专利名称：一种资源预留智能呼叫接纳控制方法及装置的制作方法
技术领域：
本发明涉及呼叫接纳控制方法，特别是一种基于资源预留的智能呼叫接纳控制(RRICACResource Reserved Intelligent Call Admission Control)方法及装置，属通信系统资源管理领域。
背景技术：
呼叫接纳控制方法正在发展阶段。当前，CDMA蜂窝通信系统中呼叫叫接纳控制方案的研究主要有三大类一类是基于SIR或总干扰信号功率的CAC算法；另一类是基于系统容量分析模型的CAC算法；再一类是基于功率控制模型的CAC算法。但是这些算法研究要么只局限于单一业务系统，要么不能同时满足系统多个QoS要求。
Chang Chung-Ju在其文章“宽带CDMA蜂窝系统中不同Qos要求下的智能呼叫接纳控制”(Intelligent Call Admission Control for Differentiated QoSProvisioning in Wideband CDMA Cellular Systems)一文中针对以上问题提出了基于神经网络辨识和模糊决策技术的智能呼叫接纳控制(ICAC)方案，分别利用模糊决策和神经网络辨识能力，估计新用户请求产生的等效干扰及系统中已连接用户的平均干扰，然后根据估计的两个干扰和系统反馈的当前各类业务的测量中断概率，决定呼叫请求的接纳与否。该ICAC算法可应用于多业务CDMA系统，能始终保证各类业务中断概率满足要求。但是该算法存在以下两个缺点1)实施复杂，算法执行过程要不断测量并计算系统当前中断概率，相关计算量大；2)系统中断概率的严格保证使得重负载情况下新呼叫请求用户的阻塞概率过高。
发明内容
针对上述现有方法中存在的缺点，本发明所要解决的问题是提供一种基于资源预留的智能呼叫接纳控制方法及装置，简化算法实施复杂度，在系统中断概率可容忍范围内降低新呼叫请求用户的阻塞概率。
本发明解决其技术问题所采用的技术方案是一种基于资源预留的智能呼叫接纳控制装置，用当前系统用户数代替ICAC方案中的测量中断概率，实施接纳判决。包括三个模块模糊等效干扰估计器、神经网络干扰预测器以及模糊呼叫接纳处理器。模糊等效干扰估计器模块用于估计新呼叫请求用户产生干扰；神经网络干扰预测器用于当前系统内已连接用户干扰的一步预测；模糊呼叫接纳处理器用于新呼叫请求用户的接纳判决。
一种资源预留智能呼叫接纳控制方法，采用模糊决策和神经网络辨识技术实施呼叫接纳控制算法，运用模糊逻辑的不确定性和专家信息进行新呼叫请求用户产生的干扰及接纳判决；运用神经网络辨识技术的非线性和预测特性进行系统内已连接用户产生干扰的一步预测。
模糊等效干扰估计器采用模糊决策技术，根据新呼叫请求的业务参数(峰值速率Rp、均值速率Rm、峰值速率持续时间Tp及中断概率要求Potg)，估计其产生的干扰Inew。
神经网络干扰预测器根据系统辨识及神经网络原理，设计一个串行反馈神经网络，把当前时刻n时系统内存在用户的平均干扰Ik′(n)作为串行反馈神经网络的输入变量，来精确预测下一时刻(n+1)时系统内连接用户的干扰Ik^(n+1)。
模糊呼叫接纳处理器利用模糊决策技术，根据模糊等效干扰估计器输出的新呼叫请求产生的等效干扰、神经网络干扰预测器输出的系统内已连接用户的一步预测干扰及当前系统容纳用户数Num，进行新呼叫请求的接纳判决。为降低中断概率预留出一部分用户数，只有当系统当前用户数不大于系统可容纳的最大用户数与预留用户数之差时，新呼叫请求用户才有可能被接纳。根据试验方法设置预留用户数的取值在用户某一到达速率下，记录在不同预留用户数情况下的系统性能，选择性能最好情况下的预留值作为其最终取值。
本发明具有下述优点1、本发明采用资源预留策略降低各类业务的中断概率，把系统当前用户数和系统可容纳的最大用户数与预留用户数之差的比较作为接纳判决的依据之一，实施简单。在算法实施过程中，系统当前用户数只需根据其成员函数转换为相应的语言变量，然后再与其它参数语言变量输入到模糊推理机即可，简单易行，计算量小。
2、本发明降低了重负载情况下新呼叫请求用户阻塞概率。由于ICAC算法把当前系统中断概率作为接纳判决的主要依据之一，根据模糊接纳处理器判决规则，只要中断概率接近要求门限，新呼叫请求就会被阻塞，而本发明是通过预留资源而不是接纳判决来降低中断概率的，因此，在给定预留资源的值后，随着负荷的增加，该发明的阻塞概率必然要低于ICAC。
3、本发明采用了预留策略，使得重负载情况下系统中断概率仍在可容忍范围内。综合系统中断概率和新呼叫请求用户阻塞概率二者因素考虑，本发明的服务等级优于ICAC算法。
下面结合附图对本发明作进一步详细说明，
图1是本发明资源预留智能呼叫接纳控制方案框架图。
图2是本发明资源预留智能呼叫接纳控制方案的模糊等效干扰估计器示意图。
图3是本发明资源预留智能呼叫接纳控制方案的神经网络干扰预测器结构图。
图4是本发明资源预留智能呼叫接纳控制方案的执行流程图。
图5是仿真结果。
实施例1一种基于资源预留的智能呼叫接纳控制装置，包括模糊等效干扰估计器根据新呼叫请求的业务参数估计其产生的干扰。
神经网络干扰预测器根据当前时刻系统内存在用户的平均干扰，来预测下一时刻系统内连接用户的干扰。
模糊呼叫接纳处理器根据模糊等效干扰估计器输出的新呼叫请求产生的等效干扰、神经网络干扰预测器输出的系统内已连接用户的一步预测干扰及当前系统容纳用户数，进行新呼叫请求的接纳判决。
如图1所示，新呼叫请求的业务参数(即峰值速率Rp、均值速率Rm、峰值速率持续时间Tp及中断概率要求Potg)输入到模糊等效干扰估计器，估计其产生的干扰Inew；当前时刻(n时刻)系统内存在用户的平均干扰Ik′(n)输入到神经网络干扰预测器，预测下一时刻(n+1时刻)系统内连接用户的干扰Ik^(n+1)；模糊呼叫接纳处理器根据Inew、Ik^(n+1)及当前系统容纳用户数Num进行接纳判决。
一种资源预留智能呼叫接纳控制方法，所述模糊等效干扰估计器是一个模糊执行过程，如图2所示，估计器根据模糊逻辑中的成员函数把新呼叫请求的业务参数转换为相应语言变量，作为模糊推理系统的输入，然后根据相应的模糊规则，求得估计的新呼叫请求产生的干扰的模糊集合，利用解模糊化方法计算其数值。
所述神经网络干扰预测器根据系统辨识原理，把系统内已连接用户的干扰建模为非线性自回归移动平均模型(NARMA)，利用NARMA模型把平均干扰的一步预测描述为p个测量干扰和q个已预测的干扰的函数，即Ik^(n+1)=H(Ik′(n),...,Ik′(n-p+1);Ik^(n),...,Ik^(n-q+1))---(1)]]>其中，Ik^(i)表示k小区内i(n-q+1≤i≤n)时刻平均干扰预测值，Ik′(i)表示i(n-p+1≤i≤n)时刻平均干扰测量值，H(·)为待定的非线性函数。通过设计一个串行反馈神经网络来近似H(·)函数，以达到较高预测精度、较快收敛速率及低计算复杂度。把当前时刻n时系统内存在用户的平均干扰Ik′(n)作为串行反馈神经网络的输入变量，来精确预测下一时刻(n+1)时系统内连接用户的干扰Ik^(n+1)，为了加强预测的精确性，Ik′(n)取N个T时间段内系统干扰的均值，即Ik′(n)=Σi=0N-1Ik(n-iT)N---(2)]]>其中，N表示时间窗的长度。反馈神经网络干扰预测器结构如图3所示，包含q层网络，每层都有一个相似的神经网络模型和一个减法器。第i层网络有两个外部输入测量干扰采样值Ik′(n-i+2)的延时和前一层的第一个输出神经元Yi+1，1(n)，Ik′(n-i+2)与该模型输出的差构成误差信号ei(n)，用来动态调整第i个神经网络模型的权值。第一个模型的输出Y1，1(n)就是要求的下一时刻的预测干扰Ik^(n+1)。
所述模糊呼叫接纳处理器是一个模糊判决过程，处理器解模糊化后得到的接纳判决值Z和接纳门限ZTH作比较，若Z＞ZTH，就接纳新呼叫请求，否则拒绝。
其中资源预留体现在系统当前容纳用户数成员函数的选择与参数设置上，为降低中断概率预留出一部分用户数，只有当系统当前用户数不大于系统可容纳的最大用户数与预留用户数之差时，新呼叫请求用户才有可能被接纳。系统可容纳最大用户数由话音和数据业务的中断概率要求确定Potg1=Pr{Zk<SIR1*}≤Potg1*---(3)]]>Potg2=Pr{Zk<SIR2*}≤Potg2*---(4)]]>Zk=Σi=1Nv,kvi,k+Σj=1Nd,kδj,k·RG·Mj,k---(5)]]>式(5)中vi，k和δj，k分别表示小区k内话音用户i和数据用户j的激活概率。由式(3)至(5)求得Nv，k和Nd，k的最大值，系统容纳最大用户数取两最大值中最大者。根据试验方法设置预留用户数的取值在用户某一到达速率下，记录在不同预留用户数情况下的系统性能，选择性能最好情况下的预留值作为其最终取值，然后根据此值仿真验证资源预留智能呼叫接纳控制方法。
模糊等效干扰估计器和模糊呼叫接纳处理器设计均采用Mamdani型模糊逻辑系统，解模糊均采用面积中心法，计算公式为X=Σi=1Kωi×XiΣi=1Kωi]]>其中，ωi表示权重，Xi表示输入的模糊集合。
上述方法流程如图4所示。流程步骤如下步骤1等待呼叫请求的到达，步骤2估计呼叫请求产生的干扰，或步骤3预测当前系统内用户干扰，
或步骤4测量当前系统内用户数，步骤5求接纳判决值Z，步骤6判断判决值Z是否大于一个定值ZTH，若是，执行下面步骤7，若否，拒绝回到步骤1，步骤7接纳并从可用信道中分配相应信道，系统内用户数加一，返回步骤1。
基于资源预留的智能呼叫接纳控制方法及装置的性能评价指标随新呼叫请求到达速率变化曲线参见图5。
实施例2在无线传播中，主要存在路径和阴影损耗，用户均匀分布在小区内，所有用户在其本地小区内都具有完美功率控制，即基站接收到的话音或数据业务的每个基本信道的功率都等于常值。
用户终端产生的业务分为实时的话音业务和非实时的数据业务两种，话音和数据用户的到达均服从泊松分布，话音源建模为两状态离散时间马尔科夫链，在ON状态(通话期)期间，每帧长T时间内产生一个空中接口包，在OFF状态(静默期)期间，不产生空中接口包，通话和静默期平均持续时间分别服从参数为1/α和1/β的指数分布，数据源由群泊松过程表征，平均信息到达率为Ad，数据信息长度为服从几何分布的正值随机变量，根据数据业务的处理增益，把高层协议数据单元进一步分为一组空中接口包。
串行反馈神经网络干扰预测器设计采用定制的方法，利用Levenberg-Marquardt规则训练神经网络。
采用资源预留的策略降低系统中断概率，系统当前用户数和系统可容纳的最大用户数与预留用户数之差的比较作为接纳判决的依据之一，在用户某一到达速率下，记录在不同预留用户数情况下的系统性能，选择性能最好情况下的预留值作为其最终取值，然后根据此值仿真验证资源预留智能呼叫接纳控制方法。
权利要求
1.一种资源预留智能呼叫接纳控制装置，其特征在于包括模糊等效干扰估计器、神经网络干扰预测器以及模糊呼叫接纳处理器，模糊等效干扰估计器模块用于估计新呼叫请求用户产生干扰；神经网络干扰预测器用于当前系统内已连接用户干扰的一步预测；模糊呼叫接纳处理器用于新呼叫请求用户的接纳判决。
2.一种资源预留智能呼叫接纳控制方法，其特征在于采用模糊决策和神经网络辨识技术实施呼叫接纳控制算法，运用模糊逻辑的不确定性和专家信息进行新呼叫请求用户产生的干扰及接纳判决；运用神经网络辨识技术的非线性和预测特性进行系统内已连接用户产生干扰的一步预测。
3.根据权利要求2所述的一种资源预留智能呼叫接纳控制方法，其特征在于采用资源预留的策略降低系统中断概率，系统当前用户数和系统可容纳的最大用户数与预留用户数之差的比较作为接纳判决的依据之一，在用户某一到达速率下，记录在不同预留用户数情况下的系统性能，选择性能最好情况下的预留值作为其最终取值，然后根据此值仿真验证资源预留智能呼叫接纳控制方法。
4.根据权利要求2所述的一种资源预留智能呼叫接纳控制方法，其特征在于用户终端产生的业务分为实时的话音业务和非实时的数据业务两种，话音和数据用户的到达均服从泊松分布，话音源建模为两状态离散时间马尔科夫链，在ON状态(通话期)期间，每帧长T时间内产生一个空中接口包，在OFF状态(静默期)期间，不产生空中接口包，通话和静默期平均持续时间分别服从参数为1/α和1/β的指数分布，数据源由群泊松过程表征，平均信息到达率为Ad，数据信息长度为服从几何分布的正值随机变量，根据数据业务的处理增益，把高层协议数据单元进一步分为一组空中接口包。
5.根据权利要求2所述的一种资源预留智能呼叫接纳控制方法，其特征在于在无线传播中，主要存在路径和阴影损耗，用户均匀分布在小区内，所有用户在其本地小区内都具有完美功率控制，即基站接收到的话音或数据业务的每个基本信道的功率都等于常值。
6.根据权利要求2所述的一种资源预留智能呼叫接纳控制方法，其特征在于模糊等效干扰估计器和模糊呼叫接纳处理器设计均采用Mamdani型模糊逻辑系统，解模糊均采用面积中心法，计算公式为X=Σi=1Kωi×XiΣi=1Kωi]]>
7.根据权利要求2所述的一种资源预留智能呼叫接纳控制方法，其特征在于串行反馈神经网络干扰预测器设计采用定制的方法，利用Levenberg-Marquardt规则训练神经网络。
全文摘要
一种基于资源预留的智能呼叫接纳控制方法及装置，用当前系统用户数代替ICAC方案中的测量中断概率，实施接纳判决。包括三个模块模糊等效干扰估计器、神经网络干扰预测器以及模糊呼叫接纳处理器。模糊等效干扰估计器模块用于估计新呼叫请求用户产生干扰；神经网络干扰预测器用于当前系统内已连接用户干扰的一步预测；模糊呼叫接纳处理器用于新呼叫请求用户的接纳判决。本发明采用资源预留策略降低各类业务的中断概率，把系统当前用户数和系统可容纳的最大用户数与预留用户数之差的比较作为接纳判决的依据之一，简单易行，计算量小；在重负载情况下，新呼叫请求用户阻塞概率低。
文档编号H04W28/26GK1678120SQ200510011698
公开日2005年10月5日 申请日期2005年5月10日 优先权日2005年5月10日
发明者朱刚, 牛桂新 申请人:北京交通大学