基于神经网络的移动主机路径预测

论文摘要

基于IEEE 802.11的无线局域网(WLAN)目前得到了广泛的应用,语音、视频等实时通信业务的应用越来越多,这对无线局域网的服务质量(QoS)提出了很高的要求。但是无线局域网较小的小区半径导致了比较频繁的越区切换,进而对移动终端应用的QoS造成较大的影响。一些方案已经被提出用来解决这个问题。其中的一类方案主要采用提前切换的方法来减少切换带来的影响。在这类方案中,对移动主机的下一跳的预测就至关重要。本文经过选择,首先应用神经网络中的误差反传(BP)网络、Elman网络分别对移动主机的移动路径进行预测作了尝试,并进行了相关的理论和试验分析,指出了这两种神经网络在路径预测应用中的优点和缺陷;在此基础上,针对Elman网络中只引入了隐含层神经元的反馈,而没有考虑输出层神经元的反馈的情况,提出了一个改进的Elman神经网络模型,计入了输出节点的反馈,应用BP算法推导出这种网络模型的学习算法,并且利用离散型的Lyapunov稳定性方法证明了算法的收敛条件,得到了保证网络稳定收敛的最佳学习速率。通过理论分析和实际数据集的试验证明,该神经网络模型能够以较小的存储空间和较快的计算速度获得与K阶Markov模型相近的预测精度,具有较好的实际应用价值。

论文目录

• 提要
• 第一章 绪论
• 1.1 无线局域网体系结构
• 1.2 研究路径预测的背景及意义
• 1.2.1 无线局域网中MH的移动切换
• 1.2.2 研究路径预测的意义
• 1.3 本文的主要工作及结构安排
• 第二章 用于移动主机路径预测的MARKOV 模型
• 2.1 马尔可夫过程
• 2.2 用于移动主机路径预测的Markov模型
• 2.2.1 二阶的Markov预测器
• 2.2.2 Markov预测器的优点和缺陷
• 第三章 神经网络基本理论
• 3.1 神经网络概述
• 3.1.1 神经网络的发展应用
• 3.1.2 神经网络特点
• 3.1.3 神经网络的拓扑结构
• 3.1.4 神经网络的学习方式和规则
• 3.2 BP（误差反传）网络简介
• 3.2.1 BP网络基本原理
• 3.2.2 BP网络数学模型和BP算法实现
• 3.2.3 BP网络的缺陷和改进
• 3.3 Elman神经网络模型
• 3.3.1 Elman网络基本原理
• 3.3.2 Elman网络数学模型
• 3.3.3 Elman网络的优点和缺陷
• 第四章 用于移动主机路径预测的神经网络仿真及实现
• 4.1 仿真环境
• 4.1.1 MATLAB简介
• 4.1.2 Neurosolution简介
• 4.2 数据样本的建立
• 4.2.1 样本数据的来源
• 4.2.2 样本数据的提取
• 4.3 BP网络仿真实现
• 4.3.1 建立移动主机路径预测模型
• 4.3.2 试验结果及分析
• 4.4 Elman网络仿真实现
• 4.4.1 建立移动主机路径预测模型
• 4.4.2 试验结果及分析
• 4.5 改进的Elman神经网络模型
• 4.5.1 网络学习算法
• 4.5.2 算法收敛性分析
• 4.5.3 仿真试验
• 第五章 总结与展望
• 参考文献
• 摘要
• Abstract
• 致谢
• 导师及作者简介