针对现有异构无线网络基于模糊逻辑及神经网络的接入选择方法未能合理考虑网络负载状况的问题,提出一种基于RBF(径向基函数)模糊神经网络的接入选择方法。该方法以可接入网络的接入阻塞率相等为模糊神经网络参数强化学习的目标,对网络负载程度具有很好的动态适应性,实现了智能化的接入判决。仿真结果表明,该方法能有效均衡异构无线网络间的负载,保障实时与非实时业务的QoS,并且相对于负载均衡算法(MLB算法)降低了网络的接入阻塞率。

采用模糊逻辑和神经网络技术进行异构无线网络接入选择的方法未合理考虑网络负载状况,为此提出一种对网络负载具有很好动态适应性的基于粒子群优化(PSO)模糊神经元的接入选择方法.该方法将可接入网络的接入阻塞率相等作为模糊神经元参数学习的目标,并结合具有全局寻优能力的PSO算法设定参数初值,提高了参数学习精度.仿真结果表明,该方法能有效实现网络间负载均衡,相对于最大负载均衡算法可降低网络的接入阻塞率.

针对异构无线网络的接入选择问题，在考虑用户业务类型和网络状态的前提下，提出了一种基于蜻蜓算法优化模糊神经网络的异构无线网络接入选择算法。针对模糊神经网络收敛速度低的问题，利用蜻蜓算法对模糊神经网络第二层和第五层的隶属度函数参数进行寻优，以得到模糊神经网络隶属度函数参数的初始值。系统根据不同业务类型下用户对网络的偏好程度和网络的输出评分为用户选择最适合的网络。实验结果表明，利用蜻蜓算法优化模糊神经网络能够提高模糊神经网络的收敛速度，提高系统吞吐量，降低接入阻塞率，并在一定程度上减少切换次数。