[发明专利]一种基于机器学习算法和用户到达角的导频分配算法

权利要求书

1.一种基于机器学习算法和用户到达角的导频分配算法，其特征在于，包括以下步骤：

S1、首先将所有用户按到达角是否重叠进行分类，将用户分为n+1个类别，前n个类别代表到达角不重叠的用户，第n+1个类别代表到达角部分重叠或完全重叠的用户，得到到达角互不重叠的用户C₁,C₂,...,C_n和到达角重叠的用户C_n+1；

S2、基于用户位置信息，利用机器学习算法将到达角重叠的用户分为干扰组和非干扰组；

S3、为到达角互不重叠的用户随机分配导频序列；为干扰组的用户分配正交导频，为非干扰组用户随机分配导频序列。

2.根据权利要求1所述的一种基于机器学习算法和用户到达角的导频分配算法，其特征在于，用户的到达角包括最大用户到达角和最小用户到达角，最大用户到达角和最小用户到达角的计算方式如下：

式中，表示第i个小区第k个用户到第l个小区的最大用户到达角，表示第i个小区第k个用户到第l个小区的最小用户到达角，x_l表示基站所在坐标，x_(i,k)表示第i个小区第k个用户的坐标，r为用户散射半径。

3.根据权利要求1所述的一种基于机器学习算法和用户到达角的导频分配算法，其特征在于，步骤S2中，采用K均值聚类算法将到达角重叠的用户分为干扰组和非干扰组，包括如下步骤：

S21、从C_n+1类用户中随机选择K个用户的空间位置信息作为初始聚类中心；

S22、根据C_n+1类用户与聚类中心的距离进行分簇，将每个用户分到距离最近的聚类中心所在的簇；

S23、判断两个聚类中心是否收敛，若收敛则结束聚类，得到聚类结果；否则更新聚类中心并返回步骤S22重新根据当前的聚类中心进行分簇；

S24、根据聚类结果，将簇聚类中心之间相对空间距离大于1000m的簇分为非干扰组，否则为干扰组。

4.根据权利要求3所述的一种基于机器学习算法和用户到达角的导频分配算法，其特征在于，步骤S23中，判断两个聚类中心是否收敛包括：每次K均值聚类算法结束后，计算目标函数E：

其中，u_i为簇C_i的均值向量，||x-u_i||²为每个样本点x到均值点u_i的距离；

判断最后相邻两次目标函数|E₂-E₁|＜ε是否成立，其中ε是一个极小值，若两次临近迭代的准则函数之差小于一个极小值，则说明簇内的误差平方和已经收敛，结束聚类。

5.根据权利要求3所述的一种基于机器学习算法和用户到达角的导频分配算法，其特征在于，步骤S2中，基于K均值聚类分簇模块实现K均值聚类算法，K均值聚类分簇模块包括：用户空间位置获取单元，聚类中心计算单元以及收敛判决单元，中心控制单元获取用户的空间位置信息；聚类中心计算单元根据当前用户的空间位置信息计算当前聚类中心；收敛判决单元根据用户与当前聚类中心之间的位置关系以及用户与上一次迭代的聚类中心之间的位置关系与门限值作对比的结果判断是否输出当前的分簇作为聚类分簇的结果。