CN101511111B - 基于模糊神经网络的异构网络融合系统垂直切换方法 - Google Patents

Abstract

基于模糊神经网络的异构网络融合系统垂直切换方法主要包括预判决预处理、模糊神经网络处理和垂直切换判决三个阶段。首先，通过预判决和预处理减少需要进行后续处理的信号点数，降低系统开销；其次根据模糊神经网络理论综合两个网络接收的信号强度差值D_RSS(k)、移动终端MT相对于WLAN网络接入点AP的运动趋势dir(k)以及运动速度v和WLAN网络当前可用带宽B_W等多方面因素，动态地产生一组迟滞电平值h_y和驻留时间值t_dw；最后，根据模糊神经网络产生的h_y和t_dw，判断切换因子是否满足切换触发条件并选择最优网络。本发明所提供的方法解决了具有多种网络接入技术的MT在异构网络融合系统中通过垂直切换方法选择最优网络的问题。

Description

基于模糊神经网络的异构网络融合系统垂直切换方法

技术领域

本发明是异构网络融合系统的一种垂直切换方法，该方法基于模糊神经网络理论，属于移动通信技术领域。

背景技术

未来的移动通信环境将包括各种具有不同的传输速率、覆盖范围、系统容量及服务水平的无线接入网络。为了充分利用不同接入网络的特点，发挥各自网络的优势，向用户提供无处不在的服务，并满足用户对业务宽带化、个人化和智能化的要求，异构网络之间的协助和融合是目前人们关注的焦点。移动性管理技术，尤其是切换技术，是实现异构网络融合的关键技术之一。在异构网络中，除了各个网络内部的切换控制之外，还包括跨越网络边界、跨运营商以及跨终端漫游时的切换控制。相应地，切换控制技术的研究也从同种技术间的水平切换转移到异类接入技术间的垂直切换。

在异构网络环境下，不同接入网络在接收信号强度、误码率及信号噪声比等方面存在较大差异，不具有可比性，它们的服务类型、收费及网络条件等也存在较大差异。切换方法中除了考虑接收的信号强度RSS(Received Signal Strength)之外，仅引入迟滞电平或者驻留时间概念的已经不能满足移动用户对切换QoS(Quality of Service，服务质量)的要求。现有的切换方法中，往往综合考虑网络多种因素选择最优网络，比如基于模糊逻辑的方法、基于神经网络的方法等。模糊逻辑的方法具有推理过程容易理解，专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，不具有自适应学习的功能，而且较难自动生成和调节隶属度函数和模糊规则；神经网络的方法具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少，但缺点是不能够处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本要求较高。

本发明采用基于模糊神经网络的垂直切换(FNN-VHO，Fuzzy Neural Network VerticalHandoff)方法，该方法结合模糊理论和神经网络的优点，具有模糊逻辑推理功能，同时网络的权值也具有明确的模糊逻辑意义。它汇集了神经网络和模糊理论的优点，集学习、联想、识别、自适应及模糊信息处理与一体。FNN-VHO方法使切换的门限根据网络资源动态改变，从而合理利用网络资源，较好地解决多网络覆盖环境下的垂直切换决策问题。

发明内容

技术问题：本发明提供一种基于模糊神经网络的异构网络融合系统垂直切换方法，其目的在于根据异构网络融合系统的特点，综合考虑多种网络覆盖环境下的网络资源情况，动态改变垂直切换触发条件，减少乒乓效应发生频率，降低丢包率和阻塞率，使系统资源达到合理利用，较好地解决多网络覆盖环境下的垂直切换决策问题。

技术方案：本发明的基于模糊神经网络的异构网络融合系统垂直切换方法包括预判决预处理、模糊神经网络和垂直切换判决三个主要阶段；

其中预判决预处理阶段首先对移动终端MT的运动速度v和MT接收到WLAN(WirelessLocal Area Network，无线局域网)网络的信号强度RSS_W进行判决，如果v大于预设门限V₀或者RSS_W小于预设门限TH_W，MT直接选择UMTS(Universal Mobile TelecommunicationSystem，通用移动通信系统)网络，否则接着进行后续阶段的处理；其次预处理一方面计算WLAN网络的信号强度RSS_W和UMTS网络的信号强度RSS_U之间的差值D_RSS(k)，另一方面根据最近的n个RSS_W的变化情况，判断MT相对于WLAN网络接入点AP的运动趋势，给出dir(k)的取值，为模糊神经网络的输入数据做准备；模糊神经网络阶段对输入的D_RSS(k)、dir(k)、v和WLAN网络当前可用带宽B_W参数进行模糊化，得到这四个参数的隶属度，并根据推理机中的推理规则得到迟滞电平值h_y和驻留时间值t_dw的推理结果，然后通过解模糊得到h_y和t_dw的具体输出结果；垂直切换判决阶段是根据模糊神经网络输出的h_y和t_dw，计算此刻切换因子Q是否满足切换条件，若满足则接着判断若此刻进行切换是否会发生乒乓效应，若不会发生乒乓效应就发出切换指令，若会发生乒乓效应就改变切换条件，并重新进行上述三个阶段。

预判决主要完成对信号点的筛选功能，滤除MT运动速度大于V₀或者WLAN网络信号强度小于可接收的阈值TH_W的信号点；预处理主要用于判断MT相对于WLAN网络接入点AP的运动趋势dir(k)，即根据最近n次RSS_W的变化情况，决定dir(k)的取值。

所述的模糊神经网络阶段主要包括模糊化、推理机、去模糊和学习训练；其中，模糊化的功能是根据隶属函数将输入的D_RSS(k)、dir(k)、v和B_W具体数值转化为模糊化语言的形式，并构成模糊集合；推理机的功能是根据其内部模糊规则库的推理规则进行逻辑推理，给出合适的模糊控制量；去模糊的功能是将推理得到的模糊控制量转化成h_y和t_dw精确的输出控制量，精确计算的方法本发明采用的是加权平均法；学习训练的功能是根据先前的样本值调节网络输入层的权值、偏差和输出层的权值，达到调节激活函数的宽度及其中心位置的目的，实现对上述三步的控制调节功能；学习训练结束后，模糊神经网络记录新输入的D_RSS(k)、dir(k)、v和B_W以及由该组数据产生的h_y和t_dw用于更新样本数据库，使样本数据库中的样本数据能够更准确的描述MT的使用环境。

所述的垂直切换判决阶段根据模糊神经网络输出的控制量h_y和t_dw，结合网络当前情况判断切换因子是否满足切换触发条件，选择最优网络，同时为了防止乒乓效应的发生，需保证切换时间间隔大于乒乓效应时间间隔。

模糊神经网络训练结束之后，根据模糊神经网络新的输入及对应输出，学习训练中的样本数据库进行实时更新，作为再次启动MT的训练数据。

有益效果：本发明通过预判决处理，对输入信号进行筛选，使进入模糊神经网络的采样点数显著减少，从而大大降低了系统开销；根据模糊神经网络理论，综合考虑网络当前资源状况自适应地改变迟滞电平值h_y和驻留时间值t_dw；根据网络当前状况，判断切换因子是否满足切换触发条件，选择最优网络，并保证切换时间间隔大于乒乓效应时间间隔，减少不必要的切换次数，达到合理利用网络资源的目的。

本发明具有如下优点：

①采用预判决对输入信号进行筛选，使进入模糊神经网络的采样点数显著减少，减小了系统开销。采用预处理判断MT相对于AP的运动趋势，使之作为FNN的一个输入。

②采用模糊神经网络理论为异构网络融合系统的切换触发问题构建了特定的神经模糊控制系统，对信号强度、运动趋势、速度和带宽等不确定的实际影响因素进行建模评估，使切换触发因子根据网络的当前状态自适应地改变，增加移动台在WLAN网络的时间，减少不必要的切换次数，降低丢包率和阻塞率，提供系统的整体性能。

③切换判决条件与切换时间间隔结合，防止乒乓效应的产生，保证多网络覆盖情况下的系统性能。

④样本数据库实时更新，使数据库中训练数据更准确地描述MT使用环境，当下次启动MT时，可以降低训练误差，提高模糊神经网络的学习训练速度。

附图说明

图1异构网络融合系统应用场景。图中移动终端MT与基站BS之间的距离为d_U，与接入点AP1的距离为d_W。

图2基于模糊神经网络的垂直切换方法系统结构框图。

图3模糊神经网络层结构图。

图4模糊神经元基本结构。图中u_i ^k表示第k层的第i个输入，p表示该节点总共的输入信号数。函数f(u₁ ^k，u₂ ^k，…，u_p ^k)是传递函数，a(f)是激活函数。

图5基于模糊神经网络的垂直切换方法流程图。

具体实施方式

本发明给出了在异构网络融合系统中，利用模糊神经网络理论实现垂直切换的方法。其中，异构网络融合系统以UMTS(Universal Mobile Telecommunication System，通用移动通信系统)和WLAN(Wireless Local Area Network，无线局域网)的融合为例，如图1所示。假设移动终端MT一直处于UMTS覆盖范围，MT接收到UMTS网络和WLAN网络的信号强度分别为RSS_W和RSS_U，两个网络的信号强度差值为D_RSS(k)＝RSS_W(k)-RSS_U(k)。本发明根据移动终端接收到两个网络信号强度D_RSS(k)、移动终端的运动趋势dir(k)和速度v以及WLAN网络当前可用带宽B_W等情况，采用模糊神经网络实时调整各个参数的权重和阈值，动态改变垂直切换触发条件，选择最优接入网络，本方法的框图如图2所示。

具体步骤分为三个阶段：

(1)预判决预处理阶段

预判决对信号点进行筛选，滤除不满足条件的信号点。判断移动终端的运动速度是否小于判决门限V₀，如果是，则接着判断WLAN网络的信号强度RSS_W是否大于预设的WLAN网络最小可接收信号强度TH_W。当两个条件都满足的情况下，进入下一步的预处理，否则系统选择UMTS网络。

预处理为模糊神经网络准备输入数据。首先是根据最近n次RSS_W(k)的变化情况，分析出移动终端相对于AP的运动趋势。如果RSS_W(i-1)＜RSS_W(i)， $\∀i\∈1...k-1,$ 表明MT向着AP运动，令dir(k)＝1；如果RSS_W(i-1)＞RSS_W(i)， $\∀i\∈1...k-1,$ 表明MT背离AP运动，令dir(k)＝-1；其它运动方向不明确的令dir(k)＝0。其次，根据RSS_W和RSS_U，计算两个网络的信号强度差值D_RSS(k)。

(2)模糊神经网络阶段

本发明中，模糊神经网络采用零阶Sugeno系统作为模糊推理系统，其模糊规则形式为：

If x＝A_i，and y＝B_i，then Z＝k_i

这里A_i和B_i为前提中的模糊集合，而k_i为可调参数。各参数的隶属度函数采用高斯型函数，如：

${\mathrm{\μ}}_{A_i}\left(x\right)=\exp (-\frac{{\left|\right|x-m_i\left|\right|}^2}{{\mathrm{\σ}}_i^2})$

其中m_i和σ_i为变量的均值和方差。

首先，经过预判决和预处理后，得到了移动终端MT的D_RSS(k)和dir(k)，将和移动终端的速度v以及WLAN网络当前可用带宽B_W等信息一起送入模糊神经网络中进行模糊处理，得到各自的隶属度；其次，进入到推理机中，根据预先规定好并存储在推理机中的if-then控制规则，求出每一控制规则的强度(它等于每一规则中最小的前提隶属度)，即 ${\mathrm{\ω}}_i={\mathrm{\μ}}_{A_i}\left(x\right)\×{\mathrm{\μ}}_{B_i}\left(x\right),$ 并确定每一结论的模糊输出(它等于相同结论中的最大规则强度)；然后，采用加权平均法完成去模糊过程，求模糊输出的控制量迟滞电平值h_y和驻留时间值t_dw。和一般的模糊控制系统不同的是，模糊神经网络对上述三步具有控制调节功能，即在学习训练阶段，系统根据先前的样本值调节网络输入层的权值、偏差和输出层的权值，达到调节激活函数的宽度及其中心位置的目的。在学习训练结束后，模糊神经网络记录每一组新输入的D_RSS(k)、dir(k)、v和B_W以及由该组数据产生的h_y和t_dw用于更新样本数据库，使样本数据库中的样本数据能够更准确的描述MT的使用环境。

根据上述模糊理论的三个过程，本方法的模糊神经网络可用图3表示。它共由5层组成，第1和2层是模糊化过程，3和4层是模糊逻辑推理过程，其中第三层由135个节点构成(本方法共有135条推理规则)，第5层是去模糊过程；图中e(t)表示训练误差函数，它是用来调整各个参量的隶属度函数的中心位置和宽度。其中任一节点——模糊神经元的基本结构如图4所示。

(3)切换判决阶段

经过模糊神经网络的处理之后，可以得到一组h_y和t_dw，将它们送入垂直切换判决模块进行切换判决。令 $Q=\mathrm{\α}\frac{D_{\mathrm{RSS}}}{h_y}+\mathrm{\β}\frac{t}{t_{\mathrm{dw}}}$ 为切换触发因子，其中，t表示当前时刻和MT经过D_RSS＝0时的时间间隔，D_RSS为当前两个网络的信号强度差值，α表示迟滞电平对切换因子的影响程度，β表示驻留时间对切换触发因子的影响程度。切换触发的条件为：

O≥HO_Threshold

其中，HO_Threshold为切换门限，其初始值为1。为了进一步确保乒乓效应不会发生，若当前的切换间隔HO_Interval不大于预设的乒乓效应时间间隔PP_Interval时，HO_Threshold增加STEP，并继续判断Q≥HO_Threshold是否成立；若HO_Interval＞PP_Interval并且Q≥HO_Threshold时，执行切换，并令HO_Threshold＝1。

基于模糊神经网络的垂直切换方法的具体实施过程如图5所示。MT启动时，首先进行FNN网络的初始化，即从样本数据库中载入样本数据进行学习训练。模糊神经网络的具体层结构如图3所示，其中，网络输入层的权值、偏差和输出层的权值大小都受到误差函数e(t)控制，学习规则采用梯度下降法，即在训练阶段e(t)根据梯度下降法不断调节隶属度函数的宽度及其中心位置m_i ²、σ_i ²、m_i ⁵和σ_i ⁵。梯度下降法的思想为：沿着J(W)的负梯度方向不断修正W(k)的值，直至J(W)达到最小，其表达式为：

$W(k+1)=W\left(k\right)+\mathrm{\η}(-\frac{\∂J\left(W\right)}{\∂W}){|}_{W=W\left(k\right)}$

式中，η表示学习率，它是用来控制权值调整速度。

假设网络当前的实际输出为P_I(k)，期望的输出为P_I ^*，在网络的输出误差为：

e(k)＝P_I ^*-P_I(k)

根据梯度下降法，可得：

$J=\frac{1}{2}{e}^2\left(k\right)=\frac{1}{2}{(P_I^{*}-P_I\left(k\right))}^2$

$W(k+1)=W\left(k\right)+\mathrm{\η}(-\frac{\∂J\left(W\right)}{\∂W}){|}_{W=W\left(k\right)}=W\left(k\right)+\mathrm{\ηe}\left(k\right)\frac{\∂P_I\left(k\right)}{\∂W}$

根据上述学习规则，模糊神经网络中各节点隶属度函数参数调整情况如下：

第5层：

$m_i^5(k+1)=m_i^5\left(k\right)+\mathrm{\ηe}\left(k\right)\frac{{\∂P}_I\left(k\right)}{\∂m_i^5}$ i＝1，2

因为， $\frac{\∂P_I\left(k\right)}{\∂m_i^5\left(k\right)}=\frac{\∂P_I\left(k\right)}{\∂a_i^5}\frac{{\∂a}_i^5}{\∂f_i^5}\frac{{\∂f}_i^5}{\∂m_i^5\left(k\right)}=\frac{{\mathrm{\σ}}_i^5{u}_i^5}{\underset{j\∈T_I}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5}$

所以， $m_i^5(k+1)=m_i^5\left(k\right)+\mathrm{\ηe}\left(k\right)\frac{{\mathrm{\σ}}_i^5{u}_i^5}{\underset{j\∈T_I}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5}$

同理： ${\mathrm{\σ}}_i^5(k+1)={\mathrm{\σ}}_i^5\left(k\right)+\mathrm{\ηe}\left(k\right)\frac{m_i^5{u}_i^5\underset{j\∈T_I}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5-\left(\underset{j\∈T_I}{\mathrm{\Σ}}{m}_j^5{\mathrm{\σ}}_j^5{u}_j^5\right)u_i^5}{{\left(\underset{j\∈T_I}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5\right)}^2}$

第2层：

$m_i^2(k+1)=m_i^2\left(k\right)+\mathrm{\ηe}\left(k\right)\frac{\∂P_I\left(k\right)}{\∂m_i^2}$ i＝1，…，14

其中 $\frac{\∂P_I\left(k\right)}{\∂m_i^2}=\underset{n}{\mathrm{\Σ}}\frac{{\∂P}_I\left(k\right)}{{\∂u}_n^5}\underset{k}{\mathrm{\Σ}}\frac{{\∂u}_k^5}{{\∂u}_k^4}\underset{i}{\mathrm{\Σ}}\frac{{\∂u}_k^4}{\∂u_i^3}\frac{\∂u_i^3}{\∂m_i^2}$

式中，n＝1，…，6表示第5层输入信号数，k＝1，…，135表示第4层输入信号数，i＝1，…，14表示第3层输入信号数。

$\frac{\∂P_I\left(k\right)}{{\∂u}_n^5}=\frac{m_n^5{\mathrm{\σ}}_n^5\left(\underset{j\∈T_n}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5\right)-\left(\underset{j\∈T_n}{\mathrm{\Σ}}{m}_j^5{\mathrm{\σ}}_j^5{u}_j^5\right){\mathrm{\σ}}_n^5}{{\left(\underset{j\∈T_n}{\mathrm{\Σ}}{\mathrm{\σ}}_j^5{u}_j^5\right)}^2}$

$\frac{{\∂u}_i^3}{\∂m_i^2}=\frac{\∂a_i^2}{\∂m_i^2}=\frac{\∂a_i^2}{\∂f_i^2}\frac{{\∂f}_i^2}{\∂m_i^2}=e^{f_i^2}\frac{2{(u_i^2-m_i^2)}^2}{{\left({\mathrm{\σ}}_i^2\right)}^2}$

令 $e\left(k\right)\underset{n}{\mathrm{\Σ}}\frac{\∂P_I\left(k\right)}{\∂u_n^5}\underset{k}{\mathrm{\Σ}}\frac{\∂u_n^5}{\∂u_k^4}\underset{i}{\mathrm{\Σ}}\frac{{\∂u}_k^4}{\∂u_i^3}={\∂}_i^2,$ 则

$m_i^2(k+1)=m_i^2\left(k\right)+\mathrm{\η}{\mathrm{\δ}}_i^2{e}^{f_i^2}\frac{2{(u_i^2-m_i^2)}^2}{{\left({\mathrm{\σ}}_i^2\right)}^2}$ i＝1，…，14

同理： ${\mathrm{\σ}}_i^2(k+1)={\mathrm{\σ}}_i^2\left(k\right)+\mathrm{\η}{\mathrm{\δ}}_i^2{e}^{f_i^2}\frac{2{(u_i^2-m_i^2)}^2}{{\left({\mathrm{\σ}}_i^2\right)}^3}$ i＝1，…，14

根据学习规则对网络权值和偏差进行调整，直到训练误差达到期望误差ε0或者训练次数达到事先设定的最大值时训练结束。

其次判断MT的运动速度是否小于V₀，RSS_W是否大于预设门限TH_W。在UMTS和WLAN融合的系统中，根据移动终端所处的位置可以得到移动终端接收到两个网络的信号强度。如图1中，移动终端MT与基站BS之间的距离为d_U，与接入点AP1的距离为d_W。则移动终端接收到两个网络的信号强度分别为：

RSS_W＝K_1W-K_2Wlog(d_W)

RSS_U＝K_1U-K_2U log(d_U)

其中，K_1W、K_2W、K_1U和K_2U为路径损耗参数。

如果v＜V₀且RSS_W＞TH_W，则进入预处理阶段，否则直接选择UMTS网络接入。在预处理阶段根据最近n次RSS_W(k)的变化情况，分析出MT相对于AP的运动趋势。如果RSS_W(i-1)＜RSS_W(i)， $\∀i\∈1...k-1,$ 表明MT向着AP运动，令dir(k)＝1；如果RSS_W(i-1)＞RSS_W(i)， $\∀i\∈1...k-1,$ 表明MT背离AP运动，令dir(k)＝-1；其它运动方向不明确的令dir(k)＝0。其次，根据RSS_W和RSS_U，计算MT接收到WLAN和UMTS网络的信号强度差值D_RSS(k)，即；

D_RSS(k)＝RSS_W(k)-RSS_U(k)＝K_1W-K_1U-K_2W log(d_W)+K_2U log(d_U)

D_RSS(k)表示了移动终端MT分别接收到来自WLAN和UMTS网络信号强度大小的相对情况，当D_RSS(k)＞0，则说明来自WLAN网络的信号比来自UMTS网络的信号要强一些，反之，则UMTS网络信号强度要大一些。

将计算得到的D_RSS、dir和v及B_W一起送入FNN进行处理，FNN首先对对这组数据经过模糊化处理，得到各参量的隶属度；然后根据预存在推理机中的控制规则求出每一控制规则的强度，并确定每一结论的输出；然后，完成去模糊过程，求模糊输出的控制量h_y和t_dw。FNN将这组输入数据和其输出送入样本数据库进行更新样本库。由于数据库是不断更新的，所以，经过一段时间的使用之后，数据库中的数据就能更准确地描述MT所处的使用环境。当以更新后的数据作为训练数据再次启动MT时，新建成的FNN网络更符合MT的使用环境，最大程度的减小FNN网络误差，降低乒乓效应的发生，提高系统性能。

然后判断切换因子Q是否大于HO_Threshold，若否，则维持原有网络，并开始等待下一次FNN数据输入；若是，就接着判断HO_Interval是否大于PP_Interval，若否，HO_Threshold增加STEP，并开始等待下一次FNN数据输入；若是，则HO_Threshold恢复初始值1，然后发出切换通知，移动设备MT就从一个网络切换到另一网络，如W→U或U→W，并开始等待下一次FNN数据输入。

Claims (5)

1.一种基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于该方法包括预判决预处理、模糊神经网络和垂直切换判决三个主要阶段；

其中预判决预处理阶段首先对移动终端MT的运动速度v和MT接收到WLAN，无线局域网网络的信号强度RSS_W进行判决，如果v大于预设门限V₀或者RSS_W小于预设门限TH_W，MT直接选择通用移动通信系统UMTS网络，如果v小于预设门限V₀且RSS_W大于预设门限TH_W，MT进行预处理；其次预处理一方面计算WLAN网络的信号强度RSS_W和UMTS网络的信号强度RSS_U之间的差值D_RSS(k)，另一方面根据最近的n个RSS_W的变化情况，判断MT相对于WLAN网络接入点AP的运动趋势，给出dir(k)的取值，为模糊神经网络的输入数据做准备；模糊神经网络阶段对输入的D_RSS(k)、运动趋势dir(k)、v和WLAN网络当前可用带宽B_W参数进行模糊化，得到这四个参数的隶属度，并根据推理机中的推理规则得到迟滞电平值h_y和驻留时间值t_dw的推理结果，然后通过解模糊得到h_y和t_dw的具体输出结果；垂直切换判决阶段是根据模糊神经网络输出的h_y和t_dw，计算此刻切换因子Q是否满足切换条件，若满足则接着判断若此刻进行切换是否会发生乒乓效应，若不会发生乒乓效应就发出切换指令，若会发生乒乓效应就改变切换条件，并重新进行上述三个阶段。

2.根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于：预判决主要完成对信号点的筛选功能，滤除MT运动速度大于V₀或者WLAN网络信号强度小于可接收的阈值TH_W的信号点；预处理主要用于判断MT相对于WLAN网络接入点AP的运动趋势dir(k)，即根据最近n次RSS_W的变化情况，决定dir(k)的取值。

3.根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于：所述的模糊神经网络阶段主要包括模糊化、推理机、去模糊和学习训练；其中，模糊化的功能是根据隶属函数将输入的D_RSS(k)、dir(k)、v和B_W具体数值转化为模糊化语言的形式，并构成模糊集合；推理机的功能是根据其内部模糊规则库的推理规则进行逻辑推理，给出合适的模糊控制量；去模糊的功能是将推理得到的模糊控制量转化成h_y和t_dw精确的输出控制量，精确计算的方法采用的是加权平均法；学习训练的功能是根据先前的样本值调节网络输入层的权值、偏差和输出层的权值，达到调节激活函数的宽度及其中心位置的目的，实现对上述三步的控制调节功能；学习训练结束后，模糊神经网络记录新输入的D_RSS(k)、dir(k)、v和B_W以及由该组数据产生的h_y和t_dw用于更新样本数据库，使样本数据库中的样本数据能够更准确的描述MT的使用环境。

4.根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于：所述的垂直切换判决阶段根据模糊神经网络输出的控制量h_y和t_dw，结合网络当前情况判断切换因子是否满足切换触发条件，选择最优网络，同时为了防止乒乓效应的发生，需保证切换时间间隔大于乒乓效应时间间隔。

5.根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于模糊神经网络训练结束之后，根据模糊神经网络新的输入及对应输出，学习训练中的样本数据库进行实时更新，作为再次启动MT的训练数据。

Images