CN102149171A - 一种基于融合的异构无线接入网络的网络选择方法及装置 - Google Patents

Abstract

本发明公开了一种基于融合的异构无线接入网络的网络选择方法及装置。在该网络选择方法中，根据网络选择状态信息及异构无线融合网络信息，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，根据各直觉模糊数获得模糊多属性决策矩阵，进而获得规范化决策矩阵。然后，采用所有属性在所有备选网络之间的属性评价值之间的总偏差最大策略获得最优属性权值；采用最优的属性权值向量对规范化决策矩阵进行加权处理，基于可能度对最优加权规范化模糊决策矩阵进行处理，排序得到最优网络。本发明的网络选择方法及装置在不影响网络选择准确性的前提下，提高了网络选择机制的稳定性。

Description

一种基于融合的异构无线接入网络的网络选择方法及装置

技术领域

本发明涉及移动通信中的异构融合网络，尤其涉及一种基于融合的异构无线接入网络的网络选择方法及装置。

背景技术

近年来，用户对业务的服务质量(QoS)和移动性的要求越来越高，各种无线接入技术以各自不同的组网技术特点，为用户提供了不同需求的接入服务。但是，要实现用户在任何时候、任何地方、与任何人以及相关的物体之间进行任何形式的通信，同时保证较好的用户QoS，只靠各种异构接入网络技术是不行的，网络需要实现各种异构无线接入网络的协同工作，才能为用户提供良好的业务连续性和QoS。因此，采用不同类型的无线接入网络构成基于融合的异构无线接入网络成为未来移动通信技术发展的必然趋势。其中，基于融合的异构无线接入网络的网络选择技术在为用户提供异构融合网络业务时起着至关重要的作用。

目前，基于多属性决策机制(MADM)的网络选择是一种广泛应用的网络选择方法，本发明的发明人在研究基于MADM的网络选择策略时，发现目前基于MADM进行网络选择的策略具有以下局限性：

第一，经典的MADM机制，例如基于简单加权法(Simple Additive Weight，SAW)和乘法指数加权法(Multiplicative Weighting Exponent，MEW)的网络选择机制，在标识备选网络的排序时存在准确性不高的问题，特别是当备选网络的属性值之间的区别不是很大时，会使各个备选网络最后的评价计算结果很接近，这样导致很难决定到底选择哪个备选网络会更好；

第二，在多属性决策机制中，需要确定各属性的重要程度，即属性的权值大小，目前确定权值的一般方法是由决策者根据经验主观判断或根据用户需求直接给出或是采用层次分析法(Analytical Hierarchy Process，AHP)的方法确定，这种权值的确定属于一种主观赋权，往往使得决策结果具有较强的主观随意性，不能客观地选择最合适的网络，即权值取值的客观性较差；

第三，当用户处于复杂网络场景下，由于各属性值差别很小导致备选网络容易发生变化，难以避免网络选择时的异常排序问题，使得网络可能发生频繁的切换，难以为用户提供良好的QoS。

发明内容

本发明所要解决的技术问题是提供一种用于融合的异构无线网络、基于MADM的网络选择机制，以克服现有基于MADM的网络选择机制中存在的备选网络排序准确性不高的问题。

为了解决上述技术问题，本发明提供了一种基于融合的异构无线接入网络的网络选择方法，所述方法包括：

与异构融合无线接入网络选择相关的网络设备进行信息交互，以获得与网络选择相关的所有备选网络的属性；

根据所述与网络选择相关的所有备选网络的属性，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，以根据各直觉模糊数获得一模糊多属性决策矩阵；

对所述模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵；

采用基于直觉模糊数的相离度表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差；

采用所述属性权值向量对所述规范化决策矩阵进行所述加权处理，获得加权的规范化模糊决策矩阵；

通过求解对所述规范化决策矩阵进行所述加权处理的情况下所有属性在所有备选网络之间的所述总偏差最大的线性规划问题，得到最优的属性权值向量；

采用所述最优的属性权值向量对所述规范化决策矩阵进行加权处理，获得最优加权规范化模糊决策矩阵；

基于所述最优加权规范化模糊决策矩阵，计算各备选网络的综合属性值和不同备选网络之间的可能度，求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序，根据排序结果获得最优网络。

根据本发明另一方面的方法，其中，采用所述属性权值向量对所述规范化决策矩阵进行所述加权处理，获得加权的规范化模糊决策矩阵的步骤，包括：

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right]=\left[\begin{array}{cccc}{w}_1{r}_{11}& w_2{r}_{12}& ...& w_N{r}_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{i1}& w_2{r}_{i2}& ...& w_N{r}_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{M1}& w_2{r}_{M2}& ...& w_N{r}_{\mathrm{MN}}\end{array}\right];$

其中，Z＝(z_ij)_M×N为加权的规范化模糊决策矩阵，z_ij＝w_jr_ij，r_ij为所述规范化决策矩阵的元素；

w_j为属性权值向量W的元素；

0＜i≤M，M为所有备选网络的总数量；

0＜j≤N，N为所有属性的总数量。

根据本发明另一方面的方法，其中，将所有备选网络的各属性评价值转化为各直觉模糊数的步骤，包括：

采用下述表达式确定所有M个备选网络中第i个备选网络关于属性j的属性评价值a_ij的相对隶属度μ_ij和相对非隶属度v_ij，将所述属性评价值a_ij转化为直觉模糊数的形式α_ij＝(μ_ij，v_ij)：

${\mathrm{\μ}}_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\α}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\δ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$

$v_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\β}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\γ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$

其中，

0＜i≤M，M为所有备选网络的总数量；

0＜j≤N，N为所有属性的总数量；

J和J′分别表示效益型属性和成本型属性，且

第一参数α_j∈[0，1]，第二参数β_j∈[0，1]，第三参数δ_j∈[0，1]以及第四参数γ_j∈[0，1]，并且0≤α_j+β_j≤1，0≤δ_j+γ_j≤1。

根据本发明另一方面的方法，其中，对所述模糊多属性决策矩阵进行所述规范化处理，获得所述规范化决策矩阵的步骤，包括：

采用如下的表达式对所述模糊多属性决策矩阵进行所述规范化处理，获得所述规范化决策矩阵：

当j∈J时， $r_{\mathrm{ij}}^L=\frac{{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}};$

当j∈J′时， $r_{\mathrm{ij}}^L=\frac{1/v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/\mathrm{\μ}}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{1/{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/v}_{\mathrm{ij}}};$

其中，

为规范化之后的直觉模糊数；

R＝(r_ij)_M×N为所述规范化决策矩阵。

根据本发明另一方面的方法，其中，采用基于直觉模糊数的相离度表示属性评价值之间的偏差、得到所有属性在所有备选网络之间的总偏差的步骤，包括：

将对于第j个属性，第i个备选网络与其它所有备选网络的偏差D_ij(w)表示为：

$D_{\mathrm{ij}}\left(w\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_{\mathrm{ij}}-{\mathrm{\α}}_{\mathrm{kj}}\left|\right|w_j=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j;$ 以及

将所有属性在所有备选网络之间的所述总偏差表示为：

$D\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_j\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j.$

根据本发明另一方面的方法，其中，通过求解在采用属性权值对所述规范化决策矩阵进行所述加权处理时，所有属性在所有备选网络之间的总偏差最大的线性规划问题得到最优的属性权值向量W的步骤，包括：

所述线性规划问题如下：

$\max D\left(w\right)s.t.\left\{\begin{array}{c}{w}_j\∈\left[\mathrm{0,1}\right]\\ \underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j=1\end{array}\right.,$

其中，D(w)表示所述总偏差。

根据本发明另一方面的方法，其中，所述属性评价值包括用数值对属性进行描述的定量的评价值，或者用语言对属性进行描述的定性的评价值。

根据本发明另一方面的方法，其中，基于所述最优加权规范化模糊决策矩阵计算各备选网络的综合属性值和不同备选网络之间的可能度、求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序、根据排序结果获得所述最优网络的步骤，包括：

将所述最优加权规范化模糊决策矩阵记为：

$Z_{\max }=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right],$

根据Z_max计算各备选网络的综合属性值为

计算不同备选网络之间的可能度，建立可能度互补矩阵P＝(p_ij)_M×M，其中p_ij＝p(z_i＞z_j)，表示备选网络i优于备选网络j的概率；

求解可能度互补矩阵的排序向量ρ＝{ρ₁，ρ₂，…，ρ_M}，其中

表示第i个备选网络的排序向量值；

对排序向量ρ中的元素进行排序，根据排序结果获得所述最优网络。

根据本发明另一方面的方法，其中，与异构融合无线接入网络选择相关的网络设备进行信息交互、以获得与网络选择相关的所有备选网络的属性的步骤，包括但不限于：

与异构融合接入网络设备进行信息交互，周期性地接收网络状态信息，通过解析该网络状态信息，获得用户当前的网络选择相关状态信息；

与异构融合网络信息服务器和/或异构融合网络无线资源管理设备进行信息交互，获得用户目前所在位置的异构融合无线接入网络信息；

与异构融合网络策略控制相关设备进行信息交互，接收用户的策略控制相关信息，通过解析该策略控制相关信息，获得为用户提供异构融合无线接入时的策略控制信息；以及

根据所述用户当前的网络选择相关状态信息、所述用户目前所在位置的异构融合无线接入网络信息和所述为用户提供异构融合无线接入时的策略控制信息，获得所述与网络选择相关的所有备选网络的属性。

根据本发明又一方面，提供了一种网络选择装置，该网络选择装置包括：

异构融合无线接入网络信息交互模块：完成与异构融合无线接入网络选择相关的网络设备之间的信息交互；

异构融合无线接入网络选择初始信息输入模块：通过与异构融合无线接入网络信息交互模块的信息交互，得到用户的周期性网络状态信息，通过解析本信息得到用户当前的网络选择状态信息；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络信息服务器和/或异构融合网络无线资源管理设备提供的用户目前所在位置的异构融合无线接入网络信息；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络策略控制设备提供的为用户提供异构融合无线接入时的策略控制信息；将用户的网络选择状态信息、异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息作为网络选择时所有备选网络的属性信息输出到基于直觉模糊的信息处理模块中；

基于直觉模糊的信息处理模块：其针对从异构融合无线接入网络选择初始信息输入模块得到的所有备选网络的属性信息进行基于直觉模糊的信息处理。根据所述网络选择状态信息、所述异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，以根据各直觉模糊数获得一模糊多属性决策矩阵，并对所述模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵，采用直觉模糊数的相离度表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差，基于所有属性在所有备选网络之间的总偏差最大的策略对网络选择时的属性权值进行客观赋值，并基于上述赋值结果构造最优加权规范化模糊决策矩阵；

异构融合无线接入网络选择策略模块：本模块用来在基于直觉模糊的信息处理基础上，计算各备选网络的综合属性值和不同备选网络之间的可能度，求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序，根据排序结果获得最优网络，将最优网络作为网络选择的目标接入网络输出至异构融合无线接入网络选择结果输出模块；

异构融合无线接入网络选择结果输出模块：将异构融合无线接入网络选择策略模块得到的目标接入网络结果通知异构融合无线接入网络信息交互模块，由异构融合无线接入网络信息交互模块通知目标无线接入网络的接入设备，完成网络选择后的垂直切换控制过程。

本发明技术方案在基于MADM机制的基础上，提出了一种基于直觉模糊的异构融合无线接入网络选择方法，并给出了一种实现本方法的异构融合无线接入网络选择装置。本发明的技术方案，在基于直觉模糊的信息处理基础上，采用基于备选网络间距离最大的策略对网络选择时的属性权值进行客观赋值，并基于上述赋值结果，计算各个备选网络的可能度，据此结果进行备选网络排序，从中选择最优的备选网络，提高了备选网络排序的准确性。与现有技术相比，本发明的技术方案在保证网络选择准确性的前提下，可以提高网络选择属性赋权时的客观性，有效地提高网络排序时各个网络距离得分值之间的差距，减少网络排序异常，从而提高异构融合网络中网络选择机制的稳定性。

本发明的其它特征和优点将在随后的内容中进行详细阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及说明书附图所记载的内容来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明用于异构融合无线接入网络的网络选择方法实施例的流程示意图；

图2为本发明对异构融合无线接入网络的网络选择方法进行激活的流程示意图；

图3为本发明用于异构融合无线接入网络的网络选择装置实施例的组成示意图；

图4为根据本发明实施例二的基于直觉模糊的信息处理模块结构示意图；

图5为根据本发明实施例二的基于直觉模糊的信息处理流程示意图；

图6为根据本发明实施例二的异构融合无线接入网络选择策略模块的结构示意图；

图7为根据本发明实施例二的异构融合无线接入网络选择策略模块的工作流程示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一、一种基于融合的异构无线接入网络的网络选择方法

图1为本发明用于异构融合无线接入网络的网络选择方法实施例的流程示意图。本实施例主要包括如下步骤：

步骤S110，与异构融合无线接入网络选择相关的网络设备进行信息交互，获得与网络选择相关的各备选网络的属性；

其中所述与异构融合无线接入网络选择相关的网络设备包括但不限于基于融合的异构无线接入网络设备、异构融合网络信息服务器、异构融合网络无线资源管理设备和异构融合网络策略控制相关的设备；其中，

与基于融合的异构无线接入网络设备(基站)进行信息交互，周期性地接收网络状态信息，通过解析该网络状态信息，获得用户当前的网络选择相关状态信息，包括但不限于用户终端的接收信号强度、用户目前的移动速度、用户目前所在位置等。

与异构融合网络信息服务器和/或异构融合网络无线资源管理设备进行信息交互，获得用户目前所在位置的异构融合无线接入网络信息，包括但不限于异构无线接入网络种类、各个异构无线接入网络目前的业务支持能力以及详细的网络参数；

与异构融合网络策略控制相关的设备进行信息交互，接收用户的策略控制相关信息，通过解析该策略控制相关信息，获得为用户提供异构融合无线接入时的策略控制信息；包括但不限于本用户对异构无线接入网络的支持能力、用户支持的业务种类、目前的业务QoS需求和限制、对用户进行QoS控制的策略及其详细参数等信息；

根据用户当前的网络选择相关状态信息、用户目前所在位置的异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息，获得与网络选择相关的所有备选网络的属性。

步骤S120，根据获得的所述与网络选择相关的所有备选网络的属性，将所有备选网络的各属性的属性评价值转化为各直觉模糊数，根据各直觉模糊数获得一模糊多属性决策矩阵。

本步骤中，设a_ij为所有M个备选网络中备选网络i关于属性j的属性评价值，该属性评价值可以是用数值对属性进行描述的定量的评价值，也可以是用语言对属性进行描述的定性的评价值。属性可以是通过静态配置得到的，也可以是通过步骤S110的信息交互动态得到的。由于不同的属性评价值具有不同的物理量纲，因此采用下面的表达式(1)和表达式(2)来确定属性评价值a_ij的相对隶属度μ_ij和相对非隶属度v_ij，将属性评价值a_ij转化为直觉模糊数的形式α_ij＝(μ_ij，ν_ij)：

${\mathrm{\μ}}_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\α}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\δ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$ 式(1)

$v_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\β}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\γ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$ 式(2)

其中，

J和J′分别表示效益型属性和成本型属性，且

第一参数α_j∈[0，1]，第二参数β_j∈[0，1]，第三参数δ_j∈[0，1]，第四参数γ_j∈[0，1]，并且满足0≤α_j+β_j≤1，0≤δ_j+γ_j≤1；

第一参数α_j，第二参数β_j，第三参数δ_j和第四参数γ_j的值由决策者根据实际情况预先选择确定。

显然，

$0\≤{\mathrm{\μ}}_{\mathrm{ij}}+v_{\mathrm{ij}}=({\mathrm{\α}}_j+{\mathrm{\β}}_j)(a_{\mathrm{ij}}/a_j^{\max })\≤1,(j\∈J)$ 式(3)

$0\≤{\mathrm{\μ}}_{\mathrm{ij}}+v_{\mathrm{ij}}=({\mathrm{\δ}}_j+{\mathrm{\γ}}_j){(a}_j^{\min }/a_{\mathrm{ij}})\≤1,(j\∈J^{\′})$ 式(4)

通过上述处理，可以将备选网络i的所有N个属性值用向量表示为(α_i1，α_i2，…，α_iN)＝((μ_i1，v_i1)，(μ_i2，ν_i2)，…，(μ_iN，v_iN))。

于是一个直觉模糊多属性决策问题可以用模糊多属性决策矩阵A形式简洁地表示为A＝(α_ij)_M×N，其中，M为所有备选网络的总数量，N为所有属性的总数量。

步骤S130，对模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵。

由于属性值为区间数，所以在将决策矩阵A转化为规范化矩阵R＝(r_ij)_M×N(其中r_ij为规范化之后的直觉模糊数，即)时，采用的规范化表达式为：

$r_{\mathrm{ij}}^L=\frac{{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}},(j\∈J)$ 式(5)

$r_{\mathrm{ij}}^L=\frac{1/v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/\mathrm{\μ}}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{1/{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/v}_{\mathrm{ij}}},(j\∈J^{\′})$ 式(6)

步骤S140，采用直觉模糊数的相离度来表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差，通过求解在采用属性权值对所述规范化决策矩阵进行所述加权处理情况下所有属性在所有备选网络之间的总偏差最大的线性规划问题得到最优的属性权值向量W；

具体地，由于规范化决策矩阵中的元素是以直觉模糊数形式或实数给出的，难以直接进行比较，本实施例采用直觉模糊数的相离度来表示属性评价值之间的偏差。对于第j个属性，第i个备选网络与其它所有备选网络的偏差D_ij(w)可以表示为：

$D_{\mathrm{ij}}\left(w\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_{\mathrm{ij}}-{\mathrm{\α}}_{\mathrm{kj}}\left|\right|w_j=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j$ 式(7)

那么，对于第j个属性来说，所有备选网络之间的偏差D_j(w)可以表示为

$D_j\left(w\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}\left(w\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j$ 式(8)

相应地，可以得到所有属性在所有的备选网络之间的总偏差D(w)：

$D\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_j\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j$ 式(9)

那么提高网络选择方法辨识度的目标就转化为如何使得总偏差D(w)最大，也即以网络之间的距离最大为优化目标，因此提高辨识度问题可以转化为以下的线性规划问题：

$\max D\left(w\right)s.t.\left\{\begin{array}{c}{w}_j\∈\left[\mathrm{0,1}\right]\\ \underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j=1\end{array}\right.$ 式(10)

通过求解如表达式(10)所示的线性规划问题，即可得到最优的属性权值向量W。

步骤S150，采用所述最优的属性权值向量对所述规范化决策矩阵进行加权处理，获得最优加权规范化模糊决策矩阵。

以下说明采用属性权值向量对规范化决策矩阵进行所述加权处理，获得加权的规范化模糊决策矩阵的处理过程，在该处理中，采用属性的权值向量W对规范化决策矩阵R进行加权处理，得到加权的规范化模糊决策矩阵Z＝(z_ij)_M×N，其中z_ij＝w_jr_ij，即

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right]=\left[\begin{array}{cccc}{w}_1{r}_{11}& w_2{r}_{12}& ...& w_N{r}_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{i1}& w_2{r}_{i2}& ...& w_N{r}_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{M1}& w_2{r}_{M2}& ...& w_N{r}_{\mathrm{MN}}\end{array}\right]$ 式(11)

其中，w_j为权值向量W的元素。

步骤S160，根据最优加权规范化模糊决策矩阵对所有备选网络进行排序，根据排序结果从所有备选网络中选择最优的备选网络。

本步骤中，可以使用经典的MADM排序算法，如SAW，逼近理想解的排序方法(Technique for Order Preference by Similarity to Ideal Solution，TOPSIS)等对所有备选网络进行排序并从中选择最优网络。由于属性值是直觉模糊数，本实施例利用区间数比较的可能度公式来对不同的方案进行排序。将所述最优加权规范化模糊决策矩阵记为：

$Z_{\max }=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right].$

则具体的实现步骤如下所示：

(1)根据加权决策矩阵Z计算备选网络的综合属性值为

(2)计算不同备选网络之间的可能度，建立可能度互补矩阵P＝(p_ij)_M×M，其中p_ij＝p(z_i＞z_j)，表示备选网络i优于备选网络j的概率。

(3)由于可能度互补矩阵P包含了所有备选网络相互比较的全部可能度信息，因此，对所有备选网络进行排序就转化为求解可能度互补矩阵的排序向量ρ＝{ρ₁，ρ₂，…，ρ_M}，其中

表示第i个备选网络的排序向量值。

(4)对排序向量ρ中的元素进行排序，根据排序结果即得到最终的选择结果即最优的备选网络。

本实施例可以将所得到的最优网络输出到相关的异构融合无线接入网络设备，完成异构融合无线接入网络选择之后的垂直切换控制过程。

在基于融合的异构无线接入网络中，对异构融合无线接入网络的网络选择方法可以通过图2所示的流程进行激活，具体包括如下步骤：

步骤S210，异构融合无线接入网络选择设备初始化；

步骤S220，判断异构融合无线接入网络选择设备是否支持本发明所述的异构融合无线接入网络选择功能，支持则转步骤S230，否则转步骤S240；

步骤S230，异构融合无线接入网络选择设备进行基于前述的直觉模糊的无线接入网络选择功能初始化过程，之后结束；

步骤S240，异构融合无线接入网络选择设备进行常规的异构融合无线接入网络选择功能初始化过程，之后结束。

实施例二、一种基于融合的异构无线接入网络的网络选择装置

图3为本发明用于异构融合无线接入网络的网络选择装置实施例的组成示意图，下面参考图3详细说明本发明的各功能模块(单元)。

本装置由异构融合无线接入网络信息交互模块310、异构融合无线接入网络选择初始信息输入模块320、基于直觉模糊的信息处理模块330、异构融合无线接入网络选择策略模块340和异构融合无线接入网络选择结果输出模块350五部分组成。各模块的功能包括：

异构融合无线接入网络信息交互模块310：完成与异构融合无线接入网络选择相关的网络设备之间的信息交互。其中，无线接入网络选择相关的网络设备可以为(包括)异构融合无线接入设备、异构融合网络信息服务器、异构融合网络无线资源管理设备以及与异构融合网络策略控制相关的设备等设备。

异构融合无线接入网络选择初始信息输入模块320：本模块通过与异构融合无线接入网络信息交互模块的信息交互，得到异构融合无线接入网络设备周期性提供的与用户网络选择相关的信息，通过解析得到用户当前的网络选择状态信息，用户的网络选择状态信息包括但不限于用户终端的接收信号强度、用户目前的移动速度、用户目前所在位置等；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络信息服务器和/或异构融合网络无线资源管理设备提供的用户目前所在位置的异构融合无线接入网络信息，包括但不限于异构无线接入网络种类、各个异构无线接入网络目前的业务支持能力以及详细的网络参数；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络策略控制设备提供的为用户提供异构融合无线接入时的策略控制信息，包括但不限于本用户对异构无线接入网络的支持能力、用户支持的业务种类、目前的业务QoS需求和限制、对用户进行QoS控制的策略及其详细参数等信息；将用户的网络选择状态信息、异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息作为网络选择时所有备选网络的属性信息输出到基于直觉模糊的信息处理模块330中。

基于直觉模糊的信息处理模块330：本模块针对异构融合无线接入网络选择初始信息输入模块得到的各种网络选择相关属性信息进行基于直觉模糊的信息处理，以根据所述用户的网络选择状态信息、异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，根据各直觉模糊数获得一模糊多属性决策矩阵，并对所述模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵，采用直觉模糊数的相离度表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差，基于使得所有属性在所有备选网络之间的总偏差最大的策略对网络选择时的属性权值进行客观赋值，并基于上述赋值结果构造最优加权规范化模糊决策矩阵。

异构融合无线接入网络选择策略模块340：本模块用来在基于直觉模糊的信息处理基础上，计算各备选网络的综合属性值和不同备选网络之间的可能度，求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序，根据排序结果获得最优网络，将最优网络作为网络选择的目标接入网络输出至异构融合无线接入网络选择结果输出模块350。

异构融合无线接入网络选择结果输出模块350：将异构融合无线接入网络选择策略模块得到的目标接入网络结果通知异构融合无线接入网络信息交互模块310，由异构融合无线接入网络信息交互模块310通知目标无线接入网络的接入设备，完成异构无线接入网络选择后的垂直切换控制过程。

基于直觉模糊的信息处理模块

基于直觉模糊的信息处理模块可包括网络选择相关属性输入子模块331、网络选择信息到直觉模糊数的转换子模块332、直觉模糊信息规范化子模块333和基于相离度确定属性权值子模块334，见图4。

下面对各个功能模块的功能进行说明：

(1)网络选择相关属性输入子模块331：完成各个备选网络选择相关属性的输入，这些属性可以是定量的属性值，也可以是定性的属性描述。属性可以通过静态配置得到，也可以通过信息交互动态地得到；

(2)网络选择信息到直觉模糊数的转换子模块332：本模块完成网络选择属性信息到直觉模糊数的转换功能；

(3)直觉模糊信息规范化子模块333：本模块将直觉模糊数进行规范化；

(4)基于相离度确定属性权值子模块334：本模块基于相离度的概念，以备选网络之间的距离最大为优化目标进行优化，通过优化求解得到各个属性的最优权值。

基于直觉模糊的信息处理流程见图5。根据本流程，与网络选择相关的静态属性值和/或与网络选择有关的动态属性被输入到基于直觉模糊的信息处理模块，这些属性可以是定量的属性值，也可以是定性的描述性属性。基于直觉模糊的信息处理模块将这些属性按照基于直觉模糊的方法转化为直觉模糊数，并对这些直觉模糊数进行规范化，然后，通过基于相离度的概念，以备选网络之间的距离最大为优化目标求解最优属性权值，最终将属性向量输出到异构融合无线接入网络选择策略模块中。

异构融合无线接入网络选择策略模块

异构融合无线接入网络选择策略模块包括直觉模糊信息输入子模块341和基于可能度求解可能度排序向量子模块342，见图6。

其中，直觉模糊信息输入子模块341完成属性向量的输入以及备选网络综合属性值的计算；基于可能度求解可能度排序向量子模块342完成不同备选网络之间可能度的计算、求解可能度矩阵的排序向量以及对向量中的元素进行排序的功能，并将得到的排序结果输出到异构融合无线接入网络选择结果输出模块350。

根据上述功能模块的组成，异构融合无线接入网络选择策略模块的工作流程见图7。

上述基于直觉模糊的异构融合无线接入网络选择装置属于一个功能实体，它所实现的功能可以放置在目前3GPP在TS23.402中定义的接入网络发现和选择功能(ANDSF)中作为其功能的一部分进行实现，也可以放置在异构融合网络的网关中集成实现。

此外，本领域技术人员本发明实施例一的启示可知，在实施本发明时，可将实施例一中方法的任一步骤作为本实施例中网络选择装置的一个单独模块(单元)或一个模块(单元)的部分功能来实施。

本发明的技术方案基于直觉模糊的多属性决策机制，能够有效地提高网络排序时各个网络距离得分值之间的差距，在保证机制准确性的前提下，能提高网络的辨识度，降低网络选择时的排序异常，同时本网络选择方法采用客观赋权的方法，有效地提高了网络选择机制权值取值时的客观性。

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于融合的异构无线接入网络的网络选择方法，其特征在于，包括：

与异构融合无线接入网络选择相关的网络设备进行信息交互，以获得与网络选择相关的所有备选网络的属性；

根据所述与网络选择相关的所有备选网络的属性，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，以根据各直觉模糊数获得一模糊多属性决策矩阵；

对所述模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵；

采用基于直觉模糊数的相离度表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差；

采用所述属性权值向量对所述规范化决策矩阵进行所述加权处理，获得加权的规范化模糊决策矩阵；

通过求解对所述规范化决策矩阵进行所述加权处理的情况下所有属性在所有备选网络之间的所述总偏差最大的线性规划问题，得到最优的属性权值向量；

采用所述最优的属性权值向量对所述规范化决策矩阵进行加权处理，获得最优加权规范化模糊决策矩阵；

基于所述最优加权规范化模糊决策矩阵，计算各备选网络的综合属性值和不同备选网络之间的可能度，求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序，根据排序结果获得最优网络。

2.根据权利要求1所述的方法，其特征在于，采用所述属性权值向量对所述规范化决策矩阵进行所述加权处理，获得加权的规范化模糊决策矩阵的步骤，包括：

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right]=\left[\begin{array}{cccc}{w}_1{r}_{11}& w_2{r}_{12}& ...& w_N{r}_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{i1}& w_2{r}_{i2}& ...& w_N{r}_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_1{r}_{M1}& w_2{r}_{M2}& ...& w_N{r}_{\mathrm{MN}}\end{array}\right];$

其中，Z＝(z_ij)_M×N为加权的规范化模糊决策矩阵，z_ij＝w_jr_ij，r_ij为所述规范化决策矩阵的元素；

w_j为属性权值向量W的元素；

0＜i≤M，M为所有备选网络的总数量；

0＜j≤N，N为所有属性的总数量。

3.根据权利要求1所述的方法，其特征在于，将所有备选网络的各属性评价值转化为各直觉模糊数的步骤，包括：

采用下述表达式确定所有M个备选网络中第i个备选网络关于属性j的属性评价值a_ij的相对隶属度μ_ij和相对非隶属度v_ij，将所述属性评价值a_ij转化为直觉模糊数的形式α_ij＝(μ_ij，v_ij)：

${\mathrm{\μ}}_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\α}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\δ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$

$v_{\mathrm{ij}}=\left\{\begin{array}{c}{\mathrm{\β}}_j(a_{\mathrm{ij}}/a_j^{\max })(j\∈J)\\ {\mathrm{\γ}}_j(a_j^{\min }/a_{\mathrm{ij}})(j\∈J^{\′})\end{array}\right.$

其中，

0＜i≤M，M为所有备选网络的总数量；

0＜j≤N，N为所有属性的总数量；

J和J′分别表示效益型属性和成本型属性，且

第一参数α_j∈[0，1]，第二参数β_j∈[0，1]，第三参数δ_j∈[0，1]以及第四参数γ_j∈[0，1]，并且0≤α_j+β_j≤1，0≤δ_j+γ_j≤1。

4.根据权利要求3所述的方法，其特征在于，对所述模糊多属性决策矩阵进行所述规范化处理，获得所述规范化决策矩阵的步骤，包括：

采用如下的表达式对所述模糊多属性决策矩阵进行所述规范化处理，获得所述规范化决策矩阵：

当j∈J时， $r_{\mathrm{ij}}^L=\frac{{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}};$

当j∈J′时， $r_{\mathrm{ij}}^L=\frac{1/v_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/\mathrm{\μ}}_{\mathrm{ij}}},$ $r_{\mathrm{ij}}^U=\frac{1/{\mathrm{\μ}}_{\mathrm{ij}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{1/v}_{\mathrm{ij}}};$

其中，

为规范化之后的直觉模糊数；

R＝(r_ij)_M×N为所述规范化决策矩阵。

5.根据权利要求3所述的方法，其特征在于，采用基于直觉模糊数的相离度表示属性评价值之间的偏差、得到所有属性在所有备选网络之间的总偏差的步骤，包括：

将对于第j个属性，第i个备选网络与其它所有备选网络的偏差D_ij(w)表示为：

$D_{\mathrm{ij}}\left(w\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_{\mathrm{ij}}-{\mathrm{\α}}_{\mathrm{kj}}\left|\right|w_j=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j;$ 以及

将所有属性在所有备选网络之间的所述总偏差表示为：

$D\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_j\left(w\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}d({\mathrm{\α}}_{\mathrm{ij}},{\mathrm{\α}}_{\mathrm{kj}})w_j.$

6.根据权利要求2至5中任一项所述的方法，其特征在于，通过求解在采用属性权值对所述规范化决策矩阵进行所述加权处理时，所有属性在所有备选网络之间的总偏差最大的线性规划问题得到最优的属性权值向量W的步骤，包括：

所述线性规划问题如下：

$\max D\left(w\right)s.t.\left\{\begin{array}{c}{w}_j\∈\left[\mathrm{0,1}\right]\\ \underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j=1\end{array}\right.,$

其中，D(w)表示所述总偏差。

7.根据权利要求1至5中任一项所述的方法，其特征在于，所述属性评价值包括用数值对属性进行描述的定量的评价值，或者用语言对属性进行描述的定性的评价值。

8.根据权利要求1至6中任一项所述的方法，其特征在于，基于所述最优加权规范化模糊决策矩阵计算各备选网络的综合属性值和不同备选网络之间的可能度、求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序、根据排序结果获得所述最优网络的步骤，包括：

将所述最优加权规范化模糊决策矩阵记为：

$Z_{\max }=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1N}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{i1}& z_{i2}& ...& z_{\mathrm{iN}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ z_{M1}& z_{M2}& ...& z_{\mathrm{MN}}\end{array}\right],$

根据Z_max计算各备选网络的综合属性值为

计算不同备选网络之间的可能度，建立可能度互补矩阵P＝(p_ij)_M×M，其中p_ij＝p(z_i＞z_j)，表示备选网络i优于备选网络j的概率；

求解可能度互补矩阵的排序向量ρ＝{ρ₁，ρ₂，…，ρ_M}，其中表示第i个备选网络的排序向量值；

对排序向量ρ中的元素进行排序，根据排序结果获得所述最优网络。

9.根据权利要求1至5中任一项所述的方法，其特征在于，与异构融合无线接入网络选择相关的网络设备进行信息交互、以获得与网络选择相关的所有备选网络的属性的步骤，包括但不限于：

与异构融合接入网络设备进行信息交互，周期性地接收网络状态信息，通过解析该网络状态信息，获得用户当前的网络选择相关状态信息；

与异构融合网络信息服务器和/或异构融合网络无线资源管理设备进行信息交互，获得用户目前所在位置的异构融合无线接入网络信息；

与异构融合网络策略控制相关设备进行信息交互，接收用户的策略控制相关信息，通过解析该策略控制相关信息，获得为用户提供异构融合无线接入时的策略控制信息；以及

根据所述用户当前的网络选择相关状态信息、所述用户目前所在位置的异构融合无线接入网络信息和所述为用户提供异构融合无线接入时的策略控制信息，获得所述与网络选择相关的所有备选网络的属性。

10.一种基于融合的异构无线接入网络的网络选择装置，其特征在于，包括：

异构融合无线接入网络信息交互模块：完成与异构融合无线接入网络选择相关的网络设备之间的信息交互；

异构融合无线接入网络选择初始信息输入模块：通过与异构融合无线接入网络信息交互模块的信息交互，得到用户的周期性网络状态信息，通过解析本信息得到用户当前的网络选择状态信息；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络信息服务器和/或异构融合网络无线资源管理设备提供的用户目前所在位置的异构融合无线接入网络信息；通过与异构融合无线接入网络信息交互模块的信息交互，获得异构融合网络策略控制设备提供的为用户提供异构融合无线接入时的策略控制信息；将用户的网络选择状态信息、异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息作为网络选择时所有备选网络的属性信息输出到基于直觉模糊的信息处理模块中；

基于直觉模糊的信息处理模块：其针对从异构融合无线接入网络选择初始信息输入模块得到的所有备选网络的属性信息进行基于直觉模糊的信息处理；

根据所述网络选择状态信息、所述异构融合无线接入网络信息和为用户提供异构融合无线接入时的策略控制信息，将所有备选网络的各属性的属性评价值分别转化为各直觉模糊数，以根据各直觉模糊数获得一模糊多属性决策矩阵，并对所述模糊多属性决策矩阵进行规范化处理，获得一规范化决策矩阵，采用直觉模糊数的相离度表示属性评价值之间的偏差，得到所有属性在所有备选网络之间的总偏差，基于所有属性在所有备选网络之间的总偏差最大的策略对网络选择时的属性权值进行客观赋值，并基于上述赋值结果构造最优加权规范化模糊决策矩阵；

异构融合无线接入网络选择策略模块：本模块用来在基于直觉模糊的信息处理基础上，计算各备选网络的综合属性值和不同备选网络之间的可能度，求解可能度互补矩阵的排序向量，并对排序向量中的元素进行排序，根据排序结果获得最优网络，将最优网络作为网络选择的目标接入网络输出至异构融合无线接入网络选择结果输出模块；

异构融合无线接入网络选择结果输出模块：将异构融合无线接入网络选择策略模块得到的目标接入网络结果通知异构融合无线接入网络信息交互模块，由异构融合无线接入网络信息交互模块通知目标无线接入网络的接入设备，完成网络选择后的垂直切换控制过程。

Images