自從第一代移動(dòng)通信設(shè)備問(wèn)世以來(lái),移動(dòng)通信網(wǎng)絡(luò)經(jīng)過(guò)近幾十年的快速發(fā)展,已經(jīng)形成了龐大的規(guī)模�，F(xiàn)如今,2G、3G和4G網(wǎng)絡(luò)并存,5G也逐漸建成和商用,網(wǎng)絡(luò)環(huán)境日益復(fù)雜,產(chǎn)生的問(wèn)題也越來(lái)越多。為了更好的解決網(wǎng)絡(luò)問(wèn)題,提高工作效率,采用人工智能算法進(jìn)行網(wǎng)絡(luò)優(yōu)化是未來(lái)發(fā)展的趨勢(shì)。機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種常見(jiàn)途徑,它能夠使機(jī)器學(xué)習(xí)到人類(lèi)的行為,自主的進(jìn)行學(xué)習(xí)判斷。利用機(jī)器學(xué)習(xí)的特性,可以將網(wǎng)絡(luò)優(yōu)化中的專(zhuān)家經(jīng)驗(yàn),轉(zhuǎn)換成機(jī)器自主分析學(xué)習(xí)的能力,從而實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化的智能化。本文介紹了網(wǎng)絡(luò)優(yōu)化的相關(guān)知識(shí)和流程,總結(jié)了當(dāng)前常用的機(jī)器學(xué)習(xí)方法,就機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)優(yōu)化中的應(yīng)用進(jìn)行了研究,在基于路測(cè)數(shù)據(jù)的網(wǎng)絡(luò)質(zhì)差小區(qū)研究和基于測(cè)量報(bào)告(MR)數(shù)據(jù)的上行干擾分類(lèi)研究中提出了新的優(yōu)化思路。針對(duì)現(xiàn)階段路測(cè)分析主要依靠人工,路測(cè)數(shù)據(jù)應(yīng)用不足這一問(wèn)題,本文利用小區(qū)數(shù)量較少的路測(cè)數(shù)據(jù),提出了一種基于距離的四維特征的質(zhì)差小區(qū)檢測(cè)方法。該方法采用人工判斷和聚類(lèi)算法相結(jié)合的方式對(duì)路測(cè)數(shù)據(jù)進(jìn)行標(biāo)定,對(duì)比分析了基于距離的四維特征和傳統(tǒng)的兩維特征的提取效果,并在邏輯回歸分類(lèi)器、決策樹(shù)分類(lèi)器、支持向量機(jī)(SVM)分類(lèi)器和k近鄰(kNN)分類(lèi)器這4種分類(lèi)器中進(jìn)行分類(lèi),得到效果最好的分類(lèi)器。在LTE網(wǎng)絡(luò)優(yōu)化中,降低或消除上行干擾是首要任務(wù)。本文描述了目前FDD-LTE網(wǎng)絡(luò)上行干擾優(yōu)化方式,并根據(jù)現(xiàn)網(wǎng)進(jìn)行上行干擾排查的判別標(biāo)準(zhǔn)和工作原理,設(shè)計(jì)實(shí)驗(yàn)實(shí)現(xiàn)智能化的上行干擾優(yōu)化方法。首先對(duì)樣本數(shù)據(jù)(MRO)中的上行干擾數(shù)據(jù)提取有意義的統(tǒng)計(jì)干擾特征,結(jié)合上行干擾機(jī)制和優(yōu)化經(jīng)驗(yàn)進(jìn)行干擾類(lèi)型標(biāo)注。然后對(duì)決策樹(shù)和隨機(jī)森林進(jìn)行分析和比較,確定隨機(jī)森林解決問(wèn)題的優(yōu)勢(shì),并建立基于隨機(jī)森林的FDD_LTE上行干擾分類(lèi)模型。為了改善上行干擾數(shù)據(jù)的不平衡性帶來(lái)的問(wèn)題,本文最后利用S-隨機(jī)森林算法和加權(quán)隨機(jī)森林進(jìn)行分類(lèi),并分析了人工合成少數(shù)類(lèi)過(guò)采樣技術(shù)(SMOTE)算法和加權(quán)隨機(jī)森林的類(lèi)權(quán)重對(duì)分類(lèi)結(jié)果的影響,設(shè)定了最合適的算法參數(shù),使得基于改進(jìn)的隨機(jī)森林上行干擾分類(lèi)模型獲得最優(yōu)劃分,進(jìn)一步提高了上行干擾分類(lèi)的精度。
【學(xué)位單位】：山東建筑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類(lèi)】：TN929.5;TP181
【部分圖文】：

山東建筑大學(xué)碩士學(xué)位論文-21-圖3.1RSRP好點(diǎn)比例圖圖3.2SINR好點(diǎn)比例圖從圖3.1和圖3.2可以看出，數(shù)據(jù)點(diǎn)集中在0.7~1之間，說(shuō)明117個(gè)小區(qū)里，覆蓋率較好的小區(qū)或者干擾較弱的小區(qū)占比較高。優(yōu)良小區(qū)集中分布，呈現(xiàn)較好的集聚現(xiàn)象。由此可得，特征能將優(yōu)良小區(qū)和網(wǎng)絡(luò)質(zhì)差小區(qū)區(qū)分出來(lái)，可以用分類(lèi)器進(jìn)行分類(lèi)。3.2.4數(shù)據(jù)標(biāo)定目前對(duì)于網(wǎng)絡(luò)質(zhì)差小區(qū)的檢測(cè)，很大程度上依據(jù)的是網(wǎng)絡(luò)優(yōu)化工作人員的經(jīng)驗(yàn)。傳統(tǒng)的路測(cè)，需要網(wǎng)絡(luò)優(yōu)化工作人員結(jié)合多個(gè)質(zhì)量指標(biāo)的統(tǒng)計(jì)數(shù)據(jù)，使用路測(cè)分析軟件對(duì)小區(qū)進(jìn)行判斷和評(píng)估，存在正確率不夠、效率低下等問(wèn)題。為了提高基于路測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)質(zhì)差小區(qū)檢測(cè)的效率，更為準(zhǔn)確的判斷小區(qū)的優(yōu)劣情

山東建筑大學(xué)碩士學(xué)位論文-22-況，采用聚類(lèi)算法結(jié)合人工標(biāo)注的方法進(jìn)行標(biāo)定。本研究采用的聚類(lèi)算法為k-means算法。先利用k-means聚類(lèi)算法，將k值設(shè)定為2，即將所有的小區(qū)劃分為兩類(lèi)，簡(jiǎn)單分析后將優(yōu)良小區(qū)標(biāo)注為1，質(zhì)差小區(qū)標(biāo)注為0。聚類(lèi)的結(jié)果，為網(wǎng)絡(luò)優(yōu)化工作人員提供了檢查的條件，得到更為精準(zhǔn)的標(biāo)注結(jié)果。網(wǎng)絡(luò)優(yōu)化人員結(jié)合聚類(lèi)結(jié)果，在路測(cè)分析軟件上進(jìn)行分析，將結(jié)果進(jìn)一步細(xì)化，得到最終的判斷結(jié)果。如圖3.3所示，在PCI為115的小區(qū)中有近一半的信號(hào)點(diǎn)的RSRP值低于閾值，因此小區(qū)覆蓋下的信號(hào)強(qiáng)度不理想，應(yīng)為質(zhì)差小區(qū)。同時(shí)查看聚類(lèi)結(jié)果，PCI為115的小區(qū)的標(biāo)注值為0，則聚類(lèi)結(jié)果正確，小區(qū)判定為質(zhì)差小區(qū)。對(duì)于聚類(lèi)結(jié)果和人工判斷不一致的小區(qū)，則交給另一位人員進(jìn)行判斷，得到最終標(biāo)注結(jié)果，減少了誤判率，提高了工作的效率和判斷的準(zhǔn)確率。圖3.3路測(cè)軟件分析圖3.3實(shí)驗(yàn)設(shè)計(jì)本文提出的基于路測(cè)數(shù)據(jù)的網(wǎng)絡(luò)質(zhì)差小區(qū)檢測(cè)方法的整體流程圖如圖3.4所示。首先在路測(cè)軟件中，根據(jù)信號(hào)信息和基站信息在地理地圖上的顯示，對(duì)每一個(gè)小區(qū)的網(wǎng)絡(luò)質(zhì)量情況進(jìn)行判斷，并對(duì)其優(yōu)劣進(jìn)行標(biāo)注。之后將原始的路測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，得到一個(gè)沒(méi)有錯(cuò)誤的數(shù)據(jù)集。然后根據(jù)設(shè)定，提取二維特征和基于距離因素的四維特征，并對(duì)其使用k-means算法進(jìn)行聚類(lèi)分析，輔助人工對(duì)質(zhì)差小區(qū)的標(biāo)注進(jìn)行修正，能更加準(zhǔn)確的實(shí)現(xiàn)對(duì)質(zhì)差小區(qū)的標(biāo)注。最后將二維特征和基于距離因素的四維特征，分別輸入到選擇的分類(lèi)器中，比較得出最終結(jié)果。

山東建筑大學(xué)碩士學(xué)位論文-25-圖3.5混淆矩陣圖3.6ROC曲線由圖3.5可得，人工標(biāo)注質(zhì)差小區(qū)為43個(gè)，其中有38個(gè)被正確預(yù)測(cè)為質(zhì)差小區(qū)，有5個(gè)被錯(cuò)誤的預(yù)測(cè)為優(yōu)良小區(qū)；人工標(biāo)注優(yōu)良小區(qū)為74個(gè)，有71個(gè)被成功預(yù)測(cè)為優(yōu)良小區(qū)，3個(gè)被錯(cuò)誤預(yù)測(cè)為質(zhì)差小區(qū)�？梢钥闯�，SVM分類(lèi)器對(duì)于四維特征的分類(lèi)效果良好，錯(cuò)誤分類(lèi)在可接受的范圍內(nèi)。ROC曲線的橫軸代表假正類(lèi)率，縱軸代表真正類(lèi)率，曲線可以直觀的顯出不同分界值時(shí)分類(lèi)器的性能。AUC是ROC曲線下的面積，為不大于1的正數(shù)，數(shù)值越大，說(shuō)明
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬娟娟;潘泉;梁彥;胡勁文;趙春暉;王華夏;;基于深度優(yōu)先隨機(jī)森林分類(lèi)器的目標(biāo)檢測(cè)[J];中國(guó)慣性技術(shù)學(xué)報(bào);2018年04期

2 師彥文;王宏杰;;基于新型不純度度量的代價(jià)敏感隨機(jī)森林分類(lèi)器[J];計(jì)算機(jī)科學(xué);2017年S2期

3 王麗婷;丁曉青;方馳;;基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2009年04期

4 王愛(ài)平;萬(wàn)國(guó)偉;程志全;李思昆;;支持在線學(xué)習(xí)的增量式極端隨機(jī)森林分類(lèi)器[J];軟件學(xué)報(bào);2011年09期

5 于煥杰;杜子芳;;基于隨機(jī)森林的企業(yè)監(jiān)管方法研究[J];管理世界;2017年09期

6 張萌;李國(guó)強(qiáng);姚思涵;郭盼盼;紀(jì)曉寧;黃敏;王雪梅;王妍;馮任南;;中國(guó)北方成年居民膳食氨基酸攝入與肥胖關(guān)系的研究[J];哈爾濱醫(yī)科大學(xué)學(xué)報(bào);2019年06期

7 徐凱;孫贊東;;基于隨機(jī)森林方法的地震插值方法研究[J];石油科學(xué)通報(bào);2018年01期

8 盛曉欣;田翔華;周毅;;基于隨機(jī)森林癲癇患者腦電數(shù)據(jù)的分析研究[J];中國(guó)數(shù)字醫(yī)學(xué);2020年01期

9 畢瑤家;劉國(guó)柱;王華東;孫馳;付兆殊;;改進(jìn)隨機(jī)森林算法在人才培養(yǎng)質(zhì)量評(píng)價(jià)中的應(yīng)用[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2020年07期

10 沈智勇;蘇翀;周揚(yáng);沈智威;;一種面向非均衡分類(lèi)的隨機(jī)森林算法[J];計(jì)算機(jī)與現(xiàn)代化;2018年12期

相關(guān)博士學(xué)位論文 前10條

1 王曉軍;基于大數(shù)據(jù)的風(fēng)洞馬赫數(shù)集成建模方法的研究[D];東北大學(xué);2016年

2 王鑫;基于隨機(jī)森林的認(rèn)知網(wǎng)絡(luò)頻譜感知算法研究[D];東北大學(xué);2016年

3 姚登舉;面向醫(yī)學(xué)數(shù)據(jù)的隨機(jī)森林特征選擇及分類(lèi)方法研究[D];哈爾濱工程大學(xué);2016年

4 黃玥;VANET信息安全問(wèn)題及異常檢測(cè)技術(shù)研究[D];吉林大學(xué);2017年

5 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預(yù)測(cè)研究[D];合肥工業(yè)大學(xué);2017年

6 張瑞;內(nèi)蒙古高新區(qū)創(chuàng)新能力機(jī)器學(xué)習(xí)評(píng)價(jià)及指標(biāo)預(yù)測(cè)[D];天津大學(xué);2013年

7 李海生;基于證據(jù)理論的分類(lèi)方法研究[D];華南理工大學(xué);2013年

8 金超;基于隨機(jī)森林的醫(yī)學(xué)影像分割算法研究及應(yīng)用[D];蘇州大學(xué);2017年

9 倪強(qiáng);基于隨機(jī)前沿和隨機(jī)森林法的沿海開(kāi)發(fā)區(qū)發(fā)展效率研究[D];天津大學(xué);2011年

10 趙東;基于群智能優(yōu)化的機(jī)器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 邵星;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)優(yōu)化關(guān)鍵技術(shù)研究[D];山東建筑大學(xué);2020年

2 王肇宇;層級(jí)隨機(jī)森林算法及其在人體活動(dòng)識(shí)別應(yīng)用研究[D];電子科技大學(xué);2013年

3 魏正韜;基于非平衡數(shù)據(jù)的隨機(jī)森林算法研究[D];西安電子科技大學(xué);2017年

4 汪政元;基于優(yōu)化的隨機(jī)森林方法的企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究[D];暨南大學(xué);2017年

5 許東;基于隨機(jī)森林的創(chuàng)業(yè)板公司財(cái)務(wù)危機(jī)預(yù)警研究[D];中南財(cái)經(jīng)政法大學(xué);2019年

6 蔡艷麗;校園互聯(lián)網(wǎng)借貸用戶行為特征分析[D];中南財(cái)經(jīng)政法大學(xué);2019年

7 邵聰聰;購(gòu)房者偏好視角下的北京二手房源分類(lèi)研究[D];中南財(cái)經(jīng)政法大學(xué);2019年

8 侯美君;“租購(gòu)并舉”下90后租購(gòu)房意愿分析[D];中南財(cái)經(jīng)政法大學(xué);2019年

9 延昭;基于隨機(jī)森林方法進(jìn)行量化投資交易的實(shí)證研究[D];西南財(cái)經(jīng)大學(xué);2019年

10 李欣芮;基于組合模型的銷(xiāo)售量預(yù)測(cè)及優(yōu)化[D];華北電力大學(xué)(北京);2019年

本文編號(hào)：2874806