技术领域
[0001] 本
发明涉及频谱数据中信道的聚类领域，具体涉及一种频谱空间信道聚类方法。
背景技术
[0002] 近些年来，随着无线技术和服务的高速发展，无线频谱变得越来越拥挤，频谱资源的也日益短缺，无线电秩序与频谱安全的隐患越来越严重；可以看出频谱资源的紧缺和频谱资源极低的利用率之间是存在严重矛盾的，所以国内外的学者们都在积极致
力于探索新的频谱资源分配机制，有学者提出动态频谱分配机制，其与传统的固定频谱分配机制的不同在于，针对于为授权用户分配的频段，当其处于空闲状态时，非授权用户是可以利用这个频段的，这样的改变，将会提高频谱的使用效率。
[0003] 未来移动通信系统频谱共享、无线电秩序管理，将从传统的固定式的分配和管理模式向灵活动态的方向发展和转型，所以如何利用电磁频谱态势更加智能有效的进行频谱管理和决策是该领域研究的重要课题。
[0004] 现有的信道聚类存在中聚类效果不合理和可靠、聚类时间效率、非聚类信道点不能聚类的技术问题。本发明提供及一种频谱空间信道聚类方法解决了上述问题。
发明内容
[0005] 本发明所要解决的技术问题是
现有技术中存在聚类效果不合理和可靠、聚类时间效率、非聚类信道点不能聚类的技术问题。提供一种新的频谱空间信道聚类方法，该频谱空间信道聚类方法具有合理和可靠的特点。
[0006] 为解决上述技术问题，采用的技术方案如下：
[0007] 一种频谱空间信道聚类方法，所述频谱空间信道聚类方法包括：
[0008] 步骤一，通过频谱接收仪采集频谱数据，进行数据预处理，将所有信道的频谱
数据处理成二进制序列，0代表信道空闲，1代表信道占用；
[0009] 步骤二，利用引入时间因子的改进的信道相似性计算公式计算信息之间的相似度；
[0010] 步骤三，通过步骤二得到了信道彼此之间的相似度值，利用信息熵公式计算出信道彼此之间的距离；
[0011] 步骤四，利用步骤三得到的信道彼此之间的距离，通过改进的基于DBSCAN的信道聚类
算法对信道进行聚类；
[0012] 步骤五，将步骤四聚类出的聚类信道作为聚类结果，利用PEG方法和MPEG方法计算出各个类的代表信道；
[0013] 步骤六，对改进的基于DBSCAN的信道
聚类算法聚类后的非聚类点定义为游离点，通过基于代表信道占用状态序列的频繁模式挖掘算法来对游离点进行二次聚类，得出最终聚类结果。
[0014] 本发明中将时间因子引入到传统的信道相似性计算方法中，并且考虑到基于最小信息熵增量的信道聚类算法和基于
密度的信道聚类算法它们的时间复杂度较高，所以在本发明中将提出一种改进的基于密度的信道聚类算法，它将减少传统算法中信道点的重复查询以提升算法聚类效率。然后再针对基于最小信息熵增量的信道聚类算法和基于密度的信道聚类算法对于非聚类信道点的置之不理，本发明在改进的基于密度的信道聚类算法的
基础上引入基于代表信道占用状态序列的频繁模式挖掘算法来对非聚类进行二次聚类。
[0015] 上述方案中，为优化，进一步地，步骤二包括，定义信息之间的相似度：
[0016]
[0017] 其中，ρij表示的是信道i和信道j的相似性系数，s[m]表示在第m个timeslot时隙,如果ci[m]＝cj[m]，则s[m]为1；否则，s[m]为0；
[0018] weight[m]表示在第m个timeslot时隙的信道相似性权值weigh；
[0019] weigh＝{0.9,0.9+x,0.9+2x,...,0.9+(n-1)x}表示timeslot时隙大小为n的信道i的权值，定义权值的分布式服从等差数列的，权重的总和为n；
[0020] m为正整数，n为正整数。
[0021] 进一步地，利用信息熵公式计算出信道彼此之间的距离，1减去信息熵公式计算出来的值为信道彼此之间的距离：
[0022]
[0023] 其中，信息熵H(x)满足对称性的并且关于ρ＝0.5对称；当ρ≥0.5时，若相关系数越高，通过信息熵公式计算出来的空间距离越小；当ρ＜0.5时，信道相关系数若越高，通过信息熵公式计算出来的空间距离就越大，m和n为正整数。
[0024] 进一步地，步骤四中通过改进的基于DBSCAN的信道聚类算法对信道进行聚类包括：
[0025] 步骤(1)，将基于密度的信道聚类算法中的参数eps设置为预设值，参数minPts设置为2；
[0026] 步骤(2)，计算出所有信道相互之间的信道空间距离，并将每个信道按信道顺序编号，构建信道索引顺序；
[0027] 步骤(3)，从索引号最小的信道点m1开始邻域查询，如果信道点m1是核心信道点，就将信道点m1邻域范围的所有
节点用cluster1标记；
[0028] 步骤(4)，按照信道索引顺序遍历下一个没有进入聚类簇且没有被标记的信道点n1，对信道点n1进行邻域查询；
[0029] 若信道点n1是核心信道点且和已经标记的信道点m1五重叠或重叠区域无核心信道点，用cluster2来标记；
[0030] 若其与信道点m1的邻域有重复点，且重复点中存在核心信道点s，则将信道点n1的所有邻域中的节点用cluster1标记；
[0031] 如信道点n1与不能的信道点有重叠节点且重叠节点中存在核心信道点，则将信道点n1利用不同类别标记进行标志合并；
[0032] 步骤(5)，重复步骤(1)至步骤(4)。
[0033] 本发明的有益效果：本发明把时间因子考虑到信道相似性计算方法中，使其计算方法更加合理和可靠；另外在传统的基于密度的信道聚类算法中，针对重叠区域的再次邻域查询会降低聚类时间效率，提出改进的基于密度的信道聚类算法，然后再对于那些没有进入聚类簇的游离点，利用基于代表信道占用状态序列的频繁模式挖掘算法使得最后的聚类效果优于传统的信道聚类算法。
附图说明
[0034] 下面结合附图和
实施例对本发明进一步说明。
[0035] 图1，实施例1中的频谱空间信道聚类方法
流程图。
[0036] 图2，改进的基于密度和频繁模式挖掘的频谱空间信道聚类系统步骤流程图。
具体实施方式
[0037] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0038] 实施例1
[0039] 本实施例提供一种改进的基于密度和频繁模式挖掘的频谱空间信道聚类方法，它的具体实现步骤如下：
[0040] S1、数据预处理：通过频谱接收仪采集频谱数据，接着将所有信道的频谱数据处理成0,1序列，0代表信道空闲，1代表信道占用。
[0041] S2、计算信道之间彼此的相似度：利用引入时间因子的改进的信道相似性计算公式计算信息之间的相似度。
[0042] S3、计算信道之间的距离：通过S2得到了信道彼此之间的相似度值，利用信息熵公式计算出信道彼此之间的距离。
[0043] S4、对信道进行聚类：利用S3得到的结果，先通过改进的基于DBSCAN的信道聚类算法对信道进行聚类。
[0044] S5、计算出聚类结果的代表信道：利用PEG(Prediction Entropy Of The Group)和MPEG(Minimum Prediction Entropy Of The Group)方法计算出各个类的代表信道。
[0045] S6、对游离点进行二次聚类：针对DBSCAN聚类之后的那些非聚类点，通过提出的基于代表信道占用状态序列的频繁模式挖掘算法来对其游离信道进行二次聚类，最后得出聚类结果。
[0046] 具体的，上述的S2中的信道彼此之间的相似性计算公式具体方法如下：
[0047]
[0048] 上式ρij表示的是信道i和信道j的相似性系数，其中s[m]表示的是在第m个timeslot时隙,如果ci[m]＝cj[m]，则s[m]为1；否则，s[m]为0；而weight[m]就代表其在第m个timeslot时隙的信道相似性权值。
[0049] weigh＝{0.9,0.9+x,0.9+2x,...,0.9+(n-1)x}
[0050] weigh代表的是timeslot时隙大小为n的信道i,其相应的权值为多少；假设的是其权值的分布式服从等差数列的，则计算出其权重的总和是为n。
[0051] 具体的，利用信息熵公式计算出信道彼此之间的距离具体方法如下：
[0052]
[0053] 接着根据信息熵H(x)的性质，其是满足对称性的并且关于ρ＝0.5对称；当ρ≥0.5时，若相关系数越高，通过信息熵公式计算出来的空间距离越小，这是符合我们的目的和逻辑的，但当ρ＜0.5时，信道相关系数若越高，同理通过信息熵公式计算出来的空间距离就越大，然后利用信息熵H(x)的对称性，就用1减去那个通过信息熵计算出来的值。
[0054] 具体的，利用改进的基于密度的信道聚类算法对某业务中的信道数进行聚类，其算法聚类过程具体步骤如下：
[0055] 第一步，将基于密度的信道聚类算法中的参数eps设置为合理值，参数minPts设置为2；
[0056] 第二步，计算出所有信道相互之间的信道空间距离，并将每个信道按信道顺序编号；
[0057] 第三步，从索引号最小的信道点m1开始邻域查询，如果m是核心信道点，就将它邻域范围的所有节点用cluster1标记；
[0058] 第四步，按照信道索引顺序遍历下一个没有进入聚类簇并没有被标记的信道点n1，然后进行邻域查询，若该信道点n1是核心点并且和已经标记的信道m没有重叠或重叠区域没有核心信道点，就用cluster2来标记；若其与信道点m1的邻域有重复点，并且这些点中存在核心信道点s，则将信道点n1中所有邻域中的节点用cluster1标记，如其与不能的信道点有重叠节点并且重叠节点中存在核心信道点，则将其利用不同类别的标记进行标志合并。
[0059] 第五步，重复上述过程。
[0060] 具体的，通过基于代表信道占用状态序列的频繁模式挖掘算法(RC-FPM,Based on The Frequent Pattern Mining Algorithm Representing Channel Occupied State)来对信道进行二次聚类，其算法聚类过程具体步骤如下：
[0061] 第一步，首先确定RC-FPM算法中的超参数min_rep，此参数用于判断一个模式是否为频繁模式；
[0062] 第二步，利用前面改进的基于密度的信道聚类算法的聚类结果，依次遍历每个聚类簇中的代表信道；
[0063] 第三步，针对代表信道与每个游离信道组成的二维矩阵M，将i从1到总列数N开始依次遍历，将2行i列的M子矩阵对应的出现次数存放在哈希表T(2,y)中，如果T(2,y-1)为空的话，不难得出，T(2,y)也为空；
[0064] 第四步，2行i列的M子矩阵表示为B(2,y),然后依次遍历哈希表T(2,y)中的M子矩阵
块B(2,y),进而依次判断其对应的出现次数是否大于超参数min_rep,如果是，就放入输出频繁模式集合；如果不是，置之不理；
[0065] 第五步，根据输出的频谱模式，找出对应的强关联规则；
[0066] 本实施例是基于一种改进的基于密度和频繁模式挖掘的频谱空间信道聚类系统，它主要包括数据上传模块，信道相似性和信道距离计算模块、信道聚类模块和聚类结果
可视化模块。
[0067] 所诉的数据上传模块，输入每个信道的占用状态序列。
[0068] 所诉的信道相似性和信道距离计算模块，首先计算出两两信道之间的相似性，进而再计算出两两信道之间的距离。
[0069] 所述的信道聚类模块，根据一种改进的基于密度和频繁模式挖掘的频谱空间信道聚类算法对信道进行聚类。
[0070] 所述的聚类结果可视化模块，根据聚类结果，利用可视化技术对聚类结果进行可视化展示。
[0071] 一种改进的基于密度和频繁模式挖掘的频谱空间信道聚类系统，它主要包含：处理器，用于执行程序；
[0072]
存储器，用来存储将会由处理器处理的程序，其中所述程序在执行时的主要流程步骤如下：
[0073] S1、输入频谱信道占用状态序列
[0074] S2、计算信道之间的相似性，进而计算出信道之间的距离：利用引入时间因子的改进的信道相似性计算公式计算信息之间的相似度，然后通过信息熵公式计算它们之间的信道距离。
[0075] S3、利用改进的基于密度和频繁模式挖掘的频谱空间信道聚类方法进行聚类：先通过改进的基于DBSCAN的信道聚类进行处理，然后对剩下的非聚类信道通过RC-FPM算法进行处理，进行二次聚类。
[0076] 计算机可读存储介质存储上述
计算机程序，如图2，改进的基于密度和频繁模式挖掘的频谱空间信道聚类系统的主要步骤包括如下步骤：
[0077] S1、输入频谱信道占用状态序列
[0078] S2、计算信道之间的相似性，进而计算出信道之间的距离：利用引入时间因子的改进的信道相似性计算公式计算信息之间的相似度，然后通过信息熵公式计算它们之间的信道距离。
[0079] S3、进行聚类结果展示：通过提出的改进的基于密度和频繁模式挖掘的信道聚类算法对信道进行聚类。
[0080] 本实施例实现了对无线电业务信道相关性的挖掘和聚类，使得可以通过其代表信道的状态来预测簇中其他信道的状态，这样可以对频谱态势分析和频谱管理起到指导作用，其在未来的无线认知通信系统中具有很强的实用意义。
[0081] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于
本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的
权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。
