申请/专利权人：杭州电子科技大学

申请日：2021-12-24

公开（公告）日：2024-04-02

公开（公告）号：CN114339947B

主分类号：H04W40/32

分类号：H04W40/32;H04W88/08;G06F18/23213

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明公开了一种超密集网络中基于高斯加权的基站动态分簇方法，该方法首先计算超密集网络中每个小基站的高斯加权密度值以及平均加权密度值；将高斯加权密度值大于平均加权密度的基站挑选为初始簇中心并形成待选初始簇中心池；计算簇的覆盖半径，依次将待选簇中心池中两两基站之间高斯加权分布密度值小于覆盖半径的基站从池中移除；将最终簇中心点数目以及相应的基站坐标信息作为传统K‑means的输入参数来执行K‑means算法，从而得到最终超密集网络中所有基站的分簇结果。本发明可以准确地衡量基站的分布状况、提高分簇的准确率、加快分簇的收敛速度，并且可以根据基站的分布状况进行动态分簇，使超密集网络场景的分簇更加灵活。

主权项：1.一种超密集网络中基于高斯加权的基站动态分簇方法，其特征在于，包含以下步骤：S1、输入小基站的坐标信息集合，并计算任意两个基站之间的欧式距离；S2、计算每个基站的分布密度值、高斯权重值、归一化权重值、高斯加权密度值以及基站的平均加权密度；S3、遍历所有基站，找出高斯加权密度值大于平均加权密度的所有数据点形成初始簇中心池，并将这些数据点按照高斯加权密度值从大到小的顺序排列，放到初始簇中心池中；S4、计算簇的覆盖半径R；S5、计算初始簇中心池中任意两个数据点之间的欧式距离，当集合内两个数据点之间的距离小于簇的覆盖半径R时，则从初始簇中心池中删除相对靠后的数据点，直到池中任意两点的距离都大于簇的覆盖半径；S6、统计剩余的数据点，将其定义为最终的初始簇中心池，并记录基站个数K；S7、将最终的初始簇中心池、基站个数以及基站所有的位置信息作为K-means算法的输入，执行K-means算法，得出最终的簇中心点集合；选取离簇中心点最近的基站作为每个簇的簇头，输出分簇个数K、簇头集合以及每个基站所属簇的状况；步骤S2中，密度值定义为： 其中ρxi代表基站xi的分布密度；1≤m,n,i,j≤N，均代表基站的编号；dxi,xj表示基站xi与基站xj之间的欧式距离；N代表小基站的总数量；等式中分子代表任意两基站之间的欧式距离之和且为定值；分母表示基站xi到其它基站的距离之和，与其它基站的距离越大，表征该基站的位置越离群，密度值越小；步骤S2中，高斯权重值定义为： 其中wxi代表基站xi的高斯加权值，表示基站xi的高斯有效半径；步骤S2中，高斯加权密度值定义为： 其中，代表数据点xi的高斯加权密度值，w'xi代表归一化的高斯权重值： 步骤S2中，所述的平均加权密度定义为： 步骤S4中，簇的覆盖半径定义为： 其中α代表簇的覆盖半径调节系数，取值范围为α∈0,1。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 超密集网络中基于高斯加权的基站动态分簇方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD