基于机器学习的网络优化关键技术研究

发布时间：2020-11-08 12:48

　　 自从第一代移动通信设备问世以来,移动通信网络经过近几十年的快速发展,已经形成了庞大的规模。现如今,2G、3G和4G网络并存,5G也逐渐建成和商用,网络环境日益复杂,产生的问题也越来越多。为了更好的解决网络问题,提高工作效率,采用人工智能算法进行网络优化是未来发展的趋势。机器学习是实现人工智能的一种常见途径,它能够使机器学习到人类的行为,自主的进行学习判断。利用机器学习的特性,可以将网络优化中的专家经验,转换成机器自主分析学习的能力,从而实现网络优化的智能化。本文介绍了网络优化的相关知识和流程,总结了当前常用的机器学习方法,就机器学习在网络优化中的应用进行了研究,在基于路测数据的网络质差小区研究和基于测量报告(MR)数据的上行干扰分类研究中提出了新的优化思路。针对现阶段路测分析主要依靠人工,路测数据应用不足这一问题,本文利用小区数量较少的路测数据,提出了一种基于距离的四维特征的质差小区检测方法。该方法采用人工判断和聚类算法相结合的方式对路测数据进行标定,对比分析了基于距离的四维特征和传统的两维特征的提取效果,并在逻辑回归分类器、决策树分类器、支持向量机(SVM)分类器和k近邻(kNN)分类器这4种分类器中进行分类,得到效果最好的分类器。在LTE网络优化中,降低或消除上行干扰是首要任务。本文描述了目前FDD-LTE网络上行干扰优化方式,并根据现网进行上行干扰排查的判别标准和工作原理,设计实验实现智能化的上行干扰优化方法。首先对样本数据(MRO)中的上行干扰数据提取有意义的统计干扰特征,结合上行干扰机制和优化经验进行干扰类型标注。然后对决策树和随机森林进行分析和比较,确定随机森林解决问题的优势,并建立基于随机森林的FDD_LTE上行干扰分类模型。为了改善上行干扰数据的不平衡性带来的问题,本文最后利用S-随机森林算法和加权随机森林进行分类,并分析了人工合成少数类过采样技术(SMOTE)算法和加权随机森林的类权重对分类结果的影响,设定了最合适的算法参数,使得基于改进的随机森林上行干扰分类模型获得最优划分,进一步提高了上行干扰分类的精度。
【学位单位】：山东建筑大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TN929.5;TP181
【部分图文】：

山东建筑大学硕士学位论文-21-图3.1RSRP好点比例图图3.2SINR好点比例图从图3.1和图3.2可以看出，数据点集中在0.7~1之间，说明117个小区里，覆盖率较好的小区或者干扰较弱的小区占比较高。优良小区集中分布，呈现较好的集聚现象。由此可得，特征能将优良小区和网络质差小区区分出来，可以用分类器进行分类。3.2.4数据标定目前对于网络质差小区的检测，很大程度上依据的是网络优化工作人员的经验。传统的路测，需要网络优化工作人员结合多个质量指标的统计数据，使用路测分析软件对小区进行判断和评估，存在正确率不够、效率低下等问题。为了提高基于路测数据对网络质差小区检测的效率，更为准确的判断小区的优劣情

山东建筑大学硕士学位论文-22-况，采用聚类算法结合人工标注的方法进行标定。本研究采用的聚类算法为k-means算法。先利用k-means聚类算法，将k值设定为2，即将所有的小区划分为两类，简单分析后将优良小区标注为1，质差小区标注为0。聚类的结果，为网络优化工作人员提供了检查的条件，得到更为精准的标注结果。网络优化人员结合聚类结果，在路测分析软件上进行分析，将结果进一步细化，得到最终的判断结果。如图3.3所示，在PCI为115的小区中有近一半的信号点的RSRP值低于阈值，因此小区覆盖下的信号强度不理想，应为质差小区。同时查看聚类结果，PCI为115的小区的标注值为0，则聚类结果正确，小区判定为质差小区。对于聚类结果和人工判断不一致的小区，则交给另一位人员进行判断，得到最终标注结果，减少了误判率，提高了工作的效率和判断的准确率。图3.3路测软件分析图3.3实验设计本文提出的基于路测数据的网络质差小区检测方法的整体流程图如图3.4所示。首先在路测软件中，根据信号信息和基站信息在地理地图上的显示，对每一个小区的网络质量情况进行判断，并对其优劣进行标注。之后将原始的路测数据进行预处理，得到一个没有错误的数据集。然后根据设定，提取二维特征和基于距离因素的四维特征，并对其使用k-means算法进行聚类分析，辅助人工对质差小区的标注进行修正，能更加准确的实现对质差小区的标注。最后将二维特征和基于距离因素的四维特征，分别输入到选择的分类器中，比较得出最终结果。

山东建筑大学硕士学位论文-25-图3.5混淆矩阵图3.6ROC曲线由图3.5可得，人工标注质差小区为43个，其中有38个被正确预测为质差小区，有5个被错误的预测为优良小区；人工标注优良小区为74个，有71个被成功预测为优良小区，3个被错误预测为质差小区。可以看出，SVM分类器对于四维特征的分类效果良好，错误分类在可接受的范围内。ROC曲线的横轴代表假正类率，纵轴代表真正类率，曲线可以直观的显出不同分界值时分类器的性能。AUC是ROC曲线下的面积，为不大于1的正数，数值越大，说明
【相似文献】

相关期刊论文 前10条

1 马娟娟;潘泉;梁彦;胡劲文;赵春晖;王华夏;;基于深度优先随机森林分类器的目标检测[J];中国惯性技术学报;2018年04期

2 师彦文;王宏杰;;基于新型不纯度度量的代价敏感随机森林分类器[J];计算机科学;2017年S2期

3 王丽婷;丁晓青;方驰;;基于随机森林的人脸关键点精确定位方法[J];清华大学学报(自然科学版)网络.预览;2009年04期

4 王爱平;万国伟;程志全;李思昆;;支持在线学习的增量式极端随机森林分类器[J];软件学报;2011年09期

5 于焕杰;杜子芳;;基于随机森林的企业监管方法研究[J];管理世界;2017年09期

6 张萌;李国强;姚思涵;郭盼盼;纪晓宁;黄敏;王雪梅;王妍;冯任南;;中国北方成年居民膳食氨基酸摄入与肥胖关系的研究[J];哈尔滨医科大学学报;2019年06期

7 徐凯;孙赞东;;基于随机森林方法的地震插值方法研究[J];石油科学通报;2018年01期

8 盛晓欣;田翔华;周毅;;基于随机森林癫痫患者脑电数据的分析研究[J];中国数字医学;2020年01期

9 毕瑶家;刘国柱;王华东;孙驰;付兆殊;;改进随机森林算法在人才培养质量评价中的应用[J];计算机系统应用;2020年07期

10 沈智勇;苏翀;周扬;沈智威;;一种面向非均衡分类的随机森林算法[J];计算机与现代化;2018年12期

相关博士学位论文 前10条

1 王晓军;基于大数据的风洞马赫数集成建模方法的研究[D];东北大学;2016年

2 王鑫;基于随机森林的认知网络频谱感知算法研究[D];东北大学;2016年

3 姚登举;面向医学数据的随机森林特征选择及分类方法研究[D];哈尔滨工程大学;2016年

4 黄玥;VANET信息安全问题及异常检测技术研究[D];吉林大学;2017年

5 季斌;内蒙古浩布高地区多金属矿综合信息找矿预测研究[D];合肥工业大学;2017年

6 张瑞;内蒙古高新区创新能力机器学习评价及指标预测[D];天津大学;2013年

7 李海生;基于证据理论的分类方法研究[D];华南理工大学;2013年

8 金超;基于随机森林的医学影像分割算法研究及应用[D];苏州大学;2017年

9 倪强;基于随机前沿和随机森林法的沿海开发区发展效率研究[D];天津大学;2011年

10 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年

相关硕士学位论文 前10条

1 邵星;基于机器学习的网络优化关键技术研究[D];山东建筑大学;2020年

2 王肇宇;层级随机森林算法及其在人体活动识别应用研究[D];电子科技大学;2013年

3 魏正韬;基于非平衡数据的随机森林算法研究[D];西安电子科技大学;2017年

4 汪政元;基于优化的随机森林方法的企业信用风险评价研究[D];暨南大学;2017年

5 许东;基于随机森林的创业板公司财务危机预警研究[D];中南财经政法大学;2019年

6 蔡艳丽;校园互联网借贷用户行为特征分析[D];中南财经政法大学;2019年

7 邵聪聪;购房者偏好视角下的北京二手房源分类研究[D];中南财经政法大学;2019年

8 侯美君;“租购并举”下90后租购房意愿分析[D];中南财经政法大学;2019年

9 延昭;基于随机森林方法进行量化投资交易的实证研究[D];西南财经大学;2019年

10 李欣芮;基于组合模型的销售量预测及优化[D];华北电力大学(北京);2019年

本文编号：2874806