基于IGWO-RBF的LTE-R切换算法研究

苏佳丽，伍忠东，丁龙斌，刘菲菲

兰州交通大学 电子与信息工程学院 信息安全实验室，兰州730070

1 引言

高速铁路飞速发展，LTE-R 比GSM-R 拥有以下优点：一是具有扁平化的网络结构[1]，使得时延更短；二是以OFDM 为关键技术[2]，增加了频谱效率，降低了网络部署和维护成本，很大地提升了性能；三是MIMO 技术充分利用空间资源，成倍地提高系统信道容量。LTE支持高速移动的终端环境，最高能达到500 km/h[3]，更加适应高移动性场景。

降低乒乓率和掉话率是高速切换中的研究热点，LTE 系统切换算法大多数是在A3 事件基础上进行的。凌启东等提出了一种基于用户终端的快速切换方案，可以提前完成资源分配，提高切换成功率[4]；Li Y 等提出了基于模糊逻辑的切换算法，对迟滞容限参数Hys 做了动态调整[5]，使切换更准确；Lee C等提出了采用网络功能虚拟化（NFV）技术来提高切换的时延性能[6]；刘云毅提出了在高速列车中引入车载中继站，并在车头和车尾设立两部天线，通过两部天线协作来减小切换失败率[7]；栾林林探讨了一种基于预承载的切换判决算法[3]，减少切换时延，提高切换成功率。Luo W等提出了在LTE切换中实现软切换，该方式可以实现不中断切换，但是对硬件设备需进行改动，所以实践性较低[8]。

本文针对A3 算法的固有问题，提出了一种具有良好容错性以及学习能力的算法——基于改进灰狼优化的RBF 神经网络的切换算法。该算法利用改进的RBF神经网络快速收敛、唯一最佳逼近的特性，降低了乒乓率、掉话率，提高了切换成功率。

2 基于LTE-R的切换原理和工作流程

2.1 LTE-R切换原理

LTE-R的切换过程是由移动用户端UE（User Equipment）、基站eNodeB 和接入网AGW（Access Gateway）共同协调完成。LTE-R 切换主要包括5 种类型[9]：eNodeB 内部切换、通过X2 的eNodeB 之间切换、通过S1 的eNodeB之间切换、MME之间的切换以及LTE-R与其他系统之间的切换。图1为越区切换（X2之间）原理图，X为切换过程过渡区，在这段距离，目标基站的RSPR 和当前基站RSRP 的差值达到切换门限，则触发A3 事件。Y 为切换区，在这段距离，列车完成小区（X2接口）之间的切换。可以看出，LTE-R的接入网络为扁平化结构，这种简化的网络设计，不仅使得数据传输和无线资源控制更加迅速，而且降低了系统构架和维护的费用。

图1 LTE-R越区切换示意图

触发A3事件的条件如下：

Mt是目标小区的信号强度，Ms是服务小区的信号强度，Hys 为切换的迟滞门限参数。

算法中切换迟滞参数Hys 和触发时延TTT 如图2所示。

图2 A3事件触发切换示意图

2.2 LTE-R切换流程

LTE-R 系统同频切换主要步骤为：切换测量阶段、切换判决和切换执行阶段。本文采用切换类型为X2接口之间的切换，切换流程如图3所示。

图3 X2接口切换流程图

首先建立连接（步骤①～②），此过程中源基站eNodeB向用户终端（UE）发送无线资源管理层RRC（Radio Resource Control）的连接配置信令，为UE 的无线承载做准备。UE向源eNodeB发送连接重配置完成的信令。

同频切换流程：

（1）切换测量阶段（步骤③）：UE向源eNodeB发送测量报告，包括源、目标eNodeB 的参考信号接收质量（RSRQ）和参考信号接收功率（RSRP）。

（2）切换判决阶段（步骤④）：源eNodeB 收到测量阶段发送的报告，采用测量报告中的物理层参数，根据切换算法给出切换判决结果。

（3）切换执行阶段（步骤⑤～⑬）：

⑤源eNodeB根据报告中小区信息，向目标eNodeB发送切换请求信令。

⑥目标eNodeB 收到源eNodeB 的切换请求，根据当前小区资源承载情况，判决是否允许UE接入。

⑦若允许接入，则目标eNodeB 向UE 发送切换确认消息。

⑧源eNodeB 收到确认的消息，向UE 发送RRC 层连接重配消息，向UE发送切换命令。

⑨UE 根据配置消息，接入到目标eNodeB。并且，向目标eNodeB发送RRC层连接重配置确认消息。

⑩目标eNodeB收到这个消息后，对移动性管理实体（MME）发送相关路径转换的请求，请求转换上层链路。

⑪链路改变完成之后，目标eNodeB 会收到MME发送的消息。消息的内容为确认路径转换请求。此时，UE成功接入目标eNodeB。

⑫目标eNodeB获取确认的消息之后，对源eNodeB发送回执消息。

⑬源eNodeB收到回执消息后，释放UE的数据信息。

3 LTE-R切换算法的优化

3.1 改进的灰狼算法

3.1.1 灰狼算法

灰狼算法（Gery Wolf Optimizer）是根据自然界中灰狼群体协同合作进行捕食的行为提出的算法[10]，在GWO 中，第一等级灰狼记为α，其领导能力最强，主要负责寻优（捕食）过程中的决策和狼群管理，其他的狼按照等级分为β,δ,ω。如图4 所示，第二等级称为β 狼，加强了α 的统治并及时向其提供反馈。第三等级称为δ狼，其必须服从α 和ω 狼的命令，在群体中负责侦查和围攻猎物。等级最低的灰狼是ω，是狼群中的群众基础，ω 狼必须服从狼群领导层的指挥。

图4 灰狼位置更新图

灰狼算法整个捕猎的过程主要为三个阶段[11]：包围、追捕、攻击。最终捕获猎物（获得全局最优解）。

（1）包围过程

狼群在确定猎物的位置后，首先要对猎物进行包围。第i 只灰狼的位置Xi满足如下：

其中，r1和r2分别为[0，1]区间的随机数，a 随着迭代次数的增加，在区间[2，0]呈线性递减。

（2）追捕过程

灰狼包围猎物后，δ,β 狼在α 狼的带领下对猎物进行追捕。此过程中，灰狼的位置会随着猎物位置的变化而变化，来寻找最优位置Xp，通常根据α,β,δ 狼的位置Xα,Xβ,Xδ来更新：

其中，ωj表示第j 只狼的权重：

f(Xj(t))表示第j 只狼在t 时刻的适应度。

（3）攻击过程

攻击过程为灰狼捕食的最后一个阶段，狼群对猎物进行攻击并捕获猎物（得到最优解）。该过程的实现主要通过下式中a 值的递减来实现。

tmax为最大迭代次数，当a 的值从2线性递减0时，其对应的Ai的值也在区间[-a,a]变化。当Ai≤1 时，则表明狼群正在接近猎物位置。当1 ＜ ||Ai≤2 时，表明狼群正在向远离猎物方向分散，则GWO陷入局部最优[12]。

3.1.2 改进的灰狼算法

GWO在优化应用时，中后期收敛速度慢、容易陷入局部极值且未考虑自身经验，所以引入PSO算法中的记忆功能。则式（6）可以表示为：

式中，b1,b2分别表示狼群交流系数和记忆系数（常量），取值范围为[0，1]；r3为区间[0，1]的随机变量；Pbest表示第i 只狼在捕食过程中的最佳位置。改进的算法可以通过调节b1,b2系数调节个体记忆与群体交流之间的关系，可以保存最优解，收敛速度更快。

3.2 灰狼优化的RBF神经网络

3.2.1 RBF神经网络的优化

RBF神经网络是具有单隐层的前馈神经网络，具有计算量小，全局逼近能力等优点[13]。其使用径向基函数作为隐层神经元激活函数，本文使用的高斯径向基函数如式（10）所示：

式中，Cj为神经网络的中心参数其中，n 为隐层神经元个数。RBF神经网络不足之处在于需要解决隐层的中心参数Cj、宽度向量Dj和隐层到输出层的权值ωj的确定问题[14]，尤其是权值的确定。就此，本文提出使用粒子群优化（PSO）的GWO 算法对RBF神经网络进行优化。

3.2.2 RBF神经网络的设计

RBF神经网络结构的设计主要是两方面[15]：一是拓扑结构的设计，即输入层、输出层的确定以及隐层神经元数量的确定；二是参数的设计，主要有基函数的中心参数Cj、宽度参数Dj以及隐层到输出层的连接权值ωj。

神经网络结构设计：

本文针对A3 事件下，由于高速列车切换切换时迟滞参数(TTT)和切换迟滞门限(Hys)为固定值，使得列车在低速时出现乒乓效应、高速时产生无线链路连接失败现象进行优化，因此需要对TTT 和Hys 进行动态优化。如图5为IGWO-RBF神经网络的网络结构。

图5 IGWO-RBF神经网络的网络结构

（2）隐含层。隐层神经元激活函数是高斯函数，输入层到隐层对数据进行非线性变换，表达式为：

在RBF 神经网络中，隐层节点数的确定很重要，如果隐层节点数过少，网络低于期望的学习能力和信息处理能力，造成“欠拟合”；若节点数过多，不仅会增加网络结构的复杂性，而且还会把训练样本自身的一些特点当作所有潜在的样本都具有的一般性质，导致了泛化性能的降低，造成了“过拟合”。由于输入节点数少，“试凑法”[16]确定节点数的方法具有实现简单、能够较快确定达到模型最优隐层节点数的优点，如下公式：

m 为隐层节点数目，n 是输入层节点数目，l 为输出层节点数，α 通常取1～10范围的常数。

由上可知，隐层节点数可设置为3～11，利用样本数据对神经网络进行多次训练和测试，表1 为RBFNN 和灰狼优化的RBFNN在不同的误差平均值和系统耗时的对比，通过对比，最优隐层节点数为8。

表1 不同隐层节点数时误差和系统耗时对比

由表1 可知，改进的神经网络能够更快速地收敛，找到最优权值矩阵，系统耗时更少。

（3）输出层。输出层单元个数为2，是切换中需要优化的参数，为Hys 和TTT 。隐含层到输出层对数据进行线性变换，输出层是整个神经网络的输出，其表达式为：

3.2.3 RBF神经网络的参数设计

RBF神经网络的参数主要是：中心参数Cj、宽度向量Dj和隐层到输出层的权值ωj：

（1）中心参数Cj

由公式（10）可知，隐含层各神经元的中心参数为Cj=，本文中心参数的确定使用了K-means 算法，是一种无监督式学习法[17]，此方法可靠、收敛速度快，能有效地处理数据。

首先根据公式（14），选取出一个密度指标最高的样本数据作为第一个中心C1：

然后根据公式（15）进行迭代更新计算剩余的h-1个聚类中心。

其中，xC1为第一个聚类中心，ρC1为密度的最大值，γb为密度指标函数减少的邻域，

最后得出聚类中心为C1(k),C2(k),…,Ch(k)。

（2）宽度向量Dj。

每一个神经元中心参数都对应一个宽度向量D，本文宽度向量的确定用“平均距离法”[18]，在中心参数Cj被确定之后，宽度向量Dj=kdi，di=min‖ ‖Cj-Ci，表示第i 个参数与离它最近的中心参数的欧氏距离。

（3）权值向量ωj

本文采用改进的灰狼算法对隐层到输出层之间的权值向量进行优化，首先设置一个目标函数，也就是优化算法的适应度函数，然后对其优化。设RBF神经网络中目标函数为：

其中：

ok是k 时刻期望输出向量，yk是k 时刻的实际输出量，2为输出节点数，权值向量ωj为灰狼算法中的位置向量。

中心参数、宽度和权重参数均通过学习来自适应调节到最佳值，其参数训练流程如图6所示。

图6 改进的RBF神经网络训练流程

步骤1 对神经网络的参数（中心向量、权值向量、宽度）进行初始化。

步骤2 设定学习率η 为0.05（一般设置在0.001～0.9）、动量参数μ 为0.1，迭代终止精度mse 的值为1E-5。

步骤3 将训练参数样本集送入神经网络，根据式（10）（11）得出隐层的结果。

步骤4 将权值向量映射为灰狼算法中每头狼的位置向量，初始化，计算适应度Ek，并产生α,β,δ,ω 狼，迭代更新ω 狼以及相关参数。

步骤5 直到Ek＜mse ，或者训练次数达到上限值1 000则训练结束，否则转到步骤4。

步骤6 循环结束后，输出α 狼为最优权值矩阵。

3.3 自矫正的RBF神经网络

数据采集中的环境具有局限性，为了更好地适应复杂多变的环境，提出带有自矫正的RBF神经网络，使得系统对环境有更好的适应性，在仿真过程中，采用“三分段Hermite 插值”来仿真列车在运行过程中实时接受到的RSRQ，基于仿真效果，得到如下的矫正过程：

4 实验

4.1 实验参数设置

UE发生越区切换时可以根据自身运行速度的不同选择最适宜的参数，本文以速度为5 m/s作为步长，寻找列车切换过程中最优的参数点，将选取的训练参数集放入神经网络中进行学习，产生一个非线性拟合曲线，为了达到更好的效果，本文选择参数比较复杂的“山地模型”，其具体参数如表2所示。

表2 仿真参数

4.2 实验结果分析

4.2.1 神经网络拟合结果

IGWO-RBF神经网络和RBF神经网络的输入（Hys参数）的拟合结果如图7所示。

由图7可知，IGWO-RBF的Hys 参数集拟合的曲线（红色）明显要优于未改进的RBF神经网络的拟合曲线（蓝色），尤其是在列车高速移动的场景中，优势更明显。

改进的RBF 神经网络和未改进的输入TTT 参数的拟合结果如图8所示。

从结果可以看出IGWO-RBF 相比于RBF 神经网络，对采集的各参数点拟合度高，达到了预期的目标。

图7 Hys 参数集在神经网络中的拟合曲线

图8 TTT 参数集在神经网络中的拟合曲线

4.2.2 算法复杂度分析

本文通过神经网络优化Hys 和TTT 在不同速率下的取值，然后应用于A3算法的判决部分，当判决部分为神经网络时，其算法复杂度为O(mn),m 为输入神经元个数，n 为采样点数。m=1，所以时间复杂度为O(n)，与原A3判决算法复杂度相同。

如表3，三个算法在相同数据量、相同服务器上运行的平均系统耗时分别为0.469 s、0.466 s、0.452 s，由此可以看出，新算法时延短，寻优收敛速度快，新算法隐层只有一层，所以实时性较好，能应用到列车的高速运行环境中。

表3 切换成功率前后对比

4.2.3 系统仿真结果

切换成功率是优化的后切换算法一大评估标准，图9展示了IGWO-RBF神经网络算法、RBF神经网络算法和传统A3算法在相同训练集比例下的切换成功率。

当列车速度为0～100 m/s 时，随着神经网络训练的Hys 和TTT 参数的变化，IGWO-RBF 神经网络的切换成功率在高速环境（100 m/s）时为84.5%，如表4，未改进的RBF 神经网络切换成功率在高速时为82.0%，传统A3算法只有77.2%。结果表明IGWO-RBF算法输出结果随移动端速度的增加，切换成功率要比RBF神经网络算法和传统A3算法高。

图9 改进前后算法的切换成功率对比

表4 切换成功率前后对比%

图10展示了相同输入比例下的乒乓效应的出现率。

图10 改进切换算法前后乒乓率对比

由表5 可知，当列车速度逐渐增加时，IGWO-RBF算法的乒乓率明显低于RBF神经网络算法和A3算法。

在高度移动场景中，列车极易发生无线链路连接失败现象，由图11可知，本文所用的优化算法有效地降低了切换中的无线链路连接失败率。

由表6可知，当列车速度为0～100 m/s时，优化后算法的掉话率比RBF神经网络算法和传统算法的掉话率低，优化后的算法更稳定。

综上所述，本文算法在切换成功率、乒乓率、掉话率方面都明显优于传统算法，且算法复杂度和实时性与A3算法相近。因此本文算法是一种新的具有可行性的LTE-R切换优化算法。

表5 切换乒乓率前后对比 %

图11 改进前后算法的切换掉话率对比

表6 切换掉话率前后对比%

5 结束语

本文提出了一种基于改进灰狼算法优化的RBF 神经网络的LTE-R切换算法。仿真结果表明：所提出的算法对切换率有明显的提高，在相同条件下，改进算法的切换率和鲁棒性要明显优于未改进算法和传统算法，乒乓率也低于传统算法，随着速度的增加，无线链路失败的出现也降低，并且速度越高，算法的优势越明显。快速寻找最优权值矩阵使得系统时延更短。改进算法收敛性快且效率更高，有更好的可靠性和灵活性，能更好地适应高速铁路移动环境。但是优化算法数据采样具有局限性，因此接下来的研究方向是，找出一个更好的方法去采集更多的动态数据进行拟合，使得算法的效果和稳定性得到进一步的提升。