部分信道状态信息下簇规模均匀的基站群快速分簇方案

在获取的信道状态信息(CSI)失真且信道快变的情况下,现有分簇方案需要获取全部基站的CSI且不能快速得到簇结构。针对以上问题,提出了一种基于近邻传播(AP)聚类思想的基站群快速分簇方案。该方案只需获取近邻基站间（部分）的CSI,通过近邻基站间协同的平均信干比(SIR)增益来构成稀疏化的相似度矩阵;然后,在近邻基站间进行协同信息的交互、更新,快速生成多个协同簇;最后,以簇合并带来的平均信干比增益大小为依据合并较小规模的簇,从而达到簇规模均匀的目的。仿真结果表明,与完全CSI下的现有分簇方案相比,所提方案不但收敛速度快,而且簇规模较均匀。     

基于平均信干比增益的基站群分簇模型

当获取的信道状态信息(CSI)失真时,现有分簇模型不能有效指导分簇,导致得到的簇结构不佳,协同性能降低。针对此问题,提出了一种基于平均信干比增益的基站群分簇模型。模型以基站协同的平均信干比增益来度量基站间协同愿望程度,以平均信干比增益之和最大化为目标进行分簇,从而把分簇后系统协同性能最大化的目标转换为分簇后系统平均信干比增益之和最大化。仿真结果表明,CSI失真时,利益树分簇方案在平均信干比增益分簇模型下得到的性能,相比于协同度模型提升了0.3 bps/Hz。     

协同基站群的利益树分簇算法

以系统和速率最大化为目标,将协同基站群的分簇问题建模为带权连通图的最大利益树生成问题,提出了一种基于协同度的最大利益树分簇算法。定义了利益树的协同度,并选择了协同度最大的两裸利益树进行合并的方式来并行生成多个规模动态的协同分簇,从而解决了传统顺序分簇导致的系统性能受限的问题,提高了系统的分簇性能。仿真结果表明,本算法的系统频谱效率优于现有的动态分簇算法,并且算法为线性复杂度。     

信道非对称下的联合预编码方案

在多基站(BS)协作系统中,信道的非对称导致相互协作的两基站从协作中获得的性能增益不一样。因此,在选择协作基站的过程中,当一方想合作,而另一方更想与其他基站合作的时候,分簇问题变得非常困难,使整个系统性能受限。为解决此问题,定义了协同度的概念,针对此情况提出了一种重叠分簇方案,并在此基础上设计了一种联合迫零-汤姆林森-哈拉希玛预编码（ZF-THP）算法。该方案通过对局部基站进行重叠分簇调整,并利用THP技术消除重叠基站带来的干扰。仿真分析表明,该方案较好地解决了协同度非对称性导致的分簇矛盾,提高了系统的频谱效率,并改善了用户的公平性能。     

密集小蜂窝网络中基于用户接入的能效优化研究

为解决小蜂窝网络中基站密集部署导致能耗过高的问题,提出一种基于用户接入的能效优化算法。根据基站邻接关系对小蜂窝网络中的基站进行分簇,并引入合并因子均衡分簇规模。在此基础上,结合用户接入速率与基站负载情况,利用改进的混沌量子粒子群算法求解最佳用户连接矩阵,同时依据网络流量变化实现基站开关的动态切换管理。仿真结果表明,该优化算法在保障用户QoS的前提下,能提升系统能效,适用于5G无线网络。     

一种能量均衡的无线传感器网络分簇算法

在无线传感器网络分簇算法的多跳网络模型中,越靠近基站的簇首其转发任务越频繁,从而造成耗能更多,传统分簇算法中对于此问题的考虑较少。在传统算法的周期性更换簇头的思想基础上,进行了改进,一方面动态地对成簇范围进行控制,使越接近基站的区域形成的簇规模越小,减小收集簇内数据的任务,平衡转发任务的能耗。同时引入在簇内选取多个候选簇首的机制来减少簇结构的更换,降低频繁组簇的能耗问题。通过与传统分簇算法的仿真比较证明新算法有效地均衡了网络中节点的能耗,延长了网络生命周期。     

基于粒子群优化的WSN非均匀分簇路由算法

分簇算法对大规模无线传感器网络(WSN)远程监控系统具有较好的节能性,簇首间通过多跳通信的方式将数据传送至基站,靠近基站的簇首由于需要转发大量其他簇首的数据而负载过重,可能因过早耗尽能量而失效,这将导致整个网络分割。针对现有无线传感器网络分簇算法存在的能耗不均衡问题,提出一种基于粒子群优化的非均匀分簇算法(PSO-UCA)。它采用PSO算法将所有节点划分为多个规模大小非均匀的簇,靠近基站的簇的规模小于远离基站的簇,因此靠近基站的簇首可为簇间的数据转发预留能量。仿真结果表明,与LEACH算法相比较,该分簇算法可使网络的生存时间延长30%。     

非授权频段长期演进系统中的混合动态分簇算法

针对非授权频段长期演进（LTE）系统中动态子帧配置引起的交叉子帧干扰问题,提出了一种综合考虑大尺度损耗及小区业务量情况的混合动态分簇算法。首先,通过基站端对大尺度损耗及小区业务量情况的周期性测量,计算出对应的相关度值;然后,根据相关度值对小区进行轮询式分簇,实现小区分簇结果的周期性更新;最后,根据更新后的小区分簇结果执行动态子帧配置。仿真实验中,相比传统的静态分簇算法,中业务到达率条件下混合动态分簇算法的用户上下行平均吞吐量分别提升了约16.92%和34.33%;用户上下行平均时延分别降低了约14.18%和36.32%。仿真结果表明,混合动态分簇算法可以有效减小交叉子帧干扰的影响,提升系统吞吐量,性能优于传统的静态分簇算法。     

电力无线专网中面向安全风险的分布式资源分配方法

针对电力无线专网中强干扰、高故障风险等场景下保障终端通信的问题,提出了一种面向安全风险的高能效分布式资源分配方法。首先,分析基站的能耗组成,建立系统能效最大化的资源分配模型;然后,采用K-means++算法对网络中的基站进行分簇,从而将整个网络划分成多个独立区域,并在各个簇内单独处理高风险基站;其次,在每个簇内,基于基站的风险值对高风险基站进行休眠,并把高风险基站下的用户转移连接到同一簇内的其他基站;最后,在各个簇内进一步优化正常工作基站的传输功率。理论分析和仿真实验结果表明,基站分簇操作大幅降低了基站休眠和功率优化分配的复杂度,并且在关闭了高风险基站之后,整体网络的能效从0.158 9 Mb/J提升至0.195 4 Mb/J。所提的分布式资源分配方法能够有效提高系统的能量效率。     

Femtocell网络中基于联合传输的分簇与功率分配算法*

针对家庭基站(femtocell)密集部署时的下行干扰问题,提出一种基于多点协作联合传输的分簇与功率分配相结合的算法。首先根据受到的干扰程度进行分簇,将干扰强的家庭基站分到同一个簇,簇内所有家庭基站通过寻找对自身最有利的基站进行协作,将干扰信号转变有用信号,联合传输为用户提供服务,提升用户的信干噪比来保证用户性能,簇间则复用相同的频谱资源。然后通过给用户分配合适的功率使得总传输速率最大。仿真结果表示,所提算法能在抑制系统干扰的同时提高系统的吞吐量。     

基于人工免疫细胞模型的模糊聚类算法

传统的模糊c均值算法需要提前输入聚类个数,但输入错误的聚类数会产生错误的聚类结果。为此,提出一种基于人工免疫细胞膜型的模糊聚类算法。引入种群规模迭代与模糊聚类迭代相结合的双迭代思路,利用种群规模迭代指导聚类数的自动生成,在每次种群规模迭代中加入模糊聚类迭代,同时将克隆选择、抗体免疫抑制等操作融入计算过程。理论分析与仿真结果表明,该算法能搜寻到正确的聚类个数,具有较好的聚类效果。     

面向大规模信息网络的高效自适应聚类算法

为解决传统聚类算法在处理大规模信息网络中时间开销过大的问题,基于大规模信息网络的统计学特性,提出了一种将信息网络拓扑结构进行“分而治之”的思想,有效地减少了聚类问题规模和时间开销,并保持了相当的聚类效果。主要贡献包括：提出按照聚类影响力排名来对整个信息网络进行分层切割,然后分别聚类的思想;按照特定信息网络统计学意义上的结构特性,如信息网络的富人集团特性和分层社区结构特性,设计了一套将信息网络进行层次划分的粗略方案,并通过实验证明了其具有一定的合理性;提出了迭代的层级间聚类融合算法,可以实现不同层次聚类的融合。实验表明,该算法在兼具较好聚类效果的同时,非常明显地减少了运算开销。     

改进的聚类分析算法及其性能分析

提出了一种改进的聚类分析算法,该算法采用类似中间聚类与最终聚类分布的思想,先对密集区域进行聚类,形成了K个聚类,然后再对相对分散的自由数据进行K—means聚类,使聚类分析在迭代过程中始终沿着最优的方向进行,减小了迭代次数,提高了收敛速度。该算法融合了网格聚类与K-均值聚类的优点,并且引入了一种新的划分网格的算法和新的计算密度阀值的函数。理论分析以及实验证明,改进算法的聚类过程达到了令人满意的效果。     

多路径高斯核模糊C均值聚类算法

聚类算法单一迭代路径限制了参数优值的搜索。提出一种多路径高斯核模糊C均值聚类算法（MGKFCMs）,MGKFCMs算法首先取核目标函数及模糊隶属度函数中的核函数为高斯核函数;然后利用梯度法得到聚类中心迭代公式,并基于该迭代公式和粒子群算法作聚类中心的并行参数迭代,在每一次聚类迭代时,选择聚类目标函数值小的路径作为参数迭代最终路径。对比分析了MGKFCMs算法的相关性质,通过仿真实验验证了所提算法的有效性。     

一种新型的模糊C均值聚类初始化方法

模糊C均值聚类(FCM)是一种广泛采用的动态聚类方法，其聚类效果往往受初始聚类中心的影响。受自适应免疫系统对入侵机体的抗原产生免疫记忆的机理启示，提出了一种新的产生初始聚类中心的方法。算法中，待分析的数据被视为入侵性抗原，产生的记忆细胞作为聚类分析的初始中心。克隆选择用来产生抗原的记忆细胞群体，免疫网络理论则用来抑制该群体规模的快速增长。实验结果表明免疫记忆机理用于FCM初始中心的选择是可行的，不仅提高了FCM算法的收敛速度，而且可以通过改变阈值的大小自动决定类别数。     

基于克隆选择的快速动态聚类算法

为了在聚类数不确定的情况下实现聚类分析,通过借鉴生物免疫系统中的克隆选择原理并结合聚类有效性分析,提出了一种基于克隆选择的快速动态聚类算法。该算法可以根据样本数据自动确定聚类数目及中心位置,克服了传统聚类算法容易陷入局部极小值、对初始值敏感的缺点。通过引入新算子及适当选取聚类的初始中心,使算法的收敛速度明显提高,仿真实验结果表明了本算法的有效性。     

基于免疫进化粒子群优化的动态聚类算法

针对粒子群优化算法和传统聚类算法易产生“早熟”现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法,提出一种基于免疫进化粒子群的动态聚类算法。算法采用线性递减权策略为各个粒子选取适当惯性权值,利用免疫进化思想改进粒子群优化过程,同时利用聚类经验规则k≤√n确定聚类数k的初始搜索范围,以性能代价函数为依据在聚类数目未知的情况下实现动态聚类。仿真实验表明,新算法有效提高聚类正确率,具有收敛精度高和聚类能力强等特点。     

一种改进的K_means聚类方法

针对传统K_means聚类方法采用随机选择初始聚类中心而导致的收敛速度慢的问题,本文结合空间中的距离度量提出一种改进的K_means聚类算法。该方法通过给出有效的启发式信息,选择较好的聚类中心,减少聚类达到稳定状态所需要的迭代步骤,加速算法的执行。标准数据集上的实验结果表明,与传统的K_means聚类方法相比,本文提出的改进的聚类方法收敛速度快,从而在较少的迭代后得到良好的聚类效果。