模糊神经网络的数据链中继切换算法研究

吕钊

(安徽大学计算智能与信号处理教育部重点实验室，安徽合肥230039)

模糊神经网络的数据链中继切换算法研究

吕钊

(安徽大学计算智能与信号处理教育部重点实验室，安徽合肥230039)

为了减少数据链终端在高速运动时迟滞电平切换(HYH)算法的乒乓效应及驻留时间切换(DWH)算法切换阈值过低所引发的问题，提出一种基于模糊神经网络的中继切换(FNNH)算法.该算法利用模糊神经网络理论，建立中继切换判断机制，动态调整切换阈值.在OPNET仿真条件下，进行通信终端以不同的速率、路径在中继站区域边界往返运动的实验.实验结果表明，相对于HYH算法和DWH算法，FNNH算法的切换次数明显减少和乒乓效应得到显著改善.

数据链;切换;模糊神经网络;迟滞电平;驻留时间

数据链是链接数字化战场上的传感器、指挥中心、武器平台、作战部队的一种信息处理、交换和分发系统.其中，VHF/UHF航空型数据链给军用升空平台提供了与中继站进行数据通信的手段，使得所传输的信息更加实时、高效.但是，由于受地球半径曲率的影响，工作在V/U频段的航空型数据链为视距通信，其通信距离有限，往往需要地面或空中中继站进行中继通信.当飞机离开一个中继站覆盖范围并进入另一个中继站覆盖范围时就需要进行中继切换，那么采用何种中继切换机制、何时触发切换是航空型数据链通信的基础，是战时通信畅通的保障.因此，航空型数据链的中继切换技术是值得深入研究的课题.目前国内外关于数据链中继切换问题的研究多是在结合数据链的协议以及应用的基础上，对算法作适当的修改或改进，使其适用于数据链系统.文［1－2］对数据链越区切换问题进行了研究，但是它没有提到具体的切换算法，同时也未考虑到飞机在中继站覆盖范围边界随机往返运动时，产生的乒乓效应问题.文［3］针对如何有效地选取中继站进行了研究，但未考虑切换算法.作者根据航空型战术数据链的特点，提出一种新的数据链中继切换算法，并对该算法进行仿真验证.

1 迟滞电平切换算法和驻留时间切换算法

在无线通信中，信号质量及其相关信息在切换触发中有着重要的意义，因此研究人员提出了大量基于接收信号强度［4］(received signal strength，简称RSS)的切换触发模型，且进行了相关分析.假定空中飞机与中继站之间位置关系如图1所示.

图1 空中飞机与中断站的位置图Fig.1 Relation position of the aircraft and relay stations

飞机与中继站RS1和中继站RS2之间的距离分别为d1和d2.飞机接收到RS1和RS2的信号强度分别为

其中:K11、K12、K21和K22为路径损耗参数.飞机接收到RS1和RS2的信号强度差值为

常见的切换算法是根据信号强度差值来判断:当DRSS＞0时，说明RS2信号较强，因此可以触发飞机从RS1到RS2的切换;同理，当DRSS＜0时，说明RS1信号较强，因此可以触发飞机从RS2到RS1的切换.但是，当飞机在RS1和RS2之间来回运动时，通信链路在两个中继站之间不断切换，则意味着发生了乒乓效应，就会使系统容量下降，影响飞机的正常通信.为了避免切换过程中出现乒乓效应，许多切换算法中引入了一些额外的参数，如:切换算法引入迟滞电平［4－6］(hysteresis)和驻留时间［7－9］(dwelling time)作为参数.

文［4－6］中迟滞电平切换算法的基本思想为(将－hy作为切换的下限，hy作为切换的上限):

就实质而言，迟滞电平HYH算法是根据节点的位置来判断是否触发切换(飞机与中继站间的距离是决定RSS的唯一因素).在运动速度较低时，迟滞电平HYH算法能有效地降低乒乓效应;但战斗机最大飞行速度为952 m·s－1，其运动速度较快，此时HYH算法降低乒乓效应的能力明显下降［10］.文［7］中驻留时间切换算法的基本思想为:

驻留时间DW算法则是根据节点在某一区域内的停留时间来判断是否触发算法，能有效地降低乒乓效应，但是由于驻留时间阈值固定不变，当飞机运动速度较快时，接收到的RSS较低不能触发切换，严重时影响通信质量.

2 基于模糊神经网络的切换算法

在任务开始时，该飞机根据飞行航迹是固定的还是随机的，确定之后执行的具体切换算法.若飞机按照固定航线飞行，在任务执行之前就已经根据规定的航线计算出了切换时间和目标切换队列，只要在到达规定的切换时间之后切换到计算好的目标中继站即可.若飞机飞行航线是随机的，则切换算法实时根据更新后的当前航迹信息判断是否需要切换到目标中继站点.但是，无论是固定航迹还是随机航迹，切换算法是一样的，不同的是固定航迹要提前计算出切换时间点，而随机航迹要实时计算切换时间点.另外，为了降低空中中继站的数据处理量，当候选中继站中同时有地面中继站和空中中继站时，优选地面中继站.

作者提出基于模糊神经网络的中继切换(the relay handoff based on fuzzy neural network，简称FNNH)算法由3部分组成，即预处理、模糊神经网络和切换判决，其中模糊神经网络［11－13］(fuzzy neural network，简称FNN)阶段又由模糊化、模糊推理、去模糊和训练学习组成.算法的结构框图如图2所示.

图2 FNNH算法结构框图Fig.2 Block diagram of the FNNH algorithm

FNNH算法的思路为:首先，当有多个候选中继站时，优选地面中继站作为目标中继站并输出RSS2;预处理为模糊神经网络准备输入数据，根据飞机当前飞行的航迹状态，得到飞机的航速v和航向，并由航向判断出飞机的运动趋势:是向着目标中继站飞行(用dir(k)表示运动趋势，此时令dir(k)=1 )，还是远离目标中继站飞行(令dir(k)=－1)，或者运动趋势不明确(令dir(k)=0)，再计算出飞机接收到当前中继站和目标中继站两站点信号强度的差值DRSS(k).

其次，将DRSS(k)、飞机的运动趋势dir(k)和飞机的飞行速度v等信息送入模糊神经网络FNN，如图3所示.从图3可看出，该算法中FNN共由5层组成，第1、2层是模糊化过程;第3、4层是模糊逻辑推理过程，其中第3层由45个节点构成(FNNH算法共有45条推理规则);第5层是去模糊过程;图3中e(t)表示训练误差函数，它是用来调整各个参量隶属函数的中心位置和宽度的.FNN根据输入的多个参考因素综合考虑系统的当前状态，产生合适的迟滞电平hy和驻留时间tDW，记录这组新的输入及对应输出，用于更新样本数据库中的样本数据，作为再次启动的训练数据.

图3 FNNH算法中模糊神经网络层结构图Fig.3 Layer structure of the fuzzy neural network in the FNNH algorithm

其中:HO_Threshold为切换门限，其初始值为1.为了进一步确保乒乓效应不发生，若当前的切换间隔HO_Interval不大于预设的乒乓效应时间间隔PP_Interval时，HO_Threshold增加STEP;若HO_ Interval＞PP_Interval并且Q≥HO_Threshold时，执行切换，令HO_Threshold=1.这样就可以防止乒乓效应的产生，从而使飞机选择最优中继接入点.

3 仿真分析

假设中继站的覆盖半径为350 km，中继站1和中继站2间的距离为600 km，仿真场景如图4所示.当飞机飞行高度在中继站通信能力范围内时，是否进行切换主要受飞机与中继站之间的直线距离决定.为了验证该算法的可行性和比较其性能，采用OPNETModeler仿真软件对切换算法进行仿真验证.设计了如下几个仿真场景.

图4 仿真场景Fig.4 Simulation scenarios

仿真场景1:飞机以400 km·h－1到2 000 km·h－1的不同速度沿曲线AB从中继站RS1覆盖范围一次性飞到中继站RS2覆盖范围，系统更新飞机航迹的时间间隔取1 s.这里取20次仿真的平均值作为最终结果.图5为不同速度情况下飞机沿AB路径运动时的切换位置离RS的距离.

从图5可以看出，DWH切换算法受飞机飞行速度影响较为严重，而HYH算法和FNNH算法受飞机飞行速度影响不大.HYH算法是否进行切换只与飞机接收到的信号强度有关，而飞机接收到的信号强度与飞机到中继站的距离d紧密相连，HYH算法是否进行切换与d有关，而与飞机的飞行速度无关.FNNH算法虽然也考虑到了驻留时间因素，但是驻留时间是随飞机移动速度自适应改变的，比如:飞机的飞行速度v较高时，FNNH输出的驻留时间值tDW就较低，这样就可以保证切换触发的时间;另外切换因子Q中还包含有迟滞电平值hy，保留了HYH算法中飞机飞行速度对切换点影响较小的优点;综合这两个因素，可知FNNH算法的切换点受飞机飞行速度的影响不大.

仿真场景2:飞机以不同速度在RS1和RS2重叠覆盖范围沿随机曲线CD(见图4)往返飞行.这里取20次仿真的平均值作为最终结果.

图6显示了飞机以不同速度做随机运动时的切换次数.

图6 不同速度情况下的切换次数Fig.6 The frequency of sw itching at differentmoving speeds

从图6可以看出，HYH算法的切换次数受飞机飞行速度的影响很小，切换的次数较多，但是随着运动速度的增加，HYH算法发生乒乓效应的次数也迅速增加，这主要是因为HYH算法的门限是固定的值，只与飞机接收到的信号强度有关，而与运动速度无关;DWH算法的切换次数随着飞机飞行速度的增加而减小，这是由于速度较快时，运行某段路径的时间相对较短，在还未满足tDW门限时系统已经进入下一个tDW计算时间，所以切换次数减少，相应发生乒乓效应的次数变化也不大;FNNH算法的切换次数随飞机飞行速度增加有一定的减小，这主要是因为该算法切换因子Q中含有驻留时间tDW，使得飞机在高速运动时尽管速度增加也可以在一定程度内降低切换次数.

仿真场景3:图7为系统在不同算法下所承受的负载.

图7 系统在不同算法下所承受的负载Fig.7 System load under different algorithm s

从图7中可以看出，采用HYH和DWH算法的系统启动速度较快，但是采用FNNH算法的系统启动速度较慢.这是因为HYH和DWH算法简单，系统初始化速度快，而FNNH算法的初始化要训练模糊神经网络，所以需要耗费一定的时间来启动程序.当FNNH算法的模糊神经网络训练成功以后，3种算法的移动终端的负载能力基本差不多.

由于FNNH算法采用动态改变hy和tDW的阈值以及调整PP_Interval的两种措施，克服了HYH和DWH算法的缺点，降低了乒乓效应发生的次数，但与HYH和DWH相比，FNNH算法复杂，系统初始化速度慢.

4 结束语

作者提出了FNNH算法并通过仿真，分析了其切换点、切换次数、乒乓效应以及启动速度等问题，验证了该算法的优越性.中继技术可以扩展数据链的覆盖范围、增加系统容量，因此进一步改进切换机制、提高系统无缝通信能力是今后研究工作的重点.

［1］李莹.空地数据链系统中越区切换技术研究［D］.成都:西南交通大学信息科学与技术学院，2008.

［2］Ayaz S，Hoffmann F，Epple U，et al.Performance evaluation of network mobility handover over future aeronautical data link［J］.Computer Communications，2012，35(3):334－343.

［3］曾向荣，杨光，罗鹏程.数据链中面向可靠传输的泛洪算法及应用分析［J］.小型微型计算机系统，2010(3): 430－435.

［4］Vijayan R，Holtzman JM.A model for analyzing handoff algorithms［cellular radio］［J］.Vehicular Technology，IEEE Transactions on，1993，42(3):351－356.

［5］Zahran A H，Liang B，Saleh A.Signal threshold adaptation for vertical handoff in heterogeneous wireless networks［J］.Mobile Networks and Applications，2006，11(4):625－640.

［6］Yan X，Şekerciogˇlu Y，Narayanan S.A survey of vertical handover decision algorithms in fourth generation heterogeneouswireless networks［J］.Computer Networks，2010，54(11):1848－1863.

［7］Kaveh P.Handoff in hybrid mobile data networks［J］.IEEE Personal Communications，IEEE，2000，7(2):34－47.

［8］Zahran A H，Liang B，Saleh A.Signal threshold adaptation for vertical handoff in heterogeneous wireless networks［J］.Mobile Networks and Applications，2006，11(4):625－640.

［9］Singhrova A，Prakash N.Vertical handoff decision algorithm for improved quality of service in heterogeneouswireless networks［J］.Communications，IET，2012，6(2):211－223.

［10］刘敏，李忠诚，过晓冰，等.异构无线网络中垂直切换算法的评测和改进［J］.计算机学报，2007，18(6):1652－1659.

［11］Giupponi L，Agusti R，Perez－Romero J，et al.A novel approach for joint radio resource management based on fuzzy neuralmethodology［J］.Vehicular Technology，IEEE Transactions on，2008，57(3):1789－1805.

［12］Lee SC，Lee E T.Fuzzy neural networks［J］.Mathematical Biosciences，1975，23(1):151－177.

［13］Leng G，McGinnity TM，Prasad G.An approach for on－line extraction of fuzzy rules using a self－organising fuzzy neural network［J］.Fuzzy Sets and Systems，2005，150(2):211－243.

(责任编辑 郑小虎)

Research on the data link handoff algorithm based on fuzzy neural network

LV Zhao
(Key Laboratory of Intelligent Computing＆Signal Processing，Ministry of Education，Anhui University，Hefei 230039，China)

To reduce the ping－pong effect of hysteresis handoff(HYH)algorithm and overcome the problems caused by low handoff threshold of dwelling time handoff(DWH)algorithm when the terminal of data link motioned in high－speed，the relay handoff based on fuzzy neural network (FNNH)algorithm was proposed in this paper.The fuzzy neural network theory was used to establish the judgmentmechanism for relay handoff，as a result，a dynamic handoff threshold was acquired.Experiments of the communication terminals going across the boundary regions of relay stationswith different speeds and paths were carried out in OPNET simulation environment.The results showed that FNNH algorithm could significantly reduce the number of handoff and the pingpong effect compared with the conventional HYH algorithm and DWH algorithm.

data link;handoff;fuzzy neural network;hysteresis;dwelling time

TN919

A

1000－2162(2014)04－0066－07

10.3969/j.issn.1000－2162.2014.04.011

2013－08－28

安徽大学校学术与技术带头人引进工程资助项目(02303203);安徽大学计算智能与信号处理教育部重点实验室开放课题基金资助项目

吕钊(1979—)，男，安徽宿州人，安徽大学讲师，博士.