CN101860885B - 基于神经网络和模糊逻辑的接入网络选择方法 - Google Patents

Abstract

本发明公开了一种基于神经网络和模糊逻辑的接入网络选择方法。主要解决网络选择过程中候选网络未来负载变化和参数不确定性对用户性能的影响问题。实现过程是：各候选网络基站收集所在网络当前的负载信息以及用户接收到的信号强度信息；利用集成BP神经网络预测各候选网络未来负载的变化趋势；利用归一化和模糊逻辑处理网络负载和用户接收信号强度；利用代价函数计算候选网络的技术指标；利用多目标决策综合衡量网络的技术指标、网络参数和用户需求，得到各个候选网络的适宜接入度；各个基站将所在网络的适宜接入度通过无线使能器发送给用户；用户比较后，选择具有最大适宜接入度的候选网络作为目标网络。本发明能够有效能够降低用户接入网络时的阻塞概率和服务过程中的中断概率，实现为用户选择最佳接入网络的功能。

Description

基于神经网络和模糊逻辑的接入网络选择方法

技术领域

本发明属于通信技术领域，涉及一种认知无线网络环境中接入网络选择方法，可用于异构网络条件下的用户接入网络选择。

背景技术

近年来，无线通信行业得到了较大的发展，各种无线接入技术的涌现组成了一个复杂的异构无线网络环境。同时人们对无线业务服务质量的要求也越来越高，希望能够随时随地的获得网络服务。然而，任意一个网络由于其覆盖范围及带宽等原因都不可能满足全部用户的需求。因此，如何为用户确定一个最佳的接入网络来满足其业务需求就显得极为重要。

所有的网络选择方法都是依据一定的策略和算法对不同的候选无线网络进行优先级排序。用户总是期望获得最大的带宽，最小的端到端时延，最好的QoS，最小的能量消耗和最少的资费等，因此这是一个典型的多目标决策问题。最佳的网络选择必须综合考虑三方面的因素：网络参数、技术指标和用户需求。网络参数包括：网络覆盖范围、支持的业务类型、收费情况等；技术指标包括：用户接收到的信号强度、网络的负载状况等；用户需求包括：用户支持的接口技术、移动速度、电池容量和支付能力等。网络选择问题在实现过程中又可以分为三部分：信息收集、选择目标网络和接入执行。根据其实现方式又可以分为终端主导模式和网络主导模式。

认知网络具有一个认知过程：能够感知当前网络状态，并能够在此基础之上计划、决策和执行。它能够在自适应过程中学习并且应用于未来的决策，在整个过程中都要考虑到用户的端到端性能。在一个认知异构无线网络环境中，用户和基站都具有认知功能，能够感知网络环境状态。因此，当携带多模终端的移动用户发起业务请求时，如何充分发挥系统的认知功能，为用户选择一个最佳的接入网络成为一个关键的问题。

过去很多文献都提到了异构网络环境中接入网络选择的策略方法，如Wei Shen在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价函数的方法，综合考虑了用户接收到各网络的信号强度信息和各网络的负载情况。但是该方法没有考虑到所获得的信号强度和网络负载信息可能是不确定的，同时也没有考虑到网络选择过程中网络参数和用户需求等。LorenzaGiupponi在IEEE Transactions On Vehicular Technology，2008，57(3)：1789-1805《A NovelApproach for Joint Radio Resource Management Based on Fuzzy Neural Methodology》中提出了基于模糊逻辑和多目标决策的网络选择方法，考虑到影响网络决策的参数的不确定性，引入了模糊逻辑进行处理。但是模糊逻辑中的推理规则集合完全依靠经验和先验知识确定，具有很强的主观性，实际应用中可能会受到很大影响。同时应用模糊推理的计算量较大，需要很强的计算能力。Qingyang Song在IEEE wireless communications 12(3)：42-48《Network selection in an integrated wireless LAN and UMTS environment usingmathematical modeling and computing techniques》中提出了一种基于层次分析法和灰度关联法两种数学模型的相结合的方法来选择接入网络，该方法将接入网络选择过程中的大量参数综合在一起，通过为不同参数分配不同的权重，最后进行加权选择最佳网络。该方法计算量较大，同样没有考虑影响网络选择决策参数不确定性的影响。

此外，目前的网络选择策略都没有考虑到网络负载随时间变化的情况，决策的结果都是仅选择在接入时刻最佳的网络，并没有考虑接入时刻之后网络负载的变化情况对用户性能产生的影响。

发明内容

本发明针对上述现有接入网络选择策略的不足，在引入集成BP神经网络预测各候选网络未来负载的变化趋势的基础上，提出一种基于神经网络和模糊逻辑的接入网络选择方法，以综合考虑网络的技术指标、网络参数和用户需求，抵抗影响网络选择参数的不确定性，降低对先验知识的依赖性和计算复杂度；同时预测网络未来负载的变化趋势，使得所选择的网络在用户的整个服务时间内整体最优，降低用户服务过程中的中断概率，实现为用户选择最佳接入的网络。

实现本发明目的的技术关键在于利用集成BP神经网络算法预测各候选网络未来负载的变化趋势和采用模糊逻辑处理影响网络决策参数的不确定性。具体的实现步骤包括如下：

(1)各候选网络基站收集其所在网络的当前负载信息；用户检测各个候选网络的信号强度，并将得到的信号强度信息通过无线使能器告知给相应网络的基站；

(2)各基站根据其所在网络的历史负载信息和收集到的当前负载情况，利用集成BP神经网络算法对所在网络未来负载的变化趋势进行预测；

(3)基站对网络当前负载和未来负载的预测值，及用户接收信号强度信息分别进行归一化处理和模糊处理；

(4)各个基站根据模糊处理之后网络负载和用户接收信号的强度，利用代价函数计算每个候选网络的技术指标；

(5)基站根据其所在网络的技术指标和网络参数及用户需求，采用多目标决策计算其所在网络的适宜接入度；

(6)各个基站将其所在网络的适宜接入度通过无线使能器传递给用户；

(7)用户比较各个候选网络的适宜接入度大小，最终选择适宜接入度最大的网络作为目标网络。

本发明与现有技术相比具有如下主要优点：

(1)本发明由于采用集成BP神经网络算法，能够较好的预测各个候选网络未来负载的变化趋势，使得所选择的目标网络不在是接入时刻最优，而是在用户整个服务时间内整体最优，从而降低了用户服务过程中的中断概率；

(2)本发明由于采用了模糊逻辑抵抗影响网络选择参数的不确定性，从而降低了用户接入网络的阻塞概率；

(3)本发明由于综合考虑网络的技术指标、网络参数和用户需求，所选择的目标网络不仅能满足用户的QoS需求，还能在各个候选网络之间实现一定程度的负载均衡功能。

附图说明

图1是本发明的总流程图；

图2是本发明预测网络未来负载的变化趋势的子流程图；

图3是本发明与传统网络选择方法在不同负载条件下的中断概率性能比较图；

图4是本发明在不同程度参数不确定性条件下的性能图；

图5是本发明在各个候选网络之间实现负载均衡功能的性能图。

具体实施方式

以下对本发明的原理以及技术方案做进一步的描述：

参照图1，本发明的实现流程图包括如下：

步骤1，收集当前各个候选网络的负载和用户接收信号强度信息。

各候选网络基站对自己所在网络的当前负载信息进行收集；用户对各个候选网络的信号强度进行检测，并将检测的结果通过无线使能器分别告知给相应网络的基站。

步骤2，各基站根据其所在网络的历史负载信息和收集到的当前负载信息，利用集成BP神经网络算法对所在网络未来负载的变化趋势进行预测。

参照图2，本步骤的具体实现如下：

2.1利用Bagging算法对网络历史负载信息数据库进行独立重复抽样，获得n个独立的样本集合；

2.2每一个样本集合单独训练一个BP神经网络，每个BP神经网络均采用输入层、隐含层和输出层的三层结构，训练结果采用均方误差MSE来衡量，设定一个MSE指标，只有训练结果满足此指标时，BP神经网络才算训练完成；

均方误差MSE具体表示如下：

$\mathrm{MSE}=\frac{1}{\mathrm{mP}}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(t_j^p-y_j^p)}^2---<1>$

其中，P为样本集中含有的训练序列的个数，m为输出层含有的结点个数，

为输入第p个训练序列时对应输出第j个元素值的真实值，为输入第p个训练序列时输出的第j个元素值；

2.3在每个BP神经网络训练完成后，通过对其输入候选网络当前的负载信息，得到每个BP神经网络对候选网络未来负载的预测结果；

2.4利用均值集成方法，将所有BP神经网络的预测结果相加再取平均，得到候选网络未来负载的最终预测结果。

步骤3，基站对网络当前负载和未来负载的预测值，及用户接收信号强度信息分别进行归一化处理和模糊处理。

归一化后的网络负载L_i表示为：

$L_i=\frac{{\mathrm{CH}}_i^{\mathrm{use}}}{{\mathrm{CH}}_i}---<2>$

其中，

为网络i中已经被占用的信道数，CH_i为网络i中总的信道数。

归一化后的用户接收信号强度S_i表示为：

$S_i=\frac{P_i^{\max }-P_i^{\mathrm{re}}}{P_i^{\max }-P_i^{\mathrm{th}}}---<3>$

其中，

为网络i基站的最大发射功率，

为网络i中用户接收机的接收门限；

为当前用户接收到网络i基站发射的信号强度。

完成网络负载和用户接收信号强度的归一化之后，在分别对它们进行模糊处理，包括模糊化和反模糊化。模糊化采用三角形隶属函数，反模糊化采用面积中心法。

步骤4，各个基站根据模糊处理之后网络负载和用户接收信号强度，利用代价函数计算每个候选网络的技术指标。代价函数如下所示：

            C_i＝w_lL_i+w_sS_i                                <4>

其中，C_i表示网络i的技术指标值，w_l和w_s分别为网络负载和信号强度的权重，它们满足0≤w_l≤1，0≤w_s≤1且w_l+w_s＝1。

步骤5，基站根据其所在网络的技术指标和网络参数及用户需求，采用多目标决策计算其所在网络的适宜接入度。

5.1分别设定候选网络i的技术指标决策值为

网络参数决策值为及用户需求决策值为

则该候选网络的适宜接入度表示如下：

${\mathrm{AAV}}_i=w_{\mathrm{TP}}{D}_i^{\mathrm{TP}}+w_{\mathrm{NP}}{D}_i^{\mathrm{NP}}+w_{\mathrm{UD}}{D}_i^{\mathrm{UD}}---<5>$

其中w_TP、w_NP和w_UD分别为相应决策值的权重因子，它们满足0≤w_TP≤1，0≤w_NP≤1，0≤w_UD≤1且w_TP+w_NP+w_UD＝1，

是步骤4中得到候选网络的技术指标C_i，即

和

根据具体的网络特征和用户需求进行设置；

5.2通过层次分析法方法计算各决策值的权重因子，具体如下步骤所示：

5.2.1首先构造网络的技术指标、网络参数和用户需求之间的相对重要程度矩阵：

$A=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)---<6>$

其中，a_i，j为第i个决策因子对第j个决策因子的相对重要程度，根据具体的网络特征和用户需求进行设置，但是需要满足：a_ii＝1，a_ij＝1/a_ji，i，j＝1，2，3；

5.2.2对矩阵A进行一致性校验：若不满足一致性，则重新调整矩阵的元素值，直到矩阵A满足一致性；

5.2.3计算矩阵A的最大特征值λ_max及其对应的单位特征向量w；

5.2.4对所获得的单位特征向量w进行归一化，得到各决策值的权重因子；

5.3将得到的权重因子带入到公式<5>中，计算得到候选网络i的适宜接入度。

步骤6，各个基站将其所在网络的适宜接入度通过无线使能器传递给用户。

步骤7，用户比较各个候选网络的适宜接入度大小，最终选择具有最大适宜接入度的网络作为目标网络。

以下通过一个仿真实验对本发明的技术效果做详细描述：

1)仿真的系统参数

用户所在位置处存在网络1、网络2和网络3这三种不同的接入网络，分别含有50，30和20个单位信道，用户服务过程中只占用一个单位信道。用户的到达率服从泊松分布，服务时间服从指数分布。三种网络的网络参数分别设置为

用户需求分别设置为

网络的技术指标、网络参数和用户需求之间的相对重要程度矩阵为：

$A=\left(\begin{array}{ccc}1& 2& 2\\ 1/2& 1& 2/3\\ 1/2& 3/2& 1\end{array}\right)---<7>$

计算得到的各个决策值的权重因子分别为w_TP＝0.5，w_NP＝0.2，w_UD＝0.3。

2)仿真过程与结果

首先，衡量采用集成BP算法预测网络未来负载对系统性能的影响。固定模糊化级别为4。分别采用本发明方法和不采用预测方法，进行多次用户选择接入网络的仿真试验，衡量用户接入目标网络后服务过程中的中断概率，得到图3所示结果。从图3可以看出，采用本发明方法，用户服务过程中的中断概率明显下降。这是由于引入集成BP神经网络算法预测网络未来负载的变化趋势之后，将网络未来负载的预测值引入到网络选择过程中，使得所选择的接入网络不再是接入时刻最优，而是在用户整个服务时间内整体最优，因此，使得用户服务过程中的中断概率明显下降。

接着，衡量引入模糊逻辑抵抗参数不确定性的性能。定义参数的不确定性为参数的方差。固定模糊化等级为4，网络负载和用户接收信号强度具有不同程度的不确定性，分别为10％、1％和0.1％。分别采用本发明方法和不应用模糊逻辑方法，进行多次用户选择接入网络的仿真试验，衡量用户接入过程中的阻塞概率，得到图4所示结果。从图4可以看出，本发明方法引入了模糊逻辑降低了用户接入网络的阻塞概率，尤其在参数具有较大不确定性的情况下，性能改善较为明显。这是由于参数在测量或者预测的过程中，不可避免的存在一定的误差或者错误，具有不确定性，模糊逻辑的引入能够有效地抵抗参数的不确定性，从而降低了用户接入网络阻塞概率。

最后，衡量本发明在各个候选网络之间实现的负载均衡的功效。固定用户总数为60，不考虑新用户的到达和现有用户的离开。设定所有用户全部分布在三个网络之中，其中网络1含有40个用户，网络2含有5个用户，网络3含有15个用户，得到各网络负载情况如图5a所示。采用本发明的接入网络选择方法，所有用户均重新选择接入网络，最终所有用户在三个网络之间的分布情况如图5b所示。通过图5a与图5b的对比可以明显看出，本发明的接入网络方法实现了候选网络之间的负载均衡功能。这是由于在用户选择接入网络的过程中考虑了网络的负载情况，如果一个候选网络的负载越重，则该网络的适宜接入度越小，用户选择其作为目标网络的可能性也就越小，因此，本发明方法实现了各个候选网络之间的负载均衡功能。

Claims (5)

1.一种基于神经网络和模糊逻辑的接入网络选择方法，包括如下步骤：

(1)各候选网络基站收集其所在网络的当前负载信息；用户检测各个候选网络的信号强度，并将得到的信号强度信息通过无线使能器告知给相应网络的基站；

(2)各基站根据其所在网络的历史负载信息和收集到的当前负载情况，利用集成BP神经网络算法对所在网络未来负载的变化趋势进行预测；

(3)基站对网络未来负载的预测值，及用户接收信号强度信息分别进行归一化处理和模糊处理；

(4)各个基站根据模糊处理之后网络负载和用户接收信号的强度，利用代价函数计算每个候选网络的技术指标；

(5)基站根据其所在网络的技术指标和网络参数及用户需求，采用多目标决策计算其所在网络的适宜接入度；

(6)各个基站将其所在网络的适宜接入度通过无线使能器传递给用户；

(7)用户比较各个候选网络的适宜接入度大小，最终选择适宜接入度最大的网络作为目标网络。

2.根据权利要求1所述的基于神经网络和模糊逻辑的接入网络选择方法，其中步骤(2)所述的利用集成BP神经网络算法预测候选网络未来负载的变化趋势，按如下过程进行：

(2a)利用Bagging算法对网络历史负载信息数据库进行独立重复抽样，获得n个独立的样本集合；

(2b)每一个样本集合单独训练一个BP神经网络，每个BP神经网络均采用输入层、隐含层和输出层的三层结构，训练结果采用均方误差MSE来衡量：

$\mathrm{MSE}=\frac{1}{\mathrm{mP}}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(t_j^p-y_j^p)}^2$

其中P为样本集中含有的训练序列的个数，m为输出层含有的结点个数，为输入第p个训练序列时对应输出第j个元素值的真实值，

为输入第p个训练序列时输出的第j个元素值；

(2c)在每个BP神经网络训练完成后，通过对其输入候选网络当前的负载信息，得到每个BP神经网络对候选网络未来负载的预测结果；

(2d)利用均值集成方法，将所有BP神经网络的预测结果相加再取平均，得到候选网络未来负载的最终预测结果。

3.根据权利要求1所述的基于神经网络和模糊逻辑的接入网络选择方法，其中步骤(4)所述的利用代价函数计算每个候选网络的技术指标，是通过C_i＝w_lL_i+w_sS_i计算，其中，C_i表示网络i的技术指标值，L_i为归一化和模糊处理之后的网络i的负载，S_i为归一化和模糊处理之后的用户接收到网络i的信号强度，w_l和w_s分别为网络负载和信号强度的权重因子，它们满足0≤w_l≤1，0≤w_s≤1且w_l+w_s＝1，该权重因子根据具体的网络特征和用户需求设置。

4.根据权利要求1所述的基于神经网络和模糊逻辑的接入网络选择方法，其中步骤(5)所述的利用多目标决策计算每一个候选网络的适宜接入度，按如下步骤进行：

(4a)分别设定候选网络i的技术指标决策值为

网络参数决策值为

及用户需求决策值为

则该候选网络的适宜接入度表示如下：

${\mathrm{AAV}}_i=w_{\mathrm{TP}}{D}_i^{\mathrm{TP}}+w_{\mathrm{NP}}{D}_i^{\mathrm{NP}}+w_{\mathrm{UD}}{D}_i^{\mathrm{UD}}$

其中w_TP、w_NP和w_UD分别为相应决策值的权重因子，它们满足0≤w_TP≤1，0≤w_NP≤1，0≤w_UD≤1且w_TP+w_NP+w_UD＝1；

(4b)通过层次分析法计算各决策值的权重因子；

(4c)将得到的权重因子带入到中，得到候选网络i的适宜接入度。

5.根据权利要求4所述的基于神经网络和模糊逻辑的接入网络选择方法，其中步骤(4b)所述的通过层次分析法计算各决策值的权重因子，按如下步骤进行：

(5a)构造网络的技术指标、网络参数和用户需求之间的相对重要程度矩阵：

$A=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$

其中，a_i，j为第i个决策因子对第j个决策因子的相对重要程度，满足a_ii＝1，a_ij＝1/a_ji，i，j＝1，2，3；

(5b)对矩阵A进行一致性校验，若不满足一致性则重新调整矩阵的元素值；

(5c)计算矩阵A的最大特征值λ_max及其对应的单位特征向量w；

(5d)对所获得的单位特征向量w进行归一化，得到各决策值的权重因子。

Images