本发明总体涉及用于对无线通信系统的沿着移动设备采取的路径的干扰情况进行量化的方法和装置。
背景技术：
认知无线是可以被动态编程并构造的智能无线。收发器被设计为使用它们附近最佳的无线信道。这种无线收发器自动检测无线频谱中的可用信道，然后相应地改变它们的发送或接收参数，以在一个位置处在给定谱带中允许较多并发的无线通信。该处理是动态频谱管理的形式。
认知无线的主要原理在于探测无线环境来找到用于发送的最佳资源。这仅在无线环境在探测时段与发送时段之间不变化时才是可以的。在通信装置移动时，其无线环境快速变化，这不允许使用认知无线方案。
认知无线在例如像基于通信的列车控制(cbtc)系统的移动系统中获得应用。基于通信的列车控制系统使用列车与用于交通管理和基础设施控制的追踪设备之间的通信。借助于cbtc系统，可以比传统信令系统准确地知道列车的确切位置。这样的结果是管理铁路交通的较高效且安全的方式。地铁和其他铁路系统能够在维持甚至改善安全性的同时改善运转时隔。
技术实现要素：
本发明的目的在于改善对沿着采取移动设备的路径的干扰的知识。
为此，本发明涉及一种对无线通信系统的沿着移动设备采取的路径的干扰情况进行量化的方法，该方法的特征在于包括以下步骤：
-所述移动设备在测量窗口内获得与所述无线通信系统中沿着所述路径的干扰有关的测量；
-所述移动设备处理在所述测量窗口内执行的测量，以对于所述测量窗口的连续时段至少获得源自于所述时段内执行的测量的量化干扰关联值和表示在具有相同的量化干扰关联值的时段索引内进行的测量数的权重；
-所述移动设备借助所述无线通信系统向服务器传送至少包括所述权重的反馈信息；
-所述服务器接收所述反馈信息；
-所述服务器确定与所述测量窗口对应的、所述移动设备沿着所述路径的位置；
-所述服务器将所述反馈信息转换为由包括位置和干扰量化值的矩阵构成的数据库的格式；以及
-用转换后的反馈信息更新所述数据库。
本发明还涉及一种用于对无线通信系统的沿着移动设备采取的路径的干扰情况进行量化的系统，该系统的特征在于包括：
-移动设备中具备的用于在测量窗口内获得与所述无线通信系统中沿着所述路径的干扰有关的测量的单元；
-所述移动设备中具备的用于处理在所述测量窗口内执行的测量的单元，该单元进行所述处理，以对于所述测量窗口的连续时段至少获得源自于所述时段内执行的测量的量化干扰关联值和表示在具有相同的量化干扰关联值的时段索引内进行的测量数的权重；
-所述移动设备中具备的用于借助所述无线通信系统向服务器传送至少包括所述权重的反馈信息的单元；
-所述服务器中具备的用于由所述服务器接收所述反馈信息的单元；
-所述服务器中具备的用于确定与所述测量窗口对应的、所述移动设备沿着所述路径的位置的单元；
-所述服务器中具备的用于将所述反馈信息转换为由包括位置和干扰量化值的矩阵构成的数据库的格式的单元；以及
-所述服务器中具备的用于用转换后的反馈信息更新所述数据库的单元。
由此，通过根据各移动设备行进之后的反馈信息来更新数据库，可以高效应用基于位置的认知无线系统，并且本发明允许将测量格式转换成数据库格式。
根据特定特征，反馈信息还对于各权重包括时段索引和量化干扰值。
由此，反馈是在移动设备处执行的较多测量的压缩版本。
根据特定特征，反馈信息还对于各权重包括与权重对应的重心坐标。
由此，直接获得针对各权重的移动设备的位置。
根据特定特征，使用第一映射函数和第二映射函数来执行反馈信息的转换，该第一映射函数将时段映射到移动设备沿着路径的位置，该第二映射函数将权重映射为数据库中存储的干扰关联值的格式。
由此，即使在已压缩的反馈的情况下，也可以在转换之后容易地更新数据库。
根据特定特征，还根据映射函数的结果并使用具有与数据库相同大小的临时数据库来执行反馈信息的转换，数据库为矩阵的形式，并且在于：使用映射后的权重来更新临时数据库的矩阵。
由此，可以在与数据库的先前版本合并之前对临时数据库执行诸如归一化这样的操作，这允许沿着时间保持临时数据库归一化。
根据特定特征，临时数据库是归一化临时数据库，该归一化临时数据库的各列的和等于1。
由此，可以计算表示干扰的信息的直方图，并且可以对于数据库中的各已量化位置更新该直方图。
根据特定特征，如果反馈信息还对于各权重包括与该权重对应的重心坐标，则进一步通过将数据库的矩阵叠加到由重心限定的voronoi区域并应用与临时数据库中的集群位置有关的掩码来执行反馈信息的转换，并且使用各映射后的权重来根据与临时数据库中的集群位置有关的掩码而更新临时数据库的矩阵。
由此，掩码允许仿佛该临时数据库为反馈格式那样对临时数据库的较好重构，而所用的反馈格式较紧凑。
根据特定特征，进一步通过应用与临时数据库中的映射后的权重有关的掩码来执行反馈信息的转换，并且使用各映射后的权重来根据与量化干扰关联值有关的掩码而更新临时数据库的矩阵。
由此，为了数据库的较好重构，可以将无线信道衰落的统计特性考虑在内。
根据特定特征，通过将临时数据库的矩阵的集群中的各映射后的权重值与数据库的矩阵中具有相同位置的集群合并来执行用转换后的反馈信息更新数据库的处理，各映射后的权重值至少由集群的列中的映射后的权重的和以及集群的行中的映射后的权重的和进行了加权。
由此，在不存储在过去收集的大量测量的情况下在飞行中进行数据库的更新。
根据特定特征，如果反馈信息还对于各权重包括与该权重对应的重心坐标，则进一步通过将数据库的矩阵叠加到由重心限定的voronoi区域并应用与数据库中的集群位置有关的掩码来执行用转换后的反馈信息更新数据库，并且使用各映射后的权重来根据与数据库中的集群位置有关的掩码来更新数据库的矩阵。
由此，掩码允许仿佛为了建立数据库而传送并存储了所有测量那样对数据库的较好重构，而反馈格式紧凑且使用较少的存储来计算数据库。
根据特定特征，应用与数据库中的映射后的权重有关的掩码来执行用转换后的反馈信息更新数据库的处理，并且使用各映射后的权重来根据与映射后的权重有关的掩码来而新数据库的矩阵。
由此，为了数据库的较好更新，可以将考虑了无线衰落信道或路径损耗的特性的掩码考虑在内。
根据特定特征，通过将临时数据库的矩阵的集群中的各映射后的权重与数据库的矩阵中具有相同位置的集群合并来执行用转换后的反馈信息更新数据库，各映射后的权重至少由集群的列中的映射后的权重的和以及集群的行中的映射后的权重的和进行了加权。
由此，数据库可以被更新，并且仍然表示关联到该数据库的各已量化位置的干扰值的直方图。
附图说明
本发明的特性将从示例实施方式的以下描述的阅读更清楚地显现，所述描述参照附图来产生，附图中：
[图1]图1表示应用于铁路网的用于对无线通信系统的干扰情况进行量化的系统的架构的示例；
[图2]图2表示列车中包括的测量收集装置的架构的示例；
[图3]图3表示其中实施了本发明的服务器的架构的示例；
[图4]图4表示根据本发明的由测量收集装置执行的算法的示例；
[图5a]图5a表示根据本发明的由服务器执行的算法的第一示例；以及
[图5b]图5b表示根据本发明的由服务器执行的算法的第二示例。
具体实施方式
图1表示应用于铁路网的用于对无线通信系统的干扰情况进行量化的系统的架构的示例。
系统包括服务器serv，该服务器连接到沿着铁路rl的、借助无线通信系统与列车通信的多个路边无线单元wru。
在像列车tr这样的移动设备移动时，其无线环境快速变化，这使得难以实施认知无线方案。
根据本发明，移动设备tr包括测量收集装置me。
一些干扰体存在于被路边无线单元覆盖的区域中。干扰体越靠近铁路和/或路边无线单元，干扰体越影响路边无线单元到列车的无线通信性能。
干扰体可能是恒定的或可能随着时间变化。
假定列车进行定期或非定期进行测量并将测量反馈到路边无线单元wru，路边无线单元将其传送到服务器serv。服务器serv建立各路边无线单元wru覆盖的区域中的干扰的指纹数据库，并且因为列车可以移动的位置的领域限于铁路，因而在每次列车移动进入区域中的一个区域中时，数据库被更新。
数据库被分解成集群。在干扰数据库中存储的集群的大小在集群内的各位置处的干扰的描述精度、干扰描述对噪声的鲁棒性以及更新数据库所需的交通的量之间进行折衷。
此外，由于无线环境变化，必须根据各集群中的无线环境的变化来更新数据库。一个集群数据库的鲁棒性随着测量数改善，该数量可以根据移动设备速度或各集群内的行进的数量而变化。
数据库表示像干扰电平sinr、干扰的特性函数这样的干扰信息的随机分布。数据库对于被集群化为小紧凑空间区域的给定覆盖区域来限定。例如，对于铁路，集群是铁路的区段。对于各集群，以离散样式，即以直方图形式，存储与干扰有关的随机变量的分布。
在列车tr中，限定测量窗口，在该测量窗口内，列车收集在若干时间索引(例如，每毫秒)进行的所有测量，并且建立与干扰电平有关的随机变量的概率密度函数的离散估计。该概率密度函数的离散估计以二维来限定：时间维度和测量值维度。概率密度函数的离散估计的各集群包括属于时间/测量值平面的区域的测量样本的数量。然后，将概率密度函数的离散估计反馈到服务器serv。用于限定概率密度函数的离散估计的数据的量及其反馈的平均周期性限定了反馈流量的开销。
根据本发明：
-所述移动设备在测量窗口内获得与所述无线通信系统中沿着所述路径的干扰有关的测量；
-所述移动设备处理在所述测量窗口内执行的测量，以对于所述测量窗口的连续时段至少获得源自于所述时段内执行的测量的量化干扰关联值和表示在具有相同的量化干扰关联值的时段索引内进行的测量数的权重；
-移动设备借助无线通信系统向服务器传送至少包括权重的反馈信息；
-服务器接收反馈信息；
-服务器确定与测量窗口对应的、移动设备沿着路径的位置；
-服务器将反馈信息转换为由包括位置和干扰量化值的矩阵构成的数据库的格式；以及
-服务器用转换后的反馈信息更新数据库。
图2表示被包括在列车中的测量收集装置的架构的示例。
测量收集装置me例如具有基于由总线201连接在一起的部件和受如图4公开的程序控制的处理器200的架构。
总线201将处理器200连结到只读存储器rom202、随机存取存储器ram203以及无线接口205。
存储器203包含寄存器，这些寄存器旨在接收与如图4公开的算法有关的程序的变量和指令。
处理器200借助无线接口205接收与干扰有关的测量。无线接口205使得能够在测量收集装置me与路边无线单元wru之间传送数据。wru向服务器serv传送所接收的数据，并且在需要时向测量收集装置转发从服务器serv接收的数据。
只读存储器(或可能为闪速存储器)202包含与如图4公开的、在测量收集装置me通电时对随机存取存储器203的算法有关的程序的指令。
测量收集装置me可以通过由可编程计算机(诸如pc(个人计算机)、dsp(数字信号处理器)或微控制器)执行一组指令或程序在软件中实施；或由机器或专用部件(诸如fpga(现场可编程门阵列)或asic(专用集成电路))在硬件中实施。
换言之，测量收集装置me包括电路或包括电路的装置，该电路或装置使得测量收集装置me执行与如图4公开的算法有关的程序。
图3表示服务器serv的架构的示例。
服务器serv例如具有基于由总线301连接在一起的部件和受如图5a或图5b所公开的程序控制的处理器300的架构。
总线301将处理器300连结到只读存储器rom302、随机存取存储器ram303以及网络接口306。
存储器303包含寄存器，这些寄存器旨在接收与如图5a或图5b公开的算法有关的程序的变量和指令。
处理器300借助网络接口306从测量收集装置me接收由路边无线单元转发的反馈信息。
只读存储器(或可能为闪速存储器)302包含与如图5a或图5b公开的、在服务器serv通电时对随机存取存储器303的算法有关的程序的指令。
服务器serv可以通过由可编程计算机(诸如pc(个人计算机)、dsp(数字信号处理器)或微控制器)执行一组指令或程序在软件中实施；或由机器或专用部件(诸如fpga(现场可编程门阵列)或asic(专用集成电路))在硬件中实施。
换言之，服务器serv包括电路或包括电路的装置，该电路或装置使得服务器serv执行与如图5所公开的算法有关的程序。
图4表示根据本发明的、由测量收集装置执行的算法的示例。
该算法在其由处理器200执行的示例中公开。
在步骤s400处，处理器200检查是否是时候开始新测量窗口。例如，测量窗口每分钟执行一次且具有十秒的持续时间。
如果是时候开始新测量窗口，则处理器200移至步骤s401。否则，处理器200返回至步骤s400。
在步骤s401处，处理器200从无线接口获得与干扰有关的测量。
例如，与干扰有关的测量每毫秒执行一次。
在下一步骤s402处，处理器200检查是否必须中断测量窗口。
如果必须中断测量窗口，则处理器200返回至步骤s401。否则，处理器200移至步骤s403。
在步骤s403处，处理器200处理在测量窗口内执行的测量。
例如，处理器200形成三元组值(t,z,w)的集合的直方图，该三元组值包含：时段索引t，在该时段索引中，在点在时间上均匀隔开时执行多个测量；量化干扰关联值z，例如单位为db的干扰功率、单位为db的sinr；以及权重w，比如例如在时段索引t内进行的具有相同的量化干扰关联值z的测量数。
例如，时段和量化是恒定的。
例如，时段和/或量化是可变的。在这种情况下，对于时间的各集群计算的直方图具有不同的动态。换言之，直方图是不规则的，并且通过使用向量量化器，诸如k均值算法，来计算直方图定义，例如块的中心，其在与量化器关联时还被称为重心。
例如，处理器200应用k均值算法，其确定关联到非规则量化小区(cell)的重心码本。
由此，三元组(t,z,w)由k均值算法直接给出，在该算法中，坐标t(k)、z(k)是量化小区的重心坐标，w(k)是重心的量化小区的权重，并且k是反馈三元组(t,z,w)的索引，k＝1至k。重心的计算在线进行。当测量距该小区的重心比距任何其他重心的距离度量近时，量化小区的权重增加。通常，使用欧几里德距离。
在下一步骤s404处，处理器200命令借助无线接口205向路边无线单元wru传送所形成的直方图的三元组，wru将所形成的三元组转发到服务器serv。例如，如果时段和量化是恒定的，则该传送仅包含权重w。如果时段和量化不是恒定的，则传送值的三元组。
图5a表示根据本发明的由服务器执行的算法的第一示例。
本算法在其由处理器300执行的示例中公开。
在步骤s500处，处理器300借助网络接口306接收由测量收集装置me形成的直方图的三元组，或如果时段和量化恒定则接收权重w。
在下一步骤s501处，处理器300获得包括测量收集装置me的列车的轨迹。
在服务器serv中存储的数据库包括与干扰信息的随机分布有关的离散值的集合。数据库例如处于至少一个矩阵db的形式，各矩阵与由该系统覆盖的区域有关。矩阵例如为(i*j)矩阵。集群中的各所存储的值db(i,j)关联到位置x(i)和值y(j)，其中，x是对区域内的列车的可能位置进行量化的位置的向量，并且y是对干扰关联值的范围进行量化的值的向量。由测量收集装置me形成的直方图到与数据库的格式对应的格式的转换依赖于直方图格式。
在步骤s502处，处理器300处理所接收的直方图，或如果时段和量化恒定，则处理权重w。
处理器300确定数据库中的与各三元组或权重对应的位置或换言之数据库的矩阵的集群。
处理器300使用映射函数tp()，该映射函数tp()与列车的轨迹对应且允许将时段索引映射到沿着铁路rl的位置。
对于具有值(t(k),z(k),w(k))的给定反馈索引k，处理器300找到使得这种|tp(t(k))-x(i’(k))|最小化的索引i’(k)。
由此，i’(k)是与在测量窗口中的时间t(k)的第k个测量的测量收集装置me的位置对应的、在数据库中的位置的行索引。
处理器300还使用映射函数ml()，该映射函数ml()允许将在数据库中存储的值映射到量化干扰关联值z。映射函数ml()优选地为双射的(bijective)。例如，可以反馈单位为db的sinr电平并将其线性地存储。
然后，对于具有值(t(k),z(k),w(k))的给定反馈索引k，我们可以找到使得这种|ml(z(k))-y(j’(k))|最小化的列索引j’(k)。由此，j’(k)是与第k个量化干扰关联值z到与干扰信息的随机分布有关并根据数据库格式量化的值的变换对应的、在数据库中的列索引。
处理器300还使用具有与数据库db相同大小的最初用零值初始化的临时数据库dbt。
更准确来说，处理器300转换所接收的量化干扰关联值z并填充临时数据库dbt的集群。
处理器300使各集群值dbt(i’(k),j’(k))增加w(k)。
如果由确定关联到非规则量化集群的重心的码本的测量收集装置me使用k均值算法，则处理器300将临时数据库dbt的矩阵的集群网格或数据库db的矩阵的集群网格叠加到由重心限定的voronoi区域，因为其具有相同大小。
具有数据库db集群的所接收的直方图的直接量化可能经由它们的重心将一些测量关联到错误的位置x(i’(k))和值y(j’(k))。
处理器300然后在转换处理中应用掩码，即，不仅通过由w(k)设置各集群值dbt(i’(k),j’(k))来应用，还通过使所有集群值dbt(i,j)增加w(k)*m(i,j,tp(t(k)),ml(z(k)))值来应用，其中，i从1至i变化，并且j从1至j变化。例如，如果重心(x(i),y(j))根据距离度量(例如，欧几里德距离)离点(tp(t(k)),ml(z(k)))最近，则m(i,j,tp(t(k)),ml(z(k)))＝1，否则m(i,j,tp(t(k)),ml(z(k)))＝0。在另一选项中，m(i,j,tp(t(k)),ml(z(k)))＝1/a，其中，a为对于所有i和j的m(i,j,tp(t(k)),ml(z(k)))的和。
在另一示例中，在位置维度和值维度上应用独立掩码，使得当数据库db与以分贝表达的干扰信息有关时，m(i,j,tp(t(k)),ml(z(k)))＝mp(i,tp(t(k)))+mv(j,ml(z(k)))，或者当数据库db与线性域中的干扰信息有关时，m(i,j,tp(t(k)),ml(z(k)))＝mp(i,tp(t(k)))*mv(j,ml(z(k)))。
mp()是与临时数据库dbt中的位置有关的掩码，并且mv是应用于临时数据库dbt中的权重的掩码。
这里必须注意，如果在发生衰落的系统中以db表达所接收的量化干扰关联值，则单位为db的衰落的分布是非对称的。
如果接收到具有平均功率pi(db)的干扰，则根据单位为db的衰落的分布的测量被移位pidb。
例如，衰减了-20db的测量比0db的测量的可能性低，并且其在集群化计算中的权重应较小。用于建立集群的度量然后关联到衰落的概率密度函数。
在这种情况下，可以选择mv(j,ml(z(k))))＝pv(|ml(z(k)))-y(j)|)，其中，p是单位为db的衰落的概率密度函数，例如，
等效地，位置维度上的掩码可以遵循典型路径损耗模型，这导致mp(i,tp(t(k)))＝pp(|tp(t(k))-x(i)|)，并且
pp(b)＝α+βlog10(|b|)
其中，α和β是可以根据环境调节的参数。
在另一示例中，参数α(i)和β(i)还依赖于沿着铁路的位置，这导致mp(i,tp(t(k)))＝pp(i,|tp(t(k))-x(i)|)，并且
pp(i，b)＝α(i)+β(i)log10(|b|)
在下一步骤s503处，处理器300将临时数据库dbt与数据库db合并。
换言之，本发明定位关联到与第k个测量有关的在数据库dbt中存储的位置和值的数据库db的集群，并且将落在数据库db的相同集群中的测量的临时数据库dbt的集群所包括的权重组合在一起。
处理器300合并临时数据库dbt与数据库db，例如通过使用概率密度函数的离散估计的加权平均。首先，处理器300将n(i)定义为数据库db的第i行的权重的和。
对于数据库db矩阵和临时数据库dbt的各行i，处理器300执行以下计算：
-计算作为临时数据库的第i行的权重dbt(i,j)的和的n’(i)；
-对于各行i，将值db(i,j)设置为(db(i,j)*n(i)+dbt(i,j))/(n(i)+n’(i))；以及
-将n(i)更新为n(i)+n’(i)。
另选地，处理器300执行以下计算：
-在已归一化的临时数据库ndbt中归一化该临时数据库dbt，使得其第i行的和等于1；
-对于各行i，将值db(i,j)设置为(db(i,j)*n(i)+ndbt(i,j))/(n(i)+1)；以及
-将n(i)更新为n(i)+1。
另选地，处理器300执行以下计算：
-在已归一化的临时数据库ndbt中归一化该临时数据库dbt，使得其第j列的和等于1；以及
-对于各行i，将值db(i,j)设置为db(i,j)+μ*(ndbt(i,j)-dbt(i,j))(其中，μ<1)。
图5b表示根据本发明的由服务器执行的算法的第二示例。
在步骤s550处，处理器300借助网络接口306接收由测量收集装置me形成的直方图或如果时段和量化恒定，则接收权重w。
在下一步骤s551处，处理器300获得包括测量收集装置me的列车的列车轨迹。
在服务器serv中存储的数据库包括与干扰信息的随机分布有关的离散值的集合。数据库例如处于至少一个矩阵db的形式，各矩阵与由系统覆盖的区域有关。矩阵例如为(i*j)矩阵。各所存储值db(i,j)关联到位置x(i)和值y(j)，其中，x是对区域内的列车的可能位置进行量化的位置的向量，并且y是对干扰关联值的范围进行量化的值的向量。由测量收集装置me形成的直方图到与数据库的格式对应的格式的转换依赖于直方图格式。
在步骤s552处，处理器300处理所接收的直方图，或如果时段和量化恒定，则处理权重w。
处理器300确定数据库中的与各三元组或权重对应的位置或换言之数据库的矩阵的集群。
处理器300使用映射函数tp()，该映射函数tp()与列车的轨迹对应且允许将时段索引映射到沿着铁路rl的位置。
对于具有值(t(k),z(k),w(k))的给定反馈索引k，处理器300找到使得这种|tp(t(k))-x(i’(k))|最小化的索引i’(k)。
由此，i’(k)是与在测量窗口中的时间t(k)的第k个测量的测量收集装置me的位置对应的、在数据库中的位置的行索引。
处理器300还使用映射函数ml()，该映射函数ml()允许将在数据库中存储的值映射到量化干扰关联值z。映射函数ml()优选地为双射的。例如，可以反馈单位为db的sinr电平并将其线性地存储。
然后，对于具有值(t(k),z(k),w(k))的给定反馈索引k，我们可以找到使得这种|ml(z(k))-y(j’(k))|最小化的列索引j’(k)。由此，j’(k)是与第k个量化干扰关联值z到与干扰信息的随机分布有关并根据数据库格式量化的值的变换对应的、数据库中的列索引。
处理器300还使用具有与数据库db被使用相同大小的最初用零值初始化的临时数据库dbt。
更准确来说，处理器300转换所接收的量化干扰关联值z并填充临时数据库dbt的集群。
处理器300使各集群值dbt(i’(k),j’(k))增加w(k)。
在下一步骤s503处，处理器300将临时数据库dbt与数据库db合并。
换言之，本发明定位关联到与第k个测量有关的、在数据库dbt中存储的位置和值的数据库db的集群，并且将落在数据库db的相同集群中的测量的临时数据库dbt的集群中包括的权重组合在一起。
处理器300合并临时数据库dbt与数据库db，例如通过使用概率密度函数的离散估计的加权平均。首先，处理器300将n(i)定义为数据库db的第i行的权重的和。
对于数据库db矩阵和临时数据库dbt的各行i，处理器300执行以下计算：
-计算作为临时数据库的第i行的权重dbt(i,j)的和的n’(i)；
-对于各行i，将值db(i,j)设置为(db(i,j)*n(i)+dbt(i,j))/(n(i)+n’(i))；以及
-将n(i)更新为n(i)+n’(i)。
另选地，处理器300执行以下计算：
-在已归一化的临时数据库ndbt中归一化该临时数据库dbt，使得其第i行的和等于1；
-对于各行i，将值db(i,j)设置为(db(i,j)*n(i)+ndbt(i,j))/(n(i)+1)；以及
-将n(i)更新为n(i)+1。
另选地，处理器300执行以下计算：
-在已归一化的临时数据库ndbt中归一化该临时数据库dbt，使得其第i行的和等于1；
-对于各行i，将值db(i,j)设置为db(i,j)+μ*(ndbt(i,j)-dbt(i,j))(其中，μ<1)。
如果由确定关联到非规则量化集群的重心的码本的测量收集装置me使用k均值算法，则处理器300将数据库db的矩阵的集群叠加到由重心限定的voronoi区域。
具有数据库db的所接收直方图的直接量化可能经由它们的重心将一些测量关联到错误的位置x(i)和值y(j)。
处理器300然后在合并处理中应用掩码，即，不仅通过用dbt(i,j)更新值db(i,j)来应用，还通过使所有集群值db(i,j)增加dbt(i”,j”)*m”(i”,i,j”,j)值来应用，其中，i”和j”表示临时数据库dbt的索引。例如，如果重心(x(i),y(j))根据距离度量(例如，欧几里德距离)离点(x(i’),y(j’))最近，则m”(i”,i,j”,j)＝1，否则m”(i”,i,j”,j)＝0。在另一选项中，m”(i”,i,j”,j)＝1/a，其中，a为所有i”和j”的m”(i”,i,j”,j)值的和。
在另一示例中，在位置维度和值维度上应用独立掩码，使得在数据库db与以分贝表达的干扰信息有关时，m”(i”,i,j”,j)＝mp”(i”,i)+mv”(j”,j)，或者在数据库db与线性域中的干扰信息有关时，m”(i”,i,j”,j)＝mp”(i”,i)xmv”(j”,j)。
mp”()是与临时数据库dbt中的位置有关的掩码，并且mv是应用于临时数据库dbt中的权重的掩码。
这里必须注意，如果在发生衰落的系统中以db表达所接收的量化干扰关联值，则单位为db的衰落的分布是非对称的。
如果接收到具有平均功率pi(db)的干扰，则根据单位为db的衰落的分布的测量被移位pidb。
例如，衰减了-20db的测量比0db的测量的可能性低，并且其在集群化计算中的权重应较小。用于建立集群的度量然后关联到衰落的概率密度函数。
在这种情况下，可以选择mv”(j”,j)＝pv(|y(j”)-y(j)|)，其中，p是单位为db的衰落的概率密度函数，例如，
等效地，位置维度上的掩码可以遵循典型路径损耗模型，这导致mp”(i”,i)＝pp(|x(i”)-x(i)|)，并且
pp(b)＝α+βlog10(|b|)
其中，α和β是可以根据环境调节的参数。
在另一示例中，参数α(i)和β(i)还依赖于沿着铁路的位置，这导致mp”(i”,i)＝pp(i,|x(i”)-x(i)|)，并且
pp(i，b)＝α(i)+β(i)log10(|b|)
当然，可以在不偏离本发明的范围的情况下对以上所描述的本发明的实施方式进行许多修改。