CN109412661B - 一种大规模mimo***下的用户分簇方法 - Google Patents
一种大规模mimo***下的用户分簇方法 Download PDFInfo
- Publication number
- CN109412661B CN109412661B CN201811511360.2A CN201811511360A CN109412661B CN 109412661 B CN109412661 B CN 109412661B CN 201811511360 A CN201811511360 A CN 201811511360A CN 109412661 B CN109412661 B CN 109412661B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- clustering
- similarity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000001841 zingiber officinale Substances 0.000 description 1
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
- H04B7/0452—Multi-user MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种大规模MIMO***下的用户分簇方法，包括如下步骤：S1.查找噪声用户，并剔除；S2.获取用户的三维特征，计算该三维特征的相似度矩阵；S3.根据相似度矩阵，采用AP算法进行用户分簇；S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。本发明能对用户进行有效的分簇处理，从而对***进行了降维，并且一定程度上降低处理维度，减少了干扰，提高了资源的利用率。
Description
技术领域
本发明属于无线通信领域，涉及5G(5th-generation)移动通信***，具体为一种大规模MIMO***下的用户分簇方法。
背景技术
无线通信技术的快速发展在推动网络基础设施不断完善的同时,也导致移动用户数量和相关产业规模呈现***式增长。现有频谱资源有限，在许多应用中，已无法满足日益增长的容量需求。为了解决以上提出的问题，Massive MIMO作为第五代(5G)移动通信最关键的技术之一在《5G无线技术架构》和《5G概念***》中被提出。在多用户Massive MIMO***中，空间的相关性对***性能的提高具有显著影响，即不同用户的信道向量之间的相关性大小表征了用户间的干扰。为了提高***性能，在许多文献中提出了多种用户分簇的算法，比如：文献[1]提出了一种基于用户属性利用k-means的自适应分组算法；文献[2]提出利用谱聚类算法对用户进行分簇；文献[3]针对k-means算法的不足，对簇中心的选取进行改善，即使用k-medoid算法等。
其中，k-means分簇算法[1]的初始点选择不稳定，是随机选取的，这就引起分簇结果的不稳定；其次，层次聚类[5]虽然不需要确定分类数，但是一旦一个***或者合并被执行，就不能修正，分簇质量受限制；再则，DBSCAN算法[6]是基于密度的用户分组算法，需要选定合适的半径和最小用户数阈值，如果选择不当，将影响分簇结果。最后，FCM算法[7]对初始分簇中心敏感，需要人为确定分簇数，容易陷入局部最优解；
所以针对大规模MIMO***，从用户的空间相关性角度出发，结合用户信道相似度，信道增益差等用户特征属性来对用户进行配对分组，从而形成类似于小区簇的用户簇，在空间维度，通过波束赋形或者空分复用等技术来提高***整体性能具有很大的研究意义。
[1]王盛,陈松,任修坤,陈国军.CoMP上行链路基于属性的自适应分组算法[J].太赫兹科学与电子信息学报,2016,14(04):520-524+548.
[2]Tian R,Liang Y,Tan X,et al.Overlapping user grouping in IoToriented massive MIMO systems[J].IEEE Access,2017,5:14177-14186.
[3]Xu Y,Yue G,Mao S.User Grouping for Massive MIMO in FDD Systems:NewDesign Methods and Analysis[J].Access IEEE,2014,2(2):947-959.
[4]熊尚华.基于半监督学习的两种聚类算法研究[D].浙江师范大学,2011.
[5]姜子林.层次聚类的方法及应用[J].电子技术与软件工程,2018(1):179-180.
[6]谢江.针对非均匀密度环境的DBSCAN自适应聚类算法的研究[D].重庆大学,2015.
[7]宫改云.FCM算法参数研究及其应用[D].西安电子科技大学,2004.
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种大规模MIMO***下的用户分簇方法，降低处理维度，减少了干扰，提高了资源的利用率。
本发明采用如下技术方案：
一种大规模MIMO***下的用户分簇方法，其特征在于，包括如下步骤：
S1.查找噪声用户，并剔除；
S2.获取用户的三维特征，计算该三维特征的相似度矩阵；
S3.根据相似度矩阵，采用AP算法进行用户分簇；
S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果。
所述S1具体包括如下：根据用户的位置信息，以用户为中心，在r为半径的空间范围内搜索其他用户，若没有搜索到其他用户，则定义此用户为噪声用户，并予以剔除。
所述三维特征包括用户信道向量，用户的相对位置以及用户的QoS需求。
所述S2中，先对三维特征进行归一化和降维处理，再计算相似度矩阵。
所述三维特征的相似度矩阵包括采用Fubini-Study距离来表征用户信道向量间的相似度及采用欧式距离来表征用户的相对位置和QoS需求的相似度。
所述S3具体包括如下：
S301.根据相似度矩阵，计算用户与其他用户之间的吸引度和归属度；
S302.引入阻尼因子交替更新吸引度和归属度；
S303.计算用户的吸引度和归属度之和，判断是否大于0，若是则为簇类中心，添加至存
放簇类中心的集合，得到用户簇类中心集；
S304.根据距离最小原则，将各用户分配到相应的簇类中。
所述S4具体包括如下：
S401.定义用户的动作集合A和状态集合St；Q(s,a)为在状态s下动作a得到的总体回报的估计，初始值为0；动作集合A表示选择的用户簇的编号的集合，状态集合St＝{e,d,j}，e表示用户的移动性，d表示每个用户簇中的用户数和总的用户数的比值，j表示用户与簇类中心的相似度；
S402.观察状态集合St并执行相应的at，使得总体回报的估计Qt(St,at)值最大，下标t表示迭代的次数；
S403.定义即时回报函数R，并计算当下St,at下的即时回报值Rt(St,at)；
S404.观察新状态St+1,并根据即时回报Rt计算更新Qt+1；
S405.直到收敛，最后得到最大累积回报值的动作集即为最终的分簇结果。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明采用Affinity Propagation(AP)算法对小区内的用户进行分簇，它对比于传统的分簇算法，具有明显的优势AP算法不需要事先指定分簇的数量，分簇结果很稳定，适用于非对称相似性矩阵，对于初始值不敏感，具有其特有的优势。并且对于非对称相似性矩阵也同样适用，该算法以其简单、高效的优势已广泛应用于多种领域，所以也适用于大规模MIMO下的用户分簇。
本发明在大规模MIMO***下，基于单小区多用户的场景下，针对大规模MIMO中频分双工(Frequency Division Duplexing，FDD)***下信道状态信息(Channel StateInformation，CSI)的巨大开销，提出对用户进行有效的分簇处理，从而对***进行了降维，并且一定程度上降低处理维度，减少了干扰，提高了资源的利用率。
附图说明
图1为本发明中的大规模MIMO***场景示意图；
图2为本发明的总流程图；
图3为AP算法的信息传递过程图；
图4为AP算法的算法流程示意图；
图5为Q学习的算法流程示意图；
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明实施例所提供环境为大规模天线***下的单小区多用户单天线的场景，如图1所示，小区内包含一个具有M根天线的宏基站，以及小区内包含N个用户和C个用户簇(M≥N≥C)。并且在基站处存在一个分簇控制***，它的主要功能是检测用户的状态，执行分簇策略，其中用户状态包括用户的信道特性，用户的位置，用户的移动性，小区内的用户数，以及用户的QoS需求等，由于关键质量指标(Key Quality Indicators，KQI)主要针对不同业务提出的贴近用户感受的业务质量参数，所以实施例采用KQI来度量用户的QoS需求。通过合理的用户分簇，使得基站能进行有效的用户调度和资源分配，从而最大化资源利用率，提升***容量。假设在同一时刻，该小区能为Na个用户提供服务(Na＜N)。
分簇控制***监视网络中的用户状态和***容量，执行分簇算法。
具体方案过程如下：
图2给出了该发明方法的总流程，图3为AP算法的信息传递过程图，具体的步骤包括：
一种大规模MIMO***下的用户分簇方法，包括如下步骤：
S1.查找噪声用户，并剔除。剔除噪声点用户，即针对每个用户k，在一个以r为半径的空间范围内，没有搜索到其他用户，即该用户的领域集为空，那么就定义这样k用户为噪声点用户，在AP用户分簇过程不加予考虑。
针对大规模MIMO***下多用户的分簇，为了提高分簇的性能，充分利用空间资源，由于噪声点对***的性能和精度造成影响，在AP算法中，如果不对噪声点进行处理和控制，单独的一个用户可能会被当成一个簇，从而影响分簇结果，所以，对此，在分簇之前有必要对噪声点用户进行剔除。这样可以提高资源的利用率，提高***的总体性能。
在AP算法中增大P值可以提高分簇精度，但是也容易带来噪声点，这是因为在增大P的过程中会把原本不属于该簇的点也纳入了本簇中。所以提出一个“距离控制”的方法，即当用户的邻域r范围内有其他用户，该用户才会被认为是属于簇。
S2.获取用户的三维特征，计算该三维特征的相似度矩阵，三维特征包括用户信道向量，用户的相对位置以及用户的QoS需求。首先，对于大规模MIMO下的用户，获取每个用户的特征属性，包括：用户信道向量h，用户的相对位置以及用户的QoS需求，综合考量这三维的用户特性。定义用户的特征向量为
其中本发明中的h代表用户的信道特性，p代表用户间的相对位置，q代表用户的QoS需求。
提取用户的三维特征，之所以着重考量这三个属性特征，是由于：如果按照用户的传输信道h来划分，能将用户信道相似度大的用户进行分组，有利于提取分簇后的用户信道统计特性；如果按照用户的相对位置来分来划分，能在空间上有效的划分用户集群，降低了空间复杂度；如果按照用户的QoS需求来划分用户簇，能将不同类型需求的用户划分为一个共同的用户簇，从而能高效的分配资源，使得资源得到较大程度的利用，提高用户体验速率。所以综合考虑以上三维用户属性，对用户进行相似度度量计算。
当然，在分簇算法之前，需要对用户的多维属性特征进行预处理，即针对不同属性的量纲差异，对每一维的特征进行归一化处理，根据比较，本方案采用常用的线性归一化进行处理，使得数据分布在[0,1]之间。设用户属性集为X＝(xij)n×3，其中每一行代表一个用户n，他的特征属性为有3项。则归一化后的用户集为
其中xjmin和xjmax分别为第j列的最小值和最大值。
xi和xj之间的距离差很小时，该值约为1，距离差很大时，改值约为0，所以，控制了数据在[0,1]分布范围。归一化后可以消除了各参数量纲的影响，更真实地反映了各参数对综合指标的贡献大小，用户的特征向量归一化后为：
在计算用户间的相关性时，会导致计算的复杂，为了降低对高维数据的处理复杂度，对数据进行降维处理，从而可以得到用户之间的相似度。
值得注意的是：用户分簇的目的是：使用户间信道和位置的相关性越大，而用户业务需求的相关性越小的用户分为一簇，所以，针对用户的第三维QoS需求的相关性度量采用负值。并且用距离函数来表示相关性的大小，由于距离越近表示相似性越大，所以这里用负的距离来表示相似性，即Sij越大，表示用户i和用户j之间的信道和位置的相关性越大，而用户业务需求的相关性越小，即：
其中S1，S2，S3分别代表用户三维特征属性对应的相似度，并且特征属性对应的权重因子满足：
ωi∈[0,1]。
针对不同的特征属性，用不同的距离函数来表征该维度的相似性，由于用户的传输信道h为矢量，所以，综合考虑，这里采用Fubini-Study距离来表征用户信道间的相似性，计算不同归一化的信道矢量之间的自相关的投影作为信道方向的相似性度量，并用反余弦函数放大差异，夹角越小，表示信道的相似性就越大；针对用户的相对位置与QoS需求，这里采用欧式距离来表征相似度，所以可以得到以下针对不同属性的相似度计算，即：
S3＝Qij＝|QoSi-QoSj|
由此可以得到相似度矩阵S，其中hi，hj分别表示用户i和用户j的信道特性,pi，pj代表用户i和用户j的相对位置，分别用坐标(xi,yi)，(xj,yj)表示，QoSi，QoSj分别代表用户i和用户j的QoS需求，这里参考LTE的KPI(关键性能指标)针对不同业务需求给用户设定相应的度量指标。
S3.根据相似度矩阵，采用AP算法进行用户分簇。初始化吸引度和归属度矩阵为0，设置适当的迭代次数T和阻尼因子λ。
S301.由相似度矩阵S，可获取对每个用户k的相似度矩阵的中位值并作为用户k的参考度赋值给参考度P(k)，对于每个用户k，迭代计算与其他用户i之间归属度a(i,k)和吸引度r(i,k)，做以下计算T次：
(a)按照
计算吸引度矩阵rt(i,k)和归属度矩阵at(i,k)，i＝1,2,...,n。
其中，k'代表除用户k的其他用户，i'代表除用户i以外的其他用户。
(b)为了避免数据振荡，AP算法更新a和r时引入了衰减系数λ。即每个a和r被设置它前次迭代更新值的λ倍加上本次更新值的1-λ倍。其中，衰减系数λ是介于0到1之间的实数：
r∧t+1(i,k)＝(1-λ)rt+1(i,k)+λrt∧(i,k)
at+1∧(i,k)＝(1-λ)at+1(i,k)+λat∧(i,k)
更新吸引度矩阵rt+1(i,k)和归属度矩阵at+1(i,k)。
S302.根据计算获得的相关性矩阵S，求出对每个用户k的相似度矩阵的中位值并作为用户k的参考度，引入阻尼因子交替更新吸引度和归属度；
S303.对于每个用户k，计算用户的吸引度和归属度之和e(k,k)＝r(k,k)+a(k,k)，判断是否大于0，若是则为簇类中心，添加至存放簇类中心的集合，得到用户的簇类中心集；
S304.根据距离最小原则，将各用户分配到相应的簇类中。
S4.用户分簇完成后，为了能够适应动态变化的用户环境，实现实时的为用户进行最佳的分组和资源分配，引入Q学习，从而对当前用户分簇的状态进行学习和预测，并重新设定该用户的分簇结果，增强用户对环境的动态适应性，满足用户的QoS的同时降低用户间的干扰，提高***的稳定性和容量。
S4具体包括如下：
S401.随着定义用户特征属性的变化，定义用户的动作集合A和状态集合St，并初始化在状态s下动作a得到的总体回报的一个估计Q(s,a)为0，动作集合A表示选择的用户簇的编号的集合，St＝{e,d,j}，其中，e表示用户的移动性，d表示每个用户簇中的用户数和总的用户数的比值，j表示用户与簇类中心的相似度；
S402.观察状态集合St并执行相应的at，使得Qt(St,at)值最大，下标t表示迭代的次数；
S403.定义即时回报函数R，并计算当下St,at下的即时回报值Rt(St,at)；
S404.观察新状态St+1,并根据Rt计算更新Qt+1；
S405.直到收敛，最后得到最大累积回报值的动作集。
Q学习算法具体描述如下，可参考图5：
该算法由状态集合，动作集合，以及累计的奖惩值构成，状态集合定义为：St＝{e,d,j}，其中，e表示用户的移动性，用“0”表示用户状态不变，用“1”表示用户状态改变，比如大幅移动，离开聚集地等；d表示***的负载，即每个用户簇中的用户数和总的用户数的比值，j表示用户与簇类中心的相似度，这里可以参考之前的相似度计算，用距离函数来表征各个维度的相似度，并加权计算得到最后的相似度，即用户k与簇类中心Ci的相关性为:
动作集合A＝{1,2,3,...,m}，其中，1,2,3,...,m分别表示选择簇1，簇2，簇3，......，簇m，即表示选择的用户簇的编号。即时回报R(s,a)能够激励Agent在给定状态s下合理选择动作a，用来评估在状态s下，用户加入某个簇时产生的即时回报。由于用户间的相似度、状态的变化等因素，选择加入不同的用户簇将会对***性能产生不同的影响，采取动作后，环境给Agent的回报为：对应的有用信号与产生的干扰信号的比值。Q(s,a)表示对状态s下动作a得到的总体回报的一个估计,对每个s，a初始化表项Q(s,a)为0。故此每次迭代，根据获得的回报函数R(s,a)更新其策略：
其中0≤α≤1，表示学习率，控制学习的速率；0≤γ≤1，表示折扣因子，其大小表示关注之前动作的影响程度。下标t表示迭代的次数，随着t→∞，若每对(s,a)的Q值能够经历无穷多次更新，且α递减至0，则Qt(s,a)将以概率1收敛到最优值
如此循环下去，通过不断地“试错”学习最终目标是找到每个状态的最佳策略π*(s)∈A以最大化期望的长期累积回报。此时，最优策略π*(s)可以由下式得到：
根据大规模MIMO的用户特性，在保证用户体验速率和资源利用率的前提下，对用户进行最优的分簇选择，每次接入选择策略为：最大化该用户的有用信号与该用户对其他用户簇产生的干扰信号大比值，从而最小化簇间干扰，并且能有效提升***的容量，由此定义回报函数R为：
其中Lg,k代表用户k在用户簇g中的有用信号Ug,k和对其他用户簇产生的干扰信号
的比，
表示用户k在除用户簇g外的其他用户簇中的对应的最大L值，其中的相关表达式如下：
其中由于用户分簇是基于最小化簇间干扰和降低***处理维度的目的，所以，在用户分簇之后，将利用联合空间分割和复用(Joint Spatial Division andMultiplexing，JSDM)和正交频分多址(Orthogonal Frequency Division MultipleAccess，OFDMA)来调用分簇后的用户，由此提出JS-OF(Joint Spatial Division andMultiplexing-Orthogonal Frequency Division Multiple Access)的概念，即针对分簇完成后的小区用户，用户簇之间复用相同的时频资源，簇内用户采用正交的资源，并且利用两级预编码，从空间角度进一步消除簇间干扰和簇内干扰。
大规模MIMO场景下根据波束赋形和正交的资源来最小化簇内用户的干扰，本实施例采用迫零波束赋形，可以得到用户k在用户簇g内的有用信号Ug,k和用户k对其他组用户簇g'中的用户产生的干扰和
的表达式为：
其中Sg'为用户簇g'内服务的用户数，k'为用户簇g'中的用户，由于用户簇之间使用相同的资源，簇内用户使用正交的资源，所以这里的干扰重点考察用户k对其他簇成员的干扰。其中Bg为用户簇g的一级预编码矩阵，由用户簇的协方差矩阵计算所得，pg,k为用户k在用户簇g中的二级预编码，为传统的预编码，本实施例采用迫零预编码。
总的来说，由于大规模MIMO下多用户分布时的用户分簇结果将会影响波束赋形以及整个***的容量和复杂度，所以，提出大规模MIMO***下的一种用户分簇方法和装置。本方法和装置通过分析用户多维的特征来获取用户之间的相关性，并利用AP算法的优势，来稳定的生成用户簇，特别是用户信道等特征相关性较高时，可以提高***速率，有效降维。并且为了适应动态变化的用户状态，在保证用户体验速率和资源利用率的前提下，利用Q学习选择最佳的分簇接入，加强分簇效果。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (3)
1.一种大规模MIMO***下的用户分簇方法，其特征在于，包括如下步骤：
S1.查找噪声用户，并剔除,具体为根据用户的位置信息，以用户为中心，在r为半径的空间范围内搜索其他用户，若没有搜索到其他用户，则定义此用户为噪声用户，并予以剔除；
S2.获取用户的三维特征，三维特征包括用户信道向量，用户的相对位置以及用户的QoS需求,定义用户的三维特征为
h代表用户的信道特性，p代表用户间的相对位置，q代表用户的QoS需求，计算该三维特征的相似度矩阵
其中S1，S2，S3分别代表用户三维特征属性对应的相似度，并且特征属性对应的权重因子满足：
f(xij)表示对xij进行归一化；
S3.根据相似度矩阵，采用AP算法进行用户分簇；具体包括步骤S301-S304：
S301.根据相似度矩阵，计算用户与其他用户之间的吸引度和归属度，对于每个用户k，
迭代计算与其他用户i之间归属度a(i,k)和吸引度r(i,k)，做以下计算T次：按照
计算吸引度矩阵rt(i,k)和归属度矩阵at(i,k)，i＝1,2,...,n，其中，k'代表除用户k的其他用户，i’代表除用户i以外的其他用户；
S302.引入阻尼因子交替更新吸引度和归属度，AP算法更新a和r时引入了衰减系数λ，即每个a和r被设置它前次迭代更新值的λ倍加上本次更新值的1-λ倍，其中，衰减系数λ是介于0到1之间的实数：
r^…+1(i,k)＝(1-λ)rt+1(i,k)+λrt^(i,k)
at+1^(i,k)＝(1-λ)at+1(i,k)+λat^(i,k)
更新吸引度矩阵rt+1(i,k)和归属度矩阵at+1(i,k)；
S303.计算用户的吸引度和归属度之和，判断是否大于0，若是则为簇类中心，添加至存放簇类中心的集合，得到用户簇类中心集；
S304.根据距离最小原则，将各用户分配到相应的簇类中；
S4.采用Q学习，对用户分簇的状态进行学习和预测，获得最终的分簇结果；具体包括步骤S401-S405如下：
S401.定义用户的动作集合A和状态集合St；Q(s,a)为在状态s下动作a得到的总体回报的估计，初始值为0；动作集合A表示选择的用户簇的编号的集合，状态集合St＝{e,d,j}，e表示用户的移动性，d表示每个用户簇中的用户数和总的用户数的比值，j表示用户与簇类中心的相似度；
S402.观察状态集合St并执行相应的at，使得总体回报的估计Qt(St,at)值最大，下标t表示迭代的次数；
S403.定义即时回报函数R，并计算当下St,at下的即时回报值Rt；
S404.观察新状态集合St+1,并根据即时回报值Rt计算更新Qt+1；
S405.直到收敛，最后得到最大累积回报值的动作集即为最终的分簇结果。
2.如权利要求1所述的一种大规模MIMO***下的用户分簇方法，其特征在于：所述S2中，先对三维特征进行归一化和降维处理，再计算相似度矩阵。
3.如权利要求1所述的一种大规模MIMO***下的用户分簇方法，其特征在于：所述三维特征的相似度矩阵包括采用Fubini-Study距离来表征用户信道向量间的相似度,及采用欧式距离来表征用户的相对位置和QoS需求的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811511360.2A CN109412661B (zh) | 2018-12-11 | 2018-12-11 | 一种大规模mimo***下的用户分簇方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811511360.2A CN109412661B (zh) | 2018-12-11 | 2018-12-11 | 一种大规模mimo***下的用户分簇方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109412661A CN109412661A (zh) | 2019-03-01 |
| CN109412661B true CN109412661B (zh) | 2020-12-11 |
Family
ID=65458451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811511360.2A Active CN109412661B (zh) | 2018-12-11 | 2018-12-11 | 一种大规模mimo***下的用户分簇方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109412661B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110266350A (zh) * | 2019-04-30 | 2019-09-20 | 中国联合网络通信集团有限公司 | 波束分配方法及装置 |
| CN111464230B (zh) * | 2020-03-24 | 2022-07-05 | 深圳市航天华拓科技有限公司 | 卫星波束内用户调度方法和装置 |
| CN112367104B (zh) * | 2021-01-12 | 2021-04-20 | 南京邮电大学 | 用于毫米波mimo的基于移相器的联合空分复用方法 |
| CN117998421B (zh) * | 2024-04-07 | 2024-05-31 | 西南科技大学 | 全局用户速率最优的跨层ap改进聚类方法、介质及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN107690176A (zh) * | 2017-09-30 | 2018-02-13 | 南京南瑞集团公司 | 一种基于q学习算法的网络选择方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103338517A (zh) * | 2013-06-04 | 2013-10-02 | 北京邮电大学 | 一种基于高性能处理器的基站多点协同***的分簇方法 |
| US9877267B2 (en) * | 2014-10-23 | 2018-01-23 | Lg Electronics Inc. | Method for terminal clustering in wireless communication system supporting device-to-device communication and apparatus therefor |
| CN105848097B (zh) * | 2016-06-23 | 2019-03-08 | 华中科技大学 | 一种d2d下基于信道相关性的用户群组划分方法 |
| CN106899338B (zh) * | 2017-04-19 | 2021-03-16 | 北京工业大学 | 大规模mimo***下行链路中基于密度的用户分组方法 |
-
2018
- 2018-12-11 CN CN201811511360.2A patent/CN109412661B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN107690176A (zh) * | 2017-09-30 | 2018-02-13 | 南京南瑞集团公司 | 一种基于q学习算法的网络选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109412661A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109412661B (zh) | 一种大规模mimo***下的用户分簇方法 | |
| Xia et al. | Federated-learning-based client scheduling for low-latency wireless communications | |
| Wang et al. | Content-based vehicle selection and resource allocation for federated learning in IoV | |
| CN111132264B (zh) | 多用户mimo-noma***下行链路的用户分簇方法 | |
| CN104993889A (zh) | 一种基于人工蜂群算法的多频带协作频谱感知优化方法 | |
| Zhang et al. | Deep learning based user association in heterogeneous wireless networks | |
| CN109195214A (zh) | 一种基于遗传算法的noma功率分配方法 | |
| He et al. | Joint user scheduling and beamforming design for multiuser MISO downlink systems | |
| Sun et al. | A joint learning and game-theoretic approach to multi-dimensional resource management in fog radio access networks | |
| Qian et al. | Enabling fully-decoupled radio access with elastic resource allocation | |
| Hao et al. | Pilot allocation algorithm based on K-means clustering in cell-free massive MIMO systems | |
| Ye et al. | Balanced multi-access edge computing offloading strategy in the Internet of things scenario | |
| Omslandseter et al. | User grouping and power allocation in NOMA systems: a novel semi-supervised reinforcement learning-based solution | |
| CN113938360A (zh) | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 | |
| Wu et al. | Joint edge aggregation and association for cost-efficient multi-cell federated learning | |
| Qin et al. | Joint Optimization of Base Station Clustering and Service Caching in User-Centric MEC | |
| Skocaj et al. | Uplink scheduling in federated learning: An importance-aware approach via graph representation learning | |
| Tian et al. | Hierarchical federated learning with adaptive clustering on non-IID data | |
| Zhu et al. | Mmwave massive MIMO: one joint beam selection combining cuckoo search and ant colony optimization | |
| Tong et al. | Cooperative spectrum sensing based on a modified shuffled frog leaping algorithm in 5G network | |
| CN112243283B (zh) | 基于成功传输概率的Cell-Free Massive MIMO网络分簇计算方法 | |
| CN113543145A (zh) | Noma***用户配对和功率分配联合优化方法及装置 | |
| Jiang et al. | Dueling double deep q-network based computation offloading and resource allocation scheme for internet of vehicles | |
| Pang et al. | An Efficient Computing Offloading Scheme Based on Privacy‐Preserving in Mobile Edge Computing Networks | |
| Wu et al. | Energy efficiency optimization in downlink NOMA-enabled fog radio access network based on deep reinforcement learning |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210901 Address after: Siming District of Xiamen city in Fujian Province, 361000 South Siming Road No. 422 Patentee after: XIAMEN University Patentee after: Jingxin Network System Co.,Ltd. Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: XIAMEN University Patentee before: COMBA TELECOM SYSTEMS (GUANGZHOU) Ltd. |