1.一种基于区间二型模糊神经网络的垂直切换算法，应用于超密集异构无线网络中，由5G宏基站和微基站密集组网的无线蜂窝网络与无线局域网异构而成，其特征在于，垂直切换包括以下步骤：

101、在网络预筛选阶段，定义历史接入率，历史接入率表示过去单位时间内该网络接入的用户数与时间的比值，结合当前候选网络集的数目设置阈值，根据接收信号强度和剩余可用带宽，对用户接收范围内的所有网络进行初步筛选；

102、然后在垂直切换判决阶段，将剩余候选网络的时延、丢包率以及误码率作为区间二型模糊神经网络的输入，利用前馈神经网络的结构完成模糊逻辑推理，经训练之后计算得到输出判决值，从而选择最佳接入网络。

2.根据权利要求1所述的一种基于区间二型模糊神经网络的垂直切换方法，其特征在于，所述步骤101中，定义的历史接入率v为：其中，Num_Users为过去单位时间内该网络接入的用户数，T表示单位时间；

根据该候选网络的历史接入率v和CNS_1中其他剩余网络数目Num_Net设置相应的阈值Th，若该候选网络的历史接入率和剩余候选网络集数目均比较大，那么阈值也相应的增大，即:Th＝Num_Net×v                    (2)

当候选网络的接收信号强度和剩余可用带宽同时满足条件式(3)时:

RSSnew表示候选网络的接收信号强度，RSSold表示当前接入网络的接收信号强度，HY表示滞后余量；

考虑在网络通信场景中有m个用户U＝(u1,u2,…,um),n个网络N＝(N1,N2,…,Nn),在时刻t,用户与网络的连接关系矩阵如下所示:其中，a＝1,…,m,表示第a个用户,b＝1,…,n,表示第b个网络.

其中假设连接在同一个网络下的用户占用等分的带宽为BW_ua，假设每个网络的总带宽均为BW_totel，则在t时刻，第b个网络的剩余可用带宽为:其中， 为网络b接入进来的用户总数。

3.根据权利要求1所述的一种基于区间二型模糊神经网络的垂直切换算法，其特征在于，步骤102的垂直切换判决阶段以前馈神经网络的结构实现了区间二型模糊逻辑的推理过程，包含了6层神经元节点，第一层为输入层，有三个输入参数，分别是候选网络的时延D、误码率BER和丢包率PLR:x＝(xD,xBER,xPLR)T                        (7)第二层为隶属函数层,进行输入参数的模糊化。本文采用区间二型模糊逻辑,将上述三个网络参数的精确输入值转换为模糊量,模糊等级设置为“低”、“中”、“高”,表示网络参数属于此模糊集合的程度。通过区间二型隶属函数将其映射于一个区域中,而并不是像一型模糊逻辑系统中的一型隶属函数,仅仅将其映射于一个[0,1]区间上的值,区域中的值更具有随机性。常用的隶属函数有三角形隶属函数、钟形隶属函数、梯形隶属函数以及高斯型隶属函数等。由于隶属函数需要在学习阶段推导,因此本章选取易于推导的高斯型隶属函数作为主隶属函数,次隶属函数是区间集,次隶属函数的高度,也就是隶属度, 均设置为1,能极大降低计算复杂度。其中具有不确定均值的高斯型主隶属函数为:其中,k＝1,...,3表示分别表示模糊等级“低”、“中”、“高”,在本文后续部分用i＝

1,...,3分别表示网络的三个输入参数:时延D、误码率BER和丢包率PLR。其中分别表示上下界隶属函数,其中,表示第不确定均值,σ为标准差。即该层每个节点的输出为一个区间。以候选网络的时延为例,其区间二型隶属度函数如图4所示。

第三层为模糊规则层,其中每个节点分别与第二层对应三个输入的任一节点相连。每个输入语言变量包含3个模糊集,该层中的每个节点对应不同模糊集的组合,因此该层共有

33＝27个节点。每个节点对应一条模糊规则,对节点上的输入数据采用模糊与操作,常用的模糊与运算为最小运算或乘积运算。本章通过对第二层的输出进行乘积运算计算每条规则的激发强度:其中j＝1,2,...,M表示规则数。

第四层为后续参数层,该层与第三层为全互连,其每个节点都是第三层每个规则节点的后续节点,以一个线性模型表示第三层与第四层的连接权值。该层每个节点的输出即为连接权值,表示每条规则的置信度。由于以往规则的置信度依赖于专家经验,有较强的主观性,因此本章在学习训练过程中利用神经网络对该权值进行调整。权值计算如下:即该层每个节点的输出上、下界分别为:

其中x0≡1, 与 的初始值为随机设置。

第五层为输出处理层,该层计算每个输出的上、下边界值,输出函数结合了第三层和第四层的输出,设计因子 可以自适应的调整上下值,而不需要使用K-M迭代过程来寻找L和R端点。K-M迭代过程的使用是形式化的,但在这种情况下,当规则数量较大时,我们可以使用q因子来降低二型模糊逻辑系统的复杂性,因此第五层的输出为:第六层为降型层,是一型去模糊化过程的扩展。任意二型模糊集的降型的计算复杂度是非常高的,为简化计算复杂性,本文利用取平均值的方法计算得到输出:区间二型模糊神经网络的结构本质上可以看做一个多层前馈网络，采用梯度下降法进行误差训练，采用随机值作为初始权值，包括区间二型隶属函数的标准差和不确定均值、每条规则的初始后件参数以及设计因子；根据网络的时延、误码率和丢包率，生成400组指定范围内的随机值作为训练数据集，将其作为模糊逻辑系统的输入，计算得到期望值；将同一个训练数据集作为IT2FNN的输入，每输入一组训练数据，计算得到实际的输出值，将其与期望值进行误差计算；沿着误差减小的方向，从系统第六层向前修正权值，随着不断学习，误差越来越小，直至无限接近0，即训练结束，此训练过程采用离线训练的方式；

经神经网络学习训练之后，得到使整个切换判决系统更加稳定的权值，计算得到CNS_2中每个候选网络的最终输出值y，选出该值最大的候选网络，进行垂直切换，为终端用户提供更优的服务。