CN103874132A - 一种基于用户的异构无线网络接入选择方法 - Google Patents

Abstract

本发明涉及一种基于用户的异构无线网络接入选择方法。本发明利用用户对不同业务流通信需求的不同，提取网络、终端和用户参数，基于模糊函数量化参数关键因子，通过层次分析法进行参数比较，得到关键因子的权重。然后再根据接近理想方案的序数偏好算法，结合参数量化值和权重，得到对备选网络参数的贴近度值。利用贴近度值大小对网络的接入进行选择。本发明通过对网络接受信号强度进行采样预评估，减少因选择接入网络接受信号强度衰减引起的呼叫掉线；采用改进的模糊决策量化方法，避免了建立模糊规则库带来的算法复杂性，降低了计算的复杂度；本发明根据用户业务类型有效地接入选择最优的网络，减少了网络阻塞，充分利用了网络资源。

Description

一种基于用户的异构无线网络接入选择方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种异构无线网络接入选择方法。

背景技术

在任何时间、任何地点和任何人接入高质量、高速并且高可靠度的通信已经成为现实。在不同技术和用户应用场景下，针对客户端的无线通信服务即在不同网络环境下（3G/4G，Wi-Fi,WiMAX等）提供满足用户需求的满意服务，单一网络技术在覆盖范围、服务质量、系统容量上的指标不同，任何单一的无线技术无法满足用户的需求，需要在各种无线网络间进行接入选择。接入选择是移动终端在无线网络重叠覆盖区域中，选择合适的网络进行接入，保证用户的服务质量，同时使得整个网络的资源得到有效利用。

这种技术最终实现的是网络的融合，达到资源的高效利用。用户的需求和应用要求是实现网络技术融合的驱动力。

通常情况下，移动终端处于多网络覆盖区域时，用户需要在多决策因素下做出选择。不同的应用对网络服务质量要求不同，不同的地理位置需求不同，不同的网络价格、网络安全都影响用户的需求。现实生活中，移动终端可能同时运行着多个业务，如何对每个业务都能够获得最优的网络服务是基于用户选择网络的最终目的。

例如，在封闭场所运行语音业务的同时，用户需要下载文件，就可以使用2G网络来进行通话，使用WiFi网络来下载文件。又比如是在开放场地上运行视频会议的同时，需要更新软件，就可以选择3G/4G来承载视频会议，当有WiFi网络信号时再进行软件升级，避免资费的浪费同时又避开和视频会议冲突。

目前，大多数异构网络接入选择方法主要基于网络的层面上，存在以下缺陷：

（1）未重视用户业务类型对服务质量的不同需求，一些方法采用简单的属性参数判决方法，缺少对系统全局信息的整体控制，不能完整动态地反应网络实时环境，导致网络资源的浪费。

（2）不同网络之间的负载不均衡，分布式的接入选择导致大量用户集中，导致网络阻塞和乒乓效应。

发明内容

本发明针对用户在不同应用场景下的实际需求，基于经典的多属性决策算法理论，综合考虑因素包括网络性能、用户信息和以不同通信场景应用需求为前提的业务类型，基于模糊层次分析将关键因子进行量化，确定网络参数权重值，使用目标决策函数将不同备选网络的参数值和测量权重的方法有效结合起来，得到备选网络贴近度值，选择接入贴近度值最大的网络。从而不仅可以有效减少网络资源的浪费，而且达到改善网络资源的负载均衡，从而实现用户满意度最大化。

一种基于用户业务需求的异构无线网络接入选择方法，包括：

第1步，获取系统参数。参数的采集来自网络、终端和用户三个方面。

网络相关的参数一部分由终端的网络接口进行监测和采集，另一部分由网络相应实体采集，并通过广播消息周期性地通知移动终端。获取的参数包括网络服务质量信息（延时、抖动、丢包率和吞吐量）、网络负载、网络价格和网络的安全性。

移动终端的相关参数主要是指终端的移动速度和位置。主要由终端自身采集。

用户决定的业务类型参数来自上层不同应用对服务质量提出的相应要求。3GPP将业务类型划分为四类：会话式、流媒体式、交互式和背景式。

第2步，预测备选网络接受信号强度值。网络集合为用户能够检测到的备选接入网络。为了避免有些接入网络信号质量太低，或者负载过高无法接入，将网络信号强度采样值，利用灰色预测分析法得到信号预测值，判定是否可接入。

第3步，完成接受信号强度的评估后，进行网络、移动终端和用户决策参数的评估。

属性的取值信息由用户终端的网络接口和检测模块进行采样、测量或者估计，作为接入选择的输入，收集并整理好信息是实现准确无缝切换的重要前提，也是实现无线异构网络整体功能效用最大化的关键。

第4步，构建参数决策矩阵，进行量化、归一化。接入选择矩阵A表示N个不同接入网络在M个决策属性下的取值，即决策矩阵：

$A={\left(a_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1M}\\ a_{21}& a_{22}& ...& a_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{N1}& a_{N2}& ...& a_{\mathrm{NM}}\end{array}\right]$

基于每个业务类型的选网，综合考虑六个属性，这些不同的属性在量纲、单位上各不相同，需要对属性值进行去量纲化（标准化、归一化）。对决策矩阵利用模糊量化决策算法完成去量纲化，该算法包括三个步骤：模糊化、模糊推理和解模糊。

决策矩阵A量化为D表示N个不同接入网络在M个决策属性下的量化值。

$D={\left(d_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1M}\\ d_{21}& d_{22}& ...& d_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{N1}& d_{N2}& ...& d_{\mathrm{NM}}\end{array}\right]$

第5步，利用层次分析法，将系统参数分层，得到决策矩阵的权重值。将参数目标分层设计，六个决策属性作为第一层指标，第二层指标是针对不同的业务类型服务质量需求，包括延时、抖动、丢包率和吞吐量。定义决策属性矩阵后，考虑不同属性之间的权重系数，体现不同属性对网络选择的重要程度，用权重向量W表示不同属性的权重指，表达式为：

其中

M为候选网络的决策属性个数，M＝9。

构建第一、二层标准的层次分析法矩阵， $w^p={\left[w_{\mathrm{ij}}\right]}_{n\×n}^p=\left[\begin{array}{cccc}{w}_{11}^p& w_{12}^p& ...& w_{1n}^p\\ w_{21}^p& w_{22}^p& ...& w_{2n}^p\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ w_{n1}^p& w_{n2}^p& ...& w_{\mathrm{nn}}^p\end{array}\right],$ w_ij是第一、二层目标值w_i与w_j的两两比较值。第一层标准的个数，n＝6，第二层标准的个数，n＝4。

采用1～9评价指标代表目标值w_i与w_j的相对权重，数值越大说明前者比后者重要。如表1所示。

表11～9评价指标各权重值定义

目标值的相对权重	定义	说明
			1	同等重要	两个权重值相比，两个具有同样贡献
3	稍微重要	两个权重值相比，一个比另一个稍微重要
			5	重要	两个权重值相比，一个比另一个重要
7	明显重要	两个权重值相比，一个比另一个明显重要
			9	非常重要	两个权重值相比，一个比另一个非常重要
2，4，6，8	中间重要性	中间状态对应的标度值

第6步，对相对权重值进行汇总、转置。首先对每一列求和，每一列的和作商，用相对权重值去除以列和。再对每一行求和。

将每一行的求和除以指标数量，得到权重比例。

归一化权重向量，得到的各属性值的权重：

$W={(w_1,w_2,...w_M)}^T=(\frac{w_1}{{\mathrm{\Σ}}_{t=1}^M{w}_i},\frac{w_2}{{\mathrm{\Σ}}_{t=1}^M{w}_i},...\frac{w_M}{{\mathrm{\Σ}}_{t=1}^M{w}_i}).$

第7步，根据决策因素的权重值，结合网络决策参数量化值，利用接近理想方案的序数偏好算法选择最佳网络接入。

第8步，根据贴近度C_i的值按从小到大的顺序对各评价目标进行排列。贴近度越大，该目标越优，值最大的为最优评价目标，即最佳接入网络。

与现有技术相比，本发明具有以下优点：

本发明提供的接入选择方法适用于用户同时运行多个业务流的情况，在异构无线网络环境下，网络的选择必须满足用户需求，并使其满意度达到最大值。经由上述的技术方案可知，与现有技术相比，本技术公开了一种基于用户的异构无线网络接入选择方法，利用用户对不同业务流通信需求的不同，提取网络、终端和用户参数，基于模糊函数量化参数关键因子，通过层次分析法进行参数比较，得到关键因子的权重。然后再根据接近理想方案的序数偏好算法，结合参数量化值和权重，得到对备选网络参数的贴近度值。利用贴近度值大小对网络的接入进行选择。

（1）通过本发明的灰色预测接受信号强度方法，对网络接受信号强度进行采样预评估，减少因选择接入网络接受信号强度衰减引起的呼叫掉线，使得网络接入更加高效、准确。

（2）通过本发明改进的模糊决策量化方法，避免了建立模糊规则库带来的算法复杂性，降低了计算的复杂度。

（3）通过本发明的网络接入选择方法，用户的每个业务都能接入到最优的网络中，充分利用了网络资源，同时对网络负载起到很好的平衡作用，当大量业务同时接入到同一网络时，将导致网络间负载不均衡，根据用户业务类型有效地接入选择最优的网络，减少网络阻塞，更好地保证连接性和服务质量性，从而达到更高用户满意水平。

附图说明

图1为本发明实施例中的关键参数分层图；

图2为本发明实施例中的通信场景图；

图3为本发明实施例的选择流程图。

具体实施方式

本发明公开了一种异构无线网络的接入选择方法，适用于用户有多个业务流需要接入选择的情况，首先利用移动终端、网络和用户收集信息，根据网络接受信号强度的采样值得到异构无线网络接受信号强度预测值，作为接入选择的初判值，当用户某一业务的接受信号强度预测值下降时，该业务就需要接入新的网络；依据用户业务类型的通信需求，基于模糊分析方法将参数值进行量化，利用层次分析法，将参数划分为两层，分层确定参数权重值；利用逼近理想方案的序数偏好算法将数值进行分析，得到备选网络的贴近度值，整个系统执行选择接入贴近度最高的无线网络。下面对本发明的方法将进行详细说明。

本发明适用于多种异构无线网络覆盖的区域，其通信场景见图1，用户实现接入选择的网络包括WLAN网络、WWAN网络和WMAN网络。

图2是本发明实施例的流程图，具体包括：

步骤1：采样收集系统参数。

综合各因素对接入选择的影响，选取参数涵盖网络、移动终端和用户，选取四种用户业务类型作为接入选择网络的触发点，包括会话式、流媒体式、交互式和背景式。用户多种业务选择不同异构无线网络运行是本发明的实施目标。基于用户的业务类型确定网络通信服务质量要求，根据移动终端来定位速率和位置，收集网络参数包括接受信号强度、价格和安全。

步骤2：进行网络预评估。

当用户发起新的业务或当前网络的服务质量不能满足业务需要时，对备选网络进行接入的预评估，根据灰色预测公式，得到网络接受信号强度的预测值，通过预测值进行信号强度是否衰减的预评估，对将可能发生网络接入起到降低呼叫掉线率的作用。

收集n个接受信号强度的采样值，使用灰色预测分析方法，使用

估计公式对接受信号强度进行预测，其中a为发展灰数，b为内生控制灰数，用最小二乘法求生成序列的参数a和b。得到预测信号强度值，检测网络是否处于强度衰减，作为接入选择指标之一。

步骤3：触发网络选择。

当用户发起一个新业务或着当前业务的网络服务质量不能满足需要时，该业务请求进行网络接入选择。

需要考虑的决策属性集合为：ATTR＝{attr₁,attr₂,…,attr_m}

选网需要考虑的因素主要为六个：预测的信号强度（R）、服务质量（Q）、移动速率（v）、网络负载（L）、安全（S）和价格（C），即：ATTR＝{R,Q,v,L,S,C}

3GPP将业务类型划分为四类：会话式、流媒体式、交互式和背景式。其中，表2为四种业务类型的参数说明，网络选择的判决条件基于网络服务质量，体现为延时D、抖动J、丢包率PLR和吞吐量T。

表2四种业务类型参数说明

步骤4：量化关键参数。

对获取参数进行模糊决策量化，将不同量纲的参数信息利用模糊决策算法用具体的数值定量化、规范化，将参数的值归一化到[0,1]的范围内。

接入选择矩阵A表示N个不同接入网络在M个决策属性下的取值，即决策矩阵：

$A={\left(a_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1M}\\ a_{21}& a_{22}& ...& a_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{N1}& a_{N2}& ...& a_{\mathrm{NM}}\end{array}\right]$

基于每个业务类型的选网，综合考虑六个属性，这些不同的属性在量纲、单位上各不相同，需要对属性值进行去量纲化（标准化、归一化）。对决策矩阵利用模糊量化决策算法完成去量纲化，算法包括三个步骤：模糊化、模糊推理和解模糊。

步骤4.1，模糊化。

隶属函数为6个模糊集：非常低（VL）、低（L）、中等（M）、高（H）、非常高（VH）和特别高（E），隶属度表示为：μ_c＝[μ_VL,μ_L,μ_M,μ_H,μ_VH,μ_E]。将属性的参数采样后，确定最大最小值，利用等间距的原则进行划分，根据采样当前值来确定其隶属度。

步骤4.2，模糊推理。

传统的模糊推理是建立模糊推理规则库，规则库是一组语言控制规则，即一系列以IF-THEN形式表示的模糊条件判断语句，为了避免规则库的规模过大，本发明采用建立量化系数的方法来反映各模糊集的重要程度，表示为Q_c＝[Q_VL,Q_L,Q_M,Q_H,Q_VH,Q_E]，根据经验选取各准则参量的固定量化系数，正指标类要求数值越大越好，如接受信号强度、服务质量和网络安全，取Q_c＝[0,0.2,0.4,0.6,0.8,1.0]，逆指标类要求数值越小越好，如网络负载和价格，取Q_c＝[1.0,0.8,0.6,0.4,0.2,0]。

步骤4.3，解模糊化。

对于某一候选网络i，各决策属性参量的量化评价值可以得到为：

决策矩阵量化为D表示N个不同接入网络在M个决策属性下的量化值。

$D={\left(d_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1M}\\ d_{21}& d_{22}& ...& d_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{N1}& d_{N2}& ...& d_{\mathrm{NM}}\end{array}\right]$

步骤5：计算第一层参数权重。

在备选网络中，选择接入参数，包括：接受信号强度、服务质量、移动终端速率、位置、价格和安全，利用层次分析法，两两比较，获得第一层参数的权重值。

用户运行多个业务时选择网络接入，会话式业务类型的服务质量对抖动和吞吐量参数要求较高；流媒体类型重要参数是延时和丢包率；交互类型重要参数是延时和抖动；背景类型重要参数为丢包率。基于用户业务类型的接入选择，以业务类型为对象，对每个业务单独进行网络选择，保证网络资源的合理高效利用。当终端在多网络覆盖区域，就根据其自身的服务质量需求，可以选择不同的合适的目标网络。

表3为第一层参数基于层次分析法得到的决策矩阵。表中内容为参数两两比较得到的数值和计算的权重值。

表3第一层参数基于层次分析法得到的决策矩阵

参数值	信号强度	服务质量	速率	网络负载	安全	价格	参数权重
								信号强度	1	1	3	4	5	7	0.323701
服务质量	1	1	3	4	5	7	0.323701
								速率	1/3	1/3	1	2	3	5	0.146228
网络负载	1/4	1/4	1/2	1	3	5	0.111911
								安全	1/5	1/5	1/3	1/3	1	3	0.061988
价格	1/7	1/7	1/5	1/5	1/3	1	0.03247

步骤6：计算第二层参数权重。

基于用户业务类型的不同通信需求，对服务质量的参数进行第二层权重计算，包括延时、抖动、吞吐量和丢包率。利用层次分析法，两两比较，获得参数的权重值。如表4～7所示。

表4第二层服务质量参数基于会话式业务的层次分析值和权重值

参数值	延时	抖动	丢包率	吞吐量	权重值
						延时	1	1	3	7	0.395
抖动	1	1	3	7	0.395
						丢包率	1/3	1/3	1	5	0.1626
吞吐量	1/7	1/7	1/5	1	0.0474

表5第二层服务质量参数基于交互式业务的层次分析值和权重值

参数值	延时	抖动	丢包率	吞吐量	权重值
						延时	1	7	1/2	3	0.312
抖动	1/7	1	1/8	1/3	0.0487
						丢包率	2	8	1	5	0.1626
吞吐量	1/3	3	1/5	1	0.0474

表6第二层服务质量参数基于背景式业务的层次分析值和权重值

参数值	延时	抖动	丢包率	吞吐量	权重值
						延时	1	1	1/5	1/9	0.0597
抖动	1	1	1/5	1/9	0.0597
						丢包率	5	5	1	3	0.616
吞吐量	9	9	1/3	1	0.2646

表7第二层服务质量参数基于流媒体式业务的层次分析值和权重值

参数值	延时	抖动	丢包率	吞吐量	权重值
						延时	1	1/5	1/6	1/7	0.0501
抖动	5	1	1/2	1/2.5	0.1902
						丢包率	6	2	1	1/2	0.2971
吞吐量	7	2.5	2	1	0.4626

表4～7得到的权重值与业务类型的不同通信需求相符合，反应了用户在面临多业务流多备选网络选择的服务质量要求。

步骤7：计算备选网络贴近度。

构建备选网络的加权决策矩阵，计算相应的贴近度值。

利用接近理想方案的序数偏好算法选择最佳网络接入。算法核心思想是先假设一个正理想解方案和一个负理想解方案，确定各个备选方案与正、负理想方案的距离，最优的理想方案应该离正理想解距离最近且离负理想解最远。其中的距离为加权后的欧几里得距离。

步骤7.1，对决策矩阵D进行规范化处理，得到：

$r_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{\sqrt{{\mathrm{\Σ}}_{i=1}^m{d}_{\mathrm{ij}}^2}},i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,N$

步骤7.2，建立关于权重的规范化矩阵。

权重的规范化矩阵v_ij为：

v_ij＝w_jr_ij，i＝1,2,…,m，j＝1,2,…,N

其中，w_j是第j个指标的权重。

根据权重规格化值v_ij来确定正理想解A⁺和负理想解A^-。

$A^{+}=(v_1^{+},v_2^{+},...,v_N^{+})=\{\left({\max }_i{v}_{\mathrm{ij}}\right|j\∈C_B),\left({\min }_i{v}_{\mathrm{ij}}\right|j\∈C_C)\}$

$A^{-}=(v_1^{-},v_2^{-},...,v_N^{-})=\{\left({\min }_i{v}_{\mathrm{ij}}\right|j\∈C_B),\left({\max }_i{v}_{\mathrm{ij}}\right|j\∈C_C)\}$

其中，C_B代表正指标类参数，C_C代表逆指标类参数。

步骤7.3，通过N维欧几里得距离来计算每个目标参数到正理想解和负理想解的距离。

目标参数到正理想解的距离为

到负理想解的距离为

$\begin{array}{cc}{S}_i^{+}=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_i^{+})}^2}& S_i^{-}=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_i^{-})}^2}\end{array}i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,N$

步骤7.4，计算与理想解的贴近度：

$C_i=\frac{S_i^{-}}{S_i^{-}+S_i^{+}},i=\mathrm{1,2},...,m$

式中，0≤C_i≤1。当C_i＝0时，表明该目标为最劣目标；当C_i＝1时，表明该目标为最优目标。

步骤8：接入选择网络。

比较贴近度值，选择贴近度最大的网络进行接入。

步骤9：选择下一个业务进行接入选择。

综上所述，本发明提供了基于用户的异构无线网络接入选择方法的详细说明，实施例的说明用于帮助理解本发明的核心思想，说明了在用户面临多业务流备选网络选择的前提下，充分考虑用户业务需求的多样性，能够有效地进行满意网络选择；硬件实现简单，成本低，避免复杂计算引起的硬件资源浪费；经实验结果分析统计，在实施例通信应用场景中，对于谈话式业务，根据其服务质量需求，低速移动终端接入选择无线局域网WLAN的连接率为98％，中速情况下选择无线城域网WMAN为61％，高速情况下倾向于选择无线广域网WWAN。使用本发明的对不同接入网络排序方法，避免了现有技术无论移动终端低速或高速运行，用户业务单一选择网络，更好地保证网络连接性和服务质量性，从而达到更高用户满意水平。

本发明实施例描述的方法可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (2)

1.一种基于用户的异构无线网络接入选择方法，其特征在于，包括以下步骤：

步骤1：采样收集系统参数；

综合各因素对接入选择的影响，选取参数涵盖网络、移动终端和用户，选取四种用户业务类型作为接入选择网络的触发点，包括会话式、流媒体式、交互式和背景式；用户多种业务选择不同异构无线网络运行是本发明的实施目标；基于用户的业务类型确定网络通信服务质量要求，根据移动终端来定位速率和位置，收集网络参数包括接受信号强度、价格和安全；

步骤2：进行网络预评估；

当用户发起新的业务或当前网络的服务质量不能满足业务需要时，对备选网络进行接入的预评估，根据灰色预测公式，得到网络接受信号强度的预测值，通过预测值进行信号强度是否衰减的预评估，对将可能发生网络接入起到降低呼叫掉线率的作用；灰色预测公式为：

$\widetilde{x^{\left(0\right)}}(n+1)=[x^{\left(0\right)}\left(1\right)-\frac{b}{a}]e^{-\mathrm{an}}(1-e^a)$

其中，a为发展灰数，b为内生控制灰数，用最小二乘法求生成序列的参数a和b；

步骤3：触发网络选择；

当用户发起一个新业务或着当前业务的网络服务质量不能满足需要时，该业务请求进行网络接入选择；

需要考虑的决策属性集合为：ATTR＝{attr₁,attr₂,…,attr_m}；

选网需要考虑的因素主要为六个：预测的信号强度R、服务质量Q、移动速率v、网络负载L、安全S和价格C，即：ATTR＝{R,Q,v,L,S,C}；

3GPP将业务类型划分为四类：会话式、流媒体式、交互式和背景式；网络选择的判决条件基于网络服务质量，体现为延时、抖动、丢包率和吞吐量；

步骤4：量化关键参数；

对获取参数进行模糊决策量化，将不同量纲的参数信息利用模糊决策算法用具体的数值定量化、规范化，将参数的值归一化到[0,1]的范围内；

接入选择矩阵A表示N个不同接入网络在M个决策属性下的取值，即决策矩阵：

$A={\left(a_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1M}\\ a_{21}& a_{22}& ...& a_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{N1}& a_{N2}& ...& a_{\mathrm{NM}}\end{array}\right]$

基于每个业务类型的选网，综合考虑六个属性，这些不同的属性在量纲、单位上各不相同，需要对属性值进行去量纲化，即标准化和归一化；对决策矩阵利用模糊量化决策算法完成去量纲化，算法包括三个步骤：模糊化、模糊推理和解模糊；具体方法如下：

步骤4.1，模糊化；

隶属函数为6个模糊集：非常低VL、低L、中等M、高H、非常高VH和特别高E，隶属度表示为：μ_c＝[μ_VL,μ_L,μ_M,μ_H,μ_VH,μ_E]；将属性的参数采样后，确定最大最小值，利用等间距的原则进行划分，根据采样当前值来确定其隶属度；

步骤4.2，模糊推理；

传统的模糊推理是建立模糊推理规则库，规则库是一组语言控制规则，即一系列以IF-THEN形式表示的模糊条件判断语句，为了避免规则库的规模过大，采用建立量化系数的方法来反映各模糊集的重要程度，表示为Q_c＝[Q_VL,Q_L,Q_M,Q_H,Q_VH,Q_E]，根据经验选取各准则参量的固定量化系数，正指标类要求数值越大越好，如接受信号强度、服务质量和网络安全，取Q_c＝[0,0.2,0.4,0.6,0.8,1.0]，逆指标类要求数值越小越好，如网络负载和价格，取Q_c＝[1.0,0.8,0.6,0.4,0.2,0]；

步骤4.3，解模糊化；

对于某一候选网络i，各决策属性参量的量化评价值可以得到为：

决策矩阵量化为D表示N个不同接入网络在M个决策属性下的量化值，表达式为：

$D={\left(d_{\mathrm{nm}}\right)}_{N\×M}=\left[\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1M}\\ d_{21}& d_{22}& ...& d_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{N1}& d_{N2}& ...& d_{\mathrm{NM}}\end{array}\right]$

步骤5：计算第一层参数权重；

在备选网络中，选择接入参数，包括：接受信号强度、服务质量、移动终端速率、位置、价格和安全，利用层次分析法，两两比较，获得第一层参数的权重值；

用户运行多个业务时选择网络接入，会话式业务类型的服务质量对抖动和吞吐量参数要求较高；流媒体类型重要参数是延时和丢包率；交互类型重要参数是延时和抖动；背景类型重要参数为丢包率；基于用户业务类型的接入选择，以业务类型为对象，对每个业务单独进行网络选择，保证网络资源的合理高效利用；当终端在多网络覆盖区域时，根据其自身的服务质量需求，选择不同的合适的目标网络；

步骤6：计算第二层参数权重；

基于用户业务类型的不同通信需求，对服务质量的参数进行第二层权重计算，包括延时、抖动、吞吐量和丢包率；利用层次分析法，两两比较，获得参数的权重值；

权重值与业务类型的不同通信需求相符合，反应了用户在面临多业务流多备选网络选择的服务质量要求；

步骤7：计算备选网络贴近度；

构建备选网络的加权决策矩阵，计算相应的贴近度值；

利用接近理想方案的序数偏好算法选择最佳网络接入；先假设一个正理想解方案和一个负理想解方案，确定各个备选方案与正、负理想方案的距离，最优的理想方案应该离正理想解距离最近且离负理想解最远；其中的距离为加权后的欧几里得距离；

步骤8：接入选择网络；

比较贴近度值，选择贴近度最大的网络进行接入；

步骤9：选择下一个业务进行接入选择。

2.根据权利要求1所述的一种基于用户的异构无线网络接入选择方法，其特征在于，所述步骤7计算备选网络贴近度的方法还包括以下步骤：

步骤7.1，对决策矩阵D进行规范化处理，得到：

$r_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{\sqrt{{\mathrm{\Σ}}_{i=1}^m{d}_{\mathrm{ij}}^2}},i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,N$

步骤7.2，建立关于权重的规范化矩阵；

权重的规范化矩阵v_ij为：

v_ij＝w_jr_ij，i＝1,2,…,m，j＝1,2,…,N

其中，w_j是第j个指标的权重；

根据权重规格化值v_ij来确定正理想解A⁺和负理想解A^-；

$A^{+}=(v_1^{+},v_2^{+},...,v_N^{+})=\{\left({\max }_i{v}_{\mathrm{ij}}\right|j\∈C_B),\left({\min }_i{v}_{\mathrm{ij}}\right|j\∈C_C)\}$

$A^{-}=(v_1^{-},v_2^{-},...,v_N^{-})=\{\left({\min }_i{v}_{\mathrm{ij}}\right|j\∈C_B),\left({\max }_i{v}_{\mathrm{ij}}\right|j\∈C_C)\}$

其中，C_B代表正指标类参数，C_C代表逆指标类参数；

步骤7.3，通过N维欧几里得距离来计算每个目标参数到正理想解和负理想解的距离；

目标参数到正理想解的距离为

到负理想解的距离为

$\begin{array}{cc}{S}_i^{+}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_i^{+})}^2}& S_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_i^{-})}^2}\end{array}i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,N$

步骤7.4，计算与理想解的贴近度：

$C_i=\frac{S_i^{-}}{S_i^{-}+S_i^{+}},i=\mathrm{1,2},...,m$

式中，0≤C_i≤1；当C_i＝0时，表明该目标为最劣目标；当C_i＝1时，表明该目标为最优目标。

Images