超密集网络以用户为中心及多维协作的用户分簇算法

为了降低超密集网络中小区间的干扰,提升频谱效率,给出一种在以用户为中心的可重叠虚拟小区场景下,基于边权重和贪婪树增长(Greedy Tree Growing Algorithm,GTGA)算法的用户分簇方案.考虑到每个用户对其他用户产生干扰的同时,又受到其他用户的干扰,权重设计采用协作传输的平衡策略.针对用户分簇,改进的K-means聚类算法通过能够拟合高斯分布的权重统计量来动态调整用户分群的大小.仿真结果表明,所提算法能有效地降低复杂度,减少干扰,提高超密集网络的频谱效率.     

超密集组网下一种基于干扰增量降低的分簇算法

超密集网络(UDNs)拉近了终端与节点间的距离,使得网络频谱效率大幅度提高,扩展了系统容量,但是小区边缘用户的性能严重下降。合理规划的虚拟小区(VC)只能降低中等规模UDNs的干扰,而重叠基站下的用户的干扰需要协作用户簇的方法来解决。该文提出了一种干扰增量降低(IIR)的用户分簇算法,通过在簇间不断交换带来最大干扰的用户,最小化簇内的干扰和,最终最大化系统和速率。该算法在不提高K均值算法的复杂度的同时,不需要指定簇首,避免陷入局部最优。仿真结果表明,网络密集部署时,有效提高系统和速率,尤其是边缘用户的吞吐量。

     

超密集小峰窝网中基于干扰协调的小区分簇和功率分配算法

干扰的有效管理是超密集小蜂窝网中的一个研究难点。该文提出将超密集小蜂窝网中的小区干扰协调和分簇相结合的算法,通过分配最优的功率降低干扰,最大化系统吞吐量。根据干扰的程度,将干扰强的小蜂窝划为一个簇,同一个簇内的小蜂窝共享频谱资源,协作为用户服务,簇与簇之间实现频谱复用。仿真结果表明,该算法在网络密集部署时,有效地减小干扰,提高系统吞吐量。     

超密集网中一种基于人工蜂群的节能分簇算法

超密集网络中,密集部署的低功率基站将会加大系统的能耗,并且造成紧缺频谱资源的浪费.探寻干扰协调和系统节能的可行性方法在超密集网络架构下提出基站的休眠—唤醒—活跃机制,减小了休眠基站直接转为活跃状态的开启时间;另外,提出一种基于人工蜂群染色分簇算法,尽可能使用最少的颜色给拓扑图中的小区染色,并对簇内活跃基站进行优化功率分配.经仿真表明,休眠—唤醒—活跃机制能够提升系统的能源效率,染色分簇算法也可以改善用户的频谱效率和吞吐量.     

超密集组网下基于链路效率的多连接小区选择算法

在5G超密集网络场景下,通过用户双/多连接技术可提高用户吞吐量,降低频繁切换带来的链路失效率。但是,随着链接数的增加,链路管理和资源分配带来的控制信令开销将增加,多链路带来的边际效益递减。为此,提出了多连接链路效率的概念,据此设计了基于链路效率的小区选择算法。该算法基于最大化用户和平均链路速率问题,在基站端及用户端采用变量松弛和拉格朗日对偶分解法来求解。仿真结果表明,多连接的小区选择问题能提高系统吞吐量,在获得更大的用户和速率的同时,也带来链路使用效率的提升。     

超密集分簇网络中基于预测门限滞后余量可调的切换算法

在第五代移动通信(5G)系统中,大规模MIMO天线和超密集部署网络是实现高吞吐量的两种方式。针对超密集网络的切换管理的问题,该文基于网络分簇的思想提出了根据终端设备运动情况动态调节滞后余量的切换管理算法。在该算法中,基于小基站分簇化管理的前提,用户设备在小区间切换分为预切换和正式切换两个阶段,预切换阶段完成最佳目标小区选择、小区资源预留和预鉴权等操作,正式切换阶段根据预切换阶段监测的设备速度动态调节切换门限的滞后余量。仿真结果表明了该算法可以有效降低设备的切换时延和切换失败率。     

超密集网络中基于业务特征的干扰协调技术研究

为了应对未来爆炸性的移动数据流量增长、海量的设备连接、不断涌现的各类新业务和应用场景,第五代移动通信（5G）系统应运而生。3GPP提出的超密集网络（UDN）已成为保证5G时代业务量千倍增长的核心技术,但同时它也面临着大量的问题：超密集部署的基站以及超密集分布的用户使得同频干扰异常严重,小区间干扰协调不可避免;不同用户有不同的业务需求,业务多样性使得干扰协调技术的设计变得更加困难;密集部署基站将耗费大量的能源,不利于绿色通信。针对以上问题,本文以业务特征为着眼点,设计了两种适用于超密集网络的干扰协调技术——大规模CoMP（协作多点传输）、ON/OFF（动态小区开关）机制。通过对三种典型业务的分析与建模,并基于三种业务对两种干扰协调技术进行仿真,仿真结果表明在特定的业务模型下,两种干扰协调技术均能有效地降低系统干扰,提升系统性能。     

超密集小区中基于二分图优先级的资源分配算法

由于在超密集网络中小基站密集的部署,用户数据量空前增加,对数据速率的要求不断提高,所以在有限的资源下如何高效地将资源分配给用户尤为重要。提出了一种小区分簇算法,根据小区簇的通信业务、通信负载量等条件将各个小区分为不同的优先级,引入二分图,以小区簇的优先级为依据建立频谱资源与小区簇之间的匹配关系,并提出一种低复杂度的贪婪算法。仿真结果表明所提算法能够有效提高系统性能,并且有效完成频谱资源的分配。     

基于迭代联合传输的超密集网络动态干扰协调方案

鉴于超密集网络中急剧增长的小区和用户数量,研究了如何通过合理地选择联合传输用户来实现动态干扰协调,以此提高小区边缘用户频谱效率。通过动态协作簇划分和动态联合静默传输2种手段,将所有用户分类;再利用迭代优化算法进一步提高系统性能,同时解决了联合传输用户的数量选择问题。仿真结果表明,与传统的协作多点方案相比,所提方案在不损失小区平均频谱效率的前提下,在小区边缘频谱效率方面存在显著的性能增益。     

基于用户分簇的认知超密集网络资源分配

针对5G时代小基站的密集部署带来的复杂干扰问题,对下行的认知无线电超密集网络下的资源分配进行了研究。为减小网络干扰,提高次用户吞吐量,提出了一种改进的基于用户分簇的资源分配算法。基于基站的覆盖范围,选出用户的强干扰基站,以用户-基站干扰关系建立用户-用户干扰图,按用户受到的平均弱干扰划分优先级对用户分簇,再为簇集群预分配频段,为每个簇分配对应频段中效用最大的信道。该资源分配算法能准确反映用户间的干扰关系,保障资源分配公平性。仿真结果表明,当用户密度与基站密度均较大时,与相同场景的已有算法相比,该改进算法有较好的抗干扰能力,能有效提高次用户的吞吐量。     

超密集网络中基于能效最优的资源分配算法

为了实现超密集网络中的绿色通信,提出一种基于能效最优的资源分配算法。首先,在考虑用户服务质量（quality of service,QoS）需求和干扰容限的情况下,建立最大化网络能效的优化问题。其次,为了降低求解原问题的计算复杂度,采用柯西不等式将原优化问题进行松弛,从而转化为非合作博弈问题。进而,在满足最大最小公平（max-min fairness,MMF）准则的情况下,提出一种分布式能效最优算法（distributed EE maximization algorithm,DEMA）。仿真结果表明,所提算法较传统算法可以更好地兼顾系统的能效和吞吐量性能。     

超密集网络中基于MEC的动态任务卸载方案

超密集网络(Ultra-dense Network,UDN)中集成移动边缘计算(Mobile Edge Computing,MEC),是5G中为用户提供计算资源的可靠方式,在多种因素影响下进行MEC任务卸载决策一直都是一个研究热点。目前已存在大量任务卸载相关的方案,但是这些方案中很少将重心放在用户在不同条件下的能耗需求差异上,无法有效提升用户体验质量(Quality of Experience,QoE)。在动态MEC系统中提出了一个考虑用户能耗需求的多用户任务卸载问题,通过最大化满意度的方式提升用户QoE,并将现有的深度强化学习算法进行了改进,使其更加适合求解所提优化问题。仿真结果表明,所提算法较现有算法在算法收敛性以及稳定性上具有一定提升。     

一种适用于超密集网络下行链路的干扰抑制方案

在超密集网络（UDN）下行链路场景中,为了有效克服因节点间距减小、邻近节点传输损耗相差不大而产生多个强度相近的干扰源对用户性能的影响,提出了一种基于优先级以用户为中心的小区间干扰抑制方案。为了便于量化基站协作取得的带宽性能增益,采用了一种计算带宽盈亏率的定量分析指标。通过该指标,易于确定在特定UDN场景下干扰协调方案是否处于盈利状态,进而通过系统能够接受的最大损耗比优化参数配置。仿真结果表明,该干扰抑制方案能显著提升用户的信号干扰噪声比（SINR）性能,且能更好地保障用户公平性,有效地克服了用户SINR性能在基站数较多时受天线数限制的缺陷,为提升UDN网络用户性能和系统性能提供了一种解决方案。     

MEC中基于改进遗传模拟退火算法的虚拟网络功能部署策略

为了有效改善多集群共存的移动边缘网络中业务流端到端服务时延,提出了一种基于改进遗传模拟退火算法的虚拟网络功能部署策略。通过开放Jackson排队网络对移动业务流的时延进行最优化建模,在证明其NP性的基础上提出了将遗传算法与模拟退火算法相结合的求解策略,该策略通过对服务节点的提前映射机制避免了可能带来的网络拥塞,并通过个体的约束性判断和纠正遗传的方法避免了局部最优的出现。在不同的服务请求量、服务节点规模、集群数量及虚拟网络功能之间的逻辑连接关系等参数下的对比实验表明,该策略能提供更低时延的端到端服务,使时延敏感类移动业务获得更好体验。     

分布式环境中基于协商的虚拟网映射算法

网络虚拟化技术可以在共享的底层物理网络上为用户同时提供多种可定制的服务网络。目前的虚拟网映射算法比较依赖于集中式的管理节点,使其在可靠性和适用范围等方面存在诸多问题。为此,提出了一种分布式环境下的虚拟网映射算法,该算法通过多个节点之间的相互协商来完成虚拟网的映射,并且在降低通信开销和缩短虚拟链路的路径长度方面进行了相应改进。实验结果表明,该算法与同类型算法相比,在资源利用率和通信开销方面具有一定的优越性。     

5G超密集网络下的室内压缩重构指纹定位算法

为减少室内定位复杂度并进一步提高定位精度,提出了一种5G超密集网络下的室内压缩重构指纹定位算法.该算法分为离线建库阶段和在线匹配阶段两个阶段.离线建库阶段采用了矩阵填充理论进行指纹库的构建,只需采取少量的指纹点构建具有低秩特性的局部指纹库,并通过非精确增广拉格朗日乘子法(Inexact Augmented Lagrangian Multiplier Method,IALM)算法进行矩阵填充,从而恢复完整的指纹库.在线匹配阶段采用卡方距离代替传统的欧式距离来计算待定位点与参考指纹点的相似度,并用加权K近邻算法估算出待定位点坐标.经过实验仿真分析,所提算法以1.13％的误差节约了40％的工作量,在信噪比为10 dB时定位误差最小为0.2008 m,与传统K近邻指纹匹配算法相比具有更好的定位精度.     

基于节点可靠性感知和共享路径保护的虚拟网映射算法研究

网络虚拟化技术为目前的网络架构提供了一种有效的扩展手段。近年来,底层网络基础设施失效事件频发,因此如何提高虚拟网络的可靠性成为目前该领域一个研究热点。对在保证虚拟网络可靠性的同时如何最小化底层网络映射开销问题进行研究,设计了一个新的启发式算法对其进行求解。实验表明,相比其他算法,所提算法网络带宽资源开销更低。     

A hybrid virtual network mapping algorithm based on threshold load

The virtual resource management architecture for satellite networks currently suffers from a very poor virtual network mapping success rate. This arises because of the need to map multiple heterogeneous virtual networks to the underlying satellite network. Most heuristic algorithms divide virtual network mapping into node mapping and link mapping, which aims to reduce the complexity of the problem. However, this approach is not well suited to highly dynamic satellite networks. In this paper, we propose a hybrid virtual network mapping algorithm that is based on threshold load. This takes the overall load for the nodes as its optimization objective, and combines the idea of backtracking contained in 1‐stage mapping methods and the idea of global optimization contained in 2‐stage mapping methods. The algorithm reduces the complexity of backtracking computation, while avoiding any incompleteness that might result from separating nodes and link mapping. The success rate for virtual network mapping is thus improved, as is the utilization rate for satellite network resources.     

基于卷积神经网络的虚拟视点空洞填补

为了提高虚拟视点绘制中空洞填补的质量,本文提 出一种基于卷积神经网络的虚拟视点空洞填补算 法,包括图像预处理、特征提取和空洞填补三部分。首先,对双视点虚拟视点图像进行预处 理,即利用深 度图像绘制(Depth Image Based Rendering,DIBR)技术得到空洞填补前的图像和空洞掩膜 ;然后,通过卷积 神经网络对虚拟视点图像提取多维特征,针对空洞区域,使用结构相似性损失函数优化网络 ;最后,利用 提取的特征填补虚拟视点中的空洞。实验结果表明,本文算法能较好地保持虚拟视点图像前 景和背景的锐 利边缘,主观视觉感知效果佳,同时,对不同场景测试序列的客观评价指标PS NR和SSIM都能取得满意结果,该方法能有效地填补虚拟视点中的空洞。