自從第一代移動通信設備問世以來,移動通信網絡經過近幾十年的快速發(fā)展,已經形成了龐大的規(guī)�！，F如今,2G、3G和4G網絡并存,5G也逐漸建成和商用,網絡環(huán)境日益復雜,產生的問題也越來越多。為了更好的解決網絡問題,提高工作效率,采用人工智能算法進行網絡優(yōu)化是未來發(fā)展的趨勢。機器學習是實現人工智能的一種常見途徑,它能夠使機器學習到人類的行為,自主的進行學習判斷。利用機器學習的特性,可以將網絡優(yōu)化中的專家經驗,轉換成機器自主分析學習的能力,從而實現網絡優(yōu)化的智能化。本文介紹了網絡優(yōu)化的相關知識和流程,總結了當前常用的機器學習方法,就機器學習在網絡優(yōu)化中的應用進行了研究,在基于路測數據的網絡質差小區(qū)研究和基于測量報告(MR)數據的上行干擾分類研究中提出了新的優(yōu)化思路。針對現階段路測分析主要依靠人工,路測數據應用不足這一問題,本文利用小區(qū)數量較少的路測數據,提出了一種基于距離的四維特征的質差小區(qū)檢測方法。該方法采用人工判斷和聚類算法相結合的方式對路測數據進行標定,對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,并在邏輯回歸分類器、決策樹分類器、支持向量機(SVM)分類器和k近鄰(kNN)分類器這4種分類器中進行分類,得到效果最好的分類器。在LTE網絡優(yōu)化中,降低或消除上行干擾是首要任務。本文描述了目前FDD-LTE網絡上行干擾優(yōu)化方式,并根據現網進行上行干擾排查的判別標準和工作原理,設計實驗實現智能化的上行干擾優(yōu)化方法。首先對樣本數據(MRO)中的上行干擾數據提取有意義的統(tǒng)計干擾特征,結合上行干擾機制和優(yōu)化經驗進行干擾類型標注。然后對決策樹和隨機森林進行分析和比較,確定隨機森林解決問題的優(yōu)勢,并建立基于隨機森林的FDD_LTE上行干擾分類模型。為了改善上行干擾數據的不平衡性帶來的問題,本文最后利用S-隨機森林算法和加權隨機森林進行分類,并分析了人工合成少數類過采樣技術(SMOTE)算法和加權隨機森林的類權重對分類結果的影響,設定了最合適的算法參數,使得基于改進的隨機森林上行干擾分類模型獲得最優(yōu)劃分,進一步提高了上行干擾分類的精度。
【學位單位】：山東建筑大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TN929.5;TP181
【部分圖文】：

山東建筑大學碩士學位論文-21-圖3.1RSRP好點比例圖圖3.2SINR好點比例圖從圖3.1和圖3.2可以看出，數據點集中在0.7~1之間，說明117個小區(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，呈現較好的集聚現象。由此可得，特征能將優(yōu)良小區(qū)和網絡質差小區(qū)區(qū)分出來，可以用分類器進行分類。3.2.4數據標定目前對于網絡質差小區(qū)的檢測，很大程度上依據的是網絡優(yōu)化工作人員的經驗。傳統(tǒng)的路測，需要網絡優(yōu)化工作人員結合多個質量指標的統(tǒng)計數據，使用路測分析軟件對小區(qū)進行判斷和評估，存在正確率不夠、效率低下等問題。為了提高基于路測數據對網絡質差小區(qū)檢測的效率，更為準確的判斷小區(qū)的優(yōu)劣情

山東建筑大學碩士學位論文-22-況，采用聚類算法結合人工標注的方法進行標定。本研究采用的聚類算法為k-means算法。先利用k-means聚類算法，將k值設定為2，即將所有的小區(qū)劃分為兩類，簡單分析后將優(yōu)良小區(qū)標注為1，質差小區(qū)標注為0。聚類的結果，為網絡優(yōu)化工作人員提供了檢查的條件，得到更為精準的標注結果。網絡優(yōu)化人員結合聚類結果，在路測分析軟件上進行分析，將結果進一步細化，得到最終的判斷結果。如圖3.3所示，在PCI為115的小區(qū)中有近一半的信號點的RSRP值低于閾值，因此小區(qū)覆蓋下的信號強度不理想，應為質差小區(qū)。同時查看聚類結果，PCI為115的小區(qū)的標注值為0，則聚類結果正確，小區(qū)判定為質差小區(qū)。對于聚類結果和人工判斷不一致的小區(qū)，則交給另一位人員進行判斷，得到最終標注結果，減少了誤判率，提高了工作的效率和判斷的準確率。圖3.3路測軟件分析圖3.3實驗設計本文提出的基于路測數據的網絡質差小區(qū)檢測方法的整體流程圖如圖3.4所示。首先在路測軟件中，根據信號信息和基站信息在地理地圖上的顯示，對每一個小區(qū)的網絡質量情況進行判斷，并對其優(yōu)劣進行標注。之后將原始的路測數據進行預處理，得到一個沒有錯誤的數據集。然后根據設定，提取二維特征和基于距離因素的四維特征，并對其使用k-means算法進行聚類分析，輔助人工對質差小區(qū)的標注進行修正，能更加準確的實現對質差小區(qū)的標注。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器中，比較得出最終結果。

山東建筑大學碩士學位論文-25-圖3.5混淆矩陣圖3.6ROC曲線由圖3.5可得，人工標注質差小區(qū)為43個，其中有38個被正確預測為質差小區(qū)，有5個被錯誤的預測為優(yōu)良小區(qū)；人工標注優(yōu)良小區(qū)為74個，有71個被成功預測為優(yōu)良小區(qū)，3個被錯誤預測為質差小區(qū)�？梢钥闯觯琒VM分類器對于四維特征的分類效果良好，錯誤分類在可接受的范圍內。ROC曲線的橫軸代表假正類率，縱軸代表真正類率，曲線可以直觀的顯出不同分界值時分類器的性能。AUC是ROC曲線下的面積，為不大于1的正數，數值越大，說明
【相似文獻】

相關期刊論文 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)先隨機森林分類器的目標檢測[J];中國慣性技術學報;2018年04期

2 師彥文;王宏杰;;基于新型不純度度量的代價敏感隨機森林分類器[J];計算機科學;2017年S2期

3 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關鍵點精確定位方法[J];清華大學學報(自然科學版)網絡.預覽;2009年04期

4 王愛平;萬國偉;程志全;李思昆;;支持在線學習的增量式極端隨機森林分類器[J];軟件學報;2011年09期

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

6 張萌;李國強;姚思涵;郭盼盼;紀曉寧;黃敏;王雪梅;王妍;馮任南;;中國北方成年居民膳食氨基酸攝入與肥胖關系的研究[J];哈爾濱醫(yī)科大學學報;2019年06期

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

8 盛曉欣;田翔華;周毅;;基于隨機森林癲癇患者腦電數據的分析研究[J];中國數字醫(yī)學;2020年01期

9 畢瑤家;劉國柱;王華東;孫馳;付兆殊;;改進隨機森林算法在人才培養(yǎng)質量評價中的應用[J];計算機系統(tǒng)應用;2020年07期

10 沈智勇;蘇翀;周揚;沈智威;;一種面向非均衡分類的隨機森林算法[J];計算機與現代化;2018年12期

相關博士學位論文 前10條

1 王曉軍;基于大數據的風洞馬赫數集成建模方法的研究[D];東北大學;2016年

2 王鑫;基于隨機森林的認知網絡頻譜感知算法研究[D];東北大學;2016年

3 姚登舉;面向醫(yī)學數據的隨機森林特征選擇及分類方法研究[D];哈爾濱工程大學;2016年

4 黃玥;VANET信息安全問題及異常檢測技術研究[D];吉林大學;2017年

5 季斌;內蒙古浩布高地區(qū)多金屬礦綜合信息找礦預測研究[D];合肥工業(yè)大學;2017年

6 張瑞;內蒙古高新區(qū)創(chuàng)新能力機器學習評價及指標預測[D];天津大學;2013年

7 李海生;基于證據理論的分類方法研究[D];華南理工大學;2013年

8 金超;基于隨機森林的醫(yī)學影像分割算法研究及應用[D];蘇州大學;2017年

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

10 趙東;基于群智能優(yōu)化的機器學習方法研究及應用[D];吉林大學;2017年

相關碩士學位論文 前10條

1 邵星;基于機器學習的網絡優(yōu)化關鍵技術研究[D];山東建筑大學;2020年

2 王肇宇;層級隨機森林算法及其在人體活動識別應用研究[D];電子科技大學;2013年

3 魏正韜;基于非平衡數據的隨機森林算法研究[D];西安電子科技大學;2017年

4 汪政元;基于優(yōu)化的隨機森林方法的企業(yè)信用風險評價研究[D];暨南大學;2017年

5 許東;基于隨機森林的創(chuàng)業(yè)板公司財務危機預警研究[D];中南財經政法大學;2019年

6 蔡艷麗;校園互聯網借貸用戶行為特征分析[D];中南財經政法大學;2019年

7 邵聰聰;購房者偏好視角下的北京二手房源分類研究[D];中南財經政法大學;2019年

8 侯美君;“租購并舉”下90后租購房意愿分析[D];中南財經政法大學;2019年

9 延昭;基于隨機森林方法進行量化投資交易的實證研究[D];西南財經大學;2019年

10 李欣芮;基于組合模型的銷售量預測及優(yōu)化[D];華北電力大學(北京);2019年

本文編號：2874806