基于改進(jìn)的C-均值聚類算法的動(dòng)態(tài)頻譜接入策略

，，， ， ，

(1.東北電力大學(xué)信息工程學(xué)院，吉林 吉林 132012；2.國(guó)網(wǎng)吉林供電公司信息通信分公司，吉林 吉林 132011)

0 引 言

隨著物聯(lián)網(wǎng)業(yè)務(wù)的快速發(fā)展和國(guó)民經(jīng)濟(jì)水平的不斷增長(zhǎng)，人們對(duì)無線頻譜資源的需求量日益增加，分配給新產(chǎn)業(yè)、新技術(shù)的資源呈現(xiàn)出供不應(yīng)求的態(tài)勢(shì)。研究表明，頻譜利用率低是無線通信技術(shù)面臨的主要問題。認(rèn)知無線電技術(shù)[1]具有超強(qiáng)的環(huán)境感知和自我學(xué)習(xí)能力，通過采集周圍環(huán)境信息的變化情況，隨即對(duì)其變化進(jìn)行分析，理解和判斷。然后對(duì)自身的通信機(jī)制進(jìn)行時(shí)實(shí)地調(diào)整，從而方便認(rèn)知用戶動(dòng)態(tài)的接入頻譜。動(dòng)態(tài)頻譜接入技術(shù)可以簡(jiǎn)要概括為認(rèn)知用戶不斷尋找可用的頻譜空洞進(jìn)行自身的信息傳輸。首先，只有當(dāng)主用戶不用其頻譜時(shí)，認(rèn)知用戶才有機(jī)會(huì)進(jìn)行信息傳輸。其次，當(dāng)主用戶要通信時(shí)，認(rèn)知用戶必須退出當(dāng)前頻譜避免對(duì)主用戶產(chǎn)生干擾。

在有多個(gè)信道空閑時(shí)，認(rèn)知用戶怎樣才能選擇合適的信道快速接入，實(shí)現(xiàn)更好的傳輸多種業(yè)務(wù)仍是無線電研究的熱點(diǎn)與難點(diǎn)。目前研究較多的是以頻譜池策略為基礎(chǔ)的前提下，實(shí)現(xiàn)頻譜的動(dòng)態(tài)接入。J Mitoma博士是頻譜池思想的最先提出者，其主要思想是：當(dāng)認(rèn)知用戶利用感知技術(shù)發(fā)現(xiàn)主用戶不工作，其使用的頻譜出現(xiàn)空暇時(shí)，認(rèn)知用戶剛好可以伺機(jī)利用其信道，以實(shí)現(xiàn)頻譜的多次利用[2]；文獻(xiàn)[3]中Seidel S把頻譜劃分為黑色、灰色和白色空間，認(rèn)知用戶通過頻譜感知進(jìn)行頻譜決策；趙陸文等將頻譜進(jìn)行子信道分割，將信道按照灰度指數(shù)大小歸入白色、灰色和黑色三種頻譜池，認(rèn)知用戶主要選擇白色頻譜池接入[4]。不僅降低了對(duì)主用戶的沖突和阻塞，而且加快了自身的通信速度。

相關(guān)文獻(xiàn)研究了頻譜的劃分及頻譜池的動(dòng)態(tài)接入策略，但對(duì)頻譜池的劃分還不夠準(zhǔn)確，認(rèn)知用戶在頻譜接入速度上還有待提高。本文提出一種基于改進(jìn)的C均值聚類的頻譜池建立方法，通過建立可接入信道的多目標(biāo)矩陣模型，采用多目標(biāo)聚類的方法完成頻譜的準(zhǔn)確劃分，以至于使認(rèn)知用戶可以選擇適合的信道進(jìn)行動(dòng)態(tài)接入，提高認(rèn)知用戶的業(yè)務(wù)傳輸質(zhì)量，完善系統(tǒng)的綜合性能。

1 系統(tǒng)模型

1.1 頻譜池模型

頻譜池的概念最早是在[5]中提出的。主要目標(biāo)是對(duì)已存在的授權(quán)系統(tǒng)不做任何修改的情況下。當(dāng)頻譜池中有空閑頻譜出現(xiàn)時(shí)，認(rèn)知用戶可根據(jù)傳輸業(yè)務(wù)類型，選擇適合的空閑信道接入，提高認(rèn)知用戶傳輸速率的同時(shí)實(shí)現(xiàn)了頻譜的再次利用。文獻(xiàn)[6]表明，現(xiàn)行的頻譜分配政策導(dǎo)致大部分頻譜并沒有充分得到利用，只有一小部分使用頻繁。只有在以下兩種情況下認(rèn)知用戶才不得不進(jìn)行頻譜的二次切換，即：主用戶再次出現(xiàn)時(shí)，認(rèn)知用戶必須立刻讓出該信道，并快速感知到下一個(gè)可用信道繼續(xù)工作；當(dāng)前信道受到干擾使信道質(zhì)量惡化時(shí)，為確保認(rèn)知用戶的正常工作需要進(jìn)行頻譜切換。由于許多實(shí)際條件的約束，認(rèn)知用戶在切換頻譜過程中只關(guān)注一些特定的頻段，將一定頻段內(nèi)的m個(gè)子信道的頻譜進(jìn)行劃分，(F={fi︳i=1,2,…,m}),分別納入不同的“頻譜池”Wj(j=1,2,3,…,k，k≤m),W1至Wk頻譜池的性能逐漸降低：(1)頻譜池W1，信道質(zhì)量較好，最適合認(rèn)知用戶接入；(2)頻譜池Wa，a=2,3,…,n,n

認(rèn)知用戶通過不斷感知、估計(jì)和分析所有信道的使用情況，選擇信道環(huán)境最佳的信道進(jìn)行接入，通過建立頻譜池，選擇頻譜池(白色頻譜)進(jìn)行接入，以獲得高質(zhì)量的業(yè)務(wù)傳輸性能[7]。

1.2 信道模型

為不斷滿足用戶對(duì)不同信道的多樣性選擇，綜合信道的不同性能指標(biāo)建立信道的多目標(biāo)矩陣模型W(f)[8]。

設(shè)頻譜域W(f)=[w1,w2,…,wn]為被分類的對(duì)象，每個(gè)聚類的頻譜又由m個(gè)信道特征表示，第i個(gè)聚類表示為

wi=[xi1,xi2,…,xim](i=1,2,……,n)

(1)

對(duì)應(yīng)的原始數(shù)據(jù)矩陣為

(2)

式中xij表示信道wi(1≤i≤n)的第j個(gè)性能參數(shù)。這里Wn×m(F)的行向量Wi.=[xi1,xi2,…,xin]稱為W的一個(gè)樣本，列向量W.j=[x1j,x2j,…,xnj]T表示W(wǎng)的一個(gè)信道性能，這樣多目標(biāo)矩陣Wn×m(F)就能表示認(rèn)知用戶關(guān)注的n個(gè)子信道F={fi∣i=1,2,…,n}的所有特征。

2 頻譜池聚類

2.1 改進(jìn)的C-均值聚類算法

聚類就是按照某一特征將不同事物或?qū)ο筮M(jìn)行類別劃分。其思想是隨機(jī)選擇c個(gè)對(duì)象當(dāng)做初始聚類中心，然后運(yùn)用迭代的方法將已選取的對(duì)象分配到對(duì)應(yīng)的類別中，使相似的對(duì)象歸為同一類，不相似的對(duì)象歸為不同類。其原始算法聚類個(gè)數(shù)c是從先驗(yàn)信息中獲得的，在樣本集合中隨機(jī)選擇c個(gè)對(duì)象作為初始聚類中心，因?yàn)樵谒惴ㄖ芯垲愔行牡淖兓?，?duì)聚類結(jié)果有很大影響。本文通過改變算法中初始聚類中心的選取方式從而得到一種改進(jìn)的C均值聚類算法，聚類結(jié)果得到明顯的優(yōu)化。將每個(gè)信道作為一個(gè)數(shù)據(jù)對(duì)象，所有信道組成一個(gè)樣本集合U。具體步驟如下：

(1)算出wi中每?jī)蓚€(gè)樣本之間的歐式距離d(fi,vj)，d(fi,wj)=‖wi-wj‖找出距離最近的兩個(gè)樣本,d(fi,wj)′=min{d(fi,wj),j=1,2,…,n}，將它們納入到新集合中，獲得一個(gè)新集合A1；

(2)計(jì)算集合U中每個(gè)樣本與每個(gè)數(shù)據(jù)對(duì)象之間的歐式距離，找出U中與A1距離最近的樣本，把它納入集合A1中，直到A1中的數(shù)據(jù)達(dá)到一定閥值；

(3)然后找出集合U中距離最近的兩個(gè)樣本得到另一個(gè)樣本集合A2，重復(fù)以上操作，直到得到C個(gè)樣本集合；

(4)求出c個(gè)樣本的均值，從而產(chǎn)生C個(gè)初始聚類中心。

由于C均值聚類算法會(huì)通過先驗(yàn)信息給出聚類類別數(shù)，本文引入粒度原理來確定聚類類別數(shù)[10]，即不同粒度下聚類對(duì)應(yīng)著不同粒子點(diǎn)集的劃分，同時(shí)采用有效性函數(shù)進(jìn)行約束。聚類結(jié)果的優(yōu)劣由信息粒耦合度以及分離度的大小來判斷。若耦合度變小，則表明聚類內(nèi)部的緊致性變得更好；若分離度變大，則表明不同類別之間的分離性變得更好。

信息粒耦合度：

(3)

信息粒分離度：

(4)

利用信息耦合度和分離度得到聚類結(jié)果的有效性函數(shù)為：

YD(c)=βCd(c)+(1-β)1/(Fd(c))

(5)

這里c表示分類數(shù)，uij表示xj屬于i類區(qū)域的隸屬度，dij2=‖xj-vi‖2表示樣本點(diǎn)xk距離聚類中心vi的歐式距離，取β=0.6,1-β=0.4。較小的YD(c)值代表較好的聚類結(jié)果，與YD(c)最小值相對(duì)應(yīng)的C值即為最佳的聚類數(shù)。

2.2 頻譜池聚類與劃分

聚類算法種類繁多，不同算法具有各自的優(yōu)勢(shì)，使用范圍也不盡相同。本文采用改進(jìn)的C-均值聚類算法，該算法具有快速收斂性、準(zhǔn)確率高、應(yīng)用廣泛等優(yōu)點(diǎn)，能得到相對(duì)合理的全局聚類中心，然后把此中心當(dāng)作算法的初始聚類點(diǎn)，使頻譜分類更加準(zhǔn)確和相比于之前的算法收斂速度顯著提高。同時(shí)運(yùn)用信息粒度原理確定聚類的類別數(shù)，聚類結(jié)果的優(yōu)劣由信息粒耦合度以及分離度的大小來判斷，以實(shí)現(xiàn)基于信道多目標(biāo)矩陣模型的頻譜池快速聚類。

(6)

頻譜池聚類的具體步驟如下：

(b)初始信道聚類中心的求取：運(yùn)用改進(jìn)的C均值聚類算法，求取初始信道聚類中心，獲得信道聚類結(jié)果并輸出；

(c)更新信道分類矩陣U:

(e)未達(dá)到ε的上限，重新計(jì)算U和V的值。迭代停止閥值，則輸出U和V的值；

(f)計(jì)算有效函數(shù)YD(c)，將此值保存起來；

(g)計(jì)算信道類間兩兩之間的距離，將距離最小的兩類合并成一類，得到C-1個(gè)信道聚類中心；

(h)令C=C-1，若C>1，則設(shè)L=0，轉(zhuǎn)向(c)，否則，轉(zhuǎn)向(i)；

3 仿真及性能分析

3.1 仿真數(shù)據(jù)及實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文算法對(duì)認(rèn)知用戶接入信道速度的影響，假設(shè)現(xiàn)有n=9條子信道，即信道F={fi|i=1,2,3…,n}可供認(rèn)知用戶接入，設(shè)定信道的特性參數(shù)為干擾門限H、信道占用時(shí)長(zhǎng)T、鏈路層延時(shí)D、路徑損耗L和信道誤碼率E等多種不同的組合。本文設(shè)計(jì)了三種不同參數(shù)的組合以分析頻譜池聚類的效果，分別對(duì)應(yīng)表1、表2、表3。

為了簡(jiǎn)化仿真分析過程，令頻譜池的聚類數(shù)k=3，即將頻譜池分為白色頻譜池w1，灰色頻譜池w2和黑色頻譜池w3。

實(shí)驗(yàn)Ⅰ：信道可用時(shí)長(zhǎng)是衡量信道質(zhì)量最為關(guān)鍵的因素，信道被用戶使用的時(shí)間越長(zhǎng)，表示信道質(zhì)量越好，同時(shí)它也是多數(shù)認(rèn)知用戶最關(guān)心的信道特征，實(shí)驗(yàn)Ⅰ為由信道可用時(shí)長(zhǎng)T作為頻譜池聚類的實(shí)驗(yàn)參數(shù)，信道占用情況如表1所示。

表1 實(shí)驗(yàn)Ⅰ子信道占用情況

實(shí)驗(yàn)Ⅱ：為了體現(xiàn)增加特征參數(shù)對(duì)頻譜聚類的影響，在實(shí)驗(yàn)Ⅰ的基礎(chǔ)上增加鏈路延時(shí)D這一信道特征參數(shù)。

表2 實(shí)驗(yàn)Ⅱ子信道占用情況

實(shí)驗(yàn)Ⅲ：繼續(xù)增加特征參數(shù)數(shù)量，設(shè)計(jì)將干擾門限H、信道占用時(shí)長(zhǎng)T、鏈路層延時(shí)D、路徑損耗L和信道誤碼率E等信道特征參數(shù)都添加到實(shí)驗(yàn)Ⅲ中，具體數(shù)據(jù)如表3所示。

實(shí)驗(yàn)Ⅳ：為了進(jìn)一步檢驗(yàn)算法的有效性，信道的可用時(shí)長(zhǎng)T服從0～1之間的均勻分布。

仿真頻譜池聚類次數(shù)為1024，并且根據(jù)不同的用戶數(shù)量，得到本文算法的平均迭代次數(shù)。

表3 實(shí)驗(yàn)Ⅲ子信道占用情況

3.2 仿真結(jié)果及分析

對(duì)表1給出的信道F={fi|i=1,2,3…,9}，依據(jù)提前給出的C均值聚類算法，容易得到頻譜池聚類結(jié)果。實(shí)驗(yàn)Ⅰ頻譜池聚類結(jié)果如表4所示。

表4 實(shí)驗(yàn)Ⅰ頻譜池聚類結(jié)果

聚類后頻譜池p1，p2，p3的平均可用時(shí)長(zhǎng)T分別為37,33，17.75和5.5?？梢缘贸霭咨l譜池的平均可用時(shí)長(zhǎng)，遠(yuǎn)大于灰色和黑色頻譜池，認(rèn)知用戶主要選擇白色頻譜池w1進(jìn)行接入，即可獲得高性能的傳輸信道。

下面為實(shí)驗(yàn)Ⅱ、Ⅲ，建立多目標(biāo)參數(shù)的頻譜池聚類結(jié)果。

表5 實(shí)驗(yàn)Ⅱ頻譜池聚類結(jié)果

表6 實(shí)驗(yàn)Ⅲ頻譜池聚類結(jié)果

圖1 頻譜池聚類“平均信道可用時(shí)長(zhǎng)”對(duì)比

圖1表示三個(gè)仿真實(shí)驗(yàn)得到的相應(yīng)頻譜池平均可用時(shí)長(zhǎng)的對(duì)比結(jié)果，①對(duì)比實(shí)驗(yàn)Ⅰ、實(shí)驗(yàn)Ⅱ與實(shí)驗(yàn)Ⅲ生成的頻譜池聚類結(jié)果，可以得出選擇的信道參數(shù)不同，信道的聚類結(jié)果有較大差別；②在實(shí)驗(yàn)Ⅱ與實(shí)驗(yàn)Ⅲ中頻譜池p2的平均可用時(shí)長(zhǎng)要高于實(shí)驗(yàn)Ⅰ中頻譜池p1的平均信道用時(shí)長(zhǎng)，原因是由于f9的干擾門限較大，使其被聚類到w2中，使頻譜池p2的平均信道可用時(shí)長(zhǎng)增加；③三次實(shí)驗(yàn)中頻譜池p1的平均信道可用時(shí)長(zhǎng)高于頻譜池p3，說明T是影響頻譜池特性聚類的主要因素。結(jié)果表明多目標(biāo)參數(shù)模型聚類可以滿足不同信道的性能需求，可實(shí)現(xiàn)高性能的信道劃分。

圖2 比較2種算法在不同用戶數(shù)量時(shí)的收斂速度

實(shí)驗(yàn)Ⅳ清晰的給出了頻譜池聚類的動(dòng)態(tài)變化情況，圖2為給出的不同用戶數(shù)量時(shí)算法的收斂速度，由圖可得本文提出的改進(jìn)算法的平均迭代次數(shù)要少于文獻(xiàn)[5]中的算法。當(dāng)頻譜信息已知的情況下，用戶能更快的做出有利選擇，使自己獲得更大的收益。

圖3 比較2種算法在不同用戶數(shù)量時(shí)的系統(tǒng)吞吐量

在加快算法收斂速度的同時(shí)，由圖3可知算法改進(jìn)后系統(tǒng)的吞吐量隨著用戶數(shù)的增加不斷增大，并且和文獻(xiàn)[7]中算法比較吞吐量有明顯提高。這表明算法的收斂速度加快，感知時(shí)間減少，使用戶能更快的做出決策，頻譜的利用率顯著提高。

4 結(jié) 語(yǔ)

本文根據(jù)認(rèn)知用戶的不同業(yè)務(wù)需求(如干擾、時(shí)延、吞吐量、誤碼率等)對(duì)子信道進(jìn)行聚類。通過建立多目標(biāo)矩陣模型，使用多個(gè)目標(biāo)參數(shù)描述主用戶的信道特性，以至于能夠提升頻譜聚類的準(zhǔn)確度，從而能給認(rèn)知用戶成功接入信道提供更加可靠的依據(jù)。同時(shí)各個(gè)不同的認(rèn)知用戶可以依據(jù)其不同特性來選擇效益更高的信道動(dòng)態(tài)接入策略，從而能夠提升系統(tǒng)的整體水平。下一階段將在本文涉及的C均值聚類算法的基礎(chǔ)之上，與能量檢測(cè)算法相結(jié)合，進(jìn)一步來完善聚類過程，來增加其頻譜接入速度。

[1] 張國(guó)偉.認(rèn)知無線電網(wǎng)絡(luò)中頻譜感知技術(shù)研究[D].山東大學(xué),2011,9(11):12-25.

[2] MItola J.Cognitive radio for flexible mobile multimedia communication[J].Mobile Multimedia Communication,1999,11(1):3-10.

[3] Seidel S. IEEE 802 tutorial:cognitive radio[P/OI][2010-04-23]. http://www, ieee802, org/802-tuto- rial/july05/IEEE/20802/20CR/20Tutorial/207-18-05/20scidcl/20input, pdf

[4] 張健.李國(guó)慶.冀瑞芳.基于改進(jìn)免疫算法的PMU多目標(biāo)優(yōu)化配置[J].東北電力大學(xué)學(xué)報(bào),2010,4(6):4-8.

[5] 趙陸文.繆志.周志杰等.基于K-均值聚類的動(dòng)態(tài)頻譜接入技術(shù)[J].信號(hào)處理,2009,25(2):1825-1829.

[6] 江磊.高月紅.張欣.楊大成.頻譜池在認(rèn)知無線電中的應(yīng)用[J].2011,4(7):1002-5316.

[7] Wang bei bei,JiZhu.Liu Ray K J,et al.Primary prioritized Markov approach for dynamic spectrum allocation[J]. IEEE Transaction on Wireless Communication,2009.8(4)1854-1865.

[8] 常博文.王超.寧洋等.動(dòng)態(tài)頻譜接入技術(shù)綜述[J].科學(xué)評(píng)價(jià),2016,21(5):1001-8972.

[9] 卜東坡.白碩.李國(guó)杰.聚類/分類中的粒度原理[J].計(jì)算機(jī)學(xué)報(bào),2011,10(5):1-5.

[10] 鄧冠男.聚類分析中的相似度研究[J].東北電力大學(xué)學(xué)報(bào),2013,Z1(2):18-23.

[11] Long Yin，Zhu Jiang，Li fang wei. Dynamic Channel allocation-algorithm based on parameter estimation in cognitive radio[C]// International Conference on Wireless Communications and Signal Processing.2011.Nanjing:IEEE Press,2011:1-5.

[12] Wang beibei, Ji chu，Liu Ray K J，et al. Primary-prioritized Markov approach for dynamic spectrum allocation[J].IEEE Transactions on Wireless Communications, 2009 (8):1811-1823.

[13] 滕志軍, 趙立亞. 基于陰陽(yáng)理論的認(rèn)知無線電頻譜檢測(cè)算法[J]. 東北電力大學(xué)學(xué)報(bào), 2011, 31(3):47-51.