23、无线网状网络中的人工智能辅助资源共享技术

无线网状网络中的人工智能辅助资源共享技术

1 无监督学习算法

无监督学习与监督学习相对，主要是创造经验，将数据集以简单易懂的格式呈现。与监督学习的另一个重要区别在于损失函数的使用，无监督学习的损失函数会考虑数据表示带来的误差。数据需以低维格式、稀疏格式和独立格式这三种形式之一呈现，否则会被视为错误数据并纳入损失函数计算。以下介绍几种用于解决无线网状网络（WMN）中节点聚类和数据聚合挑战的主要无监督学习算法。

1.1 K - 均值聚类

K - 均值聚类的主要目标是将输入数据或点划分为 K 个不同的簇，确保簇内相似度高、簇间相似度低，相似度通过单个簇内输入数据点的平均值衡量。具体步骤如下：
1. 随机选择 K 个节点作为每个簇的质心。
2. 通过计算距离函数，为网络中的所有节点分配与最近质心相关的标签。
3. 使用当前情况重新计算质心，直到达到收敛条件。收敛评估通过设定节点与其可能的簇质心或簇头之间所有距离之和的预定义阈值来实现。
4. 收敛后，更新所有 K 个簇的簇均值。

K - 均值聚类可用于解决密集 WMN 中热点 - 从节点配置以提高整体性能的问题。在该场景下，网络需决定节点是作为从节点还是热点、从节点应连接到哪个热点、连接和簇形成后使用哪个信道以及从节点应以多大功率发射。可通过以下三步解决：
1. 使用 K - 均值对节点进行聚类。
2. 使用不同的协作频谱感知方法为每个簇分配可用的频谱时隙或频率子带。
3. 根据瞬时信道状态信息为各个节点分配资源。

聚类步骤的主要目的是将相邻节点分组，使节点与潜在热点距离最短且信道条件良好。可定义每个簇允许的节点数量阈值 λ，若有 K 个