專利名稱：一種資源預留智能呼叫接納控制方法及裝置的制作方法
技術領域：
本發明涉及呼叫接納控制方法，特別是一種基于資源預留的智能呼叫接納控制(RRICACResource Reserved Intelligent Call Admission Control)方法及裝置，屬通信系統資源管理領域。
背景技術：
呼叫接納控制方法正在發展階段。當前，CDMA蜂窩通信系統中呼叫叫接納控制方案的研究主要有三大類一類是基于SIR或總干擾信號功率的CAC算法；另一類是基于系統容量分析模型的CAC算法；再一類是基于功率控制模型的CAC算法。但是這些算法研究要么只局限于單一業務系統，要么不能同時滿足系統多個QoS要求。
Chang Chung-Ju在其文章“寬帶CDMA蜂窩系統中不同Qos要求下的智能呼叫接納控制”(Intelligent Call Admission Control for Differentiated QoSProvisioning in Wideband CDMA Cellular Systems)一文中針對以上問題提出了基于神經網絡辨識和模糊決策技術的智能呼叫接納控制(ICAC)方案，分別利用模糊決策和神經網絡辨識能力，估計新用戶請求產生的等效干擾及系統中已連接用戶的平均干擾，然后根據估計的兩個干擾和系統反饋的當前各類業務的測量中斷概率，決定呼叫請求的接納與否。該ICAC算法可應用于多業務CDMA系統，能始終保證各類業務中斷概率滿足要求。但是該算法存在以下兩個缺點1)實施復雜，算法執行過程要不斷測量并計算系統當前中斷概率，相關計算量大；2)系統中斷概率的嚴格保證使得重負載情況下新呼叫請求用戶的阻塞概率過高。
發明內容
針對上述現有方法中存在的缺點，本發明所要解決的問題是提供一種基于資源預留的智能呼叫接納控制方法及裝置，簡化算法實施復雜度，在系統中斷概率可容忍范圍內降低新呼叫請求用戶的阻塞概率。
本發明解決其技術問題所采用的技術方案是一種基于資源預留的智能呼叫接納控制裝置，用當前系統用戶數代替ICAC方案中的測量中斷概率，實施接納判決。包括三個模塊模糊等效干擾估計器、神經網絡干擾預測器以及模糊呼叫接納處理器。模糊等效干擾估計器模塊用于估計新呼叫請求用戶產生干擾；神經網絡干擾預測器用于當前系統內已連接用戶干擾的一步預測；模糊呼叫接納處理器用于新呼叫請求用戶的接納判決。
一種資源預留智能呼叫接納控制方法，采用模糊決策和神經網絡辨識技術實施呼叫接納控制算法，運用模糊邏輯的不確定性和專家信息進行新呼叫請求用戶產生的干擾及接納判決；運用神經網絡辨識技術的非線性和預測特性進行系統內已連接用戶產生干擾的一步預測。
模糊等效干擾估計器采用模糊決策技術，根據新呼叫請求的業務參數(峰值速率Rp、均值速率Rm、峰值速率持續時間Tp及中斷概率要求Potg)，估計其產生的干擾Inew。
神經網絡干擾預測器根據系統辨識及神經網絡原理，設計一個串行反饋神經網絡，把當前時刻n時系統內存在用戶的平均干擾Ik′(n)作為串行反饋神經網絡的輸入變量，來精確預測下一時刻(n+1)時系統內連接用戶的干擾Ik^(n+1)。
模糊呼叫接納處理器利用模糊決策技術，根據模糊等效干擾估計器輸出的新呼叫請求產生的等效干擾、神經網絡干擾預測器輸出的系統內已連接用戶的一步預測干擾及當前系統容納用戶數Num，進行新呼叫請求的接納判決。為降低中斷概率預留出一部分用戶數，只有當系統當前用戶數不大于系統可容納的最大用戶數與預留用戶數之差時，新呼叫請求用戶才有可能被接納。根據試驗方法設置預留用戶數的取值在用戶某一到達速率下，記錄在不同預留用戶數情況下的系統性能，選擇性能最好情況下的預留值作為其最終取值。
本發明具有下述優點1、本發明采用資源預留策略降低各類業務的中斷概率，把系統當前用戶數和系統可容納的最大用戶數與預留用戶數之差的比較作為接納判決的依據之一，實施簡單。在算法實施過程中，系統當前用戶數只需根據其成員函數轉換為相應的語言變量，然后再與其它參數語言變量輸入到模糊推理機即可，簡單易行，計算量小。
2、本發明降低了重負載情況下新呼叫請求用戶阻塞概率。由于ICAC算法把當前系統中斷概率作為接納判決的主要依據之一，根據模糊接納處理器判決規則，只要中斷概率接近要求門限，新呼叫請求就會被阻塞，而本發明是通過預留資源而不是接納判決來降低中斷概率的，因此，在給定預留資源的值后，隨著負荷的增加，該發明的阻塞概率必然要低于ICAC。
3、本發明采用了預留策略，使得重負載情況下系統中斷概率仍在可容忍范圍內。綜合系統中斷概率和新呼叫請求用戶阻塞概率二者因素考慮，本發明的服務等級優于ICAC算法。
下面結合附圖對本發明作進一步詳細說明，
圖1是本發明資源預留智能呼叫接納控制方案框架圖。
圖2是本發明資源預留智能呼叫接納控制方案的模糊等效干擾估計器示意圖。
圖3是本發明資源預留智能呼叫接納控制方案的神經網絡干擾預測器結構圖。
圖4是本發明資源預留智能呼叫接納控制方案的執行流程圖。
圖5是仿真結果。
實施例1一種基于資源預留的智能呼叫接納控制裝置，包括模糊等效干擾估計器根據新呼叫請求的業務參數估計其產生的干擾。
神經網絡干擾預測器根據當前時刻系統內存在用戶的平均干擾，來預測下一時刻系統內連接用戶的干擾。
模糊呼叫接納處理器根據模糊等效干擾估計器輸出的新呼叫請求產生的等效干擾、神經網絡干擾預測器輸出的系統內已連接用戶的一步預測干擾及當前系統容納用戶數，進行新呼叫請求的接納判決。
如圖1所示，新呼叫請求的業務參數(即峰值速率Rp、均值速率Rm、峰值速率持續時間Tp及中斷概率要求Potg)輸入到模糊等效干擾估計器，估計其產生的干擾Inew；當前時刻(n時刻)系統內存在用戶的平均干擾Ik′(n)輸入到神經網絡干擾預測器，預測下一時刻(n+1時刻)系統內連接用戶的干擾Ik^(n+1)；模糊呼叫接納處理器根據Inew、Ik^(n+1)及當前系統容納用戶數Num進行接納判決。
一種資源預留智能呼叫接納控制方法，所述模糊等效干擾估計器是一個模糊執行過程，如圖2所示，估計器根據模糊邏輯中的成員函數把新呼叫請求的業務參數轉換為相應語言變量，作為模糊推理系統的輸入，然后根據相應的模糊規則，求得估計的新呼叫請求產生的干擾的模糊集合，利用解模糊化方法計算其數值。
所述神經網絡干擾預測器根據系統辨識原理，把系統內已連接用戶的干擾建模為非線性自回歸移動平均模型(NARMA)，利用NARMA模型把平均干擾的一步預測描述為p個測量干擾和q個已預測的干擾的函數，即Ik^(n+1)=H(Ik′(n),...,Ik′(n-p+1);Ik^(n),...,Ik^(n-q+1))---(1)]]>其中，Ik^(i)表示k小區內i(n-q+1≤i≤n)時刻平均干擾預測值，Ik′(i)表示i(n-p+1≤i≤n)時刻平均干擾測量值，H(·)為待定的非線性函數。通過設計一個串行反饋神經網絡來近似H(·)函數，以達到較高預測精度、較快收斂速率及低計算復雜度。把當前時刻n時系統內存在用戶的平均干擾Ik′(n)作為串行反饋神經網絡的輸入變量，來精確預測下一時刻(n+1)時系統內連接用戶的干擾Ik^(n+1)，為了加強預測的精確性，Ik′(n)取N個T時間段內系統干擾的均值，即Ik′(n)=Σi=0N-1Ik(n-iT)N---(2)]]>其中，N表示時間窗的長度。反饋神經網絡干擾預測器結構如圖3所示，包含q層網絡，每層都有一個相似的神經網絡模型和一個減法器。第i層網絡有兩個外部輸入測量干擾采樣值Ik′(n-i+2)的延時和前一層的第一個輸出神經元Yi+1，1(n)，Ik′(n-i+2)與該模型輸出的差構成誤差信號ei(n)，用來動態調整第i個神經網絡模型的權值。第一個模型的輸出Y1，1(n)就是要求的下一時刻的預測干擾Ik^(n+1)。
所述模糊呼叫接納處理器是一個模糊判決過程，處理器解模糊化后得到的接納判決值Z和接納門限ZTH作比較，若Z＞ZTH，就接納新呼叫請求，否則拒絕。
其中資源預留體現在系統當前容納用戶數成員函數的選擇與參數設置上，為降低中斷概率預留出一部分用戶數，只有當系統當前用戶數不大于系統可容納的最大用戶數與預留用戶數之差時，新呼叫請求用戶才有可能被接納。系統可容納最大用戶數由話音和數據業務的中斷概率要求確定Potg1=Pr{Zk<SIR1*}≤Potg1*---(3)]]>Potg2=Pr{Zk<SIR2*}≤Potg2*---(4)]]>Zk=Σi=1Nv,kvi,k+Σj=1Nd,kδj,k·RG·Mj,k---(5)]]>式(5)中vi，k和δj，k分別表示小區k內話音用戶i和數據用戶j的激活概率。由式(3)至(5)求得Nv，k和Nd，k的最大值，系統容納最大用戶數取兩最大值中最大者。根據試驗方法設置預留用戶數的取值在用戶某一到達速率下，記錄在不同預留用戶數情況下的系統性能，選擇性能最好情況下的預留值作為其最終取值，然后根據此值仿真驗證資源預留智能呼叫接納控制方法。
模糊等效干擾估計器和模糊呼叫接納處理器設計均采用Mamdani型模糊邏輯系統，解模糊均采用面積中心法，計算公式為X=Σi=1Kωi×XiΣi=1Kωi]]>其中，ωi表示權重，Xi表示輸入的模糊集合。
上述方法流程如圖4所示。流程步驟如下步驟1等待呼叫請求的到達，步驟2估計呼叫請求產生的干擾，或步驟3預測當前系統內用戶干擾，
或步驟4測量當前系統內用戶數，步驟5求接納判決值Z，步驟6判斷判決值Z是否大于一個定值ZTH，若是，執行下面步驟7，若否，拒絕回到步驟1，步驟7接納并從可用信道中分配相應信道，系統內用戶數加一，返回步驟1。
基于資源預留的智能呼叫接納控制方法及裝置的性能評價指標隨新呼叫請求到達速率變化曲線參見圖5。
實施例2在無線傳播中，主要存在路徑和陰影損耗，用戶均勻分布在小區內，所有用戶在其本地小區內都具有完美功率控制，即基站接收到的話音或數據業務的每個基本信道的功率都等于常值。
用戶終端產生的業務分為實時的話音業務和非實時的數據業務兩種，話音和數據用戶的到達均服從泊松分布，話音源建模為兩狀態離散時間馬爾科夫鏈，在ON狀態(通話期)期間，每幀長T時間內產生一個空中接口包，在OFF狀態(靜默期)期間，不產生空中接口包，通話和靜默期平均持續時間分別服從參數為1/α和1/β的指數分布，數據源由群泊松過程表征，平均信息到達率為Ad，數據信息長度為服從幾何分布的正值隨機變量，根據數據業務的處理增益，把高層協議數據單元進一步分為一組空中接口包。
串行反饋神經網絡干擾預測器設計采用定制的方法，利用Levenberg-Marquardt規則訓練神經網絡。
采用資源預留的策略降低系統中斷概率，系統當前用戶數和系統可容納的最大用戶數與預留用戶數之差的比較作為接納判決的依據之一，在用戶某一到達速率下，記錄在不同預留用戶數情況下的系統性能，選擇性能最好情況下的預留值作為其最終取值，然后根據此值仿真驗證資源預留智能呼叫接納控制方法。
權利要求
1.一種資源預留智能呼叫接納控制裝置，其特征在于包括模糊等效干擾估計器、神經網絡干擾預測器以及模糊呼叫接納處理器，模糊等效干擾估計器模塊用于估計新呼叫請求用戶產生干擾；神經網絡干擾預測器用于當前系統內已連接用戶干擾的一步預測；模糊呼叫接納處理器用于新呼叫請求用戶的接納判決。
2.一種資源預留智能呼叫接納控制方法，其特征在于采用模糊決策和神經網絡辨識技術實施呼叫接納控制算法，運用模糊邏輯的不確定性和專家信息進行新呼叫請求用戶產生的干擾及接納判決；運用神經網絡辨識技術的非線性和預測特性進行系統內已連接用戶產生干擾的一步預測。
3.根據權利要求2所述的一種資源預留智能呼叫接納控制方法，其特征在于采用資源預留的策略降低系統中斷概率，系統當前用戶數和系統可容納的最大用戶數與預留用戶數之差的比較作為接納判決的依據之一，在用戶某一到達速率下，記錄在不同預留用戶數情況下的系統性能，選擇性能最好情況下的預留值作為其最終取值，然后根據此值仿真驗證資源預留智能呼叫接納控制方法。
4.根據權利要求2所述的一種資源預留智能呼叫接納控制方法，其特征在于用戶終端產生的業務分為實時的話音業務和非實時的數據業務兩種，話音和數據用戶的到達均服從泊松分布，話音源建模為兩狀態離散時間馬爾科夫鏈，在ON狀態(通話期)期間，每幀長T時間內產生一個空中接口包，在OFF狀態(靜默期)期間，不產生空中接口包，通話和靜默期平均持續時間分別服從參數為1/α和1/β的指數分布，數據源由群泊松過程表征，平均信息到達率為Ad，數據信息長度為服從幾何分布的正值隨機變量，根據數據業務的處理增益，把高層協議數據單元進一步分為一組空中接口包。
5.根據權利要求2所述的一種資源預留智能呼叫接納控制方法，其特征在于在無線傳播中，主要存在路徑和陰影損耗，用戶均勻分布在小區內，所有用戶在其本地小區內都具有完美功率控制，即基站接收到的話音或數據業務的每個基本信道的功率都等于常值。
6.根據權利要求2所述的一種資源預留智能呼叫接納控制方法，其特征在于模糊等效干擾估計器和模糊呼叫接納處理器設計均采用Mamdani型模糊邏輯系統，解模糊均采用面積中心法，計算公式為X=Σi=1Kωi×XiΣi=1Kωi]]>
7.根據權利要求2所述的一種資源預留智能呼叫接納控制方法，其特征在于串行反饋神經網絡干擾預測器設計采用定制的方法，利用Levenberg-Marquardt規則訓練神經網絡。
全文摘要
一種基于資源預留的智能呼叫接納控制方法及裝置，用當前系統用戶數代替ICAC方案中的測量中斷概率，實施接納判決。包括三個模塊模糊等效干擾估計器、神經網絡干擾預測器以及模糊呼叫接納處理器。模糊等效干擾估計器模塊用于估計新呼叫請求用戶產生干擾；神經網絡干擾預測器用于當前系統內已連接用戶干擾的一步預測；模糊呼叫接納處理器用于新呼叫請求用戶的接納判決。本發明采用資源預留策略降低各類業務的中斷概率，把系統當前用戶數和系統可容納的最大用戶數與預留用戶數之差的比較作為接納判決的依據之一，簡單易行，計算量小；在重負載情況下，新呼叫請求用戶阻塞概率低。
文檔編號H04W28/26GK1678120SQ200510011698
公開日2005年10月5日 申請日期2005年5月10日 優先權日2005年5月10日
發明者朱剛, 牛桂新 申請人:北京交通大學