[发明专利]基于模式识别的切换自优化方法

权利要求书

1.一种基于模式识别的切换自优化方法，其特征在于，包括以下步骤：

S1、对网络中的切换行为进行检测和统计，所述切换行为分为正常切换行为和异常切换行为；

S2、利用假设检验的方法，根据S1所统计的结果对切换行为进行识别，当识别出切换异常行为时执行步骤S3；

S3、根据贝叶斯决策方法以及当前网络的状态调整相应的网络切换参数，从而实现切换自优化。

2.如权利要求1所述的方法，其特征在于，所述异常切换行为分为过早切换行为和过晚切换行为，在步骤S1中，在预设的检测周期内对所述正常切换行为和异常切换行为的数量分别进行统计。

3.如权利要求1所述的方法，其特征在于，步骤S2中对切换行为进行识别的步骤具体为：

假设网络中过早切换行为和过晚切换行为出现的概率相同，则根据中心极限定理将步骤S1的切换行为统计结果描述为服从数学期望μ₀＝0.5的高斯分布，对于数学期望落在(0.5-x，0.5+x)范围内的切换行为，识别为正常切换行为；对于数学期望落在小于或等于0.5-x范围的切换行为，识别为过早切换行为，对于数学期望落在大于或等于0.5+x范围的切换行为，识别为过晚切换行为，x为正实数。

4.如权利要求3所述的方法，其特征在于，正实数σ表示所述高斯分布的标准差，n表示检测到的切换行为样本的个数，α表示置信度，μ_α/2表示高斯分布中用于划分不同样本类型的边界位置的分位点，且置信度α＝P{|U|≥μ_α/2}，其中，统计量表示检测到的任一切换行为样本，所述样本类型包括正常切换行为样本、过早切换行为样本和过晚切换行为样本。

5.如权利要求4所述的方法，其特征在于，步骤S3具体为：

S31、将任一异常切换行为样本的贝叶斯概率表示为：

P(ωi|X)=P(X|ωi)P(ωi)P(X)]]>

其中，ω_i表示异常切换行为，i＝1或2，而X为检测周期内统计得到的异常切换行为样本集，P(X|ω_i)表示在异常切换行为ω_i的情况下，样本集X出现的概率，P(ω_i)表示异常切换行为ω_i出现的先验概率，P(X)表示样本集X出现的先验概率；

S32、调整网络切换参数，以使函数最小，其中a表示调整网络切换参数的行为，S表示当前网络的状态，λ(a|ω_i，S)表示在当前网络状态S发生异常切换行为ω_i的情况下，执行调整网络切换参数的行为a时所产生的风险，参数调整的方式为：如果为过晚切换行为则增大小区特定偏置CIO，如果为过早切换行为，则减小CIO。

6.如权利要求5所述的方法，其特征在于，在步骤S32之后包括步骤S33：将当前网络可以接受的最大切换失败率设为A，在步骤S32进行参数调整后，判断网络切换失败率是否低于A，若是，则更新网络切换参数，否则进一步调整网络切换参数，以降低切换失败率。

7.如权利要求5所述的方法，其特征在于，所述网络的状态为繁忙或空闲。