專(zhuān)利名稱(chēng)：基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法
技術(shù)領(lǐng)域：
本發(fā)明屬于通信技術(shù)領(lǐng)域，涉及一種認(rèn)知無(wú)線網(wǎng)絡(luò)環(huán)境中接入網(wǎng)絡(luò)選擇方法，可 用于異構(gòu)網(wǎng)絡(luò)條件下的用戶(hù)接入網(wǎng)絡(luò)選擇。
背景技術(shù)：
近年來(lái)，無(wú)線通信行業(yè)得到了較大的發(fā)展，各種無(wú)線接入技術(shù)的涌現(xiàn)組成了一個(gè) 復(fù)雜的異構(gòu)無(wú)線網(wǎng)絡(luò)環(huán)境。同時(shí)人們對(duì)無(wú)線業(yè)務(wù)服務(wù)質(zhì)量的要求也越來(lái)越高，希望能夠隨 時(shí)隨地的獲得網(wǎng)絡(luò)服務(wù)。然而，任意一個(gè)網(wǎng)絡(luò)由于其覆蓋范圍及帶寬等原因都不可能滿(mǎn)足 全部用戶(hù)的需求。因此，如何為用戶(hù)確定一個(gè)最佳的接入網(wǎng)絡(luò)來(lái)滿(mǎn)足其業(yè)務(wù)需求就顯得極 為重要。所有的網(wǎng)絡(luò)選擇方法都是依據(jù)一定的策略和算法對(duì)不同的候選無(wú)線網(wǎng)絡(luò)進(jìn)行優(yōu) 先級(jí)排序。用戶(hù)總是期望獲得最大的帶寬，最小的端到端時(shí)延，最好的QoS，最小的能量消耗 和最少的資費(fèi)等，因此這是一個(gè)典型的多目標(biāo)決策問(wèn)題。最佳的網(wǎng)絡(luò)選擇必須綜合考慮三 方面的因素網(wǎng)絡(luò)參數(shù)、技術(shù)指標(biāo)和用戶(hù)需求。網(wǎng)絡(luò)參數(shù)包括網(wǎng)絡(luò)覆蓋范圍、支持的業(yè)務(wù) 類(lèi)型、收費(fèi)情況等；技術(shù)指標(biāo)包括用戶(hù)接收到的信號(hào)強(qiáng)度、網(wǎng)絡(luò)的負(fù)載狀況等；用戶(hù)需求 包括用戶(hù)支持的接口技術(shù)、移動(dòng)速度、電池容量和支付能力等。網(wǎng)絡(luò)選擇問(wèn)題在實(shí)現(xiàn)過(guò)程 中又可以分為三部分信息收集、選擇目標(biāo)網(wǎng)絡(luò)和接入執(zhí)行。根據(jù)其實(shí)現(xiàn)方式又可以分為終 端主導(dǎo)模式和網(wǎng)絡(luò)主導(dǎo)模式。認(rèn)知網(wǎng)絡(luò)具有一個(gè)認(rèn)知過(guò)程能夠感知當(dāng)前網(wǎng)絡(luò)狀態(tài)，并能夠在此基礎(chǔ)之上計(jì)劃、 決策和執(zhí)行。它能夠在自適應(yīng)過(guò)程中學(xué)習(xí)并且應(yīng)用于未來(lái)的決策，在整個(gè)過(guò)程中都要考慮 到用戶(hù)的端到端性能。在一個(gè)認(rèn)知異構(gòu)無(wú)線網(wǎng)絡(luò)環(huán)境中，用戶(hù)和基站都具有認(rèn)知功能，能夠 感知網(wǎng)絡(luò)環(huán)境狀態(tài)。因此，當(dāng)攜帶多模終端的移動(dòng)用戶(hù)發(fā)起業(yè)務(wù)請(qǐng)求時(shí)，如何充分發(fā)揮系統(tǒng) 的認(rèn)知功能，為用戶(hù)選擇一個(gè)最佳的接入網(wǎng)絡(luò)成為一個(gè)關(guān)鍵的問(wèn)題。過(guò)去很多文獻(xiàn)都提到了異構(gòu)網(wǎng)絡(luò)環(huán)境中接入網(wǎng)絡(luò)選擇的策略方法，如Wei Shen ^h IEEE Transactions On Vehicular Technology,2008,57 (6) 3778-3788 《Cost-Function-Based Network Selection Strategy in Integrated Wireless and MobileNetworks》一文中提出了基于代價(jià)函數(shù)的方法，綜合考慮了用戶(hù)接收到各網(wǎng)絡(luò) 的信號(hào)強(qiáng)度信息和各網(wǎng)絡(luò)的負(fù)載情況。但是該方法沒(méi)有考慮到所獲得的信號(hào)強(qiáng)度和網(wǎng) 絡(luò)負(fù)載信息可能是不確定的，同時(shí)也沒(méi)有考慮到網(wǎng)絡(luò)選擇過(guò)程中網(wǎng)絡(luò)參數(shù)和用戶(hù)需求 等。LorenzaGiupponi 在 IEEE Transactions On Vehicular Technology,2008,57 (3) 1789-1805 《A NovelApproach for Joint Radio Resource Management Based on Fuzzy Neural Methodology》中提出了基于模糊邏輯和多目標(biāo)決策的網(wǎng)絡(luò)選擇方法，考慮到影響 網(wǎng)絡(luò)決策的參數(shù)的不確定性，引入了模糊邏輯進(jìn)行處理。但是模糊邏輯中的推理規(guī)則集合 完全依靠經(jīng)驗(yàn)和先驗(yàn)知識(shí)確定，具有很強(qiáng)的主觀性，實(shí)際應(yīng)用中可能會(huì)受到很大影響。同 時(shí)應(yīng)用模糊推理的計(jì)算量較大，需要很強(qiáng)的計(jì)算能力。Qingyang Song在IEEE wireless communications 12(3) :42_48《Network selection in an integrated wireless LAN andUMTS environment usingmathematical modeling and computing techniques))中提出了 一種基于層次分析法和灰度關(guān)聯(lián)法兩種數(shù)學(xué)模型的相結(jié)合的方法來(lái)選擇接入網(wǎng)絡(luò)，該方法 將接入網(wǎng)絡(luò)選擇過(guò)程中的大量參數(shù)綜合在一起，通過(guò)為不同參數(shù)分配不同的權(quán)重，最后進(jìn) 行加權(quán)選擇最佳網(wǎng)絡(luò)。該方法計(jì)算量較大，同樣沒(méi)有考慮影響網(wǎng)絡(luò)選擇決策參數(shù)不確定性 的影響。此外，目前的網(wǎng)絡(luò)選擇策略都沒(méi)有考慮到網(wǎng)絡(luò)負(fù)載隨時(shí)間變化的情況，決策的結(jié) 果都是僅選擇在接入時(shí)刻最佳的網(wǎng)絡(luò)，并沒(méi)有考慮接入時(shí)刻之后網(wǎng)絡(luò)負(fù)載的變化情況對(duì)用 戶(hù)性能產(chǎn)生的影響。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述現(xiàn)有接入網(wǎng)絡(luò)選擇策略的不足，在引入集成BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)各 候選網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)的基礎(chǔ)上，提出一種基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選 擇方法，以綜合考慮網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求，抵抗影響網(wǎng)絡(luò)選擇參數(shù)的不確 定性，降低對(duì)先驗(yàn)知識(shí)的依賴(lài)性和計(jì)算復(fù)雜度；同時(shí)預(yù)測(cè)網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)，使得所 選擇的網(wǎng)絡(luò)在用戶(hù)的整個(gè)服務(wù)時(shí)間內(nèi)整體最優(yōu)，降低用戶(hù)服務(wù)過(guò)程中的中斷概率，實(shí)現(xiàn)為 用戶(hù)選擇最佳接入的網(wǎng)絡(luò)。實(shí)現(xiàn)本發(fā)明目的的技術(shù)關(guān)鍵在于利用集成BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)各候選網(wǎng)絡(luò)未來(lái) 負(fù)載的變化趨勢(shì)和采用模糊邏輯處理影響網(wǎng)絡(luò)決策參數(shù)的不確定性。具體的實(shí)現(xiàn)步驟包括 如下(1)各候選網(wǎng)絡(luò)基站收集其所在網(wǎng)絡(luò)的當(dāng)前負(fù)載信息；用戶(hù)檢測(cè)各個(gè)候選網(wǎng)絡(luò)的 信號(hào)強(qiáng)度，并將得到的信號(hào)強(qiáng)度信息通過(guò)無(wú)線使能器告知給相應(yīng)網(wǎng)絡(luò)的基站；(2)各基站根據(jù)其所在網(wǎng)絡(luò)的歷史負(fù)載信息和收集到的當(dāng)前負(fù)載情況，利用集成 BP神經(jīng)網(wǎng)絡(luò)算法對(duì)所在網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)進(jìn)行預(yù)測(cè)；(3)基站對(duì)網(wǎng)絡(luò)當(dāng)前負(fù)載和未來(lái)負(fù)載的預(yù)測(cè)值，及用戶(hù)接收信號(hào)強(qiáng)度信息分別進(jìn) 行歸一化處理和模糊處理；(4)各個(gè)基站根據(jù)模糊處理之后網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)的強(qiáng)度，利用代價(jià)函數(shù) 計(jì)算每個(gè)候選網(wǎng)絡(luò)的技術(shù)指標(biāo)；(5)基站根據(jù)其所在網(wǎng)絡(luò)的技術(shù)指標(biāo)和網(wǎng)絡(luò)參數(shù)及用戶(hù)需求，采用多目標(biāo)決策計(jì) 算其所在網(wǎng)絡(luò)的適宜接入度；(6)各個(gè)基站將其所在網(wǎng)絡(luò)的適宜接入度通過(guò)無(wú)線使能器傳遞給用戶(hù)；(7)用戶(hù)比較各個(gè)候選網(wǎng)絡(luò)的適宜接入度大小，最終選擇適宜接入度最大的網(wǎng)絡(luò) 作為目標(biāo)網(wǎng)絡(luò)。本發(fā)明與現(xiàn)有技術(shù)相比具有如下主要優(yōu)點(diǎn)(1)本發(fā)明由于采用集成BP神經(jīng)網(wǎng)絡(luò)算法，能夠較好的預(yù)測(cè)各個(gè)候選網(wǎng)絡(luò)未來(lái)負(fù) 載的變化趨勢(shì)，使得所選擇的目標(biāo)網(wǎng)絡(luò)不在是接入時(shí)刻最優(yōu)，而是在用戶(hù)整個(gè)服務(wù)時(shí)間內(nèi) 整體最優(yōu)，從而降低了用戶(hù)服務(wù)過(guò)程中的中斷概率；(2)本發(fā)明由于采用了模糊邏輯抵抗影響網(wǎng)絡(luò)選擇參數(shù)的不確定性，從而降低了 用戶(hù)接入網(wǎng)絡(luò)的阻塞概率；(3)本發(fā)明由于綜合考慮網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求，所選擇的目標(biāo)網(wǎng)絡(luò)不僅能滿(mǎn)足用戶(hù)的QoS需求，還能在各個(gè)候選網(wǎng)絡(luò)之間實(shí)現(xiàn)一定程度的負(fù)載均衡功能。


圖1是本發(fā)明的總流程圖；圖2是本發(fā)明預(yù)測(cè)網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)的子流程圖；圖3是本發(fā)明與傳統(tǒng)網(wǎng)絡(luò)選擇方法在不同負(fù)載條件下的中斷概率性能比較圖；圖4是本發(fā)明在不同程度參數(shù)不確定性條件下的性能圖；圖5是本發(fā)明在各個(gè)候選網(wǎng)絡(luò)之間實(shí)現(xiàn)負(fù)載均衡功能的性能圖。
具體實(shí)施例方式以下對(duì)本發(fā)明的原理以及技術(shù)方案做進(jìn)一步的描述參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)流程圖包括如下步驟1，收集當(dāng)前各個(gè)候選網(wǎng)絡(luò)的負(fù)載和用戶(hù)接收信號(hào)強(qiáng)度信息。各候選網(wǎng)絡(luò)基站對(duì)自己所在網(wǎng)絡(luò)的當(dāng)前負(fù)載信息進(jìn)行收集；用戶(hù)對(duì)各個(gè)候選網(wǎng)絡(luò) 的信號(hào)強(qiáng)度進(jìn)行檢測(cè)，并將檢測(cè)的結(jié)果通過(guò)無(wú)線使能器分別告知給相應(yīng)網(wǎng)絡(luò)的基站。步驟2，各基站根據(jù)其所在網(wǎng)絡(luò)的歷史負(fù)載信息和收集到的當(dāng)前負(fù)載信息，利用集 成BP神經(jīng)網(wǎng)絡(luò)算法對(duì)所在網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)進(jìn)行預(yù)測(cè)。參照?qǐng)D2，本步驟的具體實(shí)現(xiàn)如下2. 1利用Bagging算法對(duì)網(wǎng)絡(luò)歷史負(fù)載信息數(shù)據(jù)庫(kù)進(jìn)行獨(dú)立重復(fù)抽樣，獲得n個(gè)獨(dú) 立的樣本集合；2. 2每一個(gè)樣本集合單獨(dú)訓(xùn)練一個(gè)BP神經(jīng)網(wǎng)絡(luò)，每個(gè)BP神經(jīng)網(wǎng)絡(luò)均采用輸入層、 隱含層和輸出層的三層結(jié)構(gòu)，訓(xùn)練結(jié)果采用均方誤差MSE來(lái)衡量，設(shè)定一個(gè)MSE指標(biāo)，只有 訓(xùn)練結(jié)果滿(mǎn)足此指標(biāo)時(shí)，BP神經(jīng)網(wǎng)絡(luò)才算訓(xùn)練完成；均方誤差MSE具體表示如下 其中，P為樣本集中含有的訓(xùn)練序列的個(gè)數(shù)，m為輸出層含有的結(jié)點(diǎn)個(gè)數(shù)，<為輸入 第P個(gè)訓(xùn)練序列時(shí)對(duì)應(yīng)輸出第j個(gè)元素值的真實(shí)值，<為輸入第P個(gè)訓(xùn)練序列時(shí)輸出的第 j個(gè)元素值；2. 3在每個(gè)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，通過(guò)對(duì)其輸入候選網(wǎng)絡(luò)當(dāng)前的負(fù)載信息，得 到每個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)候選網(wǎng)絡(luò)未來(lái)負(fù)載的預(yù)測(cè)結(jié)果；2. 4利用均值集成方法，將所有BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相加再取平均，得到候選 網(wǎng)絡(luò)未來(lái)負(fù)載的最終預(yù)測(cè)結(jié)果。步驟3，基站對(duì)網(wǎng)絡(luò)當(dāng)前負(fù)載和未來(lái)負(fù)載的預(yù)測(cè)值，及用戶(hù)接收信號(hào)強(qiáng)度信息分別 進(jìn)行歸一化處理和模糊處理。歸一化后的網(wǎng)絡(luò)負(fù)載k表示為 其中，C/^為網(wǎng)絡(luò)i中已經(jīng)被占用的信道數(shù)，CH,為網(wǎng)絡(luò)i中總的信道數(shù)。
歸一化后的用戶(hù)接收信號(hào)強(qiáng)度Si表示為

<3>其中，卩胃為網(wǎng)絡(luò)i基站的最大發(fā)射功率，為網(wǎng)絡(luò)i中用戶(hù)接收機(jī)的接收門(mén)限；
為當(dāng)前用戶(hù)接收到網(wǎng)絡(luò)i基站發(fā)射的信號(hào)強(qiáng)度。完成網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)強(qiáng)度的歸一化之后，在分別對(duì)它們進(jìn)行模糊處理， 包括模糊化和反模糊化。模糊化采用三角形隸屬函數(shù)，反模糊化采用面積中心法。步驟4，各個(gè)基站根據(jù)模糊處理之后網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)強(qiáng)度，利用代價(jià)函數(shù) 計(jì)算每個(gè)候選網(wǎng)絡(luò)的技術(shù)指標(biāo)。代價(jià)函數(shù)如下所示
<4>其中，(；表示網(wǎng)絡(luò)i的技術(shù)指標(biāo)值，巧和^分別為網(wǎng)絡(luò)負(fù)載和信號(hào)強(qiáng)度的權(quán)重，它 們滿(mǎn)足0彡彡1，0彡ws彡1且Wl+Ws = 1。步驟5，基站根據(jù)其所在網(wǎng)絡(luò)的技術(shù)指標(biāo)和網(wǎng)絡(luò)參數(shù)及用戶(hù)需求，采用多目標(biāo)決策 計(jì)算其所在網(wǎng)絡(luò)的適宜接入度。5. 1分別設(shè)定候選網(wǎng)絡(luò)i的技術(shù)指標(biāo)決策值為，網(wǎng)絡(luò)參數(shù)決策值為，及用戶(hù) 需求決策值為^嚴(yán)，則該候選網(wǎng)絡(luò)的適宜接入度表示如下
<5>其中wTP、wNP和、分別為相應(yīng)決策值的權(quán)重因子，它們滿(mǎn)足0彡wTP彡1， 0彡wNP彡1，0彡wUD彡1且~+~+、= l，Dr是步驟4中得到候選網(wǎng)絡(luò)的技術(shù)指標(biāo)Ci，即
D/7和D嚴(yán)根據(jù)具體的網(wǎng)絡(luò)特征和用戶(hù)需求進(jìn)行設(shè)置；5. 2通過(guò)層次分析法方法計(jì)算各決策值的權(quán)重因子，具體如下步驟所示5.2. 1首先構(gòu)造網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求之間的相對(duì)重要程度矩 陣
其中，a。,■為第i個(gè)決策因子對(duì)第個(gè)決策因子的相對(duì)重要程度，根據(jù)具體的網(wǎng)絡(luò)
特征和用戶(hù)需求進(jìn)行設(shè)置，但是需要滿(mǎn)足aii = 1，aiJ = l/ajl, i，j = 1,2,3；5. 2. 2對(duì)矩陣A進(jìn)行一致性校驗(yàn)若不滿(mǎn)足一致性，則重新調(diào)整矩陣的元素值，直 到矩陣A滿(mǎn)足一致性；5. 2. 3計(jì)算矩陣A的最大特征值\ _及其對(duì)應(yīng)的單位特征向量w ；5. 2. 4對(duì)所獲得的單位特征向量w進(jìn)行歸一化，得到各決策值的權(quán)重因子；5. 3將得到的權(quán)重因子帶入到公式<5>中，計(jì)算得到候選網(wǎng)絡(luò)i的適宜接入度。步驟6，各個(gè)基站將其所在網(wǎng)絡(luò)的適宜接入度通過(guò)無(wú)線使能器傳遞給用戶(hù)。步驟7，用戶(hù)比較各個(gè)候選網(wǎng)絡(luò)的適宜接入度大小，最終選擇具有最大適宜接入度 的網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)。以下通過(guò)一個(gè)仿真實(shí)驗(yàn)對(duì)本發(fā)明的技術(shù)效果做詳細(xì)描述1)仿真的系統(tǒng)參數(shù)
用戶(hù)所在位置處存在網(wǎng)絡(luò)1、網(wǎng)絡(luò)2和網(wǎng)絡(luò)3這三種不同的接入網(wǎng)絡(luò)，分別含有50， 30和20個(gè)單位信道，用戶(hù)服務(wù)過(guò)程中只占用一個(gè)單位信道。用戶(hù)的到達(dá)率服從泊松分布， 服務(wù)時(shí)間服從指數(shù)分布。三種網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)分別設(shè)置為D廣=0.5,Df =0.2,Z)f =0.3，用 戶(hù)需求分別設(shè)置為=0.5,Df =0.2,2^ =0.3。網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求之 間的相對(duì)重要程度矩陣為 計(jì)算得到的各個(gè)決策值的權(quán)重因子分別為wTP = 0. 5，wNP = 0. 2，wUD = 0. 3。2)仿真過(guò)程與結(jié)果首先，衡量采用集成BP算法預(yù)測(cè)網(wǎng)絡(luò)未來(lái)負(fù)載對(duì)系統(tǒng)性能的影響。固定模糊化級(jí) 別為4。分別采用本發(fā)明方法和不采用預(yù)測(cè)方法，進(jìn)行多次用戶(hù)選擇接入網(wǎng)絡(luò)的仿真試驗(yàn)， 衡量用戶(hù)接入目標(biāo)網(wǎng)絡(luò)后服務(wù)過(guò)程中的中斷概率，得到圖3所示結(jié)果。從圖3可以看出，采 用本發(fā)明方法，用戶(hù)服務(wù)過(guò)程中的中斷概率明顯下降。這是由于引入集成BP神經(jīng)網(wǎng)絡(luò)算法 預(yù)測(cè)網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)之后，將網(wǎng)絡(luò)未來(lái)負(fù)載的預(yù)測(cè)值引入到網(wǎng)絡(luò)選擇過(guò)程中，使 得所選擇的接入網(wǎng)絡(luò)不再是接入時(shí)刻最優(yōu)，而是在用戶(hù)整個(gè)服務(wù)時(shí)間內(nèi)整體最優(yōu)，因此，使 得用戶(hù)服務(wù)過(guò)程中的中斷概率明顯下降。接著，衡量引入模糊邏輯抵抗參數(shù)不確定性的性能。定義參數(shù)的不確定性為參數(shù) 的方差。固定模糊化等級(jí)為4，網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)強(qiáng)度具有不同程度的不確定性，分 別為10%、1%和0. 1%。分別采用本發(fā)明方法和不應(yīng)用模糊邏輯方法，進(jìn)行多次用戶(hù)選擇 接入網(wǎng)絡(luò)的仿真試驗(yàn)，衡量用戶(hù)接入過(guò)程中的阻塞概率，得到圖4所示結(jié)果。從圖4可以看 出，本發(fā)明方法引入了模糊邏輯降低了用戶(hù)接入網(wǎng)絡(luò)的阻塞概率，尤其在參數(shù)具有較大不 確定性的情況下，性能改善較為明顯。這是由于參數(shù)在測(cè)量或者預(yù)測(cè)的過(guò)程中，不可避免的 存在一定的誤差或者錯(cuò)誤，具有不確定性，模糊邏輯的引入能夠有效地抵抗參數(shù)的不確定 性，從而降低了用戶(hù)接入網(wǎng)絡(luò)阻塞概率。最后，衡量本發(fā)明在各個(gè)候選網(wǎng)絡(luò)之間實(shí)現(xiàn)的負(fù)載均衡的功效。固定用戶(hù)總數(shù)為 60，不考慮新用戶(hù)的到達(dá)和現(xiàn)有用戶(hù)的離開(kāi)。設(shè)定所有用戶(hù)全部分布在三個(gè)網(wǎng)絡(luò)之中，其中 網(wǎng)絡(luò)1含有40個(gè)用戶(hù)，網(wǎng)絡(luò)2含有5個(gè)用戶(hù)，網(wǎng)絡(luò)3含有15個(gè)用戶(hù)，得到各網(wǎng)絡(luò)負(fù)載情況 如圖5a所示。采用本發(fā)明的接入網(wǎng)絡(luò)選擇方法，所有用戶(hù)均重新選擇接入網(wǎng)絡(luò)，最終所有 用戶(hù)在三個(gè)網(wǎng)絡(luò)之間的分布情況如圖5b所示。通過(guò)圖5a與圖5b的對(duì)比可以明顯看出，本 發(fā)明的接入網(wǎng)絡(luò)方法實(shí)現(xiàn)了候選網(wǎng)絡(luò)之間的負(fù)載均衡功能。這是由于在用戶(hù)選擇接入網(wǎng)絡(luò) 的過(guò)程中考慮了網(wǎng)絡(luò)的負(fù)載情況，如果一個(gè)候選網(wǎng)絡(luò)的負(fù)載越重，則該網(wǎng)絡(luò)的適宜接入度 越小，用戶(hù)選擇其作為目標(biāo)網(wǎng)絡(luò)的可能性也就越小，因此，本發(fā)明方法實(shí)現(xiàn)了各個(gè)候選網(wǎng)絡(luò) 之間的負(fù)載均衡功能。
權(quán)利要求
一種基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法，包括如下步驟(1)各候選網(wǎng)絡(luò)基站收集其所在網(wǎng)絡(luò)的當(dāng)前負(fù)載信息；用戶(hù)檢測(cè)各個(gè)候選網(wǎng)絡(luò)的信號(hào)強(qiáng)度，并將得到的信號(hào)強(qiáng)度信息通過(guò)無(wú)線使能器告知給相應(yīng)網(wǎng)絡(luò)的基站；(2)各基站根據(jù)其所在網(wǎng)絡(luò)的歷史負(fù)載信息和收集到的當(dāng)前負(fù)載情況，利用集成BP神經(jīng)網(wǎng)絡(luò)算法對(duì)所在網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)進(jìn)行預(yù)測(cè)；(3)基站對(duì)網(wǎng)絡(luò)當(dāng)前負(fù)載和未來(lái)負(fù)載的預(yù)測(cè)值，及用戶(hù)接收信號(hào)強(qiáng)度信息分別進(jìn)行歸一化處理和模糊處理；(4)各個(gè)基站根據(jù)模糊處理之后網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)的強(qiáng)度，利用代價(jià)函數(shù)計(jì)算每個(gè)候選網(wǎng)絡(luò)的技術(shù)指標(biāo)；(5)基站根據(jù)其所在網(wǎng)絡(luò)的技術(shù)指標(biāo)和網(wǎng)絡(luò)參數(shù)及用戶(hù)需求，采用多目標(biāo)決策計(jì)算其所在網(wǎng)絡(luò)的適宜接入度；(6)各個(gè)基站將其所在網(wǎng)絡(luò)的適宜接入度通過(guò)無(wú)線使能器傳遞給用戶(hù)；(7)用戶(hù)比較各個(gè)候選網(wǎng)絡(luò)的適宜接入度大小，最終選擇適宜接入度最大的網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法，其中步驟 (2)所述的利用集成BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)候選網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)，按如下過(guò)程進(jìn) 行(2a)利用Bagging算法對(duì)網(wǎng)絡(luò)歷史負(fù)載信息數(shù)據(jù)庫(kù)進(jìn)行獨(dú)立重復(fù)抽樣，獲得n個(gè)獨(dú)立 的樣本集合；(2b)每一個(gè)樣本集合單獨(dú)訓(xùn)練一個(gè)BP神經(jīng)網(wǎng)絡(luò)，每個(gè)BP神經(jīng)網(wǎng)絡(luò)均采用輸入層、隱含 層和輸出層的三層結(jié)構(gòu)，訓(xùn)練結(jié)果采用均方誤差MSE來(lái)衡量 其中P為樣本集中含有的訓(xùn)練序列的個(gè)數(shù)，m為輸出層含有的結(jié)點(diǎn)個(gè)數(shù)，《為輸入第p 個(gè)訓(xùn)練序列時(shí)對(duì)應(yīng)輸出第j個(gè)元素值的真實(shí)值，<為輸入第P個(gè)訓(xùn)練序列時(shí)輸出的第j個(gè) 元素值；(2c)在每個(gè)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，通過(guò)對(duì)其輸入候選網(wǎng)絡(luò)當(dāng)前的負(fù)載信息，得到每 個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)候選網(wǎng)絡(luò)未來(lái)負(fù)載的預(yù)測(cè)結(jié)果；(2d)利用均值集成方法，將所有BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相加再取平均，得到候選網(wǎng)絡(luò) 未來(lái)負(fù)載的最終預(yù)測(cè)結(jié)果。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法，其中步驟(4)所述的利用代價(jià)函數(shù)計(jì)算每個(gè)候選網(wǎng)絡(luò)的技術(shù)指標(biāo)，是通過(guò)Q= w.U+w^計(jì)算，其中， Q表示網(wǎng)絡(luò)i的技術(shù)指標(biāo)值，k為歸一化和模糊處理之后的網(wǎng)絡(luò)i的負(fù)載，S,為歸一化和 模糊處理之后的用戶(hù)接收到網(wǎng)絡(luò)i的信號(hào)強(qiáng)度，和ws分別為網(wǎng)絡(luò)負(fù)載和信號(hào)強(qiáng)度的權(quán)重 因子，它們滿(mǎn)足0彡Wl彡1，0彡ws彡1且巧+^ = 1，該權(quán)重因子根據(jù)具體的網(wǎng)絡(luò)特征和用 戶(hù)需求設(shè)置。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法，其中步驟(5)所述的利用多目標(biāo)決策計(jì)算每一個(gè)候選網(wǎng)絡(luò)的適宜接入度，按如下步驟進(jìn)行(4a)分別設(shè)定候選網(wǎng)絡(luò)i的技術(shù)指標(biāo)決策值為If，網(wǎng)絡(luò)參數(shù)決策值為If1，及用戶(hù)需 求決策值為D嚴(yán)，則該候選網(wǎng)絡(luò)的適宜接入度表示如下 其中WTP、WNP和分別為相應(yīng)決策值的權(quán)重因子，它們滿(mǎn)足0≤wTP≤1，0≤wNP≤1， 0 ≤wud≤ 1 且 wTP+wNP+wUD = 1 ；(4b)通過(guò)層次分析法計(jì)算各決策值的權(quán)重因子；(4c)將得到的權(quán)重因子帶入到 中，得到候選網(wǎng)絡(luò)i的適宜接入度。
5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法，其中步驟 (4b)所述的通過(guò)層次分析法計(jì)算各決策值的權(quán)重因子，按如下步驟進(jìn)行(5a)構(gòu)造網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求之間的相對(duì)重要程度矩陣 au an an 其中，為第i個(gè)決策因子對(duì)第j個(gè)決策因子的相對(duì)重要程度，滿(mǎn)足、=La,j = 1/ an, i, j = 1,2,3 ；(5b)對(duì)矩陣A進(jìn)行一致性校驗(yàn)，若不滿(mǎn)足一致性則重新調(diào)整矩陣的元素值；(5c)計(jì)算矩陣A的最大特征值及其對(duì)應(yīng)的單位特征向量w;(5d)對(duì)所獲得的單位特征向量w進(jìn)行歸一化，得到各決策值的權(quán)重因子。
全文摘要
本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的接入網(wǎng)絡(luò)選擇方法。主要解決網(wǎng)絡(luò)選擇過(guò)程中候選網(wǎng)絡(luò)未來(lái)負(fù)載變化和參數(shù)不確定性對(duì)用戶(hù)性能的影響問(wèn)題。實(shí)現(xiàn)過(guò)程是各候選網(wǎng)絡(luò)基站收集所在網(wǎng)絡(luò)當(dāng)前的負(fù)載信息以及用戶(hù)接收到的信號(hào)強(qiáng)度信息；利用集成BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)各候選網(wǎng)絡(luò)未來(lái)負(fù)載的變化趨勢(shì)；利用歸一化和模糊邏輯處理網(wǎng)絡(luò)負(fù)載和用戶(hù)接收信號(hào)強(qiáng)度；利用代價(jià)函數(shù)計(jì)算候選網(wǎng)絡(luò)的技術(shù)指標(biāo)；利用多目標(biāo)決策綜合衡量網(wǎng)絡(luò)的技術(shù)指標(biāo)、網(wǎng)絡(luò)參數(shù)和用戶(hù)需求，得到各個(gè)候選網(wǎng)絡(luò)的適宜接入度；各個(gè)基站將所在網(wǎng)絡(luò)的適宜接入度通過(guò)無(wú)線使能器發(fā)送給用戶(hù)；用戶(hù)比較后，選擇具有最大適宜接入度的候選網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)。本發(fā)明能夠有效能夠降低用戶(hù)接入網(wǎng)絡(luò)時(shí)的阻塞概率和服務(wù)過(guò)程中的中斷概率，實(shí)現(xiàn)為用戶(hù)選擇最佳接入網(wǎng)絡(luò)的功能。
文檔編號(hào)H04W24/00GK101860885SQ20101019910
公開(kāi)日2010年10月13日 申請(qǐng)日期2010年6月11日 優(yōu)先權(quán)日2010年6月11日
發(fā)明者劉勤, 李建東, 李釗, 趙林靖, 閆繼壘, 陳曦 申請(qǐng)人:西安電子科技大學(xué)