车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法技术

本发明专利技术涉及一种车联网环境下基于隐贝叶斯分类方法的垂直切换算法，该算法充分考虑了先验网络属性之间的依赖关系，考虑了网络切换判决变量间的联系，削弱了朴素贝叶斯分类方法中由于属性条件独立假设而引发性能下降，同时维持了原算法的复杂度。引入了速度自适应条件加权概率，使算法更好的考虑了速度对网络性能的影响，更好的适应了车辆节点不断变化的速度。与原有基于朴素贝叶斯决策的算法相比，该算法挺高了切换效率，降低了切换时产生的“乒乓效应”；同时自适应的匹配车辆节点的速度，可以规避不符合速度的网络，避免接入不匹配速度的网络。

Vertical handover algorithm based on Hidden Naive Bayesian Classification in Vehicle Networking

The present invention relates to a vertical handoff algorithm based on Hidden Bayesian Classification in the environment of vehicular networking. The algorithm fully considers the dependence relationship between prior network attributes and the relationship between network handoff decision variables, thus weakening the performance degradation in Naive Bayesian Classification due to the assumption that attribute conditions are independent. At the same time, the complexity of the original algorithm is maintained. The weighted probability of speed adaptive condition is introduced, which makes the algorithm better consider the influence of speed on network performance and better adapt to the changing speed of vehicle nodes. Compared with the original algorithm based on naive Bayesian decision-making, this algorithm improves the switching efficiency and reduces the \ping-pong effect\ when switching. At the same time, the adaptive matching speed of vehicle nodes can avoid the network that does not match the speed and avoid access to the network that does not match the speed.

【技术实现步骤摘要】
车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法
本专利技术属于车联网
，更具体的，涉及一种车联网环境下基于隐朴素贝叶斯分类方法的自适应垂直切换算法。
技术介绍
车与网络的不间断连接是车联网相关研究中一个关键性问题，网络连接直接决定着车辆节点在车联网中是否可以及时准确获取相关信息的保证，如何维持稳定、高效且安全的交通网络显得尤为重要。车辆节点具有速度高，变化快，随机性强等特点，一些网络自身特性也难以满足连接，导致通讯链路连接时间过短，甚至发生连接中断，产生网络负载不均衡等现象。
技术实现思路
本专利技术要解决的技术问题是提供一种车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法，该算法通过引入隐朴素贝叶斯分类方法(HNB)，加强判决属性间的相关性，同时不会大幅增加算法的复杂度，最后加入一种随速度变换的后验加权函数，自动适应由于速度变换所导致的网络属性变化，从而进一步降低切换次数，维持原算法的复杂度层级，提供了更好的切换效果。为了解决上述技术问题，本专利技术的车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法包括下述步骤：步骤一.选取切换参数；步骤二.基于隐朴素贝叶斯分类方法构建联本文档来自技高网...

【技术保护点】
1.本专利技术的车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法包括下述步骤：步骤一.选取切换参数；步骤二.基于隐朴素贝叶斯分类方法构建联合先验概率；步骤三.自适应网络优先级后验概率设定；步骤四.网络切换判决；在步骤一中，选取信号强度RSS(d)，最大传输速率C(d)，误码率BER(d)以及汽车运动趋势ΔD(d)作为切换参数；(1)通过香农定理计算最大传输速率C(d)：C(d)＝Wlog2(1+s/n)其中，W为目标切换网络带宽，s/n为网络信噪比；(2)计算误码率BER(d)：

【技术特征摘要】
1.本发明的车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法包括下述步骤：步骤一.选取切换参数；步骤二.基于隐朴素贝叶斯分类方法构建联合先验概率；步骤三.自适应网络优先级后验概率设定；步骤四.网络切换判决；在步骤一中，选取信号强度RSS(d)，最大传输速率C(d)，误码率BER(d)以及汽车运动趋势ΔD(d)作为切换参数；(1)通过香农定理计算最大传输速率C(d)：C(d)＝Wlog2(1+s/n)其中，W为目标切换网络带宽，s/n为网络信噪比；(2)计算误码率BER(d)：其中，I(d)为干扰信号强度，Q(x)为标准正态分布函数；(3)计算汽车运动趋势ΔD：其中，M为采集次数，K1为网络发送功率，K2为网络路径损失因子，u(x)为阴影衰落为服从参数(0,1)的高斯随机分布函数；其中，当短时间内距离信号接入点的距离变小即ΔD＜0时车辆正在接近信号接入点，反之ΔD＞0时，车辆远离接入点；在步骤二中，所述基于隐朴素贝叶斯分类方法构建联合先验概率，首先通过车载传感器收集信号强度RS(Sd)，其他C(d)、BER(d)、ΔD(d)通过计算生成训练集E,E＝(E1,E2,…Ei,…EM)，其中Ei＝[RSS(di),C(di),BER(di),ΔD(di)]，根据训练集将信号强度RSS(d)，最大传输速率C(d)，误码率BER(d)以及汽车运动趋势ΔD(d)概率化，得到单个切换属性变量的先验概率；(1)基于信号强度的切换概率Pt1：Pt1＝P(RSS(di)＜η)其中，η表示车辆节点与目标网络连接所需的最小信号强度阈值；(2)基于最大...

【专利技术属性】
技术研发人员：丛玉良，冯达，朱路飞，任柏寒，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22