一种用于超密集网络的用户分簇方法.pdf
小沛****文章
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种用于超密集网络的用户分簇方法.pdf
本发明公开了一种用于超密集网络的用户分簇方法,涉及移动通信技术领域,包括以下步骤:将计算超密集组网中用户干扰矢量值最大的多个用户作为根节点用户,将剩余的其他用户作为分支用户;分别计算并判断各个分支用户与多个根节点用户的相对干扰矢量值大小;当分支用户与某个根节点用户的相对干扰矢量值均小于该分支用户与其他根节点用户的相对干扰矢量值时,则将该分支用户归为与该根节点用户所组成的干扰矢量簇,则形成多个干扰矢量簇;分别计算并判断各个干扰矢量簇中的根节点用户的干扰矢量值与干扰矢量簇中的所有用户的干扰矢量均值的相对干扰矢
一种超密集蜂窝网络中的分簇算法.pdf
本发明公开了一种超密集蜂窝网络中的分簇算法,该方法是基于用户之间干扰权值基础上的集合划分过程,分为干扰权值生成和用户分簇这两个阶段。在干扰权值生成阶段,由于用户在对其他用户产生干扰的同时,也受到了来自其他用户的干扰,所以采取了权重平衡策略,即通过调整用户的有用信号权重设计和调整用户对其他用户的干扰系数,来获取用户功率利用维度和空间占有维度在协作传输时的增益。在分簇阶段,提出了一种改进的KNN分簇算法,该算法以簇内用户间干扰和最小为准则将用户进行分簇,同一簇内的用户共享频谱资源,即提高了频谱资源的利用率和系
超密集网络中基于高斯加权的基站动态分簇方法.pdf
本发明公开了一种超密集网络中基于高斯加权的基站动态分簇方法,该方法首先计算超密集网络中每个小基站的高斯加权密度值以及平均加权密度值;将高斯加权密度值大于平均加权密度的基站挑选为初始簇中心并形成待选初始簇中心池;计算簇的覆盖半径,依次将待选簇中心池中两两基站之间高斯加权分布密度值小于覆盖半径的基站从池中移除;将最终簇中心点数目以及相应的基站坐标信息作为传统K‑means的输入参数来执行K‑means算法,从而得到最终超密集网络中所有基站的分簇结果。本发明可以准确地衡量基站的分布状况、提高分簇的准确率、加快分
一种基于用户移动行为预测的超密集网络切换方法.pdf
本发明公开了一种基于用户移动行为预测的超密集网络切换方法,包括以下步骤:A:获取设定区域内的所有基站用户移动行为的预处理后的轨迹数据;B:划分为基站新用户数据集和基站老用户数据集;C:构建基站老用户轨迹预测模型;D:得到训练后的基站老用户轨迹预测模型;E:获取基站新用户的预测移动轨迹;F:当基站用户满足A2事件触发切换时,寻找到满足判定条件的目标基站作为最终的切换基站并进行切换。本发明能够通过用户的历史轨迹序列预测未来的轨迹点,可以有效减少网路切换次数,优化网络切换性能并提高网络的鲁棒性。
一种超密集异构蜂窝网络中的用户移动速度估计方法.pdf
本发明涉及一种超密集异构蜂窝网络中的用户移动速度估计方法。该方法包括:异构蜂窝网络系统中,用户终端每切换到一个新小区,根据不同的小区类型得到一个加权的切换次数,在切换次数统计周期时间内,计算用户切换到各个基站的切换次数累计加权和,并利用速度估计公式得到用户的移动速度。本发明利用传统LTE系统中的MSE移动状态估计的机制和信息,通过添加小区权重系数并给出速度计算公式,在不增加原有信令负担的条件下在异构蜂窝网络体系中实现了更准确的移动速度估计。结果表明,采用本发明的方法,用户移动速度估计误差在20%上的用户比