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

錢志鴻，馮一諾，孫佳妮，王雪

（吉林大學通信工程學院，吉林 長春 130012）

1 引言

社會經(jīng)濟的快速發(fā)展、5G 部署的不斷推進以及人們對高質(zhì)量信息通信的需求等因素促使無線移動通信技術(shù)飛速發(fā)展[1-2]。下一代無線網(wǎng)絡(luò)將會是由多種無線接入技術(shù)共同組成，可提供多種接入方式、支持終端無縫移動的異構(gòu)無線網(wǎng)絡(luò)[3]。網(wǎng)絡(luò)接入選擇是異構(gòu)無線網(wǎng)絡(luò)融合的關(guān)鍵技術(shù)之一，其主要功能是對用戶的接入請求進行控制，并選擇某一個網(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。

目前，國內(nèi)外針對異構(gòu)無線網(wǎng)絡(luò)接入選擇問題已經(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[5]提出一種基于信干噪比和層次分析法的簡單加權(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，然后用簡單加權(quán)法進行判決。文獻[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，再用馬氏距離對替代方案進行排序。文獻[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)的屬性問題，但屬性參數(shù)過多會增加算法的復雜度。文獻[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[10]提出了一種基于異構(gòu)無線網(wǎng)絡(luò)的終端多接入選擇機制，通過效用函數(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選擇。文獻[11]在利用馬爾可夫模型分析2 個融合網(wǎng)絡(luò)如何接入的基礎(chǔ)上，針對無線通信網(wǎng)絡(luò)、陸地無線接入網(wǎng)、無線局域網(wǎng)（WLAN,wireless local area network）的融合網(wǎng)絡(luò)，提出了一個三維的馬爾可夫模型，分別通過負載和業(yè)務(wù)2 個方面對系統(tǒng)的性能進行了分析。文獻[12]提出了一種基于模糊邏輯的多準則垂直切換模型。文獻[13]提出了一種基于模糊邏輯的分級垂直切換算法，將接收信號強度、帶寬、時延輸入一級模糊邏輯系統(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，并通過服務(wù)質(zhì)量模糊值對網(wǎng)絡(luò)進行初步篩選得到候選網(wǎng)絡(luò)集；然后通過觸發(fā)機制觸發(fā)二級模糊邏輯系統(tǒng)，并將候選網(wǎng)絡(luò)的服務(wù)質(zhì)量模糊值、網(wǎng)絡(luò)負載率、用戶接入費用輸入二級模糊邏輯系統(tǒng)，同時結(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)。基于模糊邏輯的接入選擇算法雖然將不確定的參數(shù)進行準確的表達，但卻不具備學習能力。文獻[14]提出了一種基于神經(jīng)網(wǎng)絡(luò)的機器學習方案，將每個屬性的估計值轉(zhuǎn)發(fā)到神經(jīng)網(wǎng)絡(luò)以選擇最佳訪問網(wǎng)絡(luò)。基于神經(jīng)網(wǎng)絡(luò)的接入選擇算法雖具備學習能力，但無法處理模糊屬性。考慮以上問題，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 個模糊推理層以及解模糊層，利用強化學習過程自適應(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)，訓練模糊神經(jīng)網(wǎng)絡(luò)。

2) DA 尋優(yōu)。DA 尋優(yōu)過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)后的初始值進行模糊神經(jīng)網(wǎng)絡(luò)訓練。

3) 進行仿真實驗，驗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，分別是通用移動通信系統(tǒng)的長期演進（LTE,long term evolution）、WLAN1、WLAN2。網(wǎng)絡(luò)屬性有2 個，分別是帶寬BW 和時延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，分別是BWLTE、DLTE、BWWLAN1、DWLAN1、BWWLAN2、DWLAN2，則第一層共有6 個節(jié)點，每個節(jié)點對應(yīng)一個輸入數(shù)據(jù)，其輸入和輸出是相等的，表達式為

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 個等級，則第二層共有3 × 6=18個節(jié)點，且一個節(jié)點對應(yīng)一個輸入數(shù)據(jù)，輸入和輸出的表達式分別為

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，由于每個輸入都包含3 個模糊集，且該層中的每個節(jié)點都對應(yīng)不同模糊集的組合，因此經(jīng)模糊推理后可以得到36=729 個模糊規(guī)則，第三層共有729 個節(jié)點，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式分別為

第四層為模糊推理層2。第四層的節(jié)點代表輸出層網(wǎng)絡(luò)評分的隸屬度函數(shù)值，3 個備選網(wǎng)絡(luò)的評分也模糊化為L、M、H 這3 個等級，則第四層共有3 × 3=9個節(jié)點，每個節(jié)點都對應(yīng)一個模糊集。將對應(yīng)第四層同一節(jié)點的所有第三層節(jié)點求和（sum）做模糊或操作，得到輸入和輸出的表達式分別為

表1 模糊規(guī)則舉例

其中，i=1,2,…,9，Gi是使輸出層節(jié)點對應(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i相連的第三層節(jié)點，是第四層節(jié)點i的第j個輸入數(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行解模糊，解模糊的作用是將第四層得到的輸出節(jié)點的隸屬度函數(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)的評分[15]，分別為和則第五層共有3 個節(jié)點，利用面積重心法解模糊得到輸入和輸出的表達式分別為

其中，i=1,2,3，B i是與第五層節(jié)點i相連的第四層節(jié)點的集合，j是與第五層的節(jié)點i相連的第四層節(jié)點，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i的第j個輸入數(shù)據(jù)。

2.2 強化學習過程

本文的強化學習過程旨在訓練模糊神經(jīng)網(wǎng)絡(luò)第二層及第五層隸屬度函數(shù)的均值和方差，訓練過程是通過反向誤差傳播過程（BP,back propagation）實現(xiàn)的。BP 神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播訓練的多層前饋網(wǎng)絡(luò)，其學習規(guī)則通常使用梯度下降法[15]，通過反向傳播實現(xiàn)對均值和方差的不斷調(diào)整，以減小實際輸出評分與期望輸出評分之間的差距，具體實現(xiàn)過程如下。

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

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

步驟2利用梯度下降法建立學習規(guī)則，進而自適應(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)整的目標函數(shù)為

其中，α為學習效率，t為迭代次數(shù)。

步驟3計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式分別為

根據(jù)均值的求解過程，可類比得到方差的表達式為

2) 第二層高斯隸屬度函數(shù)的均值和方差的表達式分別為

將式(3)代入式(21)可得

由于第二層節(jié)點的輸出影響著第三層節(jié)點的輸入，且第三層有729 個節(jié)點，則

由于第三層節(jié)點的輸出影響著第四層節(jié)點的輸入，且第四層有9 個節(jié)點，則有

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

根據(jù)均值的求解過程，可類比得到方差的表達式為

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)，其主要靈感來源于自然界中蜻蜓的靜態(tài)和動態(tài)群居行為。在蜻蜓算法中，蜻蜓個體通過避撞行為、結(jié)對行為、聚集行為、覓食行為和避敵行為進行覓食和尋優(yōu)[16]。

3.1 蜻蜓群體的行為方式

1) 避撞行為，指個體與鄰域內(nèi)其他個體的靜態(tài)避碰。避撞行為的位置向量為

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

2) 結(jié)對行為，指個體與相鄰個體保持一致的速度。結(jié)對行為的位置向量為

其中，Vj為第j個相鄰個體的速度，N為相鄰個體的數(shù)量。

3) 聚集行為，指個體傾向于向相鄰個體的中心聚集。聚集行為的位置向量為

其中，X為當前個體的位置，Xj為第j個相鄰個體的位置，N為相鄰個體的數(shù)量。

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

其中，X為當前個體的位置，X+為食物源的位置。

5) 避敵行為，指自然界中生存的蜻蜓會本能地遠離天敵。避敵行為的位置向量為

其中，X為當前個體的位置，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體的步長向量為

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為當前迭代次數(shù)。

綜上，蜻蜓個體的位置向量為

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

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

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)置蜻蜓群體個數(shù)為10，最大迭代次數(shù)為500 次，即N=10，T=500。

步驟2隨機初始化步長向量為ΔX、隨機產(chǎn)生蜻蜓個體的初始位置為X，本文取模糊神經(jīng)網(wǎng)絡(luò)第二層和第五層中每個節(jié)點對應(yīng)的高斯隸屬度函數(shù)的均值和方差構(gòu)成向量作為蜻蜓個體的初始位置。蜻蜓個體的初始位置向量為

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

步驟3令t=1，將訓練集輸入模糊神經(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)，計算所有蜻蜓個體的適應(yīng)度。適應(yīng)度越小代表均方誤差越小，通過將適應(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、方差對應(yīng)的位置向量，即X+和X?。同時，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，并更新步長和位置向量。

步驟6若t＞T，保存此時的食物源位置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)束迭代時對應(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)點的高斯隸屬度函數(shù)的初始參數(shù)，然后開始訓練模糊神經(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，一類是實時業(yè)務(wù)用戶，另一類是非實時業(yè)務(wù)用戶，設(shè)置2 類用戶對 3 個網(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]。在進行網(wǎng)絡(luò)接入選擇時，先對用戶位置進行判斷，然后綜合考慮不同業(yè)務(wù)類型下用戶對網(wǎng)絡(luò)的偏好程度和網(wǎng)絡(luò)輸出評分兩方面因素，對輸出評分做加權(quán)處理，作為最后的評價標準，具體情況如下。

1) 當實時業(yè)務(wù)用戶或非實時業(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，選擇接入LTE。

2) 當實時業(yè)務(wù)用戶位于LTE和WLAN1的重疊覆蓋區(qū)域時調(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。當非實時業(yè)務(wù)用戶位于LTE 和WLAN1的重疊覆蓋區(qū)域時，若選擇接入LTE；否則選擇接入WLAN1。

3) 當實時業(yè)務(wù)用戶位于LTE和WLAN2的重疊覆蓋區(qū)域時調(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。當非實時業(yè)務(wù)用戶位于LTE和 WLAN2的 重 疊 覆 蓋 區(qū) 域 時，若選擇接入LTE；否則用戶選擇接入WLAN2。

4) 當實時業(yè)務(wù)用戶位于LTE、WLAN1、WLAN2這3 個網(wǎng)絡(luò)的重疊覆蓋區(qū)域時，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行接入；當非實時業(yè)務(wù)用戶位于LTE、WLAN1、WLAN2這3 個網(wǎng)絡(luò)的重疊覆蓋區(qū)域時，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行接入。

5 仿真分析

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

5.1 仿真場景

本文的仿真場景是由LTE、WLAN1、WLAN2構(gòu)成的重疊覆蓋網(wǎng)絡(luò)區(qū)域，如圖2 所示。考慮到實際場景中用戶的移動性，和不同用戶的移動方向的差異，本文設(shè)置100 個用戶隨機分布在仿真區(qū)域中，并隨機產(chǎn)生用戶的移動方向，每個用戶的移動速度為3 m/s[17-18]。

圖2 仿真場景

本文設(shè)置實時業(yè)務(wù)和非實時業(yè)務(wù)均按照泊松分布到達，每隔5 s 判斷一次所有用戶的位置，對有業(yè)務(wù)需求的用戶調(diào)用模糊神經(jīng)網(wǎng)絡(luò)進行網(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)到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的接入阻塞率對比。當λ=6時，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λ=7時，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了40%、75%、84.21%。當λ=8時，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 接入阻塞率對比

圖6 是在業(yè)務(wù)到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的系統(tǒng)吞吐量對比，DA-FNN 的系統(tǒng)吞吐量一直高于其他3 種算法，當λ=8時，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)吞吐量對比

圖7 是在業(yè)務(wù)到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的用戶滿意度對比。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)實時業(yè)務(wù)用戶和非實時業(yè)務(wù)用戶對3 種網(wǎng)絡(luò)的偏好程度確定的，實時業(yè)務(wù)用戶對 3 種網(wǎng)絡(luò)的偏好程度為W1=[0.4,0.3,0.3]，非實時業(yè)務(wù)用戶對3 種網(wǎng)絡(luò)的偏好程度為W2=[0.4,0.4,0.2]。當實時業(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，期望網(wǎng)絡(luò)為LTE；當實時業(yè)務(wù)用戶位于LTE 和WLAN1的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE；當實時業(yè)務(wù)用戶位于LTE 和WLAN2的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE；當實時業(yè)務(wù)用戶位于LTE、WLAN1和WLAN2的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE。當非實時業(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，期望網(wǎng)絡(luò)為LTE；當非實時業(yè)務(wù)用戶位于LTE 和WLAN1的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE 或WLAN1；當非實時業(yè)務(wù)用戶位于LTE 和WLAN2的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE；當非實時業(yè)務(wù)用戶位于LTE、WLAN1和WLAN2的重疊區(qū)域內(nèi)時，期望網(wǎng)絡(luò)為LTE 或WLAN1。當λ=8時，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 用戶滿意度對比

圖8 是在業(yè)務(wù)到達率λ=1、決策時間為1～5 min時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的切換次數(shù)對比。由于用戶是隨機移動的，當用戶所在的網(wǎng)絡(luò)區(qū)域變化時可能產(chǎn)生網(wǎng)絡(luò)的切換，隨著決策時間的增加，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延對比。4 種算法的平均切換處理時延分別為4.282 ms、4.241 ms、1.951 ms、4.782 ms。平均切換處理時延代表了算法處理切換所需要的時間，而算法本身的復雜度不同導致運算量存在差異，運算量越大的算法處理切換需要的時間就越長。SAW 是適用范圍最廣的一種多屬性決策算法，其基本思想是對備選網(wǎng)絡(luò)的屬性效用進行加權(quán)處理，算法復雜度較低，運算量比較小，所以在4 種算法中SAW 的平均切換處理時延最小。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多、推理速度慢、算法復雜度較高的缺陷，因此Fuzzy-Logic 的運算量較大、平均切換處理時延較高，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)的學習能力降低算法復雜度，減少運算量，所以這2 種算法的平均切換處理時延比Fuzzy-Logic 小。

圖8 切換次數(shù)對比

圖9 平均切換處理時延對比

6 結(jié)束語

本文提出了基于DA 優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的異構(gòu)無線網(wǎng)絡(luò)接入選擇算法，該算法既能通過模糊邏輯實現(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)無線網(wǎng)絡(luò)接入選擇的接入阻塞率的同時，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。