一种卫星网络切换方法及装置与流程

本发明涉及卫星通信技术领域，特别是涉及一种卫星网络切换方法及装置。

背景技术：

在移动卫星网络中，对于用户如何获得最优的移动卫星资源以及移动卫星如何准确、快速的将资源分配给用户使用，因此，为无缝通信设计出优化和高效的移动性管理方案仍然是一个关键的挑战。

现有的移动卫星管理方案中有模糊逻辑切换方法，具体实现方法为：将建立通信的卫星与用户多个参数形成的清晰向量输入到模糊控制系统中，通过模糊控制系统中的模糊控制器以及模糊推理规则将每个参数模糊处理得到模糊处理结果，综合每个参数的模糊处理结果，得到与该用户建立通信的该卫星的切换因子。按照上述方法得到与该用户建立通信的所有卫星的切换因子。选择出所有切换因子中最大的切换因子对应的卫星，将该用户切换到切换因子最大的卫星下。

现有的模糊逻辑切换方法存在的问题是，过于依赖专家设定的模糊推理规则，使用一种固定的模糊推理规则不能适应各种不同的通信环境，使得得到的切换因子不够准确，导致频繁切换以及网络信号稳定性差。

技术实现要素：

本发明实施例的目的在于提供一种卫星网络切换方法及装置，通过在不同网络环境下自适应调节模糊推理规则，实现增强移动卫星网络自适应性与稳定性，最终实现稳定、低频率的为用户终端切换移动卫星。具体技术方案如下：

为达到上述发明目的，本发明实施例公开了一种卫星网络切换方法，包括：

根据用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及所述至少一个参数对应的目标模糊逻辑切换模型，其中，所述至少一个输入量至少包括用户终端的导频信号强度、卫星负载、卫星的用户密集度、卫星能够使用的带宽、用户终端能够利用所述至少一个卫星中每个卫星的时间，所述至少一个参数包括至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及最优模糊输出结果向量；

根据所述目标模糊逻辑切换模型，在所述目标模糊逻辑切换模型的输入层获取所述用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量；

按照与所述至少一个输入量对应的至少一个隶属度函数、所述目标模糊逻辑切换模型的预设模糊语言集，对所述至少一个输入量模糊化处理，得到所述用户终端的所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果；

根据所述目标模糊逻辑切换模型的模糊推理规则、所述用户终端的所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定所述至少一个卫星中每个卫星的切换因子；

选择大于预设持续时间的所述至少一个卫星中的至少一个待切换卫星、对应的切换因子中最大的切换因子，将所述切换因子对应的待切换卫星确定为目标卫星，将所述用户终端切换到所述目标卫星下。

可选地，根据用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及所述至少一个参数对应的目标模糊逻辑切换模型，包括：

根据用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，获取至少一组用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量，通过预设切换因子，确定小于预设误差下的最优切换因子；

通过混合最速下降法和最小均方估计，确定所述最优切换因子对应的至少一个隶属度函数的中心、至少一个隶属度函数的宽度；

通过预设切换因子向量、预设规则归一化适用度向量，确定在最小误差能量状况下的输出切换因子向量对应的模糊输出结果向量，将所述模糊输出结果向量确定为最优模糊输出结果向量；

根据所述至少一个隶属度函数的中心、所述至少一个隶属度函数的宽度，确定所述目标模糊逻辑切换模型的至少一个隶属度函数，以及根据所述最优模糊输出结果向量，确定所述目标模糊逻辑切换模型的模糊推理规则；

将所述至少一个隶属度函数以及所述模糊推理规则对应的模糊逻辑切换模型，确定为目标模糊逻辑切换模型。

可选地，所述根据所述至少一个隶属度函数的中心、所述至少一个隶属度函数的宽度，确定所述目标模糊逻辑切换模型的至少一个隶属度函数，以及根据所述最优模糊输出结果向量，确定所述目标模糊逻辑切换模型的模糊推理规则，包括：

按照预设模糊语言集中与每个预设隶属度函数对应的模糊语言等级个数，将所述每个预设隶属度函数平均分布在所述论域范围内，确定至少一个粗略隶属函数；

利用所述至少一个隶属度函数的中心、所述至少一个隶属度函数的宽度，对应替换所述至少一个粗略隶属函数形成的图像的峰值以及每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为所述目标模糊逻辑切换模型的至少一个隶属度函数；

通过预设模糊推理规则以及所述最优模糊输出结果向量，确定所述目标模糊逻辑切换模型的模糊推理规则。

可选地，所述在所述目标模糊逻辑切换模型的输入层获取用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量，包括：

在所述目标模糊逻辑切换模型的输入层，获取所述用户终端的导频信号强度以及所述用户终端的位置坐标；

获取覆盖所述用户终端的所述至少一个卫星中每个卫星的卫星负载、所述至少一个卫星中每个卫星的用户密集度、所述至少一个卫星中每个卫星的卫星能够使用的带宽以及所述至少一个卫星中每个卫星的位置坐标；

通过所述用户终端的位置坐标以及覆盖所述用户终端的所述至少一个卫星中每个卫星的位置坐标，确定所述用户终端能够利用所述至少一个卫星中每个卫星的时间，获取所述用户终端能够利用所述至少一个卫星中每个卫星的时间。

可选地，所述根据所述目标模糊逻辑切换模型的模糊推理规则、所述用户终端的所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定所述至少一个卫星中每个卫星的切换因子，包括：

将所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果对应到所述目标模糊逻辑切换模型的模糊推理规则中，得到每个卫星的每个输入量的模糊输出结果；

将所述每个卫星的每个输入量的模糊输出结果对应与每个规则归一化适用度相乘，对应确定所述至少一个卫星中每个卫星的切换因子。

为达到上述发明目的，本发明实施例还公开了一种卫星网络切换装置，包括：

模型确定模块，用于根据用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及所述至少一个参数对应的目标模糊逻辑切换模型，其中，至少一个输入量至少包括用户终端的导频信号强度、卫星负载、卫星的用户密集度、卫星能够使用的带宽、用户终端能够利用所述至少一个卫星中每个卫星的时间，所述至少一个参数包括至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及最优模糊输出结果向量；

输入量获取模块，用于根据所述目标模糊逻辑切换模型，在所述目标模糊逻辑切换模型的输入层，获取所述用户终端以及覆盖所述用户终端的至少一个卫星的至少一个输入量；

推理结果确定模块，用于按照与所述至少一个输入量对应的至少一个隶属度函数、所述目标模糊逻辑切换模型的预设模糊语言集，对所述至少一个输入量模糊化处理，得到所述用户终端的所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果；

切换因子确定模块，用于根据所述目标模糊逻辑切换模型的模糊推理规则、所述用户终端的所述至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定所述至少一个卫星中每个卫星的切换因子；

切换模块，用于选择大于预设持续时间的所述至少一个卫星中的至少一个待切换卫星、对应的切换因子中最大的切换因子，将所述切换因子对应的待切换卫星确定为目标卫星，将所述用户终端切换到所述目标卫星下。

本发明实施例提供的一种卫星网络切换方法及装置，通过历史数据或者在线数据确定的目标模糊逻辑切换模型，通过该目标模糊逻辑切换模型的模糊推理规则以及目标模糊逻辑切换模型的预设模糊语言集对至少一个输入量模糊化，该目标模糊逻辑切换模型的模糊推理规则修正了传统方法中的模糊推理规则，不过于依赖专家经验得到适应不同网络环境的模糊推理规则，从而使得模糊推理更加准确。通过目标模糊逻辑切换模型、修正的隶属度函数以及模糊推理规则，得到的覆盖用户终端的所有卫星的切换因子更加准确。通过将用户终端切换到大于预设持续时间中大于预设切换因子的最大的切换因子对应的卫星下，可减少切换的频率，实现增强卫星网络切换的自适应性与稳定性。本发明实施例的一种卫星网络切换方法及装置，综合考虑了网络状况和移动终端的信号状况和位置信息，最终实现稳定、低频率的为用户终端切换可使用的移动卫星。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种卫星网络切换方法流程图；

图2为本发明实施例的一种卫星网络切换方法的导频信号强度隶属度函数图像变化图；

图3为本发明实施例的一种卫星网络切换方法的卫星负载隶属度函数图像变化图；

图4为本发明实施例的一种卫星网络切换方法的目标模糊逻辑切换模型结构图；

图5为本发明实施例的一种卫星网络切换方法的过程示意图；

图6为本发明实施例的一种卫星网络切换装置示意图。

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。

为达到上述发明目的，本发明实施例公开了一种卫星网络切换方法，如图1所示。图1为本发明实施例的一种卫星网络切换方法流程图，包括：

s101，根据用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及至少一个参数对应的目标模糊逻辑切换模型，其中，至少一个输入量至少包括用户终端的导频信号强度、卫星负载、卫星的用户密集度、卫星能够使用的带宽、用户终端能够利用至少一个卫星中每个卫星的时间，至少一个参数包括至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及最优模糊输出结果向量；

在本发明实施例中，将现有模糊逻辑切换系统模型中已有的对用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量模糊处理的隶属度函数定义为预设隶属度函数。将现有模糊逻辑切换系统模型中根据预设隶属度函数对每个输入量模糊处理，将每个输入量模糊处理输出结果对应输入到已有的模糊语言集，将该模糊语言集定义为预设模糊语言集。该预设模糊语言集为根据预设隶属度函数对每个输入量模糊处理，将每个处理结果用模糊语言模糊化处理，以使模糊处理结果能够应用在模糊推理规则的所有规则中。将现有模糊逻辑切换系统模型中已有的模糊推理规则定义为预设模糊推理规则。通过训练调整现有模糊逻辑切换系统模型的预设隶属度函数和预设模糊推理规则的多个参数，得到对应当前用户终端最优网络环境下的隶属度函数和模糊推理规则，将该最优网络环境下的隶属度函数和模糊推理规则对应的模糊逻辑切换系统模型定义为目标模糊逻辑切换模型。

模糊神经网络就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。在控制领域中，所关心的是由模糊神经网络构成的模糊控制器。本发明实施例通过模糊神经网络理论基础与现有模糊逻辑系统模型的结合形成本发明实施例的一种卫星网络切换方法。

具体地，通过历史经验分析模糊逻辑切换系统模型的性能，为达到该模糊逻辑切换系统模型最优化的性能设定一个数值，将该数据定义为该模糊逻辑切换系统模型的阈值。当用户终端的网络环境性能低于阈值时，使用在线数据，直接获取至少一组当前用户终端以及覆盖该用户终端的至少一个卫星的至少一个输入量作为样本训练，对应得到至少一个切换因子。因为用户终端的导频信号强度、卫星负载、卫星的用户密集度、卫星能够使用的带宽、用户终端能够利用至少一个卫星中每个卫星的时间这几个参数对最后的切换因子影响较大，因此在模糊逻辑切换系统模型中获取这几个参数最终得到的结果更准确。反之，在离线状态下使用当前用户终端以及覆盖该用户终端的至少一个卫星的至少一个输入量的历史数据作为样本训练，得到至少一个切换因子。

在所有的切换因子中选取当前用户网络环境下最优切换因子。因为得到该切换因子通过模糊逻辑切换系统模型的隶属度函数的模糊处理以及模糊推理规则的规则推理运算，则可通过对样本以及现有模糊逻辑切换系统模型训练以及模糊神将网络的反馈调节，反推出在该当前用户终端环境下确定该最优切换因子的至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及最优模糊输出结果向量。根据得到的至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及模糊逻辑切换系统模型中预设隶属度函数，对应得到当前用户网络环境下的至少一个隶属度函数。根据最优模糊输出结果向量以及模糊逻辑切换系统模型中预设模糊推理规则，得到当前用户网络环境下的模糊推理规则。将当前用户网络环境下的至少一个隶属度函数以及当前用户网络环境下的模糊推理规则形成的模糊逻辑切换系统模型作为目标模糊逻辑切换模型。

s102，根据目标模糊逻辑切换模型，在目标模糊逻辑切换模型的输入层获取用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量；

在本步骤中，根据s101确定的目标模糊逻辑切换模型的功能以及神经网络理论的结构，将该目标模糊逻辑切换模型可分为5层，即为：输入层、模糊化层、规则层、结论层和输出层。输入层主要用于接收至少一个输入量，并将至少一个输入量对应输入到模糊化层的模糊化子模块中。

具体地，在目标模糊逻辑切换模型的输入层接收到至少一个卫星的至少一个输入量，并将该至少一个输入量对应输入到模糊化层的模糊化子模块，进行模糊化处理。在本发明实施例中，可获取到导频信号强度、预估计服务时间、卫星负载、卫星能够使用的带宽和用户密集度作为至少一个输入量。

s103，按照与至少一个输入量对应的至少一个隶属度函数、目标模糊逻辑切换模型的预设模糊语言集，对至少一个输入量模糊化处理，得到用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果；

在本步骤中，至少一个隶属度函数进入到模糊化层中，该模糊化层中设置有模糊控制器对至少一个输入量模糊处理。在该模糊控制器中设置有与至少一个输入量对应的模糊化子模块，每个模糊化子模块中含有与该输入量对应的隶属度函数。另外，该模糊控制器中还设置有模糊语言集，该模糊语言集包含与至少一个输入量的个数对应的模糊语言。每个模糊语言包含有按照该输入量对切换影响的大小划分的不同等级个数的模糊言语。至少一个输入量通过模糊控制器对应的至少一个隶属度函数以及至少一个模糊语言的处理，得到至少一个卫星中每个卫星的每个输入量对应的模糊推理结果。模糊语言集可按照输入提前预设。

例如，在本发明实施例中，因为导频信号强度s、预估计服务时间t对切换影响程度较大，将其划分为5级，卫星负载l、卫星能够使用的带宽w和用户密集度dt对切换影响较小，将其划分为3级。对应形成导频信号强度模糊语言t(s)、预估计服务时间模糊语言t(t)、卫星负载模糊语言t(l)、卫星能够使用的带宽模糊语言t(w)和用户密集度模糊语言t(dt)的预设模糊语言集，如下所示：

具体地，模糊控制器中的至少一个隶属度函数以及按照上述预设模糊语言集，对至少一个输入量模糊化处理，得到当前用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果。

s104，根据目标模糊逻辑切换模型的模糊推理规则、用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定至少一个卫星中每个卫星的切换因子；

在本步骤中，通过模糊化层的对至少一个输入量模糊处理完成后，在规则层按照上述s101得到的目标模糊逻辑切换模型的模糊推理规则，对上述s103得到的每个卫星的每个输入量对应的模糊推理结果推理以及运算，对应得到至少一个卫星中每个卫星的切换因子，将至少一个卫星中每个卫星的切换因子在输出层输出。

s105，选择大于预设持续时间的至少一个卫星中的至少一个待切换卫星、对应的切换因子中最大的切换因子，将切换因子对应的至少一个待切换卫星确定为目标卫星，将用户终端切换到目标卫星下。

在本步骤中，为了防止频繁切换对用户终端以及移动卫星终端的产生不便，可通过移动卫星对每个用户服务的持续时间的历史数据以及经验分析，设定预设持续时间，将至少一个卫星中用户服务的持续时间大于预设持续时间的卫星定义为待切换卫星。在至少一个待切换卫星的切换因子中选择最大的切换因子，将该最大的切换因子对应的待切换卫星定义为目标卫星。

具体为，在覆盖当前用户的至少一个卫星中通过预设持续时间选择至少一个待切换卫星，在至少一个待切换卫星对应的通过最大切换因子选择目标卫星，将当前用户切换到目标卫星下。

本发明实施例提供的一种卫星网络切换方法，通过历史数据或者在线数据确定的目标模糊逻辑切换模型，通过该目标模糊逻辑切换模型的模糊推理规则以及目标模糊逻辑切换模型的预设模糊语言集对至少一个输入量模糊化，该目标模糊逻辑切换模型的模糊推理规则修正了传统方法中的模糊推理规则，不过于依赖专家经验得到适应不同网络环境的模糊推理规则，从而使得模糊推理更加准确。通过目标模糊逻辑切换模型、修正的隶属度函数以及模糊推理规则，得到的覆盖用户终端的所有卫星的切换因子更加准确。通过将用户终端切换到大于预设持续时间中大于预设切换因子的最大的切换因子对应的卫星下，可减少切换的频率，实现增强卫星网络切换的自适应性与稳定性。本发明实施例的一种卫星网络切换方法及装置，综合考虑了网络状况和移动终端的信号状况和位置信息，最终实现稳定、低频率的为用户终端切换可使用的移动卫星。

可选地，在本发明实施例的卫星网络切换方法的一种实施例中，根据用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及至少一个参数对应的目标模糊逻辑切换模型，包括：

步骤一，根据用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，获取至少一组用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量，通过预设切换因子，确定小于预设误差下的最优切换因子；

在本步骤中，通过经验分析得到当前环境下的最优切换因子，将该切换因子定义为预设切换因子。设定一个实际输出切换因子与预设切换因子的误差范围，将该误差范围定义为预设误差。具体为，通过将历史数据或者在线数据的当前用户以及覆盖该用户的所有移动卫星的至少一个输入量作为样本训练集。每次在该样本集中选取一组至少一个输入量，将该至少一个输入量通过模糊逻辑切换系统模型的隶属度函数的模糊处理以及模糊推理规则的规则推理运算，得到至少一个切换因子。通过每次判断每组样本的实际输出切换因子与预设切换因子的误差，将小于预设误差的误差最小情况下对应的实际输出切换因子作为最优切换因子。

在本发明实施例中，可按照如下公式表示求出切换因子z：

其中，i表示任一输入量，m表示输入量的总个数，ψi表示与输入量i对应的规则归一化使用度，fi表示与输入量i对应使用模糊逻辑切换系统模糊推理规则的模糊输出结果。

误差e计算采用如下公式计算：

其中，zd表示预设切换因子，z表示实际输出切换因子。

本发明实施例采用回归最小二乘法确定模糊输出结果向量f，公式如下：

其中，初始条件为f0＝0和s0＝χi。si表示第i个输入量的协方差矩阵，ψi表示ψ的第i列，fi表示经过第i次迭代后的模糊输出结果矩阵，χ表示一个足够大的正数，i表示单位矩阵。

当样本训练集的数据增多时，最小二乘法会逐渐进入饱和状态而失去调整能力，本发明使用遗忘因子λ来使新加入的数据具有较大的加权来解决该问题，则

其中，si表示第i个输入量的协方差矩阵，ψi表示ψ的第i列，χ表示一个足够大的正数。

其中，0<λ<1，λ越小，表示数据遗忘越快。

在上述训练下，通过预设切换因子，可确定出小于预设误差下的最优切换因子。

通过上述公式，以及分析可得出实际输出切换因子中的最优切换因子。

步骤二，通过混合最速下降法和最小均方估计，确定最优切换因子对应的至少一个隶属度函数的中心、至少一个隶属度函数的宽度；

最速下降法又称为梯度法，它是解析法中最古老的一种，它是最优化方法的基础。它的基本思想是从当前自变量开始，取该函数在该自变量出下降最快的方向作为搜索的方向。通过该函数表达式的泰勒展开式构造出最速下降法的迭代步骤。最速下降法在模式识别和机器学习中运用最为广泛，要通过这些训练数据来学习系统的函数。混合最速下降法是最速下降法的变形算法，利用混合最速下降法在反馈调节中调节训练数据的参数。混合最速下降法分别介绍了两种动态确定学习率的方法，第一种是非精确线搜索，另一种是精确线搜索。

最小均方估计的思想为：在增加很少运算量的情况下能够加速其收敛速度，这样在自适应均衡的时候就可以很快的跟踪到被估计量参数，减少了训练序列的发送时间，从而提高了信道的利用率。

在上述得到最优切换因子后，可通过混合最速下降法和最小均方估计反推该最优切换因子对应的至少一个隶属度函数的中心、至少一个隶属度函数的宽度。

使用通过混合最速下降法，按照迭代的方式可确定出于至少一个输入量个数对应的至少一个隶属度函数的中心以及至少一个隶属度函数的宽度。

具体迭代运算如下

其中，ci表示输入量i对应的隶属度函数的中心，bi表示输入量i对应的隶属度函数的宽度，β表示网络学习率，k表示当前迭代次数。

步骤三，通过预设切换因子向量、预设规则归一化适用度向量，确定在最小误差能量状况下的输出切换因子向量对应的模糊输出结果向量，将模糊输出结果向量确定为最优模糊输出结果向量；

在本步骤中，所有的切换因子组成切换因子向量z，每条模糊推理规则对应一个规则归一化适用度，所有的规则归一化适用度组成的向量称为规则归一化适用度向量ψ，所有的模糊输出结果组成模糊输出结果向量f。在本发明实施例中，设定理想输出的切换因子向量为预设切换因子向量，将当前模糊逻辑切换系统模型下的规则归一化适用度向量设定为预设规则归一化适用度向量。切换因子向量z、规则归一化适用度向量ψ、模糊输出结果向量f具有如下关系：

z＝f×ψ

其中

f＝[α10…αm0α11…αm1α1r…αmr]

预设切换因子向量t以及预设规则归一化适用度向量ψ有如下关系：

z＝f×ψ

e＝||t-z||

我们的目标是在预设切换因子向量t以及预设规则归一化适用度向量ψ之间寻找一个模糊输出结果向量，使误差能量最小，即为确定最优模糊输出结果向量f^*。该问题可用如下的线性最小二乘法逼近：

f^*×ψ＝t

最优模糊输出结果向量f^*具有如下形式：

f^*＝t(ψ^tψ)^-1ψ^t

其中，ψ^t表示ψ的转置，ψ⁺＝(ψ^tψ)^-1ψ^t表示ψ的广义逆矩阵。

步骤四，根据至少一个隶属度函数的中心、至少一个隶属度函数的宽度，确定目标模糊逻辑切换模型的至少一个隶属度函数，以及根据最优模糊输出结果向量，确定目标模糊逻辑切换模型的模糊推理规则；

首先，按照预设模糊语言集中与每个预设隶属度函数对应的模糊语言等级个数，将每个预设隶属度函数平均分布在论域范围内，确定至少一个粗略隶属函数。

隶属度函数是模糊控制系统中的重要模糊处理手段。在模糊控制器中按照输入量的个数可对应设置预设隶属度函数的个数。为了去除每个输入量的不同量纲，可采用归一化处理，将每一个移动卫星的每一组输入量归一化到[0,1]论域范围上。具体归一化公式如下：

其中，x表示实际输入量，xmax表示对应该输入量的最大量，xmin表示对应该输入量的最小量，y表示归一化后的输入量。

将输入量归一化在[0,1]论域范围上后，按照预设模糊语言集中与该输入量对应的模糊语言的分级个数，将每个预设隶属度函数平均分布在[0,1]论域范围内，确定出至少一个粗略隶属函数。

其次，利用至少一个隶属度函数的中心、至少一个隶属度函数的宽度，对应替换至少一个粗略隶属函数形成的图像的峰值以每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为目标模糊逻辑切换模型的至少一个隶属度函数。

虽然梯形/三角形隶属度函数有方程简单和计算效率高的优点，但其不可导的特性使其在神经网络学习难以进行。本发明实施例采用可微可导的高斯隶属度函数μa(xi)，如下所示：

其中，xi表示至少一个输入量的第i个输入量的值，mi表示与第i个输入量对应的隶属度函数的峰值点的横坐标，σi表示第i个输入对应的隶属度函数的标准差。

一个预设模糊语言集对应n个隶属度函数组成的隶属度函数簇，n为模糊语言集的中模糊语言的个数。

假设输入层给模糊化层传输了n个输入量，模糊化层对n个输入量模糊化处理，则模糊化层共有节点。每个节点表示一个输入量对应的mi个隶属度函数。本发明采用高斯隶属度函数，则对于第i个输入量的第j个隶属函数的节点有：

其中，表示输入量i对应第j个高斯隶属度函数输出的隶属度值，cij表示输入量i对应第j个高斯隶属度函数的中心、bij表示输入量i对应第j个高斯隶属度函数的宽度，n表示输入的数量，mi表示第i个输入量对应的模糊子集数。

根据该公式，可画出至少一个输入量的图像，利用确定的至少一个隶属度函数的中心、至少一个隶属度函数的宽度，对应替换该图像的峰值以及每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为目标模糊逻辑切换模型的至少一个隶属度函数。

例如，图2所示的本发明实施例的一种卫星网络切换方法的导频信号强度隶属度函数图像变化图。在图2中，横坐标表示导频信号强度，纵坐标表示利用预设导频信号强度隶属度函数计算得到隶属度。图2的左图表示根据上述高斯公式以及按照预设模糊语言集中与导频信号强度模糊语言形成的预设导频信号强度的隶属度函数图像。根据导频信号强度模糊语言5个等级(分别对应图2中低l、较低sl、中m、较高sh、高s)，将高斯公式下的导频信号强度平均分配在[0,1]论域范围内，形成导频信号强度粗略隶属函数的图像。利用确定出的导频信号强度隶属度函数的中心、导频信号强度隶属度函数的宽度，对应替换导频信号强度粗略隶属函数形成的图像的峰值以每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为目标模糊逻辑切换模型的导频信号强度隶属度函数，得到图2的右图所示的目标模糊逻辑切换模型的导频信号强度属度函数图像。

图3为的本发明实施例的一种卫星网络切换方法的卫星负载隶属度函数图像变化图。在图3中，横坐标表示卫星负载，纵坐标利用预设卫星负载的隶属度函数计算得到隶属度。图3中左图表示根据上述高斯公式以及按照预设模糊语言集中与卫星负载模糊语言形成的预设卫星负载的隶属度函数图像。根据卫星负载模糊语言3个等级(分别对应图3中低l、中m、高s)，将高斯公式下的卫星负载平均分配在[0,1]论域范围内，形成卫星负载粗略隶属函数的图像。利用确定出的卫星负载隶属度函数的中心、卫星负载隶属度函数的宽度，对应替换卫星负载粗略隶属函数形成的图像的峰值以每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为目标模糊逻辑切换模型的卫星负载隶属度函数，得到图2的右图所示的目标模糊逻辑切换模型的卫星负载隶属度函数图像。

最后，通过预设模糊推理规则以及最优模糊输出结果向量，确定目标模糊逻辑切换模型的模糊推理规则。

步骤五，将至少一个隶属度函数以及模糊推理规则对应的模糊逻辑切换模型，确定为目标模糊逻辑切换模型。

可见，通过本发明实施例，可确定出当前用户环境下的模糊逻辑切换模型，将该模糊逻辑切换模型确定为目标模糊逻辑切换模型，通过该目标模糊逻辑切换模型得到最后的切换因子更适合当前用户的网络环境，使得切换更加准确。

本发明实施例的一种卫星网络切换方法的目标模糊逻辑切换模型结构图，如图4所示。本发明实施例的目标模糊逻辑切换模型在功能上可等价于tsk(takagi-sugeno-kang)模糊模型。

在该目标模糊逻辑切换模型结构图中，按照功能可划分成5个部分，第一部分为用户终端以及覆盖该用户终端的至少一个卫星的至少一个输入量的输入端，即为输入层。从图4中可知，在该输入端每次获取到用户终端以及覆盖该用户终端的至少一个卫星中的一个卫星的一组输入量。如图4中所示的用户终端的导频信号强度xrsrp、卫星负载xl、用户密集度xuc以及卫星能够使用的带宽xub。

第二部分为对输入的至少一个输入量模糊化处理，输入至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，即为模糊化层。第三部分为按照目标模糊逻辑切换模型的模糊推理规则π对每个卫星的每个输入量对应的模糊推理结果模糊推理，得到每个卫星的每个输入量的模糊输出结果n，即为规则层。将每个卫星的每个输入量的模糊输出结果综合得到σ，根据每个卫星的每个输入量的模糊输出结果运算得到每组输入量的切换因子，输出切换因子，即为与结论层与输出层。

通过该目标模糊逻辑切换模型结构，实现将至少一个输入量模糊化在清晰化，最终得到一组至少一个输入量对应的切换因子。与上述目标模糊逻辑切换模型结构对应的过程可如图5所示。

图5中表示，在该目标模糊逻辑切换模型输入层获取到至少一个输入量后，将每组至少一个输入量输入到模糊化层。该模糊化层的模糊控制器中设置有模糊化模块，模糊化模块中与每个输入量对应的模糊化子模块1到模糊化子模块n的多个隶属度函数对输入量处理，以及通过预设模糊语言集中与该输入量对应的模糊语言集的模糊化，得到每个输入量对应的模糊推理结果。通过预设模糊语言集对每个输入量对应的模糊推理结果推理，得到每个卫星的每个输入量的模糊输出结果。通过清晰化运算得到每个卫星的切换因子。

可选地，在本发明实施例的卫星网络切换方法的一种实施例中，在目标模糊逻辑切换模型的输入层获取用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量，包括：

在本发明实施例中选取了用户终端测量参数2个，卫星统计测量参数4个，其中需要注意的是用户端的位置坐标和移动卫星的位置坐标信息不是直接作为输入，而是先通过计算得到预估计服务时间后目标模糊逻辑切换模型中。本发明实施例可输入用户终端的卫星负载s、预估计服务时间t，卫星终端的卫星负载l、卫星能够使用的带宽w和用户密集度dt。具体获取如下:

步骤一，在目标模糊逻辑切换模型的输入层，获取用户终端的导频卫星负载以及用户终端的位置坐标；

步骤二，获取覆盖用户终端的至少一个卫星中每个卫星的卫星负载、至少一个卫星中每个卫星的用户密集度、至少一个卫星中每个卫星的卫星能够使用的带宽以及至少一个卫星中每个卫星的位置坐标；

步骤三，通过用户终端的位置坐标以及覆盖用户终端的至少一个卫星中每个卫星的位置坐标，确定用户终端能够利用至少一个卫星中每个卫星的时间，获取用户终端能够利用至少一个卫星中每个卫星的时间。

可见，本发明通过并行输入机制同时输入多个输入量进行模糊化处理。通过本发明实施例获取多个输入量，解决了的基于功率、基于用户密度、基于位置信息的切换方法中输入参数单一考虑因素单一的问题，将多个参数综合考虑最终得出更加准确的切换因子。

可选地，在本发明实施例的卫星网络切换方法的一种实施例中，根据目标模糊逻辑切换模型的模糊推理规则、用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定至少一个卫星中每个卫星的切换因子，包括：

将至少一个卫星中每个卫星的每个输入量对应的模糊推理结果对应到目标模糊逻辑切换模型的模糊推理规则中，得到每个卫星的每个输入量的模糊输出结果；

在本步骤中，在模糊化层对至少一个输入量模糊化处理后，输入至少一个卫星中每个卫星的每个输入量对应的模糊推理结果到规则层以及结论层。通过目标模糊逻辑切换模型的模糊推理规则对每个卫星的每个输入量对应的模糊推理结果，得到每个卫星的每个输入量的模糊输出结果。

具体地，本发明实施例的目标模糊切换模型可采用tsk(takagi-sugeno-kang)模糊模型，tsk模糊模型的采用的模糊推理规则如下：

rulei:if(xrsrpisa1)and...and(xucisc1)

thenf(i)＝pixrerp+....qixuc+rixub+si(1≤i≤m)

这里的pi、qi、ri和si是第i条规则对应的模糊系统参数。n表示模糊推理规则的数目。pi、qi、ri和si称为后向参数，在训练过程的会做权重调整。

在本发明实施例中，通过确定的最优模糊输出结果向量将上述模糊推理规则中的所有参数修正，可将上述模糊推理规则变为如下形式的目标模糊逻辑切换模型的模糊推理规则：

其中，表示第i个输入量的模糊语言集，表示实际输入的一组至少一个输入量，f(i)表示根据第i条模糊推理规则输出的当前用户与第i个卫星的一组输入量的模糊输出结果。

根据上述公式，得到当前用户每个卫星的每组输入量的模糊输出结果。

将每个卫星的每个输入量的模糊输出结果对应与每个规则归一化适用度相乘，对应确定至少一个卫星中每个卫星的切换因子。

在本步骤中，规则层以及结论层通过建立与模糊化层之间的全连接，与该模糊化层的预设模糊语言集进行组合匹配，通过输入模糊值的“与”运算，实现与该目标模糊逻辑切换模型的模糊推理规则的前件匹配，将每个卫星的每个输入量对应的模糊推理结果通过圆形结点乘积起来产生ωi：

其中，k表示第i个输入量对应的某一个隶属度函数的序号，节点数目为

将上述公式归一化，得到每个规则归一化适用度ψi：

将每个卫星的每个输入量的模糊输出结果对应与每个规则归一化适用度相乘，对应确定至少一个卫星中每个卫星的切换因子。

可通过如下公式计算切换因子：

可见，根据目标模糊逻辑切换模型的模糊推理规则、用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定至少一个卫星中每个卫星的切换因子，可实现得到的切换因子更加准确，是适用于当前用户终端的网路环境。

为达到上述发明目的，本发明实施例还公开了一种卫星网络切换装置，如图6所示，图6为本发明实施例的一种卫星网络切换装置示意图，包括：

模型确定模块601，用于根据用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，确定至少一个参数以及至少一个参数对应的目标模糊逻辑切换模型，其中，至少一个输入量至少包括用户终端的导频信号强度、卫星负载、卫星的用户密集度、卫星能够使用的带宽、用户终端能够利用至少一个卫星中每个卫星的时间，至少一个参数包括至少一个隶属度函数的中心、至少一个隶属度函数的宽度以及最优模糊输出结果向量；

输入量获取模块602，用于根据目标模糊逻辑切换模型，在目标模糊逻辑切换模型的输入层获取用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量；

推理结果确定模块603，用于按照与至少一个输入量对应的至少一个隶属度函数、目标模糊逻辑切换模型的预设模糊语言集，对至少一个输入量模糊化处理，得到用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果；

切换因子确定模块604，用于根据目标模糊逻辑切换模型的模糊推理规则、用户终端的至少一个卫星中每个卫星的每个输入量对应的模糊推理结果，对应确定至少一个卫星中每个卫星的切换因子；

切换模块605，用于选择大于预设持续时间的至少一个卫星中的至少一个待切换卫星、对应的切换因子中最大的切换因子，将切换因子对应的待切换卫星确定为目标卫星，将用户终端切换到目标卫星下。

本发明实施例提供的一种卫星网络切换装置，通过历史数据或者在线数据确定的目标模糊逻辑切换模型，通过该目标模糊逻辑切换模型的模糊推理规则以及目标模糊逻辑切换模型的预设模糊语言集对至少一个输入量模糊化，该目标模糊逻辑切换模型的模糊推理规则修正了传统方法中的模糊推理规则，不过于依赖专家经验得到适应不同网络环境的模糊推理规则，从而使得模糊推理更加准确。通过目标模糊逻辑切换模型、修正的隶属度函数以及模糊推理规则，得到的覆盖用户终端的所有卫星的切换因子更加准确。通过将用户终端切换到大于预设持续时间中大于预设切换因子的最大的切换因子对应的卫星下，可减少切换的频率，实现增强卫星网络切换的自适应性与稳定性。本发明实施例的一种卫星网络切换方法及装置，综合考虑了网络状况和移动终端的信号状况和位置信息，最终实现稳定、低频率的为用户终端切换可使用的移动卫星。

需要说明的是，本发明实施例的装置是应用上述一种卫星网络切换方法的装置，则上述卫星网络切换方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

可选地，模型确定模块601，包括：

期望切换因子确定子模块，用于根据用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量的历史数据或者在线数据，获取至少一组用户终端以及覆盖用户终端的至少一个卫星的至少一个输入量，通过预设切换因子，确定小于预设误差下的最优切换因子；

第一确定子模块，用于通过混合最速下降法和最小均方估计，确定最优切换因子对应的至少一个隶属度函数的中心、至少一个隶属度函数的宽度；

第二确定子模块，用于通过预设切换因子向量、预设规则归一化适用度向量，确定在最小误差能量状况下的输出切换因子向量对应的模糊输出结果向量，将模糊输出结果向量确定为最优模糊输出结果向量；

第三确定子模块，用于根据至少一个隶属度函数的中心、至少一个隶属度函数的宽度，确定目标模糊逻辑切换模型的至少一个隶属度函数，以及根据最优模糊输出结果向量，确定目标模糊逻辑切换模型的模糊推理规则；

模型确定子模块，用于将至少一个隶属度函数以及模糊推理规则对应的模糊逻辑切换模型，确定为目标模糊逻辑切换模型。

可选地，第三确定子模块，包括：

粗略隶属函数确定单元，用于按照预设模糊语言集中与每个预设隶属度函数对应的模糊语言等级个数，将每个预设隶属度函数平均分布在论域范围内，确定至少一个粗略隶属函数；

隶属度函数确定单元，用于利用至少一个隶属度函数的中心、至少一个隶属度函数的宽度，对应替换至少一个粗略隶属函数形成的图像的峰值以及每个峰值间的宽度，将替换后的图像对应的隶属度函数确定为目标模糊逻辑切换模型的至少一个隶属度函数；

模糊推理规则确定单元，用于通过预设模糊推理规则以及最优模糊输出结果向量，确定目标模糊逻辑切换模型的模糊推理规则。

可选地，输入量获取模块602，包括：

第一输入量获取子模块，用于在目标模糊逻辑切换模型的输入层，获取用户终端的导频信号强度以及用户终端的位置坐标；

第二输入量获取子模块，用于获取覆盖用户终端的至少一个卫星中每个卫星的卫星负载、至少一个卫星中每个卫星的用户密集度、至少一个卫星中每个卫星的卫星能够使用的带宽以及至少一个卫星中每个卫星的位置坐标；

第三输入量获取子模块，用于通过用户终端的位置坐标以及覆盖用户终端的至少一个卫星中每个卫星的位置坐标，确定用户终端能够利用至少一个卫星中每个卫星的时间，获取用户终端能够利用至少一个卫星中每个卫星的时间。

可选地，切换因子确定模块605，包括：

模糊判决信息确定子模块，用于将至少一个卫星中每个卫星的每个输入量对应的模糊推理结果对应到目标模糊逻辑切换模型的模糊推理规则中，得到每个卫星的每个输入量的模糊输出结果；

切换因子确定子模块，用于将每个卫星的每个输入量的模糊输出结果对应与每个规则归一化适用度相乘，对应确定至少一个卫星中每个卫星的切换因子。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。