[发明专利]一种基于模糊分层聚类的物理小区识别分配方法

摘要

一种基于模糊分层聚类的物理小区识别分配方法属于通信网络领域。为了解决用户密集地区网络服务通信的质量问题，本发明基于蜂窝网络基站的“活跃度”属性，提出了一种基于模糊分层聚类的物理小区识别方法。本发明通过引入蜂窝小区基站的“活跃度”属性概念，采用欧氏距离法对不同蜂窝小区基站的相似度进行求解，采用模式识别中的模糊分层聚类算法，实现了优先对“活跃度”较高的蜂窝小区基站群进行物理小区识别(Physical Cell Identification,PCI)的分配和复用。该方法有效提高了用户的网络服务质量(Quality of Service,QoS)以及PCI的分配效率。蜂窝网络小区基站的物理小区识别分配方法。

主权项

1.一种基于模糊分层聚类的物理小区识别分配方法，其特征在于具体步骤如下：步骤1，构建蜂窝网络基站的“活跃度”数据矩阵；将蜂窝网络基站的“活跃度”状态设定为四个因素：分别是用户在小区的实时切换数P_ch，小区的活跃用户数P_us，小区的实时业务数P_bu和会话重连接请求数P_re；将统计所有小区的四种类型数据(P_ch，P_us.P_bu.P_re)，获得统计数据矩阵BS，步骤2，对上一步中得到的数据矩阵的数据元素进行标准化处理，具体如下：步骤2.1，对矩阵中的数据元素进行平移标准差变换，变换公式如公式(1)所示：其中，bs_ij表示步骤1中蜂窝网络基站“活跃度”数据矩阵BS中的元素，表示每个小区基站不同“活跃度”参数的属性值，n为数据矩阵的行数，表示蜂窝网络基站的数量，j表示数据矩阵的列数，表示蜂窝网络基站的活跃度参数；其中表示数据矩阵中每一行数据元素的平均值，计算公式如公式(2)所示；p_j表示数据矩阵中每一列数据元素的标准差值，计算公式如公式(3)所示；步骤2.2，对数据进行平移极差变换，变换公式如公式(4)所示：其中min_1≤i≤n{bs′_ij}表示数据矩阵中每一列元素中的最小值，max_1≤i≤n{bs′_ij}表示数据矩阵中每一列元素中的最大值；步骤3，对步骤2中得到的标准数据矩阵建立模糊相似度关系，计算并构建蜂窝基站“活跃度”数据矩阵的模糊相似矩阵；将模糊相似矩阵表示为S(bs_x，bs_y)，其中模糊相似矩阵S由元素s_xy组成，该矩阵的元素表示任意两个蜂窝网络基站bs_x和bs_y之间的相似度距离，相似度距离s_xy计算如公式(5)所示；对一切s_xy均满足：|s_xy|≤1，|s_xx|＝1，s_xy＝s_yx，其中0≤s_xy≤1，s_xy的数值越是无限接近于1，说明两个变量bs_x和bs_y之间的关系越密切，相似性越高；模糊相似矩阵的对角线元素值为1，此时表示一个蜂窝网络基站与其自身具有最大相似度；s_xy＝1‑d(bs_x，bs_y) (5)其中d(bs_x，bs_y)表示蜂窝网络基站bs_x的“活跃度”参数和蜂窝网络基站bs_y的“活跃度”参数之间的欧氏距离，计算方法如公式(6)所示；步骤4，使用步骤3中得到的模糊相似矩阵计算并构建得到模糊等价矩阵；由于模糊分层聚类需要用到模糊等价矩阵，使用传递闭包法来求解模糊相似矩阵S(bs_x，bs_y)的模糊等价矩阵；本方法中使用平方法来求解模糊等价矩阵，平方法的过程如下所示：从模糊相似矩阵S出发，依次进行数据矩阵的二次方运算，当第一次出现时，表明矩阵S^q具有传递性，矩阵S^q即为模糊相似矩阵S的模糊等价矩阵t(S)；其中运算符表示模糊相似矩阵的合成，运算符的运算规则如下：设有两个数据矩阵R₁和R₂，则R₁与R₂的合成计算公式如公式(7)所示，进行合成运算的两个矩阵需要满足R₁的列数和R₂的行数相等；其中e表示矩阵R₁的行数，f表示矩阵R₂的列数，z表示矩阵R₁的列数和R₂的行数，z的最大取值为∨和∧运算符称为扎德算子，∨运算符是在一组数据元素集中取最大值，∧运算符是在一组数据元素集中取最小值；步骤5，使用步骤4中得到的模糊等价矩阵t(S)进行动态聚类进；开始进行聚类时，将阈值从1开始取值，在等价矩阵中找到等于1的元素，如果等价矩阵中的元素p_xy＝1则说明bs_x和bs_y同属于一个类，于是将这两个数据对象进行聚类处理，归入一个类簇中，否则就不属于同一个类，继续寻找满足要求的数据对象；每个不同的阈值对应不同的分类结果，接着将阈值的取值不断减小，其中阈值的取值从等价矩阵中选取；选取阈值为1时，所有的数据对象单独分为一个类，然后通过将阈值不断减小，从而不断生成新的聚类结果，最终所有元素会归并到一个类簇中，形成了原始数据矩阵BS的一个动态聚类过程；步骤6，在动态聚类结果中确定最佳聚类阈值；为了确定最佳阈值λ，从而得到最佳的聚类结果；采用的是统计学中的方差分析法，用到F统计量来求得最优阈值，假设对于所有的蜂窝小区基站的分类数为N，第r个分类的基站数目为n_r，且第r个分类的样本定义为F统计量的计算公式如公式(8)所示：其中表示的是分类结果中所有蜂窝网络基站“活跃度”参数属性的平均值，计算公式如公式(9)所示，其中n_bs表示蜂窝网络中所有的蜂窝网络基站的数目总数；表示的是第r个类簇中蜂窝网络基站“活跃度”参数属性的平均值，为活跃度数据的数据中心，计算方法如公式(10)所示；i表示步骤1中数据矩阵的行数，j表示数据矩阵的列数；c表示第r个类簇中蜂窝基站的“活跃度”数据矩阵的行数，表示第r个类簇中蜂窝基站的“活跃度”数据矩阵每一行的数据总和；为到的欧氏距离，且计算公式如公式(11)所示；为第r个类簇中蜂窝网络基站的每一行的活跃度数据总和到活跃度数据中心的欧氏距离；F统计量是统计学中一个服从自由度为(N‑1，n_r‑N)的分布函数，公式(8)的分母表示类簇中每一个数据对象样本间的距离，分子则表示生成聚类结果后每个类簇之间的距离；通过计算不同阈值对应的F统计量，找到数值最大的F统计量，此时对应的阈值λ值即为满足条件的最佳阈值，并求得该阈值下的聚类结果即为该方法下的最佳聚类结果。