论文部分内容阅读
下一代无线网络将是能融合多种无线接入技术来支持用户的无缝移动性,并为移动用户提供高速无线连接的异构无线网络。在异构无线网络中,通过对各无线网络进行联合无线资源管理能够降低网络资源分配的不均衡性并能提高无线资源利用率。因此,研究在异构无线网络环境下用户如何选择合适的网络进行接入,对于提高用户感知、避免网络拥塞和达到网络间的负载均衡具有重要的意义。随着无线通信技术的发展,由于系统的异构性和对多业务的支持,使得系统负载的不确定和动态特性非常突出。这便使得具有不需建立准确的系统数学模型、能够简化对不确定和动态变化系统的控制等优势的模糊逻辑及神经网络等人工智能技术在异构无线网络资源管理方面具有非常广阔的应用发展空间。本文针对异构无线网络现有的基于模糊逻辑及神经网络的接入选择方法未能合理考虑网络负载状况的问题,提出了一种基于径向基函数模糊神经网络的接入选择方法(RBF-FNN)。该方法考虑了网络的已占用资源数及用户的信号强度,并结合预判决预处理过程降低了算法开销。模糊神经网络的参数强化学习调整过程以可接入网络的接入阻塞率相等为目标,使该算法对网络负载程度具有很好的动态适应性,并实现了智能化的接入判决。算法仿真结果表明,该方法能有效均衡异构无线网络间的负载,保障业务的QoS,并且相对于负载均衡算法(MLB算法)降低了网络的接入阻塞率。为了降低算法复杂度,本文提出了一种基于PSO(粒子群优化)模糊神经元的接入选择方法。该方法设计了一个模糊神经元并将其作为接入判决控制器的主体,并结合具有全局寻优能力的PSO算法对模糊神经元的参数初值进行设定,以提高参数学习调整速度及算法精度。由于PSO模糊神经元结构简单,在接入选择过程中减少了一定的计算量,算法复杂度得以降低。仿真结果表明PSO模糊神经元算法与RBF-FNN算法性能相仿,接入阻塞率、丢包率及平均负载均衡程度等指标相近,两种算法性能指标均优于MLB算法。PSO模糊神经元算法在有效降低计算复杂度的同时仍保证了算法的性能及实用性。本文的研究工作和成果为基于负载均衡的异构无线网络接入选择算法的研究提供了参考。