本發(fā)明涉及衛(wèi)星通信技術領域，特別是涉及一種衛(wèi)星網(wǎng)絡切換方法及裝置。

背景技術：

在移動衛(wèi)星網(wǎng)絡中，對于用戶如何獲得最優(yōu)的移動衛(wèi)星資源以及移動衛(wèi)星如何準確、快速的將資源分配給用戶使用，因此，為無縫通信設計出優(yōu)化和高效的移動性管理方案仍然是一個關鍵的挑戰(zhàn)。

現(xiàn)有的移動衛(wèi)星管理方案中有模糊邏輯切換方法，具體實現(xiàn)方法為：將建立通信的衛(wèi)星與用戶多個參數(shù)形成的清晰向量輸入到模糊控制系統(tǒng)中，通過模糊控制系統(tǒng)中的模糊控制器以及模糊推理規(guī)則將每個參數(shù)模糊處理得到模糊處理結果，綜合每個參數(shù)的模糊處理結果，得到與該用戶建立通信的該衛(wèi)星的切換因子。按照上述方法得到與該用戶建立通信的所有衛(wèi)星的切換因子。選擇出所有切換因子中最大的切換因子對應的衛(wèi)星，將該用戶切換到切換因子最大的衛(wèi)星下。

現(xiàn)有的模糊邏輯切換方法存在的問題是，過于依賴專家設定的模糊推理規(guī)則，使用一種固定的模糊推理規(guī)則不能適應各種不同的通信環(huán)境，使得得到的切換因子不夠準確，導致頻繁切換以及網(wǎng)絡信號穩(wěn)定性差。

技術實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種衛(wèi)星網(wǎng)絡切換方法及裝置，通過在不同網(wǎng)絡環(huán)境下自適應調節(jié)模糊推理規(guī)則，實現(xiàn)增強移動衛(wèi)星網(wǎng)絡自適應性與穩(wěn)定性，最終實現(xiàn)穩(wěn)定、低頻率的為用戶終端切換移動衛(wèi)星。具體技術方案如下：

為達到上述發(fā)明目的，本發(fā)明實施例公開了一種衛(wèi)星網(wǎng)絡切換方法，包括：

根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及所述至少一個參數(shù)對應的目標模糊邏輯切換模型，其中，所述至少一個輸入量至少包括用戶終端的導頻信號強度、衛(wèi)星負載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用所述至少一個衛(wèi)星中每個衛(wèi)星的時間，所述至少一個參數(shù)包括至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結果向量；

根據(jù)所述目標模糊邏輯切換模型，在所述目標模糊邏輯切換模型的輸入層獲取所述用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量；

按照與所述至少一個輸入量對應的至少一個隸屬度函數(shù)、所述目標模糊邏輯切換模型的預設模糊語言集，對所述至少一個輸入量模糊化處理，得到所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果；

根據(jù)所述目標模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定所述至少一個衛(wèi)星中每個衛(wèi)星的切換因子；

選擇大于預設持續(xù)時間的所述至少一個衛(wèi)星中的至少一個待切換衛(wèi)星、對應的切換因子中最大的切換因子，將所述切換因子對應的待切換衛(wèi)星確定為目標衛(wèi)星，將所述用戶終端切換到所述目標衛(wèi)星下。

可選地，根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及所述至少一個參數(shù)對應的目標模糊邏輯切換模型，包括：

根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量，通過預設切換因子，確定小于預設誤差下的最優(yōu)切換因子；

通過混合最速下降法和最小均方估計，確定所述最優(yōu)切換因子對應的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度；

通過預設切換因子向量、預設規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對應的模糊輸出結果向量，將所述模糊輸出結果向量確定為最優(yōu)模糊輸出結果向量；

根據(jù)所述至少一個隸屬度函數(shù)的中心、所述至少一個隸屬度函數(shù)的寬度，確定所述目標模糊邏輯切換模型的至少一個隸屬度函數(shù)，以及根據(jù)所述最優(yōu)模糊輸出結果向量，確定所述目標模糊邏輯切換模型的模糊推理規(guī)則；

將所述至少一個隸屬度函數(shù)以及所述模糊推理規(guī)則對應的模糊邏輯切換模型，確定為目標模糊邏輯切換模型。

可選地，所述根據(jù)所述至少一個隸屬度函數(shù)的中心、所述至少一個隸屬度函數(shù)的寬度，確定所述目標模糊邏輯切換模型的至少一個隸屬度函數(shù)，以及根據(jù)所述最優(yōu)模糊輸出結果向量，確定所述目標模糊邏輯切換模型的模糊推理規(guī)則，包括：

按照預設模糊語言集中與每個預設隸屬度函數(shù)對應的模糊語言等級個數(shù)，將所述每個預設隸屬度函數(shù)平均分布在所述論域范圍內，確定至少一個粗略隸屬函數(shù)；

利用所述至少一個隸屬度函數(shù)的中心、所述至少一個隸屬度函數(shù)的寬度，對應替換所述至少一個粗略隸屬函數(shù)形成的圖像的峰值以及每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為所述目標模糊邏輯切換模型的至少一個隸屬度函數(shù)；

通過預設模糊推理規(guī)則以及所述最優(yōu)模糊輸出結果向量，確定所述目標模糊邏輯切換模型的模糊推理規(guī)則。

可選地，所述在所述目標模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量，包括：

在所述目標模糊邏輯切換模型的輸入層，獲取所述用戶終端的導頻信號強度以及所述用戶終端的位置坐標；

獲取覆蓋所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星負載、所述至少一個衛(wèi)星中每個衛(wèi)星的用戶密集度、所述至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星能夠使用的帶寬以及所述至少一個衛(wèi)星中每個衛(wèi)星的位置坐標；

通過所述用戶終端的位置坐標以及覆蓋所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的位置坐標，確定所述用戶終端能夠利用所述至少一個衛(wèi)星中每個衛(wèi)星的時間，獲取所述用戶終端能夠利用所述至少一個衛(wèi)星中每個衛(wèi)星的時間。

可選地，所述根據(jù)所述目標模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定所述至少一個衛(wèi)星中每個衛(wèi)星的切換因子，包括：

將所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果對應到所述目標模糊邏輯切換模型的模糊推理規(guī)則中，得到每個衛(wèi)星的每個輸入量的模糊輸出結果；

將所述每個衛(wèi)星的每個輸入量的模糊輸出結果對應與每個規(guī)則歸一化適用度相乘，對應確定所述至少一個衛(wèi)星中每個衛(wèi)星的切換因子。

為達到上述發(fā)明目的，本發(fā)明實施例還公開了一種衛(wèi)星網(wǎng)絡切換裝置，包括：

模型確定模塊，用于根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及所述至少一個參數(shù)對應的目標模糊邏輯切換模型，其中，至少一個輸入量至少包括用戶終端的導頻信號強度、衛(wèi)星負載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用所述至少一個衛(wèi)星中每個衛(wèi)星的時間，所述至少一個參數(shù)包括至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結果向量；

輸入量獲取模塊，用于根據(jù)所述目標模糊邏輯切換模型，在所述目標模糊邏輯切換模型的輸入層，獲取所述用戶終端以及覆蓋所述用戶終端的至少一個衛(wèi)星的至少一個輸入量；

推理結果確定模塊，用于按照與所述至少一個輸入量對應的至少一個隸屬度函數(shù)、所述目標模糊邏輯切換模型的預設模糊語言集，對所述至少一個輸入量模糊化處理，得到所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果；

切換因子確定模塊，用于根據(jù)所述目標模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定所述至少一個衛(wèi)星中每個衛(wèi)星的切換因子；

切換模塊，用于選擇大于預設持續(xù)時間的所述至少一個衛(wèi)星中的至少一個待切換衛(wèi)星、對應的切換因子中最大的切換因子，將所述切換因子對應的待切換衛(wèi)星確定為目標衛(wèi)星，將所述用戶終端切換到所述目標衛(wèi)星下。

本發(fā)明實施例提供的一種衛(wèi)星網(wǎng)絡切換方法及裝置，通過歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標模糊邏輯切換模型，通過該目標模糊邏輯切換模型的模糊推理規(guī)則以及目標模糊邏輯切換模型的預設模糊語言集對至少一個輸入量模糊化，該目標模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過于依賴專家經驗得到適應不同網(wǎng)絡環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準確。通過目標模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準確。通過將用戶終端切換到大于預設持續(xù)時間中大于預設切換因子的最大的切換因子對應的衛(wèi)星下，可減少切換的頻率，實現(xiàn)增強衛(wèi)星網(wǎng)絡切換的自適應性與穩(wěn)定性。本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法及裝置，綜合考慮了網(wǎng)絡狀況和移動終端的信號狀況和位置信息，最終實現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動衛(wèi)星。當然，實施本發(fā)明的任一產品或方法必不一定需要同時達到以上所述的所有優(yōu)點。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法流程圖；

圖2為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的導頻信號強度隸屬度函數(shù)圖像變化圖；

圖3為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的衛(wèi)星負載隸屬度函數(shù)圖像變化圖；

圖4為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的目標模糊邏輯切換模型結構圖；

圖5為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的過程示意圖；

圖6為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換裝置示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為達到上述發(fā)明目的，本發(fā)明實施例公開了一種衛(wèi)星網(wǎng)絡切換方法，如圖1所示。圖1為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法流程圖，包括：

s101，根據(jù)用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及至少一個參數(shù)對應的目標模糊邏輯切換模型，其中，至少一個輸入量至少包括用戶終端的導頻信號強度、衛(wèi)星負載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間，至少一個參數(shù)包括至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結果向量；

在本發(fā)明實施例中，將現(xiàn)有模糊邏輯切換系統(tǒng)模型中已有的對用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量模糊處理的隸屬度函數(shù)定義為預設隸屬度函數(shù)。將現(xiàn)有模糊邏輯切換系統(tǒng)模型中根據(jù)預設隸屬度函數(shù)對每個輸入量模糊處理，將每個輸入量模糊處理輸出結果對應輸入到已有的模糊語言集，將該模糊語言集定義為預設模糊語言集。該預設模糊語言集為根據(jù)預設隸屬度函數(shù)對每個輸入量模糊處理，將每個處理結果用模糊語言模糊化處理，以使模糊處理結果能夠應用在模糊推理規(guī)則的所有規(guī)則中。將現(xiàn)有模糊邏輯切換系統(tǒng)模型中已有的模糊推理規(guī)則定義為預設模糊推理規(guī)則。通過訓練調整現(xiàn)有模糊邏輯切換系統(tǒng)模型的預設隸屬度函數(shù)和預設模糊推理規(guī)則的多個參數(shù)，得到對應當前用戶終端最優(yōu)網(wǎng)絡環(huán)境下的隸屬度函數(shù)和模糊推理規(guī)則，將該最優(yōu)網(wǎng)絡環(huán)境下的隸屬度函數(shù)和模糊推理規(guī)則對應的模糊邏輯切換系統(tǒng)模型定義為目標模糊邏輯切換模型。

模糊神經網(wǎng)絡就是模糊理論同神經網(wǎng)絡相結合的產物，它匯集了神經網(wǎng)絡與模糊理論的優(yōu)點，集學習、聯(lián)想、識別、信息處理于一體。模糊神經網(wǎng)絡可用于模糊回歸、模糊控制器、模糊專家系統(tǒng)、模糊譜系分析、模糊矩陣方程、通用逼近器。在控制領域中，所關心的是由模糊神經網(wǎng)絡構成的模糊控制器。本發(fā)明實施例通過模糊神經網(wǎng)絡理論基礎與現(xiàn)有模糊邏輯系統(tǒng)模型的結合形成本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法。

具體地，通過歷史經驗分析模糊邏輯切換系統(tǒng)模型的性能，為達到該模糊邏輯切換系統(tǒng)模型最優(yōu)化的性能設定一個數(shù)值，將該數(shù)據(jù)定義為該模糊邏輯切換系統(tǒng)模型的閾值。當用戶終端的網(wǎng)絡環(huán)境性能低于閾值時，使用在線數(shù)據(jù)，直接獲取至少一組當前用戶終端以及覆蓋該用戶終端的至少一個衛(wèi)星的至少一個輸入量作為樣本訓練，對應得到至少一個切換因子。因為用戶終端的導頻信號強度、衛(wèi)星負載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間這幾個參數(shù)對最后的切換因子影響較大，因此在模糊邏輯切換系統(tǒng)模型中獲取這幾個參數(shù)最終得到的結果更準確。反之，在離線狀態(tài)下使用當前用戶終端以及覆蓋該用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)作為樣本訓練，得到至少一個切換因子。

在所有的切換因子中選取當前用戶網(wǎng)絡環(huán)境下最優(yōu)切換因子。因為得到該切換因子通過模糊邏輯切換系統(tǒng)模型的隸屬度函數(shù)的模糊處理以及模糊推理規(guī)則的規(guī)則推理運算，則可通過對樣本以及現(xiàn)有模糊邏輯切換系統(tǒng)模型訓練以及模糊神將網(wǎng)絡的反饋調節(jié)，反推出在該當前用戶終端環(huán)境下確定該最優(yōu)切換因子的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結果向量。根據(jù)得到的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及模糊邏輯切換系統(tǒng)模型中預設隸屬度函數(shù)，對應得到當前用戶網(wǎng)絡環(huán)境下的至少一個隸屬度函數(shù)。根據(jù)最優(yōu)模糊輸出結果向量以及模糊邏輯切換系統(tǒng)模型中預設模糊推理規(guī)則，得到當前用戶網(wǎng)絡環(huán)境下的模糊推理規(guī)則。將當前用戶網(wǎng)絡環(huán)境下的至少一個隸屬度函數(shù)以及當前用戶網(wǎng)絡環(huán)境下的模糊推理規(guī)則形成的模糊邏輯切換系統(tǒng)模型作為目標模糊邏輯切換模型。

s102，根據(jù)目標模糊邏輯切換模型，在目標模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量；

在本步驟中，根據(jù)s101確定的目標模糊邏輯切換模型的功能以及神經網(wǎng)絡理論的結構，將該目標模糊邏輯切換模型可分為5層，即為：輸入層、模糊化層、規(guī)則層、結論層和輸出層。輸入層主要用于接收至少一個輸入量，并將至少一個輸入量對應輸入到模糊化層的模糊化子模塊中。

具體地，在目標模糊邏輯切換模型的輸入層接收到至少一個衛(wèi)星的至少一個輸入量，并將該至少一個輸入量對應輸入到模糊化層的模糊化子模塊，進行模糊化處理。在本發(fā)明實施例中，可獲取到導頻信號強度、預估計服務時間、衛(wèi)星負載、衛(wèi)星能夠使用的帶寬和用戶密集度作為至少一個輸入量。

s103，按照與至少一個輸入量對應的至少一個隸屬度函數(shù)、目標模糊邏輯切換模型的預設模糊語言集，對至少一個輸入量模糊化處理，得到用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果；

在本步驟中，至少一個隸屬度函數(shù)進入到模糊化層中，該模糊化層中設置有模糊控制器對至少一個輸入量模糊處理。在該模糊控制器中設置有與至少一個輸入量對應的模糊化子模塊，每個模糊化子模塊中含有與該輸入量對應的隸屬度函數(shù)。另外，該模糊控制器中還設置有模糊語言集，該模糊語言集包含與至少一個輸入量的個數(shù)對應的模糊語言。每個模糊語言包含有按照該輸入量對切換影響的大小劃分的不同等級個數(shù)的模糊言語。至少一個輸入量通過模糊控制器對應的至少一個隸屬度函數(shù)以及至少一個模糊語言的處理，得到至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果。模糊語言集可按照輸入提前預設。

例如，在本發(fā)明實施例中，因為導頻信號強度s、預估計服務時間t對切換影響程度較大，將其劃分為5級，衛(wèi)星負載l、衛(wèi)星能夠使用的帶寬w和用戶密集度dt對切換影響較小，將其劃分為3級。對應形成導頻信號強度模糊語言t(s)、預估計服務時間模糊語言t(t)、衛(wèi)星負載模糊語言t(l)、衛(wèi)星能夠使用的帶寬模糊語言t(w)和用戶密集度模糊語言t(dt)的預設模糊語言集，如下所示：

具體地，模糊控制器中的至少一個隸屬度函數(shù)以及按照上述預設模糊語言集，對至少一個輸入量模糊化處理，得到當前用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果。

s104，根據(jù)目標模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子；

在本步驟中，通過模糊化層的對至少一個輸入量模糊處理完成后，在規(guī)則層按照上述s101得到的目標模糊邏輯切換模型的模糊推理規(guī)則，對上述s103得到的每個衛(wèi)星的每個輸入量對應的模糊推理結果推理以及運算，對應得到至少一個衛(wèi)星中每個衛(wèi)星的切換因子，將至少一個衛(wèi)星中每個衛(wèi)星的切換因子在輸出層輸出。

s105，選擇大于預設持續(xù)時間的至少一個衛(wèi)星中的至少一個待切換衛(wèi)星、對應的切換因子中最大的切換因子，將切換因子對應的至少一個待切換衛(wèi)星確定為目標衛(wèi)星，將用戶終端切換到目標衛(wèi)星下。

在本步驟中，為了防止頻繁切換對用戶終端以及移動衛(wèi)星終端的產生不便，可通過移動衛(wèi)星對每個用戶服務的持續(xù)時間的歷史數(shù)據(jù)以及經驗分析，設定預設持續(xù)時間，將至少一個衛(wèi)星中用戶服務的持續(xù)時間大于預設持續(xù)時間的衛(wèi)星定義為待切換衛(wèi)星。在至少一個待切換衛(wèi)星的切換因子中選擇最大的切換因子，將該最大的切換因子對應的待切換衛(wèi)星定義為目標衛(wèi)星。

具體為，在覆蓋當前用戶的至少一個衛(wèi)星中通過預設持續(xù)時間選擇至少一個待切換衛(wèi)星，在至少一個待切換衛(wèi)星對應的通過最大切換因子選擇目標衛(wèi)星，將當前用戶切換到目標衛(wèi)星下。

本發(fā)明實施例提供的一種衛(wèi)星網(wǎng)絡切換方法，通過歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標模糊邏輯切換模型，通過該目標模糊邏輯切換模型的模糊推理規(guī)則以及目標模糊邏輯切換模型的預設模糊語言集對至少一個輸入量模糊化，該目標模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過于依賴專家經驗得到適應不同網(wǎng)絡環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準確。通過目標模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準確。通過將用戶終端切換到大于預設持續(xù)時間中大于預設切換因子的最大的切換因子對應的衛(wèi)星下，可減少切換的頻率，實現(xiàn)增強衛(wèi)星網(wǎng)絡切換的自適應性與穩(wěn)定性。本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法及裝置，綜合考慮了網(wǎng)絡狀況和移動終端的信號狀況和位置信息，最終實現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動衛(wèi)星。

可選地，在本發(fā)明實施例的衛(wèi)星網(wǎng)絡切換方法的一種實施例中，根據(jù)用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及至少一個參數(shù)對應的目標模糊邏輯切換模型，包括：

步驟一，根據(jù)用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量，通過預設切換因子，確定小于預設誤差下的最優(yōu)切換因子；

在本步驟中，通過經驗分析得到當前環(huán)境下的最優(yōu)切換因子，將該切換因子定義為預設切換因子。設定一個實際輸出切換因子與預設切換因子的誤差范圍，將該誤差范圍定義為預設誤差。具體為，通過將歷史數(shù)據(jù)或者在線數(shù)據(jù)的當前用戶以及覆蓋該用戶的所有移動衛(wèi)星的至少一個輸入量作為樣本訓練集。每次在該樣本集中選取一組至少一個輸入量，將該至少一個輸入量通過模糊邏輯切換系統(tǒng)模型的隸屬度函數(shù)的模糊處理以及模糊推理規(guī)則的規(guī)則推理運算，得到至少一個切換因子。通過每次判斷每組樣本的實際輸出切換因子與預設切換因子的誤差，將小于預設誤差的誤差最小情況下對應的實際輸出切換因子作為最優(yōu)切換因子。

在本發(fā)明實施例中，可按照如下公式表示求出切換因子z：

其中，i表示任一輸入量，m表示輸入量的總個數(shù)，ψi表示與輸入量i對應的規(guī)則歸一化使用度，fi表示與輸入量i對應使用模糊邏輯切換系統(tǒng)模糊推理規(guī)則的模糊輸出結果。

誤差e計算采用如下公式計算：

其中，zd表示預設切換因子，z表示實際輸出切換因子。

本發(fā)明實施例采用回歸最小二乘法確定模糊輸出結果向量f，公式如下：

其中，初始條件為f0＝0和s0＝χi。si表示第i個輸入量的協(xié)方差矩陣，ψi表示ψ的第i列，fi表示經過第i次迭代后的模糊輸出結果矩陣，χ表示一個足夠大的正數(shù)，i表示單位矩陣。

當樣本訓練集的數(shù)據(jù)增多時，最小二乘法會逐漸進入飽和狀態(tài)而失去調整能力，本發(fā)明使用遺忘因子λ來使新加入的數(shù)據(jù)具有較大的加權來解決該問題，則

其中，si表示第i個輸入量的協(xié)方差矩陣，ψi表示ψ的第i列，χ表示一個足夠大的正數(shù)。

其中，0<λ<1，λ越小，表示數(shù)據(jù)遺忘越快。

在上述訓練下，通過預設切換因子，可確定出小于預設誤差下的最優(yōu)切換因子。

通過上述公式，以及分析可得出實際輸出切換因子中的最優(yōu)切換因子。

步驟二，通過混合最速下降法和最小均方估計，確定最優(yōu)切換因子對應的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度；

最速下降法又稱為梯度法，它是解析法中最古老的一種，它是最優(yōu)化方法的基礎。它的基本思想是從當前自變量開始，取該函數(shù)在該自變量出下降最快的方向作為搜索的方向。通過該函數(shù)表達式的泰勒展開式構造出最速下降法的迭代步驟。最速下降法在模式識別和機器學習中運用最為廣泛，要通過這些訓練數(shù)據(jù)來學習系統(tǒng)的函數(shù)?；旌献钏傧陆捣ㄊ亲钏傧陆捣ǖ淖冃嗡惴?，利用混合最速下降法在反饋調節(jié)中調節(jié)訓練數(shù)據(jù)的參數(shù)?；旌献钏傧陆捣ǚ謩e介紹了兩種動態(tài)確定學習率的方法，第一種是非精確線搜索，另一種是精確線搜索。

最小均方估計的思想為：在增加很少運算量的情況下能夠加速其收斂速度，這樣在自適應均衡的時候就可以很快的跟蹤到被估計量參數(shù)，減少了訓練序列的發(fā)送時間，從而提高了信道的利用率。

在上述得到最優(yōu)切換因子后，可通過混合最速下降法和最小均方估計反推該最優(yōu)切換因子對應的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度。

使用通過混合最速下降法，按照迭代的方式可確定出于至少一個輸入量個數(shù)對應的至少一個隸屬度函數(shù)的中心以及至少一個隸屬度函數(shù)的寬度。

具體迭代運算如下

其中，ci表示輸入量i對應的隸屬度函數(shù)的中心，bi表示輸入量i對應的隸屬度函數(shù)的寬度，β表示網(wǎng)絡學習率，k表示當前迭代次數(shù)。

步驟三，通過預設切換因子向量、預設規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對應的模糊輸出結果向量，將模糊輸出結果向量確定為最優(yōu)模糊輸出結果向量；

在本步驟中，所有的切換因子組成切換因子向量z，每條模糊推理規(guī)則對應一個規(guī)則歸一化適用度，所有的規(guī)則歸一化適用度組成的向量稱為規(guī)則歸一化適用度向量ψ，所有的模糊輸出結果組成模糊輸出結果向量f。在本發(fā)明實施例中，設定理想輸出的切換因子向量為預設切換因子向量，將當前模糊邏輯切換系統(tǒng)模型下的規(guī)則歸一化適用度向量設定為預設規(guī)則歸一化適用度向量。切換因子向量z、規(guī)則歸一化適用度向量ψ、模糊輸出結果向量f具有如下關系：

z＝f×ψ

其中

f＝[α10…αm0α11…αm1α1r…αmr]

預設切換因子向量t以及預設規(guī)則歸一化適用度向量ψ有如下關系：

z＝f×ψ

e＝||t-z||

我們的目標是在預設切換因子向量t以及預設規(guī)則歸一化適用度向量ψ之間尋找一個模糊輸出結果向量，使誤差能量最小，即為確定最優(yōu)模糊輸出結果向量f^*。該問題可用如下的線性最小二乘法逼近：

f^*×ψ＝t

最優(yōu)模糊輸出結果向量f^*具有如下形式：

f^*＝t(ψ^tψ)^-1ψ^t

其中，ψ^t表示ψ的轉置，ψ⁺＝(ψ^tψ)^-1ψ^t表示ψ的廣義逆矩陣。

步驟四，根據(jù)至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度，確定目標模糊邏輯切換模型的至少一個隸屬度函數(shù)，以及根據(jù)最優(yōu)模糊輸出結果向量，確定目標模糊邏輯切換模型的模糊推理規(guī)則；

首先，按照預設模糊語言集中與每個預設隸屬度函數(shù)對應的模糊語言等級個數(shù)，將每個預設隸屬度函數(shù)平均分布在論域范圍內，確定至少一個粗略隸屬函數(shù)。

隸屬度函數(shù)是模糊控制系統(tǒng)中的重要模糊處理手段。在模糊控制器中按照輸入量的個數(shù)可對應設置預設隸屬度函數(shù)的個數(shù)。為了去除每個輸入量的不同量綱，可采用歸一化處理，將每一個移動衛(wèi)星的每一組輸入量歸一化到[0,1]論域范圍上。具體歸一化公式如下：

其中，x表示實際輸入量，xmax表示對應該輸入量的最大量，xmin表示對應該輸入量的最小量，y表示歸一化后的輸入量。

將輸入量歸一化在[0,1]論域范圍上后，按照預設模糊語言集中與該輸入量對應的模糊語言的分級個數(shù)，將每個預設隸屬度函數(shù)平均分布在[0,1]論域范圍內，確定出至少一個粗略隸屬函數(shù)。

其次，利用至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度，對應替換至少一個粗略隸屬函數(shù)形成的圖像的峰值以每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為目標模糊邏輯切換模型的至少一個隸屬度函數(shù)。

雖然梯形/三角形隸屬度函數(shù)有方程簡單和計算效率高的優(yōu)點，但其不可導的特性使其在神經網(wǎng)絡學習難以進行。本發(fā)明實施例采用可微可導的高斯隸屬度函數(shù)μa(xi)，如下所示：

其中，xi表示至少一個輸入量的第i個輸入量的值，mi表示與第i個輸入量對應的隸屬度函數(shù)的峰值點的橫坐標，σi表示第i個輸入對應的隸屬度函數(shù)的標準差。

一個預設模糊語言集對應n個隸屬度函數(shù)組成的隸屬度函數(shù)簇，n為模糊語言集的中模糊語言的個數(shù)。

假設輸入層給模糊化層傳輸了n個輸入量，模糊化層對n個輸入量模糊化處理，則模糊化層共有節(jié)點。每個節(jié)點表示一個輸入量對應的mi個隸屬度函數(shù)。本發(fā)明采用高斯隸屬度函數(shù)，則對于第i個輸入量的第j個隸屬函數(shù)的節(jié)點有：

其中，表示輸入量i對應第j個高斯隸屬度函數(shù)輸出的隸屬度值，cij表示輸入量i對應第j個高斯隸屬度函數(shù)的中心、bij表示輸入量i對應第j個高斯隸屬度函數(shù)的寬度，n表示輸入的數(shù)量，mi表示第i個輸入量對應的模糊子集數(shù)。

根據(jù)該公式，可畫出至少一個輸入量的圖像，利用確定的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度，對應替換該圖像的峰值以及每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為目標模糊邏輯切換模型的至少一個隸屬度函數(shù)。

例如，圖2所示的本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的導頻信號強度隸屬度函數(shù)圖像變化圖。在圖2中，橫坐標表示導頻信號強度，縱坐標表示利用預設導頻信號強度隸屬度函數(shù)計算得到隸屬度。圖2的左圖表示根據(jù)上述高斯公式以及按照預設模糊語言集中與導頻信號強度模糊語言形成的預設導頻信號強度的隸屬度函數(shù)圖像。根據(jù)導頻信號強度模糊語言5個等級(分別對應圖2中低l、較低sl、中m、較高sh、高s)，將高斯公式下的導頻信號強度平均分配在[0,1]論域范圍內，形成導頻信號強度粗略隸屬函數(shù)的圖像。利用確定出的導頻信號強度隸屬度函數(shù)的中心、導頻信號強度隸屬度函數(shù)的寬度，對應替換導頻信號強度粗略隸屬函數(shù)形成的圖像的峰值以每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為目標模糊邏輯切換模型的導頻信號強度隸屬度函數(shù)，得到圖2的右圖所示的目標模糊邏輯切換模型的導頻信號強度屬度函數(shù)圖像。

圖3為的本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的衛(wèi)星負載隸屬度函數(shù)圖像變化圖。在圖3中，橫坐標表示衛(wèi)星負載，縱坐標利用預設衛(wèi)星負載的隸屬度函數(shù)計算得到隸屬度。圖3中左圖表示根據(jù)上述高斯公式以及按照預設模糊語言集中與衛(wèi)星負載模糊語言形成的預設衛(wèi)星負載的隸屬度函數(shù)圖像。根據(jù)衛(wèi)星負載模糊語言3個等級(分別對應圖3中低l、中m、高s)，將高斯公式下的衛(wèi)星負載平均分配在[0,1]論域范圍內，形成衛(wèi)星負載粗略隸屬函數(shù)的圖像。利用確定出的衛(wèi)星負載隸屬度函數(shù)的中心、衛(wèi)星負載隸屬度函數(shù)的寬度，對應替換衛(wèi)星負載粗略隸屬函數(shù)形成的圖像的峰值以每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為目標模糊邏輯切換模型的衛(wèi)星負載隸屬度函數(shù)，得到圖2的右圖所示的目標模糊邏輯切換模型的衛(wèi)星負載隸屬度函數(shù)圖像。

最后，通過預設模糊推理規(guī)則以及最優(yōu)模糊輸出結果向量，確定目標模糊邏輯切換模型的模糊推理規(guī)則。

步驟五，將至少一個隸屬度函數(shù)以及模糊推理規(guī)則對應的模糊邏輯切換模型，確定為目標模糊邏輯切換模型。

可見，通過本發(fā)明實施例，可確定出當前用戶環(huán)境下的模糊邏輯切換模型，將該模糊邏輯切換模型確定為目標模糊邏輯切換模型，通過該目標模糊邏輯切換模型得到最后的切換因子更適合當前用戶的網(wǎng)絡環(huán)境，使得切換更加準確。

本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法的目標模糊邏輯切換模型結構圖，如圖4所示。本發(fā)明實施例的目標模糊邏輯切換模型在功能上可等價于tsk(takagi-sugeno-kang)模糊模型。

在該目標模糊邏輯切換模型結構圖中，按照功能可劃分成5個部分，第一部分為用戶終端以及覆蓋該用戶終端的至少一個衛(wèi)星的至少一個輸入量的輸入端，即為輸入層。從圖4中可知，在該輸入端每次獲取到用戶終端以及覆蓋該用戶終端的至少一個衛(wèi)星中的一個衛(wèi)星的一組輸入量。如圖4中所示的用戶終端的導頻信號強度xrsrp、衛(wèi)星負載xl、用戶密集度xuc以及衛(wèi)星能夠使用的帶寬xub。

第二部分為對輸入的至少一個輸入量模糊化處理，輸入至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，即為模糊化層。第三部分為按照目標模糊邏輯切換模型的模糊推理規(guī)則π對每個衛(wèi)星的每個輸入量對應的模糊推理結果模糊推理，得到每個衛(wèi)星的每個輸入量的模糊輸出結果n，即為規(guī)則層。將每個衛(wèi)星的每個輸入量的模糊輸出結果綜合得到σ，根據(jù)每個衛(wèi)星的每個輸入量的模糊輸出結果運算得到每組輸入量的切換因子，輸出切換因子，即為與結論層與輸出層。

通過該目標模糊邏輯切換模型結構，實現(xiàn)將至少一個輸入量模糊化在清晰化，最終得到一組至少一個輸入量對應的切換因子。與上述目標模糊邏輯切換模型結構對應的過程可如圖5所示。

圖5中表示，在該目標模糊邏輯切換模型輸入層獲取到至少一個輸入量后，將每組至少一個輸入量輸入到模糊化層。該模糊化層的模糊控制器中設置有模糊化模塊，模糊化模塊中與每個輸入量對應的模糊化子模塊1到模糊化子模塊n的多個隸屬度函數(shù)對輸入量處理，以及通過預設模糊語言集中與該輸入量對應的模糊語言集的模糊化，得到每個輸入量對應的模糊推理結果。通過預設模糊語言集對每個輸入量對應的模糊推理結果推理，得到每個衛(wèi)星的每個輸入量的模糊輸出結果。通過清晰化運算得到每個衛(wèi)星的切換因子。

可選地，在本發(fā)明實施例的衛(wèi)星網(wǎng)絡切換方法的一種實施例中，在目標模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量，包括：

在本發(fā)明實施例中選取了用戶終端測量參數(shù)2個，衛(wèi)星統(tǒng)計測量參數(shù)4個，其中需要注意的是用戶端的位置坐標和移動衛(wèi)星的位置坐標信息不是直接作為輸入，而是先通過計算得到預估計服務時間后目標模糊邏輯切換模型中。本發(fā)明實施例可輸入用戶終端的衛(wèi)星負載s、預估計服務時間t，衛(wèi)星終端的衛(wèi)星負載l、衛(wèi)星能夠使用的帶寬w和用戶密集度dt。具體獲取如下:

步驟一，在目標模糊邏輯切換模型的輸入層，獲取用戶終端的導頻衛(wèi)星負載以及用戶終端的位置坐標；

步驟二，獲取覆蓋用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星負載、至少一個衛(wèi)星中每個衛(wèi)星的用戶密集度、至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星能夠使用的帶寬以及至少一個衛(wèi)星中每個衛(wèi)星的位置坐標；

步驟三，通過用戶終端的位置坐標以及覆蓋用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的位置坐標，確定用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間，獲取用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間。

可見，本發(fā)明通過并行輸入機制同時輸入多個輸入量進行模糊化處理。通過本發(fā)明實施例獲取多個輸入量，解決了的基于功率、基于用戶密度、基于位置信息的切換方法中輸入?yún)?shù)單一考慮因素單一的問題，將多個參數(shù)綜合考慮最終得出更加準確的切換因子。

可選地，在本發(fā)明實施例的衛(wèi)星網(wǎng)絡切換方法的一種實施例中，根據(jù)目標模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子，包括：

將至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果對應到目標模糊邏輯切換模型的模糊推理規(guī)則中，得到每個衛(wèi)星的每個輸入量的模糊輸出結果；

在本步驟中，在模糊化層對至少一個輸入量模糊化處理后，輸入至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果到規(guī)則層以及結論層。通過目標模糊邏輯切換模型的模糊推理規(guī)則對每個衛(wèi)星的每個輸入量對應的模糊推理結果，得到每個衛(wèi)星的每個輸入量的模糊輸出結果。

具體地，本發(fā)明實施例的目標模糊切換模型可采用tsk(takagi-sugeno-kang)模糊模型，tsk模糊模型的采用的模糊推理規(guī)則如下：

rulei:if(xrsrpisa1)and...and(xucisc1)

thenf(i)＝pixrerp+....qixuc+rixub+si(1≤i≤m)

這里的pi、qi、ri和si是第i條規(guī)則對應的模糊系統(tǒng)參數(shù)。n表示模糊推理規(guī)則的數(shù)目。pi、qi、ri和si稱為后向參數(shù)，在訓練過程的會做權重調整。

在本發(fā)明實施例中，通過確定的最優(yōu)模糊輸出結果向量將上述模糊推理規(guī)則中的所有參數(shù)修正，可將上述模糊推理規(guī)則變?yōu)槿缦滦问降哪繕四：壿嬊袚Q模型的模糊推理規(guī)則：

其中，表示第i個輸入量的模糊語言集，表示實際輸入的一組至少一個輸入量，f(i)表示根據(jù)第i條模糊推理規(guī)則輸出的當前用戶與第i個衛(wèi)星的一組輸入量的模糊輸出結果。

根據(jù)上述公式，得到當前用戶每個衛(wèi)星的每組輸入量的模糊輸出結果。

將每個衛(wèi)星的每個輸入量的模糊輸出結果對應與每個規(guī)則歸一化適用度相乘，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子。

在本步驟中，規(guī)則層以及結論層通過建立與模糊化層之間的全連接，與該模糊化層的預設模糊語言集進行組合匹配，通過輸入模糊值的“與”運算，實現(xiàn)與該目標模糊邏輯切換模型的模糊推理規(guī)則的前件匹配，將每個衛(wèi)星的每個輸入量對應的模糊推理結果通過圓形結點乘積起來產生ωi：

其中，k表示第i個輸入量對應的某一個隸屬度函數(shù)的序號，節(jié)點數(shù)目為

將上述公式歸一化，得到每個規(guī)則歸一化適用度ψi：

將每個衛(wèi)星的每個輸入量的模糊輸出結果對應與每個規(guī)則歸一化適用度相乘，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子。

可通過如下公式計算切換因子：

可見，根據(jù)目標模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子，可實現(xiàn)得到的切換因子更加準確，是適用于當前用戶終端的網(wǎng)路環(huán)境。

為達到上述發(fā)明目的，本發(fā)明實施例還公開了一種衛(wèi)星網(wǎng)絡切換裝置，如圖6所示，圖6為本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換裝置示意圖，包括：

模型確定模塊601，用于根據(jù)用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個參數(shù)以及至少一個參數(shù)對應的目標模糊邏輯切換模型，其中，至少一個輸入量至少包括用戶終端的導頻信號強度、衛(wèi)星負載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間，至少一個參數(shù)包括至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結果向量；

輸入量獲取模塊602，用于根據(jù)目標模糊邏輯切換模型，在目標模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量；

推理結果確定模塊603，用于按照與至少一個輸入量對應的至少一個隸屬度函數(shù)、目標模糊邏輯切換模型的預設模糊語言集，對至少一個輸入量模糊化處理，得到用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果；

切換因子確定模塊604，用于根據(jù)目標模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子；

切換模塊605，用于選擇大于預設持續(xù)時間的至少一個衛(wèi)星中的至少一個待切換衛(wèi)星、對應的切換因子中最大的切換因子，將切換因子對應的待切換衛(wèi)星確定為目標衛(wèi)星，將用戶終端切換到目標衛(wèi)星下。

本發(fā)明實施例提供的一種衛(wèi)星網(wǎng)絡切換裝置，通過歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標模糊邏輯切換模型，通過該目標模糊邏輯切換模型的模糊推理規(guī)則以及目標模糊邏輯切換模型的預設模糊語言集對至少一個輸入量模糊化，該目標模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過于依賴專家經驗得到適應不同網(wǎng)絡環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準確。通過目標模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準確。通過將用戶終端切換到大于預設持續(xù)時間中大于預設切換因子的最大的切換因子對應的衛(wèi)星下，可減少切換的頻率，實現(xiàn)增強衛(wèi)星網(wǎng)絡切換的自適應性與穩(wěn)定性。本發(fā)明實施例的一種衛(wèi)星網(wǎng)絡切換方法及裝置，綜合考慮了網(wǎng)絡狀況和移動終端的信號狀況和位置信息，最終實現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動衛(wèi)星。

需要說明的是，本發(fā)明實施例的裝置是應用上述一種衛(wèi)星網(wǎng)絡切換方法的裝置，則上述衛(wèi)星網(wǎng)絡切換方法的所有實施例均適用于該裝置，且均能達到相同或相似的有益效果。

可選地，模型確定模塊601，包括：

期望切換因子確定子模塊，用于根據(jù)用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋用戶終端的至少一個衛(wèi)星的至少一個輸入量，通過預設切換因子，確定小于預設誤差下的最優(yōu)切換因子；

第一確定子模塊，用于通過混合最速下降法和最小均方估計，確定最優(yōu)切換因子對應的至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度；

第二確定子模塊，用于通過預設切換因子向量、預設規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對應的模糊輸出結果向量，將模糊輸出結果向量確定為最優(yōu)模糊輸出結果向量；

第三確定子模塊，用于根據(jù)至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度，確定目標模糊邏輯切換模型的至少一個隸屬度函數(shù)，以及根據(jù)最優(yōu)模糊輸出結果向量，確定目標模糊邏輯切換模型的模糊推理規(guī)則；

模型確定子模塊，用于將至少一個隸屬度函數(shù)以及模糊推理規(guī)則對應的模糊邏輯切換模型，確定為目標模糊邏輯切換模型。

可選地，第三確定子模塊，包括：

粗略隸屬函數(shù)確定單元，用于按照預設模糊語言集中與每個預設隸屬度函數(shù)對應的模糊語言等級個數(shù)，將每個預設隸屬度函數(shù)平均分布在論域范圍內，確定至少一個粗略隸屬函數(shù)；

隸屬度函數(shù)確定單元，用于利用至少一個隸屬度函數(shù)的中心、至少一個隸屬度函數(shù)的寬度，對應替換至少一個粗略隸屬函數(shù)形成的圖像的峰值以及每個峰值間的寬度，將替換后的圖像對應的隸屬度函數(shù)確定為目標模糊邏輯切換模型的至少一個隸屬度函數(shù)；

模糊推理規(guī)則確定單元，用于通過預設模糊推理規(guī)則以及最優(yōu)模糊輸出結果向量，確定目標模糊邏輯切換模型的模糊推理規(guī)則。

可選地，輸入量獲取模塊602，包括：

第一輸入量獲取子模塊，用于在目標模糊邏輯切換模型的輸入層，獲取用戶終端的導頻信號強度以及用戶終端的位置坐標；

第二輸入量獲取子模塊，用于獲取覆蓋用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星負載、至少一個衛(wèi)星中每個衛(wèi)星的用戶密集度、至少一個衛(wèi)星中每個衛(wèi)星的衛(wèi)星能夠使用的帶寬以及至少一個衛(wèi)星中每個衛(wèi)星的位置坐標；

第三輸入量獲取子模塊，用于通過用戶終端的位置坐標以及覆蓋用戶終端的至少一個衛(wèi)星中每個衛(wèi)星的位置坐標，確定用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間，獲取用戶終端能夠利用至少一個衛(wèi)星中每個衛(wèi)星的時間。

可選地，切換因子確定模塊605，包括：

模糊判決信息確定子模塊，用于將至少一個衛(wèi)星中每個衛(wèi)星的每個輸入量對應的模糊推理結果對應到目標模糊邏輯切換模型的模糊推理規(guī)則中，得到每個衛(wèi)星的每個輸入量的模糊輸出結果；

切換因子確定子模塊，用于將每個衛(wèi)星的每個輸入量的模糊輸出結果對應與每個規(guī)則歸一化適用度相乘，對應確定至少一個衛(wèi)星中每個衛(wèi)星的切換因子。

需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。

以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內。