CN101873638A - 基于模糊神经网络的异构无线网络接入选择方法 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的异构无线网络接入选择方法，旨在克服多网络覆盖环境下网络间的负载不均衡问题。该接入选择方法包括1)预判决和预处理：(1)减少需要进行后续处理的用户数；(2)计算两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P。2)采用RBF模糊神经网络得到模糊判决因子FSD：以两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P为输入参量采用RBF模糊神经网络得到模糊判决因子FSD。3)接入判决：根据模糊判决因子FSD得到接入判决结果，模糊判决因子FSD若小于0.5，则接入网络1；若大于0.5，则接入网络2；若等于0.5，则选择信号强度强的网络进行接入。

Description

基于模糊神经网络的异构无线网络接入选择方法

技术领域

本发明涉及一种应用于移动通信技术领域的无线网络中的接入选择方法，更具体地说，本发明涉及一种基于模糊神经网络的异构无线网络接入选择方法。

背景技术

下一代移动通信(Beyond 3G)的发展趋势并不是建设一个崭新的功能完善的网络，而是考虑已经存在的和将要部署的网络，使其相互协调和容易集成，保持多种无线网络间通信的连续性。目前，每种无线接入技术在容量、覆盖、数据速率和移动性支持能力等方面各有长短，任何一种无线接入技术都不可能满足所有用户的要求。

未来移动通信网络的主要特征之一就是各种异构无线网络共存，它们相互补充、无缝集成到统一的网络环境中。在此异构网络体系中，为了提供给移动用户无时无刻、无所不在的网络接入服务，需要先进的管理机制和策略来整合当前的各种无线网络系统。其中联合无线管理机制作为融合网络中无线资源接入的策略管理者，能够利用处于不同无线接入网络上的一个集中的联合控制实体对异构网络进行联合的接入控制、资源调度和负载控制，联合无线资源管理机制的成功与否直接决定了异构无线网络的系统性能。

未来的移动终端将拥有多个无线接口，具有接入不同网络的能力。因此，在联合资源管理机制中设计异构网络移动终端的接入选择策略，保证用户始终接入最优的网络，有效利用全网的无线资源，整合不同无线接入技术到一个统一的网络环境，在研究异构无线网络融合方面将扮演至关重要的角色。

在众多的接入选择方法中，基于模糊逻辑和神经网络的方法作为智能接入方法得到了众多关注。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能力，人工干预少，精度较高，对专家知识的利用也较少，但它不能够处理和描述模糊信息，不能很好利用已有的专家知识。

目前关于采用模糊逻辑及神经网络技术进行异构网络接入选择的研究大多考虑业务的QoS(Quality of Service)、用户满意度、网络接入阻塞率等问题，而没能合理的对网络负载状况进行考虑，这样会导致网络间的负载不均衡、可接入网络的整体资源不能得到充分利用。

发明内容

本发明所要解决的技术问题是针对现有技术存在的多网络覆盖环境下网络间的负载不均衡的问题，提供了一种基于模糊神经网络的异构无线网络接入选择方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的基于模糊神经网络的异构无线网络接入选择方法包括如下步骤：

1.预判决和预处理

1)减少需要进行后续处理的用户数。

2)计算两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P。

2.采用模糊神经网络得到模糊判决因子FSD

以两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P为输入参量采用RBF模糊神经网络得到模糊判决因子FSD。

3.接入判决

根据模糊判决因子FSD得到接入判决结果：模糊判决因子FSD若小于0.5，则接入网络1；若大于0.5，则接入网络2；若等于0.5，则选择信号强度较强的网络进行接入。

技术方案中所述的减少需要进行后续处理的用户数是指：

当用户测得的在网络k中的接收信号强度RSS_k强于门限值TH_R，并且网络k统计到的剩余时频资源可以满足业务的时频资源单元需求时，则认为用户可以接入网络k，其中k＝1，2；若没有网络可以接入，则判决结果为阻塞该用户；若只有一个网络可以接入，则判决结果为将用户接入该网络；若两个网络都可以接入，则进入预处理步骤；所述的两个网络的接入系数差值D_P由

D_P＝P₁-P₂        计算获得。

所述的两个网络的信号强度差值D_RSS由公式

D_RSS＝RSS₁-RSS₂  计算获得。

所述的两个网络的接入系数P_k由公式

$P_k=\frac{m_k}{M_k}$ 计算获得。

其中：m_k为网络k已占用的时频资源单元个数，M_k为网络k总时频资源单元个数，k＝1，2；所述的采用模糊神经网络得到模糊判决因子FSD包括如下步骤：

1.模糊化过程

模糊化过程将输入的两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P具体数值转化成模糊化语言的形式。

2.模糊推理过程

模糊推理过程根据模糊规则进行逻辑推理。

3.解模糊过程

解模糊过程将推理结果转化成模糊判决因子FSD的精确输出量。

4.学习训练过程

学习训练过程是周期性的根据误差信号调整RBF模糊神经网络的隶属度函数中心和方差以及输出层的权值，实现对RBF模糊神经网络的控制调节功能；

所述的模糊化过程是指：

RBF模糊神经网络的输入量为x，由于只有信号强度差值D_RSS和接入系数差值D_P两个输入参量，所以x＝[D_P，D_RSS]；模糊化时，将接入系数差值D_P和信号强度差值D_RSS各自划分为3个模糊子集{正、零、负}，第i个输入变量的第j个模糊子集的隶属度函数μ_ij(i＝1，2；j＝1，2，3)采用高斯函数，如公式

${\mathrm{\μ}}_{\mathrm{ij}}\left(x_i\right)=\exp [-{\left(\frac{x_i-c_{\mathrm{ij}}}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\right)}^2]$ 所示。

其中，x_i、c_ij、σ_ij分别为输入变量、隶属度函数中心、隶属度函数宽度；

所述的模糊推理过程是指：

由于两个输入量各自划分为3个模糊子集，所以推理规则需要3×3＝9条规则，每条规则的适应度a_mn(m＝1，2，3；n＝1，2，3)采用极小运算得到，如公式

a_mn＝μ_1m×μ_2n    所示；

所述的解模糊过程是指：

根据每条规则的适应度a_mn采用加权平均法得到RBF模糊神经网络的输出量模糊判决因子FSD，其计算方法如公式

$\mathrm{FSD}=\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{mn}}{a}_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}$ 所示。

其中，w_mn为输出层的权值，表示各条规则的权重；

所述的学习训练过程是指：

周期性的采用强化学习算法对RBF模糊神经网络中的参数c_ij、σ_ij、w_mn进行学习调整以使均方误差达到最小，并将两个网络的接入阻塞率之差作为强化学习算法的输入量。强化学习算法的误差信号如公式r(t)＝y^*-y(t)所示。其中，t为时间变量，用于表征训练周期的次数，强化学习算法的输入量y(t)为第t训练周期内实际统计得到的两个网络的接入阻塞率之差，y^*为该差值的期望值，设定y^*＝0，即两个网络的接入阻塞率相等。均方误差如公式

$E\left(t\right)=\frac{1}{2}{[y^{*}-y\left(t\right)]}^2$ 所示。

在第t个训练周期结束后，采用附加动量项的负梯度法对RBF模糊神经网络参数c_ij、σ_ij、w_mn进行学习调整，得到模糊神经网络在t+1训练周期内参数c_ij、σ_ij、w_mn采用的值，隶属度函数中心c_ij采用公式

$c_{\mathrm{ij}}(t+1)=c_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{c}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=1\\ c_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=2\end{array}\right.$

进行调整。

隶属度函数宽度σ_ij采用公式

${\mathrm{\σ}}_{\mathrm{ij}}(t+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=1\\ {\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=2\end{array}\right.$

进行调整。

输出层的权值w_mn采用公式

$w_{\mathrm{mn}}(t+1)=w_{\mathrm{mn}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]$

$=w_{\mathrm{mn}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{a_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]$

进行调整。

其中，η、α分别为学习因子和动量因子，用来控制参数学习速度。

与现有技术相比本发明的有益效果是：

1.本发明所述的基于模糊神经网络的异构无线网络接入选择方法采用预判决过程，减少需要进行后续处理的用户数，能够显著降低系统开销。

2.本发明所述的基于模糊神经网络的异构无线网络接入选择方法采用模糊神经网络进行接入判决，并利用模糊神经网络的学习功能根据异构网络状况动态调整模糊神经网络参数，能够提高接入判决的精度。

3.本发明所述的基于模糊神经网络的异构无线网络接入选择方法将两个网络的接入阻塞率之差为零作为强化学习算法的误差期望值，经过学习后，利用模糊神经网络进行接入判决便可以使可接入网络的接入阻塞率趋于相等，而网络的接入阻塞率接近则表明网络间的负载也趋于均衡。并且该方法对网络忙闲时负载程度的不同具有很好的动态适应性，在忙闲时均能使网络间的负载趋于均衡，而负载的均衡也就使得网络的整体接入阻塞率降低并接近其忙闲时的理想值。

参阅图4、图5，为了验证本发明所能达到的有益效果，通过计算机仿真手段仿真出了采用本发明所述的接入选择方法时网络的平均负载情况以及接入阻塞率情况，并与已有的基于负载均衡的接入选择算法(北京邮电大学孙卓在《异构无线分组网络中的接入选择机制》一文提出的MLB算法)进行了对比分析，仿真结果如图中所示。

通过仿真结果可以看出，本发明所公开的接入选择方法在网络忙闲时均能够有效地均衡网络的负载，负载均衡效果与MLB算法较为接近，而接入阻塞率相对于MLB算法有所降低。由于在同样的网络负载程度下，更低的接入阻塞率是网络间负载更为均衡的间接体现，所以从本发明所公开的接入选择方法所达到的接入阻塞率情况可以间接看出，本发明所公开的基于模糊神经网络的接入选择方法可以达到相对于MLB算法更为理想的负载均衡效果。

附图说明

下面结合附图对本发明作进一步的说明：

图1是本发明所述的基于模糊神经网络的异构无线网络接入选择方法的结构功能框图；

图2是本发明所述的基于模糊神经网络的异构无线网络接入选择方法中所指的两种异构无线网络——WiMAX和TD-LTE的网络拓扑结构图；

图3是本发明所述的基于模糊神经网络的异构无线网络接入选择方法所采用的RBF(Radial Basis Function，径向基函数)模糊神经网络的结构原理示意图；

图4是本发明所述的基于模糊神经网络的异构无线网络接入选择方法的网络负载情况仿真图；

图5是本发明所述的基于模糊神经网络的异构无线网络接入选择方法的网络接入阻塞率情况仿真图。

具体实施方式

下面结合附图对本发明作详细的描述：

本发明采用了模糊神经网络技术进行异构无线网络的接入选择，该接入选择方法结合了模糊逻辑的强大结构性知识表达能力与神经网络的强大自学习能力，属于智能化的接入选择方法。本发明中采用的模糊神经网络为RBF(Radial Basis Function，径向基函数)模糊神经网络，并将两个网络的接入阻塞率之差作为强化学习算法的输入信号对RBF模糊神经网络的参数进行训练调整。

参阅图2，基于模糊神经网络的异构无线网络接入选择方法的目的在于根据异构无线网络系统的特点，综合考虑多种网络覆盖环境下的网络资源情况，进行智能化的接入选择，以动态适应网络负载程度、均衡网络间负载、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接入选择问题。本发明适用于两种网络重叠覆盖区域，即用户仅有两种网络可供接入选择，如：WiMAX和TD-LTE两种网络。

本发明所述的异构无线网络接入选择方法，可以部署在联合无线资源管理机制中，作为联合无线资源管理的接入选择策略。在异构网络中联合无线资源管理机制为用户进行接入选择之前，需要统计可接入网络的资源利用情况即网络k(k＝1，2)已占用的时频资源单元数m_k和网络k总时频资源单元数M_k，以及用户在网络k中的接收信号强度RSS_k(Received Signal Strength)。在运用本发明所述的接入选择方法时，需要周期性的统计两个网络的接入阻塞率，以结合强化学习算法对RBF模糊神经网络的参数进行调整，接入阻塞率的统计周期以运营商实际可统计的最小时间粒度为准。接收信号强度的门限值TH_R需要根据运营商的运营标准或者实际经验进行人为设定。

参阅图1，基于模糊神经网络的异构无线网络接入选择方法包括预判决和预处理、采用模糊神经网络得到模糊判决因子FSD(Fuzzy Select Decision)阶段和接入判决三个主要(步骤)阶段。首先，通过预判决和预处理减少需要进行后续处理的用户数以降低系统开销，并计算两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P；然后，以D_RSS和D_P作为输入参量采用RBF模糊神经网络，得到模糊判决因子FSD；最后，根据RBF模糊神经网络得到的FSD进行接入判决。

1.预判决和预处理阶段

预判决和预处理阶段首先进行网络可接入性的预判断，当用户测得的在网络k(k＝1，2)中的接收信号强度RSS_k强于门限值TH_R(根据运营商的运营标准或者实际经验人为设定)并且网络k统计到的剩余时频资源可以满足业务的时频资源单元需求时，则认为用户可以接入网络k；若没有网络可以接入，则判决结果为阻塞该用户；若只有一个网络可以接入，则判决结果为将用户接入该网络；若两个网络都可以接入，则通过预处理得到两个网络的接入系数差值D_P和信号强度差值D_RSS，并输入到RBF模糊神经网络中进行处理。

1)本发明定义了两个网络的接入系数P_k，该系数用于量化网络的资源利用情况以指导网络接入选择。两个网络的接入系数P_k由公式(1)计算获得：

$P_k=\frac{m_k}{M_k}---\left(1\right)$

其中m_k为网络k已占用的时频资源单元个数，M_k为网络k总时频资源单元个数。

2)两个网络的接入系数差值D_P由公式(2)计算获得：

D_P＝P₁-P₂                           (2)

3)两个网络的信号强度差值D_RSS由公式(3)计算获得：

D_RSS＝RSS₁-RSS₂                     (3)

2.采用模糊神经网络得到模糊判决因子FSD阶段

参阅图3，采用RBF模糊神经网络，结合信号强度差值D_RSS和接入系数差值D_P两个输入参量，得到模糊判决因子FSD。该阶段主要包括模糊化、模糊推理、解模糊和学习训练四个过程。

1)模糊化过程

模糊化过程将输入的D_P和D_RSS具体数值转化成模糊化语言的形式。本发明中RBF模糊神经网络的输入量为x，由于只有信号强度差值D_RSS和接入系数差值D_P两个输入参量，所以x＝[D_P，D_RSS]。模糊化时，将D_P和D_RSS各自划分为3个模糊子集{正、零、负}，第i个输入变量的第j个模糊子集的隶属度函数μ_ij(i＝1，2；j＝1，2，3)采用高斯函数，如公式(4)所示。

${\mathrm{\μ}}_{\mathrm{ij}}\left(x_i\right)=\exp [-{\left(\frac{x_i-c_{\mathrm{ij}}}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\right)}^2]---\left(4\right)$

其中，x_i、c_ij、σ_ij分别为RBF模糊神经网络输入变量、隶属度函数中心、隶属度函数宽度。

2)模糊推理过程

模糊推理过程根据模糊规则进行逻辑推理。由于两个输入量各自划分为3个模糊子集，所以推理规则需要3×3＝9条规则，每条规则的适应度a_mn(m＝1，2，3；n＝1，2，3)采用极小运算得到，如公式(5)所示。

a_mn＝μ_1m×μ_2n                   (5)

3)解模糊过程

解模糊过程将推理结果转化成模糊判决因子FSD的精确输出量。根据每条规则的适应度a_mn采用加权平均法得到RBF模糊神经网络的输出量模糊判决因子FSD，其计算方法如公式(6)所示。

$\mathrm{FSD}=\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{mn}}{a}_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}---\left(6\right)$

其中，w_mn为输出层的权值，表示各条规则的权重。

4)学习训练过程

学习训练过程周期性的根据误差信号调整RBF模糊神经网络的隶属度函数中心和方差以及输出层的权值，实现对RBF模糊神经网络的控制调节功能。

本发明采用强化学习算法对RBF模糊神经网络中的参数c_ij、σ_ij、w_mn进行学习调整以使均方误差达到最小，并且将两个网络的接入阻塞率之差作为强化学习算法的输入量。

强化学习算法的误差信号如公式(7)所示。

r(t)＝y^*-y(t)                 (7)

其中，t为时间变量，用于表征训练周期的次数，强化学习算法的输入量y(t)为第t训练周期内实际统计得到的两个网络的接入阻塞率之差，y^*为该差值的期望值，本发明中设定y^*＝0，即两个网络的接入阻塞率相等。

均方误差如公式(8)所示。

$E\left(t\right)=\frac{1}{2}{[y^{*}-y\left(t\right)]}^2---\left(8\right)$

在第t个训练周期结束后，本发明采用附加动量项的负梯度法对RBF模糊神经网络参数c_ij、σ_ij、w_mn进行学习调整，得到模糊神经网络在t+1训练周期内参数c_ij、σ_ij、w_mn采用的值，隶属度函数中心c_ij采用公式(9)进行调整。

$c_{\mathrm{ij}}(t+1)=c_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{c}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=1\\ c_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=2\end{array}\right.---\left(9\right)$

隶属度函数宽度σ_ij采用公式(10)进行调整。

${\mathrm{\σ}}_{\mathrm{ij}}(t+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=1\\ {\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=2\end{array}\right.---\left(10\right)$

输出层的权值w_mn采用公式(11)进行调整。

$w_{\mathrm{mn}}(t+1)=w_{\mathrm{mn}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]$

$=w_{\mathrm{mn}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{a_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]---\left(11\right)$

其中，η、α分别为学习因子和动量因子，用来控制参数学习速度。

经过学习后，利用RBF模糊神经网络进行接入判决便可以使可接入网络的接入阻塞率趋于相等，而网络的接入阻塞率接近则表明网络间的负载也趋于均衡。

3.接入判决阶段

在接入判决阶段，根据RBF模糊神经网络的输出控制量模糊判决因子FSD得到接入判决结果。模糊判决因子FSD若小于0.5，则接入网络1；若大于0.5，则接入网络2；若等于0.5，则选择信号强度较强的网络进行接入。

Claims (8)

1.一种基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的基于模糊神经网络的异构无线网络接入选择方法包括如下步骤：

1)预判决和预处理

(1)减少需要进行后续处理的用户数；

(2)计算两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P；

2)采用模糊神经网络得到模糊判决因子FSD

以两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P为输入参量采用RBF模糊神经网络得到模糊判决因子FSD；

3)接入判决

根据模糊判决因子FSD得到接入判决结果：模糊判决因子FSD若小于0.5，则接入网络1；若大于0.5，则接入网络2；若等于0.5，则选择信号强度较强的网络进行接入。

2.按照权利要求1所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的减少需要进行后续处理的用户数是指：

当用户测得的在网络k中的接收信号强度RSS_k强于门限值TH_R，并且网络k统计到的剩余时频资源可以满足业务的时频资源单元需求时，则认为用户可以接入网络k，其中k＝1，2；若没有网络可以接入，则判决结果为阻塞该用户；若只有一个网络可以接入，则判决结果为将用户接入该网络；若两个网络都可以接入，则进入预处理步骤。

3.按照权利要求1所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的两个网络的接入系数差值D_P由

D_P＝P₁-P₂       计算获得；

所述的两个网络的信号强度差值D_RSS由公式

D_RSS＝RSS₁-RSS₂          计算获得；

所述的两个网络的接入系数P_k由公式

$P_k=\frac{m_k}{M_k}$ 计算获得；

其中：m_k为网络k已占用的时频资源单元个数，M_k为网络k总时频资源单元个数，k＝1，2。

4.按照权利要求1所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的采用模糊神经网络得到模糊判决因子FSD包括如下步骤：

1)模糊化过程

模糊化过程将输入的两个网络的接收信号强度差值D_RSS和两个网络的接入系数差值D_P具体数值转化成模糊化语言的形式；

2)模糊推理过程

模糊推理过程根据模糊规则进行逻辑推理；

3)解模糊过程

解模糊过程将推理结果转化成模糊判决因子FSD的精确输出量；

4)学习训练过程

学习训练过程是周期性的根据误差信号调整RBF模糊神经网络的隶属度函数中心和方差以及输出层的权值，实现对RBF模糊神经网络的控制调节功能。

5.按照权利要求4所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的模糊化过程是指：

RBF模糊神经网络的输入量为x，由于只有信号强度差值D_RSS和接入系数差值D_P两个输入参量，所以x＝[D_P，D_RSS]；模糊化时，将接入系数差值D_P和信号强度差值D_RSS各自划分为3个模糊子集{正、零、负}，第i个输入变量的第j个模糊子集的隶属度函数μ_ij(i＝1，2；j＝1，2，3)采用高斯函数，如公式

${\mathrm{\μ}}_{\mathrm{ij}}\left(x_i\right)=\mathrm{ex}[-{\left(\frac{x_i-c_{\mathrm{ij}}}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\right)}^2]$ 所示；

其中，x_i、c_ij、σ_ij分别为输入变量、隶属度函数中心、隶属度函数宽度。

6.按照权利要求4所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的模糊推理过程是指：

由于两个输入量各自划分为3个模糊子集，所以推理规则需要3×3＝9条规则，每条规则的适应度a_mn(m＝1，2，3；n＝1，2，3)采用极小运算得到，如公式

a_mn＝μ_1m×μ_2n     所示。

7.按照权利要求4所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的解模糊过程是指：

根据每条规则的适应度a_mn采用加权平均法得到RBF模糊神经网络的输出量模糊判决因子FSD，其计算方法如公式

$\mathrm{FSD}=\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{mn}}{a}_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}$ 所示；

其中，w_mn为输出层的权值，表示各条规则的权重。

8.按照权利要求4所述的基于模糊神经网络的异构无线网络接入选择方法，其特征在于，所述的学习训练过程是指：

周期性的采用强化学习算法对RBF模糊神经网络中的参数c_ij、σ_ij、w_mn进行学习调整以使均方误差达到最小，并将两个网络的接入阻塞率之差作为强化学习算法的输入量，

强化学习算法的误差信号如公式r(t)＝y^*-y(t)所示；

其中，t为时间变量，用于表征训练周期的次数，强化学习算法的输入量y(t)为第t训练周期内实际统计得到的两个网络的接入阻塞率之差，y^*为该差值的期望值，设定y^*＝0，即两个网络的接入阻塞率相等；

均方误差如公式

$E\left(t\right)=\frac{1}{2}{[y^{*}-y\left(t\right)]}^2$ 所示；

在第t个训练周期结束后，采用附加动量项的负梯度法对RBF模糊神经网络参数c_ij、σ_ij、w_mn进行学习调整，得到模糊神经网络在t+1训练周期内参数c_ij、σ_ij、w_mn采用的值，隶属度函数中心c_ij采用公式

$c_{\mathrm{ij}}(t+1)=c_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂c}_{\mathrm{ij}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{c}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=1\\ c_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2(x_i-c_{\mathrm{ij}})}{{{\mathrm{\σ}}_{\mathrm{ij}}}^2}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[c_{\mathrm{ij}}\left(t\right)-c_{\mathrm{ij}}(t-1)],i=2\end{array}\right.$

进行调整；

隶属度函数宽度σ_ij采用公式

${\mathrm{\σ}}_{\mathrm{ij}}(t+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)]$

$=\left\{\begin{array}{c}{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{jn}}[w_{\mathrm{jn}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=1\\ {\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{{\mathrm{\σ}}_{\mathrm{ij}}}^3}\frac{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mj}}[w_{\mathrm{mj}}-y\left(t\right)]}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[{\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)-{\mathrm{\σ}}_{\mathrm{ij}}(t-1)],i=2\end{array}\right.$

进行调整；

输出层的权值w_mn采用公式

$w_{\mathrm{mn}}(t+1)=w_{\mathrm{mn}}\left(t\right)-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]$

$=w_{\mathrm{mn}}\left(t\right)+\mathrm{\ηr}\left(t\right)\frac{a_{\mathrm{mn}}}{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{a}_{\mathrm{mn}}}+\mathrm{\α}[w_{\mathrm{mn}}\left(t\right)-w_{\mathrm{mn}}(t-1)]$

进行调整；

其中，η、α分别为学习因子和动量因子，用来控制参数学习速度。

Images