JP2009055467A - 無線通信ネットワークシステム及び無線基地局選択方法 - Google Patents

Abstract

【課題】多種の無線通信ネットワークと接続可能な無線通信端末において、接続する無線基地局を自律的に選択しながら、無線通信リソースの最適な活用を図る技術を提供する。
【解決手段】複数の無線基地局６〜１１と複数の無線通信端末１〜３とからなり無線通信端末が接続する無線基地局を自律的に選択する無線通信ネットワークシステムにおいて、ニューラルネットワーク計算装置２０は、無線基地局又は無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段、通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段、結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段を備える。無線通信端末では、ニューロンの発火と無線基地局の選択とを対応付け、ニューラルネットワーク計算装置２０においてニューロンが発火判定された無線基地局と接続する。
【選択図】図１

Description

本発明は、無線通信端末が接続する無線基地局を自律的に選択するようにした無線通信ネットワークシステムと、該システムにおける無線基地局の選択方法に関し、特に、ニューラルネットワークを用いて最適な基地局選択を行う技術に係る。

携帯電話、無線ＬＡＮ、ＰＨＳなど様々な無線アクセスシステムが普及し、WiMAX（Worldwide Interoperability for Microwave Access）などの無線ＭＡＮサービスも開始されようとしている。
このようなアクセスシステムを有効活用するために、異種無線ネットワークをシームレスにハンドオーバさせる技術の研究開発がされている（非特許文献１及び２参照）。
また、非特許文献３に開示されるように、異なる無線システムを切り替えるために，異なる無線インタフェースに接続可能なソフトウェア無線技術の研究も行われてきた。

G. Wu, P. Havinga and M. Mizuno, "MIRAI Architecture forHeterogeneous Networks," IEEE Comm. Mag., pp. 126-134, 2002年 M. Inoue, K. Mahmud, H. Murakami, M. Hasegawa and H. Morikawa, "NovelOut-Of-Band Signaling for Seamless Interworking between Heterogeneous Networks,"IEEE Wireless Commun., Vol. 11, No. 2, pp. 56-63, 2004年 H. Harada, "Software defined radio prototype toward Cognitive RadioCommunication Systems," IEEE Dyspan 2005, Vol.1, pp. 539-547, 2005年

これらの技術をベースにすると、無線ネットワークの状況に応じて最適なものに切り替ことにより、限られた無線リソース（周波数、無線インフラ）及びネットワークリソースをより効率的に利用することが可能となる。またこれによって、トータルでのスループットやキャパシティが改善し、周波数の利用効率向上につながる。
ユーザにとっても、常に最適な無線アクセスで通信することが可能となる。例えば、移動中は高速移動をサポートする携帯電話で通信し、家に帰ってくると自動的に安価なインターネット回線経由の無線ＬＡＮでの通信に切り替える、ということが可能となってきている。

このような無線環境を実現するためには、従来から行われているシームレスハンドオーバ技術やソフトウェア無線技術のみならず、端末が自律的に利用可能な無線システム情報を取得する技術、リアルタイムなトラフィックや無線の状態を計測する技術、更にそれらの得られた情報からシステム全体を最適化する無線アクセス選択方式が必要となる。

非特許文献４には、本件出願人が提唱しているコグニティブワイヤレスクラウド（CognitiveWireless Cloud）が開示されている。コグニティブワイヤレスクラウドは、複数の無線アクセス手段で様々な種類のネットワークに接続することが可能なコグニティブ無線端末が、その場で利用可能なネットワークの情報を自律的に収集し、各無線アクセスやネットワークのQoS情報もリアルタイムで取得し、ネットワーク全体のキャパシティ、エラー率を最適化にするコグニティブ無線アーキテクチャである。

黒田正博, 村田嘉利, 原田博司, 加藤修三, "Cognitive Wireless Cloud (1) 〜アーキテクチャ〜," 信学技報, ソフトウェア無線研究会, 2007年３月

多数の無線が存在している環境を考えると、端末も含めたネットワーク全体としての複雑系がある最適な状態になると、トータルのキャパシティが高くなる。その結果、周波数あたりのビットレートが改善され、周波数利用効率の向上につながる。
コグニティブ無線ネットワークとは、異種無線を切り替えながらそのような最適な状態を形成して行くための技術であると言うことができる。

この複雑系を操るための方法としては、ネットワークによる集中管理方式、或いは、端末中心の自律分散型管理方式が考えられる。ネットワークによる集中制御では、切り替える全てのネットワークが同一のネットワークであるか、或いは管理者が同じでなければならない。

一方、端末中心の場合には、分散型の制御方式が必要となるが、ネットワークに依存しなくなる。全てのキャリアネットワークが同一のネットワークに接続していることは考えにくいため、当然、後者の方が端末にとっての選択肢が広く、よって周波数利用効率も大きく向上される可能性がある．

端末が自律的に利用可能なネットワークを認識する技術として非特許文献５が、それぞれのネットワークQoS情報をリアルタイムに取得する技術として非特許文献６が、さらに高速移動に対応できるシームレスハンドオーバのために効率的な無線リソース予約を行う技術として非特許文献７がそれぞれ開示されている。

宮本剛, 石津健太郎, 長谷川幹雄, 村田嘉利, "Cognitive Wireless Cloud (2) 〜無線リソース発見のためのデータ収集法〜," 信学技法, ソフトウェア無線研究会,2007年３月 斉藤義仰, 長谷川幹雄, 村田嘉利, "CognitiveWireless Cloud (3) 〜 高速エンドツーエンドQoS測定方式 〜," 信学技法, ソフトウェア無線研究会,2007年３月 H. N. Tran, M. Hasegawa, Y. Murata, "Resource Researvation Schemefor Mobile Users in Cognitive Wireless Cloud," 信学技法, ソフトウェア無線研究会, 2007年３月

コグニティブワイヤレスクラウドにおける基地局選択では、端末中心の自律分散的な基地局選択によって、システム全体のスループット、エラー率、効率を向上させることを目的とする。このためには、例えば、異種無線ネットワークをまたいだロードバランシングを行う必要もあると考えられる。これをネットワークの集中的な制御で行おうとすると、大規模な複雑系であるコグニティブワイヤレスクラウド環境に対応することは難しい。この複雑系をうまく制御する自律分散型のアーキテクチャが必要となる。

例えば、集中的な制御を効率良く行う技術として、特許文献１に開示される無線基地局チャネル割当制御方式がある。該技術は、無線回線制御局と、複数の無線基地局と、複数の移動局とを有し、移動局と無線基地局との間の電波伝播状況の測定結果に基づいた三次元構成のニューラルネットワークを構成し、この三次元構成のニューラルネットワークにより、移動局と無線基地局と無線チャネルとの最適組合せを同時に決定するものである。そして、ニューラルネットワークにより前記移動局の接続先の無線基地局の指定と、無線チャネルの割当てとを同時に決定処理するとしている。

本文献によれば、ニューラルネットワークを無線基地局と接続される無線回線制御局に配しており、無線基地局に対して、集中的に各移動局と接続する無線基地局を指定している。ニューラルネットワークを用いることで各無線基地局のリソースを最適に配分することができる反面、上記した通り、このような構成は無線基地局が同一の管理に属さない限り実施困難な問題がある。

特開平5-284089号公報

本発明は、上記従来技術の有する問題点に鑑みて創出されたものであり、多種の無線通信ネットワークと接続可能な無線通信端末において、接続する無線基地局を自律的に選択しながら、無線通信リソースの最適な活用を図る技術を提供することを目的とする。

本発明は、上記の課題を解決するために、次のような無線通信ネットワークシステムを提供する。
すなわち、請求項１に記載の発明によれば、複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムを提供することができる。
該システムにおけるニューラルネットワーク計算装置が、無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段とを備える。
そして、無線通信端末において、該ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算装置においてニューロンが発火判定された無線基地局と接続することを特徴とする。

請求項２に記載の発明によれば、上記のニューラルネットワーク計算装置を、無線通信端末に設けることを特徴とする。

請求項３に記載の発明によれば、上記のニューラルネットワーク計算装置を、無線通信ネットワークを介して無線通信端末と通信可能なサーバ装置に設けることを特徴とする。

請求項４に記載の発明によれば、前記の通信情報値に、各無線基地局の実効通信容量と当該無線基地局に接続する無線通信端末の数を用い、これにより無線通信ネットワークシステム全体として端末あたりの実効通信容量が最大となるようにすることができる。

請求項５に記載の発明によれば、ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して端末あたりの実効通信容量が最大となるようにすることができる。

請求項６に記載の発明によれば、通信情報値に、各無線通信端末で要求される通信速度の値を用い、これにより無線通信ネットワークシステム全体として要求が満たされる無線通信端末の数が最大となるようにすることができる。

請求項７に記載の発明によれば、ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して要求が満たされる無線通信端末の数が最大となるようにすることができる。

本発明は次のような無線基地局選択方法を提供することもできる。
すなわち、請求項８に記載の発明によれば、複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムにおける無線基地局選択方法を提供する。
無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、通信情報値取得手段が、該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得ステップ、ニューロン結合重み値演算手段が、該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算ステップ、ニューロン発火判定演算手段が、該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算ステップを少なくとも有するニューラルネットワーク計算処理を行い、無線通信端末において、ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算処理においてニューロンが発火判定された無線基地局と接続するようにしたことを特徴とする。

請求項９に記載の発明によれば、ニューラルネットワーク計算処理を、無線通信端末が行うことを特徴とする。

請求項１０に記載の発明によれば、ニューラルネットワーク計算処理を、無線通信ネットワークを介して無線通信端末と通信可能なサーバ装置が行うことを特徴とする。

請求項１１に記載の発明によれば、通信情報値に、各無線基地局の実効通信容量と当該無線基地局に接続する無線通信端末の数を用い、これにより無線通信ネットワークシステム全体として端末あたりの実効通信容量が最大となるようにすることができる。

請求項１２に記載の発明によれば、ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して端末あたりの実効通信容量が最大となるようにしてもよい。

請求項１３に記載の発明によれば、通信情報値に、各無線通信端末で要求される通信速度の値を用い、これにより無線通信ネットワークシステム全体として要求が満たされる無線通信端末の数が最大となるようにすることができる。

請求項１４に記載の発明によれば、ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して要求が満たされる無線通信端末の数が最大となるようにしてもよい。

本発明は請求項１５に記載のように、複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムで用いる無線通信端末を提供することもできる。該無線通信端末にはニューラルネットワーク装置を備える。
該ニューラルネットワーク装置では、無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段とを具備する。
そして、ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算装置においてニューロンが発火判定された無線基地局と接続することを特徴とする。

また、上記ニューラルネットワーク装置を別のサーバー装置として構成し、ネットワーク上に配置してもよい。請求項１６に記載のように、複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムにおけるサーバー装置を提供することができる。
本サーバー装置に、無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段とを具備したニューラルネットワーク装置を備えることができる。

本発明は、上記構成を備えることにより次のような効果を奏する。
ニューラルネットワークにおいてニューロンの発火と無線基地局の選択を対応づけたことによって無線通信端末から発火したニューロンに対応する無線基地局と接続することで無線通信端末のみならず、システム全体において最適なパフォーマンスが実現できる。
本方法は、無線通信端末からの情報だけを収集してニューロン間の結合重み値を定義することもできるし、無線基地局からの情報を収集してもよい。

いずれの場合でも、集中的に無線基地局を制御するものではなく、無線通信端末から無線基地局を選択する構成をとることができるから、コグニティブワイヤレスクラウドのような異種無線通信ネットワークを用いた無線通信ネットワークシステムで利用することができる。

以下、本発明の実施形態を、図面に示す実施例を基に説明する。なお、実施形態は下記に限定されるものではない。
図１には、本発明に係る無線通信ネットワークシステムの構成図を示す。本システムは、複数の無線通信端末（以下、端末と呼ぶ。）（１）（２）（３）と、異なる種類の無線通信ネットワーク（４）（５）、該無線通信ネットワーク（４）（５）にそれぞれ接続されている無線基地局１〜６（６）〜（１１）、さらに本発明の特徴であるニューラルネットワーク計算装置（以下、ＮＮ装置と呼ぶ）（２０）から構成される。

本発明においてＮＮ装置（２０）は、各端末（１）・・内に一体的に備えてもよいし、各端末（１）・・と接続可能なネットワーク上のサーバー装置として別に備えてもよい。
各端末（１）・・はノートパソコンや、ＰＤＡ、携帯電話など移動可能な端末装置であり、広域に配備された基地局を本発明技術により選択しながら接続することを特徴とする。
また、上述の通り異種の無線通信ネットワークと接続するため、各端末（１）・・には２種以上の無線通信ネットワークと接続可能な通信アダプタ回路を備える。例えば携帯電話通信網と無線ＬＡＮの両方に接続できるようにする。
なお、すべての端末が２種以上の無線通信ネットワークに接続できる必要はなく、本システムの端末には特定の無線通信ネットワークのみに接続できる端末が含まれていてもよい。

ＮＮ装置（２０）には後述するように基地局や端末から通信に関わる通信情報値を取得するため、図１に示すように各端末（１）・・と接続される通信経路（３０）（３１）（３２）や、図２に示すように各基地局（６）・・と接続される通信経路（３３）（３４）（３５）（３６）（３７)（３８）を有している。

本発明では、各端末において自律的に基地局（６）〜（１１）の選択を行う構成であり、基地局（６）・・からは単に通信情報値を取得するにとどまる。従って、基地局（６）・・からの通信経路（３３）〜（３８）は片方向の通信が行えれば十分であり、例えば、無線ＬＡＮにおけるESSIDと同時に送信するような構成でもよい。

一方、各端末（１）・・と接続される通信経路（３０）〜（３２）では、ＮＮ装置（２０）による計算結果を各端末（１）に送信する。また、各端末（１）・・から通信情報値を取得する構成においては、該通信経路（３０）〜（３２）において双方向の通信を行う。この通信における情報量は少ないため、低速でも広域に通信可能な無線通信ネットワークを用いることが好ましい。

また、ＮＮ装置（２０）を各端末（１）・・内に装備する場合には、自端末の通信情報値は直接取得することができるが、他の端末や基地局から通信情報値を取得するために上記同様の通信経路が必要である。

ＮＮ装置（２０）の構成を図３に示す。ＮＮ装置（２０）のＣＰＵ（４０）には、通信情報値取得部（４１）、ニューロン結合重み値演算部（４２）、ニューロン発火判定演算部（４３）を備える。通信情報値取得部（４１）通信経路（３０）〜（３８）から通信情報値を取得する。

ニューロン結合重み値演算部（４２）は以下に説明するように、所定の目的関数を用いてエネルギー関数を最小化するニューロンの結合重み値を演算し、ハードディスクなどの外部記憶装置である重み値格納部（４４）に演算結果を保存する。

ニューロン発火判定演算部（４３）は、計算された結合重み値を用いて、所定の状態更新式により発火判定をする。本発明では、ニューロンの発火と、接続する基地局の選択とを対応づけた点に特徴がある。以下、ニューラルネットワークにおける演算方法を詳述する。

従来からニューラルネットワークの先行研究は多数行われており、本発明でもこれらの演算方法を適宜選択することができる。以下では、もっとも単純な関数を用いて本発明の実施例として示す。
非特許文献８および９に示されるように、相互結合型ニューラルネットワークの状態更新により、システムがある状態に収束することが知られている。例えば、ニューロンの状態更新式として、

を用いると、エネルギー関数

は必ず減少する方向に状態更新し、収束する。ここで，w_ijはニューロンiとニューロンjとの間の結合の重み、θ_iはニューロンiの発火のための閾値、nはニューロン数である。

J. J. Hopfield, "Neural Networks and Physical Systems with EmergentCollective Computational Abilities," Proc. NatL Acad. Sci. USA, Vol. 79, pp.2554-2558, 1982年 J. J. Hopfield, "Neurons with Graded Response Have CollectiveComputational Properties like Those of Two-State Neurons," Proc. NatL Acad. Sci.USA, Vol. 81, pp. 3088-3092, 1984年

ある最小値探索問題を解こうとした時、を数２のエネルギー関数の形で定義できれば、そこからニューロン間の結その目的関数合重みw_ij及び閾値θ_iを算出することが可能であり、数１のニューラルネットワークを利用して計算すると、目的の最小値探索問題を解くことが出来る。
このように、相互結合型ニューラルネットワークのエネルギー関数を利用すると、完全な自律分散処理によって、ある関数の値を最適化することが出来ることを意味する。

従来、このダイナミクスを最適化問題に応用する研究が行われてきている。HopfieldとTank（非特許文献１０参照）は、この特徴を巡回セールスマン問題に適用し、小規模の問題で、その解法が適用可能であることを示した。ニューラルネットワークで問題を表現するために、目的関数（順回路長）だけでなく、問題の制約条件（全ての都市を一度ずつ訪問し、スタートした都市に戻る順回路を形成する）を満足するためのエネルギー関数も定義し、その関数に基づいて重みと閾値を算出し、最適化のためのニューラルネットワークが構築されていた。

本アプローチの一つの問題点は、最小化ダイナミクスがローカルミニマムで止まってしまうことである。それを解決する手段としては、ボルツマンマシン（非特許文献１１）やシミュレーテッドアニーリング（非特許文献１２）のように、確率的なノイズを利用して状態を揺らがせ、より良い解へ到達することを可能にする手法がある。
また，カオスの決定論的ダイナミクスによるゆらぎ利用した探索法も提案されており（非特許文献１３）、確率的なノイズよりも探索に有効であることが示されている（非特許文献１４，１５）。

J. J. Hopfield and D. W. Tank, "Neural Computation of Decisions inOptimization Problems," Biological Cybernetics., Vol. 52, No. 3, pp. 141-152, 1985年 E. H. L. Aarts and J. H. M. Korst, "Boltzmann machines for travellingsalesman problems," European Journal of Operational Research, Vol. 39, no. 1,pp. 79-95, 1989年 D. E. Van den Bout and T. K. Miller, "Improving the Performance ofthe Hopfield-Tank Neural Network through Normalization and Annealing," BiologicalCybernetics, Vol. 62, No. 2, pp. 129-139, 1989年 H. Nozawa, "Solution of the optimization problem using the neuralnetwork model as a globally coupled map," Physica D, Vol. 75, pp. 179-189, 1994年 M. Hasegawa, T. Ikeguchi, T. Matozaki and K. Aihara, "An Analysis ofAdditive Effects of Nonlinear Dynamics for Combinatorial Optimization," IEICETrans. Fundamentals, Vol. E80-A, No. 1, pp. 206-213, 1997年 長谷川幹雄, 梅野健, "カオスノイズと負の相関ノイズを用いた最適化," 信学技報, 非線形問題研究会,2005年３月

相互結合型ニューラルネットワークのエネルギー関数（数２）を用いた解法においては、まずニューロンの発火パターンを用いて、探索したい問題の状態と目的関数を表現しなければならない。ここで、そのコーディング方法について分類する。

まず、一つ目は直接的なコーディングである。例えば、N-Quene問題を解くニューラルネット（非特許文献１６）ではニューロンと問題の各ノード(Queneの配置場所)が一対一に対応しているため，問題を直接解くことが出来るが，応用問題としてこのような理想的な形をしているものはほとんどない．

Y. Akiyama, A. Yamashita, M. Kajiura and H. Aiso, "CombinatorialOptimization with Gaussian Machines," IEEE International Joint Conference onNeural Networks, pp. 533-540, 1989年

二つ目は，ニューロンを多数必要とする間接的なコーディングである。HopfieldとTankの巡回セールスマン問題の解法（上記非特許文献１０）もこれに該当している。都市数がNの問題の順回路を表現するためにN×N個のニューロンを用意して2次元に並べ、この中で(i,j)番目のニューロンが発火した場合には、都市iをj番目に訪問するような順回路になるように、発火パターンと解の状態を対応付けている。

このネットワークで実行可能解を得るために、縦横それぞれに一つずつのニューロンのみが発火するような制約項をエネルギー関数の中に組み込んでいる。しかし、このアプローチではこの制約の最小化すら難しい場合も、簡単な問題も難しくしてしまっていることがこの解法の問題点である。

これを解決するアプローチとしては、例えばカオスニューラルネットワークによってヒューリスティックアルゴリズムを駆動する方式などが提案されており（非特許文献１７参照）、タブーサーチの有効性とカオスの揺らぎの特性を含んだ強力な探索方式の有効性が示されている（非特許文献１８，１９参照）。

M. Hasegawa, T. Ikeguchi and K. Aihara, "Combination of ChaoticNeurodynamics with the 2-opt Algorithm to solve Traveling Salesman Problems,"Physical Review Letters, Vol. 79, pp. 2344-2347, 1997年 M. Hasegawa, T. Ikeguchi, K. Aihara and K. Itoh, "A Novel ChaoticSearch for Quadratic Assignment Problems," European Journal of OperationalResearch, Vol. 139, No. 3, pp. 543-556, 2002年 M. Hasegawa, T. Ikeguchi and K. Aihara, "Solving Large ScaleTraveling Salesman Problems by Chaotic Neurodynamics," Neural Networks, Vol.15, No. 2, pp. 111-123, 2002年

三つ目は、制約が二つ目ほど厳しくないものであり、分類問題や選択問題などがこれに該当する。例えば、あるものがどれに属するかを決めるための最適化問題においては、それぞれの「もの」が属してもよいグループはそれぞれ一つずつに制約されるが、あるグループに属する「もの」は複数存在してもよい。そのため、上記では2次元の制約が必要であったが、ここで片方の軸にのみ制約がかかる。非特許文献２０に開示されるTakefujiらは、そのような選択問題に対しては、この制約をエネルギー関数に組み込む制約項としてではなく、ニューロンの状態更新式として組み込んだ次の数３のニューラルネットワークモデルを提案している。

ただし、

Y. Takefuji, K. Lee and H. Aiso, "An artificial maximum neuralnetwork: a winner-take-all neuron model forcing the state of the system in asolution domain," Biological Cybernetics, Vol. 67, No. 3, 1992年

このような状態更新式を用いると、実行不可能な解を提示してしまうことはなくなり、２つ目で起きるような実行可能解が求まらないという問題は回避できる。
従って、本発明では基地局選択によってトータルキャパシティを最適化するニューラルネットワークの構築のために三つ目のアプローチに近いニューラルネットワークモデルを構築する。

まず、ニューロンの発火パターンと端末における基地局選択とを関連付け、数２のエネルギー関数で最適化したい目的関数を記述し、結合重みを求める。
本発明が対象とする基地局選択においては、スループット（実効通信容量）だけでなく、コスト、品質、移動速度のようなユーザの状況など、様々なパラメータを考慮した選択を行うことが考えられ、それらを本発明にかかる通信情報値として用いることができる。

本実施例では、各基地局のスループットを端末が自律的に分配してシステム全体のパフォーマンスを向上させる例を以下に示す。そのための問題設定を検討する。まず、アプローチする問題としては、ロードバランシングによって全体のキャパシティを最大化するものとし、これを相互結合型ニューラルネットワークダイナミクスで適用可能かどうかを検討する。また前提としては、全ての端末がベストエフォートで最大のスループットを要求し、帯域を均等にシェア出来るものと仮定する。全ての端末が平等に、全ての基地局にアクセス出来るものとする。

なお、実際には、基地局を広域に配置すれば、端末が通信可能な基地局は限定されるし、端末の備えるネットワークアダプタによってそもそも通信不可能な基地局も存在する。このような場合でも、ニューラルネットワークの重み付けの際に、当該端末と基地局とは接続しないように定義されるので、本構成と同様である。

本実施例では単純な目的関数を用いて定式化する。ＮＮ装置（２０）の通信情報値取得部（４１）が、各基地局（アクセスポイント）の合計スループットと、その基地局に接続している端末数を、通信情報値として取得する。そして、各端末の利用可能スループットをTh_i(t)とすると、

と近似出来るものと考える。ここで、N_j ^APはアクセスポイントjに接続している端末数、C_jはアクセスポイントjが提供する合計のスループットである。最適化問題としての目的関数F_x0(t)は、

と定義される。

この問題は、結果的には空いている基地局を優先的に選択させるロードバランシングとなっているが、これを自律分散的な相互結合型ニューラルネットワークのダイナミクスを用いて実現する。
まず、相互結合型ニューラルネットワークで基地局選択を行うために、各端末における基地局切り替え動作とニューラルネットワークの指示する発火パターンとの関係を決定する。そうすると、０（非発火）と１（発火）の２状態しか持たないニューロンモデルを用いて状態を表現することが必要となる。

ここでは、各端末の選択基地局を表現するために、各端末iにニューロンをそれぞれ基地局数（N_AP）分用意し、その中で発火したニューロンに対応する基地局jにニューロンiを接続するというコーディングを考える。即ち、モバイル端末数がN_mで、基地局数がN_APの場合、N_m×N_AP個のニューロンを用意し、ニューロン(i,j)の発火(x_ij(t)=1)を、端末iが基地局jを選択することに対応付ける。

図４ニューラルネットワークのニューロン結合のモデルを示し、図５はニューラルネットワークが出力した発火パターン、図６はその結果として選択される基地局との関係の例を示している。本ニューラルネットワークのニューロンの状態更新式を

とすると、数２の場合と同様に、エネルギー関数

は必ず減少する。
ここで、W_ijklはニューロン(i,j)とニューロン(k,l)間の結合重み、θ_ijはニューロン(i,j)の発火の閾値である。

このエネルギー関数で用いられているようなニューロン状態x_ij(t)の積で表現される形で、キャパシティ最適化の問題を記述出来れば、その関数から結合重みを求めることが可能となり、相互結合型ニューラルネットの分散ダイナミクスを利用したキャパシティ最適化アルゴリズムを実現することが出来る。
数５の目的関数をニューロンの状態で示すと、

となるが、これをエネルギー関数に当てはめるためには、ニューロンの状態x_ij(t)が分子になければならない。そこで、問題を少し変更し、端末の利用可能スループットTh_i(t)の逆数の総和を最小化させる問題に置き換えて考える。そうするとその問題を解くためのエネルギー関数は

と得ることが出来る。

このようなエネルギー関数を用い、ＮＮ装置（２０）のニューロン結合重み値演算部（４２）がこれを最小化するようなニューロン間の結合重み値を算出することになる。ニューラルネットワークにおいてこの演算処理方法は公知である。
すなわち、上記数９を数７と比較すると、ニューロン間の結合重みW_ijklは

のように得ることが出来る。

本手法では、各端末が接続すべき基地局をそれぞれ一つずつ選択することが目的であるため、基地局軸の方のみの制約条件を考えればよい。そこで、ニューロンの発火判定には上述した三つ目のアプローチでの状態更新式を用いる。

ただし、

ＮＮ装置（２０）のニューロン発火判定演算部（４３）が数１１に示される状態更新式を用いて発火判定を行い、その結果を通信経路（３０）・・を介して端末（１）・・に通知し、端末（１）・・は接続する基地局を選択することができる。

上記実施例では、通信情報値として各基地局の合計スループット値と接続している端末数を用いたが、各無線通信端末で要求される通信速度の値を用いて各端末のＱｏＳを満足させるように基地局を選択する構成でもよい。また、上記はニューラルネットワークにおいて１つを発火させるように閾値を設定しているが、本発明では複数の基地局に同時に接続する構成で用いてもよく、その場合、複数のニューロンで発火するように条件を定義してもよい。

（実験例）
相互結合型ニューラルネットワークを、実際の基地局選択に適用し、端末毎の自律分散で動作させるためには、各モバイル端末がN_AP個のニューロンを持っていることとする。また、ニューロンを状態更新させるために、接続しようとする基地局jが提供出来る総スループットC_j、及びこの基地局に接続している端末のニューロンの発火情報（又はそのアクセスポイントに接続している端末数）を取得出来ている必要がある。

また、基地局の種類としては、C_jが分かればよいので無線アクセス方式の種類を問わない。ここでは無線LAN（IEEE802.11g）とWCDMA携帯電話が利用可能という簡単な環境を想定する。図７は、本ニューラルネットワークによって基地局選択を行った場合の結果の例を示している。
図８〜図１１は、10km×10kmの正方形の領域の中にコグニティブ無線端末が10000台存在する環境でのシミュレーションを行った結果を示している。図８及び９は、端末からみた基地局の数（基地局数／端末数）の平均を横軸にした時の、端末が利用可能最大スループットの平均値を示している。

図８は無線LANが利用できるチャネル数が4に限定された現実的な場合の結果で、図９は無線LANのチャネルの衝突が起こらない状況を想定した場合の結果である。ここでは比較対象として、最大のRSSIの基地局に接続する選択ルールを用いた場合の結果（実線）も示している。RSSI情報のみに基づいて基地局選択した場合と比較すると、大きく改善出来ることが分かる。

図１０及び１１は、それぞれチャネルが衝突する場合（図１０）としない場合（図１１）のスループットの改善率を示しており、各基地局に接続する平均の端末数を変化させている。図１０と１１を見ると、どちらの場合でもほぼ同じような改善率が得られており、特に、端末が少なく、基地局が多い場合には、RSSIのみに基づいて選択した場合と比べて最大で60%程度改善可能であることが示された。

本発明による無線通信ネットワークシステムの全体構成図である。 本発明におけるニューラルネットワーク計算装置の通信情報値の取得経路を説明する説明図である。 本発明におけるニューラルネットワーク計算装置の構成図である。 ニューラルネットワークの説明図である。 本発明に係るニューロンの発火の様子を示す説明図である。 本発明に係るニューロンの発火と無線基地局の選択の対応を示す説明図である。 実験例における基地局選択の様子を示す説明図である。 本発明の効果を示す実験結果のグラフである。 本発明の効果を示す実験結果のグラフである。 本発明の効果を示す実験結果のグラフである。 本発明の効果を示す実験結果のグラフである。

符号の説明

１ 端末１
２ 端末２
３ 端末３
４ 無線通信ネットワーク１
５ 無線通信ネットワーク２
６ 無線基地局１
７ 無線基地局２
８ 無線基地局３
９ 無線基地局４
１０ 無線基地局５
１１ 無線基地局６
２０ ニューラルネットワーク計算装置
３０ 通信経路
３１ 通信経路
３２ 通信経路

Claims (16)

1. 複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムにおいて、
   ニューラルネットワーク計算装置が、
   無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、
   該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、
   該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、
   該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段と、
   を備え、
   該無線通信端末において、該ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算装置においてニューロンが発火判定された無線基地局と接続する
   ことを特徴とする無線通信ネットワークシステム。
2. 前記ニューラルネットワーク計算装置を、前記無線通信端末に設ける
   ことを特徴とする請求項１に記載の無線通信ネットワークシステム。
3. 前記ニューラルネットワーク計算装置を、無線通信ネットワークを介して前記無線通信端末と通信可能なサーバ装置に設ける
   ことを特徴とする請求項１に記載の無線通信ネットワークシステム。
4. 前記通信情報値に、各無線基地局の実効通信容量と当該無線基地局に接続する無線通信端末の数を用い、
   無線通信ネットワークシステム全体として端末あたりの実効通信容量が最大となるようにした請求項１ないし３に記載の無線通信ネットワークシステム。
5. 前記ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して端末あたりの実効通信容量が最大となるようにした請求項４に記載の無線通信ネットワークシステム。
6. 前記通信情報値に、各無線通信端末で要求される通信速度の値を用い、
   無線通信ネットワークシステム全体として要求が満たされる無線通信端末の数が最大となるようにした請求項１ないし３に記載の無線通信ネットワークシステム。
7. 前記ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して要求が満たされる無線通信端末の数が最大となるようにした請求項６に記載の無線通信ネットワークシステム。
8. 複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムにおける無線基地局選択方法であって、
   無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、
   通信情報値取得手段が、該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得ステップ、
   ニューロン結合重み値演算手段が、該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算ステップ、
   ニューロン発火判定演算手段が、該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算ステップ
   を少なくとも有するニューラルネットワーク計算処理を行い、
   該無線通信端末において、該ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算処理においてニューロンが発火判定された無線基地局と接続するようにした
   ことを特徴とする無線基地局選択方法。
9. 前記ニューラルネットワーク計算処理を、前記無線通信端末が行う
   ことを特徴とする請求項８に記載の無線基地局選択方法。
10. 前記ニューラルネットワーク計算処理を、無線通信ネットワークを介して前記無線通信端末と通信可能なサーバ装置が行う
    ことを特徴とする請求項８に記載の無線基地局選択方法。
11. 前記通信情報値に、各無線基地局の実効通信容量と当該無線基地局に接続する無線通信端末の数を用い、
    無線通信ネットワークシステム全体として端末あたりの実効通信容量が最大となるようにした請求項８ないし１０に記載の無線基地局選択方法。
12. 前記ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して端末あたりの実効通信容量が最大となるようにした請求項１１に記載の無線基地局選択方法。
13. 前記通信情報値に、各無線通信端末で要求される通信速度の値を用い、
    無線通信ネットワークシステム全体として要求が満たされる無線通信端末の数が最大となるようにした請求項８ないし１０に記載の無線基地局選択方法。
14. 前記ニューロン発火判定演算手段において２以上のニューロンが発火しうる条件を用いて発火判定を行うことにより、複数の基地局と接続して要求が満たされる無線通信端末の数が最大となるようにした請求項１３に記載の無線基地局選択方法。
15. 複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムで用いる無線通信端末であって、
    無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、
    該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、
    該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、
    該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段と、
    を具備したニューラルネットワーク装置を備えて、
    該ニューロンの発火と無線基地局の選択とを対応付け、該ニューラルネットワーク計算装置においてニューロンが発火判定された無線基地局と接続する
    ことを特徴とする無線通信端末。
16. 複数の無線基地局と、複数の無線通信端末とからなり、該無線通信端末が接続する単数又は複数の無線基地局を自律的に選択する無線通信ネットワークシステムにおけるサーバー装置であって、該サーバー装置に、
    無線基地局に対応させたニューロンが相互結合したニューラルネットワークを利用し、
    該無線基地局又は該無線通信端末の少なくともいずれかの通信に係る通信情報値を取得する通信情報値取得手段と、
    該通信情報値を代入して所定のエネルギー関数が最小となる結合重み値を算出するニューロン結合重み値演算手段と、
    該結合重み値からニューロンの発火判定計算を行うニューロン発火判定演算手段と、
    を具備したニューラルネットワーク装置を備えた
    ことを特徴とするサーバー装置。

Images