초기 클러스터 중심값을 계층적 클러스터링 알고리즘을 이용하여 설정함으로써, 초기 클러스터 중심 값에 의한 성능 저하 문제를 해결하는 자동화된 클러스터링 방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은 초기 클러스터 중심 값에 의한 성능 저하 문제를 해결한 자동화된 클러스터링 방법을 이용하여 이동 통신 환경에 적합한 자동화된 다중경로 클러스터링 방법 및 장치를 제공하는 것이다.
본 발명의 실시예에 따르는 이동통신 환경에서 다중 경로의 클러스터링 방법은, 다중경로 콤퍼넌트의 거리 계산을 위한 채널 파라미터의 가중치를 결정하는 단계; 상기 결정된 채널 파라미터의 가중치를 적용하여 입력 데이터에 대한 계층적 클러스터링 알고리즘을 수행하는 단계; 상기 계층적 클러스터링 알고리즘이 수행된 클러스터의 중심을 계산하는 단계; 상기 계산된 클러스터의 중심을 초기 클러스터 중심으로 설정하여 KPowermeans 알고리즘을 수행하는 단계; 상기 KPowermeans 알고리즘이 수행된 클러스터링 결과에 대하여 클러스터 검증지표를 계산하는 단계; 및 상기 계산된 클러스터 검증 지표에 따라서 최적의 클러스터 수를 결정하는 단계를 포함한다.
삭제
삭제
본 발명의 실시예에 따르는 이동통신 환경에서 다중 경로의 클러스터링 장치는, 다중 경로를 통하여 수신된 다중 경로 컴포넌트, 채널 파라미터 및 상기 채널 파라미터에 대한 가중치 정보를 저장하는 데이터 저장부; 상기 다중 경로 컴포넌트에 대하여 계층적 클러스터링 알고리즘을 적용하여 클러스터 초기 중심을 설정하고, 상기 설정된 초기 중심을 KPowermeans 알고리즘에 의하여 재설정하여 클러스터링을 수행하는 클러스터링 알고리즘 수행부; 및 상기 수행된 클러스터링에 대한 검증 지표를 계산하고, 상기 계산된 검증 지표에 의하여 최적의 클러스터 수를 결정하는 클러스터 수 결정부;를 포함한다.
본 발명에 따른 부가적인 특징 및 장점은, 후술하는 본 발명의 실시를 위한 구체적인 내용의 상세한 설명에 의하여 보다 명료해 질 것이며, 본 발명은 비록 한정된 실시예와 도면에 의하여 설명되나, 본 발명의 권리범위는 이러한 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명 사상은 아래에 기재된 특허 청구 범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형은 모두 본 발명 사상의 범주에 속하는 것으로 해석되어야 할 것이다.
본 발명에 따르면, 초기 클러스터 중심값을 계층적 클러스터링 알고리즘에 의하여 설정함으로써, 초기 클러스터 중심 값에 의한 성능 저하 문제를 해결할 수 있다.
따라서, 본 발명에 의하여 많은 양의 데이터를 손쉽게 자동으로 처리할 수 있다.
본 발명은 다양한 통신 환경에 대한 최적의 MCD 가중치 및 클러스터 검증 지표에 의하여, 정확성과 효율성 면에서도 기존의 육안검사에 비해 좋은 성능을 지니며 이동 통신 환경에 적합한 다중경로 클러스터링 방법 및 장치를 제공한다.
결론적으로, 본 발명에 의하여 이동 통신 환경에서의 클러스터링의 기준이 없는 상황에서 다중 경로 클러스터링에 대한 기준을 제시할 수 있으며, 다양한 통 신 환경에서의 대용량 측정 데이터를 기반으로 한 공간 채널 분석 및 연구에 큰 기여를 할 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 2는 본 발명에 따른 다중 경로 클러스터링 장치의 구성을 나타내는 블럭도이다.
도 2를 참조하면, 다중 경로 클러스터링 장치는 다중 경로를 통하여 수신된 다중 경로 컴포넌트(MPC), 채널 파라미터 및 상기 채널 파라미터에 대한 가중치 정보를 저장하는 데이터 저장부(210)와, 상기 다중 경로 컴포넌트에 대하여 계층적 클러스터링 알고리즘을 적용하여 클러스터 초기 중심을 설정하고, 상기 설정된 초기 중심을 KPowermeans 알고리즘에 의하여 재설정하여 클러스터링을 수행하는 클러스터링 알고리즘 수행부(220) 및 상기 수행된 클러스터링에 대한 검증 지표를 계산하고, 상기 계산된 검증 지표에 의하여 최적의 클러스터 수를 결정하는 검증지표 계산 및 클러스터 수 결정부(230)를 포함하여 구성된다.
상기 데이터 저장부(210)는 도 1에 도시된 MIMO 시스템에 의하여 측정되는 다양한 측정 데이터 및 채널 파라미터의 가중치가 저장된다. 상기 채널 파라미터의 가중치는 후술하는 방법에 따라 실험에 의하여 결정된 값이다.
즉, 상기 채널 파라미터의 가중치는 채널 파라미터로서 지연, 도래각 및 출발각을 이용하는 경우에는 지연 스케일링 계수가 10, 각도 스케일링 계수가 0.5 이다.
또한, 상기 채널 파라미터의 가중치는 채널 파라미터로서 지연 및 도래각을 이용하는 경우에는 지연 스케일링 계수가 10이고, 각도 스케일링 계수가 0.7이다.
상기 클러스터링 알고리즘 수행부(220)는 평균-연결(Average-linkage) 알고리즘 및 KPowermeans 알고리즘을 조합한 자동화된 클러스터링 알고리즘을 수행하여 다중 경로 컴포넌트들에 대한 클러스터링을 수행한다.
상기 검증지표 계산 및 클러스터 수 결정부(230)는 초기 클러스터 수(K=2)부터 최대 클러스터 수(K=Kmax) 각각에 대하여 상기 자동화된 클러스터링 알고리즘을 수행하고, 각각의 결과 값에 대하여 CH 인덱스(Calinski Harabasz index)값을 계산한다. 상기 계산된 CH 인덱스 값을 최대로 하는 클러스터 수 K가 최적의 클러스터 수가 된다.
도 3은 본 발명의 실시예에 따른 자동화된 클러스터링 방법을 나타내는 흐름도이다.
도 3을 참조하면, 자동화된 클러스터링 방법은 계층적 클러스터링 알고리즘에 의하여 클러스터 초기 중심을 구하는 단계(S310)와, 상기 클러스터의 초기 중심을 평면적 클러스터링 알고리즘에 의하여 재설정하고, 상기 재설정된 클러스터의 중심에 따라서 데이터집합을 클러스터링하는 단계(S320) 및 상기 클러스터링된 데이터집합에 대한 검증 지표를 계산하여 최적의 클러스터 수를 결정하는 단계(S340, S350)를 포함하여 이루어진다.
더욱 구체적으로, 상기 클러스터 알고리즘 수행부(220)는 Average-linkage 알고리즘과 같은 계층적 클러스터링에 의하여 KPowermeans 알고리즘과 같은 평면적 클러스터링의 클러스터 초기 중심값을 계산한다(S310).
상기 클러스터 알고리즘 수행부(220)는 상기 평면적 클러스터링 알고리즘을 수행하여 상기 초기 중심값을 재설정한다(S320). 이러한 평면적 클러스터링 알고리즘의 수행에 따라서 입력 데이터는 상기 재설정되는 클러스터 중심을 가지는 각각의 클러스터에 속하게 된다.
상기 검증지표 계산 및 클러스터 수 결정부(230)는 먼저, 상기 평면적 클러스터링 결과에 대하여 클러스터 검증 지표를 계산한다(S330). 상기 검증 지표는 예를 들어, CH 인덱스를 사용한다.
그리고, 상기 검증지표 계산 및 클러스터 수 결정부(230)는 상기 CH 인덱스 값을 저장하고, 모든 가능한 클러스터 수(K) 각각에 대하여 상기 S310 내지 S330 과정이 수행되었는지를 판단한다(S340).
만일, 모든 가능한 클러스터 수 각각에 대하여 상기 상기 S310 내지 S330 과정이 수행된 경우에는 상기 검증 지표를 최대값으로 하는 클러스터 수를 최적의 클러스터 수로 결정한다(S350).
이하에서는, 본 발명의 실시예에 따른 이동 통신 환경에서의 자동화된 다중 경로 클러스터링 방법에 대하여 구체적인 예를 들어 상세히 설명하기로 한다.
본 발명은 육안 검사를 통한 클러스터링의 한계점을 극복하고 이동통신 환경에 적합한 다중 경로 클러스터링 방법을 제안하기 위하여 single-linkage, average-linkage, K-means, KPowerMeans 및 FCM 클러스터링 알고리즘과 여러 가지 클러스터링 검증 기법을 비교 분석한 결과를 근거로 이동 통신 환경에서의 최적의 자동화된 클러스터링 방법을 제안한다. 클러스터링 알고리즘 성능 분석은 3GPP SCM에서 제공하는 데이터를 기반으로 이루어졌다. 먼저 3GPP SCM이 제공하는 데이터에 의하여 클러스터 수와 클러스터 내의 경로 정보를 사전에 알 수 있는 것을 이용하여 클러스터링 알고리즘의 거리 함수로 사용한 MCD의 지연, 도래각 가중치를 결정하였다.
또한, 본 발명은 single-linkage, average-linkage, K-means, KPowerMeans, FCM 클러스터링 알고리즘에 CH, DB, Index I, CV, XB, Dunn’s index 클러스터링 검증 기법을 사용하여 다양한 DS, 각도 분산의 3GPP SCM 데이터에 대한 클러스터링을 수행한 결과를 근거로 이동 통신 환경에서의 최적의 자동화된 클러스터링 방법을 제안한다.
종래기술에 따른 K-means 알고리즘은 초기 클러스터 중심을 multi-path component(MPC)중 임의로 선택하여 클러스터링을 수행하기 때문에 클러스터링을 수행할 때마다 다른 값을 나타내는 등의 성능의 저하가 발생한다.
그러나, 본 발명은 계산량이 적고 빠른 average-linkage 알고리즘을 통해 초 기 값 문제를 해결하였다. 상기 average-linkage 알고리즘은 MPC 각각을 초기 클러스터로부터 시작하여 연쇄적으로 합쳐 나가는 방법으로 클러스터링하기 때문에 근접한 클러스터의 경우 하나의 클러스터로 인식하는 등의 문제를 나타낸다. K-means 알고리즘은 반복적으로 중심을 갱신하며, 클러스터 중심을 기준으로 클러스터링하기 때문에 상기한 linkage알고리즘의 단점을 해결해준다.
따라서 본 발명은 average-linkage 알고리즘의 단점을 해결하고 K-means 초기 값 문제를 동시에 해결할 수 있게 된다.
도 4는 본 발명의 실시예에 따른 이동 통신 환경에서의 자동화된 다중경로 클러스터링 방법을 나타내는 흐름도이다.
도 4를 참조하면, 이동 통신 환경에서의 자동화된 다중경로 클러스터링 방법은, 다중경로 콤퍼넌트의 거리 계산을 위한 채널 파라미터의 가중치를 결정하는 단계(S410)와, 상기 결정된 채널 파라미터의 가중치를 적용하여 입력 데이터에 대한 Average-linkage 알고리즘에 의하여 계층적 클러스터링을 수행하는 단계(S420)와, 상기 계층적 클러스터링이 수행된 클러스터의 중심을 계산하고(S430), 상기 계산된 클러스터의 중심을 KPowerMeans 알고리즘과 같은 평면적 클러스터링의 초기 클러스터 중심으로 설정하여 KPowerMeans 알고리즘을 수행하는 단계(S440)와, 상기 KPowerMeans 알고리즘이 수행된 클러스터링 결과에 대하여 클러스터 검증지표를 계산하는 단계(S450)와, 상기 각 단계가 모든 가능한 클러스트 수에 대하여 수행되었는지를 판단하는 단계(S460) 및 상기 각 단계가 모든 가능한 클러스트 수에 대하여 수행된 경우에는 상기 계산된 클러스터 검증 지표에 따라서 최적의 클러스터 수를 결정하는 단계(S470)를 포함한다.
이하, 상기 도 4에 나타낸 각 단계에 대하여 상세히 설명하기로 한다.
<채널 파라미터의 가중치를 결정하는 단계(S410)>
상기 채널 파라미터의 가중치를 결정하는 단계(S410)에서, MCD를 계산하기 위한 클러스터링 알고리즘의 입력이 되는 multi-path components (MPCs)는 다음과 같이 구성되어있다.
하나의 윈도우 데이터는 L개의 MPCs로 이루어져있으며, 각 MPC는 파워를 나타내는 벡터
Figure 112007067088640-pat00001
과 지연(delay : τ), 수평 도래각(azimuth AoA:
Figure 112007067088640-pat00002
), 수직 도래각(elevation AoA:
Figure 112007067088640-pat00003
), 수평 도래각(azimuth AoD:
Figure 112007067088640-pat00004
), 수직 도래각(elevation AoD:
Figure 112007067088640-pat00005
)로 구성된 파라미터(parameter) 벡터 Xl로 구성된다.
한편, 상기 MCD는 각기 다른 단위를 가지는 경로 정보를 공동으로(jointly) 처리할 수 있게 해주는 효율적인 거리 함수이다.
상기 MCD의 각도 파라미터 (AoA , AoD)는 하기 [수학식 1]과 같이 정규화 된다.
[수학식 1]
Figure 112007067088640-pat00006
그리고, 지연 파라미터에 대한 MCD는 하기 [수학식 2]와 같다.
[수학식 2]
Figure 112007067088640-pat00007
최종적으로 상기 MCD의 거리 함수는 하기 [수학식 3] 과 같이 정의된다.
[수학식 3]
Figure 112007067088640-pat00008
상기 [수학식 1] 내지 [수학식 3]에서 i 및 j는 각각 MPC에 대한 인덱스를 의미한다.
클러스터링을 수행함에 있어 가장 중요한 요소는 지연이다. 또한 통신 환경에 따라 다양한 각도 분산(AS: angular spread)이 발생하기 때문에 클러스터링 알고리즘의 적용을 위해서는 MCD의 적절한 가중치(채널 파라미터 가중치)를 정하여야 한다. 본 발명의 발명자들은 이동 통신 환경에 적합한 상기 채널 파라미터 가중치를 결정하기 위하여 3GPP spatial channel model(SCM)으로부터 얻은 MIMO(multi-input multi-output) 채널 데이터를 사용하였다. 3GPP SCM에서 제공하는 데이터 집합은 각 클러스터 내의 지연이 동일하고 일정한 클러스터내의 각도 분산을 가진다.
그러나 실제 통신 환경에서는 클러스터 내의 동일한 지연이 형성될 수 없고 통신 환경에 따라 다양한 각도의 분포가 발생한다. 따라서, 본 발명의 발명자들은 기존의 생성된 데이터 집합의 클러스터 내의 지연 확산(DS: delay spread)과 각도 분산을 임의로 변화시켜가며 모의 실험을 수행하였다.
상기 모의 실험의 결과로서, 채널 파라미터로서 지연, 도래각 및 출발각을 이용하는 경우에는 지연 스케일링 계수(delay scaling factor)가 10이고, 각도 스케일링 계수(angular scaling factor)가 0.5, 지연 및 도래각을 이용하는 경우에는 지연 스케일링 계수가 10이고, 각도 스케일링 계수가 0.7인 결과를 얻을 수 있었다. 도 2 및 도 3은 각각 상기 모의 실험의 결과를 보여주는 도면이다.
<입력 데이터에 대한 Average-linkage 알고리즘 수행 단계(S420)>
상기 Average-linkage 알고리즘 수행 단계(S420)는, 평면적 클러스터링의 초기 클러스터 중심을 계산하기 위한 과정이다.
상기 Average-linkage 알고리즘은 계층적(Hierarchical) 클러스터링 알고리즘으로서, 두 클러스터 간의 거리를 각 클러스터 내의 소속 샘플들 간의 평균 거리로 정의한다. 계층적 클러스터링은 데이터를 많은 작은 그룹으로 이루어진 큰 그룹을 구성하는 과정을 의미한다. 가장 아래에 위치하는 각 데이터 샘플은 하나의 클러스터를 형성한다. 따라서 상기 Average-linkage 알고리즘은 클러스터 수가 2인 경우에 소속 샘플들 간의 거리 계산에 의하여 2개의 그룹으로 클러스터링 된다.
상기 Average-linkage 알고리즘에서 Ci내에 ni개의 샘플이 있고, Cj내에 nj개의 샘플이 있을 때 두 클러스터 간의 거리는 하기 [수학식 4]와 같이 정의된다.
[수학식 4]
Figure 112007067088640-pat00009
<상기 계층적 클러스터링이 수행된 클러스터의 중심을 계산하는 단계(S430)>
본 발명에서는 KPowerMeans 알고리즘의 초기 클러스터 중심을 상기 Average-linkage 알고리즘에 의하여 결정한다.
초기 클러스터의 수는 2이고, 하기 [수학식 5]에 의하여 상기 Average-linkage 알고리즘에 의하여 클러스터링된 2개의 클러스터 각각의 중심을 구한다.
[수학식 5]
Figure 112007067088640-pat00010
(Pj는 j 번째 MPC의 파워, xj는 j번째 MPC의 파라미터 벡터)
<KPowerMeans 알고리즘을 수행하는 단계(S440)>
본 발명에서는 상기 [수학식 5]에 의하여 계산된 클러스터 중심을 초기 클러스터 중심으로 설정하여 KPowerMeans 알고리즘을 수행한다.
상기 KPowerMeans 알고리즘은 주어진 클러스터 수에 따라서 클러스터링을 수행하는 알고리즘이다.
클러스터의 계층을 고려하지 않고 평면적으로 클러스터링하는 대표적인 예가 K-means 알고리즘이다. 상기 K-means 알고리즘은 사전에 정해진 어떤 수의 클러스터를 통해서 주어진 데이터 집합을 분류하는 간단하고 쉬운 방법이다. 데이터 이외에 클러스터의 수 K를 입력으로 하며 이때 K를 씨앗 점(seed point) 라고 한다. 씨앗 점은 전체 데이터 집합의 MPC 중 임의로 선택되며 선택된 각 MPC는 클러스터의 초기 중심(centroid) 값이 된다. 각 MPC들은 가장 가까이 위치한 클러스터 중심을 가지는 클러스터에 속하게 된다.
상기 K-means 알고리즘은 하기 [수학식 6]과 같이 정의되는 각 클러스터의 중심과 각 클러스터에 속하는 MPC간의 거리의 전체 합이 최소가 되도록 반복적으로 수행된다.
[수학식 6]
Figure 112007067088640-pat00011
(L은 전체 MPC의 수, xl은 l번째 MPC의 파라미터 벡터, Cxl은 l번째 MPC와 가장 가까운 클러스터 중심의 파라미터)
상기 K-means 알고리즘에서 클러스터의 중심은 반복을 통해 소속된 MPC들의 중간 값으로 이동하게 되고 이동된 중심에 대해서 다시 클러스터링 작업이 수행된다. 이러한 반복은 클러스터 중심이 더 이상 이동하지 않을 때까지 반복 수행된다.
상기 KPowerMeans 알고리즘은 통신 환경에서의 효율적인 클러스터링을 위해 기존의 K-means 알고리즘에 파워 가중치를 적용한 알고리즘이다.
상기 KPowerMeans 알고리즘은 하기 각 클러스터의 중심과 각 클러스터에 속하는 MPC간의 파워 가중치를 고려한 거리의 전체 합이 최소가 되도록 반복적으로 수행된다. 상기 각 클러스터의 중심과 각 클러스터에 속하는 MPC간의 파워 가중치를 고려한 거리의 전체 합은 하기 [수학식 7]과 같이 정의된다.
[수학식 7]
Figure 112007067088640-pat00012
(Pl은 l 번째 MPC의 파워)
클러스터의 중심은 하기 [수학식 8]에 의하여 반복적(K=2 ~ K=Kmax)으로 이동된다.
[수학식 8]
Figure 112007067088640-pat00013
상기 KPowerMeans 알고리즘을 수행하기 위한 클러스터 수는 K=2 부터 한 스냅 샷에 수신된 다중 경로의 수의 제곱근(Kmax)까지이다.
<클러스터 검증지표를 계산하는 단계(S450)>
상기 클러스터 검증지표를 계산하는 단계(S450)에서, 다양한 3GPP SCM 데이터에 대하여 여러 클러스터링 알고리즘과의 조합에 있어 최적의 성능을 나타낸 클 러스터 검증 지표는 Calinski Harabasz Index(CH) 이다. 클러스터 알고리즘은 기본적으로 클러스터의 수를 데이터와 별개로 입력으로 받는다.
그러나, 주요 관심은 주어진 데이터 값에 따른 클러스터의 수와 그에 따른 각 MPC 들의 클러스터 정보를 획득하는 것이다. 따라서 최적의 클러스터 수를 정하기 위한 클러스터 검증 지표가 필요하다. 클러스터 검증 방법은 크게 두 가지 거리 함수에 의해 정의된다.
첫 번째는
Figure 112007067088640-pat00014
로 상호 클러스터 거리(inter-cluster distance)이며, 두 번째는
Figure 112007067088640-pat00015
로 클러스터 내의 거리(intra-cluster distance)이다. 상호 클러스터 거리는 클러스터 간의 분리도(separation)정도를, 클러스터 내의 거리는 클러스터 내에서 MPC들의 집중도(compactness)를 나타낸다. 클러스터 검증 방법은 공통적으로 상호 클러스터 간의 분리도가 크고, 클러스터 내의 집중도가 최소가 되는 최적의 클러스터 수를 찾는다.
상기 CH 인덱스는 L개의 MPC가 K개의 클러스터로 클러스터링될 때 하기 [수학식 9] 및 [수학식 10]으로 정의된다.
[수학식 9]
Figure 112007067088640-pat00016
(B는 클러스터 간의 비산(scatter)행렬, W는 클러스터 내의 비산행렬)
[수학식 10]
Figure 112007067088640-pat00017
(Lk는 k번째 클러스터에 속한 MPC의 수,
Figure 112007067088640-pat00018
는 전체 데이터 집합의 전역(global) 중심)
상기 전역 중심은 하기 [수학식 11]과 같이 정의된다.
[수학식 11]
Figure 112007067088640-pat00019
<모든 가능한 클러스터 수에 대한 CH 인덱스 계산 및 최적의 클러스터 수 결정 단계(S460, S470)>
본 발명에 따르는 Average-linkage 알고리즘과 KPowerMeans 알고리즘을 조합한 클러스터링 알고리즘은 하기 [수학식 12]와 같이, 다양한 클러스터 수 K값에 대하여 상기 CH 인덱스 값을 계산한 후, 상기 CH 인덱스를 최대로 만드는 K 값을 최적의 클러스터링을 나타내는 클러스터 수로 결정한다.
[수학식 12]
Figure 112007067088640-pat00020
즉, 본 발명에 따른 다중 경로 클러스터링 알고리즘은 모든 가능한 클러스터 수에 대하여 상기 S410 내지 S470을 반복하여 수행함으로써, 최적의 클러스터 수와 그에 따른 클러스터 내의 MPC의 정보를 알 수 있다. 채널 공간 특성 분석은 상기 최적의 클러스터 수와 그에 따른 클러스터 내의 MPC정보를 이용하여 수행할 수 있게 된다.
이하에서는 본 발명에 따른 클러스터링 알고리즘과 종래 기술에 따른 클러스터링 알고리즘을 이동 통신 환경 하에서 비교 분석한 결과에 대하여 살펴보기로 한다.
<클러스터링 알고리즘의 성능 비교>
클러스터링 알고리즘의 성능 비교를 위하여 먼저, 데이터 파일을 구성하는 채널 파라미터의 종류에 따라서 MCD의 가중치를 결정한다.
다음에, single-linkage, average-linkage, K-means, KPowerMeans, FCM 클러스터링 알고리즘에 CH, DB, Index I, CV, XB, Dunn’ index 클러스터링 검증 기법을 사용하여 다양한 지연 확산, 각도 분산의 3GPP SCM 데이터에 대한 클러스터링을 수행하여 각 클러스터링 방법에 대한 성능을 비교 분석한다.
3GPP SCM에 의해 생성된 데이터 집합은 6개의 클러스터와 클러스터에 속하는 120개의 MPC가 정해져 있기 때문에 120개의 MPC 중 올바르게 클러스터를 찾아가는 MPC 수의 비율을 나타낼 수 있다. 본 발명의 발명자들은 상기한 각 클러스터링 방법에 대하여 각각의 각도 분산, 지연 확산에 대해 100개 이상의 데이터 집합에 대해 모의 실험을 수행하였다.
도 5는 클러스터 내의 각도 분산 변화에 따른 클러스터링 알고리즘들의 성능을 비교한 그래프이다.
도 6 내지 도 8은 고정된 도래각 분산에 따른 지연 확산의 변화에 따른 알고리즘 성능을 비교한 그래프이다.
도 5 내지 도 8에서 SL은 single-linkage 알고리즘을, AL은 single-linkage 알고리즘, FCMp은 기존의 FCM 알고리즘에서 클러스터 중심을 계산할 때 파워 가중치를 부여한 것을 의미한다. 그래프에서도 볼 수 있듯이 초기 값을 SL, AL을 사용하여 결정하는 것이 임의로 초기값을 정하는 K-means 알고리즘에 비해 상당히 좋은 성능을 보임을 알 수 있다. 또한 K-means 알고리즘은 수행할 때마다 조금씩 다른 값을 생성하지만 초기 클러스터 중심을 linkage 알고리즘으로 처리하면 이러한 문제가 해결됨을 알 수 있다.
이상에서 클러스터 내 각도 분산, 지연 확산의 변화에 대해 꾸준히 좋은 성능을 보여주는 알고리즘은 AL, KPowerMeans(AL)(본발명), K-means(AL), K-means(SL) 정도로 압축된다. 이들 사이의 약간의 성능 차이는 아주 미미할 정도로 작다. SL 알고리즘은 작은 클러스터 내 각도 분산, 지연 확산에서는 좋은 성능은 보이지만 각도 분산, 지연 확산이 커질수록 심각한 성능의 열화를 나타낸다. SL은 클러스터 간의 거리를 가장 가까운 MPC로써 결정하기 때문에 근접한 클러스터에 대 한 구별 능력이 떨어지는 것을 알 수 있다. 또한, 퍼지 알고리즘을 사용한 FCM 알고리즘은 클러스터 내 각도 분산, 지연 확산의 변화가 큰 클러스터에 대해서도 꾸준한 성능을 보이지만 전체적인 성능이 다른 알고리즘에 비해 떨어지는 것을 볼 수 있다. 또한, FCM 알고리즘은 수행 할 때마다 약간씩 다른 값을 생성한다.
상기 그래프들로 단순히 알고리즘의 성능을 비교하는 것은 무리가 있다. 미리 알고 있는 6개의 클러스터 수에 대하여 클러스터링을 수행하게끔 하였기 때문에 클러스터 수를 모른다는 가정 하에 클러스터 검증 기법을 통한 성능 분석이 이루어져야 한다. 또한, 3GPP SCM에 의해 생성된 데이터 집합이 생성될 때마다 수행 결과가 차이가 있기 때문에(클러스터 지연이 몰려 있거나, 클러스터 내의 각도 분산이 크게 차이 나는 경우, 클러스터 간의 각도 분산이 상당부분 겹치는 경우 등) 약간의 오차는 발생 할 수 있다.
<클러스터링 검증 기법 성능 비교>
클러스터링 알고리즘은 데이터 집합 외에 클러스터 수 K에 대한 정보를 입력 받는다. 하지만 데이터 집합에 대한 클러스터 수를 미리 정할 수 없고 궁극적으로 알고자 하는 값 또한 클러스터 수이기 때문에 최적의 클러스터 수를 구하기 위한 검증 기법이 필요하다. 본 발명의 발명자들은 다양한 클러스터링 검증 기법을 사용하여 다양한 알고리즘과의 조합을 통해 최적의 클러스터 수 K를 효율적으로 구하기 위한 모의 실험을 수행하였다. 상기에 수행한 모의실험과 마찬가지로 클러스터 내의 다양한 각도 분산, 지연 확산에 관해 성능을 비교하였다.
[표 1] 내지 [표 5]는 다양한 알고리즘에 대한 클러스터링 검증 기법의 성능을 비교한 표이다.
[표 1]
Figure 112007067088640-pat00021
상기 [표 1]은 클러스터 내 도래각 분산 변화에 대한 여러 가지 클러스터링 알고리즘과 클러스터링 검증 기법의 성능을 비교한 그래프이다.
[표 2]
Figure 112007067088640-pat00022
상기 [표 2]는 클러스터 내 도래각 분산 변화에 대한 여러 가지 클러스터링 알고리즘과 클러스터링 검증기법의 성능을 비교한 그래프이다.
[표 3-1]
Figure 112007067088640-pat00023
[표 3-2]
Figure 112007067088640-pat00024
[표 3-3]
Figure 112007067088640-pat00025
상기 [표 3-1] 내지 [표 3-3]은 클러스터 내 지연 확산 변화에 대한 여러 가지 클러스터링 알고리즘과 클러스터링 검증기법의 성능을 비교한 그래프이다.
[표 4]
Figure 112007067088640-pat00026
상기 [표 4]는 KPowerMeans-AL(본 발명)과 CH index 의 조합으로 클러스터링을 수행하였을 때의 클러스터 수의 평균과 표준편차를 나타내는 그래프이다(AS=9°)
[표 5]
Figure 112007067088640-pat00027
상기 [표 5]는 KPowerMeans-AL(본 발명)과 CH index 의 조합으로 클러스터링을 수행하였을 때의 클러스터 수의 평균과 표준편차를 나타내는 그래프이다(AS=18°).
도 9는 클러스터 내 도래각 분산이 18°일 때, 클러스터 내 지연 확산 변화에 따른 클러스터링 알고리즘 성능을 비교한 그래프이다.
도 10은 클러스터 내 도래각 분산이 36°일 때, 클러스터 내 지연 확산 변화에 따른 클러스터링 알고리즘의 성능을 비교한 그래프이다.
상기 [표 1]은 6개의 클러스터로 이루어진 3GPP SCM데이터 집합에 대해 클 러스터 수 K를 변화시켜 가며 최적의 클러스터 수를 찾아낸 결과 Kopt=6으로 정확하게 찾아낸 데이터 집합의 비율을 백분율로 나타낸다. 각 모의 실험은 100개의 데이터 집합에 대해 수행되었다.
상기 [표 1]에 기재된 바와 같이, 클러스터 내 각도 분산 값이 커질수록 대체적으로 알고리즘 성능이 나빠졌으며 작은 각도 분산 값에서보다 큰 각도 분산값에서 알고리즘간의 성능차이가 커졌다. 그 중에서 초기 클러스터 중심을 average-linkage로 준 KPowerMeans 알고리즘 중 CH index를 사용한 알고리즘 조합(본 발명)에서 가장 좋은 성능을 보이고 있다. 기존의 K-means 알고리즘은 초기 값 문제로 인해 심각한 성능 열화를 보인다. 또한 K-means에 파워 가중을 준 KPowerMeans 알고리즘은 클러스터내의 각도 분산값이 작을 때는 K-means알고리즘과 성능의 차이가 크지 않았으나 각도 분산값이 증가함에 따라 성능의 차이가 생겼다.
상기 [표 1]은 정확히 6개의 클러스터 수를 찾은 비율에 대해서만 나타내고 있다.
그러나 3GPP SCM에 의해 생성된 데이터 집합은 지연이 몰려있거나 클러스터 내 각도 분산 분포가 너무 퍼져있거나 클러스터 간의 각도 분산 분포가 겹쳐지는 등의 경우들이 발생하기 때문에 5개나 7개의 클러스터를 찾는 경우도 발생하였다.
상기 [표 2]는 KPowerMeans+CH index 에 대해 최적의 클러스터 수로 찾아낸 평균값과 표준편차에 대해 나타낸 표이다. 6개의 클러스터를 정확히 찾지 못한 경우에도 대체적으로 비슷한 값을 찾아감을 알 수 있다.
도 11은 여러 알고리즘에 대해 가장 좋은 성능을 보인 CH index에 대한 그래프이다.
상기 [표 3]에서는 각도 분산 변화뿐만 아니라 다양한 지연 확산 변화에 따른 클러스터링 알고리즘 검증 기법의 성능을 비교하였다.
클러스터 내 지연 확산 변화에 따른 성능을 나타낸 [표 3]에서도 초기 클러스터 중심을 average-linkage로 준 KPowerMeans+CH index(본 발명)가 가장 좋은 성능을 나타내는 것을 볼 수 있다. 다른 알고리즘과 비교에 있어 클러스터 내 각도 분산변화에 따른 성능보다 지연 확산 변화에 따른 성능의 차이가 더 크게 나타난다. 특히 SL은 클러스터 간의 가장 가까운 MPC를 기준으로 클러스터링하기 때문에 클러스터 내 각도 분산, 지연 확산 변화에 가장 민감하게 반응했으며 성능의 열화의 정도가 심하였다.
또한 SL은 MPC 각각을 초기 클러스터로부터 시작하여 연쇄적으로 합쳐 나가는 방법으로 클러스터링을 하기 때문에 근접한 클러스터의 경우 하나의 클러스터로 인식하는 등의 문제를 나타내었다. AL의 경우도 클러스터 거리 측정의 방식의 차이로 인해 그 정도는 적었으나 클러스터링의 기본 개념이 같기 때문에 각도 분산, 지연 확산이 커짐에 따라 이러한 문제점을 나타내었다. 반면 K-means 알고리즘은 처음 입력으로 받은 클러스터 수에 따라 중심을 정하고 반복적으로 중심을 갱신하며 클러스터 중심을 기준으로 클러스터링을 하기 때문에 linkage알고리즘의 단점을 해결해준다.
따라서 이러한 linkage 알고리즘의 단점을 해결하고 K-means 초기 값 문제 를 동시에 해결할 수 있는 방안이 초기 클러스터 중심을 average-linkage로 준 KPowerMeans 알고리즘(본 발명)이다. 기존의 KPowerMeans 알고리즘에 비해서도 상당한 성능의 향상을 나타내었다.
[표 4], [표 5]는 KPowerMeans+CH index 에 대해 최적의 클러스터 수로 찾아낸 평균값과 표준편차에 대해 나타낸 표이다.
또한, 도 12 내지 도 14는 지연 확산변화에 따른 클러스터링 검증 기법 중 가장 좋은 성능을 나타낸 CH index에 관해 나타낸 그래프이다.
상기 도 12 내지 도 14를 참조하면, 6개의 클러스터를 정확히 찾지 못한 경우에도 대체로 비슷한 값을 찾아감을 알 수 있다.
본 발명에 따른 자동화된 클러스터링 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 일반적인 이동통신 환경에서의 다중경로 송수신 시스템의 구성을 간략하게 나타내는 블럭도이다.
도 2는 본 발명에 따른 다중 경로 클러스터링 장치의 구성을 나타내는 블럭도이다.
도 3은 본 발명의 실시예에 따른 자동화된 클러스터링 방법을 나타내는 흐름도이다.
도 4는 본 발명의 실시예에 따른 이동 통신 환경에서의 자동화된 다중경로 클러스터링 방법을 나타내는 흐름도이다.
도 5는 클러스터 내의 각도 분산 변화에 따른 클러스터링 알고리즘들의 성능을 비교한 그래프이다.
도 6 내지 도 8은 고정된 도래각 분산에 따른 지연 확산의 변화에 따른 알고리즘 성능을 비교한 그래프이다.
도 9는 클러스터 내 도래각 분산이 18°일 때, 클러스터 내 지연 확산 변화에 따른 클러스터링 알고리즘 성능을 비교한 그래프이다.
도 10은 클러스터 내 도래각 분산이 36°일 때, 클러스터 내 지연 확산 변화에 따른 클러스터링 알고리즘의 성능을 비교한 그래프이다.
도 11은 여러 알고리즘에 대해 가장 좋은 성능을 보인 CH index에 대한 그래프이다.
도 12는 클러스터 내 도래각 분산이 9°일 때, 다양한 DS(Delay Spread)에 대한 여러 가지 클러스터링 알고리즘과 본 발명에 따른 클러스터링 알고리즘의 성능을 비교한 그래프이다.
도 13은 클러스터 내 도래각 분산이 18°일 때, 다양한 DS(Delay Spread)에 대한 여러 가지 클러스터링 알고리즘과 본 발명에 따른 클러스터링 알고리즘의 성능을 비교한 그래프이다.
도 14는 클러스터 내 도래각 분산이 36°일 때, 다양한 DS(Delay Spread)에 대한 여러 가지 클러스터링 알고리즘과 본 발명에 따른 클러스터링 알고리즘의 성능을 비교한 그래프이다.

Claims (15)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 다중경로 콤퍼넌트의 거리 계산을 위한 채널 파라미터의 가중치를 결정하는 단계;
    상기 결정된 채널 파라미터의 가중치를 적용하여 입력 데이터에 대한 계층적 클러스터링 알고리즘을 수행하는 단계;
    상기 계층적 클러스터링 알고리즘이 수행된 클러스터의 중심을 계산하는 단계;
    상기 계산된 클러스터의 중심을 초기 클러스터 중심으로 설정하여 KPowerMeans 알고리즘을 수행하는 단계;
    상기 KPowerMeans 알고리즘이 수행된 클러스터링 결과에 대하여 클러스터 검증지표를 계산하는 단계; 및
    상기 계산된 클러스터 검증 지표에 따라서 최적의 클러스터 수를 결정하는 단계를 포함하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  8. 제 7 항에 있어서, 상기 채널 파라미터의 가중치는,
    채널 파라미터로서 지연, 도래각 및 출발각을 이용하는 경우에는 지연 스케 일링 계수가 10이고, 각도 스케일링 계수가 0.5인 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  9. 제 7 항에 있어서, 상기 채널 파라미터의 가중치는,
    채널 파라미터로서 지연 및 도래각을 이용하는 경우에는 지연 스케일링 계수가 10이고, 각도 스케일링 계수가 0.7인 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  10. 제 7 항에 있어서,
    상기 계층적 클러스터링 알고리즘은 Average-linkage 알고리즘임을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  11. 제 10 항에 있어서,
    상기 Average-linkage 알고리즘 수행 결과를 이용하여 클러스터 초기 중심을 구하는 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  12. 제 7 항에 있어서,
    상기 검증 지표는 CH 인덱스임을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 방법.
  13. 다중 경로를 통하여 수신된 다중 경로 컴포넌트, 채널 파라미터 및 상기 채널 파라미터에 대한 가중치 정보를 저장하는 데이터 저장부;
    상기 다중 경로 컴포넌트에 대하여 계층적 클러스터링 알고리즘을 적용하여 클러스터 초기 중심을 설정하고, 상기 설정된 초기 중심을 KPowerMeans 알고리즘에 의하여 재설정하여 클러스터링을 수행하는 클러스터링 알고리즘 수행부; 및
    상기 수행된 클러스터링에 대한 검증 지표를 계산하고, 상기 계산된 검증 지표에 의하여 최적의 클러스터 수를 결정하는 클러스터 수 결정부;를 포함하는 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 장치.
  14. 제 13 항에 있어서, 상기 채널 파라미터의 가중치는,
    채널 파라미터로서 지연, 도래각 및 출발각을 이용하는 경우에는 지연 스케일링 계수가 10이고, 각도 스케일링 계수가 0.5인 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 장치.
  15. 제 13 항에 있어서, 상기 채널 파라미터의 가중치는,
    채널 파라미터로서 지연 및 도래각을 이용하는 경우에는 지연 스케일링 계수가 10이고, 각도 스케일링 계수가 0.7인 것을 특징으로 하는 이동통신 환경에서 다중 경로의 클러스터링 장치.
KR1020070094116A 2007-09-17 2007-09-17 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치 KR100930799B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020070094116A KR100930799B1 (ko) 2007-09-17 2007-09-17 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치
PCT/KR2008/002782 WO2009038271A1 (en) 2007-09-17 2008-05-19 Method for automatic clustering, and method and apparatus for multipath clustering in wireless communication using the same
US12/678,545 US20100217763A1 (en) 2007-09-17 2008-05-19 Method for automatic clustering and method and apparatus for multipath clustering in wireless communication using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070094116A KR100930799B1 (ko) 2007-09-17 2007-09-17 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20090028953A KR20090028953A (ko) 2009-03-20
KR100930799B1 true KR100930799B1 (ko) 2009-12-09

Family

ID=40468062

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070094116A KR100930799B1 (ko) 2007-09-17 2007-09-17 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치

Country Status (3)

Country Link
US (1) US20100217763A1 (ko)
KR (1) KR100930799B1 (ko)
WO (1) WO2009038271A1 (ko)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5423676B2 (ja) 2008-07-30 2014-02-19 日本電気株式会社 データ分類システム、データ分類方法、及びデータ分類プログラム
JP5500070B2 (ja) * 2008-07-30 2014-05-21 日本電気株式会社 データ分類システム、データ分類方法、及びデータ分類プログラム
JP2010255093A (ja) 2009-04-23 2010-11-11 Korea Advanced Inst Of Science & Technol 単結晶ツインフリー貴金属ナノワイヤ及びハロゲン化貴金属を利用した単結晶ツインフリー貴金属ナノワイヤの製造方法
US8175851B1 (en) * 2009-09-24 2012-05-08 L-3 Services, Inc. Using statistical learning methods to fuse parameter estimates
KR101113006B1 (ko) * 2010-02-22 2012-02-24 숭실대학교산학협력단 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법
CN103336770B (zh) * 2012-02-28 2017-03-01 国际商业机器公司 用于标识互补数据对象的方法和系统
KR101700340B1 (ko) * 2012-04-06 2017-01-26 에스케이플래닛 주식회사 대용량 데이터의 클러스터 결과 분석 시스템 및 방법
KR101907551B1 (ko) * 2012-07-05 2018-12-07 삼성전자 주식회사 확률 그래프의 효과적인 그래프 클러스터링 장치 및 방법
US9336302B1 (en) 2012-07-20 2016-05-10 Zuci Realty Llc Insight and algorithmic clustering for automated synthesis
KR101700104B1 (ko) 2012-09-04 2017-02-13 에스케이플래닛 주식회사 군집 분석 지원 시스템 및 방법과, 이를 지원하는 장치
CN103136355B (zh) * 2013-03-05 2016-01-06 电子科技大学 一种基于自动阈值鱼群算法的文本聚类方法
US20140269296A1 (en) * 2013-03-13 2014-09-18 Cox Communications, Inc. Systems and Methods of Bundled Label Switch Path for Load Splitting
CN103324705B (zh) * 2013-06-17 2016-05-18 中国科学院深圳先进技术研究院 大规模向量场数据处理方法
US9450655B2 (en) * 2013-09-27 2016-09-20 Nec Corporation Two-stage precoding and user grouping for large scale multiple-input multiple-output (MIMO) systems
CN103810261A (zh) * 2014-01-26 2014-05-21 西安理工大学 一种基于商空间理论的K-means聚类方法
US10592539B1 (en) 2014-07-11 2020-03-17 Twitter, Inc. Trends in a messaging platform
US10601749B1 (en) * 2014-07-11 2020-03-24 Twitter, Inc. Trends in a messaging platform
CN104360985A (zh) * 2014-10-20 2015-02-18 浪潮电子信息产业股份有限公司 一种基于mic实现聚类算法的方法及装置
CN106899335A (zh) * 2015-12-15 2017-06-27 联芯科技有限公司 大规模mimo阵列的信道降维方法及系统
US10825314B2 (en) * 2016-08-19 2020-11-03 Miku, Inc. Baby monitor
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US11392825B2 (en) 2017-01-09 2022-07-19 Samsung Electronics Co., Ltd. Method and algorithm of recursive deep learning quantization for weight bit reduction
US11055318B2 (en) * 2017-08-31 2021-07-06 Intel Corporation Target number of clusters based on internal index Fibonacci search
CN109526021B (zh) * 2018-11-30 2020-10-27 北京交通大学 一种高速铁路无线信道场景的分类方法及识别方法
CN109861776A (zh) * 2019-01-23 2019-06-07 河海大学 一种模拟多天线室外空间耦合衰落传播特性的方法
US11487964B2 (en) * 2019-03-29 2022-11-01 Dell Products L.P. Comprehensive data science solution for segmentation analysis
CN110460364B (zh) * 2019-06-10 2020-06-26 深圳大学 基于聚类算法的mimo系统的盲多径识别方法及系统
CN111507649B (zh) * 2020-06-30 2020-11-27 上海竞动科技有限公司 一种基于区块链的金融大数据风控平台
CN112564835B (zh) * 2020-11-26 2022-09-20 华北电力大学 一种基于knn和svm算法的5g无线信道多径分簇计算方法
CN114970649B (zh) * 2021-02-23 2024-07-26 广东精点数据科技股份有限公司 一种基于聚类算法的网络信息处理方法
CN112926658B (zh) * 2021-02-26 2023-03-21 西安交通大学 基于二维数据嵌入与邻接拓扑图的图像聚类方法及设备
CN113037344A (zh) * 2021-02-26 2021-06-25 上海师范大学 一种多用户大规模mimo多源图像传输干扰消除方法
CN113030897B (zh) * 2021-03-10 2022-05-31 森思泰克河北科技有限公司 基于多径的雷达目标聚类方法、装置、设备和存储介质
CN113569950B (zh) * 2021-07-28 2024-05-28 大唐环境产业集团股份有限公司 电站设备故障监测模型生成方法、系统及装置
CN114448531B (zh) * 2021-12-06 2023-05-09 西安电子科技大学 一种信道特性分析方法、系统、介质、设备及处理终端
CN116723136B (zh) * 2023-08-09 2023-11-03 南京华飞数据技术有限公司 应用fcm聚类算法的网络检测数据的方法
CN117115491B (zh) * 2023-08-18 2024-04-09 国网山东省电力公司临沂供电公司 一种基于激光点云数据的输电塔杆避雷线保护角的提取方法、系统和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154181A1 (en) * 2002-01-25 2003-08-14 Nec Usa, Inc. Document clustering with cluster refinement and model selection capabilities

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7035739B2 (en) * 2002-02-01 2006-04-25 Rosetta Inpharmatics Llc Computer systems and methods for identifying genes and determining pathways associated with traits
EP1514213A2 (en) * 2002-05-20 2005-03-16 Rosetta Inpharmactis LLC. Computer systems and methods for subdividing a complex disease into component diseases
US7729864B2 (en) * 2003-05-30 2010-06-01 Merck Sharp & Dohme Corp. Computer systems and methods for identifying surrogate markers
US7269517B2 (en) * 2003-09-05 2007-09-11 Rosetta Inpharmatics Llc Computer systems and methods for analyzing experiment design

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154181A1 (en) * 2002-01-25 2003-08-14 Nec Usa, Inc. Document clustering with cluster refinement and model selection capabilities

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Charu C. Aggarwal, et al., "Fast Algorithms for projected clustering", ACM SIGMOD Record, Vol.28, Issue 2, pp.61-72, 1999.06.*

Also Published As

Publication number Publication date
US20100217763A1 (en) 2010-08-26
WO2009038271A1 (en) 2009-03-26
KR20090028953A (ko) 2009-03-20

Similar Documents

Publication Publication Date Title
KR100930799B1 (ko) 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치
CN111867049B (zh) 定位方法、装置及存储介质
US10374902B2 (en) Method for clustering wireless channel MPCs based on a KPD doctrine
US9906963B2 (en) Big-data-mining-based wireless channel modeling method
Kaemarungsi Efficient design of indoor positioning systems based on location fingerprinting
CN111479231B (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN109299698B (zh) 一种基于支持向量机的无线信道场景识别方法
CN106093852A (zh) 一种提高WiFi指纹定位精度与效率的方法
Gan et al. Deep learning for weights training and indoor positioning using multi-sensor fingerprint
CN104023395B (zh) 大规模mimo中基于波束空间转换的散射信源定位方法
CN109450574B (zh) 高铁通信网络中无线信道多径分簇方法和装置
CN108924756A (zh) 基于WiFi双频带的室内定位方法
CN101425855B (zh) 宽带信道参数抽取方法、宽带信道仿真方法及其装置
CN110072186A (zh) 基于属性独立的加权朴素贝叶斯室内定位方法
CN112040397A (zh) 一种基于自适应卡尔曼滤波的csi室内指纹定位方法
CN112637950A (zh) 基于角度相似性的指纹定位方法
CN108966120A (zh) 一种用于动态集群网络改进的组合三边定位方法及系统
CN111770528B (zh) 基于信道参数萃取方法的视距与非视距识别方法及装置
WO2023005746A1 (zh) 一种信道建模方法、装置、存储介质及电子装置
CN115099385B (zh) 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法
CN116744441A (zh) 无线定位方法、装置、设备及存储介质
CN102088750A (zh) 一种多入多出技术中的传播径分簇方法和装置
CN114785433A (zh) 信道场景识别的方法、网络设备及存储介质
Aydin et al. Faster Wi-Fi fingerprinting using feature selection

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee