近年来,高速铁路和移动通信系统发展迅速,窄带通信技术GSM-R已经无法满足这种高移动性场景。下一代铁路移动通信(Future Railway Mobile Communication System,FRMCS)中的LTE-R比GSM-R拥有以下优点:一是具有扁平化的网络结构,使得时延更短;二是以OFDM为关键技术,增加了频谱效率,降低了网络部署和维护成本,在性能上有较大的提升;三是MIMO技术充分利用空间资源,多输入多输出的发射方式增加了系统的信道容量;四是LTE-R支持高速移动的终端环境,最高能达到500km/h,更加适应高速移动的场景。LTE-R系统中切换的主要步骤包括切换测量阶段、切换判决和切换执行阶段。影响切换发生的因素有切换迟滞参数(Hys)、切换触发时延(TTT)和切换触发门限。基于A3事件的切换算法为铁路移动通信切换算法中应用最广的切换算法。基于A3事件的算法主要涉及两个参数:切换迟滞门限参数和切换触发时延。目前,多数学者研究LTE-R系统切换算法大多数是在A3事件基础上进行的,但是基于A3事件的越区切换算法存在判决不准确、乒乓效应发生率高和掉话率高等固有问题,越区切换的容错性不高。而随着铁路运行速率的提升,多普勒效应越发明显,切换时间越来越短,传统的A3算法已经不能满足高速铁路的通信需要,迫切需要更优秀的越区切换算法。近些年来,机器学习(包括深度学习)算法在如图像分类、语音识别等方面取得了巨大的成功。其算法通过特征学习的方式,可以自主学习得到期望模型的深层细微特征,具有容错性高、适应性广的优点,其中神经网络算法可以达到传统算法的成功率并降低运算复杂度,具有更强的优势。针对LTE-R越区切换算法中,基于A3事件的越区切换算法在列车高速运行时,容易出现乒乓效应(PPHO)和无线链路连接失败(RLF)的问题,本文提出了基于径向基函数(Radial Basis Function,RBF)神经网络的越区切换优化算法。该算法首先大量采集特定环境中列车不同运行速度(0-100m/s)时切换效果较好的Hys和TTT参数集,送入RBF神经网络中进行训练,RBF神经网络包含一层输入层、一层隐含层和一层输出层,隐含层的神经元数由试凑法确定,RBF神经网络参数更新使用聚类算法。网络训练完成后得到不同速度下的Hys和TTT的非线性模型,然后根据列车接收到的参考信号接收质量(RARQ),加入自校正项对Hys和TTT进行二次调整和优化。最后在MATLAB仿真平台上进行实验,结果表明该算法相对A3算法减少了掉话率和乒乓效应发生率,能够有效的提高列车在高速运行环境下的切换成功率,并增加了鲁棒性。RBF神经网络越区切换优化算法存在隐含层到输出层的权值矩阵收敛速度较慢的问题。为改善该问题,本文使用灰狼算法优化RBF神经网络。首先令被优化的RBF神经网络权值矩阵为灰狼算法中的狼群个体,通过设计的适应度函数给出每个个体的适应度,不断更新?狼,直到模型收敛或达到指定停止条件。为了克服灰狼算法存在的中后期收敛速率慢、容易陷入局部极大值或极小值和未考虑自身经验的问题,本文引入粒子群算法(PSO)中的记忆功能对其改进,通过设计灰狼个体更新的权值,加快算法在中后期的收敛速率,并增加了全局搜索能力,减小了陷入局部极大值或极小值的概率。仿真实验的结果表明,优化后的算法能够更好地搜索全局最优解,进一步提升了切换成功率,实现了更好的切换效果。对算法复杂度的分析结果表明,改进的算法时延较短,具有更好的实时性。