基于模糊神经网络的异构网络融合系统垂直切换方法

专利名称：基于模糊神经网络的异构网络融合系统垂直切换方法
技术领域：
本发明是异构网络融合系统的一种垂直切换方法，该方法基于模糊神经网络理论，厲于 移动通信技术领域。
背景技术：
未来的移动通信环境将包括各种具有不同的传输速率、覆盖范围、系统容量及服务水平 的无线接入网络。为了充分利用不同接入网络的特点，发挥各自网络的优势，向用户提供无 处不在的服务，并满足用户对业务宽带化、个人化和智能化的要求，异构网络之间的协助和 融合是目前人们关注的焦点。移动性管理技术，尤其是切换技术，是实现异构网络融合的关 键技术之一。在异构网络中，除了各个网络内部的切换控制之外，还包括跨越网络边界、跨 运营商以及跨终端漫游时的切换控制。相应地，切换控制技术的研究也从同种技术间的水平 切换转移到异类接入技术间的垂直切换。
在异构网络环境下，不同接入网络在接收信号强度、误码率及信号噪声比等方面存在较 大差异，不具有可比性，它们的服务类型、收费及网络条件等也存在较大差异。切换方法中 除了考虑接收的信号强度RSS (Received Signal Strength)之外，仅引入迟滞电平或者驻留 时间概念的已经不能满足移动用户对切换QoS (Quality of Service,服务质量)的要求。现 有的切换方法中，往往综合考虑网络多种肉素选择最优网络，比如基于模糊逻辑的方法、基 于神经网络的方法等。模糊逻辑的方法具有推理过程容易理解，专家知识利用较好、对样本 的要求较低等优点，但它同时3 :存在人工干预多、推理速度慢、精度较低等缺点，不具有& 适应学习的功能，而且较难自动生成和调节隶属度函数和模糊规则；神经网络的方法具有较 强的自学习和联想功能，人土干预少，精度较高，对专家知识的利用也较少，但缺点是不能 够处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱 特性，其工作不具有可解释性，同时它对样本要求较高。
本发明釆用基于模糊神经网络的垂直切换(FNN-VHO, Fuzzy Neural Network Vertical Handoff)方法，该方法结合模糊理论和神经网络的优点，具有模糊逻辑推理功能，同时网 络的权值也具有明确的模糊逻辑意义。它汇集了神经网络和模糊理论的优点，集学习、联想、 识别、自适应及模糊信息处理与-一体。FNN-VHO方法使切换的门限根据网络资源动态改变， 从而合理利用网络资源，较好地解决多网络覆盖环境下的垂直切换决策问题。

发明内容
技术问题本发明提供一种基丁模糊神经网络的异构网络融合系统垂直切换方法，其目 的在f根据异构网络融合系统的特点，综合考虑多种网络覆盖环境下的网络资源情况，动态 改变垂直切换触发条件，减少乒乓效应发生频率，降低丢包率和阻塞率，使系统资源达到合 理利用，较好地解决多网络覆盖环境下的垂直切换决策问题。技术方案本发明的基于模糊神经网络的异构网络融合系统垂直切换方法包括预判决预 处理、模糊神经网络和垂直切换判决三个土要阶段；
其中预判决预处理阶段首先对移动终端MT的运动速度v和MT接收到WLAN( Wireless Local Area Network,无线局域网)网络的信号强度/ SS^进行判决，如果v大于预设门限)^ 或者及5S^小于-预设门限Tfl^ ， MT直接选择UMTS (Universal Mobile Telecommunication System,通用移动通信系统)网络，否则接着进行后续阶段的处理；其次预处理一方面计算 WLAN网络的信号强度/ S^和UMTS网络的信号强度及5S(,之间的差值Z)腳(A:),另一 方面根据最近的w个i 5"S^的变化情况，判断MT相对于WLAN网络接入点AP的运动趋 势，给出&r(A;)的取值，为模糊神经网络的输入数据做准备；模糊神经网络阶段对输入的 D/^,0t)、 A7"0t)、 v和WLAN网络当前可用带宽5^参数进行模糊化，得到这四个参数 的隶属度，并根据推理机中的推理规则得到迟滞屯平值~和驻留时间值^ 的推理结果，然 后通过解模糊得到~和的具体输出结果；垂直切换判决阶段是根据模糊神经网络输出的 Z^和f^，计算此刻切换因子Q是否满足切换条件，若满足则接着判断若此刻进行切换是否 会发生乒乓效应,若不会发生乒乓效应就发出切换指令,若会发生乒乓效应就改变切换条件， 并重新进行上述三个阶段。
预判决主要完成对信号点的筛选功能，滤除MT运动速度大亍J^或者WLAN网络信号 强度小于可接收的阈值77/^的信号点；预处理主要用于判断MT相对于WLAN网络接入点 AP的运动趋势&>(",即根据最近n次i SS『的变化情况，决定a /r(A:)的取值。
所述的模糊神经网络阶段主要包括模糊化、推理机、去模糊和学习训练；其中，模糊化 的功能是根据隶属函数将输入的"/^(A:)、 ^V(A:)、 v和5^具体数值转化为模糊化语言的 形式，并构成模糊集合；推理机的功能是根据其内部模糊规则库的推理规则进行逻辑推理，
给出合适的模糊控制量；去模糊的功能是将推理得到的模糊控制量转化成^和r^精确的输
出控制量，精确计算的方法本发明采用的是加权平均法；学习训练的功能是根据先前的样本 值调节网络输入层的权值、偏差和输出层的权值，达到调节激活函数的宽度及其中心位置的 目的，实现对上述三步的控制调节功能；学习训练结束后，模糊神经网络记录新输入的 DffiS^)、 &>^)、 v和5^以及由该組数据产生的^和^^用于更新样本数据库，使样本 数据库中的样本数据能够更准确的描述MT的使用环境。
所述的垂直切换判决阶段根据模糊神经网络输出的控制量/^和/^ ，结合网络当前 情况判断切换因子是否满足切换触发条件，选择最优网络，同时为了防止乒乓效应的发生， 需保证切换时间间隔大于乒乓效应时间间隔。
模糊神经网络训练结束之后，根据模糊神经网络新的输入及对应输山，学习训练中的样 本数据库进行实时更新，作为再次启动MT的训练数据。
有益效果本发明通过预判决处理，对输入信号进行筛选，使进入模糊神经网络的采 样点数显著减少，从而;^c大降低了系统开销；根据模糊神经网络理论，综合考虑网络当前资 源状况自适应地改变迟滞电平值^.和驻留时间值,咖；根据网络当前状况，判断切换因子是 否满足切换触发条件，选择最优网络，并保证切换时间间隔大于乒乓效应时间间隔，减少不 必要的切换次数，达到合理利甩网络资源的目的。
本发明具有如下优点
O)采用预判决对输入信号进行筛选，使进入模糊神经网络的来样点数显著减少，减小了系统开销。采用预处理判断MT相对于AP的运动趋势，使之作为FNN的一个输入。
② 采用模糊神经网络理论为异构网络融合系统的切换触发问题构建了特定的神经模糊 控制系统，对信号强度、运动趋势、速度和带宽等不确定的实际影响因素进行建模评估，使 切换触发因子根据网络的当前状态自适应地改变，增加移动台在WLAN网络的时间，减少 不必要的切换次数，降低丢包率和阻塞率，提供系统的整体性能。
③ 切换判决条件与切换时间间隔结合，防止乒乓效应的产生，保证多网络覆盖情况下 的系统性能。
沙样本数据库实时更新，使数据库中训练数据更准确地描述MT使用环境，当下次启动 MT时，可以降低训练误差，提高模糊神经网络的学习训练速度。


图l异构网络融合系统应用场景。图中移动终端MT与基站BS之间的距离为《,，与 接入点AP1的距离为^^。
图2基于模糊神经网络的垂直切换方法系统结构框图。 图3模糊神经网络层结构图。
图4模糊神经元基本结构。图中wf表示第k层的第i个输入，p表示该节点总共的输 入信号数。函数/("。w;，…,""是传递函数，fl(/)是激活函数。 图5基于模糊神经网络的垂直切换方法流程图。
具体实施例方式
本发明给出了在异构网络融合系统中，利用模糊神经网络理论实现垂直切换的方法。其 中，异构网络融合系统以UMTS (Universal Mobile Telecommunication System,通用移动通 信系统)和WLAN (Wireless Local Area Network,无线局域网)的融合为例，如图1所示。 假设移动终端MT —直处丁- UMTS覆盖范围，MT接收到UMTS网络和WLAN网络的信号 强度分别为及S、和，两个网络的信号强度差值为D鹏(A:)=(" — (A:)。 本发明根据移动终端接收到两个网络信号强度D/^(W 、移动终端的运动趋势&V(A:)和速 度v以及WLAN网络当前可用带宽5w等情况，采用模糊神经网络实时调整各个参数的权 重和阈值，动态改变垂直切换触发条件，选择最优接入网络，本方法的框图如图2所示。
具体步骤分为三个阶段 (1)预判决预处理阶段
预判决对信号点进行筛选，滤除不满足条件的信号点。判断移动终端的运动速度是否小 于判决门限^ ，如果是，则接着判断WLAN网络的信号强度i SS^是否大于预设的WLAN 网络最小可接收信号强度77/^。当两个条件都满足的情况下，进入下一步的预处理，否则 系统选择UMTS网络。
预处理为模糊神经网络准备输入数据。首先是根据最近n次i SS^(A:)的变化情况，分 析出移动终端相对于AP的运动趋势。如果及SS^(/-l)〈及SS^0'),VZel…/: —1，表明 MT向着AP运动，令= 1 ;如果及SS^ (/ — 1) > / SSw (/), V/ e 1…A: — 1 ，表明MT 背离AP运动，令&>"(" = —1;其它运动方向不明确的令&K"-0。其次，根据/ SV和 / S、，计算两个网络的信号强度差值"/^(A;)。
6(2) 模糊神经网络阶段
本发明中，模糊神经网络采用零阶Sugeno系统作为模糊推理系统，其模糊规则形式为
If x = J,, and _y = j5, , then Z = 这里4和5,为前提中的模糊集合，而A,为可调参数。各参数的隶属度函数采甩高斯型
函数，如
w, - ^~~^~ V ' 乂
其中W,和O",为变量的均值和方差。
首先，经过预判决和预处理后，得到了移动终端MT的Z)股("和&r(A:)，将和移动 终端的速度v以及WLAN网络当前可用带宽万^等信息一起送入模糊神经网络中进行模糊 处理，得到各自的隶属度；其次，进入到推理机中，根据预先规定好并存储在推理机中的 if-then控制规则，求出每一控制规则的强度(它等于每一规则中最小的前提隶属度)，即 二/^(x)x/^,(;c),并确定每一结论的模糊输出(它等于相同结论中的最大规则强度)； 然后，采用加权平均法完成去模糊过IM,求模糊输出的控制量迟滞电平值、和驻留时间值 f^。和一般的模糊控制系统不同的是，模糊神经网络对上述三步具有控制调节功能，即在 学习训练阶段，系统根据先前的样本值调节网络输入层的权值、偏差和输出层的权值，达到 调节激活函数的宽度及其中心位置的目的。在学习训练结束后，模糊神经网络记录每一组新 输入的(" 、 ^V(A0 、 V和以及由该组数据产生的~和用于更新样本数据库， 使样本数据库中的样本数据能够更准确的描述MT的使用环境。
根据上述模糊理论的三个过程，本方法的模糊神经网络可用图3表示。它共由5层组 成，第1和2层是模糊化过程，3和4层是模糊逻辑推理过程，其中第三层由135个节点构 成(本方法共有135条推理规则)，第5层是去模糊过程；图中e(r)表示训练误差函数，它 是用来调整各个参量的隶属度函数的中心位置和宽度。其中任一节点——模糊神经元的基本 结构如图4所示。
(3) 切换判决阶段
经过模糊神经网络的处理之后，可以得到一组^和r^，将它们送入垂直切换判决模块 进行切换判决。令2 = "^" + / 1为切换触发冈子，其中，,表示当前时刻和MT经过
￡>ras =0时的时间间隔，i^忍为当前两个网络的信号强度差值，a表示迟滞电平对切换因 子的影响程度，"表示驻留时间对切换触发因子的影响程度。切换触发的条件为
其中，//0一77^es/wW为切换门限，其初始值为l。为了进一步确保乒乓效应不会发生， 若当前的切换间隔//O 一 /Werva/不人预设的乒乓效应时间间隔— /^en;o/时，
—7T^e^oW增加STEP ,并继续判断g 2 7Twe^oW是否成立；若 //O —T^ervfl/〉尸尸—/Wen^/并且g之i/0_77we^zoW时，执行切换，并令 朋7V^oW = l。基丁'模糊神经网络的垂直切换方法的具体实施过程如图5所示。MT启动时，首先进行 FNN网络的初始化，即从样本数据库中载入样本数据进行学习训练。模糊神经网络的具体 层结构如图3所示，其中，网络输入层的权值、偏差和输出层的权值大小都受到误差函数e(/) 控制，学习规则采用梯度下降法，即在训练阶段e(O根据梯度下降法不断调节隶属度函数的 宽度及其中心位置m,2、 o",2、 mf和cr,5。梯度下降法的思想为沿着J"(『)的负梯度方向 不断修正『("的值，直至J(『)达到最小，其表达式为-
，+ 1) = ,) + ;7
，
式中，T7表示学习率，它是用来控制权值调整速度。
假设网络当前的实际输出为A(A)，期望的输出为尸/，在网络的输出误差为: 根据梯度下降法，可得
，)
根据上述学习规则，模糊神经网络中各节点隶属度函数参数调整情况如下: 第5层
举)
因为，
3m,
3，)^(A:)3a,5 a/'5
/ = 1，2
所以，m,5(& + l) = w,5(&) + 7e(^)
cr,V5
m,5wf Z -
同理c7,5(A: + l) = cr,5(A) + 77<A:)-
广 、
第2层:
附,2 (A: +1) = /W,2 + 77e(&)
其中 M = y a尸,(A:)y < y 5<
3w,
式中，w-l，…,6表示第5层输入信号数，A:-l,…，135表示第4层输入信号数，
8/ = 1,…,14表示第3层输入信号数c
3wf
f 、 f 、
、风 乂 l^e7 _
〔 、
、W;
3"〗
fl, ^是":的组成部分 其它
fl， af是^的组成部分
lo， 其它
，2:翏泡SU、则
, , ，,'2 2(m —附)
同理C7,2(A: + l):Or,2(" + 77《2e"
2
I".—附.r
k ', 、,' ； / = 1，...,14
根据学习规则对网络权值和偏差进行调整，直到训练误差达到期望误差q或者训练次 数达到事先设定的最大值时训练^&束。
其次判断MT的运动速度是否小& ， i 5S^是否大F预设I、 J限77/^ 。在UMTS和 WLAN融合的系统中，根据移动终端所处的位置可以得到移动终端接收到两个网络的信号 强度。如图1中，移动终端MT与基站BS之间的距离为《,，与接入点AP1的距离为f^。 则移动终端接收到两个网络的信号强度分别为
其中，《w、 kw、《(/和/:2{;为路径损耗参数。
如果v〈J^且兄SS^ >77/^，则进入预处理阶段，否则直接选择UMTS网络接入。在 预处理阶段根据最近n次及SS^(A:)的变化情况，分析出MT相对于AP的运动趋势。如果 及SS^(/ —1)〈i 5"S^(/),V/el…A — l ,表明MT向着AP运动，令力K"-1;如果 i SS^(/ —1)〉/ SSw(/),V/el…A: — l，表明MT背离AP运动，令力>(&) = —1;其它运 动方向不明确的令fi^(A;) = 0 。其次，根据和及5^(,,计算MT接收到WLAN和UMTS 网络的信号强度差值D^^(A:),艮P:
d股("=及s^ w — ("=—《K/ - /c2lf iog(^) + a:2(, iog(《)
D股表示了移动终端MT分别接收到来自WLAN和UMTS网络信号强度大小的相对情况，当￡>/^ (" > 0 ，则说明来自WLAN网络的信号比来自UMTS网络的信号要强一 些，反之，则UMTS网络信号强度要大一些。
将计算得到的"/^、 d/r和v及Bw—起送入FNN进行处理，FNN首先对对这组数据 经过模糊化处理，得到各参量的隶属度；然后根据预存在推理机中的控制规则求出每一控制 规则的强度，并确定每一结论的输出；然后，完成i模糊过程，求模糊输出的控制量/^和/^ 。 FNN将这組输入数据和其输出送入样本数据库进行更新样本库。由于数据库是不断更新的， 所以，经过一段时间的使用之后，数据库中的数据就能更准确地描述MT所处的使用环境。 当以更新后的数据作为训练数据再次启动MT时，新建成的FNN网络更符合MT的使用环 境，最大程度的减小FNN网络误差，降低乒乓效应的发生，提高系统性能。
然后判断切换因子g是否大于//0—7Tz/"es/wW，若否，则维持原有网络，并开始等待 下一次FNN数据输入；若是，就接着判断//0 —/"妙va/是否大于P尸—/w^va/，若否， 7T reWoW增加STEP,并开始等待下一次F则数据输入；若是，则//0—7T^AoW 恢复初始值l，然后发出切换通知，移动设备MT就从一个网络切换到另一网络，如W^U 或U—W，并开始等待下一次FNN数据输入。
权利要求
1、一种基于模糊神经网络的异构网络融合系统垂直切换方法，其特征在于该方法包括预判决预处理、模糊神经网络和垂直切换判决三个主要阶段；其中预判决预处理阶段首先对移动终端MT的运动速度v和MT接收到WLAN，无线局域网网络的信号强度RSSW进行判决，如果v大于预设门限V0或者RSSW小于预设门限THW，MT直接选择通用移动通信系统UMTS网络，否则接着进行后续阶段的处理；其次预处理一方面计算WLAN网络的信号强度RSSW和UMTS网络的信号强度RSSU之间的差值DRSS(k)，另一方面根据最近的n个RSSW的变化情况，判断MT相对于WLAN网络接入点AP的运动趋势，给出dir(k)的取值，为模糊神经网络的输入数据做准备；模糊神经网络阶段对输入的DRSS(k)、dir(k)、v和WLAN网络当前可用带宽BW参数进行模糊化，得到这四个参数的隶属度，并根据推理机中的推理规则得到迟滞电平值hy和驻留时间值tdw的推理结果，然后通过解模糊得到hy和tdw的具体输出结果；垂直切换判决阶段是根据模糊神经网络输出的hy和tdw，计算此刻切换因子Q是否满足切换条件，若满足则接着判断若此刻进行切换是否会发生乒乓效应，若不会发生乒乓效应就发出切换指令，若会发生乒乓效应就改变切换条件，并重新进行上述二个阶段。
2、 根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特 征在于预判决主要完成对信号点的筛选功能，滤除MT运动速度大于F。或者WLAN网络 信号强度小于可接收的阈值77/^的信号点；预处理主耍用T判断MT相对于WLAN网络接 入点AP的运动趋势,即根据最近n次i SS^的变化情况，决定fl^(A:)的取值。
3、 根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特 征在于所述的模糊神经网络阶段主要包括模糊化、推理机、去模糊和学习训练；其中，模 糊化的功能是根据隶属函数将输入的、 、 v和具体数值转化为模糊化语 言的形式，并构成模糊集合；推理机的功能是根据其内部模糊规则库的推理规则进行逻辑推 理，给出合适的模糊控制量；去模糊的功能是将推理得到的模糊控制量转化成~和精确 的输出控制量，精确计算的方法本发明釆用的是加权平均法；学习训练的功能是根据先前的 样本值调节网络输入层的权值、偏差和输出层的权值，达到调节激活函数的宽度及其中心位 置的目的，实现对上述二步的控制调节功能；学习训练结束后，模糊神经网络记录新输入的 D/^、(A:)、力r("、 v和5^以及由该组数据产生的^和 ^用于更新样本数据库，使样本 数据库中的样本数据能够更准确的描述MT的使用环境。
4、 根据权利要求1所述的基亍模糊神经网络的异构网络融合系统垂直切换方法，其特 征在于所述的垂直切换判决阶段根据模糊神经网络输出的控制量/^和/^，结合网络当前情况判断切换因子是否满足切换触发条件，选择最优网络，同时为了防止乒乓效应的发生， 需保证切换时间间隔大于乒乓效应时间间隔。
5、根据权利要求1所述的基于模糊神经网络的异构网络融合系统垂直切换方法，其特 征在于模糊神经网络训练结束之后，根据模糊神经网络新的输入及对应输出，学习训练中的 样本数据库进行实时更新，作为再次启动MT的训练数据。
全文摘要
基于模糊神经网络的异构网络融合系统垂直切换方法主要包括预判决预处理、模糊神经网络处理和垂直切换判决三个阶段。首先，通过预判决和预处理减少需要进行后续处理的信号点数，降低系统开销；其次根据模糊神经网络理论综合两个网络接收的信号强度差值D_RSS(k)、移动终端MT相对于WLAN网络接入点AP的运动趋势dir(k)以及运动速度v和WLAN网络当前可用带宽B_W等多方面因素，动态地产生一组迟滞电平值h_y和驻留时间值t_dw；最后，根据模糊神经网络产生的h_y和t_dw，判断切换因子是否满足切换触发条件并选择最优网络。本发明所提供的方法解决了具有多种网络接入技术的MT在异构网络融合系统中通过垂直切换方法选择最优网络的问题。
文档编号H04W36/00GK101511111SQ200910029830
公开日2009年8月19日 申请日期2009年3月18日 优先权日2009年3月18日
发明者夏玮玮, 宋铁成, 密 李, 沈连丰, 静 胡, 波 许 申请人:东南大学