CN113709754A - 基于聚类算法的无线宽带通信***布站组网方法及*** - Google Patents
基于聚类算法的无线宽带通信***布站组网方法及*** Download PDFInfo
- Publication number
- CN113709754A CN113709754A CN202110977716.7A CN202110977716A CN113709754A CN 113709754 A CN113709754 A CN 113709754A CN 202110977716 A CN202110977716 A CN 202110977716A CN 113709754 A CN113709754 A CN 113709754A
- Authority
- CN
- China
- Prior art keywords
- base station
- cluster center
- cluster
- calculating
- coverage rate
- 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
Images
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
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于聚类算法的无线宽带通信***布站组网方法及***,通过k‑means算法计算各次迭代计算中地图中信号未覆盖区域的簇心,基于基站往未覆盖区域簇心移动可以加强未覆盖区域信号覆盖的事实,以约定的移动规则在每次迭代计算中只移动一个基站的位置以达到提高信号覆盖率的目的。通过多次的迭代仿真计算表明,每一步迭代都能达到提高覆盖率的目的,最终算法将收敛到一个较优的结果。能够紧密得结合场景的物理意义,最终得到不亚于传统站址优化方法的结果,但是运算速度却领先于传统优化方法。
Description
技术领域
本发明属于通信技术技术领域,具体涉及一种基于聚类算法的无线宽带通信***布站组网方法及***。
背景技术
在传统的移动通信网络中,大多都是使用传统的蜂窝网络结构,蜂窝结构被认为是覆盖二维平面的最佳拓扑结构。但是在灾害救灾、军事行动等特殊情形下,此时的基站部署要求达到机动性、实时性、高效性以及布站时需要考虑地形因素的限制,因此无法使用传统的蜂窝网络结构布站。基于以上种种问题,所以能够在这些特殊情形下提出一种高效的基站部署方式则显得极为重要。
其实无线宽带通信***站点规划是一个优化问题,优化的指标是最大化得满足场景的通信需求,其中信号覆盖率常被作为优化的指标。考虑到实际布站过程中,并不是单个基站而是多个基站同时部署,所以该优化问题本身就是非凸优化问题。对于非凸的优化问题学术界并没有一种通用的求解最优解的理论,工程上使用得多是诸如将非凸问题进行凸化处理、使用遗传算法这类优化算法等方法求解较优的解,但是求解过程只能得到一个较优的解并不能保证可以得到全局最优解。
国内外学者关于站址规划问题开展过诸多工作,以基于遗传算法的方案最具代表性,遗传算法的最大缺点就是需要在迭代中不断寻找优化的方向从而消耗大量的时间与计算资源。在站址规划的实际物理背景下,这个优化方向就是能够使地图信号覆盖率提高的基站移动方向。基站从信号覆盖较强的地方往信号覆盖较弱移动可以显著提高地图的信号覆盖率,所以基站往地图中信号覆盖较弱的区域移动就是基站位置优化的方向。基于地图信号覆盖情况使用聚类算法可以计算出信号覆盖较弱的聚类中心,计算出的若干个弱信号覆盖点的聚类中心便指明了基站位置优化的方向。因为计算复杂度较低的聚类算法可以直接指明基站位置优化的方向,从而比使用遗传算法更高效。除此之外,大多数的研究都对于实际的物理环境假设的过于理想,并不能确切的反映周围地形对于通信质量的影响。正是基于以上的考虑,所以可以开发一种基于聚类算法的实时性强并能够很好反映地形影响的无线宽带通信***站点布设组网方案。
更进一步分析聚类算法在本问题中的应用可以发现,在优化的过程中基站趋向于逐步分散并朝着弱覆盖的区域移动。正是基于这一发现,考虑使用聚类算法在迭代过程中直接指明优化的方向从而可以节省大量因为试错造成的时间以及计算资源的浪费。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于聚类算法的无线宽带通信***布站组网方法及***,实现提高基站站址部署时的信号覆盖率的目的。
本发明采用以下技术方案:
基于聚类算法的无线宽带通信***布站组网方法,包括以下步骤:
S1、随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;
S2、依据步骤S1得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;
S3、依据步骤S2确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;
S4、对于遍历到某个基站,使基站向步骤S3遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;
S5、对步骤S4得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;
S6、步骤S5结束后,计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;
S7、根据步骤S6输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
具体的,步骤S2具体为:
S201、从输入的未覆盖区域的坐标中随机选取k个坐标作为簇心的初始值;
S202、计算未覆盖区域内的各点与k个簇心的欧几里得距离,各点选择最近的簇心作为标记类别;
S203、完成各点的标记聚类中心之后,重新计算出每个聚类的新中心点;
S204、若新计算出的簇心位置与旧簇心位置的绝对值差之和达到阈值或者迭代次数达到预期值则停止迭代输出聚类结果。
进一步的,步骤S201中,k-means聚类的簇心数量k与基站的数量相同。
进一步的,步骤S202中,第i个未覆盖点坐标相对于当前第j个簇心的距离Dij为:
其中,xi和yi为i个未覆盖点的横纵坐标,Xj和Yj为当前第j个簇心的横纵坐标。
进一步的,步骤S203中,重新计算出每个聚类的新中心点的第j个簇心的横纵坐标X′j和Y′j为:
其中,xi和yi为归类到第j个簇心的第i个信号未覆盖点的横纵坐标,nj为归类到第j个簇心的信号未覆盖点的数量。
进一步的,步骤S204中,如果新计算出的簇心位置与旧簇心位置的绝对值差之和没有达到阈值,或者迭代次数达没有到达预期值,继续步骤S202。
具体的,步骤S4中,基站以基站距离簇心距离的1/6为步长向遍历到的簇心移动,在满足基站布局条件的情况下,计算基站每一次移动后的覆盖率,将最大的覆盖率作为最大的新覆盖率。
具体的,步骤S6中,迭代终止的条件为在某次迭代中遍历完所有的簇心覆盖率均未提高,或达到指定的迭代次数。
具体的,步骤S7中,以步骤S6得的基站最终位置所得的信号覆盖率作为最终信号覆盖率。
本发明的另一技术方案是,一种基于聚类算法的无线宽带通信***站点布设组网***,包括:
计算模块,随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;
排序模块,依据计算模块得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;
遍历模块,依据排序模块确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;
移动模块,对于遍历到某个基站,使基站向遍历模块遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;
判断模块,对移动模块得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;
迭代模块,判断模块结束后,计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;
部署模块,根据迭代模块输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
与现有技术相比,本发明至少具有以下有益效果:
本发明基于聚类算法的无线宽带通信***布站组网方法,在分析聚类算法在本问题中的应用可以发现,在优化的过程中基站趋向于逐步分散并朝着弱覆盖的区域移动。正是基于这一发现,考虑使用聚类算法在迭代过程中直接指明优化的方向从而可以节省大量因为试错造成的时间以及计算资源的浪费。
进一步的,基于常用的k-means聚类算法,通过k-means算法计算各次迭代计算中地图中信号未覆盖区域的簇心,基于基站往未覆盖区域簇心移动可以加强未覆盖区域信号覆盖的事实,以约定的移动规则在每次迭代计算中只移动一个基站的位置以达到提高信号覆盖率的目的。通过多次的迭代仿真计算表明,每一步迭代都能达到提高覆盖率的目的,最终算法将收敛到一个较优的结果。该算法能够紧密得结合场景的物理意义,最终可以得到不亚于传统站址优化算法的结果,但是运算速度却领先于传统优化算法,这是本发明最大的创新点。
进一步的,在步骤S201中k-means聚类算法的聚类簇心数目并不能由算法自身生成需要事先给定。因为基站是根据簇心确定移动优先级,所以簇心数目应该和基站数量成正相关,所以选择k-means聚类的簇心数量k与基站的数量相同符合算法的要求。
进一步的,在步骤S202中聚类算法需要衡量聚类距离的标准,在本场景中将第i个未覆盖点坐标相对于当前第j个簇心的物理距离Dij设置为聚类距离的标准是最优的。
进一步的,在步骤S203重新计算出每个聚类的新中心点的第j个簇心的横纵坐标,计算出的新的簇心坐标可以进行下一次迭代。
进一步的,在步骤S204中,如果新计算出的簇心位置与旧簇心位置的绝对值差之和没有达到阈值,或者迭代次数达没有到达预期值,就停止迭代输出结果。这样设置的目的是避免无效或者对结果提升不大的迭代计算,提高计算的效率。
进一步的,步骤S4中对遍历到的当前基站使其向对应的簇心按照步长移动,计算每次移动后新的信号覆盖率,最后选择最大的信号覆盖率为本次迭代的结果,这样处理的好处是可以使每次迭代都能得到一个局部最优解,进而在完成所有的迭代后得到一个近似的全局最优解。
进一步的,在步骤S6中,直至覆盖率不再提升、达到预期覆盖率或者达到迭代次数,则输出基站位置为最终的基站位置。这样设置的目的是,这些条件就是终止迭代的终止条件。
进一步的,步骤S7的设置是迭代完成后的结果输出,输出基站的布站位置以及当前的信号覆盖率。
综上所述,本发明充分考虑问题的实际物理意义,而不是盲目的使用设计要求较高的算法,在大大节省计算时间的同时也可以保持一个较优的结果。。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为场景示意图;
图2为本发明方法提出的算法在初始时的示意图;
图3为一次基站位置迭代后的示意图;
图4为二次基站位置迭代后的示意图;
图5为本发明流程框图;
图6为本发明所提的算法在不同信号接收灵敏度下的仿真结果图。
具体实施方式
下面将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,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于聚类算法的无线宽带通信***布站组网方法,初始化需要布站的若干个基站的位置并通过信号建模仿真地图内各个点的信号覆盖情况,通过对仿真出的信号覆盖区域使用聚类算法聚类出若干个未被覆盖区域的中心,依据一定的优先级移动基站,不断迭代算法直至无法提升覆盖率结束迭代。
请参阅图1,本发明应用的场景为,在一块已知地图信息区域内布设若干个基站,各基站工作在不同的频段为用户提供电信服务,通过算法得到最优的基站布局能够使该区域的信号覆盖率达到最优。
在站址规划中选择合适的信道模型极其重要,首先需要确定使用的信道模型,信道的链路损耗分为大尺度衰落和小尺度衰落,大尺度平均路径损耗用于测量发射机和接收机之间信号的平均衰落,定义为有效发射功率和平均接收功率之间的差值,小尺度衰落是指短期内的衰落,具体指当移动台移动一个较小距离时,接收信号在短期内的快速波动。
本发明方法选用较为常用的Okumura-Hata模型;经验公式如(1)式所示:
Lm=69.55+26.16lg(f)-13.82lg(hte)-a(hre)+[44.9-6.55lg(hte)lg(d)] (1)
其中,f为载波频率(单位:MHZ),hte是发射天线的有限高度(单位:m),hre是接收天线的有限高度(单位:m),d是发射机与接收机之间的距离(单位:km),a(hre)是移动天线修正因子,其数值取决于环境。
若已知信号覆盖的阈值为γ,同时需要部署n个基站,且各个基站工作在不同频段不存在同频干扰。具体到地图上的第m个信号接收点的信号覆盖情况由(2)式判断:
本发明针对待解决问题,通过提出的基于聚类算法的迭代算法对若干个基站的位置进行优化,以达到在该布局下的基站所覆盖区域的信号覆盖率达到最优。
本发明选用业界较为常用的Okumura-Hata模型作为信道模型计算地图中各点的接收信号强度,因为本发明主要针对是工作在不同频段的基站所以不需要考虑各基站之间的同频干扰。地图上各点选择接收信号强度最高的基站接入,若接收信号强度高于阈值则认为该点信号得到覆盖。
本发明提出的方法基于常用的k-means聚类算法,通过k-means算法计算各次迭代计算中地图中信号未覆盖区域的簇心,基于基站往未覆盖区域簇心移动可以加强未覆盖区域信号覆盖的事实,以约定的移动规则在每次迭代计算中只移动一个基站的位置以达到提高信号覆盖率的目的。通过多次的迭代仿真计算表明,每一步迭代都能达到提高覆盖率的目的,最终算法将收敛到一个较优的结果。能够紧密得结合场景的物理意义,最终可以得到不亚于传统站址优化算法的结果,但是运算速度却领先于传统优化算法,这是本发明最大的创新点。
请参阅图5,本发明一种基于聚类算法的无线宽带通信***布站组网方法,在得到地图各点的信号覆盖情况之后就得到所有未覆盖区域的位置坐标,使用k-means聚类算法得到未覆盖区域的簇心作为迭代算法的优化方向。具体步骤如下:
S1、随机初始化生成一个满足要求的基站布局,根据初始的基站布局通过信道建模计算中地图的覆盖情况;
S2、依据地图的覆盖情况使用k-means进行聚类计算出若干个未覆盖区域的簇心,并且将这些簇心依据归类到该簇心的未覆盖点的点数降序排序确定优先级(归类到的点数越多优先级越高);
S201、从输入的未覆盖区域的坐标中随机选取k个坐标作为簇心的初始值,k-means聚类的簇心数量k与基站的数量相同;
S202、根据公式(3)计算未覆盖区域内的各点与k个簇心的欧几里得距离,各点选择最近的簇心作为标记类别;
其中,Dij表示第i个未覆盖点坐标相对于当前第j个簇心的距离,xi和yi为i个未覆盖点的横纵坐标,Xj和Yj为当前第j个簇心的横纵坐标。
S203、完成各点的标记聚类中心之后,通过公式(4)重新计算出每个聚类的新中心点;
其中,X′j和Y′j为更新后的第j个簇心的横纵坐标,xi和yi为归类到第j个簇心的第i个信号未覆盖点的横纵坐标,nj为归类到第j个簇心的信号未覆盖点的数量。
S204、若新计算出的簇心位置与旧簇心位置的绝对值差之和达到阈值或者迭代次数达到预期值则停止迭代输出聚类结果,反之则继续步骤S202。
S3、依据优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到该簇心的距离确定移动优先级(距离越近优先级越高),然后根据优先级先后遍历所有的基站;
S4、对于遍历到某个基站,让该基站以基站距离簇心距离的1/6为步长向遍历到的簇心移动,在满足各基站之间可以相互通信的基站布局条件的情况下,计算基站每一次移动后的覆盖率,以其中最大的覆盖率为最大的新的覆盖率;
S5、对步骤S4最大的新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,则更新基站位置并且结束遍历,到此一次迭代结束;
S6、接着计算新的若干个未覆盖区域的簇心开始下一次迭代,迭代终止的条件是在某次迭代中遍历完所有的簇心覆盖率均未提高,或者达到指定的迭代次数;
S7、最后根据最终的基站位置通过信道建模公式,依据基站的工参计算地图各空间点的接收功率,以地图上各空间点的接收功率是否达到接收灵敏度为依据判断出该点是否被信号覆盖,从而计算地图最终信号覆盖率,输出部署基站的位置。
本发明再一个实施例中,提供一种基于聚类算法的无线宽带通信***站点布设组网***,该***能够用于实现上述基于聚类算法的无线宽带通信***布站组网方法,具体的,该基于聚类算法的无线宽带通信***站点布设组网***包括计算模块、排序模块、遍历模块、移动模块、判断模块、迭代模块以及部署模块。
其中,计算模块,随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;
排序模块,依据计算模块得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;
遍历模块,依据排序模块确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;
移动模块,对于遍历到某个基站,使基站向遍历模块遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;
判断模块,对移动模块得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;
迭代模块,判断模块结束后,计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;
部署模块,根据迭代模块输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于聚类算法的无线宽带通信***布站组网方法的操作,包括:
随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;依据得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;依据确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;对于遍历到某个基站,使基站向遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;对得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;根据输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于聚类算法的无线宽带通信***布站组网方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;依据得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;依据确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;对于遍历到某个基站,使基站向遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;对得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;根据输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图2,随机初始化生成若干个基的站布局,使用k-means聚类算法对信号未覆盖区域进行聚类得到簇心点,依据聚类结果中各类的数量降序确定簇心的优先级(即聚类的数量越多,则优先级越高)。对于每一个簇心,根据各基站的距该簇心的距离升序确定对于该簇心移动基站的优先级,根据优先级以一定步长移动基站(即距离越近,则优先级越高)。在初始的布局中确定了聚类簇心和各基站的移动优先级。首先确定最高优先级的移动方向为簇心1,确定移动优先级最高的基站为BS4,其中箭头方向即为BS4移动方向,BS4按照移动方向以一定步长直至移动至簇心1位置并依次计算各次移动的新覆盖率。计算发现移动过程中的最大新覆盖率高于原覆盖率,此时更新BS4的位置。
请参阅图3,根据更新后的新位置更新各簇心的位置、优先级以及相应的基站的优先级。此时优先级最高的簇心点更改了位置,但是移动最高优先级的基站BS4时对于覆盖率的提升并无帮助,故不改变基站BS4的位置从而去选择移动第二优先级的基站BS3。在按照箭头方向按照规则移动基站BS3,可以发现可以提高覆盖率,同时记录最大覆盖率的基站BS3位置并更新基站BS3的位置。
请参阅图4,根据更新后的各基站位置重复以上算法。直至遍历完所有基站都无法提升覆盖率,达到了算法的收敛条件。算法的流程图如示意图5所示。
根据上文所提的聚类算法使用MATLAB R2020a进行计算机仿真模拟,计算机配置为:处理器Intel i5-8250U 1.60GHz,内存8GB。仿真的环境如下表:
表1仿真参数说明
请参阅图6,给出了在不同信号接收灵敏度下的仿真结果图。从结果中可以发现,随着接收灵敏度的提高地图信号覆盖率逐步降低,这是由于接收灵敏度的提高会使基站的覆盖范围缩小,在其他条件不变的条件下就会导致地图信号覆盖率降低。另外可以发现算法运行时间有一定的波动性,这是由于算法的收敛结果取决于初始的随机状态从而具有一定的随机性。
综上所述,本发明一种基于聚类算法的无线宽带通信***布站组网方法及***,充分考虑问题的实际物理意义,而不是盲目的使用设计要求较高的算法,在大大节省计算时间的同时也可以保持一个较优的结果。
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。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.基于聚类算法的无线宽带通信***布站组网方法,其特征在于,包括以下步骤:
S1、随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;
S2、依据步骤S1得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;
S3、依据步骤S2确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;
S4、对于遍历到某个基站,使基站向步骤S3遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;
S5、对步骤S4得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;
S6、步骤S5结束后,计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;
S7、根据步骤S6输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
2.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
S201、从输入的未覆盖区域的坐标中随机选取k个坐标作为簇心的初始值;
S202、计算未覆盖区域内的各点与k个簇心的欧几里得距离,各点选择最近的簇心作为标记类别;
S203、完成各点的标记聚类中心之后,重新计算出每个聚类的新中心点;
S204、若新计算出的簇心位置与旧簇心位置的绝对值差之和达到阈值或者迭代次数达到预期值则停止迭代输出聚类结果。
3.根据权利要求2所述的方法,其特征在于,步骤S201中,k-means聚类的簇心数量k与基站的数量相同。
6.根据权利要求2所述的方法,其特征在于,步骤S204中,如果新计算出的簇心位置与旧簇心位置的绝对值差之和没有达到阈值,或者迭代次数达没有到达预期值,继续步骤S202。
7.根据权利要求1所述的方法,其特征在于,步骤S4中,基站以基站距离簇心距离的1/6为步长向遍历到的簇心移动,在满足基站布局条件的情况下,计算基站每一次移动后的覆盖率,将最大的覆盖率作为最大的新覆盖率。
8.根据权利要求1所述的方法,其特征在于,步骤S6中,迭代终止的条件为在某次迭代中遍历完所有的簇心覆盖率均未提高,或达到指定的迭代次数。
9.根据权利要求1所述的方法,其特征在于,步骤S7中,以步骤S6得的基站最终位置所得的信号覆盖率作为最终信号覆盖率。
10.一种基于聚类算法的无线宽带通信***站点布设组网***,其特征在于,包括:
计算模块,随机初始化生成一个满足要求的基站布局,通过信道建模计算初始基站布局中地图的覆盖情况;
排序模块,依据计算模块得到的地图的覆盖情况,使用k-means聚类算法计算出若干个未覆盖区域的簇心,按照归类到簇心未覆盖点的点数降序排序确定未覆盖区域的簇心优先级;
遍历模块,依据排序模块确定的优先级依次遍历每一个簇心,对于遍历到某个簇心,依次计算所有基站到对应簇心的距离确定移动优先级,然后根据优先级先后遍历所有的基站;
移动模块,对于遍历到某个基站,使基站向遍历模块遍历到的簇心移动,在满足基站布局条件的情况下,计算移动基站过程中得到的最大的新覆盖率;
判断模块,对移动模块得到的最大新覆盖率进行判断,若最大的新覆盖率大于当前的覆盖率,更新基站位置并结束遍历,一次迭代结束;
迭代模块,判断模块结束后,计算新的若干个未覆盖区域的簇心,开始下一次迭代直至覆盖率不再提升,当达到预期覆盖率或达到最多迭代次数时,输出的基站位置为最终的基站位置;
部署模块,根据迭代模块输出的最终的基站位置计算地图各空间点的接收功率,计算最终信号覆盖率,输出部署基站的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977716.7A CN113709754B (zh) | 2021-08-24 | 2021-08-24 | 基于聚类算法的无线宽带通信***布站组网方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977716.7A CN113709754B (zh) | 2021-08-24 | 2021-08-24 | 基于聚类算法的无线宽带通信***布站组网方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113709754A true CN113709754A (zh) | 2021-11-26 |
CN113709754B CN113709754B (zh) | 2022-06-07 |
Family
ID=78668962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110977716.7A Active CN113709754B (zh) | 2021-08-24 | 2021-08-24 | 基于聚类算法的无线宽带通信***布站组网方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113709754B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN114630336A (zh) * | 2022-03-22 | 2022-06-14 | 南通大学 | 一种基于聚类分析的无蜂窝大规模mimo接入点位置部署方法 |
CN115002789A (zh) * | 2022-05-24 | 2022-09-02 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581743A (zh) * | 2015-01-04 | 2015-04-29 | 中国联合网络通信集团有限公司 | 一种实现wlan部署的方法及装置 |
CN107659973A (zh) * | 2017-08-23 | 2018-02-02 | 南京邮电大学 | 基于密度改进K‑means算法的超密集网络分簇方法 |
CN108810911A (zh) * | 2018-06-04 | 2018-11-13 | 南京邮电大学 | 一种基于数据挖掘的低功耗广域网网络规划方法 |
JP2019033435A (ja) * | 2017-08-09 | 2019-02-28 | 日本電信電話株式会社 | 無線通信システム、集中制御局および可動基地局配置方法 |
CN110856184A (zh) * | 2019-11-26 | 2020-02-28 | 西安航空学院 | 基于k均值算法的双层结构无线传感器网络节点部署方法 |
CN112105035A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 移动边缘计算服务器的部署方法及装置 |
CN112469100A (zh) * | 2020-06-10 | 2021-03-09 | 广州大学 | 基于可充电多基站式无线异构传感器网络的分层路由算法 |
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 |
CN112911605A (zh) * | 2021-01-12 | 2021-06-04 | 中国联合网络通信集团有限公司 | 基站规划方法和装置 |
US11082862B1 (en) * | 2020-04-07 | 2021-08-03 | At&T Intellectual Property I, L.P. | Cell site placement system |
-
2021
- 2021-08-24 CN CN202110977716.7A patent/CN113709754B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581743A (zh) * | 2015-01-04 | 2015-04-29 | 中国联合网络通信集团有限公司 | 一种实现wlan部署的方法及装置 |
JP2019033435A (ja) * | 2017-08-09 | 2019-02-28 | 日本電信電話株式会社 | 無線通信システム、集中制御局および可動基地局配置方法 |
CN107659973A (zh) * | 2017-08-23 | 2018-02-02 | 南京邮电大学 | 基于密度改进K‑means算法的超密集网络分簇方法 |
CN108810911A (zh) * | 2018-06-04 | 2018-11-13 | 南京邮电大学 | 一种基于数据挖掘的低功耗广域网网络规划方法 |
CN110856184A (zh) * | 2019-11-26 | 2020-02-28 | 西安航空学院 | 基于k均值算法的双层结构无线传感器网络节点部署方法 |
US11082862B1 (en) * | 2020-04-07 | 2021-08-03 | At&T Intellectual Property I, L.P. | Cell site placement system |
CN112469100A (zh) * | 2020-06-10 | 2021-03-09 | 广州大学 | 基于可充电多基站式无线异构传感器网络的分层路由算法 |
CN112105035A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 移动边缘计算服务器的部署方法及装置 |
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 |
CN112911605A (zh) * | 2021-01-12 | 2021-06-04 | 中国联合网络通信集团有限公司 | 基站规划方法和装置 |
Non-Patent Citations (2)
Title |
---|
HAO YU: "Distributed Soft Clustering Algorithm for IoT Based on Finite Time Average Consensus", 《 IEEE INTERNET OF THINGS JOURNAL》 * |
张宏远: "WCDMA无线网络基站规划的建模与算法研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN114630336A (zh) * | 2022-03-22 | 2022-06-14 | 南通大学 | 一种基于聚类分析的无蜂窝大规模mimo接入点位置部署方法 |
CN115002789A (zh) * | 2022-05-24 | 2022-09-02 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
CN115002789B (zh) * | 2022-05-24 | 2023-11-28 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113709754B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113709754B (zh) | 基于聚类算法的无线宽带通信***布站组网方法及*** | |
CN101692734B (zh) | 一种小区的干扰预测方法及装置 | |
CN109068391A (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
JP7486659B2 (ja) | 基地局の省エネルギー処理方法及び処理装置 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及*** | |
CN104684095A (zh) | 一种异构网络融合场景中基于遗传运算的资源分配方法 | |
WO2012171362A1 (zh) | 一种构建多点协作传输小区协作集的方法及装置 | |
Fan et al. | Robust fuzzy learning for partially overlapping channels allocation in UAV communication networks | |
CN113141615A (zh) | 一种同覆盖小区确定方法、装置、电子设备和存储介质 | |
Luo et al. | Joint game theory and greedy optimization scheme of computation offloading for UAV-aided network | |
CN110461006A (zh) | 降低wlan干扰方法、装置及终端设备 | |
CN115474206A (zh) | 实时人数确定方法、装置、电子设备及存储介质 | |
CN103327609B (zh) | 一种无线传感器网络节点定位方法 | |
CN110602718B (zh) | 基于交替方向乘子法的异构蜂窝网络功率分配方法及*** | |
Lou et al. | Terrain-based UAV deployment: Providing coverage for outdoor users | |
CN107231653B (zh) | 一种无线蜂窝网中信道重用的加权图建模方法 | |
Liu et al. | Multi-criteria coverage map construction based on adaptive triangulation-induced interpolation for cellular networks | |
WO2022193717A1 (zh) | 权值优化方法、装置、通信设备及计算机可读存储介质 | |
CN113068194B (zh) | 确定锚点的方法、装置、设备及介质 | |
CN112188564B (zh) | 一种基于簇的无线网络频谱资源分配方法及装置 | |
CN111935824B (zh) | 无线资源分配策略更新方法、装置、设备及存储介质 | |
Hoomod et al. | Optimizing SOM for cell towers distribution | |
CN106358278A (zh) | 一种拓扑动态变化情况下的基站功率自适应方法 | |
CN108876648A (zh) | 基于节点覆盖范围的社交网络影响力最大化方法及*** | |
CN113709753B (zh) | 一种无线宽带通信***站点布设组网方法及*** |
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 |