为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感。为此,提出改进算法,首先将密...为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感。为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题。在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响。通过高性能计算中心用户数据的实例验证了其可行性。实验结果表明,改进后的算法提高了用户分类的准确性和全面性。展开更多
针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,...针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,将具有相似信道特性的用户聚成一组,使不同分组用户之间的信道相关性较低。再利用比例公平调度选出每组中比例公平系数最高的用户进行传输,调度后的多个用户的空间特性不同的,从而降低空间干扰起到干扰抑制的效果。仿真结果表明,与其他相关2种方法比较,改进方法可有效地降低空间干扰,提高系统吞吐量。展开更多
文摘为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感。为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题。在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响。通过高性能计算中心用户数据的实例验证了其可行性。实验结果表明,改进后的算法提高了用户分类的准确性和全面性。
文摘针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,将具有相似信道特性的用户聚成一组,使不同分组用户之间的信道相关性较低。再利用比例公平调度选出每组中比例公平系数最高的用户进行传输,调度后的多个用户的空间特性不同的,从而降低空间干扰起到干扰抑制的效果。仿真结果表明,与其他相关2种方法比较,改进方法可有效地降低空间干扰,提高系统吞吐量。
文摘时分多址(Time Division Multiple Access,TDMA)信号用户分离作为TDMA信号第三方侦收的重要环节,是后续用户内涵信息解译组报、目标测向定位的前提条件。在未知网台规格情况下,无法通过解译用户ID或网控信令的方式对多用户进行分离。基于TDMA信号物理层特征,提出了一种基于DBSCAN(Ddensity-based Spatial Clustering of Applications with Noise)聚类算法的TDMA信号用户盲分离方法。通过对TDMA信号的时频域特征进行提取和聚类,实现对多用户突发时隙进行分离,并利用仿真数据和实际网台数据进行了算法验证。该算法具有良好的抗噪声性能和较高的正确分选率。
