Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,For internal use only,#,Nokia Siemens Networks,R 255 G 211 B 8,R 255 G 175 B 0,R 127 G 16 B 162,R 163 G 166 B 173,R 137 G 146 B 155,R 175 G 0 B 51,R 52 G 195 B 51,R 0 G 0 B 0,R 255 G 255 B 255,Primary colours:,Supporting colours:,數據挖掘在優(yōu)化中的應用,-,決策樹,-,神經網絡,數據挖掘解釋,數據挖掘，又稱為數據庫中知識發(fā)現（,Knowledge discovery from database,，簡稱,KDD,），它是一個從大量數據中抽取挖掘出未知的、有價值的模式或規(guī)律等知識的復雜過程。數據挖掘的全過程定義描述如下,:,常用模型,決策樹：該模型常常可以用來檢驗、預測離散型的數據。如客戶的信用等級，貸款的優(yōu)良與否等等。,人工神經網絡：這是對人體大腦的模擬,.,該方法利用隱藏的一到兩層，對數據進行分類或預測。但是速度比較慢。,多元回歸：主要用于處理連續(xù)型的自變量和應變量，并可用于預測和其他分析。,Logistic,回歸：與線性回歸類似，但處理離散型的應變量比較合適,K-means,和聚類分析：主要用于分類,Kohonen self-organizing maps:,是一種類似神經網絡，但主要用于聚類的分析工具。,關聯準則：主要用于尋找在數據中頻繁發(fā)生的記錄間的關系，并可用于預測。,分類,(classification),；,估計,(estimation),；,預測,(prediction),；,關聯分組,(affinity grouping),；,聚類,(clustering),。,數據挖掘的功能,數據挖掘功能與模型,決策樹的應用,Link Adaption,優(yōu)化,神經網絡的應用,TDMR,的定位,數據挖掘的應用,決策樹的概念,所謂決策樹就是一個類似流程圖的樹型結構，其中樹的每個內部結點代表對一個屬性（取值）的測試，其分支就代表測試的每個結果；而樹的每個葉結點就代表一個類別。樹的最高層結點就是根結點,.,類別型,數值型,應用場景,兩者關系很難通過其它函數關系不明確,難以建立映射,.,一條直線或者簡單的曲線很難將內容分割,決策樹生成方法,找出,起,始的分隔,:,用,來評估,一,個分,隔,數,的衡量,標準,是分散度（,diversity,）。分散度指,標,（,index of diversity,）很高，表示,這個組,合中包含,平,均分配到多個類別，而分散度指,標,很低,則,表示一,個單,一,類,別的,成員居優(yōu)勢,。,最好的分隔,變數,是能夠,降低,一,個,組的分散度，而且,降,得最多。,即下面式子,最大化：,分散度（分隔前）,分散度（分隔,后,左,邊,子集,合）分散度（分隔,后,右,邊,子集合）,數據業(yè)務對語音的影響,數據對業(yè)務信道的擠占,造成語音半速率比例增加,MOS,值的下降,影響用戶的感受,;,數據對業(yè)務信道擠占的同時,與語音共享頻率資源,對語音質量的影響,;,數據對公共信道的擠占,造成尋呼的負荷增加,影響語音業(yè)務的被叫,;,如何改善,?,提高單時隙的傳輸數據效率,減小數據占用信道的時間,改善對語音的影響,!,如何改善,?,減少數據對公共信道資源的擠占，增加公共信道資源的容量,!,合理分配數據和語音對頻率資源的占用,讓語音占用更好的頻率資源,!,如何提高單時隙的傳輸數據效率,信道分配和釋放機制的優(yōu)化,:,信道分配,:,優(yōu)先保證語音信道的分配,;,合理壓縮數據信道的資源,提升數據信道效率,減少語音半速率的觸發(fā),;,信道釋放,:,加快數據下行信道的釋放,提升信道效率,;,增加,EDGE,資源的投入,使更多的用戶使用,EDGE,提高整體的單時隙的吞吐率,;,自適應鏈路的優(yōu)化研究,分析高編碼比例和重傳率對單時隙吞吐率的影響,;,研究在不同無線環(huán)境下,編碼方式的調度修正值對高編碼比例和重傳率的影響,;,建立在不同無線環(huán)境下,自適應鏈路的參數與單時隙吞吐率的模型關系,;,找到最匹配的參數設置,來提高單時隙的傳輸效率,;,鏈路自適應工作機制,1/2,數據傳輸剛啟動所應用的編碼方式，是通過參數預先設定的。以下是諾基亞系統(tǒng)內的相應參數，為,BTS,級參數：,InitMCSAckMode 1,至,9(,默認值為,9=MCS9),InitMCSUnackMode 1,至,9(,默認值為,6=MCS6),由于,MCS14,為,GMSK,調制方式，而,MCS59,為,8PSK,調制。所以，應對無線環(huán)境的變化，首先要確定采用哪種調制方式。,諾基亞系統(tǒng)在進行上述判斷時，首先根據以下兩個測量值：,8PSK MEAN_BEP,8PSK CV_BEP,來對照下表，獲取,BEP,查表值：,然后，把這個,BEP,查表值與,GMSK MEAN_BEP,測量值比較，如果：,BEP,查表值,GMSK MEAN_BEP,測量值，則采用,8PSK,調制方式,啟動信道編碼的設置,調制方式的動態(tài)選擇,鏈路自適應工作機制,2/2,在,ACK,模式的,MCS,編碼選擇方式,重傳的,MCS,編碼選擇方式,針對每個,RLC,數據塊，,PCU,都能拿到測量報告，上行鏈路系統(tǒng)測量、下行鏈路手機上報，這樣，,PCU,通過查找內置表格，如下圖所示，來確定下一個,RLC,傳送的編碼。,在,EGPRS,系統(tǒng)，重傳數據的編碼方式是可以改變，這與,GPRS,技術有所不同。系統(tǒng)通過降低編碼速率，提高數據的強壯性，來對抗惡化的無線環(huán)境，最終達到提高成功率的目的。而編碼方式的改變，將涉及到數據塊的重新組裝，只有屬于相同,Coding Family,的編碼方式才可以達到這種兼容性。在,EGPRS,系統(tǒng)中，,9,種編碼分別屬于三個,FAMILY,，如下圖所示：,優(yōu)化思路,通過,LA,提高數據傳送效率，一方面可以減少數據業(yè)務,PDCH,的資源占用，另一方面占用時間減少后，能夠降低對語音業(yè)務的干擾。,優(yōu)化目標的選擇：,(,主要優(yōu)化參數,MBP),每時隙吞吐率,=,總流量,/,平均占用,PDCH,數,該指標受平均占用,PDCH,數影響很大，如果小區(qū)的,CDED,配置較小，那么每時隙吞吐率必定會較大，無法反映傳送效率。,數據業(yè)務等效話務量,=,傳送的總塊數,/,每時隙每小時能夠傳送的塊數,該指標只能反映數據業(yè)務的流量大小。,每塊傳送字節(jié)數,=,總字節(jié),/,總塊數（包括重傳的塊數）,該指標的分子部分隱含意義是是否高編碼占比高，分母部分將重傳率也納入考慮，該指標最能體現數據傳送效率。,相關性分析,-,尋找影響每塊傳送效率的主要因素,每塊傳送效率和重傳率以及高編碼占比，而重傳率和高編碼占比需要,LA,和,IR,參數優(yōu)化來解決,通過相關性分析降緯,每塊重傳效率和下行平均質量相關度最大，其次是下行,1-5,級質量占比，下行,Path loss,和下行接收電平相關性很小。,下行平均質量和,1-5,級質量占比自相關度比較大，因此將下行平均質量作為決策樹的因子。,決策樹尋找最優(yōu),MBP,當平均接收接收質量小于,0.19,時（也就是無線質量非常良好時，,MBP,取,6,能夠得到最大的塊傳送效率,0.12kyte/block.(960bit,每塊）,當平均接收接收質量大于,0.19,且小于,0.55,時，,MBP,取,5,能夠得到最大的塊傳送效率,0.11kyte/block.(880bit,每塊）,MBP,是離散的,Quality,是連續(xù)的,其它的函數較難映射,決策樹結果理解,將選擇質量較差至少,9,個小區(qū)，分別設置,-6,-5,-4,-3,-2,-1,0,1,2,來觀察每塊傳送效率，,LA,參數調整后效果評估,參考尋優(yōu)結果后,調整,MBP,設置后,每塊傳送字節(jié)數從,112,字節(jié)上升到,118,字節(jié),.,數據挖掘的應用,決策樹的應用,Link Adaption優(yōu)化,神經網絡的應用,TDMR,的定位,生物神經元,人工神經網絡的研究出發(fā)點是以生物神經元學說為基礎的,神經網絡處理信息的特點,在,微觀內部結構,上模仿人腦的神經,并行分布系統(tǒng)處理的工作模式,:,實際上大腦中單個神經元的信息處理速度是很慢的，每次約,1,毫秒,(ms),，比通常的電子門電路要慢幾個數量級。每個神經元的處理功能也很有限，估計不會比計算機的一條指令更復雜。,但是人腦對某一復雜過程的處理和反應卻很快，一般只需幾百毫秒。例如要判定人眼看到的兩個圖形是否一樣，實際上約需,400 ms,，而在這個處理過程中，與腦神經系統(tǒng)的一些主要功能，如視覺、記億、推理等有關。按照上述神經元的處理速度，如果采用串行工作模式，就必須在幾百個串行步內完成，這實際上是不可能辦到的。因此只能把它看成是一個由眾多神經元所組成的超高密度的并行處理系統(tǒng)。例如在一張照片尋找一個熟人的面孔，對人腦而言，幾秒鐘便可完成，但如用計算機來處理，以現有的技術，是不可能在短時間內完成的。由此可見，大腦信息處理的并行速度已達到了極高的程度。,神經網絡模型,x,2,w,2,x,n,w,n,x,1,w,1,F,y,F,特性函數,y,x,0,非線性,階躍,人工神經網絡的自我學習,(,訓練,),這種學習歸結為神經元連接權的變化。調整,Wij,的原則為：若第,i,和第,j,個神經元同時處于興奮狀態(tài)，則它們之間的連接應當加強，這一規(guī)則與“條件反射”學說一致，并已得到神經細胞學說的證實。,TDMR,的定位應用,TDMR,的定位數據,:,MR,數據,(OSS):,頻點,擾碼,電平,網絡基礎數據,小區(qū)信息,經,/,緯度,小區(qū)方向,頻率,擾碼,天線參數,包括主服務小區(qū)和相鄰小區(qū)的,訓練樣本數據,(DT):,頻點,擾碼,電平,樣本經緯度,原理,利用訓練樣本數據,結合網絡基礎數據,訓練模型,將,MR,數據代入,得到待定位,MR,數據的經緯度,.,MR,數據,(OSS):,即，實際測量中待定位樣本測得的臨近小區(qū)的場強分貝數，其中每行表示一個樣本，前,14,列表示每個樣本測得的臨近,7,個小區(qū)的小區(qū)號和相應場強值。,訓練樣本數據,(DT):,用于提供訓練樣本，構建訓練樣本庫，訓練模型。其中每行表示一個樣本，前,14,列表示每個樣本測得的臨近,7,個小區(qū)的小區(qū)號和相應場強值；第,15-16,列為該樣本的經度和緯度。,小區(qū)信息,:,提供所有小區(qū)的信息，其中每行提供一個小區(qū)的信息，第,1,列為小區(qū)號，第,2-3,列為小區(qū)的經緯度、第,4,列為該小區(qū)的方向角（單位：度），第,5,列為該小區(qū)的類型（,1,表示室外小區(qū)，,0,表示室內或全向的小區(qū)）,天線參數,:,每個方向角的增益變化，用于對傳播模型進行修正。行號為角度（單位：度）偏移量，每行的數字表示該角度偏移量的增益變化。,TDMR,定位模型的訓練,MS,到各,BS,距離的相對關系可以通過,MS,所測到的各,BS,的信號強度的相對關系來表征,.,傳統(tǒng)方法,:,根據訓練樣本數據,構建,MS,到,BS,的傳播模型,得到距離與電平的映射關系,.,缺點,傳播模型受限地理環(huán)境,失真較大,神經網絡,:,根據訓練樣本數據,構建,MS,所測電平相對關系與位置相對關系的整體映射,.,特點,脫離傳播模型,不受限地理環(huán)境,根據相對電平關系的總體映射,依據概率模糊識別,MS,的位置區(qū)域,.,TDMR,的算法實現,傳統(tǒng)方法,+,神經網絡,依據樣本數據,對每個小區(qū)的傳播模型進行修正,如果不匹配神經網絡,則根據修正后的傳播模型,進行定位,.,根據待定位數據的特點匹配結果,如果適合神經網絡定位,則按照神經網絡方法定位,擬合度,TDMR,定位誤差分析,神經網絡定位誤差,:50m;,傳統(tǒng)定位誤差,:200m,受限網格內測試點的分布,The End,