《表1 MPC聚类算法的特点》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习在信道建模中的应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

文献[26]提出了一种基于核功率密度（KPD，kernel power density）的分簇算法，该算法同时考虑了MPC的功率和密度，这使分簇结果与多径统计特征紧密结合，且能更好地识别MPC的局部密度变化。另外，当大量的簇出现角度扩展的现象时，算法性能也没有明显的下降。文献[27]提出了一种改进的KPD分簇算法，不需要手动调整就可以得到各个MPC的自适应分簇个数k，以解决KPD中无法准确区分密度相近、多径较小的簇的问题。文献[28-29]提出了一种基于功率谱轮廓识别的分簇方法，该算法是适于时变信道目标识别的分簇算法，它能够较好地识别视距环境和非视距环境下的主簇，复杂度低且不需要进行高分辨率的参数估计，便可以清晰地观察到实时信道测量中簇的动态变化。文献[30]提出了一种基于联合核密度的分簇算法，该算法考虑了MPC的统计特性，通过改进核方程并利用各参数的实际统计分布形成联合核密度，自动得到最优分簇数的同时使聚类结果也更加准确。文献[31]提出了一种基于稀疏度的信道冲激响应分簇算法，该算法改进了现有分簇算法中没有充分考虑分簇形状而使分簇性能降低的缺点，并提供了一种启发式的方法来识别恢复CIR中的簇，与直接识别簇算法相比，其准确性更高。文献[32]提出了一种基于KPM–卡尔曼滤波的分簇算法，其适于大规模MIMO的城市宏蜂窝行人移动场景，可以在测量过程中清晰地描述不同簇的轨迹，包括簇的产生、消失率和存留时长。文献[33]提出了一种基于数据流的分簇算法，该算法考虑了多径的时延、到达角、离开角和功率，且基于信道的时域动态特性，能够自然地反映MPC的动态行为，因此可以对时变信道进行分簇。文献[34]提出了一种基于模糊C均值的分簇，这是一种基于划分的分簇算法，该算法建立了样本对类别的不确定描述，实验结果表明其性能优于KPM算法，从而成为分簇分析方向的主流方法。文献[35-36]提出了一种基于密度峰值的分簇算法，该算法具有自动获取簇数和分簇中心的能力，且适用于任何分布的数据集，但只支持时延域。文献[37]提出了一种基于最大转移概率相似性的多径分簇算法，建立了时变信道动态多径的分簇关系。另外，一种由图论演化而来的谱分簇算法[19]能够深入挖掘信道测量数据中的特征和规律，因此效果表现良好，但仍需要预先设置簇数。上述聚类算法的特点如表1所示。