CN113194031A - 雾无线接入网内结合干扰抑制的用户聚类方法及*** - Google Patents
雾无线接入网内结合干扰抑制的用户聚类方法及*** Download PDFInfo
- Publication number
- CN113194031A CN113194031A CN202110444218.6A CN202110444218A CN113194031A CN 113194031 A CN113194031 A CN 113194031A CN 202110444218 A CN202110444218 A CN 202110444218A CN 113194031 A CN113194031 A CN 113194031A
- Authority
- CN
- China
- Prior art keywords
- user
- clustering
- cluster
- access network
- data space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001629 suppression Effects 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006854 communication Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 11
- 101150071746 Pbsn gene Proteins 0.000 claims description 7
- 239000003595 mist Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 2
- 230000000116 mitigating effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 20
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 241000854291 Dianthus carthusianorum Species 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
- G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- 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
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种雾无线接入网内结合干扰抑制的用户聚类方法及***,所述方法包括:S1,获取用户位置坐标、业务类型信息;S2,进行归一化、加权组合处理;S3,对处理后的数据空间进行拉普拉斯特征映射;S4,随机初始化聚类数目k=2对应的质心坐标;根据最小距离原则进行分簇匹配,获得用户簇;对每个用户簇的数据求取每个维度的平均值并作为计算后的质心坐标对原聚类中心进行更新;S5,判断每个用户簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并执行步骤S4,否则跳转执行步骤S6;S6,判断迭代后的聚类中心是否不再改变,若满足则输出聚类结果,否则执行步骤S4。本发明利用F‑RAN的特性在用户聚类过程中进行干扰抑制。
Description
技术领域
本发明属于移动通信接入网用户聚类领域,涉及5G雾无线接入网、接入网用户聚类、机器学习领域,特别涉及一种雾无线接入网内结合干扰抑制的用户聚类方法及***。
背景技术
由于5G时代移动通信网络接入用户数的指数式增长,设备间的同频干扰以及频谱资源的稀缺成为用户服务质量的主要掣肘。在此背景下,雾无线接入网(Fog Radio AccessNetwork,F-RAN)作为5G接入网解决方案之一引起广泛关注。得益于丰富的雾计算节点以及具有分布式的信号处理和资源管理能力,F-RAN架构可以有效降低网络时延并提高用户服务质量。
此外,移动设备数量的不断增加与稀缺的频谱资源之间的矛盾导致未来的移动通信网络中必须在多个设备间共享无线资源,非正交多址接入(Non-orthogonal MultipleAccess,NOMA)技术是提高频谱资源利用率的有效途径。F-RAN内设备间(Device-to-Device,D2D)通信模式可以通过上述方式增加小区内的复用增益,对提高频谱利用率具有重要意义。由于频谱复用导致的同频干扰问题极大的限制了网络的性能,因此人们对网络中的干扰抑制问题进行了大量的研究。然而现有的方案中都是通过对用户设备进行波束赋形和功率控制进行干扰抑制,在5G海量接入场景下设备间距离减少且分簇数目增多,传统方法中设备层面的干扰抑制方案难以保障本研究场景下分簇后用户设备的服务质量;另外,目前关于用户聚类方式的研究大部分是基于设备物理位置等信息的原型聚类方案,忽视了设备间的干扰信息。可以利用5G雾无线接入网内的优良特性对上述问题进行改进,使得在聚类过程中考虑到用户间的干扰信息。
综上,亟需一种新的5G雾无线接入网内结合干扰抑制的用户聚类方法及***。
发明内容
本发明的目的在于提供一种雾无线接入网内结合干扰抑制的用户聚类方法及***,利用F-RAN的特性在用户聚类过程中进行干扰抑制,对于解决上述现有技术存在的问题具有重要作用且具有创新性意义。
为达到上述目的,本发明采用以下技术方案:
本发明的一种雾无线接入网内结合干扰抑制的用户聚类方法,包括以下步骤:
S1,获取用户位置坐标、业务类型信息;
S2,将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间;
S3,对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间;
S4,基于所述特征数据空间,随机初始化聚类数目k=2对应的质心坐标;计算用户与每个聚类中心的距离,根据最小距离原则进行分簇匹配,获得用户簇;对每个用户簇的数据求取每个维度的平均值并作为计算后的质心坐标对原聚类中心进行更新;
S5,判断每个用户簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并返回执行步骤S4,否则跳转执行步骤S6;
S6,基于预设收敛条件,判断迭代后的聚类中心是否不再改变,若满足则完成用户聚类并输出聚类结果,否则返回执行步骤S4。
本发明的进一步改进在于,步骤S1具体包括:
雾无线接入网控制器通过雾接入节点获取用户位置坐标、业务类型信息。
本发明的进一步改进在于,步骤S2具体包括:
将用户位置坐标、业务类型进行MinMax归一化、加权组合处理;其中,加权组合处理包括:对用户位置坐标和业务类型分别乘以位置权重ω1、类型权值ω2之后开始聚类,通过改变ω1,ω2的值更改业务类别对于距离的影响程度。
本发明的进一步改进在于,步骤S2中,通过改变ω1,ω2的值更改业务类别对于距离的影响程度的步骤包括:
ω1=1,ω2=0:仅基于用户位置坐标;
ω1=ω2=0.5:平等考虑用户位置坐标和业务类型;
ω1=0.2,ω2=0.8:侧重于业务类别。
本发明的进一步改进在于,步骤S3具体包括:
在特征映射过程中,用户收到的簇间干扰表示为:
式中,Cl、Mn分别为用户-分簇指示阵和用户-物理资源块指示阵对应的列向量;W是根据核函数构成的邻接矩阵,其对应位置的权重Wij表示对应位置用户间的同频干扰;l表示用户簇索引,p表示用户簇总数,若用户i属于簇1则cil=1;n表示用户附着的PRB索引,k表示PRB总数,若用户i附着于PRBn则min=1;方括号内表示复用同一个PRB且属于不同簇的所有用户设备;
核函数表示为:
κ(xi,xj)=K(||xi-xj||)-α
式中,K=Pξ>0,是一个由F-UE发射功率和路径损耗确定的参数;α是基于天线特性和平均路径损耗的常系数参数;xi,xj是核函数的两个输入变量;
计算每个节点的度,并构成度矩阵D=diag(d1,…,dn),节点的度的计算表达式为,
式中,j表示节点索引,N表示节点总数,di表示节点i与其所有相连节点对应权重之和;
拉普拉斯矩阵L=D-W,根据式L=D-1/2LD-1/2对拉普拉斯矩阵进行标准化处理,完成用户的特征映射。
本发明的一种雾无线接入网内结合干扰抑制的用户聚类***,包括:
信息获取模块,用于获取用户位置坐标、业务类型信息;
预处理模块,用于将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间;
映射模块,用于对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间;
迭代更新模块,用于根据所述特征数据空间,随机初始化聚类数目k=2对应的质心坐标;计算用户与每个聚类中心的距离,根据最小距离原则进行分簇匹配,获得用户簇;对每个用户簇的数据求取每个维度的平均值并作为计算后的质心坐标对原聚类中心进行更新;
间距判别模块,用于判断每个用户簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并返回执行迭代更新模块,否则跳转执行判别输出模块;
判别输出模块,用于根据预设收敛条件,判断迭代后的聚类中心是否不再改变,若满足则完成用户聚类并输出聚类结果,否则返回执行迭代更新模块。
本发明的进一步改进在于,所述信息获取模块中,获取用户位置坐标、业务类型信息的步骤具体包括:
雾无线接入网控制器通过雾接入节点获取用户位置坐标、业务类型信息。
本发明的进一步改进在于,所述预处理模块中,将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间的步骤具体包括:
将用户位置坐标、业务类型进行MinMax归一化、加权组合处理;其中,加权组合处理包括:对用户位置坐标和业务类型分别乘以位置权重ω1、类型权值ω2之后开始聚类,通过改变ω1,ω2的值更改业务类别对于距离的影响程度。
本发明的进一步改进在于,所述预处理模块中,通过改变ω1,ω2的值更改业务类别对于距离的影响程度的步骤包括:
ω1=1,ω2=0:仅基于用户位置坐标;
ω1=ω2=0.5:平等考虑用户位置坐标和业务类型;
ω1=0.2,ω2=0.8:侧重于业务类别。
本发明的进一步改进在于,所述映射模块中,对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间的步骤具体包括:
在特征映射过程中,用户收到的簇间干扰表示为:
式中,Cl、Mn分别为用户-分簇指示阵和用户-物理资源块指示阵对应的列向量;W是根据核函数构成的邻接矩阵,其对应位置的权重wij表示对应位置用户间的同频干扰;l表示用户簇索引,p表示用户簇总数,若用户i属于簇l则cil=1;n表示用户附着的PRB索引,k表示PRB总数,若用户i附着于PRBn则min=1;方括号内表示复用同一个PRB且属于不同簇的所有用户设备;
核函数表示为:
κ(xi,xj)=K(||xi-xj||)-α
式中,K=Pξ>0,是一个由F-UE发射功率和路径损耗确定的参数;α是基于天线特性和平均路径损耗的常系数参数;xi,xj是核函数的两个输入变量;
计算每个节点的度,并构成度矩阵D=diag(d1,…,dn),节点的度的计算表达式为,
式中,j表示节点索引,N表示节点总数,di表示节点i与其所有相连节点对应权重之和;
拉普拉斯矩阵L=D-W,根据式L=D-1/2LD-1/2对拉普拉斯矩阵进行标准化处理,完成用户的特征映射。
与现有技术相比,本发明具有以下有益效果:
针对F-RAN内设备间的同频干扰以及频谱资源的稀缺,本发明提出了一种雾无线接入网架构中的自适应用户聚类方法,该方法具有以下三个优点:
(1)通过归一化、权重组合的数据预处理方法使得簇内设备业务类型尽可能的接近,降低了对簇头设备的缓存需求,降低了网络成本并提高网络的整体性能;
(2)对比于传统的k-means和基于RBF的谱聚类,本发明方法可以有效降低D2D通信用户簇之间的干扰。
(3)本发明的方法无需进行超参数的设置,可以自适应的完成聚类任务,便于在接入节点处的自动化部署。
本发明中,基于设备间通信发射功率限制实现分簇类别的自适应调整,当分簇半径大于簇内通信距离限制则更新分簇,避免了人工配置分簇类别等操作,对于时延敏感的5G接入网具有重要意义。
本发明中,通过一种数据预处理方法实现在聚类过程中考虑用户业务类型信息,通过对物理位置和服务类型等信息归一化后进行加权组合操作,使得同簇设备间的业务类型尽可能的接近以实现降低簇头缓存需求的目的。
本发明中,提出了一种基于用户设备间路径损耗的核函数,并通过证明其对应核矩阵的有限半正定性证实了该核函数的有效性。基于本发明提出的核函数将样本点映射至具有干扰信息的特征空间,通过在特征空间进行聚类可以降低簇间干扰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种5G雾无线接入网内结合干扰抑制的用户聚类方法的流程示意图;
图2是本发明实施例中,架构及干扰示意图;其中,图2中(a)为采用的雾无线接入网架构示意图,图2中(b)为网络中的簇内干扰和簇间干扰示意图;
图3是本发明实施例方法与现有传统方法的用户聚类对比示意图;其中图3中(a)为模拟小区内用户设备分布示意图,图3中(b)为传统k-means用户聚类示意图,图3中(c)为采用RBF kernel特征映射后用户聚类示意图,图3中(d)为采用本发明中的核函数进行特征映射后用户聚类示意图;
图4是本发明实施例的聚类算法与传统算法性能对比示意图;其中,算法l是传统k-means算法,算法2是AP-k-means算法,算法3是AP-ISC算法,算法4是采用RBF kernel的谱聚类算法;图4中(a)为平均信道容量对比示意图,图4中(b)为平均同频干扰示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图2,D2D通信模式下的用户聚类,包括:在以宏基站(也即High PowerNode,HPN,大功率节点)为圆心,R为半径的小区内,定义当前状态下共有m个雾接入节点F-APs组成接入点集合AP=(FAP1,FAP2,…FAPm),n个雾计算用户设备组成用户集合F-UEs=(x1,x2,…xn)以及p个空闲物理资源块组成资源池RP=(PRB1,PRB2,…PRBp)。通信过程中所有的雾计算用户F-UE共享RP,规定同一用户簇内的通信使用同一个物理资源块PRB。
接入网络时,设备根据最短距离原则选择接入点。定义二进制指示变量aij用于指示用户-接入点匹配情况,如式(1)所示。由aij组成用户-接入点匹配矩阵An×m。
分簇之后,根据每个用户簇的簇头代替簇内其余设备接入F-AP。每个F-AP为本节点内所有的用户簇在可用资源池RP中随机选择一个PRB用于簇内通信。定义二进制变量cij用于指示用户簇与PRB的匹配情况,如式(3)所示。由cij组成用户簇-PRB匹配矩阵Ck×p。
根据以上定义可以得到PRB复用信息矩阵Mn×p=Bn×k×Ck×p,M中每一列Mj中数值为1表示对应用户设备复用PRBj,这样的设定便于计算用户设备间的同频干扰。
本发明实施例中,使用的信道模型为结合瑞利衰落和基于距离的路径损耗模型,用户xj与用户xi之间的路径增益gi,i如式(4)所示:
式中:ξ为瑞利衰落参数;dij表示用户xj与用户xi之间的距离;α是基于天线特性和平均路径损耗的常系数。根据香农公式,用户xj与xi通信时的信道容量可以表示为式(5):
Ci,j=B×log2(1+γij) (5)
其中,B为PRB对应带宽,γij表示用户xj与xi之间的信干噪比,可以由式(6)得到:
式中:Pi表示用户xj的发送功率,gij表示用户xj与xi之间的信道增益,分子整体表示用户xj接收到的有用信号功率;分母的第一项表示与用户xi受到的同频干扰功率,第二项表示噪声功率。
请参阅图1,本发明实施例的一种5G雾无线接入网内结合干扰抑制的用户聚类方法(AP-ISC算法),具体包括以下步骤:
1.雾无线接入网控制器通过每个雾接入节点获取小区内用户位置、业务类型等信息;
2.将用户坐标与业务类型进行MinMax归一化处理,并将其加权组合为新的数据空间;
3.根据本发明实施例提出的核函数将归一化后的数据映射至具有设备间干扰信息的特征数据空间;
4.随机初始化聚类数目k=2对应的质心坐标;
5.计算用户与每个聚类中心的距离,并根据最小距离原则进行分簇匹配;
6.对每个用户簇的数据求取每个维度的平均值作为新的质心坐标,并对原聚类中心进行更新;
7.判断每个簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并返回步骤4,否则执行下一步;
8.判断迭代后的聚类中心是否不再改变,若满足则完成用户聚类并输出聚类结果,否则返回步骤4。
本发明实施例中,为对比本发明中干扰抑制策略的有效性,本发明将上述流程分解为两个算法以进行仿真对比。其中,自适应用户聚类部分定义为AP-k-means算法,其具体流程如表1所示,结合干扰抑制的聚类算法定义为AP-ISC算法,其具体流程如表2所示。对比结果如图4所示。
表1.AP-k-means算法
表2 AP-ISC算法
本发明实施例中,在步骤2数据预处理过程中对用户位置和业务类型分别乘以权重ω1,ω2之后开始聚类过程,通过改变ω1,ω2的值可以更改业务类别对于距离的影响程度,例如:
ω1=1,ω2=0:仅基于UE位置;
ω1=ω2=0.5:平等考虑UE位置和业务类型;
ω1=0.2,ω2=0.8:侧重于UE业务类别。
本发明实施例中,将用户坐标与业务类型集合组合为新的空间坐标,并在所有维度上根据式(7)进行MinMax归一化处理。
随机初始化K个聚类中心坐标;
计算用户与K个聚类中心的距离,定义用户间的距离为式(8)。
将用户划分如距离最小的簇内,并更新聚类中心。
本发明实施例中,在步骤3干扰抑制过程中,为了在聚类过程中考虑到用户间的干扰信息,本发明对数据进行拉普拉斯特征映射(Laplacian Eigenmaps,LE)。LE的基本思想是将原始数据集合映射到特征空间中且保留原始数据的结构关系,即如果原始空间中接近的两个数据点在特征空间中也应该接近,同时在映射过程中还可以考虑到数据点之间额外的信息特征。本发明中定义权重值ωij表示节点ni和nj之间边的权重值,且有wij=wji。所有的权重值构成图中的权值矩阵W。在特征映射过程中,W反映了数据之间的相似度,在原型聚类中可以用两点之间的距离表征其相似度,距离越近的两个点其权重值越大。一种常用的获得全连接邻接矩阵W的方法是采用高斯核函数(Gaussian Kernel)获得两点之间的权值,用户xi与xj之间的权值wij可以用式(9)表示。
式中,σ2为高斯核函数的参数。为了在特征空间中考虑到用户设备之间的干扰信息,本发明研究中设计核函数如式(10)所示:
κ(xi,xj)=K(||xi-xj||)-α (10)
其中,K=Pξ>0,是一个由F-UE发射功率和路径损耗确定的参数;α是基于天线特性和平均路径损耗的常系数参数;xi,xj是核函数的两个输入变量(节点),本发明中即是预处理后的两个用户数据点,通过式(10)得到二者对应的权重值ωij。
本发明实施例中,样本空间内有效核函数的证明如下。
证明:根据定义,D维样本空间中任意两点x(i)和x(j)有κ(x(i),x(j))=K(||xi-xj||)-α
在样本空间中任取一点y,有:
根据式(11)可得,核函数对应的核矩阵在样本空间内具有半正定性,故其是一个有效的核函数。
根据前述设定,用户收到的簇间干扰可以表示为:
其中Cl、Mn分别为用户-分簇指示阵和用户-PRB指示阵对应的列向量,W是根据式8所示的核函数构成的邻接矩阵,其对应位置的权重wij表示对应位置用户间的同频干扰。l表示用户簇索引,p表示小区内用户簇总数,若用户i属于簇1则cil=1;n表示用户附着的PRB索引,k表示小区内可以PRB总数,若用户i附着于PRBn,则min=1。方括号内表示复用同一个PRB且属于不同簇的所有用户设备,W表示设备间的同频干扰数值。
随后根据式(15)计算每个节点的度,并构成度矩阵D=diag(d1,…,dn)。
式(15)中,j表示节点索引,N表示节点总数,di表示节点i与其所有相连节点对应权重之和。
将度矩阵与邻接矩阵相减得到拉普拉斯矩阵L=D-W,并根据式L=D-1/2LD-1/2对拉普拉斯矩阵进行标准化处理,至此完成了用户的特征映射。特征映射后的样本空间考虑到了用户之间的干扰程度,设备间的干扰越大其对应的权重就会越大。通常谱聚类算法在特征映射后会进行降维处理,即对特征空间进行特征值分解,并选取其中最大的m个特征值{λ1,…,λm}对应的特征向量{ξ1,…,ξm}组成新的样本空间,并对其进行原型聚类,以获得分类成簇的结果。本发明中的样本空间只有横坐标、纵坐标以及切片类型3个维度,且考虑到降维会丢失数据中的一些信息,因此不对数据进行降维处理。
本发明实施例中,通过计算机对本发明中聚类算法的平均信道容量和簇间干扰进行仿真,具体参数如表3所示,仿真结果如图4所示,其中算法1是传统k-means算法,算法2是AP-k-means算法,算法3是AP-ISC算法,算法4是采用RBF kernel的谱聚类算法。从图4的仿真结果中可以得出,算法1、2、4都是在样本空间内的聚类,其性能表现基本相同,平均簇间干扰和平均信道容量随可用资源块的增加近似线性增加,且改善的程度较低;算法3是在样本空间内的聚类方案,随着可用PRB数目的增加用户的服务质量近似对数增长,较其它算法具有较大的提升。由于网络的资源受限,用于分配给D2D通信的空闲资源块数目通常较少,本节提出的AP-ISC算法可以在PRB数目较少时有效的降低用户的簇间干扰,进而提高用户的服务质量。
表3仿真参数设置
综上,本发明实施例涉及一种5G移动边缘计算架构下的结合干扰抑制的用户聚类算法。针对5G海量接入场景下无线资源稀缺以及同频干扰叠加问题,本发明首先提出一种结合用户业务类别的自适应聚类算法,随后提出一种基于设备间干扰信息的核函数并证明其有效性,在此基础上将小区内的接入用户进行特征映射后的聚类算法。最后将本文提出的聚类算法应用于F-RAN内的用户接入模式选择流程中。计算机仿真表明在保障用户服务质量的前提下本算法可以降低簇间干扰,提高小区用户的平均信道容量并节约前传网络负担。本发明涉及移动通信网接入用户聚类、干扰抑制、无线通信。
本发明中,通过设计一种数据预处理方案实现在聚类过程中考虑用户业务类型信息,通过对物理位置和服务类型等信息归一化后进行加权组合操作,使得同簇设备间的业务类型尽可能的接近以实现降低簇头缓存需求的目的。随后设计了一种基于用户设备间路径损耗的核函数,并通过证明其对应核矩阵的有限半正定性证实了该核函数的有效性。基于本发明提出的核函数将样本点映射至具有干扰信息的特征空间,通过在特征空间进行聚类可以降低簇间干扰。最后基于设备间通信发射功率限制实现了分簇类别的自适应调整,当分簇半径大于簇内通信距离限制则更新分簇,避免了人工配置分簇类别等操作,对于时延敏感的5G接入网具有重要意义。综上,针对F-RAN内设备间的同频干扰以及频谱资源的稀缺,本发明设计出一种雾无线接入网架构中的自适应用户聚类算法,该算法具有以下三个优点:首先,通过设计数据预处理方法使得簇内设备业务类型尽可能的接近,降低了对簇头设备的缓存需求,降低了网络成本并提高网络的整体性能;第二,对比于传统的k-means和基于RBF的谱聚类,本算法可以有效降低D2D通信用户簇之间的干扰。第三,算法无需进行超参数的设置,该算法可以自适应的完成聚类任务,便于在接入节点处的自动化部署。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种雾无线接入网内结合干扰抑制的用户聚类方法,其特征在于,包括以下步骤:
S1,获取用户位置坐标、业务类型信息;
S2,将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间;
S3,对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间;
S4,基于所述特征数据空间,随机初始化聚类数目k=2对应的质心坐标;计算用户与每个聚类中心的距离,根据最小距离原则进行分簇匹配,获得用户簇;对每个用户簇的数据求取每个维度的平均值并作为计算后的质心坐标对原聚类中心进行更新;
S5,判断每个用户簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并返回执行步骤S4,否则跳转执行步骤S6;
S6,基于预设收敛条件,判断迭代后的聚类中心是否不再改变,若满足则完成用户聚类并输出聚类结果,否则返回执行步骤S4。
2.根据权利要求1所述的一种雾无线接入网内结合干扰抑制的用户聚类方法,其特征在于,步骤S1具体包括:
雾无线接入网控制器通过雾接入节点获取用户位置坐标、业务类型信息。
3.根据权利要求1所述的一种雾无线接入网内结合干扰抑制的用户聚类方法,其特征在于,步骤S2具体包括:
将用户位置坐标、业务类型进行MinMax归一化、加权组合处理;其中,加权组合处理包括:对用户位置坐标和业务类型分别乘以位置权重ω1、类型权值ω2之后开始聚类。
4.根据权利要求3所述的一种雾无线接入网内结合干扰抑制的用户聚类方法,其特征在于,步骤S2中,基于用户位置坐标时,ω1=1,ω2=0;平等考虑用户位置坐标和业务类型时,ω1=ω2=0.5;侧重于业务类别时,ω1=0.2,ω2=0.8。
5.根据权利要求1所述的一种雾无线接入网内结合干扰抑制的用户聚类方法,其特征在于,步骤S3具体包括:
在特征映射过程中,用户收到的簇间干扰表示为:
式中,Cl、Mn分别为用户-分簇指示阵和用户-物理资源块指示阵对应的列向量;W是根据核函数构成的邻接矩阵,其对应位置的权重wij表示对应位置用户间的同频干扰;l表示用户簇索引,p表示用户簇总数,若用户i属于簇l则cil=1;n表示用户附着的PRB索引,k表示PRB总数,若用户i附着于PRBn则min=1;方括号内表示复用同一个PRB且属于不同簇的所有用户设备;
核函数表示为:
κ(xi,xj)=K(||xi-xj||)-α
式中,K=Pξ>0,是一个由F-UE发射功率和路径损耗确定的参数;α是基于天线特性和平均路径损耗的常系数参数;xi,xj是核函数的两个输入变量;
计算每个节点的度,并构成度矩阵D=diag(d1,…,dn),节点的度的计算表达式为,
式中,j表示节点索引,N表示节点总数,di表示节点i与其所有相连节点对应权重之和;
拉普拉斯矩阵L=D-W,根据式L=D-1/2LD-1/2对拉普拉斯矩阵进行标准化处理,完成用户的特征映射。
6.一种雾无线接入网内结合干扰抑制的用户聚类***,其特征在于,包括:
信息获取模块,用于获取用户位置坐标、业务类型信息;
预处理模块,用于将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间;
映射模块,用于对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间;
迭代更新模块,用于根据所述特征数据空间,随机初始化聚类数目k=2对应的质心坐标;计算用户与每个聚类中心的距离,根据最小距离原则进行分簇匹配,获得用户簇;对每个用户簇的数据求取每个维度的平均值并作为计算后的质心坐标对原聚类中心进行更新;
间距判别模块,用于判断每个用户簇内设备间距离是否超过D2D通信阈值,若超过则聚类数目k=k+1并返回执行迭代更新模块,否则跳转执行判别输出模块;
判别输出模块,用于根据预设收敛条件,判断迭代后的聚类中心是否不再改变,若满足则完成用户聚类并输出聚类结果,否则返回执行迭代更新模块。
7.根据权利要求6所述的一种雾无线接入网内结合干扰抑制的用户聚类***,其特征在于,所述信息获取模块中,获取用户位置坐标、业务类型信息的步骤具体包括:
雾无线接入网控制器通过雾接入节点获取用户位置坐标、业务类型信息。
8.根据权利要求6所述的一种雾无线接入网内结合干扰抑制的用户聚类***,其特征在于,所述预处理模块中,将用户位置坐标、业务类型进行归一化、加权组合处理,获得处理后的数据空间的步骤具体包括:
将用户位置坐标、业务类型进行MinMax归一化、加权组合处理;其中,加权组合处理包括:对用户位置坐标和业务类型分别乘以位置权重ω1、类型权值ω2之后开始聚类,通过改变ω1,ω2的值更改业务类别对于距离的影响程度。
9.根据权利要求8所述的一种雾无线接入网内结合干扰抑制的用户聚类***,其特征在于,所述预处理模块中,通过改变ω1,ω2的值更改业务类别对于距离的影响程度的步骤包括:
ω1=1,ω2=0:仅基于用户位置坐标;
ω1=ω2=0.5:平等考虑用户位置坐标和业务类型;
ω1=0.2,ω2=0.8:侧重于业务类别。
10.根据权利要求6所述的一种雾无线接入网内结合干扰抑制的用户聚类***,其特征在于,所述映射模块中,对所述处理后的数据空间进行拉普拉斯特征映射,映射至具有设备间干扰信息的特征数据空间的步骤具体包括:
在特征映射过程中,用户收到的簇间干扰表示为:
式中,Cl、Mn分别为用户-分簇指示阵和用户-物理资源块指示阵对应的列向量;W是根据核函数构成的邻接矩阵,其对应位置的权重wij表示对应位置用户间的同频干扰;l表示用户簇索引,p表示用户簇总数,若用户i属于簇l则cil=1;n表示用户附着的PRB索引,k表示PRB总数,若用户i附着于PRBn则min=1;方括号内表示复用同一个PRB且属于不同簇的所有用户设备;
核函数表示为:
κ(xi,xj)=K(||xi-xj||)-α
式中,K=Pξ>0,是一个由F-UE发射功率和路径损耗确定的参数;α是基于天线特性和平均路径损耗的常系数参数;xi,xj是核函数的两个输入变量;
计算每个节点的度,并构成度矩阵D=diag(d1,…,dn),节点的度的计算表达式为,
式中,j表示节点索引,N表示节点总数,di表示节点i与其所有相连节点对应权重之和;
拉普拉斯矩阵L=D-W,根据式L=D-1/2LD-1/2对拉普拉斯矩阵进行标准化处理,完成用户的特征映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444218.6A CN113194031B (zh) | 2021-04-23 | 2021-04-23 | 雾无线接入网内结合干扰抑制的用户聚类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444218.6A CN113194031B (zh) | 2021-04-23 | 2021-04-23 | 雾无线接入网内结合干扰抑制的用户聚类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113194031A true CN113194031A (zh) | 2021-07-30 |
CN113194031B CN113194031B (zh) | 2023-03-31 |
Family
ID=76978302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110444218.6A Active CN113194031B (zh) | 2021-04-23 | 2021-04-23 | 雾无线接入网内结合干扰抑制的用户聚类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113194031B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968426A (zh) * | 2019-11-29 | 2020-04-07 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
CN114363988A (zh) * | 2021-12-10 | 2022-04-15 | 北京佰才邦技术股份有限公司 | 分簇方法、装置和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059777A1 (en) * | 2010-09-03 | 2012-03-08 | The University Of Utah Research Foundation | Characterizing datasets using sampling, weighting, and approximation of an eigendecomposition |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN107169500A (zh) * | 2017-03-09 | 2017-09-15 | 中国矿业大学 | 一种基于邻域粗糙集约减的谱聚类方法及*** |
US20180131575A1 (en) * | 2016-11-07 | 2018-05-10 | Beijing Jiaotong University | Method for clustering wireless channel mpcs based on a kpd doctrine |
CN109033415A (zh) * | 2018-08-06 | 2018-12-18 | 浙江大学 | 一种基于拉普拉斯特征映射的多维神经信号的降维和可视化方法 |
CN109190661A (zh) * | 2018-07-26 | 2019-01-11 | 安徽师范大学 | 一种基于差分隐私保护的谱聚类方法 |
CN109327838A (zh) * | 2018-11-20 | 2019-02-12 | 吉林大学 | 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 |
CN109409407A (zh) * | 2018-09-19 | 2019-03-01 | 西安理工大学 | 一种基于le算法的工业监测数据聚类方法 |
CN110753065A (zh) * | 2019-10-28 | 2020-02-04 | 国网河南省电力公司信息通信公司 | 网络行为检测方法、装置、设备及存储介质 |
US10685008B1 (en) * | 2016-08-02 | 2020-06-16 | Pindrop Security, Inc. | Feature embeddings with relative locality for fast profiling of users on streaming data |
-
2021
- 2021-04-23 CN CN202110444218.6A patent/CN113194031B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059777A1 (en) * | 2010-09-03 | 2012-03-08 | The University Of Utah Research Foundation | Characterizing datasets using sampling, weighting, and approximation of an eigendecomposition |
US10685008B1 (en) * | 2016-08-02 | 2020-06-16 | Pindrop Security, Inc. | Feature embeddings with relative locality for fast profiling of users on streaming data |
US20180131575A1 (en) * | 2016-11-07 | 2018-05-10 | Beijing Jiaotong University | Method for clustering wireless channel mpcs based on a kpd doctrine |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN107169500A (zh) * | 2017-03-09 | 2017-09-15 | 中国矿业大学 | 一种基于邻域粗糙集约减的谱聚类方法及*** |
CN109190661A (zh) * | 2018-07-26 | 2019-01-11 | 安徽师范大学 | 一种基于差分隐私保护的谱聚类方法 |
CN109033415A (zh) * | 2018-08-06 | 2018-12-18 | 浙江大学 | 一种基于拉普拉斯特征映射的多维神经信号的降维和可视化方法 |
CN109409407A (zh) * | 2018-09-19 | 2019-03-01 | 西安理工大学 | 一种基于le算法的工业监测数据聚类方法 |
CN109327838A (zh) * | 2018-11-20 | 2019-02-12 | 吉林大学 | 一种异构蜂窝网络中基于谱聚类的频谱资源分配方法 |
CN110753065A (zh) * | 2019-10-28 | 2020-02-04 | 国网河南省电力公司信息通信公司 | 网络行为检测方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
L. HUANG: "A Multi-Dimensional Features-based Clustering Algorithm for Massive MIMO System", 《2019 14TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION (ICCSE)》, 23 September 2019 (2019-09-23) * |
R. TANG: "User-Centric Joint Admission Control and Resource Allocation for 5G D2D Extreme Mobile Broadband: A Sequential Convex Programming Approach", 《 IEEE COMMUNICATIONS LETTERS》, 13 March 2017 (2017-03-13) * |
秦红星等: "基于拉普拉斯特征映射的传递函数设计方法", 《计算机工程与设计》, no. 01, 16 January 2015 (2015-01-16) * |
郑建炜等: "块对角拉普拉斯约束的平滑聚类算法", 《计算机辅助设计与图形学学报》 * |
郑建炜等: "块对角拉普拉斯约束的平滑聚类算法", 《计算机辅助设计与图形学学报》, no. 01, 15 January 2018 (2018-01-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968426A (zh) * | 2019-11-29 | 2020-04-07 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
CN110968426B (zh) * | 2019-11-29 | 2022-02-22 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
CN114363988A (zh) * | 2021-12-10 | 2022-04-15 | 北京佰才邦技术股份有限公司 | 分簇方法、装置和电子设备 |
CN114363988B (zh) * | 2021-12-10 | 2023-07-07 | 北京佰才邦技术股份有限公司 | 分簇方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113194031B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
CN113194031B (zh) | 雾无线接入网内结合干扰抑制的用户聚类方法及*** | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN113687875B (zh) | 一种车联网中车辆任务卸载方法及装置 | |
CN114356545B (zh) | 一种面向隐私保护与能耗优化的任务卸载方法 | |
CN113038612B (zh) | 基于深度学习的认知无线电功率控制方法 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN114389652A (zh) | 一种去蜂窝大规模mimo网络低功耗大连接方法 | |
CN109412661A (zh) | 一种大规模mimo***下的用户分簇方法 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN116112981A (zh) | 一种基于边缘计算的无人机任务卸载方法 | |
KR102562732B1 (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
CN108282888B (zh) | 一种基于改进模糊聚类的d2d资源分配方法 | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及*** | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN112988275A (zh) | 一种基于任务感知的移动边缘计算多用户计算卸载方法 | |
CN113676917B (zh) | 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法 | |
CN111935824B (zh) | 无线资源分配策略更新方法、装置、设备及存储介质 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
CN113873525A (zh) | 一种超密集边缘计算网络的任务卸载方法及终端 | |
CN114513814A (zh) | 基于无人机辅助节点的边缘网络计算资源动态优化方法 | |
CN110753374B (zh) | 一种面向任务卸载的协作网络中继节点选择方法及装置 |
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 |