基于用户泊松随机分布通讯网络的voronoi图的matlab仿真
目录
一、理论基础
两层基站（BS）组成整个通讯网络，第 1 层为 Macro 基站记为fai1 ，第 2 层为 Micro 基站记为 fai2 ，均服从泊松分布，相互独立，密度分别为 。 根据 fai1， fai2 （这里取值根据画图美观程度而定，不一定要和后面的计算相同）的密度在 坐标为 10×10km 的面积内、按照泊松分布随机生成若干个点（随机抛洒两遍 nodes，两层 叠加起来），然后画成 voronoi 图。也就是在相邻两个点（同种类的点）之间距离的二分之 一处画一条线。
Voronoi图，又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。Voronoi图，又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点，按照最邻近原则划分平面；每个点与它的最近邻区域相关联。Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形。Delaunay三角形的外接圆圆心是与三角形相关的Voronoi多边形的一个顶点。
Voronoi图是Delaunay三角剖分的对偶图，生成它的方法有很多，比较有名的有分治算法，扫描线算法，增量法等。但利用Delaunay三角剖分生成Voronoi图的算法是最快的。但最快的方法则是构造Delaunay三角剖分，再连接相邻三角形的外接圆圆心，即可以到Voronoi图。
Delaunay三角剖分算法：
对于给定的初始点集P，有多种三角网剖分方式，其中Delaunay三角网具有以下特征：
1、Delaunay三角网是唯一的；
2、三角网的外边界构成了点集P的凸多边形“外壳”；
3、没有任何点在三角形的外接圆内部，反之，如果一个三角网满足此条件，那么它就是Delaunay三角网。
4、如果将三角网中的每个三角形的最小角进行升序排列，则Delaunay三角网的排列得到的数值最大，从这个意义上讲，Delaunay三角网是“最接近于规则化的“的三角网。
Delaunay三角形网的特征又可以表达为以下特性：
1、在Delaunay三角形网中任一三角形的外接圆范围内不会有其它点存在并与其通视，即空圆特性；
2、在构网时，总是选择最邻近的点形成三角形并且不与约束线段相交；
3、形成的三角形网总是具有最优的形状特征，任意两个相邻三角形形成的凸四边形的对角线如果可以互换的话，那么两个三角形6个内角中最小的角度不会变大；
4、不论从区域何处开始构网，最终都将得到一致的结果，即构网具有唯一性。
用户也服从泊松随机分布，在指定区域内选择一个基站进行通讯连接。 用户（user）选择与某个基站 j 建立连接遵循如下规则：
首先计算随机选择的一个典型用户与周围基站的距离，再按照{ ，k=1,2} 规则把距离代入，计算出结果，选择最大值与之连接。
定义参数：
Pt1 ，Pt2 分别为 macro 和 micro 的传输功率
X1 为 user 到 BS1 之间的距离
X2 为 user 到 BS2 之间的距离
最后更加如下规则计算SINR：
二、核心程序
clc;
clear;
close all;
warning off;
addpath 'func\'
%B2的取值范围
B2set = [0.25:0.25:5];
lemdas = [0.25:0.25:5]*1e-5;
for bj = 1:length(B2set)
B2set(bj)
for lj = 1:length(lemdas)
%产生网络图
%User个数
Nu = 50;
Lemdau = 90;
%蒙特卡洛循环次数
MTKL = 10000;
%选择一个典型的用户
UserID = 15; %随便设置一个
for mt = 1:MTKL
RandStream.setDefaultStream(RandStream('mt19937ar','seed',mt));
L = 10e3;
N1 = 30;
N2 = 40;
Lemda1 = 5e-5;
Lemda2 = lemdas(lj);
%Macro层1的相关参数
%泊松分布
x1 = poissrnd(Lemda1*1e7,[1,N1]);x1=L*x1/max(x1);
y1 = poissrnd(Lemda1*1e7,[1,N1]);y1=L*y1/max(y1);
%Micro层2的相关参数
%泊松分布
x2 = poissrnd(Lemda2*1e7,[1,N2]);x2=L*x2/max(x2);
y2 = poissrnd(Lemda2*1e7,[1,N2]);y2=L*y2/max(y2);
%产生符合泊松随机分布的用户的区域位置
xu = poissrnd(Lemdau,[1,Nu]);xu=L*xu/max(xu);
yu = poissrnd(Lemdau,[1,Nu]);yu=L*yu/max(yu);
%参数的设定
epsl = 1e6;%数据包量
alpha1 = 4;
alpha2 = 3.6;
delta2 = -106;
B = 1e3;
Pt1 = 40;
Pt2 = 5;
h = 1;
DeltaB1= 1;
%**************************************************************************
%DeltaB2待求
DeltaB2= B2set(bj);
%计算每个用户的信号的强度
for i = 1:Nu
%针对Macro
%选择最近的一个基站，计算对应的距离
for j1 = 1:N1
dist_tmp1(j1) = sqrt((xu(i)-x1(j1))^2 + (yu(i)-y1(j1))^2);
end
dist1 = min(dist_tmp1);
P1(i) = Pt1*h*DeltaB1*dist1^(-alpha1);
%针对Micro
%选择最近的一个基站，计算对应的距离
for j2 = 1:N2
dist_tmp2(j2) = sqrt((xu(i)-x2(j2))^2 + (yu(i)-y2(j2))^2);
end
dist2 = min(dist_tmp2);
P2(i) = Pt2*h*DeltaB2*dist2^(-alpha2);
%选择较大的一个联结
[V,I] = max([P1(i),P2(i)]);
J(i) = I;
end
%计算得到的J为每个用户对应选择的基站标号
J;
%根据如下规则计算SINR
%定义与 Macro层BS连接的用户集合
U1 = find(J==1);
%定义与 Micro层BS连接的用户集合
U2 = find(J==2);
%计算SINR1和RATE1
%计算SINR2和RATE2
SINR1 = zeros(1,Nu);
SINR2 = zeros(1,Nu);
RATE1 = zeros(1,Nu);
RATE2 = zeros(1,Nu);
DeltaT1 = zeros(1,Nu);
DeltaT2 = zeros(1,Nu);
for i = 1:Nu
%计算SINR1和RATE1
if J(i) == 1
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for j1 = 1:N1
dist_tmp1(j1) = sqrt((xu(i)-x1(j1))^2 + (yu(i)-y1(j1))^2);
end
for j2 = 1:N2
dist_tmp2(j2) = sqrt((xu(i)-x2(j2))^2 + (yu(i)-y2(j2))^2);
end
[V1,I1]= min(dist_tmp1);
dist1 = V1;
FZ = Pt1*h*dist1^(-alpha1);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
ind1 = 0;
tmps = [];
for j1 = 1:N1
if (j1 < I1) | (j1 >I1)
ind1 = ind1 + 1;
tmps(ind1) = Pt1*h*dist_tmp1(j1)^(-alpha1);
end
end
FM1 = sum(tmps);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
tmps = [];
for j1 = 1:N2
tmps(j1) = Pt2*h*dist_tmp2(j1)^(-alpha2);
end
FM2 = sum(tmps);
SINR1(i) = FZ/(FM1+FM2+10^(delta2/20)/1000);
RATE1(i) = B*log2(1+SINR1(i));
DeltaT1(i) = epsl/RATE1(i);
else
SINR1(i) = 0;
RATE1(i) = 0;
DeltaT1(i) = 0;
end
%计算SINR2和RATE2
if J(i) == 2
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for j1 = 1:N1
dist_tmp1(j1) = sqrt((xu(i)-x1(j1))^2 + (yu(i)-y1(j1))^2);
end
for j2 = 1:N2
dist_tmp2(j2) = sqrt((xu(i)-x2(j2))^2 + (yu(i)-y2(j2))^2);
end
[V2,I2]= min(dist_tmp2);
dist2 = V2;
FZ = Pt2*DeltaB2*h*dist2^(-alpha2);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
tmps = [];
for j1 = 1:N1
tmps(j1) = Pt1*h*dist_tmp1(j1)^(-alpha1);
end
FM1 = sum(tmps);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
tmps = [];
ind2 = 0;
for j1 = 1:N2
if (j1 < I2) | (j1 >I2)
ind2 = ind2 + 1;
tmps(ind2) = Pt2*h*dist_tmp2(j1)^(-alpha2);
end
end
FM2 = sum(tmps);
SINR2(i) = FZ/(FM1+FM2+10^(delta2/20)/1000);
RATE2(i) = B*log2(1+SINR2(i));
DeltaT2(i) = epsl/RATE2(i);
else
SINR2(i) = 0;
RATE2(i) = 0;
DeltaT2(i) = 0;
end
end
%计算E
Pbs1 = zeros(1,Nu);
Pm1 = zeros(1,Nu);
Pbs2 = zeros(1,Nu);
Pm2 = zeros(1,Nu);
for i = 1:Nu
if J(i) == 1
Pbs1(i) = alpha1*Pt1;
else
Pbs1(i) = 0;
end
if J(i) == 2
Pbs2(i) = alpha2*Pt2;
else
Pbs2(i) = 0;
end
E(i) = DeltaT1(i)*Pbs1(i) + DeltaT2(i)*Pbs2(i);
end
E2(mt) = E(UserID);
end
E3(lj,bj) = mean(E2);
end
end
[X,Y] = meshgrid(lemdas,B2set);
figure
surf(X,Y,20*log10(E3'));
xlabel('lemda');
ylabel('B');
zlabel('E(db)');
三、仿真测试结果
仿真效果如下所示：
A12-11
相关文章
- 【无人机路径规划】基于深度强化学习的多无人机辅助边缘计算网络路径规划（Matlab代码实现）
- 【无人机】回波状态网络（ESN）在固定翼无人机非线性控制中的应用（Matlab代码实现）
- 【无人机】用于无线充电传感器网络可持续充电的总线网络辅助无人机调度（Matlab代码实现）
- 模拟不同MIMO-OFDM方案的MATLAB代码（Matlab代码实现）
- 基于MATLAB中雷达和视觉合成数据的目标级传感器融合（Matlab代码实现）
- 改进花朵授粉算法的无线传感器网络部署优化（Matlab代码实现）
- m基于ABC人工蜂群优化的无线传感器网络路由优化算法matlab仿真,对比优化前后网络寿命,效率以及可靠性
- m基于NSGAII优化的WSN网络覆盖率问题matlab仿真,优化激活节点数量,网络能耗以及覆盖率
- 基于VGG16深度学习网络的目标识别matlab仿真,并结合ROC指标衡量识别性能
- 基于LSTM网络的时间序列数据预测matlab性能仿真
- 基于LSTM网络的空调功耗数据预测matlab仿真
- m基于kmeans和SVM的网络入侵数据分类算法matlab仿真
- MATLAB信号与系统分析（五）——连续时间信号的频谱分析
- Matlab R2018a无法重新加载 /usr/local/MATLAB/R2018a/bin/glnxa64/libmwxcp_dwarf.so
- Matlab：MATLAB GUI不同控件函数间变量传递的三种方法详解
- m基于BBV网络的节点强度分布算法matlab仿真
- m基于负价环N算法的无线传感器网络性能matlab仿真
- m车载自组织网络(Vehicular Ad-hoc Network,VANET)通信系统的matlab仿真
- m基于模糊控制的网络时延预测和丢包率matlab仿真
- m基于WDM网络的波长分配算法matlab仿真
- m基于时空特性的WSN网络节点故障诊断matlab仿真
- 基于matlab的分簇异构无线传感器网络选举协议