3G与WLAN异构网络接入控制关键技术研究

接入控制技术可以有效解决下一代3G与WLAN异构网络环境下的资源管理、网络覆盖和业务QoS保障等问题，是无线通信网络领域研究的关键技术之一。本项目提出一种分步式的智能接入控制系统，该系统首先利用神经网络和粒子滤波结合的网内定位跟踪算法、网络状态估计和业务、信道建模，得到不同QoS要求用户，在不同时刻和不同位置所能获取的原始网络状态信息；然而在实际3G与WLAN网络环境中，往往存在"维数灾难"与特征信息之间的矛盾，于是提出基于自编码神经网络的数据降维方法，即将高维的特征信息进行简化，且投射到低维空间中进行处理，并尽可能保留更多的特征信息；然后，结合非确定性马尔科夫条件下的Q学习算法，利用模块化的模糊神经推理系统，提高智能接入控制系统的环境感知和决策分类能力；最后，设计零和博弈多目标优化判决器，对不同模块的输出优化策略进行规划，实现3G与WLAN异构网络中用户的智能高效接入与切换控制。

接入控制技术可以有效解决下一代3G与WLAN异构网络下的资源管理、网络覆盖和业务QoS保障等问题，是无线通信领域研究的关键技术之一。本项目提出了一种新3G与WLAN接入控制技术。. 首先，本课题对WCDMA、TD-SCDMA、CDMA2000以及WLAN的信道特征与网络状态进行了特征分析。针对用户位置无法准确估计可能导致“乒乓效应”的问题，提出了基于WLAN的神经网络和粒子滤波相结合的网内定位跟踪算法。根据终端位置进行估计和预测，得到不同QoS要求用户，在不同时刻和不同位置所能获取的原始网络状态信息。. 其次，由于在实际环境中，往往存在“维数灾难”与特征信息之间的矛盾。针对维数过多导致信息冗余的问题，本课题提出了基于自编码神经网络的数据降维方法。即将高维特征信息进行简化，使其投射到低维空间中进行处理，从而在尽可能保留更多的特征信息的同时，大大降低了数据维数。. 第三，针对已接入异构网络中的用户在网络中移动时，可能在边界区域发生频繁切换的“乒乓效应”问题，本课题提出了基于Q学习的垂直切换策略。针对传统Q学习算法的输入输出变量无法连续化的问题，提出了将模糊神经网络嵌入Q学习，构成模块化Q学习模糊神经网络。利用模块化的模糊神经推理系统，提高了接入控制系统的环境感知和决策分类能力，降低了切换掉话率与无谓切换次数。. 第四，针对3G/WLAN异构网络资源分配和接入控制技术存在的网络效用低、各个区域资源分配不均衡、负载不均衡导致系统资源利用率低，本课题建立了3G/WLAN网络无线资源的非合作博弈模型。该模型通过对覆盖区域内无线资源的动态分配，从而对不同模块的输出优化策略进行规划，均衡分配3G与WLAN异构网络中的网络资源，最终实现了用户端和网络端的高效接入与切换控制。. 此外，针对接入控制算法验证需求，本课题搭建了异构网络接入控制算法软件实验平台。通过设置不同参数，模拟不同真实异构网络通信场景，增加实时网络性能参数探测模块、接入控制算法模块，实现了本课题所提出的接入控制技术的仿真验证。. 自立项以来，课题组共发表文章27篇，其中SCI期刊5篇，EI期刊6篇，EI源会议文章16篇；申请专利19项，其中已授权1项。培养博士生7名，硕士生9名。期间共有8人次进行了国际交流，举办了研讨会2次。各项指标均实现了项目申请时的预期成果。