没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊20(2017)381完整文章基于混合人工智能的切换判决算法研究上午Aibinua,A.J.Onumanyib,A.P.Adedigbaa,M.一平臣,助教。Folorunsoa,M.J.E.萨拉米香肠ca机电一体化工程系(DOME),联邦理工大学(FUT)Minna,P. O. Box 63,Minna,尼日利亚b联邦技术大学电信工程系Minna,P. O. Box 63,Minna,尼日利亚c马来西亚国际伊斯兰大学机电一体化工程系阿提奇莱因福奥文章历史记录:2016年10月31日收到2017年1月3日修订2017年1月19日接受2017年2月3日在线发布保留字:人工神经网络基站模糊逻辑切换预测接收信号强度A B S T R A C T尽管现有的切换算法过多,但无缝切换的可能性仍然是海市蜃楼。造成这种情况的潜在因素可以追溯到切换过程中的切换决策模块。因此,本文提出了一种新的混合人工智能切换判决算法.开发的模型是由人工神经网络(ANN)的预测模型和模糊逻辑的混合。在接入网络时,在一段时间内获取接收信号强度(RSS)以形成时间序列数据。然后将数据馈送到新提出的基于k步提前ANN的RSS预测系统,用于估计预测模型系数。然后使用训练的ANN的突触权重和自适应系数来计算基于k步前向ANN的RSS预测模型系数。预测的RSS值随后被编码为模糊集,并与其他测量的网络参数一起被馈送到模糊逻辑控制器中,以完成切换决策过程。新开发的基于k步神经网络的RSS预测算法的性能进行了评估,使用模拟和真实的数据从现有的移动通信网络。在这两种情况下得到的结果表明,所提出的算法是能够提前预测的RSS值约为±0.0002 dB。此外,完整的切换决策模块的级联效果也进行了评估。结果表明,新提出的混合方法能够减少乒乓效应与其他切换技术。©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍随着近来对无线通信服务的需求的增加,需要解决与无线移动通信相关联的低效率通信和有时差的服务质量(QoS)在各种移动网络运营商之间具有最小分组丢失和低延迟的无缝移动性一直是一种幻想[1在解决与对质量和有效的移动通信能力的高需求相结合的低QoS问题时,网络运营商已经导致以基站收发站(BTS)的形式部署移动蜂窝网络站信号覆盖通常被分割成小区,并且每个小区由重叠的BTS覆盖区域覆盖。通信节点或移动站的移动有时被称为“移动”。*通讯作者。电子邮件地址:abiodun. futminna.edu.ng(A.M. Aibinu)。由Karabuk大学负责进行同行审查。无线移动通信系统中的蜂窝电话或移动电话由移动性管理协议来处理,该移动性管理协议跟踪网络中移动台的位置(称为位置管理),并确保当移动节点从一个BTS覆盖区域穿越到另一个BTS覆盖区域时分组的准确传递(切换管理)[6]。越区切换(也称为切换)是指当移动站从初始BTS的覆盖区域移动到目标BTS的覆盖区域时,将移动站到网络的连接点从一个BTS转移到另一个BTS的过程。该过程被期望是无缝的,从而确保正在进行的过程不被丢弃并且用户不经历差的QoS。解决上述问题的努力已经导致使用具有多个用户识别模块卡的多于一个的移动电话。尽管用户采取了短期措施,但是所识别的问题,特别是跨相同技术的各种网络的切换问题,还没有得到解决。因此,混合人工智能的发展http://dx.doi.org/10.1016/j.jestch.2017.01.0052215-0986/©2017 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestch382A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381--的切换判决算法。该混合方法包括一个级联的k步提前人工神经网络(ANN)为基础的预测算法和模糊推理系统在无线移动通信系统中的切换决策本文的其余部分组织如下:在第2节中讨论了人工智能方法在切换过程中的应用的详细回顾。第3节介绍了基于预测算法和模糊逻辑系统的k步前向人工神经网络的数学推导。所得结果和结论分别见第4节和第52. 综述:人工智能技术在切换方案中的应用在文献中已经报道了关于在切换过程中应用各种人工智能技术的几项努力[1在本文中,审查报告的努力已分为:人工神经网络为基础的方法;模糊逻辑为基础的方法;遗传算法为基础的方法和预测为基础的方法。第2.1节介绍了切换决策过程中基于人工神经网络的方法,第2.2节介绍了基于模糊逻辑的方法。在第2.3节中介绍了使用遗传算法的切换决策过程,在第2.4节中介绍了基于预测的切换决策过程。2.1. 人工神经网络方法在移交过程在[3]中报告了在蜂窝切换管理中使用三层ANN。所提出的方法涉及在实现切换决策系统中使用来自服务BTS和目标BTS的接收信号强度和业务强度。采用了基于门限和滞后裕度的切换策略,只有当接收信号大于一定值时才触发切换判决。因此,切换决定基于基于信号的测量方法[3]。文献[4]提出了一种基于人工神经网络的微蜂窝系统模式识别切换算法。该方案采用接收信号强度(RSS)作为切换决策系统的测量网络参数。该算法基于以下假设工作:移动终端在其间移动的两个BTS具有提供相同服务的能力。然而,由于电池容量的差异,这通常不是真的和其他条件。所提出的算法涉及RSS的采样和空间平均格式化模式在每个采样点的移动终端从一个BTS移动到另一个。然后将模式分配给不同的BTS来表示类别,然后使用ANN进行模式分类。该方案保持了较低的平均切换次数和掉话次数,但引入门限技术后切换判决延迟可以忽略不计。该方法也只需要一个训练向量的每个路径和环境,这使得该方法比其他模式识别为基础的计划简单。在[10]中报告了使用ANN在异构无线网络中增强切换性能的开发。它涉及访问建模以及使用ANN技术的自适应参数调整算法该方案具有自适应的参数调整,使切换适应目的网络环境的快速和吞吐量的变化,可以有效地避免。在文献[11]中使用ANN方法进行了无线移动通信系统中的切换决策。采用了7个不同交通强度的小区模型。所采用的模型利用了滞后区域中的移动台可以连接到多个BTS并且可以决定切换到流量密度最低的BTS人工神经网络用于做出切换到目标BTS的决策。使用建议的方法,尽管它考虑的是交通强度而不是免费频道的数量,但仍然减少了广播次数尽管如此,来自不在滞后区域中的移动台的呼入呼叫被阻止。使用预测RSS和停留时间,使用ANN的切换决策在[12]中报告。定义了自适应驻留时间和评价函数,驻留时间根据移动台的运动进行调整在评估所提出的方法,异构无线网络集成的UMTS ,移动WiMAX和WLAN进行了建模和建议的网络选择算法进行了测试,使用移动互联网协议。Nasser等人在[5]中提出了一种切换网络安排,该安排依赖于神经网络来选择最佳蜂窝网络。所开发的方法预计将添加到预定义的用户倾向,和网络参数的安排。将代价函数、安全性和带宽利用率等加权元素的标准在0和1之间进行归一化,输入到ANN算法中用于切换决策。性能分析表明,与其他切换技术相比,该方法具有更高的切换成功率。在[1]中报告了基于细胞的神经网络和K均值聚类在从细胞切换信息估计道路交通拥堵中的使用。通过在一天中的不同时间进行多轮数据采集,获得了不同拥堵程度的交通数据通过具有特定特征的手机测量细胞停机时间信息,并相应地使用K-均值聚类算法和人工神经网络进行分类,然后将结果与人类分类进行比较。从人工神经网络方法得到的结果表明,与其他技术相比,更好的perfor-mance与高的真阳性率为所有程度的拥塞。然而,所提出的方法只估计无信号的道路,专家认为这是简单的和汇集的小区停机时间值从所有的小区站点,没有其相关的小区标识信息,是不足以训练网络。2.2. 模糊逻辑方法在切换过程在[7]中,在发起切换过程中,从三个不同的无线网络获得三个独立的模糊因子,即:RSS、速度和负载平衡。该方法的目的是应用模糊逻辑实现网络参数的标准化,使不同无线网络测量到的相同参数可以通过模糊归纳技术进行检验。模糊推理框架的收益率是一个数值度量,用于对每个候选网络进行排名。然后,结合用户倾向的排名网络被用于决定最佳网络。在文献[8]中提出了一种用模糊逻辑实现并用Elman神经系统优化的多自适应切换技术。RSS基本上用于触发切换过程,而神经系统用于预测终端网络中的网络用户数。用户数、移动台速度和终端网络带宽作为模糊网络的输入数据。传统的Elman神经网络的归一化和收敛速度很慢,需要通过调整网络的邻接节点和权值来获得更好的性能。该技术对传统的垂直切换方法进行了基准测试,结果表明,所提出的技术在切换执行和决策过程中提供了更好的精度。在[9]中,提出了一种能够避免无线移动通信系统中乒乓效应的模糊逻辑切换系统,A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381383---提出了该方法报告了三个基于RSS的参数的使用,即:原始BTS的RSS的变化;来自相邻BTS的信号强度,以及移动站和BTS之间的距离。仿真结果表明,该方法能有效避免乒乓效应,具有良好的切换判决性能。在[13]中建立了一种使用模糊逻辑的重叠网络的新切换决策。终端网络的选择使用基于模糊逻辑的标准化定量选择算法。它涉及多准则切换选择方案的发展,该方案具有选择具有用于执行网络切换决策的参数的最高最优值的网络的能力。在该模型中,所使用的系统参数包括带宽,延迟,信噪比和吞吐量。将选择具有最小延迟值、成本效益、SNR和高吞吐量2.3. 遗传算法在切换过程中的应用在 [14] 中 报 告 了 无 线 网 状 网 络 中 用 于 移 动 台 的 呼 叫 接 纳 控 制(CAC)。该方法涉及的比例阈值为基础的最佳接入带宽策略CAC的网状路由的发展。发展提出了一种基于遗传算法(GA)的近似算法,用于在基于移动台的切换过程中实现不同的优先级。仿真结果表明,在实际切换环境中,该CAC方案在区分优先级和统计接入带宽之间取得了令人满意的折衷.通过大量的分析和仿真研究,对CAC方案的性能进行了评估,对正在进行的呼叫和新呼叫的CAC给出了不同的优先级,但它没有考虑高峰期多用户的影响在[15]中,报告了在异构无线网络中优化垂直切换性能参数。多优化问题的概念用于表示多个垂直切换标准,然后用于选择具有优化参数值的最佳可用网络制定的多目标函数,使用遗传算法实现。结果表明,与其它方案相比,该方案减少了不必要的切换没有引入有效的移动框架,也没有考虑用户接入网络的速率。在文献[23]中,采用遗传算法来减少迭代次数。该方法主要集中在切换决策问题,它是设计在一个三阶段的方法。第一阶段最小化切换延迟、操作成本并避免不必要的切换。第二阶段满足网络需求,例如最大化网络利用率。第三阶段是满足用户需求,为主动应用提供所需的QoS等级。该方法能够消除传统垂直切换中的瓶颈,在异构移动网络中提供更快的无缝切换。所提出的方法的其他相关优点包括:切换完成快且其延迟尽可能低;切换次数最小化,这避免了信号质量的下降和网络的额外负载;切换过程可靠且成功;切换算法简单且具有较小的计算复杂度。2.4. 切换过程预测算法综述在文献中已经报道了各种基于人工智能的预测技术[16在[16]中,报告了基于ANN的参数模型预测的使用所提出的方法只能处理一步提前预测,并没有用于切换决策过程中的RSS预测。在[25]中,报告了具有参数预测的切换判决算法。该方法利用现有的网络历史数据,预测网络参数,然后计算QoS.所提出的级联方法能够消除评估过程中不必要的切换。在[26]中,报告了RSS预测方案和滞后算法的组合,用于增强不同阴影环境本文采用了预测与滞后相结合的级联方法性能分析表明,采用级联方案比单一方案获得了最优和最好的结果。在[30]中提出了一种控制微蜂窝切换技术的鲁棒预测技术。采用了下一小区预测和RSS预测相结合的切换判决方法。报告的工作是基于一个启发式的下一个小区的预测机制,在选择合适的BTS和RSS发起切换请求。然而,观察到由于两种不同方法的组合,所使用的方法中的网络权重是巨大在[24]中报告了一种预测移动性管理方案,该方案连续监视移动节点,预先扫描并在切换之前预测下一个可能的接入点。虽然它减少了切换过程中的丢包,提高了QoS,但是该方法涉及移动节点到预测的新接入点的预认证和预关联,因此预测结果有时不准确。文献中报道的其他基于预测的方法包括:用于优化切换决策的基于自适应预测的算法[27];使用微移动性预测方案的垂直切换研究[28];基于带宽需求预测的服务感知主动垂直切换算法[29]。显然,在切换管理系统中使用基于k步提前人工神经网络的RSS预测算法没有得到适当的考虑。虽然在[16]中,努力开发了一种一步前进算法,但其在切换的RSS预测中的适用性因此,可以设想,使用具有进行与模糊逻辑级联的k步前RSS值预测的能力的基于人工智能的方法将适合于在具有小误差容限和乒乓效应的情况下跨各种移动网络进行更好的切换决策3. 基于混合人工智能的切换算法研究在这一部分中,提出了基于混合人工智能的切换算法的发展。所提出的算法基于两阶段方法,第一阶段涉及基于预测算法的新型k步提前ANN的数学开发,而第二阶段涉及基于模糊逻辑的切换决策算法的开发。所提出的系统的框图如图所示。1.一、Fig. 1.所提出的基于混合AI的切换决策算法的框图。384A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381.X---ð Þðþ Þ ð þÞð-Þ- - Þð þÞð- Þðþ因此,提前1步输出ynk可以表示为:a 1个p的a2pa 3 p...低配置的嵌入式平台,如ATMEGA 328,否则将无法处理的实现,l¼1r1.级联方法的选择已经在[26]中得到了证明,此外,切换决策算法的ANN和模糊逻辑的选择是基于一些现有的人工智能技术。 表1显示了一些一楼Ml¼1pwl1blFr1 vrlyn-rg0l!快 一点!2003年用于切换的ANN和FL的选择标准系统数学推导和计算与. X条纹鲈. Xp!!!K的发展基于神经网络的步进式预测算法在第3.1节中给出,而在第3.2节中,给出了基于模糊逻辑的切换决策子系统并且直到第k步预测值可以被概括为. X条纹鲈. Xp!!!3.1. 基于第K步人工神经网络的切换预测算法一个月后,l¼1wlk1blFr1 vrlyn-rg0lh03d开奖结果考虑图2所示的ANN结构,K基于人工神经网络的预测模型,可以表示为:关于扩展(3a)隐藏层和输出层(即F是线性的),k基于神经网络的预测模型系数可以从Mynk-1akFl¼1wlk#lh0k!1a提取训练良好的ANN的突触权重和自适应系数,一般方程给出为因此,对于k1,我们将yn输出表示为XM一楼WL1#我是01!1000万apk¼ak1l¼1wlk1vplbl4l¼1其中:M是隐藏层中的神经元的数量;wl1是将隐藏层中的节点l连接到输出层中的神经元1i的权重;h01是输出层layer;#是隐藏层中第l个神经元的输出;并且因此,基于k步前ANN的RSS预测模型系数a pk是从图1所示的适当训练的两层ANN的自适应激活函数的系数和突触权重估计的。 二、在实现基于k步神经网络的预测算法时,切换决策模块中的k是第k个输出神经元的线性激活函数的自适应系数; y n 1;y n 2. . y n p是系统获得的过去p个RSS值; y n;y n 1. . 是系统的期望预测值。用于形成矩阵,从该矩阵可以容易地获得适当的预测水平。因此,图2所示的预测问题简化为矩阵乘法,类似于(1b),两步前输出y n1可以表示为2a11一名21一名31...ap132y2燕3.M!一个12一名22一台32......这是什么?ap2y n26 767....Y N16 7yn1a2FXwl2#lh021000万6a13一 名23一名33... ap376yn-3 7¼6yn27ð5Þl¼1四六。....... 七五六四。五七六四。75一个月后,.XMwlk1#lh0k1!2011年AY-1/4 Y轴ð6Þl¼1p k然而,隐藏层中的每个神经元的输出#l可以表示为:.p!LLRL0升其中,A是模型系数的矩阵;Y-p是过去RSS值的p×1向量,Y=k 是前一步的矩阵,##bFXvyn-rgð2Þ指定的RSS值。(5)的一个优点是它的实现使用其中vr 1是将输入节点r连接到隐藏节点l的权重;g0l是隐藏节点l的偏置,b1是隐藏节点线性激活函数的自适应系数。将(2)代入(1b)至(1d)得到ANN现在可以处理(5)中给出的矩阵乘法。因此,在这项工作中,一种新的技术,用于实现训练的多层神经网络的低成本和低规格的微控制器系统也已被引入。表1所选人工智能技术的性能比较。标准FL ANN GA选择数学模型× U ×已有学习能力× U ×ANN学习能力× U UANN知识表示U × ×FL非线性U U ×ANN优化能力× U UANN决策U × ×FL.X.XM.X2019年12月21日wl2blFvrlyn-rg0l2002年3d开奖结果燕浦延觉寺r1A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381385图二、ANN结构示出了用于第K步基于人工神经网络的切换预测系统的突触权重连接图三. 基于FL的切换判决算法。3.2. 基于模糊逻辑的切换判决算法研究本节介绍了图3所示的基于模糊逻辑的切换决策算法的开发。所开发的 系 统 包 括 三 个 不同 的 阶 段 , 即 模 糊 化 阶 段 , 模 糊 推理 阶 段 和Deffuzification阶段。本文对每个阶段进行了详细的讨论3.2.1. 基于模糊逻辑的切换决策模糊化阶段模糊化阶段涉及定义每个输入到FL的隶属函数本文采用三角形除了预测的RSS水平之外,在这项工作中使用的其他输入包括用于计算移动站与周围BTS的距离的移动站GPS坐标;信道可用性和小区ID。每个输入参数的模糊集为:RSS<$FVL;L;H;VH;EH其中VL表示非常低的RSS值;L表示低RSS值;H表示高RSS值;VH表示非常高的RSS值,EH表示极高的RSS值,CA1/4FA;NA1/7 B其中,A表示信道可用;NA表示没有可用于通信的信道。D¼FVF;F;N;VN其中VF表示离BTS很远;F表示离BTS很远;N表示离BTS很远意思是靠近BTS,VN意思是非常靠近BTS。CI1/4氟硼酸盐;NT1/4氟硼酸盐其中NT表示已知地形,VB表示非常新的地形输出语言变量切换决策(HD)模糊集被定义为HD¼FIGUHG;HM;HHEHG其中HG表示切换到Glo,HM表示切换到MTN,HE表示切换到MTN,指移交给Etisalat和HA移交给AIRTEL。输入和输出模糊集合中的每个元素都有一个对应的隶属度值.三角形隶属函数用于这项工作和一个典型的隶属函数预测RSS值和切换决策图所示。 4 a-c.386A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381---Þ ¼¼见图4。模糊推理系统(a)预测的RSS等级隶属函数(a)预测的信道可用性(CA)隶属函数(c)切换决策输出隶属函数(d)切换决策推理引擎。3.2.2. 基于模糊逻辑的切换决策模糊推理阶段在基于模糊逻辑的切换决策模糊推理阶段,该推理方法根据设定的规则,利用输入参数的最小语言变量来推理系统的输出。3.2.3. 基于模糊逻辑的切换判决去模糊化阶段当获得输出时,应用质心解模糊解模糊状态基于解模糊器决定切换到哪个网络。4. 结果和讨论本节报告了从开发的切换算法的性能分析中获得的两个不同的指标被用来衡量的准确性预测的RSS之前,采取切换决定。它们是:预测误差(PE)和相对误差(RE)。这两个指标定义如下:(8)、(9)。其中RSSAC是测量的实际RSS水平,RSSPR是预测价格RSS水平。4.1. 性能分析一种基于神经网络预测(KSABP)算法在评估的k步提前人工神经网络的预测算法,在这项工作中开发的,从两个不同的情况下获得的结果已经报告。在第4.1.1节中,提供了从移动网络运营商获得的RSS信号的预测获得的结果,而在第4.1.2节中,报告了应用所开发的算法预测金币价格获得的结果。4.1.1. 使用k的接收信号强度预测基于神经网络的步进式预测算法在第一种情况下,[31]中报告的多运营商支持的sim卡系统用于在不同的时间间隔获取特定移动网络运营商的RSS水平。在本文中,仅报告了从5 s采集时间间隔获得的结果,因为使用其他不同的采集时间间隔获得了类似的结果。PE¼RSSAC-RSSPRð8Þ时间间隔。然后将获得的数据标准化,延杨琴ð10ÞRERSSAC-RSSPRRSSACð9ÞmaxyāacqnA.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381387---其中,y<$acqn是使用卡获取的RSS数据,yn是归一化的然后将归一化数据馈送到开发的基于ANN的预测模型中,用于使用(4)计算预测系数,而(5)用于计算预测值。对于一个案例研究,计算的系数现在被代入预测模型,以形成一个提前一步的预测模型,给出如下:2019-01-2800:00然后,在将RSS值馈送到用于切换决策模块的模糊系统之前,将其用于预测RSS值。所得结果见表2和图5。所获得的结果表明,使用基于人工神经网络的预测技术显示出更好的性能,准确地预测切换所需的下一个RSS水平,甚至比使用线性预测技术。此外,还观察到,预测的RSS水平非常接近测量的RSS值,误差幅度非常低。可以观察到,所提出的算法能够预测RSS水平到约±0.0002的误差容限。4.1.2. 使用k的金币价格预测基于神经网络的步进式预测算法在评估开发的算法和证明其适用于其他领域,每日的金币价格在六个月内获得。采用该数据是因为现在可以获得提前一天的价格,并且可以用于测试所提出的算法的准确性。所获得的数据被形成-marted作为一个输入数据的k步前的基于人工神经网络的预测(KSABP)模型与p过去的输入数据和一步前的目标数据作为模型的输出使用反向传播方法训练所设计的模型,并且在收敛时,提取激活函数的突触权重和自适应系数,使用(4)从所述突触权重和自适应系数计算所需的预测系数。得到的模型系数被用来预测未来一天的预测方法的价格所提出的方法是基准对尤尔沃克的方法。对于二人组,预测误差(PE)和相对误差(RE)是相同的。图6和表3中显示了推测和获得的部分结果。结果表明,该技术提供了更好的性能相比,使用尤尔沃克技术。在大多数情况下,还观察到使用所提出的算法的预测因此,使用所提出的技术获得低RE值。4.2. 使用模拟数据的为了评估所开发的模糊推理切换系统,使用MATLAB仿真BTS环境和移动台。该环境由具有不同移动站的十(10)个不同BTS组成模拟环境如图所示。7.第一次会议。为模拟移动站的切换而开发的伪码如下:1. 给定区域2. 找到BTS的位置及其边界坐标3. 在地图4. 随机生成移动台坐标5. 对于每个移动站,执行以下操作(a) 找到每个BTS位置(b) 使用拉格朗日插值法估计BTS的RSS取最小距离为0单位,相应的RSS值为80 dBm,取最大距离为560单位,相应的RSS值为30 dBm(c) 显示移动台与每个BTS的相应距离和每个BTS的相应RSS移动台的移动性也进行了模拟,并在每个阶段,以采取切换决定,网络参数,作为输入到FIS系统进行了计算。首先,使用所提出的基于k步前向神经网络的预测模型来预测RSS。预测的RSS值和其他网络参数然后被馈送到FIS以确定切换决定。由于环境是模拟的,表2利用获取的RSS数据进行预测算法的性能评估。测量的RSSAR-Pred。RSSKSABPPred. RSSAR模型PEKSABPPEAR模型REKSABPRE1.00000.99590.99980.00410.00020.41050.02111.00000.99590.99980.00410.00020.41050.02111.00000.99590.99980.00410.00020.41050.02111.00000.99590.99980.00410.00020.41050.02111.00000.99590.99980.00410.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.95650.86600.86940.09050.08719.46419.11010.95650.95190.94130.00470.01520.48791.59350.95650.95260.95630.00390.00020.41050.02110.95650.95260.95630.00390.00020.41050.02110.95650.95260.95630.00390.00020.41050.02110.95650.95260.95630.00390.00020.41050.02110.95650.95260.95630.00390.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.02110.86960.86600.86940.00360.00020.41050.0211388A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381图五、使用获得的RSS数据进行基于k步前向ANN的预测的性能分析图六、金币预测使用k步提前基于人工神经网络的预测(KSABP)模型。表3基于k步神经网络预测算法的黄金价格预测.实际AR预测值。KSABP AR模型KSABP AR模型KSABP价格价格预测。价格PE PE RE RE651.163 656.136 13.837 8.864 2.081 1.333661.235 665.294 9.765 5.706 1.455 0.850661.000 667.088 671.221-6.088-10.221 0.921 1.546661.000 657.056 661.418 3.944-0.418 0.597 0.063661.000 657.208 661.640 3.792-0.640 0.574 0.097662.136 11.819 6.864 1.767 1.026668.000 665.152 669.045 2.848-1.045 0.426 0.156681.000 664.067 668.312 16.933 12.688 2.486 1.863680.000 677.096 680.310 2.904-0.310 0.427 0.046686.000 675.970 680.173 10.030 5.827685.495 3.977 0.505 0.580 0.074680.000 681.981 686.400-1.981-6.400 0.291 0.941680.643 5.991 1.357 0.878 0.199675.000 678.084 682.701-3.084-7.701 0.457 1.141675.000 671.046 676.304 3.954-1.304 0.586 0.193675.755 10.883 6.245 1.596 0.916将FIS的输出与地面实况进行比较,并且可以看出,在几乎所有情况下,来自FIS的切换判决与地面实况相对应获得的误差容限从各种模拟的切换决策进行了计算,得到的结果表明,只有2%的错误,在切换决策所开发的系统。该算法A.M. Aibinu等人/工程科学与技术,国际期刊20(2017)381389图7.第一次会议。用于评估混合切换场景的模拟BTS环境的切换,并且也获得了没有与5. 结论本文提出了一种在无线移动通信系统中使用神经网络和模糊逻辑级联的切换决策方法基本上,人工神经网络已被用于确定模型系数,以有效地预测切换决策管理系统中的RSS水平。将计算出的系数连接起来形成一个矩阵,在获得预测值时可以进行简单的矩阵乘法。使用基于ANN的预测算法的预测值与一些已知的技术进行了比较,并且观察到所开发的方法能够证明在性能分析期间获得的良好预测值。然后将预测系统的输出馈送到模糊推理系统以进行必要的切换决策。实验结果表明,该方法能够在评估时做出必要的切换决策,避免乒乓效应。确认这项研究工作由尼日利亚通信委员会(NCC)赞助,尼日利亚2014年的研究资金为NCC/ CS/007/15/C/040。引用[1] W.洪萨坎湾帕塔拉-阿蒂科姆河Elhavanish ,Estimating roadtraffic congestionfrom cellular handoff information using cell-based neural networksand K-meansclustering,5th International Conference on ElectricalEngineering/Electronics,Computer , Telecommunications and InformationTechnology ( ECTI-CON ) ,vol. 1,2008,pp. 十三比十六[2] F. Ahdi , B.H. Khalaj , Vertical handoff initiation using road topologyandmobilityprediction,IEEEWirelessCommunicationsandNetworkingConference,2006,pp. 593-598.[3] P.P. Bhattacharya,人工神经网络在蜂窝切换管理中的应用,IEEE计算智能和多媒体应用国际会议(ICCIMA),2007年,pp. 237-241。[4] Y. Salahshuori、G. Azemi,一种基于模式识别的微蜂窝系统切换算法,第19届伊朗电气工程会议(ICEE),2011年,pp. 1比6[5] N. Nasser,S. Guizani,E. Al-Masri,Middleware vertical handoff manager:aneuralnetwork-basedsolution,IEEEInternationalConferenceonCommunications,ICC'07,2007,pp.5671- 5676[6] M. Okwori,E.N. Onwuka,A.M. Aibinu,O.C. Ugweje,实现基于定位器的路由交换方案,用于代理移动IPv6中的改进路由,Int.J. 威 尔 。Microw. Technol.(2014年)119.[7] S.J.Wu,一种用于异构无线网络的智能切换决策机制,第六届网络计算和高级信息管理国际会议(NCM),2010年,pp. 688-693.[8] Q. Guo,J. Zhu,X.徐,一种无线异构网络的自适应多准则垂直切换判决算法,2005IEEE国际通信会议(ICC),2005年,pp.2769-2773。[9] L. Barolli,F. Xhafa,A. Durresi,A. Koyama,A fuzzy-based handover systemforavoidingping-pongeffectinwirelesscellularnetworks,InternationalConference on Parallel Processing-Workshops ICPP-W '08,2008,pp. 135- 142[10] R. Chai , J. Cheng , X. 普 角 , 澳 - 地 Chen , Neural network based verticalhandoffperformance enhancement in heterogeneous wireless networks ,2011年第7届无线通信、网络和移动计算国际会议(WiCOM),2011年,第100页。 一比四[11] P. Moungnoul , P. Pinprasert , T. Paungma , Hanjiang decision in cellularmobile system using neural network accessed online October 2016.[12] S. 库 纳 拉 克 河 Sulessathira , E.Dutkiewicz , Vertical handoff with predictiveRSSand dwell time , 2013 IEEE Region 10 Conference ( 31194 ) TENCON ,2013,pp. 1比5。[13] L. Xia,L.G.江角,澳-地He,N. Nasser ,S. Guizani,E. Al-Masri,A novelFuzzy logicvertical handoff algorithm with aid of differential prediction and pre-decisionmethod , 2007 IEEE International Conference on Communications ,ICC' 0 7 , 2 0 0 7 , p p . 5665-5670。[14] S. Kabahuma,O.E. Falowo,使用JCAC,基于NGWN中用户行为的动态定价模型对网络运营商收入的分析,南部非洲电信网络和应用会议(SATNAC)会议记录,2010年,pp. 3258-3272。[15] 卡拉勒哈峰Behera,Optimization of vertical handoff performance parameters inheterogeneous wireless networks,Int. J. Modern Eng. Res.(IJMER)ISSN:2249-6645,1(2),(2011)pp. 597-601[16] A.M. Aibinu,M.J.E.萨拉米,A.A.李晓生,基于人工神经网络的自回归建模技术及其在语音活动检测中的应用。内特尔25(6)(2012)1265-1276。[17] V.Q. 比恩 岛Niemegeers , 在60 GHz 的光 纤无 线电室 内网络 中使 用移动 预测的Hanovich方案,在:2011 IEEE高级信息网络和应用国际会议研讨会(WAINA),(2011)664-669中。[18] L. Chuyen , D. 儿 子 , H 。 唐 角 Deokjai ,
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 前端协作项目:发布猜图游戏功能与待修复事项
- Spring框架REST服务开发实践指南
- ALU课设实现基础与高级运算功能
- 深入了解STK:C++音频信号处理综合工具套件
- 华中科技大学电信学院软件无线电实验资料汇总
- CGSN数据解析与集成验证工具集:Python和Shell脚本
- Java实现的远程视频会议系统开发教程
- Change-OEM: 用Java修改Windows OEM信息与Logo
- cmnd:文本到远程API的桥接平台开发
- 解决BIOS刷写错误28:PRR.exe的应用与效果
- 深度学习对抗攻击库:adversarial_robustness_toolbox 1.10.0
- Win7系统CP2102驱动下载与安装指南
- 深入理解Java中的函数式编程技巧
- GY-906 MLX90614ESF传感器模块温度采集应用资料
- Adversarial Robustness Toolbox 1.15.1 工具包安装教程
- GNU Radio的供应商中立SDR开发包:gr-sdr介绍
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功