CN110996366B - 一种异构专用网络垂直切换中权重确定方法 - Google Patents

Abstract

本发明公开了一种异构专用网络垂直切换中权重确定方法。所述权重确定方法分为主观权重的建立、客观权重的建立和主客观计算综合权重，所述主观权重的建立基于三角模糊数，所述客观权重的建立基于粗糙集理论，所述主客观计算综合权重时主观权重与客观权重各占50％，即得到在异构网络中各个属性指标对应的综合权重值。采用主客观权重结合的方法，可以从两个方面找到决定垂直切换的各属性的权重，为警用专网PDT和B‑TrunC的垂直切换时机提供参考。

Description

一种异构专用网络垂直切换中权重确定方法

技术领域

本发明属于公安异构专用网络垂直切换技术领域；具体涉及一种异构专用网络垂直切换中权重确定方法。

背景技术

近年来，在技术和业务的双重驱动下，国内外公共安全行业移动信息化无论从政策支持、技术演进还是实际应用方面都取得了显著的成效。警用数字集群(Police DigitalTrunking,PDT)标准作为具有中国自主知识产权的集群通信标准，在公安、消防等专用网络中发挥了重要的作用。它能在地震、火灾、社会治安等紧急事件发生时，保证终端迅速接入公安的调度平台中，实现灵活组网、高效率指挥调度、高质量语音及数据传输等功能。但随着用户需求的增加，传统的窄带业务由于其带宽的限制难以满足复杂情况下可视化的应用场景要求。因此，基于LTE技术的宽带集群通信(Broadband Trunking Communication,B-TrunC)应运而生，B-TrunC除了传输语音业务外，还可以传输图像、视频等业务，保证公安机关可以在调度平台实时掌握事发现场的综合信息，更合理地部署警力。在PDT和B-TrunC两种异构网络间进行切换时，会受到业务带宽、信号强度、时延、抖动、丢包率、网络负载、安全等级、服务质量等多种属性的影响，如何确定各种属性在各项业务中所占的权重，并以此作为量化指标，确定网络切换的时机，是十分重要的。

异构网络间的垂直切换技术一直是一项很热门的话题，其实现方向有很多种方法，当前绝大多数的方法都是直接利用接收信号强度(Received Signal Strength,RSS)这种单一属性来作为指标的，采用这一方法的鲁棒性较低，当信号接收强度较高但带宽资源不足时，很容易造成误判，切换到一个信号强但传输速率很慢的网络，造成视频传输的延迟。对于多属性决策，一般采用层次分析法(Analytic Hierarchy Process,AHP)来评价相对权重，这种方法是根据专家的主观判断对各属性进行评价，给出相对分数并进行计算，得出相对权重，由于各专家对属性指标的评价标准不同，很容易收到极差较大的影响，且缺乏客观数据，带有的主观色彩较重。

发明内容

主观权重法是同样是根据专家的经验对属性指标进行评估得到的权重，但与AHP不同的是，建立评价矩阵时采用最大值、最小值和平均值三个指标，使专家的评价更具有权威性。而客观权重法则是利用历史数据对属性指标进行总结，找出与决策属性的关系，进而获得权重。采用主客观权重结合的方法，可以从两个方面找到决定垂直切换的各属性的权重，为警用专网PDT和B-TrunC的垂直切换时机提供参考。

本发明通过以下技术方案实现：

一种异构专用网络垂直切换中权重确定方法，所述权重确定方法分为主观权重的建立、客观权重的建立和主客观综合计算权重，所述主观权重的建立基于三角模糊数，所述客观权重的建立基于粗糙集理论，所述主客观计算综合权重时主观权重与客观权重各占50％，即得到在异构网络中各个属性指标对应的综合权重值；

所述主观权重的建立包括以下步骤：

步骤S101：专家们根据经验和不同业务，对影响网络切换的各属性指标间的重要程度进行打分，每人得到一个判决矩阵；

步骤S102：将专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数：

步骤S103：根据三角模糊数来确定各属性间的重要程度；

步骤S104：对模糊矩阵进行对齐变换计算各属性指标的主观权重值；

所述客观权重的建立包括以下步骤：

步骤S201：首先将所有的属性指标分为条件属性集和决策属性集，并建立多属性决策矩阵；

步骤S202：对于正向指标和负向指标，分别进行归一化；

步骤S203：计算各条件属性对决策属性的依赖度，并据此计算其重要程度；

步骤S204：根据重要程度，计算各属性指标的客观权重值。

进一步的，所述步骤S101具体为：影响异构网络的属性指标有业务带宽、信号强度、时延、抖动、丢包率和服务质量，对于选择的n个属性指标{a₁,a₂,...,a_n}，让K名专家对各个属性进行两两对比，即得到n×n的判决矩阵A：

其中，k是专家的编号，k＝1,2,...,K,a_ij表示属性值i相对于属性值j的重要程度，且满足a_ii＝1,a_ij×a_ji＝1,(i,j＝1,2,...,n)。

进一步的，所述步骤S102具体为：将K个专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数(l_ij,m_ij,u_ij)，其计算方法如下：

进一步的，所述步骤S103具体为：计算模糊矩阵H，

其中[1]_n×n为n维的全1矩阵。

进一步的，所述步骤S104具体为：

步骤S104.1：对模糊矩阵H进行归一化，并对矩阵进行对齐变换，得到一个属性再和其他属性相比所占的重要度：

G_n×n＝[g_ij]_n×n＝h_ij/|h_jj|,j＝1,2,....,n (4)

式中，G_n×n是归一化矩阵，[g_ij]_n×n是归一化因子，h_ij是模糊因子；

步骤S104.2：计算各属性指标的主观权重ω_i：

其中，

i＝1,2,...,n，s_i是重要度因子，通过以上基于三角模糊数的方法，可以得到各属性指标的主观权重W_sub＝{ω₁,ω₂,...,ω_n}。

进一步的，所述步骤S201具体为：选取的作为条件属性的指标有业务带宽、信号强度、时延、抖动和丢包率，决策属性为网络性能水平，以此来建立数据矩阵D：

其中，每一行表示一组PDT网络或B-TrunC网络的各属性参数数据，每一列表示一种条件属性，即C＝{c₁,c₂,...,c_n}，决策属性表示为T＝{c_n+1}。

进一步的，所述步骤S202具体为：对于异构网络，业务带宽和信号强度，其规范化过程如下：

时延、抖动和丢包率，其规范化过程如下：

由此可得，规范化后的数据矩阵B可表示为：

式中，b_ij是规范化因子。

进一步的，所述步骤S203具体为：决策属性T对所有条件属性C的依赖度为δ_C(T)，表示为：

其中，POS_C(T)表示正域；Card()表示集合的基数。

决策属性T对去掉第i个条件属性c_i的依赖度为：

表示为：

第i个条件属性在所有评价指标集合中的重要度为σ_T(c_i)，表达式为：

进一步的，所述步骤S204具体为：对重要度σ_T(c_i)进行权重归一化处理，则客观权值为：

得到基于粗糙集理论得到的客观权重值W_obj＝[φ₁,φ₂,...,φ_n]。

进一步的，所述主客观综合计算权重的具体过程为：在进行综合权重W的评价时，主观权重与客观权重各占50％，即

W＝W_sub×50％+W_obj×50％ (15)。

本发明的有益效果是：

本发明确定了在业务带宽、信号强度、时延、抖动和丢包率多属性条件下，异构网络的垂直切换中各属性指标的参数所占的权重，为终端在PDT和B-TrunC两个网络中进行垂直切换提供了依据。

附图说明

图1为本发明的系统示意图。

图2为本发明话音业务各属性主客观权重值对比图。

图3为本发明视频业务各属性主客观权重值对比图。

图4为本发明话音业务与视频业务的综合权重值对比图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种异构专用网络垂直切换中权重确定方法，所述权重确定方法分为主观权重的建立、客观权重的建立和主客观综合计算权重，所述主观权重的建立基于三角模糊数，所述客观权重的建立基于粗糙集理论，所述主客观计算综合权重时主观权重与客观权重各占50％，即得到在异构网络中各个属性指标对应的综合权重值。

进一步的，所述主观权重的建立包括以下步骤：

步骤S101：专家们根据经验和不同业务，对影响网络切换的各属性指标间的重要程度进行打分，每人得到一个判决矩阵；

步骤S102：将专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数：

步骤S103：根据三角模糊数来确定各属性间的重要程度；

步骤S104：对模糊矩阵进行对齐变换计算各属性指标的主观权重值。

进一步的，所述步骤S101具体为：影响异构网络的属性指标有业务带宽、信号强度、时延、抖动、丢包率和服务质量，对于选择的n个属性指标{a₁,a₂,...,a_n}，让K名专家对各个属性进行两两对比，即得到n×n的判决矩阵A：

其中，k是专家的编号，k＝1,2,...,K,a_ij表示属性值i相对于属性值j的重要程度，且满足a_ii＝1,a_ij×a_ji＝1,(i,j＝1,2,...,n)。

进一步的，所述步骤S102具体为：将K个专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数(l_ij,m_ij,u_ij)，其计算方法如下：

进一步的，所述步骤S103具体为：计算模糊矩阵H，

其中[1]_n×n为n维的全1矩阵。

进一步的，所述步骤S104具体为：

步骤S104.1：对模糊矩阵H进行归一化，并对矩阵进行对齐变换，得到一个属性再和其他属性相比所占的重要度：

G_n×n＝[g_ij]_n×n＝h_ij/|h_jj|,j＝1,2,....,n (4)

式中，G_n×n是归一化矩阵，[g_ij]_n×n是归一化因子，h_ij是模糊因子；

步骤S104.2：计算各属性指标的主观权重ω_i：

其中，

i＝1,2,...,n，s_i是重要度因子，通过以上基于三角模糊数的方法，可以得到各属性指标的主观权重W_sub＝{ω₁,ω₂,...,ω_n}。

进一步的，所述客观权重的建立包括以下步骤：

步骤S201：首先将所有的属性指标分为条件属性集和决策属性集，并建立多属性决策矩阵；

步骤S202：对于正向指标和负向指标，分别进行归一化；

步骤S203：计算各条件属性对决策属性的依赖度，并据此计算其重要程度；

步骤S204：根据重要程度，计算各属性指标的客观权重值。

进一步的，所述步骤S201具体为：选取的作为条件属性的指标有业务带宽、信号强度、时延、抖动和丢包率，决策属性为网络性能水平，以此来建立数据矩阵D：

其中，每一行表示一组PDT网络或B-TrunC网络的各属性参数数据，每一列表示一种条件属性，即C＝{c₁,c₂,...,c_n}，决策属性表示为T＝{c_n+1}。

进一步的，所述步骤S202具体为：对于异构网络，业务带宽和信号强度属于效益型属性，越大越好，其规范化过程如下：

时延、抖动和丢包率属于成本型属性，越小越好，其规范化过程如下：

由此可得，规范化后的数据矩阵B可表示为：

式中，b_ij是规范化因子。

进一步的，所述步骤S203具体为：决策属性T对所有条件属性C的依赖度为δ_C(T)，表示为：

其中，POS_C(T)表示下近似，即正域；Card()表示集合的基数。

决策属性T对去掉第i个条件属性c_i的依赖度为：

表示为：

第i个条件属性在所有评价指标集合中的重要度为σ_T(c_i)，表达式为：

进一步的，所述步骤S204具体为：对重要度σ_T(c_i)进行权重归一化处理，则客观权值为：

得到基于粗糙集理论得到的客观权重值W_obj＝[φ₁,φ₂,...,φ_n]。

进一步的，所述主客观综合计算权重的具体过程为：在进行综合权重W的评价时，主观权重与客观权重各占50％，即

W＝W_sub×50％+W_obj×50％ (15)。

表1三角模糊数的重要度

本发明是一种通过三角模糊数(Triangular Fuzzy Number,TFN)方法确定的主观权重和采用粗糙集理论(Rough Set Theory,RST)确定的客观权重，来获得在网络的垂直切换中，各性能指标所占的权重的多少。

对于PDT和B-TrunC两种异构网络，采用业务带宽、信号强度、时延、抖动、丢包率作为属性指标，分别采用基于三角模糊数的主观权重和基于粗糙集的客观权重法计算五个属性指标的权重，最后计算他们的综合权重。

采用MATLAB对五种属性指标进行仿真。

式(16)和式(17)分别是对话音业务和视频业务构建的三角模糊矩阵。

分别对话音业务和视频业务构建三角模糊矩阵进行计算，得到主观权重。

对于采用粗糙集的客观权重，需要将业务带宽、信号强度、时延、抖动、丢包率作为条件属性，并对其进行量化，将话音/视频质量的好坏作为决策属性。采用多组数据，计算各条件属性对决策属性的影响程度，来确定其客观权重。本文中，采用了50组数据，分别对各组数据中的性能指标进行量化处理，得到各条件属性所占客观权重。

图2和图3分别是话音业务和视频业务的各属性主客观权重值对比，从图中可以看出各属性的主观权重值与客观权重值基本一致，这也验证了两种方法的合理性。

图4是话音业务与视频业务的综合权重值对比，由图可知，不同的业务侧重的综合权重不同，对于话音业务，时延是一个很重要的指标，所占的权重较大，RSS和抖动也会影响语音的质量，相比于前三项，丢包率和带宽所占的权重较小。这是由于人对声音和图像分辨率的限制，少量的丢包并不会感到明显的话音质量的下降，但对于时延和抖动非常敏感，较小的时延或抖动就可以引起语音的失真，所以对于话音业务来说，时延和抖动相比于丢包率更重要。但是对于视频业务，由于视频文件较大，需要较大的带宽传输，因此带宽所占的权重很大，同时，无论对于什么业务，RSS都很重要。丢包率会造成视频的卡顿，相比于时延和抖动，视频业务更注重流畅性，因此丢包率所占的权重会相对大一些。

Claims (6)

1.一种异构专用网络垂直切换中权重确定方法，其特征在于，所述权重确定方法分为主观权重的建立、客观权重的建立和主客观综合计算权重，所述主观权重的建立基于三角模糊数，所述客观权重的建立基于粗糙集理论，所述主客观计算综合权重时主观权重与客观权重各占50％，即得到在异构网络中各个属性指标对应的综合权重值；

所述主观权重的建立包括以下步骤：

步骤S101：专家们根据经验和不同业务，对影响网络切换的各属性指标间的重要程度进行打分，每人得到一个判决矩阵；

步骤S102：将专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数：

步骤S103：根据三角模糊数来确定各属性间的重要程度；

步骤S104：对模糊矩阵进行对齐变换计算各属性指标的主观权重值；

所述客观权重的建立包括以下步骤：

步骤S201：首先将所有的属性指标分为条件属性集和决策属性集，并建立多属性决策矩阵；

步骤S202：对于正向指标和负向指标，分别进行归一化；

步骤S203：计算各条件属性对决策属性的依赖度，并据此计算其重要程度；

步骤S204：根据重要程度，计算各属性指标的客观权重值；

所述步骤S201具体为：选取的作为条件属性的指标有业务带宽、信号强度、时延、抖动和丢包率，决策属性为网络性能水平，以此来建立数据矩阵D：

其中，每一行表示一组PDT网络或B-TrunC网络的各属性参数数据，每一列表示一种条件属性，即C＝{c₁,c₂,...,c_n}，决策属性表示为T＝{c_n+1}；

所述步骤S202具体为：对于异构网络，业务带宽和信号强度，其规范化过程如下：

时延、抖动和丢包率，其规范化过程如下：

由此可得，规范化后的数据矩阵B可表示为：

式中，b_ij是规范化因子；

所述步骤S203具体为：决策属性T对所有条件属性C的依赖度为δ_C(T)，表示为：

其中，POS_C(T)表示正域；Card()表示集合的基数；

决策属性T对去掉第i个条件属性c_i的依赖度为：

表示为：

第i个条件属性在所有评价指标集合中的重要度为σ_T(c_i)，表达式为：

所述步骤S204具体为：对重要度σ_T(c_i)进行权重归一化处理，则客观权值为：

得到基于粗糙集理论得到的客观权重值W_obj＝[φ₁,φ₂,...,φ_n]。

2.根据权利要求1所述的权重确定方法，其特征在于，所述步骤S101具体为：影响异构网络的属性指标有业务带宽、信号强度、时延、抖动、丢包率和服务质量，对于选择的n个属性指标{a₁,a₂,...,a_n}，让K名专家对各个属性进行两两对比，即得到n×n的判决矩阵A：

其中，k是专家的编号，k＝1,2,...,K,a_ij表示属性值i相对于属性值j的重要程度，且满足a_ii＝1,a_ij×a_ji＝1,(i,j＝1,2,...,n)。

3.根据权利要求1所述的权重确定方法，其特征在于，所述步骤S102具体为：将K个专家们的判决矩阵整合到一个判决矩阵中，并确定三角模糊数(l_ij,m_ij,u_ij)，其计算方法如下：

4.根据权利要求1所述的权重确定方法，其特征在于，所述步骤S103具体为：计算模糊矩阵H，

其中[1]_n×n为n维的全1矩阵。

5.根据权利要求1所述的权重确定方法，其特征在于，所述步骤S104具体为：

步骤S104.1：对模糊矩阵H进行归一化，并对矩阵进行对齐变换，得到一个属性再和其他属性相比所占的重要度：

G_n×n＝[g_ij]_n×n＝h_ij/|h_jj|,j＝1,2,....,n (4)

式中，G_n×n是归一化矩阵，[g_ij]_n×n是归一化因子，h_ij是模糊因子；

步骤S104.2：计算各属性指标的主观权重ω_i：

其中，

s_i是重要度因子，通过以上基于三角模糊数的方法，可以得到各属性指标的主观权重W_sub＝{ω₁,ω₂,...,ω_n}。

6.根据权利要求1所述的权重确定方法，其特征在于，所述主客观综合计算权重的具体过程为：在进行综合权重W的评价时，主观权重与客观权重各占50％，即

W＝W_sub×50％+W_obj×50％ (15)。

Images