基于DA優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇算法

錢(qián)志鴻，馮一諾，孫佳妮，王雪

（吉林大學(xué)通信工程學(xué)院，吉林 長(zhǎng)春 130012）

1 引言

社會(huì)經(jīng)濟(jì)的快速發(fā)展、5G 部署的不斷推進(jìn)以及人們對(duì)高質(zhì)量信息通信的需求等因素促使無(wú)線移動(dòng)通信技術(shù)飛速發(fā)展[1-2]。下一代無(wú)線網(wǎng)絡(luò)將會(huì)是由多種無(wú)線接入技術(shù)共同組成，可提供多種接入方式、支持終端無(wú)縫移動(dòng)的異構(gòu)無(wú)線網(wǎng)絡(luò)[3]。網(wǎng)絡(luò)接入選擇是異構(gòu)無(wú)線網(wǎng)絡(luò)融合的關(guān)鍵技術(shù)之一，其主要功能是對(duì)用戶的接入請(qǐng)求進(jìn)行控制，并選擇某一個(gè)網(wǎng)絡(luò)為用戶提供連接服務(wù)[4]。如何在兼顧用戶和網(wǎng)絡(luò)兩方面的情況下，為用戶選擇最適合的網(wǎng)絡(luò)并保證用戶的服務(wù)質(zhì)量，已經(jīng)成為研究熱點(diǎn)。

目前，國(guó)內(nèi)外針對(duì)異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇問(wèn)題已經(jīng)提出了以下幾類算法：基于多屬性決策的接入選擇算法[5-7]、基于效用理論的接入選擇算法[8-10]、基于馬爾可夫過(guò)程的接入選擇算法[11]、基于模糊邏輯的接入選擇算法[12-13]、基于神經(jīng)網(wǎng)絡(luò)的接入選擇算法[14]。其中，文獻(xiàn)[5]提出一種基于信干噪比和層次分析法的簡(jiǎn)單加權(quán)法（SAW,weighted method of simple additivity）垂直切換算法，利用層次分析法確定屬性矩陣，然后用簡(jiǎn)單加權(quán)法進(jìn)行判決。文獻(xiàn)[6]提出一種基于多屬性決策的接入選擇算法，采用模層次分析法確定類間和類內(nèi)的權(quán)重，再用馬氏距離對(duì)替代方案進(jìn)行排序。文獻(xiàn)[7]提出了一種基于層次分析法和灰色關(guān)聯(lián)分析的切換網(wǎng)絡(luò)決策機(jī)制。以上基于多屬性決策的接入選擇算法雖然綜合考慮了網(wǎng)絡(luò)的屬性問(wèn)題，但屬性參數(shù)過(guò)多會(huì)增加算法的復(fù)雜度。文獻(xiàn)[8-9]提出了一系列效用函數(shù)，但都停留在傳統(tǒng)意義上。文獻(xiàn)[10]提出了一種基于異構(gòu)無(wú)線網(wǎng)絡(luò)的終端多接入選擇機(jī)制，通過(guò)效用函數(shù)在終端功耗與吞吐量閾值范圍內(nèi)平衡終端功耗和數(shù)據(jù)傳輸速率，以此選擇參與并行傳輸?shù)木W(wǎng)卡，能夠顯著減少不必要的重復(fù)選擇。文獻(xiàn)[11]在利用馬爾可夫模型分析2 個(gè)融合網(wǎng)絡(luò)如何接入的基礎(chǔ)上，針對(duì)無(wú)線通信網(wǎng)絡(luò)、陸地?zé)o線接入網(wǎng)、無(wú)線局域網(wǎng)（WLAN,wireless local area network）的融合網(wǎng)絡(luò)，提出了一個(gè)三維的馬爾可夫模型，分別通過(guò)負(fù)載和業(yè)務(wù)2 個(gè)方面對(duì)系統(tǒng)的性能進(jìn)行了分析。文獻(xiàn)[12]提出了一種基于模糊邏輯的多準(zhǔn)則垂直切換模型。文獻(xiàn)[13]提出了一種基于模糊邏輯的分級(jí)垂直切換算法，將接收信號(hào)強(qiáng)度、帶寬、時(shí)延輸入一級(jí)模糊邏輯系統(tǒng)，結(jié)合規(guī)則自適應(yīng)匹配，推理出服務(wù)質(zhì)量模糊值，并通過(guò)服務(wù)質(zhì)量模糊值對(duì)網(wǎng)絡(luò)進(jìn)行初步篩選得到候選網(wǎng)絡(luò)集；然后通過(guò)觸發(fā)機(jī)制觸發(fā)二級(jí)模糊邏輯系統(tǒng)，并將候選網(wǎng)絡(luò)的服務(wù)質(zhì)量模糊值、網(wǎng)絡(luò)負(fù)載率、用戶接入費(fèi)用輸入二級(jí)模糊邏輯系統(tǒng)，同時(shí)結(jié)合規(guī)則自適應(yīng)匹配，得到輸出判決值，從而選擇最佳接入網(wǎng)絡(luò)?；谀：壿嫷慕尤脒x擇算法雖然將不確定的參數(shù)進(jìn)行準(zhǔn)確的表達(dá)，但卻不具備學(xué)習(xí)能力。文獻(xiàn)[14]提出了一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方案，將每個(gè)屬性的估計(jì)值轉(zhuǎn)發(fā)到神經(jīng)網(wǎng)絡(luò)以選擇最佳訪問(wèn)網(wǎng)絡(luò)。基于神經(jīng)網(wǎng)絡(luò)的接入選擇算法雖具備學(xué)習(xí)能力，但無(wú)法處理模糊屬性。考慮以上問(wèn)題，本文將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了基于蜻蜓算法（DA,dragonfly algorithm）優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)（FNN,fuzzy neural network）的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇算法，即DA-FNN。

本文的主要研究工作分為以下三方面。

1) 構(gòu)建了五層模糊神經(jīng)網(wǎng)絡(luò)模型，主要包括輸入層、模糊化層、2 個(gè)模糊推理層以及解模糊層，利用強(qiáng)化學(xué)習(xí)過(guò)程自適應(yīng)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)第二層和第五層隸屬度函數(shù)參數(shù)，訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)。

2) DA 尋優(yōu)。DA 尋優(yōu)過(guò)程用于尋找模糊神經(jīng)網(wǎng)絡(luò)第二層和第五層高斯隸屬度函數(shù)均值和方差的最優(yōu)初始值，主要是根據(jù)蜻蜓群體在自然界的5 種行為方式，利用一定數(shù)目的蜻蜓尋找其食物位置和天敵位置，將食物位置作為所求最優(yōu)初始值，再用尋優(yōu)后的初始值進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

3) 進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證本文所提算法的優(yōu)越性。

2 模糊神經(jīng)網(wǎng)絡(luò)模型

本文提出的基于DA 優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇算法構(gòu)建了五層模糊神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)如圖1 所示。

2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第一層為輸入層。本文的備選網(wǎng)絡(luò)有3 個(gè)，分別是通用移動(dòng)通信系統(tǒng)的長(zhǎng)期演進(jìn)（LTE,long term evolution）、WLAN1、WLAN2。網(wǎng)絡(luò)屬性有2 個(gè)，分別是帶寬BW 和時(shí)延D。本文將所有備選網(wǎng)絡(luò)的屬性設(shè)置為輸入數(shù)據(jù)，那么輸入層的輸入數(shù)據(jù)共有3 × 2=6個(gè)，分別是BWLTE、DLTE、BWWLAN1、DWLAN1、BWWLAN2、DWLAN2，則第一層共有6 個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)輸入數(shù)據(jù)，其輸入和輸出是相等的，表達(dá)式為

第二層為模糊化層。模糊化層的作用是將輸入數(shù)據(jù)進(jìn)行模糊化處理。一般情況下，隸屬度函數(shù)分為三角隸屬度函數(shù)、鐘形隸屬度函數(shù)、高斯隸屬度函數(shù)和梯形隸屬度函數(shù)[15]。本文采用高斯隸屬度函數(shù)，將輸入數(shù)據(jù)模糊為低（L,low）、中 （M,medium）、高（H,high）3 個(gè)等級(jí)，則第二層共有3 × 6=18個(gè)節(jié)點(diǎn)，且一個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)輸入數(shù)據(jù)，輸入和輸出的表達(dá)式分別為

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第三層為模糊推理層1。模糊推理的作用在于建立模糊規(guī)則，模糊規(guī)則采用if…then…的形式。例如“if(x1=d,x2=g)，then(y=p)”，其中，x1、x2和y分別為輸入和輸出數(shù)據(jù)，d和g分別為x1和x2對(duì)應(yīng)的輸入數(shù)據(jù)模糊集，p為輸出數(shù)據(jù)模糊集[15]。本文的輸入數(shù)據(jù)有6 個(gè)，由于每個(gè)輸入都包含3 個(gè)模糊集，且該層中的每個(gè)節(jié)點(diǎn)都對(duì)應(yīng)不同模糊集的組合，因此經(jīng)模糊推理后可以得到36=729 個(gè)模糊規(guī)則，第三層共有729 個(gè)節(jié)點(diǎn)，表1 列舉了5 條規(guī)則。

將第二層的輸出數(shù)據(jù)取最小運(yùn)算（min）作為第三層的輸入數(shù)據(jù)，且第三層的輸入數(shù)據(jù)與輸出數(shù)據(jù)相等，則輸入和輸出的表達(dá)式分別為

第四層為模糊推理層2。第四層的節(jié)點(diǎn)代表輸出層網(wǎng)絡(luò)評(píng)分的隸屬度函數(shù)值，3 個(gè)備選網(wǎng)絡(luò)的評(píng)分也模糊化為L(zhǎng)、M、H 這3 個(gè)等級(jí)，則第四層共有3 × 3=9個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都對(duì)應(yīng)一個(gè)模糊集。將對(duì)應(yīng)第四層同一節(jié)點(diǎn)的所有第三層節(jié)點(diǎn)求和（sum）做模糊或操作，得到輸入和輸出的表達(dá)式分別為

表1 模糊規(guī)則舉例

其中，i=1,2,…,9，Gi是使輸出層節(jié)點(diǎn)對(duì)應(yīng)同一模糊集的規(guī)則數(shù)的集合，j是與第四層的節(jié)點(diǎn)i相連的第三層節(jié)點(diǎn)，是第四層節(jié)點(diǎn)i的第j個(gè)輸入數(shù)據(jù)。

第五層為輸出層，又叫作解模糊層。常用的解模糊的方法有最大隸屬度法、加權(quán)平均法、面積重心法等。本文采用面積重心法進(jìn)行解模糊，解模糊的作用是將第四層得到的輸出節(jié)點(diǎn)的隸屬度函數(shù)解模糊為精確的輸出值，得到的輸出值即為備選網(wǎng)絡(luò)的評(píng)分[15]，分別為和則第五層共有3 個(gè)節(jié)點(diǎn)，利用面積重心法解模糊得到輸入和輸出的表達(dá)式分別為

其中，i=1,2,3，B i是與第五層節(jié)點(diǎn)i相連的第四層節(jié)點(diǎn)的集合，j是與第五層的節(jié)點(diǎn)i相連的第四層節(jié)點(diǎn)，分別是第五層高斯隸屬度函數(shù)的均值和方差，是第五層節(jié)點(diǎn)i的第j個(gè)輸入數(shù)據(jù)。

2.2 強(qiáng)化學(xué)習(xí)過(guò)程

本文的強(qiáng)化學(xué)習(xí)過(guò)程旨在訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)第二層及第五層隸屬度函數(shù)的均值和方差，訓(xùn)練過(guò)程是通過(guò)反向誤差傳播過(guò)程（BP,back propagation）實(shí)現(xiàn)的。BP 神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，其學(xué)習(xí)規(guī)則通常使用梯度下降法[15]，通過(guò)反向傳播實(shí)現(xiàn)對(duì)均值和方差的不斷調(diào)整，以減小實(shí)際輸出評(píng)分與期望輸出評(píng)分之間的差距，具體實(shí)現(xiàn)過(guò)程如下。

步驟1計(jì)算模糊神經(jīng)網(wǎng)絡(luò)第五層的實(shí)際輸出評(píng)分與期望輸出評(píng)分的均方誤差E，設(shè)實(shí)際輸出為ri(i=1,2,3)，期望輸出為hi，則均方誤差E的表達(dá)式為

其中，K=3為模糊神經(jīng)網(wǎng)絡(luò)第五層輸出節(jié)點(diǎn)的個(gè)數(shù)。

步驟2利用梯度下降法建立學(xué)習(xí)規(guī)則，進(jìn)而自適應(yīng)調(diào)整隸屬度函數(shù)的參數(shù)。將需要調(diào)整的參數(shù)設(shè)為ω，自適應(yīng)調(diào)整的目標(biāo)函數(shù)為

其中，α為學(xué)習(xí)效率，t為迭代次數(shù)。

步驟3計(jì)算第五層和第二層高斯隸屬度函數(shù)的均值和方差。

1) 第五層高斯隸屬度函數(shù)的均值和方差的表達(dá)式分別為

根據(jù)均值的求解過(guò)程，可類比得到方差的表達(dá)式為

2) 第二層高斯隸屬度函數(shù)的均值和方差的表達(dá)式分別為

將式(3)代入式(21)可得

由于第二層節(jié)點(diǎn)的輸出影響著第三層節(jié)點(diǎn)的輸入，且第三層有729 個(gè)節(jié)點(diǎn)，則

由于第三層節(jié)點(diǎn)的輸出影響著第四層節(jié)點(diǎn)的輸入，且第四層有9 個(gè)節(jié)點(diǎn)，則有

將式(24)～式(28)代入式(23)，可得第二層高斯隸屬度函數(shù)的均值的表達(dá)式為

根據(jù)均值的求解過(guò)程，可類比得到方差的表達(dá)式為

3 蜻蜓算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)

蜻蜓算法是一種新的群體智能優(yōu)化技術(shù)，其主要靈感來(lái)源于自然界中蜻蜓的靜態(tài)和動(dòng)態(tài)群居行為。在蜻蜓算法中，蜻蜓個(gè)體通過(guò)避撞行為、結(jié)對(duì)行為、聚集行為、覓食行為和避敵行為進(jìn)行覓食和尋優(yōu)[16]。

3.1 蜻蜓群體的行為方式

1) 避撞行為，指?jìng)€(gè)體與鄰域內(nèi)其他個(gè)體的靜態(tài)避碰。避撞行為的位置向量為

其中，X為當(dāng)前個(gè)體的位置，Xj為相鄰個(gè)體j的位置，N為相鄰個(gè)體的數(shù)量。

2) 結(jié)對(duì)行為，指?jìng)€(gè)體與相鄰個(gè)體保持一致的速度。結(jié)對(duì)行為的位置向量為

其中，Vj為第j個(gè)相鄰個(gè)體的速度，N為相鄰個(gè)體的數(shù)量。

3) 聚集行為，指?jìng)€(gè)體傾向于向相鄰個(gè)體的中心聚集。聚集行為的位置向量為

其中，X為當(dāng)前個(gè)體的位置，Xj為第j個(gè)相鄰個(gè)體的位置，N為相鄰個(gè)體的數(shù)量。

4) 覓食行為，指自然界中生存的蜻蜓會(huì)本能地向食物源接近。覓食行為的位置向量為

其中，X為當(dāng)前個(gè)體的位置，X+為食物源的位置。

5) 避敵行為，指自然界中生存的蜻蜓會(huì)本能地遠(yuǎn)離天敵。避敵行為的位置向量為

其中，X為當(dāng)前個(gè)體的位置，X-為天敵的位置。

根據(jù)以上5 種蜻蜓群體行為可以得到蜻蜓個(gè)體的步長(zhǎng)向量為

其中，s、a、c、f、e分別為5 種蜻蜓群體行為的權(quán)重，w為慣性權(quán)重，t為當(dāng)前迭代次數(shù)。

綜上，蜻蜓個(gè)體的位置向量為

3.2 蜻蜓算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的過(guò)程

本文利用蜻蜓算法中蜻蜓群體的5 種行為方式來(lái)尋找高斯隸屬函數(shù)的最優(yōu)初始值，具體過(guò)程如下。

步驟1初始化種群規(guī)模N和最大迭代次數(shù)T，本文設(shè)置蜻蜓群體個(gè)數(shù)為10，最大迭代次數(shù)為500 次，即N=10，T=500。

步驟2隨機(jī)初始化步長(zhǎng)向量為ΔX、隨機(jī)產(chǎn)生蜻蜓個(gè)體的初始位置為X，本文取模糊神經(jīng)網(wǎng)絡(luò)第二層和第五層中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的高斯隸屬度函數(shù)的均值和方差構(gòu)成向量作為蜻蜓個(gè)體的初始位置。蜻蜓個(gè)體的初始位置向量為

其中，m和b分別代表每個(gè)節(jié)點(diǎn)的高斯隸屬度函數(shù)的均值和方差。

步驟3令t=1，將訓(xùn)練集輸入模糊神經(jīng)網(wǎng)絡(luò)，根據(jù)式(10)可以得到模糊神經(jīng)網(wǎng)絡(luò)的均方誤差，然后將均方誤差作為蜻蜓算法的適應(yīng)度函數(shù)，計(jì)算所有蜻蜓個(gè)體的適應(yīng)度。適應(yīng)度越小代表均方誤差越小，通過(guò)將適應(yīng)度排序可以得到最小適應(yīng)度和最大適應(yīng)度所對(duì)應(yīng)的蜻蜓位置向量，分別為X+和X?，也就是蜻蜓群體的食物源位置和天敵位置。適應(yīng)度函數(shù)為

步驟4根據(jù)步驟3 可以更新模糊神經(jīng)網(wǎng)絡(luò)的最優(yōu)均值、方差和最差均值、方差對(duì)應(yīng)的位置向量，即X+和X?。同時(shí)，更新5 種行為權(quán)重s、a、c、f、e和慣性權(quán)重w。

步驟5根據(jù)式(31)～式(36)更新5 種行為位置向量S、A、C、F、E，并更新步長(zhǎng)和位置向量。

步驟6若t＞T，保存此時(shí)的食物源位置X+，也就是最優(yōu)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)；否則，繼續(xù)迭代(t=t+1)，返回步驟3。

步驟7將結(jié)束迭代時(shí)對(duì)應(yīng)的食物源位置向量中的參數(shù)m、b作為模糊神經(jīng)網(wǎng)絡(luò)第二層和第五層相應(yīng)節(jié)點(diǎn)的高斯隸屬度函數(shù)的初始參數(shù)，然后開(kāi)始訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)。

4 網(wǎng)絡(luò)接入選擇

本文將有業(yè)務(wù)產(chǎn)生的用戶類型分為2 類，一類是實(shí)時(shí)業(yè)務(wù)用戶，另一類是非實(shí)時(shí)業(yè)務(wù)用戶，設(shè)置2 類用戶對(duì) 3 個(gè)網(wǎng)絡(luò)的偏好程度分別為W1=[0.4,0.3,0.3]、W2=[0.4,0.4,0.2]。在進(jìn)行網(wǎng)絡(luò)接入選擇時(shí)，先對(duì)用戶位置進(jìn)行判斷，然后綜合考慮不同業(yè)務(wù)類型下用戶對(duì)網(wǎng)絡(luò)的偏好程度和網(wǎng)絡(luò)輸出評(píng)分兩方面因素，對(duì)輸出評(píng)分做加權(quán)處理，作為最后的評(píng)價(jià)標(biāo)準(zhǔn)，具體情況如下。

1) 當(dāng)實(shí)時(shí)業(yè)務(wù)用戶或非實(shí)時(shí)業(yè)務(wù)用戶位于LTE 覆蓋區(qū)域，但不在WLAN1和WLAN2的覆蓋區(qū)域時(shí)，選擇接入LTE。

2) 當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE和WLAN1的重疊覆蓋區(qū)域時(shí)調(diào)用模糊神經(jīng)網(wǎng)絡(luò)，若0.4OUTLTE＞，選擇接入 LTE；否則選擇接入WLAN1。當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE 和WLAN1的重疊覆蓋區(qū)域時(shí)，若選擇接入LTE；否則選擇接入WLAN1。

3) 當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE和WLAN2的重疊覆蓋區(qū)域時(shí)調(diào)用模糊神經(jīng)網(wǎng)絡(luò)，若選擇接入LTE；否則用戶選擇接入WLAN2。當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE和 WLAN2的 重 疊 覆 蓋 區(qū) 域 時(shí)，若選擇接入LTE；否則用戶選擇接入WLAN2。

4) 當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE、WLAN1、WLAN2這3 個(gè)網(wǎng)絡(luò)的重疊覆蓋區(qū)域時(shí)，調(diào)用模糊神經(jīng)網(wǎng)絡(luò)，比較0.4OUTLTE、的大小，選擇三者中最大的進(jìn)行接入；當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE、WLAN1、WLAN2這3 個(gè)網(wǎng)絡(luò)的重疊覆蓋區(qū)域時(shí)，調(diào)用模糊神經(jīng)網(wǎng)絡(luò)，比較0.4OUTLTE、的大小，選擇三者中最大的進(jìn)行接入。

5 仿真分析

為了驗(yàn)證本文提出的DA-FNN 的性能，本節(jié)將其與SAW[5]、Fuzzy-Logic[12]以及FNN 進(jìn)行對(duì)比仿真分析。首先，對(duì)比DA-FNN 與FNN 的均方誤差曲線的收斂速度，然后對(duì)比分析這4 種算法在200 輪仿真實(shí)驗(yàn)后各網(wǎng)絡(luò)性能指標(biāo)的平均值，包括接入阻塞率、系統(tǒng)吞吐量、平均切換處理時(shí)延、切換次數(shù)以及用戶滿意度。

5.1 仿真場(chǎng)景

本文的仿真場(chǎng)景是由LTE、WLAN1、WLAN2構(gòu)成的重疊覆蓋網(wǎng)絡(luò)區(qū)域，如圖2 所示?？紤]到實(shí)際場(chǎng)景中用戶的移動(dòng)性，和不同用戶的移動(dòng)方向的差異，本文設(shè)置100 個(gè)用戶隨機(jī)分布在仿真區(qū)域中，并隨機(jī)產(chǎn)生用戶的移動(dòng)方向，每個(gè)用戶的移動(dòng)速度為3 m/s[17-18]。

圖2 仿真場(chǎng)景

本文設(shè)置實(shí)時(shí)業(yè)務(wù)和非實(shí)時(shí)業(yè)務(wù)均按照泊松分布到達(dá)，每隔5 s 判斷一次所有用戶的位置，對(duì)有業(yè)務(wù)需求的用戶調(diào)用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)接入選擇，共判斷120 次，即10 min 內(nèi)的網(wǎng)絡(luò)接入選擇情況。仿真參數(shù)設(shè)置如表2 所示。

5.2 結(jié)果分析

本文使用MATLAB R2018b 進(jìn)行仿真，仿真結(jié)果如下。

圖3 和圖4 分別為DA-FNN 算法與FNN 算法的均方誤差曲線，圖3 中的均方誤差值經(jīng)過(guò)100 次迭代后從0.345 下降到0.002，圖4 中的均方誤差值經(jīng)過(guò)100 次迭代后從0.187 下降到0.002，DA-FNN相比于FNN 的收斂速度提高了85.41%。

表2 仿真參數(shù)

圖3 DA-FNN 算法的均方誤差曲線

圖4 FNN 算法的均方誤差曲線

圖5 是在業(yè)務(wù)到達(dá)率λ為1～8 時(shí)，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的接入阻塞率對(duì)比。當(dāng)λ=6時(shí)，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了68.58%、96.17%、99.28%。當(dāng)λ=7時(shí)，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了40%、75%、84.21%。當(dāng)λ=8時(shí)，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了15.79%、48.39%、60%。

圖5 接入阻塞率對(duì)比

圖6 是在業(yè)務(wù)到達(dá)率λ為1～8 時(shí)，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的系統(tǒng)吞吐量對(duì)比，DA-FNN 的系統(tǒng)吞吐量一直高于其他3 種算法，當(dāng)λ=8時(shí)，4 種算法的系統(tǒng)吞吐量分別為263.9 Mbit/s、251.2 Mbit/s、230 Mbit/s、224.4 Mbit/s。

圖6 系統(tǒng)吞吐量對(duì)比

圖7 是在業(yè)務(wù)到達(dá)率λ為1～8 時(shí)，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的用戶滿意度對(duì)比。本文的用戶滿意度是指在接入成功的前提下，用戶能夠接入期望網(wǎng)絡(luò)的次數(shù)占總成功接入次數(shù)的比例。本文的用戶期望網(wǎng)絡(luò)是根據(jù)實(shí)時(shí)業(yè)務(wù)用戶和非實(shí)時(shí)業(yè)務(wù)用戶對(duì)3 種網(wǎng)絡(luò)的偏好程度確定的，實(shí)時(shí)業(yè)務(wù)用戶對(duì) 3 種網(wǎng)絡(luò)的偏好程度為W1=[0.4,0.3,0.3]，非實(shí)時(shí)業(yè)務(wù)用戶對(duì)3 種網(wǎng)絡(luò)的偏好程度為W2=[0.4,0.4,0.2]。當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE 區(qū)域并且不在WLAN1和WLAN2的區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE；當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE 和WLAN1的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE；當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE 和WLAN2的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE；當(dāng)實(shí)時(shí)業(yè)務(wù)用戶位于LTE、WLAN1和WLAN2的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE。當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE 區(qū)域并且不在WLAN1和WLAN2的區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE；當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE 和WLAN1的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE 或WLAN1；當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE 和WLAN2的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE；當(dāng)非實(shí)時(shí)業(yè)務(wù)用戶位于LTE、WLAN1和WLAN2的重疊區(qū)域內(nèi)時(shí)，期望網(wǎng)絡(luò)為L(zhǎng)TE 或WLAN1。當(dāng)λ=8時(shí)，4 種算法的用戶滿意度分別為99.68%、99.34%、98.17%、95.28%，DA-FNN的用戶滿意度相比于其他3 種算法分別提高了0.34%、1.54%、4.62%。

圖7 用戶滿意度對(duì)比

圖8 是在業(yè)務(wù)到達(dá)率λ=1、決策時(shí)間為1～5 min時(shí)，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的切換次數(shù)對(duì)比。由于用戶是隨機(jī)移動(dòng)的，當(dāng)用戶所在的網(wǎng)絡(luò)區(qū)域變化時(shí)可能產(chǎn)生網(wǎng)絡(luò)的切換，隨著決策時(shí)間的增加，4 種算法的切換次數(shù)都在增加，但DA-FNN 的切換次數(shù)整體稍低于其他3 種算法。

圖9 是DA-FNN、FNN、SAW、Fuzzy-Logic這4 種算法的平均切換處理時(shí)延對(duì)比。4 種算法的平均切換處理時(shí)延分別為4.282 ms、4.241 ms、1.951 ms、4.782 ms。平均切換處理時(shí)延代表了算法處理切換所需要的時(shí)間，而算法本身的復(fù)雜度不同導(dǎo)致運(yùn)算量存在差異，運(yùn)算量越大的算法處理切換需要的時(shí)間就越長(zhǎng)。SAW 是適用范圍最廣的一種多屬性決策算法，其基本思想是對(duì)備選網(wǎng)絡(luò)的屬性效用進(jìn)行加權(quán)處理，算法復(fù)雜度較低，運(yùn)算量比較小，所以在4 種算法中SAW 的平均切換處理時(shí)延最小。DA-FNN、FNN 和Fuzzy-Logic 均使用了模糊邏輯理論，由于模糊邏輯理論存在人工干預(yù)多、推理速度慢、算法復(fù)雜度較高的缺陷，因此Fuzzy-Logic 的運(yùn)算量較大、平均切換處理時(shí)延較高，而DA-FNN 和FNN 在模糊邏輯理論的基礎(chǔ)上利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力降低算法復(fù)雜度，減少運(yùn)算量，所以這2 種算法的平均切換處理時(shí)延比Fuzzy-Logic 小。

圖8 切換次數(shù)對(duì)比

圖9 平均切換處理時(shí)延對(duì)比

6 結(jié)束語(yǔ)

本文提出了基于DA 優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇算法，該算法既能通過(guò)模糊邏輯實(shí)現(xiàn)參數(shù)模糊化，具備自適應(yīng)調(diào)整高斯隸屬度函數(shù)均值和方差的能力，又能提高原始模糊神經(jīng)網(wǎng)絡(luò)的收斂速度。仿真結(jié)果表明，所提算法能夠提高模糊神經(jīng)網(wǎng)絡(luò)的收斂速度，相較于 FNN、SAW、Fuzzy-Logic 這3 種算法，DA-FNN 能夠在降低異構(gòu)無(wú)線網(wǎng)絡(luò)接入選擇的接入阻塞率的同時(shí)，提高系統(tǒng)吞吐量和用戶滿意度，并且切換次數(shù)在一定程度上低于其他3 種算法。