基于多属性模糊神经网络的网络切换方法、装置及设备与流程

1.本发明涉及无线通信技术领域，具体涉及一种基于多属性模糊神经网络的网络切换方法、装置及设备。


背景技术：

2.在无线通信领域中，当终端设备在网络间移动时，为了保证通信连接和满足用户的通信需求，需要从一个网络接入到另一个网络，这种网络节点间的通信切换一直处于移动性管理的重要地位，受到研究者们的关注。近年来，随着无线通信技术的高速发展，终端设备越来越多样化，尤其出现更多的高移动性用户，例如车辆终端，此外，网络部署也逐渐密集化，这些都使得网络切换管理面临更大的挑战。
3.目前，可以采用传统的基于a3事件固定阈值的切换算法进行终端设备的网络切换，即由目标基站和源基站的接收信号强度及固定切换阈值来决定触发网络切换流程。然而，近年来，随着接入点的密集化和终端设备的多样性，适用于低速终端设备的切换参数并不适用于高速终端设备，反之亦然。因此采用固定切换阈值和单一决策属性的切换算法将导致网络切换不够准确，频繁切换甚至切换失败，严重影响服务质量。除此之外，也可以采用多属性判决的切换算法，如基于简单多准则、基于代价函数、基于topsis(technique for order preference by similarity to an ideal solution，逼近理想解排序法)排序等方法在一定程度上能够提高切换性能，弥补上述传统切换算法的不足。然而，这些方法要么没有充分考虑切换决策属性的选择，要么没有考虑切换决策属性之间的相关性，从而造成错误决策。综上所述，现有的网络切换性能较差。


技术实现要素：

4.本发明实施例提供一种基于多属性模糊神经网络的网络切换方法、装置及设备，用以改善网络切换性能。
5.根据第一方面，一种实施例中提供一种基于多属性模糊神经网络的网络切换方法，所述方法包括：
6.获取终端设备的候选切换接入点集合；
7.若所述终端设备的候选切换接入点集合中包括多个候选切换接入点，则将所述终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为所述终端设备的目标切换接入点，其中，所述第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的所述运动属性信息和所述网络属性信息以及对应输出的各候选切换接入点的切换概率，所述切换概率用于表征所述终端设备切换至候选切换接入点的概率；
8.若所述终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为所述终端设备的目标切换接入点；
9.判断所述目标切换接入点是否满足网络切换条件；
10.当所述目标切换接入点满足网络切换条件时，将所述终端设备由当前接入点切换至所述目标切换接入点。
11.可选的，所述判断所述目标切换接入点是否满足网络切换条件，包括：
12.将所述终端设备的运动属性信息和所述目标切换接入点的网络属性信息输入至训练好的第二目标模糊神经网络，得到切换接入点的接收信号强度动态阈值，其中，所述第二目标模糊神经网络基于实时更新的多组已经完成切换的第二历史切换样本数据训练得到，每组第二历史切换样本数据包括输入的所述运动属性信息和所述网络属性信息以及对应输出的接收信号强度动态阈值；
13.若所述目标切换接入点的接收信号强度与当前接入点的接收信号强度的差值大于所述接收信号强度动态阈值，则所述目标切换接入点满足网络切换条件。
14.可选的，所述终端设备的运动属性信息包括所述终端设备的位置信息，所述获取终端设备的候选切换接入点集合之前，所述方法还包括：
15.获取所述终端设备的当前接入点的位置信息；
16.根据所述终端设备的位置信息和当前接入点的位置信息，确定所述终端设备的移动方向与当前接入点的夹角；
17.若所述夹角大于或者等于90
°
，则获取终端设备的候选切换接入点集合；若所述夹角小于90
°
，则继续根据所述终端设备的位置信息和当前接入点的位置信息，确定所述终端设备的移动方向与当前接入点的夹角。
18.可选的，所述方法还包括：根据已经完成切换的第一历史切换样本数据，调整所述第一目标模糊神经网络中的第一前件参数和第一后件参数，训练结束后实时更新第一样本数据库。
19.可选的，所述方法还包括：根据已经完成切换的第二历史切换样本数据，调整所述第二目标模糊神经网络中的第二前件参数和第二后件参数，训练结束后实时更新第二样本数据库。
20.可选的，所述方法还包括：采用梯度下降法和最小均方法的混合算法进行所述第一目标模糊神经网络的误差训练。
21.可选的，所述方法还包括：采用梯度下降法和最小均方法的混合算法进行所述第二目标模糊神经网络的误差训练。
22.根据第二方面，一种实施例中提供一种基于多属性模糊神经网络的网络切换装置，所述装置包括：
23.第一获取模块，用于获取终端设备的候选切换接入点集合；
24.第一确定模块，用于若所述终端设备的候选切换接入点集合中包括多个候选切换接入点，则将所述终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为所述终端设备的目标切换接入点，其中，所述第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的所述运动属性信息和所述网络属性信息以及对应输出的各候选切换接入点的切换概率，所述切换概率用于表征所述终端设备切换至候选切换接入点的概率；
25.第二确定模块，用于若所述终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为所述终端设备的目标切换接入点；
26.判断模块，用于判断所述目标切换接入点是否满足网络切换条件；
27.切换模块，用于当所述目标切换接入点满足网络切换条件时，将所述终端设备由当前接入点切换至所述目标切换接入点。
28.可选的，所述判断模块，包括：
29.获取子模块，用于将所述终端设备的运动属性信息和所述目标切换接入点的网络属性信息输入至训练好的第二目标模糊神经网络，得到切换接入点的接收信号强度动态阈值，其中，所述第二目标模糊神经网络基于实时更新的多组已经完成切换的第二历史切换样本数据训练得到，每组第二历史切换样本数据包括输入的所述运动属性信息和所述网络属性信息以及对应输出的接收信号强度动态阈值；
30.确定子模块，用于若所述目标切换接入点的接收信号强度与当前接入点的接收信号强度的差值大于所述接收信号强度动态阈值，则所述目标切换接入点满足网络切换条件。
31.可选的，所述终端设备的运动属性信息包括所述终端设备的位置信息，所述装置还包括：
32.第二获取模块，用于获取所述终端设备的当前接入点的位置信息；
33.第三确定模块，用于根据所述终端设备的位置信息和当前接入点的位置信息，确定所述终端设备的移动方向与当前接入点的夹角；
34.所述第一获取模块，具体用于若所述夹角大于或者等于90
°
，则获取终端设备的候选切换接入点集合；
35.所述第三确定模块，具体用于若所述夹角小于90
°
，则继续根据所述终端设备的位置信息和当前接入点的位置信息，确定所述终端设备的移动方向与当前接入点的夹角。
36.可选的，所述装置还包括：第一更新模块，用于根据已经完成切换的第一历史切换样本数据，调整所述第一目标模糊神经网络中的第一前件参数和第一后件参数，训练结束后实时更新第一样本数据库。
37.可选的，所述装置还包括：第二更新模块，用于根据已经完成切换的第二历史切换样本数据，调整所述第二目标模糊神经网络中的第二前件参数和第二后件参数，训练结束后实时更新第二样本数据库。
38.可选的，所述装置还包括：第一训练模块，用于采用梯度下降法和最小均方法的混合算法进行所述第一目标模糊神经网络的误差训练。
39.可选的，所述装置还包括：第二训练模块，用于采用梯度下降法和最小均方法的混合算法进行所述第二目标模糊神经网络的误差训练。
40.根据第三方面，一种实施例中提供一种基站，包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现上述第一方面中任一项所述的基于多属性模糊神经网络的网络切换方法。
41.根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述第一方面中任一项所述的基于多属性模糊神经网络的网络切换方法。
42.本发明实施例提供一种基于多属性模糊神经网络的网络切换方法、装置及设备，通过获取终端设备的候选切换接入点集合；若终端设备的候选切换接入点集合中包括多个候选切换接入点，则将终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点，其中，第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的各候选切换接入点的切换概率，切换概率用于表征终端设备切换至候选切换接入点的概率；若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点；判断目标切换接入点是否满足网络切换条件；当目标切换接入点满足网络切换条件时，将终端设备由当前接入点切换至目标切换接入点。通过同时考虑候选切换接入点的网络属性和终端设备的运动属性，对多种切换决策属性进行综合评估建模，较为准确地体现了当前网络环境和终端设备的特点，弥补了单一决策属性导致的判决误差，提高了切换决策的准确性。并且，网络切换管理中涉及到了多种属性信息，但由于终端设备的多样性，网络状态的时变特性以及各种属性测量时存在的误差和噪声，导致很多属性难以量化，具有模糊性和随机性等不确定性特点，上述方案利用模糊逻辑理论将这些信息进行了量化，有效地处理了现实中时变的、不确定的参数信息，同时能够利用模糊神经逻辑理论，根据候选切换接入点的网络属性和终端设备的运动属性，自适应调整网络切换的决策参数，从而更准确地描述了当前的网络环境，满足了多种终端设备的需求，减少了人工干预，降低了维护成本，并且解决了由于切换不及时导致的切换失败、切换延迟以及乒乓切换等问题，提升了网络切换的整体性能。
附图说明
43.图1为本发明实施例的场景示意图；
44.图2为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例一的流程示意图；
45.图3为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例二的流程示意图；
46.图4为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例三的流程示意图；
47.图5为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例四的流程示意图；
48.图6为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例五的流程示意图；
49.图7为本发明实施例提供的一种终端设备的移动模型；
50.图8为本发明实施例提供的一种模糊神经网络的结构示意图；
51.图9为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的信令交互图；
52.图10为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实
施例六的流程示意图；
53.图11为本发明实施例提供的另一种模糊神经网络的结构示意图；
54.图12为本发明实施例提供的一种基于多属性模糊神经网络的网络切换装置的结构示意图。
具体实施方式
55.下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本技术能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本技术相关的一些操作并没有在说明书中显示或者描述，这是为了避免本技术的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
56.另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
57.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本技术所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
58.图1为本发明实施例的场景示意图，如图1所示，在一定区域内密集部署了多个网络接入点，终端设备(包括低速移动的终端设备和高速移动的车辆终端，其中低速移动的终端设备以随机速度和随机方向在区域内移动，而车辆终端需要沿着道路方向行驶)。由于接入点密集部署，各种终端设备会在多个接入点间会频繁切换，因此网络切换的管理就变得尤为重要。但是，由于现有技术中采用的网络切换方法，要么没有充分考虑切换决策属性的选择，要么没有考虑切换决策属性之间的相关性，从而造成错误决策，导致现有的网络切换性能较差，为了改善网络切换性能，本发明实施例提供了一种基于多属性模糊神经网络的网络切换方法、装置及设备，以下分别进行详细说明。
59.图2为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例一的流程示意图，本发明实施例的执行主体为终端设备当前接入的基站(终端设备的当前接入点)。如图2所示，本实施例提供的基于多属性模糊神经网络的网络切换方法可以包括：
60.s101，获取终端设备的候选切换接入点集合。
61.具体的，可以根据终端设备的定位信息，将邻近的接入点加入候选切换接入点集合。
62.s102，若终端设备的候选切换接入点集合中包括多个候选切换接入点，则将终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点。
63.其中，终端设备的运动属性信息可以包括终端设备的速度、位置、运动状态等终端属性，各候选切换接入点的网络属性信息可以包括各候选切换接入点的接收信号强度、信干噪比、时延、可用带宽等网络属性。第一目标模糊神经网络可以基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的各候选切换接入点的切换概率，切换概率可以用于表征终端设备切换至候选切换接入点的概率。
64.s103，若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点。
65.s104，判断目标切换接入点是否满足网络切换条件。
66.若是，则执行s105；若否，则返回执行s101。
67.s105，将终端设备由当前接入点切换至目标切换接入点。
68.具体实现时，在确定目标切换接入点满足网络切换条件后，可以由终端设备的当前接入点向目标切换接入点发送切换请求，然后目标切换接入点向当前接入点发送切换确认命令，终端设备收到切换命令后执行切换，从当前接入点切换至目标切换接入点。
69.可选的，从切换接入点集合中包括的多个候选切换接入点中，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点后，可以直接将终端设备由当前接入点切换至目标切换接入点，而无需再次判断目标切换接入点是否满足网络切换条件。
70.本发明实施例提供的基于多属性模糊神经网络的网络切换方法，通过获取终端设备的候选切换接入点集合；若终端设备的候选切换接入点集合中包括多个候选切换接入点，则将终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点，其中，第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的各候选切换接入点的切换概率，切换概率用于表征终端设备切换至候选切换接入点的概率；若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点；判断目标切换接入点是否满足网络切换条件；当目标切换接入点满足网络切换条件时，将终端设备由当前接入点切换至目标切换接入点。通过同时考虑候选切换接入点的网络属性和终端设备的运动属性，对多种切换决策属性进行综合评估建模，较为准确地体现了当前网络环境和终端设备的特点，弥补了单一决策属性导致的判决误差，提高了切换决策的准确性。并且，网络切换管理中涉及到了多种属性信息，但由于终端设备的多样性，网络状态的时变特性以及各种属性测量时存在的误差和噪声，导致很多属性难以量化，具有模糊性和随机性等不确定性特点，上述方案利用模糊逻辑理论将这些信息进行了量化，有效地处理了现实中时变的、不确定的参数信息，同时能够利用模糊神经逻辑理论，根据候选切换接入点的网络属性和终端设备的运动属性，自适应调整网络切换的决策参数，从而更准确地描述了当前的网络环境，满足了多种终端设备的需求，减少了人工干预，降低了维护成本，并且解决了由于切换不及时导致的切换失败、切换延迟以及乒乓切换等问题，提升了网络切换的整体性能。
71.图3为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施
例二的流程示意图，如图3所示，本实施例提供的基于多属性模糊神经网络的网络切换方法可以包括：
72.s201，获取终端设备的候选切换接入点集合。
73.s202，若终端设备的候选切换接入点集合中包括多个候选切换接入点，则将终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点。
74.其中，第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的各候选切换接入点的切换概率，切换概率用于表征终端设备切换至候选切换接入点的概率。
75.s203，若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点。
76.s204，将终端设备的运动属性信息和目标切换接入点的网络属性信息输入至训练好的第二目标模糊神经网络，得到切换接入点的接收信号强度动态阈值。
77.其中，第二目标模糊神经网络基于实时更新的多组已经完成切换的第二历史切换样本数据训练得到，每组第二历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的接收信号强度动态阈值。
78.s205，若目标切换接入点的接收信号强度与当前接入点的接收信号强度的差值大于接收信号强度动态阈值，则目标切换接入点满足网络切换条件。
79.具体的，从切换接入点集合中包括的多个候选切换接入点中，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点后，再判断该目标切换接入点接收信号强度与当前接入点的接收信号强度的差值是否大于接收信号强度动态阈值，若大于，则确定该目标切换接入点满足网络切换条件。或者，若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点，然后再判断该目标切换接入点接收信号强度与当前接入点的接收信号强度的差值是否大于接收信号强度动态阈值，若大于，则确定该目标切换接入点满足网络切换条件。
80.s206，将终端设备由当前接入点切换至目标切换接入点。
81.本发明实施例提供的基于多属性模糊神经网络的网络切换方法，通过将终端设备的运动属性信息和目标切换接入点的网络属性信息输入至训练好的第二目标模糊神经网络，得到切换接入点的接收信号强度动态阈值；其中，第二目标模糊神经网络基于实时更新的多组已经完成切换的第二历史切换样本数据训练得到，每组第二历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的接收信号强度动态阈值。若目标切换接入点的接收信号强度与当前接入点的接收信号强度的差值大于接收信号强度动态阈值，则目标切换接入点满足网络切换条件，可以通过第二目标模糊神经网络，进一步地确定目标切换接入点的网络环境，从而提升了网络切换的整体性能。
82.作为一种可以实现的方式，终端设备的运动属性信息可以包括终端设备的位置信息。图4为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例三的流程示意图，如图4所示，本实施例提供的基于多属性模糊神经网络的网络切换方法还可
以包括：
83.s301，获取终端设备的当前接入点的位置信息。
84.s302，根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角。
85.s303，若夹角大于或者等于90
°
，则获取终端设备的候选切换接入点集合。
86.即，若夹角大于或者等于90
°
，则确定终端设备处于远离当前接入点的方向，此时进行网络切换是有效的，因此继续执行上述实施例一中的s101，或者继续执行上述实施例二中的s201。
87.s304，若夹角小于90
°
，则继续根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角。
88.即，若夹角小于90
°
，则确定终端设备处于靠近当前接入点的方向，此时无需进行网络切换。因此，可以继续根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角，待夹角大于或者等于90
°
时，获取终端设备的候选切换接入点集合，以此来进行后续的网络切换。
89.本发明实施例提供的基于多属性模糊神经网络的网络切换方法，通过获取终端设备的当前接入点的位置信息；根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角；若夹角大于或者等于90
°
，则获取终端设备的候选切换接入点集合；若夹角小于90
°
，则继续根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角，可以确定终端设备处于靠近还是远离当前接入点的方向，以此来进行网络切换的初步筛选，减少了模糊推理的次数，降低了信令开销和系统消耗，同时也避免了不必要的网络切换。
90.图5为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例四的流程示意图，如图5所示，本实施例提供的基于多属性模糊神经网络的网络切换方法可以包括：
91.s401，属性测量。
92.在属性测量阶段中，由终端设备周期性完成对下行链路属性(如接收信号强度、信干噪比、可用带宽等)以及终端属性(如速度、位置、运动状态等)的测量，然后将测量报告上报给当前服务的接入点(终端设备的当前接入点)，由当前服务的接入点进行处理。
93.s402，模糊推理。
94.在模糊推理阶段中，其包括5层网络，分别是第一层模糊化层、第二层模糊推理层、第三层归一化层、第四层规则触发层和第五层输出层，使用sugeno类型(其输出量是输入量的线性函数)的模糊if
‑
then规则，例如：if x是a1，y是b1，且z是c1，then f1＝a1x b1y c1z o1。
95.其中，在第一层中，模糊化层根据应用需求选定合适的隶属度函数μ(x)，如采用三角形、梯形、高斯形或钟形等，该层的主要功能是根据设定的隶属度函数将输入属性的具体数值映射到[0,1]区间上的值，构成相应的模糊集合。假设有n个属性，该层将每个属性(m1,m2,...,m
n
)分别在同一坐标轴上划分为个不同的模糊逻辑等级，因此该层一共有个节点数，可训练的参数包括所有属性对应的隶属度函数的中心位置和宽度，称
为前件参数。
[0096]
在第二层中，模糊推理层根据输入属性的个数和划分的等级数得到规则数量因此该层一共有r个节点数，该层将来自模糊化层的所有信号相乘到该层的每一个节点，第i个节点的输出w
i
如下述算式(1)所示：
[0097][0098]
在第三层中，该层对上一层的输出进行归一化处理，以加快训练速度。该层一共有r个节点数，第i个节点计算第i条规则的激励强度与所有规则的激励强度之和的比值，其输出称为归一化激励强度，输出如下述算式(2)所示：
[0099][0100]
在第四层中，该层主要计算规则权重，给出合适的模糊控制量。该层同样有r个节点，每个节点对应一个if
‑
then规则，其输出如下述算式(3)所示，其中{a
i
,b
i
,c
i
,...,o
i
}用于训练规则权重，在这里称为后件参数。
[0101][0102]
在第五层中，输出层将来自第四层的所有信号进行求和以得到输出参数，即切换控制参数，该输出如下述算式(4)所示，可用于后续的切换决策阶段。
[0103][0104]
s403，切换决策。
[0105]
在切换决策阶段中，根据output定义触发条件进行切换判决，如果满足切换触发条件，则向目标接入点(终端设备的目标切换接入点)发送切换请求，否则返回测量阶段。接着目标接入点向源接入点(终端设备的当前接入点)发送切换确认命令，终端设备收到切换命令后执行切换，从源接入点切换到目标接入点。
[0106]
s404，在线学习。
[0107]
在学习阶段，可以采用在线的学习方式，收集用户成功切换接入点时的历史切换数据，包括输入的属性组合以及对应的输出。在这个阶段中，定期根据历史切换数据训练网络，通过前向和后向传递调节网络第一层的前件参数以及网络第四层的后件参数，达到调节隶属函数的宽度和中心位置以及规则权重的目的，保证系统参数在大多数情况下能得到优化，在每次训练结束后，对样本数据库进行实时更新，以更好表征当前的网络环境。
[0108]
下面以两种具体的实现方式为例对本发明实施例提供的基于多属性模糊神经网络的网络切换方法进行说明。图6为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例五的流程示意图，如图6所示，本发明实施例提供了一个三输入(接收信号强度rsrp、接收信干噪比sinr以及终端设备的速度v)单输出的模糊神经网络系统，输出的切换控制参数用于比较源接入点和目标接入点的rsrp，以判断是否触发切换。本实施例提供的基于多属性模糊神经网络的网络切换方法可以包括：
[0109]
s501，同时对网络属性和终端属性进行分析，选取合适的切换决策属性，并由终端设备对切换决策属性进行周期性测量。
[0110]
其中，切换决策属性测量在本实施例中包括了网络属性(接收信号强度、接收信干噪比)和终端设备的运动属性(速度)的测量。
[0111]
s502，根据上报的测量信息进行预判决触发。
[0112]
该步骤主要是为了减少模糊推理的次数，降低信令开销和系统消耗，同时也可以避免不必要的网络切换。因此，当终端设备将测量报告发送给当前接入点，需要通过终端设备的位置信息，判断终端设备与当前接入点之间的相对运动趋势，如果终端设备处于远离当前接入点的方向，才采取进一步的切换判决，否则重新进行切换决策属性的测量。如图7所示，图7为本发明实施例提供的一种终端设备的移动模型，假设在t
i
和t
i
‑1时刻，终端设备的位置分别在p
i
(x
i
,y
i
)和p
i
‑1(x
i
‑1,y
i
‑1)。其中，o(x
o
,y
o
)为接入点位置，则终端设备的移动方向与水平线的夹角如下述算式(5)所示：
[0113][0114]
因此，在p
i
处，终端设备的移动方向与当前接入点的夹角如下述算式(6)所示：
[0115][0116]
其中，d为接入点o到p
i
‑1和p
i
两点间的垂线距离，θ的取值范围为0
°
到180
°
，当θ＞90
°
时，表示终端设备正在远离当前接入点；当θ＜90
°
时，表示终端设备正在靠近当前接入点。
[0117]
s503，将选取的切换决策属性作为模糊神经网络的输入，经过模糊神经网络处理输出自适应切换控制参数。
[0118]
在这里构建三个输入(接收信号强度rsrp、接收信干噪比sinr以及终端设备的速度v)和一个输出(切换控制参数δhom)的模糊神经网络，然后随机初始化模糊神经网络的隶属度函数参数和规则权重。其中终端设备的速度v的范围限制在0～120km/h，接收信号强度rsrp的范围限制在
‑
160dbm～20dbm，接收信干噪比sinr的范围限制在
‑
50db～50db，切换控制参数δhom的范围限制在0～12db。图8为本发明实施例提供的一种模糊神经网络的结构示意图，如图8所示，该模糊神经网络包括5层，分别是第一层模糊化层(1)、第二层模糊推理层(2)、第三层归一化层(3)、第四层规则触发层(4)和第五层输出层(5)。
[0119]
其中，模糊化层将rsrp、sinr和v分别划分为δ、ε、σ个模糊逻辑等级，分别表示为rsrp：{a1,a2,...a
δ
}、sinr：{b1,b2,...,b
ε
}、v：{c1,c2,...,c
σ
}，该层的节点数由所有属性个数和对应划分的等级数决定，因此，如图8中的“(1)”所示，该层一共有(δ ε σ)个节点。在这里为了更好的实时性，均采用三角隶属度函数，其表达式如下述算式(7)所示，其中x是节点i的输入，α
i
和γ
i
分别为模糊集的上下限，β
i
为隶属函数μ(x)峰值所对应的输入参数x的取值。{α
i
,γ
i
,β
i
}被称为前件参数，可用于调整隶属度函数的中心位置和宽度，因此训练时可通过调整隶属函数的前件参数以实现优化。
[0120][0121]
如图8中的“(2)”所示，根据输入属性的个数以及相应划分的等级数，同样可得规则数量为(δ
×
ε
×
σ)条，因此该层一共有(δ
×
ε
×
σ)个节点。该层将来自模糊化层的所有信号相乘到每一个节点，得到输出w
i
如下述算式(8)所示：
[0122][0123]
如图8中的“(3)”所示，该层对第二层的输出进行归一化处理，该层一共有(δ
×
ε
×
σ)个节点，计算第i条规则的激励强度与所有规则的激励强度之和的比值，其输出称为归一化激励强度，输出如下述算式(9)所示：
[0124][0125]
如图8中的“(4)”所示，该层为规则触发层，一共有(δ
×
ε
×
σ)个节点，使用sugeno类型的if
‑
then规则，输出如下述算式(10)所示，其中，{a
i
,b
i
,c
i
,o
i
}为第i条规则的后件参数，用于调整规则权重以实现优化。
[0126][0127]
如图8中的“(5)”所示，该层为输出层，将来自第四层的所有信号进行求和得到输出，在这里输出为单个的自适应切换控制参数δhom，输出如下述算式(11)所示：
[0128][0129]
s504，确定终端设备是否需要从源接入点切换至目标接入点。
[0130]
图9为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的信令交互图，如图9所示，用户终端(即终端设备)周期性完成对网络属性和终端属性的测量，然后将测量报告上报给源接入点(用户终端的当前接入点)，由源接入点进行处理，源接入点进行预判决触发后，根据自适应切换控制参数δhom进行切换判决，当邻近目标接入点的接收信号强度rsrp
target
与当前接入点的接收信号强度rsrp
source
的差值大于该δhom时，则向目标接入点发送切换请求，即满足下述公式(12)，否则返回测量阶段。接着目标接入点向当前接入点发送切换确认命令，终端设备收到切换命令后执行切换，从当前接入点切换到目标接入点。
[0131]
rsrp
target
‑
rsrp
source
＞δhom(12)
[0132]
s505，收集历史切换样本数据，定期调整模糊神经网络中的前件参数和后件参数，训练结束后实时更新样本数据库。
[0133]
收集的历史切换样本数据为当时(进行网络切换时)终端设备的v，rsrp，sinr以及
对应输出的δhom。将收集的历史切换样本数据输入至上述定义的模糊神经网络，通过前向传递和反向传递调整网络的前件参数和后件参数，将优化后的系统用于新一轮的切换决策。每次训练完成后都更新样本数据库，使其更加准确表征当前环境，以便后续的系统参数优化。
[0134]
其中，网络训练方式可以采用梯度下降和最小均方法的混合算法来完成，以此达到快速收敛的目的，在每次迭代中使用前向和后向传递，直到达到预先设定的迭代次数，混合算法的输出如下述算式(13)所示：
[0135][0136]
误差代价函数e
p
定义为如下述算式(14)所示，其中，t
p,q
为第p轮迭代的第q个输入数据的真实输出，o
p,q
为第p轮迭代的第q个输入数据的对应于模糊神经网络的实际输出。
[0137][0138]
因此，训练更新方程如下述算式(15)所示：
[0139][0140]
其中，更新函数δα表示为下述算式(16)，ξ为学习率，用于控制权值调整速率。
[0141][0142]
图10为本发明实施例提供的一种基于多属性模糊神经网络的网络切换方法的实施例六的流程示意图，如图10所示，本发明实施例构建多输入多输出的模糊神经网络，将终端设备邻近的各候选接入点的rsrp和sinr均作为输入属性，同时输入终端设备与各候选接入点的相对速度属性v，输出为各候选接入点的评分值，选择评分值最大的接入点执行切换。本实施例提供的基于多属性模糊神经网络的网络切换方法可以包括：
[0143]
s601，测量网络属性以及终端设备当前的运动状态属性，向终端设备的当前接入点上报测量报告。
[0144]
其中，网络属性为终端设备邻近的各候选接入点的接收信号强度和接收信干噪比，终端属性为终端设备与各候选接入点的相对速度属性，并向当前服务接入点上报测量报告。
[0145]
s602，根据终端设备的定位信息，将邻近的接入点加入候选集，获取各候选接入点的网络属性。
[0146]
根据终端设备的定位信息，计算与各接入点的距离，将距离最近的k个接入点加入候选集k:{ap1,ap2,...ap
k
}，然后获取终端设备与各候选网络的rsrp:{rsrp1,rsrp2,...,rsrp
k
}和sinr:{sinr1,sinr2,...,sinr
k
}以及终端设备与各接入点的相对速度v:{v1,v2,...,v
k
}。
[0147]
s603，初始化模糊神经网络，将选取的网络属性和终端属性作为模糊神经网络的输入，经过处理得到各个候选接入点的评分值。
[0148]
图11为本发明实施例提供的另一种模糊神经网络的结构示意图，如图11所示，构
建3k个输入和k个输出的5层模糊神经网络，并随机初始化模糊神经网络的隶属度函数的参数和规则权重。
[0149]
如图11中的“(1)”所示，第一层为模糊化层，将rsrp、sinr和v分别划分为δ、ε、σ个模糊逻辑等级，分别表示为rsrp
k
:{a
k,1
,a
k,2
,...a
k,δ
}、sinr
k
:{b
k,1
,b
k,2
,...,b
k,ε
}、v
k
:{c
k,1
,c
k,2
,...,c
k,σ
}，因此该层一共有k(δ ε σ)个节点。在这里同样为了更好的实时性，均采用三角隶属度函数，其表达式如下述算式(17)所示，其中x是节点i的输入，α
i
和γ
i
分别为模糊集的上下限，β
i
为隶属函数μ(x)峰值所对应的输入参数x的取值。{α
i
,γ
i
,β
i
}被称为前件参数，可用于调整隶属度函数的中心位置和宽度，因此训练时可通过调整隶属函数的前件参数以实现优化。
[0150][0151]
如图11中的“(2)”所示，该层根据输入属性的个数以及相应划分的等级数，可得规则数量为k3(δ
×
ε
×
σ)条，因此该层一共有k3(δ
×
ε
×
σ)个节点。该层将来自模糊化层的所有信号相乘到每一个节点，得到的输出w
i
如下述算式(18)所示。
[0152][0153]
如图11中的“(3)”所示，该层对第二层的输出进行归一化处理，该层一共有k3(δ
×
ε
×
σ)个节点，计算第i条规则的激励强度与所有规则的激励强度之和的比值，其输出称为归一化激励强度，输出如下述算式(19)所示。
[0154][0155]
如图11中的“(4)”所示，该层为规则触发层，一共有k3(δ
×
ε
×
σ)个节点，使用sugeno类型的if
‑
then规则，输出如下述算式(20)所示，其中，{a
i
,b
i
,c
i
,o
i
}为第i条规则的后件参数，用于调整规则权重以实现优化。
[0156][0157]
如图11中的“(5)”所示，该层为输出层，一共有k个节点，获取k个接入点的评分值δscore
k
，输出如下述算式(21)所示，其中w
k
为上一层第i个节点与该层第k个节点的连接权重。
[0158][0159]
s604，选择评分值最大的候选接入点执行切换。
[0160]
根据各候选接入点的评分值(即各候选切换接入点的切换概率)，终端设备的当前接入点向分数最高的候选接入点发送切换请求，即满足下述公式(22)，接着目标接入点向当前接入点发送切换确认命令，终端设备收到切换命令后执行切换，从当前接入点切换到
目标接入点。
[0161][0162]
s605，收集历史切换样本数据，定期调整模糊神经网络中隶属度函数参数和规则权重。
[0163]
收集的历史切换样本数据为当时终端设备与各接入点的v、各候选接入点的rsrp和sinr以及对应输出的评分向量。将收集的历史切换样本数据输入至上述定义的模糊神经网络，通过前向传递和反向传递调整网络的前件参数和后件参数，将优化后的系统用于新一轮的切换决策。每次训练完成后都更新样本数据库，使其更加准确表征当前环境，以便后续的系统参数优化。
[0164]
其中，网络训练方式可以可采用梯度下降和最小均方法的混合算法来完成，以此达到快速收敛的目的，在每次迭代中使用前向和后向传递，直到达到预先设定的迭代次数。混合算法的输出下述算式(23)所示：
[0165]
o＝[δscore
1 δscore
2 ... δscore
k
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0166]
计算模糊神经网络的实际输出评分与期望评分的均方误差，其误差代价函数e
p
定义为如下述算式(24)所示，其中，t
i
为期望评分，o
i
为实际输出评分，n为每轮迭代输入数据总数。
[0167][0168]
因此，训练更新方程如下述算式(25)所示：
[0169][0170]
其中，更新函数δα表示为下述算式(26)，ξ为学习率，用于控制权值调整速率。
[0171][0172]
图12为本发明实施例提供的一种基于多属性模糊神经网络的网络切换装置的结构示意图，如图12所示，该基于多属性模糊神经网络的网络切换装置70可以包括：
[0173]
第一获取模块710，可以用于获取终端设备的候选切换接入点集合。
[0174]
第一确定模块720，可以用于若终端设备的候选切换接入点集合中包括多个候选切换接入点，则将终端设备的运动属性信息和各候选切换接入点的网络属性信息输入至训练好的第一目标模糊神经网络，得到各候选切换接入点的切换概率，将切换概率最大的候选切换接入点确定为终端设备的目标切换接入点，其中，第一目标模糊神经网络基于实时更新的多组已经完成切换的第一历史切换样本数据训练得到，每组第一历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的各候选切换接入点的切换概率，切换概率用于表征终端设备切换至候选切换接入点的概率。
[0175]
第二确定模块730，可以用于若终端设备的候选切换接入点集合中包括一个候选切换接入点，则将该候选切换接入点确定为终端设备的目标切换接入点。
[0176]
判断模块740，可以用于判断目标切换接入点是否满足网络切换条件。
[0177]
切换模块750，可以用于当目标切换接入点满足网络切换条件时，将终端设备由当前接入点切换至目标切换接入点。
[0178]
本发明实施例提供的基于多属性模糊神经网络的网络切换装置，通过同时考虑候选切换接入点的网络属性和终端设备的运动属性，对多种切换决策属性进行综合评估建模，较为准确地体现了当前网络环境和终端设备的特点，弥补了单一决策属性导致的判决误差，提高了切换决策的准确性。并且，网络切换管理中涉及到了多种属性信息，但由于终端设备的多样性，网络状态的时变特性以及各种属性测量时存在的误差和噪声，导致很多属性难以量化，具有模糊性和随机性等不确定性特点，上述方案利用模糊逻辑理论将这些信息进行了量化，有效地处理了现实中时变的、不确定的参数信息，同时能够利用模糊神经逻辑理论，根据候选切换接入点的网络属性和终端设备的运动属性，自适应调整网络切换的决策参数，从而更准确地描述了当前的网络环境，满足了多种终端设备的需求，减少了人工干预，降低了维护成本，并且解决了由于切换不及时导致的切换失败、切换延迟以及乒乓切换等问题，提升了网络切换的整体性能。
[0179]
可选的，上述判断模块，可以包括：获取子模块，用于将终端设备的运动属性信息和目标切换接入点的网络属性信息输入至训练好的第二目标模糊神经网络，得到切换接入点的接收信号强度动态阈值，其中，第二目标模糊神经网络基于实时更新的多组已经完成切换的第二历史切换样本数据训练得到，每组第二历史切换样本数据包括输入的运动属性信息和网络属性信息以及对应输出的接收信号强度动态阈值；确定子模块，用于若目标切换接入点的接收信号强度与当前接入点的接收信号强度的差值大于接收信号强度动态阈值，则目标切换接入点满足网络切换条件。
[0180]
可选的，终端设备的运动属性信息包括终端设备的位置信息，上述装置还可以包括：第二获取模块，用于获取终端设备的当前接入点的位置信息；第三确定模块，用于根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角；第一获取模块，具体用于若夹角大于或者等于90
°
，则获取终端设备的候选切换接入点集合；第三确定模块，具体用于若夹角小于90
°
，则继续根据终端设备的位置信息和当前接入点的位置信息，确定终端设备的移动方向与当前接入点的夹角。
[0181]
可选的，上述装置还可以包括：第一更新模块，用于根据已经完成切换的第一历史切换样本数据，调整第一目标模糊神经网络中的第一前件参数和第一后件参数，训练结束后实时更新第一样本数据库。
[0182]
可选的，上述装置还可以包括：第二更新模块，用于根据已经完成切换的第二历史切换样本数据，调整第二目标模糊神经网络中的第二前件参数和第二后件参数，训练结束后实时更新第二样本数据库。
[0183]
可选的，上述装置还可以包括：第一训练模块，用于采用梯度下降法和最小均方法的混合算法进行第一目标模糊神经网络的误差训练。
[0184]
可选的，上述装置还可以包括：第二训练模块，用于采用梯度下降法和最小均方法的混合算法进行第二目标模糊神经网络的误差训练。
[0185]
另外，相应于上述实施例所提供的基于多属性模糊神经网络的网络切换方法，本发明实施例还提供了一种基站，该基站可以包括：存储器，用于存储程序；处理器，用于通过执行存储器存储的程序以实现本发明实施例提供的基于多属性模糊神经网络的网络切换
方法的所有步骤。
[0186]
另外，相应于上述实施例所提供的基于多属性模糊神经网络的网络切换方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时实现本发明实施例的基于多属性模糊神经网络的网络切换方法的所有步骤。
[0187]
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
[0188]
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。