【深度】基于改进的C-均值聚类算法的动态频谱接入策略

查看原文

其他

【深度】基于改进的C-均值聚类算法的动态频谱接入策略

From 学术plus 学术plus 2019-03-28

【学术plus】快来试试号内搜索功能！

公众号→【智库扫描】→【搜搜文章】

→输入关键词→一键检索您需要的文章。

【兼职】神秘岗位正在向你招手，敢来么？

【厚度】学术plus年终巨献：2017年你不可以错过的重磅报告们！（全文阅读链接）

今日荐文

今日荐文的作者为东北电力大学信息工程学院专家滕志军，曲福娟，谢露莹，国网吉林供电公司信息通信分公司专家刘琰，马欣，朱婉宁。本篇节选自论文《基于改进的C-均值聚类算法的动态频谱接入策略》，发表于《中国电子科学研究院学报》第12卷第6期。

摘要：为尽可能满足认知用户对多业务的需求，不断提高频谱资源的利用效率，提出一种基于C-均值聚类算法的动态频谱接入技术。通过建立可接入信道的多目标矩阵模型，利用多目标聚类的方法完成对信道频谱池的准确划分，不仅能满足认知用户的不同业务需求，还有效提高了频谱利用效率。仿真结果表明，多目标聚类方法能更准确、更快速的依据信道性能实现频谱池准确划分，提高认知用户的频谱接入效率。

关键词：认知无线电；多目标矩阵模型；频谱池；c-均值聚类算法；动态频谱

引言

随着物联网业务的快速发展和国民经济水平的不断增长，人们对无线频谱资源的需求量日益增加，分配给新产业、新技术的资源呈现出供不应求的态势。研究表明，频谱利用率低是无线通信技术面临的主要问题。认知无线电技术具有超强的环境感知和自我学习能力，通过采集周围环境信息的变化情况，随即对其变化进行分析，理解和判断。然后对自身的通信机制进行时实地调整，从而方便认知用户动态的接入频谱。动态频谱接入技术可以简要概括为认知用户不断寻找可用的频谱空洞进行自身的信息传输。首先，只有当主用户不用其频谱时，认知用户才有机会进行信息传输。其次，当主用户要通信时，认知用户必须退出当前频谱避免对主用户产生干扰。

在有多个信道空闲时，认知用户怎样才能选择合适的信道快速接入，实现更好的传输多种业务仍是无线电研究的热点与难点。目前研究较多的是以频谱池策略为基础的前提下，实现频谱的动态接入。J Mitoma博士是频谱池思想的最先提出者，其主要思想是：当认知用户利用感知技术发现主用户不工作，其使用的频谱出现空暇时，认知用户刚好可以伺机利用其信道，以实现频谱的多次利用；文献[3]中Seidel S把频谱划分为黑色、灰色和白色空间，认知用户通过频谱感知进行频谱决策；赵陆文等将频谱进行子信道分割，将信道按照灰度指数大小归入白色、灰色和黑色三种频谱池，认知用户主要选择白色频谱池接入。不仅降低了对主用户的冲突和阻塞，而且加快了自身的通信速度。

相关文献研究了频谱的划分及频谱池的动态接入策略，但对频谱池的划分还不够准确，认知用户在频谱接入速度上还有待提高。本文提出一种基于改进的C均值聚类的频谱池建立方法，通过建立可接入信道的多目标矩阵模型，采用多目标聚类的方法完成频谱的准确划分，以至于使认知用户可以选择适合的信道进行动态接入，提高认知用户的业务传输质量，完善系统的综合性能。

1 系统模型

1.1频谱池模型

频谱池的概念最早是在文献[5]中提出的。主要目标是对已存在的授权系统不做任何修改的情况下。当频谱池中有空闲频谱出现时，认知用户可根据传输业务类型，选择适合的空闲信道接入，提高认知用户传输速率的同时实现了频谱的再次利用。文献[6]表明，现行的频谱分配政策导致大部分频谱并没有充分得到利用，只有一小部分使用频繁。只有在以下两种情况下认知用户才不得不进行频谱的二次切换，即：主用户再次出现时，认知用户必须立刻让出该信道，并快速感知到下一个可用信道继续工作；当前信道受到干扰使信道质量恶化时，为确保认知用户的正常工作需要进行频谱切换。由于许多实际条件的约束，认知用户在切换频谱过程中只关注一些特定的频段，将一定频段内的m个子信道的频谱进行划分，(F={fi ︳i=1,2,…,m}),分别纳入不同的“频谱池”Wj（j=1,2,3,…,k，k≤m）,W1至Wk频谱池的性能逐渐降低：（1）W1频谱池，信道质量较好，最适合认知用户接入；（2）频谱池Wa，a=2,3,…,n,n<k,大部分时间被干扰和低功率的射频能量所使用，信道质量较差；（3）频谱池Wk,常被高功率的射频能量占用，认知用户的信道利用率最低。

认知用户通过不断感知、估计和分析所有信道的使用情况，选择信道环境最佳的信道进行接入，通过建立频谱池，选择频谱池（白色频谱）进行接入，以获得高质量的业务传输性能。

1.2信道模型

为不断满足用户对不同信道的多样性选择，综合信道的不同性能指标建立信道的多目标矩阵模型W(f)。

2 频谱池聚类

2.1改进的C-均值聚类算法

聚类就是按照某一特征将不同事物或对象进行类别划分。其思想是随机选择c个对象当做初始聚类中心，然后运用迭代的方法将已选取的对象分配到对应的类别中，使相似的对象归为同一类，不相似的对象归为不同类。其原始算法聚类个数c是从先验信息中获得的，在样本集合中随机选择c个对象作为初始聚类中心，因为在算法中聚类中心的变化，对聚类结果有很大影响。本文通过改变算法中初始聚类中心的选取方式从而得到一种改进的C均值聚类算法，聚类结果得到明显的优化。将每个信道作为一个数据对象，所有信道组成一个样本集合U。具体步骤如下：

由于C均值聚类算法会通过先验信息给出聚类类别数，本文引入粒度原理来确定聚类类别数，即不同粒度下聚类对应着不同粒子点集的划分，同时采用有效性函数进行约束。聚类结果的优劣由信息粒耦合度以及分离度的大小来判断。若耦合度变小，则表明聚类内部的紧致性变得更好；若分离度变大，则表明不同类别之间的分离性变得更好。

信息粒耦合度：

信息粒分离度：

利用信息耦合度和分离度得到聚类结果的有效性函数为：

2.2频谱池聚类与划分

聚类算法种类繁多，不同算法具有各自的优势，使用范围也不尽相同。本文采用改进的C-均值聚类算法，该算法具有快速收敛性、准确率高、应用广泛等优点，能得到相对合理的全局聚类中心，然后把此中心当作算法的初始聚类点，使频谱分类更加准确和相比于之前的算法收敛速度显著提高。同时运用信息粒度原理确定聚类的类别数，聚类结果的优劣由信息粒耦合度以及分离度的大小来判断，以实现基于信道多目标矩阵模型的频谱池快速聚类。

3 仿真及性能分析

3.1仿真数据及实验设置

为了验证本文算法对认知用户接入信道速度的影响，假设现有n=9条子信道，即信道F={fi｜i=1,2,3…,n}可供认知用户接入，设定信道的特性参数为干扰门限H、信道占用时长T、链路层延时D、路径损耗L和信道误码率E等多种不同的组合。本文设计了三种不同参数的组合以分析频谱池聚类的效果，分别对应表1、表2、表3。

为了简化仿真分析过程，令频谱池的聚类数k=3，即将频谱池分为白色频谱池W1，灰色频谱池W2和黑色频谱池W3。

实验Ⅰ：信道可用时长是衡量信道质量最为关键的因素，信道被用户使用的时间越长，表示信道质量越好，同时它也是多数认知用户最关心的信道特征，实验Ⅰ为由信道可用时长T作为频谱池聚类的实验参数，信道占用情况如表1所示。

表1 实验Ⅰ子信道占用情况

实验Ⅱ：为了体现增加特征参数对频谱聚类的影响，在实验Ⅰ的基础上增加链路延时D这一信道特征参数。

表2 实验Ⅱ子信道占用情况

实验Ⅲ：继续增加特征参数数量，设计将干扰门限H、信道占用时长T、链路层延时D、路径损耗L和信道误码率E等信道特征参数都添加到实验Ⅲ中，具体数据如表3所示。

表3 实验Ⅲ子信道占用情况

实验Ⅳ：为了进一步检验算法的有效性，信道的可用时长T服从0～1之间的均匀分布。

仿真频谱池聚类次数为1024，并且根据不同的用户数量，得到本文算法的平均迭代次数。

3.2仿真结果及分析

对表1给出的信道F={｜i=1,2,3…,9}，依据提前给出的C均值聚类算法，容易得到频谱池聚类结果。实验Ⅰ频谱池聚类结果如表4所示。

表4 实验Ⅰ频谱池聚类结果

图1 频谱池聚类“平均信道可用时长”对比

图1表示三个仿真实验得到的相应频谱池平均可用时长的对比结果，①对比实验Ⅰ、实验Ⅱ与实验Ⅲ生成的频谱池聚类结果，可以得出选择的信道参数不同，信道的聚类结果有较大差别；②在实验Ⅱ与实验Ⅲ中频谱池p2的平均可用时长要高于实验Ⅰ中频谱池p1的平均信道用时长，原因是由于f9的干扰门限较大，使其被聚类w2到中，使频谱池p2的平均信道可用时长增加；③三次实验中频谱池p1的平均信道可用时长高于频谱池p3，说明T是影响频谱池特性聚类的主要因素。结果表明多目标参数模型聚类可以满足不同信道的性能需求，可实现高性能的信道划分。

图2 比较2种算法在不同用户数量时的收敛速度

实验Ⅳ清晰的给出了频谱池聚类的动态变化情况，图2为给出的不同用户数量时算法的收敛速度，由图可得本文提出的改进算法的平均迭代次数要少于文献[5]中的算法。当频谱信息已知的情况下，用户能更快的做出有利选择，使自己获得更大的收益。

图3 比较2种算法在不同用户数量时的系统吞吐量

在加快算法收敛速度的同时，由图3可知算法改进后系统的吞吐量随着用户数的增加不断增大，并且和文献[7]中算法比较吞吐量有明显提高。这表明算法的收敛速度加快，感知时间减少，使用户能更快的做出决策，频谱的利用率显著提高。

4 结语

本文根据认知用户的不同业务需求（如干扰、时延、吞吐量、误码率等）对子信道进行聚类。通过建立多目标矩阵模型，使用多个目标参数描述主用户的信道特性，以至于能够提升频谱聚类的准确度，从而能给认知用户成功接入信道提供更加可靠的依据。同时各个不同的认知用户可以依据其不同特性来选择效益更高的信道动态接入策略，从而能够提升系统的整体水平。下一阶段将在本文涉及的C均值聚类算法的基础之上，与能量检测算法相结合，进一步来完善聚类过程，来增加其频谱接入速度。

（参考文献略）