一种基于机器学习的WIFI智能预测切换方法与流程

本发明涉及移动通信网络技术领域，尤其涉及一种基于机器学习的wifi智能预测切换方法。

背景技术：

目前，移动通信终端均配置有wifi功能，其最主要的优势在于不需要布线即可上网，不受布线条件的限制，因此非常适合移动终端设备的需要。几乎所有智能手机、平板电脑和笔记本电脑都支持wifi上网，是当今使用最广的一种无线网络传输技术。

但是当移动终端设备在网络内移动时，移动设备将连接到各种ap，切换过程不能始终保持平滑连接，导致服务质量(qos)的显著波动和可能的长连接中断。而且由于存在wifi网络盲点，这种情况进一步恶化，其中信号功率不足以支持数据速率：这些通常包括电梯和楼梯，但也包括走廊甚至房间的一部分。当用户到达网络盲点时，连接中断。截至目前，视频流产生了45％的移动数据流量，预计2019年将增长到62％。显然，移动终端设备上的视频流将特别受到临时连接损失的影响，并且视频停顿被用户视为主要问题。

因此，现有技术中出现了各种解决方案来缓解这些问题，包括视频播放器和网络之间的交互，以接收关于即将到来的连接丢失的信息，或者设备本身的丢失预测，以及对播放器的适当干预(例如，数据速率降低和缓冲器填充)。又或者将信道和移动预测与信道辅助视频优化相结合。所有预期策略的关键要素是适当的信道条件的长期预测，其时间尺度远大于小规模衰落。对于预测，大多数现有方法基于特定的信道模型或广泛而详细的信道地图。然而，这两种方法可能不足以确保视频流qos：一方面，模型预测可能不足以满足预期解决方案的长期需求，而另一方面，地图需要提供过于详细的信息，具有较高的实施复杂。

技术实现要素：

本发明针对上述现有技术存在的一些问题，提出如下的技术方案：

一种基于机器学习的wifi智能预测切换方法,应用于移动通信终端，所述方法包括如下步骤：

步骤1，移动终端设备收集当前区域m个wifi热点的信号强度γp(t)、设备当前连接热点a(t)以及δ时刻后设备连接热点aδ(t)；

步骤2，对信号强度γp(t)数据采用最大—最小标准进行归一化处理；

步骤3，定义神经网络的结构和前向传播的预期输出结果，若aδ(t)≠a(t)，输出为0，反之为1；

步骤4，定义神经网络的激活函数和代价函数；

步骤5，采用反向传播算法反复迭代求得神经网络最合适的权重矩阵；

步骤6，通过步骤5训练出的模型，预测移动终端设备δ时刻后是否仍在当前wifi区域来决定wifi切换是否必要。

进一步地，所述步骤2中，所述最大—最小标准进行归一化处理具体为：

其中γp(t)min为数据集γp(t)中的最小值，γp(t)max为数据集γp(t)中的最大值，归一化后的总数据集设为{γ⁽ⁱ⁾(t),y⁽ⁱ⁾}。

进一步地，所述步骤3中，构建神经网络的结构，神经网络的层数l＝3，输入神经元节点和wifi热点数量一致，隐层神经元初始为l＝12个，其在训练过程中可变，输出神经元为1个，神经元节点偏置项为0，人工神经网络学习率为η。

进一步地，所述步骤3中，神经网络预期输出设为：

由于步骤1中的数据每隔δ＝0.25s采集一次，则m次数据采集结果为：

{γp⁽ⁱ⁾(t),y⁽ⁱ⁾}＝{(γp⁽¹⁾(t),y⁽¹⁾),(γp⁽²⁾(t),y⁽²⁾)…(γp^(m)(t),y^(m))}

进一步地，所述步骤4中，激活函数为：

其中为神经元节点特征参数矩阵，γ(t)为归一化处理后的信号强度值；

代价函数为：

第i层神经元代价函数的偏导数为：

综上可得神经网络每个节点(第i层第j个)的权重的更新公式为：

wij＝wij+η·δwij(3-3)

其中：δwij＝ηgibj

bj是隐层第j个神经元的输出,可由式3-1求得，η为人工神经网络预设的学习率。

进一步地，所述步骤5中，采用反向传播算法重复以下步骤反复迭代求得神经网络最合适的权重矩阵：

步骤5-1，在(0，1)范围内随机初始化神经网络中所有特征参数；

步骤5-2，对于({γ⁽ⁱ⁾(t),y⁽ⁱ⁾})根据当前参数和式(3-1)计算当前样本输出hθ(γ⁽ⁱ⁾(t))；

步骤5-3，根据式3-2式计算输出层的神经元梯度项gi；

步骤5-4，根据式3-3更新特征参数，至预期输出与当前样本输出误差小于限定值，完成模型训练。

进一步地，所述步骤6中，移动终端设备连接当前区域wifi信号强度最佳的热点之后，若信号强度出现波动并低于阀值，由训练出的模型通过比对当前所有wifi热点信号强度值，若输出结果为1，则判定移动终端设备在δ时间后将处于另一wifi热点区域内，检测到即将到来的wifi切换。wifi信号强度波动不是干扰造成，决定执行切换。若输出结果为0则反之。

本发明到达的有益效果为：本发明对采集的wifi信号强度数据集进行归一化的处理，保证在训练过程快速收敛，提高训练效率；预测技术基于机器学习方法，其中人工神经网络学习然后识别rssi演变的模式，对噪声，速度和衰落现象具有弹性，有效提高网络的稳定性。

附图说明

图1为本发明的方法流程图。

图2为人工神经网络结构示意图。

图3为区域ap热点分布以及设备运动示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

设网络覆盖区域与移动通信终端运动方式如图3所示，网络ap热点数量m＝8，分别位于该楼层地图走廊的末端和中间。移动通信终端的运动方向为①→②→③→④→⑤→⑥→⑦→⑧→①。运动角度为②、④、⑥、⑧区域走廊平行的单位矢量和其他所有区域的走廊形成的π/4夹角。

参见图1，一种基于机器学习的wifi智能预测切换方法,应用于移动通信终端，所述方法包括如下步骤：

步骤1，移动终端设备收集当前区域m个wifi热点的信号强度γp(t)、设备当前连接热点a(t)以及δ时刻后设备连接热点aδ(t)。在本实施例中，收集8个ap热点(a(1),a(2),a(3),a(4),a(5),a(6),a(7),a(8))信号强度数据集。

每次采集结果为

步骤2，对信号强度γp(t)数据采用最大—最小标准进行归一化处理。

所述步骤2中，所述最大—最小标准进行归一化处理具体为：

其中γp(t)min为数据集γp(t)中的最小值，γp(t)max为数据集γp(t)中的最大值，归一化后的总数据集设为{γ⁽ⁱ⁾(t),y⁽ⁱ⁾}。

步骤3，定义神经网络的结构和前向传播的预期输出结果，若aδ(t)＝a(t)，输出为0，反之为1。

所述步骤3中，如图2所示，构建神经网络的结构，神经网络的层数l＝3，输入神经元节点和wifi热点数量一致，隐层神经元初始为l＝12个，其在训练过程中可变，输出神经元为1个，神经元节点偏置项为0，人工神经网络学习率为η。

所述步骤3中，神经网络预期输出设为：

由于步骤1中的数据每隔δ＝0.25s采集一次，则m次数据采集结果为：

{γp⁽ⁱ⁾(t),y⁽ⁱ⁾}＝{(γp⁽¹⁾(t),y⁽¹⁾),(γp⁽²⁾(t),y⁽²⁾)…(γp^(m)(t),y^(m))}。

步骤4，定义神经网络的激活函数和代价函数。

所述步骤4中，激活函数为：

其中为神经元节点特征参数矩阵，γ(t)为归一化处理后的信号强度值。

代价函数为：

第i层神经元代价函数的偏导数为：

综上可得神经网络每个节点(第i层第j个)的权重的更新公式为：

wij＝wij+η·δwij(3-3)

其中：δwij＝ηgibj

bj是隐层第j个神经元的输出,可由式3-1求得，η为人工神经网络预设的学习率。

步骤5，采用反向传播算法反复迭代求得神经网络最合适的权重矩阵。

所述步骤5中，采用反向传播算法重复以下步骤反复迭代求得神经网络最合适的权重矩阵：

步骤5-1，在(0，1)范围内随机初始化神经网络中所有特征参数。

步骤5-2，对于({γ⁽ⁱ⁾(t),y⁽ⁱ⁾})根据当前参数和式(3-1)计算当前样本输出hθ(γ⁽ⁱ⁾(t))；

步骤5-3，根据式3-2式计算输出层的神经元梯度项gi。

步骤5-4，根据式3-3更新特征参数，至预期输出与当前样本输出误差小于限定值，完成模型训练。

步骤6，通过步骤5训练出的模型，预测移动终端设备δ时刻后是否仍在当前wifi区域来决定wifi切换是否必要。

所述步骤6中，移动终端设备连接当前区域wifi信号强度最佳的热点之后，若信号强度出现波动并低于阀值，由训练出的模型通过比对当前所有wifi热点信号强度值，若输出结果为1，则判定移动终端设备在δ时间后将处于另一wifi热点区域内，检测到即将到来的wifi切换。wifi信号强度波动不是干扰造成，决定执行切换。若输出结果为0则反之。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。