本發(fā)明涉及衛(wèi)星通信技術(shù)領(lǐng)域，特別是涉及一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置。

背景技術(shù)：

在移動(dòng)衛(wèi)星網(wǎng)絡(luò)中，對(duì)于用戶如何獲得最優(yōu)的移動(dòng)衛(wèi)星資源以及移動(dòng)衛(wèi)星如何準(zhǔn)確、快速的將資源分配給用戶使用，因此，為無(wú)縫通信設(shè)計(jì)出優(yōu)化和高效的移動(dòng)性管理方案仍然是一個(gè)關(guān)鍵的挑戰(zhàn)。

現(xiàn)有的移動(dòng)衛(wèi)星管理方案中有模糊邏輯切換方法，具體實(shí)現(xiàn)方法為：將建立通信的衛(wèi)星與用戶多個(gè)參數(shù)形成的清晰向量輸入到模糊控制系統(tǒng)中，通過(guò)模糊控制系統(tǒng)中的模糊控制器以及模糊推理規(guī)則將每個(gè)參數(shù)模糊處理得到模糊處理結(jié)果，綜合每個(gè)參數(shù)的模糊處理結(jié)果，得到與該用戶建立通信的該衛(wèi)星的切換因子。按照上述方法得到與該用戶建立通信的所有衛(wèi)星的切換因子。選擇出所有切換因子中最大的切換因子對(duì)應(yīng)的衛(wèi)星，將該用戶切換到切換因子最大的衛(wèi)星下。

現(xiàn)有的模糊邏輯切換方法存在的問(wèn)題是，過(guò)于依賴專家設(shè)定的模糊推理規(guī)則，使用一種固定的模糊推理規(guī)則不能適應(yīng)各種不同的通信環(huán)境，使得得到的切換因子不夠準(zhǔn)確，導(dǎo)致頻繁切換以及網(wǎng)絡(luò)信號(hào)穩(wěn)定性差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置，通過(guò)在不同網(wǎng)絡(luò)環(huán)境下自適應(yīng)調(diào)節(jié)模糊推理規(guī)則，實(shí)現(xiàn)增強(qiáng)移動(dòng)衛(wèi)星網(wǎng)絡(luò)自適應(yīng)性與穩(wěn)定性，最終實(shí)現(xiàn)穩(wěn)定、低頻率的為用戶終端切換移動(dòng)衛(wèi)星。具體技術(shù)方案如下：

為達(dá)到上述發(fā)明目的，本發(fā)明實(shí)施例公開了一種衛(wèi)星網(wǎng)絡(luò)切換方法，包括：

根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及所述至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，其中，所述至少一個(gè)輸入量至少包括用戶終端的導(dǎo)頻信號(hào)強(qiáng)度、衛(wèi)星負(fù)載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，所述至少一個(gè)參數(shù)包括至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結(jié)果向量；

根據(jù)所述目標(biāo)模糊邏輯切換模型，在所述目標(biāo)模糊邏輯切換模型的輸入層獲取所述用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量；

按照與所述至少一個(gè)輸入量對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)、所述目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集，對(duì)所述至少一個(gè)輸入量模糊化處理，得到所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果；

根據(jù)所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子；

選擇大于預(yù)設(shè)持續(xù)時(shí)間的所述至少一個(gè)衛(wèi)星中的至少一個(gè)待切換衛(wèi)星、對(duì)應(yīng)的切換因子中最大的切換因子，將所述切換因子對(duì)應(yīng)的待切換衛(wèi)星確定為目標(biāo)衛(wèi)星，將所述用戶終端切換到所述目標(biāo)衛(wèi)星下。

可選地，根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及所述至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，包括：

根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，通過(guò)預(yù)設(shè)切換因子，確定小于預(yù)設(shè)誤差下的最優(yōu)切換因子；

通過(guò)混合最速下降法和最小均方估計(jì)，確定所述最優(yōu)切換因子對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度；

通過(guò)預(yù)設(shè)切換因子向量、預(yù)設(shè)規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對(duì)應(yīng)的模糊輸出結(jié)果向量，將所述模糊輸出結(jié)果向量確定為最優(yōu)模糊輸出結(jié)果向量；

根據(jù)所述至少一個(gè)隸屬度函數(shù)的中心、所述至少一個(gè)隸屬度函數(shù)的寬度，確定所述目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)，以及根據(jù)所述最優(yōu)模糊輸出結(jié)果向量，確定所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則；

將所述至少一個(gè)隸屬度函數(shù)以及所述模糊推理規(guī)則對(duì)應(yīng)的模糊邏輯切換模型，確定為目標(biāo)模糊邏輯切換模型。

可選地，所述根據(jù)所述至少一個(gè)隸屬度函數(shù)的中心、所述至少一個(gè)隸屬度函數(shù)的寬度，確定所述目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)，以及根據(jù)所述最優(yōu)模糊輸出結(jié)果向量，確定所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則，包括：

按照預(yù)設(shè)模糊語(yǔ)言集中與每個(gè)預(yù)設(shè)隸屬度函數(shù)對(duì)應(yīng)的模糊語(yǔ)言等級(jí)個(gè)數(shù)，將所述每個(gè)預(yù)設(shè)隸屬度函數(shù)平均分布在所述論域范圍內(nèi)，確定至少一個(gè)粗略隸屬函數(shù)；

利用所述至少一個(gè)隸屬度函數(shù)的中心、所述至少一個(gè)隸屬度函數(shù)的寬度，對(duì)應(yīng)替換所述至少一個(gè)粗略隸屬函數(shù)形成的圖像的峰值以及每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為所述目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)；

通過(guò)預(yù)設(shè)模糊推理規(guī)則以及所述最優(yōu)模糊輸出結(jié)果向量，確定所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則。

可選地，所述在所述目標(biāo)模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，包括：

在所述目標(biāo)模糊邏輯切換模型的輸入層，獲取所述用戶終端的導(dǎo)頻信號(hào)強(qiáng)度以及所述用戶終端的位置坐標(biāo)；

獲取覆蓋所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星負(fù)載、所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的用戶密集度、所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星能夠使用的帶寬以及所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)；

通過(guò)所述用戶終端的位置坐標(biāo)以及覆蓋所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)，確定所述用戶終端能夠利用所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，獲取所述用戶終端能夠利用所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間。

可選地，所述根據(jù)所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子，包括：

將所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果對(duì)應(yīng)到所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則中，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果；

將所述每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果對(duì)應(yīng)與每個(gè)規(guī)則歸一化適用度相乘，對(duì)應(yīng)確定所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子。

為達(dá)到上述發(fā)明目的，本發(fā)明實(shí)施例還公開了一種衛(wèi)星網(wǎng)絡(luò)切換裝置，包括：

模型確定模塊，用于根據(jù)用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及所述至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，其中，至少一個(gè)輸入量至少包括用戶終端的導(dǎo)頻信號(hào)強(qiáng)度、衛(wèi)星負(fù)載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，所述至少一個(gè)參數(shù)包括至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結(jié)果向量；

輸入量獲取模塊，用于根據(jù)所述目標(biāo)模糊邏輯切換模型，在所述目標(biāo)模糊邏輯切換模型的輸入層，獲取所述用戶終端以及覆蓋所述用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量；

推理結(jié)果確定模塊，用于按照與所述至少一個(gè)輸入量對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)、所述目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集，對(duì)所述至少一個(gè)輸入量模糊化處理，得到所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果；

切換因子確定模塊，用于根據(jù)所述目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、所述用戶終端的所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定所述至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子；

切換模塊，用于選擇大于預(yù)設(shè)持續(xù)時(shí)間的所述至少一個(gè)衛(wèi)星中的至少一個(gè)待切換衛(wèi)星、對(duì)應(yīng)的切換因子中最大的切換因子，將所述切換因子對(duì)應(yīng)的待切換衛(wèi)星確定為目標(biāo)衛(wèi)星，將所述用戶終端切換到所述目標(biāo)衛(wèi)星下。

本發(fā)明實(shí)施例提供的一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置，通過(guò)歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標(biāo)模糊邏輯切換模型，通過(guò)該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則以及目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集對(duì)至少一個(gè)輸入量模糊化，該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過(guò)于依賴專家經(jīng)驗(yàn)得到適應(yīng)不同網(wǎng)絡(luò)環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準(zhǔn)確。通過(guò)目標(biāo)模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準(zhǔn)確。通過(guò)將用戶終端切換到大于預(yù)設(shè)持續(xù)時(shí)間中大于預(yù)設(shè)切換因子的最大的切換因子對(duì)應(yīng)的衛(wèi)星下，可減少切換的頻率，實(shí)現(xiàn)增強(qiáng)衛(wèi)星網(wǎng)絡(luò)切換的自適應(yīng)性與穩(wěn)定性。本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置，綜合考慮了網(wǎng)絡(luò)狀況和移動(dòng)終端的信號(hào)狀況和位置信息，最終實(shí)現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動(dòng)衛(wèi)星。當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法流程圖；

圖2為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)圖像變化圖；

圖3為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的衛(wèi)星負(fù)載隸屬度函數(shù)圖像變化圖；

圖4為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的目標(biāo)模糊邏輯切換模型結(jié)構(gòu)圖；

圖5為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的過(guò)程示意圖；

圖6為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換裝置示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

為達(dá)到上述發(fā)明目的，本發(fā)明實(shí)施例公開了一種衛(wèi)星網(wǎng)絡(luò)切換方法，如圖1所示。圖1為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法流程圖，包括：

s101，根據(jù)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，其中，至少一個(gè)輸入量至少包括用戶終端的導(dǎo)頻信號(hào)強(qiáng)度、衛(wèi)星負(fù)載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，至少一個(gè)參數(shù)包括至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結(jié)果向量；

在本發(fā)明實(shí)施例中，將現(xiàn)有模糊邏輯切換系統(tǒng)模型中已有的對(duì)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量模糊處理的隸屬度函數(shù)定義為預(yù)設(shè)隸屬度函數(shù)。將現(xiàn)有模糊邏輯切換系統(tǒng)模型中根據(jù)預(yù)設(shè)隸屬度函數(shù)對(duì)每個(gè)輸入量模糊處理，將每個(gè)輸入量模糊處理輸出結(jié)果對(duì)應(yīng)輸入到已有的模糊語(yǔ)言集，將該模糊語(yǔ)言集定義為預(yù)設(shè)模糊語(yǔ)言集。該預(yù)設(shè)模糊語(yǔ)言集為根據(jù)預(yù)設(shè)隸屬度函數(shù)對(duì)每個(gè)輸入量模糊處理，將每個(gè)處理結(jié)果用模糊語(yǔ)言模糊化處理，以使模糊處理結(jié)果能夠應(yīng)用在模糊推理規(guī)則的所有規(guī)則中。將現(xiàn)有模糊邏輯切換系統(tǒng)模型中已有的模糊推理規(guī)則定義為預(yù)設(shè)模糊推理規(guī)則。通過(guò)訓(xùn)練調(diào)整現(xiàn)有模糊邏輯切換系統(tǒng)模型的預(yù)設(shè)隸屬度函數(shù)和預(yù)設(shè)模糊推理規(guī)則的多個(gè)參數(shù)，得到對(duì)應(yīng)當(dāng)前用戶終端最優(yōu)網(wǎng)絡(luò)環(huán)境下的隸屬度函數(shù)和模糊推理規(guī)則，將該最優(yōu)網(wǎng)絡(luò)環(huán)境下的隸屬度函數(shù)和模糊推理規(guī)則對(duì)應(yīng)的模糊邏輯切換系統(tǒng)模型定義為目標(biāo)模糊邏輯切換模型。

模糊神經(jīng)網(wǎng)絡(luò)就是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理于一體。模糊神經(jīng)網(wǎng)絡(luò)可用于模糊回歸、模糊控制器、模糊專家系統(tǒng)、模糊譜系分析、模糊矩陣方程、通用逼近器。在控制領(lǐng)域中，所關(guān)心的是由模糊神經(jīng)網(wǎng)絡(luò)構(gòu)成的模糊控制器。本發(fā)明實(shí)施例通過(guò)模糊神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)與現(xiàn)有模糊邏輯系統(tǒng)模型的結(jié)合形成本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法。

具體地，通過(guò)歷史經(jīng)驗(yàn)分析模糊邏輯切換系統(tǒng)模型的性能，為達(dá)到該模糊邏輯切換系統(tǒng)模型最優(yōu)化的性能設(shè)定一個(gè)數(shù)值，將該數(shù)據(jù)定義為該模糊邏輯切換系統(tǒng)模型的閾值。當(dāng)用戶終端的網(wǎng)絡(luò)環(huán)境性能低于閾值時(shí)，使用在線數(shù)據(jù)，直接獲取至少一組當(dāng)前用戶終端以及覆蓋該用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量作為樣本訓(xùn)練，對(duì)應(yīng)得到至少一個(gè)切換因子。因?yàn)橛脩艚K端的導(dǎo)頻信號(hào)強(qiáng)度、衛(wèi)星負(fù)載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間這幾個(gè)參數(shù)對(duì)最后的切換因子影響較大，因此在模糊邏輯切換系統(tǒng)模型中獲取這幾個(gè)參數(shù)最終得到的結(jié)果更準(zhǔn)確。反之，在離線狀態(tài)下使用當(dāng)前用戶終端以及覆蓋該用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)作為樣本訓(xùn)練，得到至少一個(gè)切換因子。

在所有的切換因子中選取當(dāng)前用戶網(wǎng)絡(luò)環(huán)境下最優(yōu)切換因子。因?yàn)榈玫皆撉袚Q因子通過(guò)模糊邏輯切換系統(tǒng)模型的隸屬度函數(shù)的模糊處理以及模糊推理規(guī)則的規(guī)則推理運(yùn)算，則可通過(guò)對(duì)樣本以及現(xiàn)有模糊邏輯切換系統(tǒng)模型訓(xùn)練以及模糊神將網(wǎng)絡(luò)的反饋調(diào)節(jié)，反推出在該當(dāng)前用戶終端環(huán)境下確定該最優(yōu)切換因子的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結(jié)果向量。根據(jù)得到的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及模糊邏輯切換系統(tǒng)模型中預(yù)設(shè)隸屬度函數(shù)，對(duì)應(yīng)得到當(dāng)前用戶網(wǎng)絡(luò)環(huán)境下的至少一個(gè)隸屬度函數(shù)。根據(jù)最優(yōu)模糊輸出結(jié)果向量以及模糊邏輯切換系統(tǒng)模型中預(yù)設(shè)模糊推理規(guī)則，得到當(dāng)前用戶網(wǎng)絡(luò)環(huán)境下的模糊推理規(guī)則。將當(dāng)前用戶網(wǎng)絡(luò)環(huán)境下的至少一個(gè)隸屬度函數(shù)以及當(dāng)前用戶網(wǎng)絡(luò)環(huán)境下的模糊推理規(guī)則形成的模糊邏輯切換系統(tǒng)模型作為目標(biāo)模糊邏輯切換模型。

s102，根據(jù)目標(biāo)模糊邏輯切換模型，在目標(biāo)模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量；

在本步驟中，根據(jù)s101確定的目標(biāo)模糊邏輯切換模型的功能以及神經(jīng)網(wǎng)絡(luò)理論的結(jié)構(gòu)，將該目標(biāo)模糊邏輯切換模型可分為5層，即為：輸入層、模糊化層、規(guī)則層、結(jié)論層和輸出層。輸入層主要用于接收至少一個(gè)輸入量，并將至少一個(gè)輸入量對(duì)應(yīng)輸入到模糊化層的模糊化子模塊中。

具體地，在目標(biāo)模糊邏輯切換模型的輸入層接收到至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，并將該至少一個(gè)輸入量對(duì)應(yīng)輸入到模糊化層的模糊化子模塊，進(jìn)行模糊化處理。在本發(fā)明實(shí)施例中，可獲取到導(dǎo)頻信號(hào)強(qiáng)度、預(yù)估計(jì)服務(wù)時(shí)間、衛(wèi)星負(fù)載、衛(wèi)星能夠使用的帶寬和用戶密集度作為至少一個(gè)輸入量。

s103，按照與至少一個(gè)輸入量對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)、目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集，對(duì)至少一個(gè)輸入量模糊化處理，得到用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果；

在本步驟中，至少一個(gè)隸屬度函數(shù)進(jìn)入到模糊化層中，該模糊化層中設(shè)置有模糊控制器對(duì)至少一個(gè)輸入量模糊處理。在該模糊控制器中設(shè)置有與至少一個(gè)輸入量對(duì)應(yīng)的模糊化子模塊，每個(gè)模糊化子模塊中含有與該輸入量對(duì)應(yīng)的隸屬度函數(shù)。另外，該模糊控制器中還設(shè)置有模糊語(yǔ)言集，該模糊語(yǔ)言集包含與至少一個(gè)輸入量的個(gè)數(shù)對(duì)應(yīng)的模糊語(yǔ)言。每個(gè)模糊語(yǔ)言包含有按照該輸入量對(duì)切換影響的大小劃分的不同等級(jí)個(gè)數(shù)的模糊言語(yǔ)。至少一個(gè)輸入量通過(guò)模糊控制器對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)以及至少一個(gè)模糊語(yǔ)言的處理，得到至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果。模糊語(yǔ)言集可按照輸入提前預(yù)設(shè)。

例如，在本發(fā)明實(shí)施例中，因?yàn)閷?dǎo)頻信號(hào)強(qiáng)度s、預(yù)估計(jì)服務(wù)時(shí)間t對(duì)切換影響程度較大，將其劃分為5級(jí)，衛(wèi)星負(fù)載l、衛(wèi)星能夠使用的帶寬w和用戶密集度dt對(duì)切換影響較小，將其劃分為3級(jí)。對(duì)應(yīng)形成導(dǎo)頻信號(hào)強(qiáng)度模糊語(yǔ)言t(s)、預(yù)估計(jì)服務(wù)時(shí)間模糊語(yǔ)言t(t)、衛(wèi)星負(fù)載模糊語(yǔ)言t(l)、衛(wèi)星能夠使用的帶寬模糊語(yǔ)言t(w)和用戶密集度模糊語(yǔ)言t(dt)的預(yù)設(shè)模糊語(yǔ)言集，如下所示：

具體地，模糊控制器中的至少一個(gè)隸屬度函數(shù)以及按照上述預(yù)設(shè)模糊語(yǔ)言集，對(duì)至少一個(gè)輸入量模糊化處理，得到當(dāng)前用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果。

s104，根據(jù)目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子；

在本步驟中，通過(guò)模糊化層的對(duì)至少一個(gè)輸入量模糊處理完成后，在規(guī)則層按照上述s101得到的目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則，對(duì)上述s103得到的每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果推理以及運(yùn)算，對(duì)應(yīng)得到至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子，將至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子在輸出層輸出。

s105，選擇大于預(yù)設(shè)持續(xù)時(shí)間的至少一個(gè)衛(wèi)星中的至少一個(gè)待切換衛(wèi)星、對(duì)應(yīng)的切換因子中最大的切換因子，將切換因子對(duì)應(yīng)的至少一個(gè)待切換衛(wèi)星確定為目標(biāo)衛(wèi)星，將用戶終端切換到目標(biāo)衛(wèi)星下。

在本步驟中，為了防止頻繁切換對(duì)用戶終端以及移動(dòng)衛(wèi)星終端的產(chǎn)生不便，可通過(guò)移動(dòng)衛(wèi)星對(duì)每個(gè)用戶服務(wù)的持續(xù)時(shí)間的歷史數(shù)據(jù)以及經(jīng)驗(yàn)分析，設(shè)定預(yù)設(shè)持續(xù)時(shí)間，將至少一個(gè)衛(wèi)星中用戶服務(wù)的持續(xù)時(shí)間大于預(yù)設(shè)持續(xù)時(shí)間的衛(wèi)星定義為待切換衛(wèi)星。在至少一個(gè)待切換衛(wèi)星的切換因子中選擇最大的切換因子，將該最大的切換因子對(duì)應(yīng)的待切換衛(wèi)星定義為目標(biāo)衛(wèi)星。

具體為，在覆蓋當(dāng)前用戶的至少一個(gè)衛(wèi)星中通過(guò)預(yù)設(shè)持續(xù)時(shí)間選擇至少一個(gè)待切換衛(wèi)星，在至少一個(gè)待切換衛(wèi)星對(duì)應(yīng)的通過(guò)最大切換因子選擇目標(biāo)衛(wèi)星，將當(dāng)前用戶切換到目標(biāo)衛(wèi)星下。

本發(fā)明實(shí)施例提供的一種衛(wèi)星網(wǎng)絡(luò)切換方法，通過(guò)歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標(biāo)模糊邏輯切換模型，通過(guò)該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則以及目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集對(duì)至少一個(gè)輸入量模糊化，該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過(guò)于依賴專家經(jīng)驗(yàn)得到適應(yīng)不同網(wǎng)絡(luò)環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準(zhǔn)確。通過(guò)目標(biāo)模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準(zhǔn)確。通過(guò)將用戶終端切換到大于預(yù)設(shè)持續(xù)時(shí)間中大于預(yù)設(shè)切換因子的最大的切換因子對(duì)應(yīng)的衛(wèi)星下，可減少切換的頻率，實(shí)現(xiàn)增強(qiáng)衛(wèi)星網(wǎng)絡(luò)切換的自適應(yīng)性與穩(wěn)定性。本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置，綜合考慮了網(wǎng)絡(luò)狀況和移動(dòng)終端的信號(hào)狀況和位置信息，最終實(shí)現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動(dòng)衛(wèi)星。

可選地，在本發(fā)明實(shí)施例的衛(wèi)星網(wǎng)絡(luò)切換方法的一種實(shí)施例中，根據(jù)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，包括：

步驟一，根據(jù)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，通過(guò)預(yù)設(shè)切換因子，確定小于預(yù)設(shè)誤差下的最優(yōu)切換因子；

在本步驟中，通過(guò)經(jīng)驗(yàn)分析得到當(dāng)前環(huán)境下的最優(yōu)切換因子，將該切換因子定義為預(yù)設(shè)切換因子。設(shè)定一個(gè)實(shí)際輸出切換因子與預(yù)設(shè)切換因子的誤差范圍，將該誤差范圍定義為預(yù)設(shè)誤差。具體為，通過(guò)將歷史數(shù)據(jù)或者在線數(shù)據(jù)的當(dāng)前用戶以及覆蓋該用戶的所有移動(dòng)衛(wèi)星的至少一個(gè)輸入量作為樣本訓(xùn)練集。每次在該樣本集中選取一組至少一個(gè)輸入量，將該至少一個(gè)輸入量通過(guò)模糊邏輯切換系統(tǒng)模型的隸屬度函數(shù)的模糊處理以及模糊推理規(guī)則的規(guī)則推理運(yùn)算，得到至少一個(gè)切換因子。通過(guò)每次判斷每組樣本的實(shí)際輸出切換因子與預(yù)設(shè)切換因子的誤差，將小于預(yù)設(shè)誤差的誤差最小情況下對(duì)應(yīng)的實(shí)際輸出切換因子作為最優(yōu)切換因子。

在本發(fā)明實(shí)施例中，可按照如下公式表示求出切換因子z：

其中，i表示任一輸入量，m表示輸入量的總個(gè)數(shù)，ψi表示與輸入量i對(duì)應(yīng)的規(guī)則歸一化使用度，fi表示與輸入量i對(duì)應(yīng)使用模糊邏輯切換系統(tǒng)模糊推理規(guī)則的模糊輸出結(jié)果。

誤差e計(jì)算采用如下公式計(jì)算：

其中，zd表示預(yù)設(shè)切換因子，z表示實(shí)際輸出切換因子。

本發(fā)明實(shí)施例采用回歸最小二乘法確定模糊輸出結(jié)果向量f，公式如下：

其中，初始條件為f0＝0和s0＝χi。si表示第i個(gè)輸入量的協(xié)方差矩陣，ψi表示ψ的第i列，fi表示經(jīng)過(guò)第i次迭代后的模糊輸出結(jié)果矩陣，χ表示一個(gè)足夠大的正數(shù)，i表示單位矩陣。

當(dāng)樣本訓(xùn)練集的數(shù)據(jù)增多時(shí)，最小二乘法會(huì)逐漸進(jìn)入飽和狀態(tài)而失去調(diào)整能力，本發(fā)明使用遺忘因子λ來(lái)使新加入的數(shù)據(jù)具有較大的加權(quán)來(lái)解決該問(wèn)題，則

其中，si表示第i個(gè)輸入量的協(xié)方差矩陣，ψi表示ψ的第i列，χ表示一個(gè)足夠大的正數(shù)。

其中，0<λ<1，λ越小，表示數(shù)據(jù)遺忘越快。

在上述訓(xùn)練下，通過(guò)預(yù)設(shè)切換因子，可確定出小于預(yù)設(shè)誤差下的最優(yōu)切換因子。

通過(guò)上述公式，以及分析可得出實(shí)際輸出切換因子中的最優(yōu)切換因子。

步驟二，通過(guò)混合最速下降法和最小均方估計(jì)，確定最優(yōu)切換因子對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度；

最速下降法又稱為梯度法，它是解析法中最古老的一種，它是最優(yōu)化方法的基礎(chǔ)。它的基本思想是從當(dāng)前自變量開始，取該函數(shù)在該自變量出下降最快的方向作為搜索的方向。通過(guò)該函數(shù)表達(dá)式的泰勒展開式構(gòu)造出最速下降法的迭代步驟。最速下降法在模式識(shí)別和機(jī)器學(xué)習(xí)中運(yùn)用最為廣泛，要通過(guò)這些訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)系統(tǒng)的函數(shù)?；旌献钏傧陆捣ㄊ亲钏傧陆捣ǖ淖冃嗡惴ǎ没旌献钏傧陆捣ㄔ诜答佌{(diào)節(jié)中調(diào)節(jié)訓(xùn)練數(shù)據(jù)的參數(shù)。混合最速下降法分別介紹了兩種動(dòng)態(tài)確定學(xué)習(xí)率的方法，第一種是非精確線搜索，另一種是精確線搜索。

最小均方估計(jì)的思想為：在增加很少運(yùn)算量的情況下能夠加速其收斂速度，這樣在自適應(yīng)均衡的時(shí)候就可以很快的跟蹤到被估計(jì)量參數(shù)，減少了訓(xùn)練序列的發(fā)送時(shí)間，從而提高了信道的利用率。

在上述得到最優(yōu)切換因子后，可通過(guò)混合最速下降法和最小均方估計(jì)反推該最優(yōu)切換因子對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度。

使用通過(guò)混合最速下降法，按照迭代的方式可確定出于至少一個(gè)輸入量個(gè)數(shù)對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)的中心以及至少一個(gè)隸屬度函數(shù)的寬度。

具體迭代運(yùn)算如下

其中，ci表示輸入量i對(duì)應(yīng)的隸屬度函數(shù)的中心，bi表示輸入量i對(duì)應(yīng)的隸屬度函數(shù)的寬度，β表示網(wǎng)絡(luò)學(xué)習(xí)率，k表示當(dāng)前迭代次數(shù)。

步驟三，通過(guò)預(yù)設(shè)切換因子向量、預(yù)設(shè)規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對(duì)應(yīng)的模糊輸出結(jié)果向量，將模糊輸出結(jié)果向量確定為最優(yōu)模糊輸出結(jié)果向量；

在本步驟中，所有的切換因子組成切換因子向量z，每條模糊推理規(guī)則對(duì)應(yīng)一個(gè)規(guī)則歸一化適用度，所有的規(guī)則歸一化適用度組成的向量稱為規(guī)則歸一化適用度向量ψ，所有的模糊輸出結(jié)果組成模糊輸出結(jié)果向量f。在本發(fā)明實(shí)施例中，設(shè)定理想輸出的切換因子向量為預(yù)設(shè)切換因子向量，將當(dāng)前模糊邏輯切換系統(tǒng)模型下的規(guī)則歸一化適用度向量設(shè)定為預(yù)設(shè)規(guī)則歸一化適用度向量。切換因子向量z、規(guī)則歸一化適用度向量ψ、模糊輸出結(jié)果向量f具有如下關(guān)系：

z＝f×ψ

其中

f＝[α10…αm0α11…αm1α1r…αmr]

預(yù)設(shè)切換因子向量t以及預(yù)設(shè)規(guī)則歸一化適用度向量ψ有如下關(guān)系：

z＝f×ψ

e＝||t-z||

我們的目標(biāo)是在預(yù)設(shè)切換因子向量t以及預(yù)設(shè)規(guī)則歸一化適用度向量ψ之間尋找一個(gè)模糊輸出結(jié)果向量，使誤差能量最小，即為確定最優(yōu)模糊輸出結(jié)果向量f^*。該問(wèn)題可用如下的線性最小二乘法逼近：

f^*×ψ＝t

最優(yōu)模糊輸出結(jié)果向量f^*具有如下形式：

f^*＝t(ψ^tψ)^-1ψ^t

其中，ψ^t表示ψ的轉(zhuǎn)置，ψ⁺＝(ψ^tψ)^-1ψ^t表示ψ的廣義逆矩陣。

步驟四，根據(jù)至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度，確定目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)，以及根據(jù)最優(yōu)模糊輸出結(jié)果向量，確定目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則；

首先，按照預(yù)設(shè)模糊語(yǔ)言集中與每個(gè)預(yù)設(shè)隸屬度函數(shù)對(duì)應(yīng)的模糊語(yǔ)言等級(jí)個(gè)數(shù)，將每個(gè)預(yù)設(shè)隸屬度函數(shù)平均分布在論域范圍內(nèi)，確定至少一個(gè)粗略隸屬函數(shù)。

隸屬度函數(shù)是模糊控制系統(tǒng)中的重要模糊處理手段。在模糊控制器中按照輸入量的個(gè)數(shù)可對(duì)應(yīng)設(shè)置預(yù)設(shè)隸屬度函數(shù)的個(gè)數(shù)。為了去除每個(gè)輸入量的不同量綱，可采用歸一化處理，將每一個(gè)移動(dòng)衛(wèi)星的每一組輸入量歸一化到[0,1]論域范圍上。具體歸一化公式如下：

其中，x表示實(shí)際輸入量，xmax表示對(duì)應(yīng)該輸入量的最大量，xmin表示對(duì)應(yīng)該輸入量的最小量，y表示歸一化后的輸入量。

將輸入量歸一化在[0,1]論域范圍上后，按照預(yù)設(shè)模糊語(yǔ)言集中與該輸入量對(duì)應(yīng)的模糊語(yǔ)言的分級(jí)個(gè)數(shù)，將每個(gè)預(yù)設(shè)隸屬度函數(shù)平均分布在[0,1]論域范圍內(nèi)，確定出至少一個(gè)粗略隸屬函數(shù)。

其次，利用至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度，對(duì)應(yīng)替換至少一個(gè)粗略隸屬函數(shù)形成的圖像的峰值以每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)。

雖然梯形/三角形隸屬度函數(shù)有方程簡(jiǎn)單和計(jì)算效率高的優(yōu)點(diǎn)，但其不可導(dǎo)的特性使其在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)難以進(jìn)行。本發(fā)明實(shí)施例采用可微可導(dǎo)的高斯隸屬度函數(shù)μa(xi)，如下所示：

其中，xi表示至少一個(gè)輸入量的第i個(gè)輸入量的值，mi表示與第i個(gè)輸入量對(duì)應(yīng)的隸屬度函數(shù)的峰值點(diǎn)的橫坐標(biāo)，σi表示第i個(gè)輸入對(duì)應(yīng)的隸屬度函數(shù)的標(biāo)準(zhǔn)差。

一個(gè)預(yù)設(shè)模糊語(yǔ)言集對(duì)應(yīng)n個(gè)隸屬度函數(shù)組成的隸屬度函數(shù)簇，n為模糊語(yǔ)言集的中模糊語(yǔ)言的個(gè)數(shù)。

假設(shè)輸入層給模糊化層傳輸了n個(gè)輸入量，模糊化層對(duì)n個(gè)輸入量模糊化處理，則模糊化層共有節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)表示一個(gè)輸入量對(duì)應(yīng)的mi個(gè)隸屬度函數(shù)。本發(fā)明采用高斯隸屬度函數(shù)，則對(duì)于第i個(gè)輸入量的第j個(gè)隸屬函數(shù)的節(jié)點(diǎn)有：

其中，表示輸入量i對(duì)應(yīng)第j個(gè)高斯隸屬度函數(shù)輸出的隸屬度值，cij表示輸入量i對(duì)應(yīng)第j個(gè)高斯隸屬度函數(shù)的中心、bij表示輸入量i對(duì)應(yīng)第j個(gè)高斯隸屬度函數(shù)的寬度，n表示輸入的數(shù)量，mi表示第i個(gè)輸入量對(duì)應(yīng)的模糊子集數(shù)。

根據(jù)該公式，可畫出至少一個(gè)輸入量的圖像，利用確定的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度，對(duì)應(yīng)替換該圖像的峰值以及每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)。

例如，圖2所示的本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)圖像變化圖。在圖2中，橫坐標(biāo)表示導(dǎo)頻信號(hào)強(qiáng)度，縱坐標(biāo)表示利用預(yù)設(shè)導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)計(jì)算得到隸屬度。圖2的左圖表示根據(jù)上述高斯公式以及按照預(yù)設(shè)模糊語(yǔ)言集中與導(dǎo)頻信號(hào)強(qiáng)度模糊語(yǔ)言形成的預(yù)設(shè)導(dǎo)頻信號(hào)強(qiáng)度的隸屬度函數(shù)圖像。根據(jù)導(dǎo)頻信號(hào)強(qiáng)度模糊語(yǔ)言5個(gè)等級(jí)(分別對(duì)應(yīng)圖2中低l、較低sl、中m、較高sh、高s)，將高斯公式下的導(dǎo)頻信號(hào)強(qiáng)度平均分配在[0,1]論域范圍內(nèi)，形成導(dǎo)頻信號(hào)強(qiáng)度粗略隸屬函數(shù)的圖像。利用確定出的導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)的中心、導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)的寬度，對(duì)應(yīng)替換導(dǎo)頻信號(hào)強(qiáng)度粗略隸屬函數(shù)形成的圖像的峰值以每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為目標(biāo)模糊邏輯切換模型的導(dǎo)頻信號(hào)強(qiáng)度隸屬度函數(shù)，得到圖2的右圖所示的目標(biāo)模糊邏輯切換模型的導(dǎo)頻信號(hào)強(qiáng)度屬度函數(shù)圖像。

圖3為的本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的衛(wèi)星負(fù)載隸屬度函數(shù)圖像變化圖。在圖3中，橫坐標(biāo)表示衛(wèi)星負(fù)載，縱坐標(biāo)利用預(yù)設(shè)衛(wèi)星負(fù)載的隸屬度函數(shù)計(jì)算得到隸屬度。圖3中左圖表示根據(jù)上述高斯公式以及按照預(yù)設(shè)模糊語(yǔ)言集中與衛(wèi)星負(fù)載模糊語(yǔ)言形成的預(yù)設(shè)衛(wèi)星負(fù)載的隸屬度函數(shù)圖像。根據(jù)衛(wèi)星負(fù)載模糊語(yǔ)言3個(gè)等級(jí)(分別對(duì)應(yīng)圖3中低l、中m、高s)，將高斯公式下的衛(wèi)星負(fù)載平均分配在[0,1]論域范圍內(nèi)，形成衛(wèi)星負(fù)載粗略隸屬函數(shù)的圖像。利用確定出的衛(wèi)星負(fù)載隸屬度函數(shù)的中心、衛(wèi)星負(fù)載隸屬度函數(shù)的寬度，對(duì)應(yīng)替換衛(wèi)星負(fù)載粗略隸屬函數(shù)形成的圖像的峰值以每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為目標(biāo)模糊邏輯切換模型的衛(wèi)星負(fù)載隸屬度函數(shù)，得到圖2的右圖所示的目標(biāo)模糊邏輯切換模型的衛(wèi)星負(fù)載隸屬度函數(shù)圖像。

最后，通過(guò)預(yù)設(shè)模糊推理規(guī)則以及最優(yōu)模糊輸出結(jié)果向量，確定目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則。

步驟五，將至少一個(gè)隸屬度函數(shù)以及模糊推理規(guī)則對(duì)應(yīng)的模糊邏輯切換模型，確定為目標(biāo)模糊邏輯切換模型。

可見，通過(guò)本發(fā)明實(shí)施例，可確定出當(dāng)前用戶環(huán)境下的模糊邏輯切換模型，將該模糊邏輯切換模型確定為目標(biāo)模糊邏輯切換模型，通過(guò)該目標(biāo)模糊邏輯切換模型得到最后的切換因子更適合當(dāng)前用戶的網(wǎng)絡(luò)環(huán)境，使得切換更加準(zhǔn)確。

本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法的目標(biāo)模糊邏輯切換模型結(jié)構(gòu)圖，如圖4所示。本發(fā)明實(shí)施例的目標(biāo)模糊邏輯切換模型在功能上可等價(jià)于tsk(takagi-sugeno-kang)模糊模型。

在該目標(biāo)模糊邏輯切換模型結(jié)構(gòu)圖中，按照功能可劃分成5個(gè)部分，第一部分為用戶終端以及覆蓋該用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的輸入端，即為輸入層。從圖4中可知，在該輸入端每次獲取到用戶終端以及覆蓋該用戶終端的至少一個(gè)衛(wèi)星中的一個(gè)衛(wèi)星的一組輸入量。如圖4中所示的用戶終端的導(dǎo)頻信號(hào)強(qiáng)度xrsrp、衛(wèi)星負(fù)載xl、用戶密集度xuc以及衛(wèi)星能夠使用的帶寬xub。

第二部分為對(duì)輸入的至少一個(gè)輸入量模糊化處理，輸入至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，即為模糊化層。第三部分為按照目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則π對(duì)每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果模糊推理，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果n，即為規(guī)則層。將每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果綜合得到σ，根據(jù)每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果運(yùn)算得到每組輸入量的切換因子，輸出切換因子，即為與結(jié)論層與輸出層。

通過(guò)該目標(biāo)模糊邏輯切換模型結(jié)構(gòu)，實(shí)現(xiàn)將至少一個(gè)輸入量模糊化在清晰化，最終得到一組至少一個(gè)輸入量對(duì)應(yīng)的切換因子。與上述目標(biāo)模糊邏輯切換模型結(jié)構(gòu)對(duì)應(yīng)的過(guò)程可如圖5所示。

圖5中表示，在該目標(biāo)模糊邏輯切換模型輸入層獲取到至少一個(gè)輸入量后，將每組至少一個(gè)輸入量輸入到模糊化層。該模糊化層的模糊控制器中設(shè)置有模糊化模塊，模糊化模塊中與每個(gè)輸入量對(duì)應(yīng)的模糊化子模塊1到模糊化子模塊n的多個(gè)隸屬度函數(shù)對(duì)輸入量處理，以及通過(guò)預(yù)設(shè)模糊語(yǔ)言集中與該輸入量對(duì)應(yīng)的模糊語(yǔ)言集的模糊化，得到每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果。通過(guò)預(yù)設(shè)模糊語(yǔ)言集對(duì)每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果推理，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果。通過(guò)清晰化運(yùn)算得到每個(gè)衛(wèi)星的切換因子。

可選地，在本發(fā)明實(shí)施例的衛(wèi)星網(wǎng)絡(luò)切換方法的一種實(shí)施例中，在目標(biāo)模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，包括：

在本發(fā)明實(shí)施例中選取了用戶終端測(cè)量參數(shù)2個(gè)，衛(wèi)星統(tǒng)計(jì)測(cè)量參數(shù)4個(gè)，其中需要注意的是用戶端的位置坐標(biāo)和移動(dòng)衛(wèi)星的位置坐標(biāo)信息不是直接作為輸入，而是先通過(guò)計(jì)算得到預(yù)估計(jì)服務(wù)時(shí)間后目標(biāo)模糊邏輯切換模型中。本發(fā)明實(shí)施例可輸入用戶終端的衛(wèi)星負(fù)載s、預(yù)估計(jì)服務(wù)時(shí)間t，衛(wèi)星終端的衛(wèi)星負(fù)載l、衛(wèi)星能夠使用的帶寬w和用戶密集度dt。具體獲取如下:

步驟一，在目標(biāo)模糊邏輯切換模型的輸入層，獲取用戶終端的導(dǎo)頻衛(wèi)星負(fù)載以及用戶終端的位置坐標(biāo)；

步驟二，獲取覆蓋用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星負(fù)載、至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的用戶密集度、至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星能夠使用的帶寬以及至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)；

步驟三，通過(guò)用戶終端的位置坐標(biāo)以及覆蓋用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)，確定用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，獲取用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間。

可見，本發(fā)明通過(guò)并行輸入機(jī)制同時(shí)輸入多個(gè)輸入量進(jìn)行模糊化處理。通過(guò)本發(fā)明實(shí)施例獲取多個(gè)輸入量，解決了的基于功率、基于用戶密度、基于位置信息的切換方法中輸入?yún)?shù)單一考慮因素單一的問(wèn)題，將多個(gè)參數(shù)綜合考慮最終得出更加準(zhǔn)確的切換因子。

可選地，在本發(fā)明實(shí)施例的衛(wèi)星網(wǎng)絡(luò)切換方法的一種實(shí)施例中，根據(jù)目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子，包括：

將至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果對(duì)應(yīng)到目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則中，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果；

在本步驟中，在模糊化層對(duì)至少一個(gè)輸入量模糊化處理后，輸入至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果到規(guī)則層以及結(jié)論層。通過(guò)目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則對(duì)每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果。

具體地，本發(fā)明實(shí)施例的目標(biāo)模糊切換模型可采用tsk(takagi-sugeno-kang)模糊模型，tsk模糊模型的采用的模糊推理規(guī)則如下：

rulei:if(xrsrpisa1)and...and(xucisc1)

thenf(i)＝pixrerp+....qixuc+rixub+si(1≤i≤m)

這里的pi、qi、ri和si是第i條規(guī)則對(duì)應(yīng)的模糊系統(tǒng)參數(shù)。n表示模糊推理規(guī)則的數(shù)目。pi、qi、ri和si稱為后向參數(shù)，在訓(xùn)練過(guò)程的會(huì)做權(quán)重調(diào)整。

在本發(fā)明實(shí)施例中，通過(guò)確定的最優(yōu)模糊輸出結(jié)果向量將上述模糊推理規(guī)則中的所有參數(shù)修正，可將上述模糊推理規(guī)則變?yōu)槿缦滦问降哪繕?biāo)模糊邏輯切換模型的模糊推理規(guī)則：

其中，表示第i個(gè)輸入量的模糊語(yǔ)言集，表示實(shí)際輸入的一組至少一個(gè)輸入量，f(i)表示根據(jù)第i條模糊推理規(guī)則輸出的當(dāng)前用戶與第i個(gè)衛(wèi)星的一組輸入量的模糊輸出結(jié)果。

根據(jù)上述公式，得到當(dāng)前用戶每個(gè)衛(wèi)星的每組輸入量的模糊輸出結(jié)果。

將每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果對(duì)應(yīng)與每個(gè)規(guī)則歸一化適用度相乘，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子。

在本步驟中，規(guī)則層以及結(jié)論層通過(guò)建立與模糊化層之間的全連接，與該模糊化層的預(yù)設(shè)模糊語(yǔ)言集進(jìn)行組合匹配，通過(guò)輸入模糊值的“與”運(yùn)算，實(shí)現(xiàn)與該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則的前件匹配，將每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果通過(guò)圓形結(jié)點(diǎn)乘積起來(lái)產(chǎn)生ωi：

其中，k表示第i個(gè)輸入量對(duì)應(yīng)的某一個(gè)隸屬度函數(shù)的序號(hào)，節(jié)點(diǎn)數(shù)目為

將上述公式歸一化，得到每個(gè)規(guī)則歸一化適用度ψi：

將每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果對(duì)應(yīng)與每個(gè)規(guī)則歸一化適用度相乘，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子。

可通過(guò)如下公式計(jì)算切換因子：

可見，根據(jù)目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子，可實(shí)現(xiàn)得到的切換因子更加準(zhǔn)確，是適用于當(dāng)前用戶終端的網(wǎng)路環(huán)境。

為達(dá)到上述發(fā)明目的，本發(fā)明實(shí)施例還公開了一種衛(wèi)星網(wǎng)絡(luò)切換裝置，如圖6所示，圖6為本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換裝置示意圖，包括：

模型確定模塊601，用于根據(jù)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，確定至少一個(gè)參數(shù)以及至少一個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)模糊邏輯切換模型，其中，至少一個(gè)輸入量至少包括用戶終端的導(dǎo)頻信號(hào)強(qiáng)度、衛(wèi)星負(fù)載、衛(wèi)星的用戶密集度、衛(wèi)星能夠使用的帶寬、用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，至少一個(gè)參數(shù)包括至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度以及最優(yōu)模糊輸出結(jié)果向量；

輸入量獲取模塊602，用于根據(jù)目標(biāo)模糊邏輯切換模型，在目標(biāo)模糊邏輯切換模型的輸入層獲取用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量；

推理結(jié)果確定模塊603，用于按照與至少一個(gè)輸入量對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)、目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集，對(duì)至少一個(gè)輸入量模糊化處理，得到用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果；

切換因子確定模塊604，用于根據(jù)目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則、用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子；

切換模塊605，用于選擇大于預(yù)設(shè)持續(xù)時(shí)間的至少一個(gè)衛(wèi)星中的至少一個(gè)待切換衛(wèi)星、對(duì)應(yīng)的切換因子中最大的切換因子，將切換因子對(duì)應(yīng)的待切換衛(wèi)星確定為目標(biāo)衛(wèi)星，將用戶終端切換到目標(biāo)衛(wèi)星下。

本發(fā)明實(shí)施例提供的一種衛(wèi)星網(wǎng)絡(luò)切換裝置，通過(guò)歷史數(shù)據(jù)或者在線數(shù)據(jù)確定的目標(biāo)模糊邏輯切換模型，通過(guò)該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則以及目標(biāo)模糊邏輯切換模型的預(yù)設(shè)模糊語(yǔ)言集對(duì)至少一個(gè)輸入量模糊化，該目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則修正了傳統(tǒng)方法中的模糊推理規(guī)則，不過(guò)于依賴專家經(jīng)驗(yàn)得到適應(yīng)不同網(wǎng)絡(luò)環(huán)境的模糊推理規(guī)則，從而使得模糊推理更加準(zhǔn)確。通過(guò)目標(biāo)模糊邏輯切換模型、修正的隸屬度函數(shù)以及模糊推理規(guī)則，得到的覆蓋用戶終端的所有衛(wèi)星的切換因子更加準(zhǔn)確。通過(guò)將用戶終端切換到大于預(yù)設(shè)持續(xù)時(shí)間中大于預(yù)設(shè)切換因子的最大的切換因子對(duì)應(yīng)的衛(wèi)星下，可減少切換的頻率，實(shí)現(xiàn)增強(qiáng)衛(wèi)星網(wǎng)絡(luò)切換的自適應(yīng)性與穩(wěn)定性。本發(fā)明實(shí)施例的一種衛(wèi)星網(wǎng)絡(luò)切換方法及裝置，綜合考慮了網(wǎng)絡(luò)狀況和移動(dòng)終端的信號(hào)狀況和位置信息，最終實(shí)現(xiàn)穩(wěn)定、低頻率的為用戶終端切換可使用的移動(dòng)衛(wèi)星。

需要說(shuō)明的是，本發(fā)明實(shí)施例的裝置是應(yīng)用上述一種衛(wèi)星網(wǎng)絡(luò)切換方法的裝置，則上述衛(wèi)星網(wǎng)絡(luò)切換方法的所有實(shí)施例均適用于該裝置，且均能達(dá)到相同或相似的有益效果。

可選地，模型確定模塊601，包括：

期望切換因子確定子模塊，用于根據(jù)用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量的歷史數(shù)據(jù)或者在線數(shù)據(jù)，獲取至少一組用戶終端以及覆蓋用戶終端的至少一個(gè)衛(wèi)星的至少一個(gè)輸入量，通過(guò)預(yù)設(shè)切換因子，確定小于預(yù)設(shè)誤差下的最優(yōu)切換因子；

第一確定子模塊，用于通過(guò)混合最速下降法和最小均方估計(jì)，確定最優(yōu)切換因子對(duì)應(yīng)的至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度；

第二確定子模塊，用于通過(guò)預(yù)設(shè)切換因子向量、預(yù)設(shè)規(guī)則歸一化適用度向量，確定在最小誤差能量狀況下的輸出切換因子向量對(duì)應(yīng)的模糊輸出結(jié)果向量，將模糊輸出結(jié)果向量確定為最優(yōu)模糊輸出結(jié)果向量；

第三確定子模塊，用于根據(jù)至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度，確定目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)，以及根據(jù)最優(yōu)模糊輸出結(jié)果向量，確定目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則；

模型確定子模塊，用于將至少一個(gè)隸屬度函數(shù)以及模糊推理規(guī)則對(duì)應(yīng)的模糊邏輯切換模型，確定為目標(biāo)模糊邏輯切換模型。

可選地，第三確定子模塊，包括：

粗略隸屬函數(shù)確定單元，用于按照預(yù)設(shè)模糊語(yǔ)言集中與每個(gè)預(yù)設(shè)隸屬度函數(shù)對(duì)應(yīng)的模糊語(yǔ)言等級(jí)個(gè)數(shù)，將每個(gè)預(yù)設(shè)隸屬度函數(shù)平均分布在論域范圍內(nèi)，確定至少一個(gè)粗略隸屬函數(shù)；

隸屬度函數(shù)確定單元，用于利用至少一個(gè)隸屬度函數(shù)的中心、至少一個(gè)隸屬度函數(shù)的寬度，對(duì)應(yīng)替換至少一個(gè)粗略隸屬函數(shù)形成的圖像的峰值以及每個(gè)峰值間的寬度，將替換后的圖像對(duì)應(yīng)的隸屬度函數(shù)確定為目標(biāo)模糊邏輯切換模型的至少一個(gè)隸屬度函數(shù)；

模糊推理規(guī)則確定單元，用于通過(guò)預(yù)設(shè)模糊推理規(guī)則以及最優(yōu)模糊輸出結(jié)果向量，確定目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則。

可選地，輸入量獲取模塊602，包括：

第一輸入量獲取子模塊，用于在目標(biāo)模糊邏輯切換模型的輸入層，獲取用戶終端的導(dǎo)頻信號(hào)強(qiáng)度以及用戶終端的位置坐標(biāo)；

第二輸入量獲取子模塊，用于獲取覆蓋用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星負(fù)載、至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的用戶密集度、至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的衛(wèi)星能夠使用的帶寬以及至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)；

第三輸入量獲取子模塊，用于通過(guò)用戶終端的位置坐標(biāo)以及覆蓋用戶終端的至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的位置坐標(biāo)，確定用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間，獲取用戶終端能夠利用至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的時(shí)間。

可選地，切換因子確定模塊605，包括：

模糊判決信息確定子模塊，用于將至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的每個(gè)輸入量對(duì)應(yīng)的模糊推理結(jié)果對(duì)應(yīng)到目標(biāo)模糊邏輯切換模型的模糊推理規(guī)則中，得到每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果；

切換因子確定子模塊，用于將每個(gè)衛(wèi)星的每個(gè)輸入量的模糊輸出結(jié)果對(duì)應(yīng)與每個(gè)規(guī)則歸一化適用度相乘，對(duì)應(yīng)確定至少一個(gè)衛(wèi)星中每個(gè)衛(wèi)星的切換因子。

需要說(shuō)明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說(shuō)明書中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說(shuō)明即可。

以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。