專利名稱：基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種應(yīng)用于移動(dòng)通信技術(shù)領(lǐng)域的無(wú)線網(wǎng)絡(luò)中的接入選擇方法，更具體 地說(shuō)，本發(fā)明涉及一種基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法。
背景技術(shù)：
下一代移動(dòng)通信(Beyond 3G)的發(fā)展趨勢(shì)并不是建設(shè)一個(gè)嶄新的功能完善的網(wǎng) 絡(luò)，而是考慮已經(jīng)存在的和將要部署的網(wǎng)絡(luò)，使其相互協(xié)調(diào)和容易集成，保持多種無(wú)線網(wǎng)絡(luò) 間通信的連續(xù)性。目前，每種無(wú)線接入技術(shù)在容量、覆蓋、數(shù)據(jù)速率和移動(dòng)性支持能力等方 面各有長(zhǎng)短，任何一種無(wú)線接入技術(shù)都不可能滿足所有用戶的要求。未來(lái)移動(dòng)通信網(wǎng)絡(luò)的主要特征之一就是各種異構(gòu)無(wú)線網(wǎng)絡(luò)共存，它們相互補(bǔ)充、 無(wú)縫集成到統(tǒng)一的網(wǎng)絡(luò)環(huán)境中。在此異構(gòu)網(wǎng)絡(luò)體系中，為了提供給移動(dòng)用戶無(wú)時(shí)無(wú)刻、無(wú)所 不在的網(wǎng)絡(luò)接入服務(wù)，需要先進(jìn)的管理機(jī)制和策略來(lái)整合當(dāng)前的各種無(wú)線網(wǎng)絡(luò)系統(tǒng)。其中 聯(lián)合無(wú)線管理機(jī)制作為融合網(wǎng)絡(luò)中無(wú)線資源接入的策略管理者，能夠利用處于不同無(wú)線接 入網(wǎng)絡(luò)上的一個(gè)集中的聯(lián)合控制實(shí)體對(duì)異構(gòu)網(wǎng)絡(luò)進(jìn)行聯(lián)合的接入控制、資源調(diào)度和負(fù)載控 制，聯(lián)合無(wú)線資源管理機(jī)制的成功與否直接決定了異構(gòu)無(wú)線網(wǎng)絡(luò)的系統(tǒng)性能。未來(lái)的移動(dòng)終端將擁有多個(gè)無(wú)線接口，具有接入不同網(wǎng)絡(luò)的能力。因此，在聯(lián)合資 源管理機(jī)制中設(shè)計(jì)異構(gòu)網(wǎng)絡(luò)移動(dòng)終端的接入選擇策略，保證用戶始終接入最優(yōu)的網(wǎng)絡(luò)，有 效利用全網(wǎng)的無(wú)線資源，整合不同無(wú)線接入技術(shù)到一個(gè)統(tǒng)一的網(wǎng)絡(luò)環(huán)境，在研究異構(gòu)無(wú)線 網(wǎng)絡(luò)融合方面將扮演至關(guān)重要的角色。在眾多的接入選擇方法中，基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)的方法作為智能接入方法得 到了眾多關(guān)注。模糊邏輯的方法具有推理過(guò)程容易理解、專家知識(shí)利用較好、對(duì)樣本的要求 較低等優(yōu)點(diǎn)，但它同時(shí)又存在人工干預(yù)多、推理速度慢、精度較低等缺點(diǎn)，不具有自適應(yīng)學(xué) 習(xí)的功能，而且較難自動(dòng)生成和調(diào)節(jié)隸屬度函數(shù)和模糊規(guī)則；神經(jīng)網(wǎng)絡(luò)的方法具有較強(qiáng)的 自學(xué)習(xí)能力，人工干預(yù)少，精度較高，對(duì)專家知識(shí)的利用也較少，但它不能夠處理和描述模 糊信息，不能很好利用已有的專家知識(shí)。目前關(guān)于采用模糊邏輯及神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行異構(gòu)網(wǎng)絡(luò)接入選擇的研究大多考慮 業(yè)務(wù)的QoS (Quality of Service)、用戶滿意度、網(wǎng)絡(luò)接入阻塞率等問(wèn)題，而沒(méi)能合理的對(duì) 網(wǎng)絡(luò)負(fù)載狀況進(jìn)行考慮，這樣會(huì)導(dǎo)致網(wǎng)絡(luò)間的負(fù)載不均衡、可接入網(wǎng)絡(luò)的整體資源不能得 到充分利用。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)存在的多網(wǎng)絡(luò)覆蓋環(huán)境下網(wǎng)絡(luò)間的 負(fù)載不均衡的問(wèn)題，提供了一種基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法。為解決上述技術(shù)問(wèn)題，本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的所述的基于模糊神經(jīng) 網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法包括如下步驟1.預(yù)判決和預(yù)處理
1)減少需要進(jìn)行后續(xù)處理的用戶數(shù)。2)計(jì)算兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值Dkss和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值Dp。2.采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD以兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值Dkss和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值Dp為輸入?yún)⒘坎?用RBF模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD。3.接入判決根據(jù)模糊判決因子FSD得到接入判決結(jié)果模糊判決因子FSD若小于0. 5，則接入 網(wǎng)絡(luò)1 ；若大于0. 5，則接入網(wǎng)絡(luò)2 ；若等于0. 5，則選擇信號(hào)強(qiáng)度較強(qiáng)的網(wǎng)絡(luò)進(jìn)行接入。技術(shù)方案中所述的減少需要進(jìn)行后續(xù)處理的用戶數(shù)是指當(dāng)用戶測(cè)得的在網(wǎng)絡(luò)k中的接收信號(hào)強(qiáng)度RSSk強(qiáng)于門限值THK，并且網(wǎng)絡(luò)k統(tǒng)計(jì) 到的剩余時(shí)頻資源可以滿足業(yè)務(wù)的時(shí)頻資源單元需求時(shí)，則認(rèn)為用戶可以接入網(wǎng)絡(luò)k，其中 k = 1，2 ；若沒(méi)有網(wǎng)絡(luò)可以接入，則判決結(jié)果為阻塞該用戶；若只有一個(gè)網(wǎng)絡(luò)可以接入，則判 決結(jié)果為將用戶接入該網(wǎng)絡(luò)；若兩個(gè)網(wǎng)絡(luò)都可以接入，則進(jìn)入預(yù)處理步驟；所述的兩個(gè)網(wǎng) 絡(luò)的接入系數(shù)差值Dp由Dp = P1-P2計(jì)算獲得。所述的兩個(gè)網(wǎng)絡(luò)的信號(hào)強(qiáng)度差值Dkss由公式Dess = RSS1-RSS2 計(jì)算獲得。所述的兩個(gè)網(wǎng)絡(luò)的接入系數(shù)Pk由公式尺=《計(jì)算獲得。其中mk為網(wǎng)絡(luò)k已占用的時(shí)頻資源單元個(gè)數(shù)，Mk為網(wǎng)絡(luò)k總時(shí)頻資源單元個(gè)數(shù)， k = 1，2 ；所述的采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD包括如下步驟1.模糊化過(guò)程模糊化過(guò)程將輸入的兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值Dkss和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差 值Dp具體數(shù)值轉(zhuǎn)化成模糊化語(yǔ)言的形式。2.模糊推理過(guò)程模糊推理過(guò)程根據(jù)模糊規(guī)則進(jìn)行邏輯推理。3.解模糊過(guò)程解模糊過(guò)程將推理結(jié)果轉(zhuǎn)化成模糊判決因子FSD的精確輸出量。4.學(xué)習(xí)訓(xùn)練過(guò)程學(xué)習(xí)訓(xùn)練過(guò)程是周期性的根據(jù)誤差信號(hào)調(diào)整RBF模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)中 心和方差以及輸出層的權(quán)值，實(shí)現(xiàn)對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)的控制調(diào)節(jié)功能；所述的模糊化過(guò)程是指RBF模糊神經(jīng)網(wǎng)絡(luò)的輸入量為X，由于只有信號(hào)強(qiáng)度差值Dkss和接入系數(shù)差值Dp兩 個(gè)輸入?yún)⒘浚訶= [Dp, Dess]；模糊化時(shí)，將接入系數(shù)差值Dp和信號(hào)強(qiáng)度差值Dkss各自劃 分為3個(gè)模糊子集{正、零、負(fù)}，第i個(gè)輸入變量的第j個(gè)模糊子集的隸屬度函數(shù)μ = 1，2 ;j = 1,2,3)采用高斯函數(shù)，如公式
所示。
其中，Xi、cu、0。.分別為輸入變量、隸屬度函數(shù)中心、隸屬度函數(shù)寬度；所述的模糊推理過(guò)程是指由于兩個(gè)輸入量各自劃分為3個(gè)模糊子集，所以推理規(guī)則需要3X3 = 9條規(guī)則， 每條規(guī)則的適應(yīng)度amn(m= l，2，3;n= 1,2,3)采用極小運(yùn)算得到，如公式a = μ lmX μ 2η 所示；所述的解模糊過(guò)程是指根據(jù)每條規(guī)則的適應(yīng)度amn采用加權(quán)平均法得到RBF模糊神經(jīng)網(wǎng)絡(luò)的輸出量模糊 判決因子FSD，其計(jì)算方法如公式
-所示。 其中，Wmn為輸出層的權(quán)值，表示各條規(guī)則的權(quán)重；所述的學(xué)習(xí)訓(xùn)練過(guò)程是指周期性的采用強(qiáng)化學(xué)習(xí)算法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)中的參數(shù)Cij、σ…w 進(jìn)行學(xué)習(xí) 調(diào)整以使均方誤差達(dá)到最小，并將兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差作為強(qiáng)化學(xué)習(xí)算法的輸入 量。強(qiáng)化學(xué)習(xí)算法的誤差信號(hào)如公式r(t) =/-y(t)所示。其中，t為時(shí)間變量，用于表征 訓(xùn)練周期的次數(shù)，強(qiáng)化學(xué)習(xí)算法的輸入量y(t)為第t訓(xùn)練周期內(nèi)實(shí)際統(tǒng)計(jì)得到的兩個(gè)網(wǎng)絡(luò) 的接入阻塞率之差，y*為該差值的期望值，設(shè)定f = 0，即兩個(gè)網(wǎng)絡(luò)的接入阻塞率相等。均 方誤差如公式五=—:K,)]2 所示。在第t個(gè)訓(xùn)練周期結(jié)束后，采用附加動(dòng)量項(xiàng)的負(fù)梯度法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)參數(shù) Cij, σ…Wnm進(jìn)行學(xué)習(xí)調(diào)整，得到模糊神經(jīng)網(wǎng)絡(luò)在t+Ι訓(xùn)練周期內(nèi)參數(shù)Cij、σ…w 采用的 值，隸屬度函數(shù)中心 采用公式 進(jìn)行調(diào)整。隸屬度函數(shù)寬度σ u采用公式+1) = (0 - η -+ α[συ (t) - συ (/ -1)]
ν
進(jìn)行調(diào)整。
輸出層的權(quán)值《 采用公式 進(jìn)行調(diào)整。其中，n> a分別為學(xué)習(xí)因子和動(dòng)量因子，用來(lái)控制參數(shù)學(xué)習(xí)速度。與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是1.本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法采用預(yù)判決過(guò) 程，減少需要進(jìn)行后續(xù)處理的用戶數(shù)，能夠顯著降低系統(tǒng)開銷。2.本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法采用模糊神經(jīng) 網(wǎng)絡(luò)進(jìn)行接入判決，并利用模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能根據(jù)異構(gòu)網(wǎng)絡(luò)狀況動(dòng)態(tài)調(diào)整模糊神經(jīng) 網(wǎng)絡(luò)參數(shù)，能夠提高接入判決的精度。3.本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法將兩個(gè)網(wǎng)絡(luò)的 接入阻塞率之差為零作為強(qiáng)化學(xué)習(xí)算法的誤差期望值，經(jīng)過(guò)學(xué)習(xí)后，利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn) 行接入判決便可以使可接入網(wǎng)絡(luò)的接入阻塞率趨于相等，而網(wǎng)絡(luò)的接入阻塞率接近則表明 網(wǎng)絡(luò)間的負(fù)載也趨于均衡。并且該方法對(duì)網(wǎng)絡(luò)忙閑時(shí)負(fù)載程度的不同具有很好的動(dòng)態(tài)適應(yīng) 性，在忙閑時(shí)均能使網(wǎng)絡(luò)間的負(fù)載趨于均衡，而負(fù)載的均衡也就使得網(wǎng)絡(luò)的整體接入阻塞 率降低并接近其忙閑時(shí)的理想值。參閱圖4、圖5，為了驗(yàn)證本發(fā)明所能達(dá)到的有益效果，通過(guò)計(jì)算機(jī)仿真手段仿真 出了采用本發(fā)明所述的接入選擇方法時(shí)網(wǎng)絡(luò)的平均負(fù)載情況以及接入阻塞率情況，并與已 有的基于負(fù)載均衡的接入選擇算法(北京郵電大學(xué)孫卓在《異構(gòu)無(wú)線分組網(wǎng)絡(luò)中的接入選 擇機(jī)制》一文提出的MLB算法)進(jìn)行了對(duì)比分析，仿真結(jié)果如圖中所示。通過(guò)仿真結(jié)果可以看出，本發(fā)明所公開的接入選擇方法在網(wǎng)絡(luò)忙閑時(shí)均能夠有效 地均衡網(wǎng)絡(luò)的負(fù)載，負(fù)載均衡效果與MLB算法較為接近，而接入阻塞率相對(duì)于MLB算法有所 降低。由于在同樣的網(wǎng)絡(luò)負(fù)載程度下，更低的接入阻塞率是網(wǎng)絡(luò)間負(fù)載更為均衡的間接體 現(xiàn)，所以從本發(fā)明所公開的接入選擇方法所達(dá)到的接入阻塞率情況可以間接看出，本發(fā)明 所公開的基于模糊神經(jīng)網(wǎng)絡(luò)的接入選擇方法可以達(dá)到相對(duì)于MLB算法更為理想的負(fù)載均 衡效果。


下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的說(shuō)明圖1是本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法的結(jié)構(gòu)功 能框圖；圖2是本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法中所指的 兩種異構(gòu)無(wú)線網(wǎng)絡(luò)——WiMAX和TD-LTE的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖；圖3是本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法所采用的 RBF(Radial Basis Function，徑向基函數(shù))模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)原理示意圖；圖4是本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法的網(wǎng)絡(luò)負(fù)載情況仿真圖；圖5是本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法的網(wǎng)絡(luò)接 入阻塞率情況仿真圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作詳細(xì)的描述本發(fā)明采用了模糊神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行異構(gòu)無(wú)線網(wǎng)絡(luò)的接入選擇，該接入選擇方法 結(jié)合了模糊邏輯的強(qiáng)大結(jié)構(gòu)性知識(shí)表達(dá)能力與神經(jīng)網(wǎng)絡(luò)的強(qiáng)大自學(xué)習(xí)能力，屬于智能化的 接入選擇方法。本發(fā)明中采用的模糊神經(jīng)網(wǎng)絡(luò)為RBF(Radial Basis Function，徑向基函 數(shù))模糊神經(jīng)網(wǎng)絡(luò)，并將兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差作為強(qiáng)化學(xué)習(xí)算法的輸入信號(hào)對(duì)RBF 模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行訓(xùn)練調(diào)整。參閱圖2，基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法的目的在于根據(jù)異構(gòu) 無(wú)線網(wǎng)絡(luò)系統(tǒng)的特點(diǎn)，綜合考慮多種網(wǎng)絡(luò)覆蓋環(huán)境下的網(wǎng)絡(luò)資源情況，進(jìn)行智能化的接入 選擇，以動(dòng)態(tài)適應(yīng)網(wǎng)絡(luò)負(fù)載程度、均衡網(wǎng)絡(luò)間負(fù)載、使系統(tǒng)資源達(dá)到合理利用，較好地解決 多網(wǎng)絡(luò)覆蓋環(huán)境下的接入選擇問(wèn)題。本發(fā)明適用于兩種網(wǎng)絡(luò)重疊覆蓋區(qū)域，即用戶僅有兩 種網(wǎng)絡(luò)可供接入選擇，如=WiMAX和TD-LTE兩種網(wǎng)絡(luò)。本發(fā)明所述的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，可以部署在聯(lián)合無(wú)線資源管理機(jī)制 中，作為聯(lián)合無(wú)線資源管理的接入選擇策略。在異構(gòu)網(wǎng)絡(luò)中聯(lián)合無(wú)線資源管理機(jī)制為用 戶進(jìn)行接入選擇之前，需要統(tǒng)計(jì)可接入網(wǎng)絡(luò)的資源利用情況即網(wǎng)絡(luò)k(k= 1,2)已占用的 時(shí)頻資源單元數(shù)％和網(wǎng)絡(luò)k總時(shí)頻資源單元數(shù)Mk，以及用戶在網(wǎng)絡(luò)k中的接收信號(hào)強(qiáng)度 RSSk (Received Signal Strength)。在運(yùn)用本發(fā)明所述的接入選擇方法時(shí)，需要周期性的 統(tǒng)計(jì)兩個(gè)網(wǎng)絡(luò)的接入阻塞率，以結(jié)合強(qiáng)化學(xué)習(xí)算法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整， 接入阻塞率的統(tǒng)計(jì)周期以運(yùn)營(yíng)商實(shí)際可統(tǒng)計(jì)的最小時(shí)間粒度為準(zhǔn)。接收信號(hào)強(qiáng)度的門限值 THk需要根據(jù)運(yùn)營(yíng)商的運(yùn)營(yíng)標(biāo)準(zhǔn)或者實(shí)際經(jīng)驗(yàn)進(jìn)行人為設(shè)定。參閱圖1，基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法包括預(yù)判決和預(yù)處理、 采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD (Fuzzy Select Decision)階段和接入判決三個(gè) 主要(步驟)階段。首先，通過(guò)預(yù)判決和預(yù)處理減少需要進(jìn)行后續(xù)處理的用戶數(shù)以降低系 統(tǒng)開銷，并計(jì)算兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值Dkss和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值Dp ；然后，以 Dess和Dp作為輸入?yún)⒘坎捎肦BF模糊神經(jīng)網(wǎng)絡(luò)，得到模糊判決因子FSD ；最后，根據(jù)RBF模 糊神經(jīng)網(wǎng)絡(luò)得到的FSD進(jìn)行接入判決。
1.預(yù)判決和預(yù)處理階段預(yù)判決和預(yù)處理階段首先進(jìn)行網(wǎng)絡(luò)可接入性的預(yù)判斷，當(dāng)用戶測(cè)得的在網(wǎng)絡(luò)k(k =1,2)中的接收信號(hào)強(qiáng)度RSSk強(qiáng)于門限值THK(根據(jù)運(yùn)營(yíng)商的運(yùn)營(yíng)標(biāo)準(zhǔn)或者實(shí)際經(jīng)驗(yàn)人為 設(shè)定)并且網(wǎng)絡(luò)k統(tǒng)計(jì)到的剩余時(shí)頻資源可以滿足業(yè)務(wù)的時(shí)頻資源單元需求時(shí)，則認(rèn)為用 戶可以接入網(wǎng)絡(luò)k;若沒(méi)有網(wǎng)絡(luò)可以接入，則判決結(jié)果為阻塞該用戶；若只有一個(gè)網(wǎng)絡(luò)可以 接入，則判決結(jié)果為將用戶接入該網(wǎng)絡(luò)；若兩個(gè)網(wǎng)絡(luò)都可以接入，則通過(guò)預(yù)處理得到兩個(gè)網(wǎng) 絡(luò)的接入系數(shù)差值Dp和信號(hào)強(qiáng)度差值Dkss，并輸入到RBF模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行處理。1)本發(fā)明定義了兩個(gè)網(wǎng)絡(luò)的接入系數(shù)Pk，該系數(shù)用于量化網(wǎng)絡(luò)的資源利用情況以 指導(dǎo)網(wǎng)絡(luò)接入選擇。兩個(gè)網(wǎng)絡(luò)的接入系數(shù)Pk由公式(1)計(jì)算獲得 其中mk為網(wǎng)絡(luò)k已占用的時(shí)頻資源單元個(gè)數(shù)，Mk為網(wǎng)絡(luò)k總時(shí)頻資源單元個(gè)數(shù)。2)兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值Dp由公式⑵計(jì)算獲得Dp = P1-P2(2)3)兩個(gè)網(wǎng)絡(luò)的信號(hào)強(qiáng)度差值Dkss由公式(3)計(jì)算獲得Dess = RSS1-RSS2(3)2.采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD階段參閱圖3，采用RBF模糊神經(jīng)網(wǎng)絡(luò)，結(jié)合信號(hào)強(qiáng)度差值Dkss和接入系數(shù)差值Dp兩個(gè) 輸入?yún)⒘?，得到模糊判決因子FSD。該階段主要包括模糊化、模糊推理、解模糊和學(xué)習(xí)訓(xùn)練四 個(gè)過(guò)程。1)模糊化過(guò)程模糊化過(guò)程將輸入的Dp和Dkss具體數(shù)值轉(zhuǎn)化成模糊化語(yǔ)言的形式。本發(fā)明中RBF 模糊神經(jīng)網(wǎng)絡(luò)的輸入量為X，由于只有信號(hào)強(qiáng)度差值Dkss和接入系數(shù)差值Dp兩個(gè)輸入?yún)⒘浚?所以χ= [DpjDesJ0模糊化時(shí)，將Dp和Dkss各自劃分為3個(gè)模糊子集{正、零、負(fù)}，第i個(gè) 輸入變量的第j個(gè)模糊子集的隸屬度函數(shù)μ = 1,2 ； j = 1,2,3)采用高斯函數(shù)，如公式 (4)所示。 其中，Xi, Cij, σ u分別為RBF模糊神經(jīng)網(wǎng)絡(luò)輸入變量、隸屬度函數(shù)中心、隸屬度函 數(shù)寬度。2)模糊推理過(guò)程模糊推理過(guò)程根據(jù)模糊規(guī)則進(jìn)行邏輯推理。由于兩個(gè)輸入量各自劃分為3個(gè)模糊 子集，所以推理規(guī)則需要3X3 = 9條規(guī)則，每條規(guī)則的適應(yīng)度amn(m= l，2，3;n= 1,2,3) 采用極小運(yùn)算得到，如公式(5)所示。amm = μ lmX μ 2η(5)3)解模糊過(guò)程解模糊過(guò)程將推理結(jié)果轉(zhuǎn)化成模糊判決因子FSD的精確輸出量。根據(jù)每條規(guī)則的 適應(yīng)度amn采用加權(quán)平均法得到RBF模糊神經(jīng)網(wǎng)絡(luò)的輸出量模糊判決因子FSD，其計(jì)算方法 如公式(6)所示。
其中，wm為輸出層的權(quán)值，表示各條規(guī)則的權(quán)重。4)學(xué)習(xí)訓(xùn)練過(guò)程學(xué)習(xí)訓(xùn)練過(guò)程周期性的根據(jù)誤差信號(hào)調(diào)整RBF模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)中心 和方差以及輸出層的權(quán)值，實(shí)現(xiàn)對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)的控制調(diào)節(jié)功能。本發(fā)明采用強(qiáng)化學(xué)習(xí)算法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)中的參數(shù)Cij、O…W 進(jìn)行學(xué)習(xí)調(diào) 整以使均方誤差達(dá)到最小，并且將兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差作為強(qiáng)化學(xué)習(xí)算法的輸入量。強(qiáng)化學(xué)習(xí)算法的誤差信號(hào)如公式(7)所示。 r (t) = y*-y (t)
(7)其中，t為時(shí)間變量，用于表征訓(xùn)練周期的次數(shù)，強(qiáng)化學(xué)習(xí)算法的輸入量y(t)為第 t訓(xùn)練周期內(nèi)實(shí)際統(tǒng)計(jì)得到的兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差，/為該差值的期望值，本發(fā)明中 設(shè)定f = 0，即兩個(gè)網(wǎng)絡(luò)的接入阻塞率相等。均方誤差如公式(8)所示。
(8)在第t個(gè)訓(xùn)練周期結(jié)束后，本發(fā)明采用附加動(dòng)量項(xiàng)的負(fù)梯度法對(duì)RBF模糊神經(jīng)網(wǎng) 絡(luò)參數(shù)Cij、O『Wmn進(jìn)行學(xué)習(xí)調(diào)整，得到模糊神經(jīng)網(wǎng)絡(luò)在t+1訓(xùn)練周期內(nèi)參數(shù)Cij、O『wffln 采用的值，隸屬度函數(shù)中心 采用公式(9)進(jìn)行調(diào)整。
隸屬度函數(shù)寬度o u采用公式(10)進(jìn)行調(diào)整。
輸出層的權(quán)值Wmn采用公式(11)進(jìn)行調(diào)整。 其中，η、α分別為學(xué)習(xí)因子和動(dòng)量因子，用來(lái)控制參數(shù)學(xué)習(xí)速度。經(jīng)過(guò)學(xué)習(xí)后，利用RBF模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行接入判決便可以使可接入網(wǎng)絡(luò)的接入阻 塞率趨于相等，而網(wǎng)絡(luò)的接入阻塞率接近則表明網(wǎng)絡(luò)間的負(fù)載也趨于均衡。3.接入判決階段在接入判決階段，根據(jù)RBF模糊神經(jīng)網(wǎng)絡(luò)的輸出控制量模糊判決因子FSD得到接 入判決結(jié)果。模糊判決因子FSD若小于0.5，則接入網(wǎng)絡(luò)1 ；若大于0.5，則接入網(wǎng)絡(luò)2;若等 于0. 5，則選擇信號(hào)強(qiáng)度較強(qiáng)的網(wǎng)絡(luò)進(jìn)行接入。
權(quán)利要求
一種基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在于，所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法包括如下步驟1)預(yù)判決和預(yù)處理(1)減少需要進(jìn)行后續(xù)處理的用戶數(shù)；(2)計(jì)算兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值DRSS和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP；2)采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD以兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值DRSS和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP為輸入?yún)⒘坎捎肦BF模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD；3)接入判決根據(jù)模糊判決因子FSD得到接入判決結(jié)果模糊判決因子FSD若小于0.5，則接入網(wǎng)絡(luò)1；若大于0.5，則接入網(wǎng)絡(luò)2；若等于0.5，則選擇信號(hào)強(qiáng)度較強(qiáng)的網(wǎng)絡(luò)進(jìn)行接入。
2.按照權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的減少需要進(jìn)行后續(xù)處理的用戶數(shù)是指當(dāng)用戶測(cè)得的在網(wǎng)絡(luò)k中的接收信號(hào)強(qiáng)度RSSk強(qiáng)于門限值THk，并且網(wǎng)絡(luò)k統(tǒng)計(jì)到的 剩余時(shí)頻資源可以滿足業(yè)務(wù)的時(shí)頻資源單元需求時(shí)，則認(rèn)為用戶可以接入網(wǎng)絡(luò)k，其中k = 1，2;若沒(méi)有網(wǎng)絡(luò)可以接入，則判決結(jié)果為阻塞該用戶；若只有一個(gè)網(wǎng)絡(luò)可以接入，則判決 結(jié)果為將用戶接入該網(wǎng)絡(luò)；若兩個(gè)網(wǎng)絡(luò)都可以接入，則進(jìn)入預(yù)處理步驟。
3.按照權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP由Dp = PrP2計(jì)算獲得；所述的兩個(gè)網(wǎng)絡(luò)的信號(hào)強(qiáng)度差值Dkss由公式Dess = RSSrRSS2計(jì)算獲得；所述的兩個(gè)網(wǎng)絡(luò)的接入系數(shù)Pk由公式 n mkpk = ]^計(jì)算獲得；其中mk為網(wǎng)絡(luò)k已占用的時(shí)頻資源單元個(gè)數(shù)，Mk為網(wǎng)絡(luò)k總時(shí)頻資源單元個(gè)數(shù)，k =1，2。
4.按照權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的采用模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD包括如下步驟1)模糊化過(guò)程模糊化過(guò)程將輸入的兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值DKSS和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP 具體數(shù)值轉(zhuǎn)化成模糊化語(yǔ)言的形式；2)模糊推理過(guò)程模糊推理過(guò)程根據(jù)模糊規(guī)則進(jìn)行邏輯推理；3)解模糊過(guò)程解模糊過(guò)程將推理結(jié)果轉(zhuǎn)化成模糊判決因子FSD的精確輸出量；4)學(xué)習(xí)訓(xùn)練過(guò)程學(xué)習(xí)訓(xùn)練過(guò)程是周期性的根據(jù)誤差信號(hào)調(diào)整RBF模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)中心和 方差以及輸出層的權(quán)值，實(shí)現(xiàn)對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)的控制調(diào)節(jié)功能。
5.按照權(quán)利要求4所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的模糊化過(guò)程是指RBF模糊神經(jīng)網(wǎng)絡(luò)的輸入量為x，由于只有信號(hào)強(qiáng)度差值DKSS和接入系數(shù)差值DP兩個(gè)輸 入?yún)⒘浚詘= [DP,DESS]；模糊化時(shí)，將接入系數(shù)差值DP和信號(hào)強(qiáng)度差值DKSS各自劃分為 3個(gè)模糊子集{正、零、負(fù)}，第i個(gè)輸入變量的第j個(gè)模糊子集的隸屬度函數(shù)= 1， 2 ； j = 1,2,3)采用高斯函數(shù)，如公式 其中，Xi、cu、0。.分別為輸入變量、隸屬度函數(shù)中心、隸屬度函數(shù)寬度。
6.按照權(quán)利要求4所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的模糊推理過(guò)程是指由于兩個(gè)輸入量各自劃分為3個(gè)模糊子集，所以推理規(guī)則需要3X3 = 9條規(guī)則，每條 規(guī)則的適應(yīng)度amn(m = 1，2，3 ;n = 1,2,3)采用極小運(yùn)算得到，如公式
7.按照權(quán)利要求4所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的解模糊過(guò)程是指根據(jù)每條規(guī)則的適應(yīng)度amn采用加權(quán)平均法得到RBF模糊神經(jīng)網(wǎng)絡(luò)的輸出量模糊判決 因子FSD，其計(jì)算方法如公式 其中，為輸出層的權(quán)值，表示各條規(guī)則的權(quán)重。
8.按照權(quán)利要求4所述的基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，其特征在 于，所述的學(xué)習(xí)訓(xùn)練過(guò)程是指周期性的采用強(qiáng)化學(xué)習(xí)算法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)中的參數(shù)Cij、o…進(jìn)行學(xué)習(xí)調(diào)整 以使均方誤差達(dá)到最小，并將兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差作為強(qiáng)化學(xué)習(xí)算法的輸入量，強(qiáng)化學(xué)習(xí)算法的誤差信號(hào)如公式r(t) = y*-y(t)所示；其中，t為時(shí)間變量，用于表征訓(xùn)練周期的次數(shù)，強(qiáng)化學(xué)習(xí)算法的輸入量y(t)為第t訓(xùn) 練周期內(nèi)實(shí)際統(tǒng)計(jì)得到的兩個(gè)網(wǎng)絡(luò)的接入阻塞率之差，y*為該差值的期望值，設(shè)定f = 0， 即兩個(gè)網(wǎng)絡(luò)的接入阻塞率相等；均方誤差如公式即) =所示；在第t個(gè)訓(xùn)練周期結(jié)束后，采用附加動(dòng)量項(xiàng)的負(fù)梯度法對(duì)RBF模糊神經(jīng)網(wǎng)絡(luò)參數(shù)Cij、 O『w 進(jìn)行學(xué)習(xí)調(diào)整，得到模糊神經(jīng)網(wǎng)絡(luò)在t+1訓(xùn)練周期內(nèi)參數(shù)Cij、O采用的值，隸 屬度函數(shù)中心 采用公式 進(jìn)行調(diào)整； 進(jìn)行調(diào)整；輸出層的權(quán)值Wnm采用公式 進(jìn)行調(diào)整；其中，η、α分別為學(xué)習(xí)因子和動(dòng)量因子，用來(lái)控制參數(shù)學(xué)習(xí)速度。
全文摘要
本發(fā)明公開了一種基于模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇方法，旨在克服多網(wǎng)絡(luò)覆蓋環(huán)境下網(wǎng)絡(luò)間的負(fù)載不均衡問(wèn)題。該接入選擇方法包括1)預(yù)判決和預(yù)處理(1)減少需要進(jìn)行后續(xù)處理的用戶數(shù)；(2)計(jì)算兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值DRSS和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP。2)采用RBF模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD以兩個(gè)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度差值DRSS和兩個(gè)網(wǎng)絡(luò)的接入系數(shù)差值DP為輸入?yún)⒘坎捎肦BF模糊神經(jīng)網(wǎng)絡(luò)得到模糊判決因子FSD。3)接入判決根據(jù)模糊判決因子FSD得到接入判決結(jié)果，模糊判決因子FSD若小于0.5，則接入網(wǎng)絡(luò)1；若大于0.5，則接入網(wǎng)絡(luò)2；若等于0.5，則選擇信號(hào)強(qiáng)度強(qiáng)的網(wǎng)絡(luò)進(jìn)行接入。
文檔編號(hào)H04W48/06GK101873638SQ201010226520
公開日2010年10月27日 申請(qǐng)日期2010年7月15日 優(yōu)先權(quán)日2010年7月15日
發(fā)明者夏傳軍, 李斌, 王柟, 石文孝, 范紹帥, 趙嵩 申請(qǐng)人:吉林大學(xué)