CN109495920B - 一种无线通信网络特征画像方法、设备和计算机程序产品 - Google Patents
一种无线通信网络特征画像方法、设备和计算机程序产品 Download PDFInfo
- Publication number
- CN109495920B CN109495920B CN201710822414.6A CN201710822414A CN109495920B CN 109495920 B CN109495920 B CN 109495920B CN 201710822414 A CN201710822414 A CN 201710822414A CN 109495920 B CN109495920 B CN 109495920B
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- communication network
- feature
- self
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线通信网络特征画像方法、设备和计算机程序产品,包括:S1、获取无线通信网络的高维特征并进行向量化,得到无线通信网络的高维度特征向量;S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维;S3、基于聚类算法对相似的无线网络特征进行聚合,并对聚合后的无线通信网络特征进行画像。S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。通过特征描述环节进行标签说明,实现对复杂网络特征进行画像和多层映射编码,同时,还可通过训练后的自编码模型计算出重构误差,通过误差评估机制,实现对于无线网络特殊场景特征或异常小区特征的检测和识别。
Description
技术领域
本发明涉及无线通信网络的分析和优化技术领域,更具体地,涉及一种无线通信网络特征画像方法、设备和计算机程序产品。
背景技术
移动通信网络是一个动态复杂的无线网络。由于话务密度分布不均匀、频率资源日渐紧张、网络配置复杂多样且长期处于不断变化之中等因素,使得现有网络的服务质量不能达到最好,巨额的投资并没有得到最高的收益,所有这些都要求运营商应对移动通信网络进行数据采集、分析,找出影响网络质量的原因,以便进行各项调整,优化资源配置,合理设置网络参数,使网络达到最佳的运行状态,使网络资源获得最佳的使用效益,这就是对复杂无线网络运行质量进行评估的目的。
当前在无线通信网络的分析和优化领域,很大程度上还依赖运营商网络工程师的个人经验积累,来描述和分析各种复杂的无线网络环境,诊断各类网络质量问题。但是每个工程师个人经验和水平参差不齐,往往导致无线网络优化和分析工作的质量和效率得不到保证,更严重的是,不同工程师得出的结论往往还存在不一致现象。同时,目前传统的凭借工程师个人经验方式的网络分析方法,在描述无线网络特征时往往比较粗放,过于简单,不能达到精细化、场景化的网络分析和优化目的。
造成上述现象的原因,主要是当前无线通信网络特征变得越来越复杂,维度越来越多。例如:不同基站建设的2G/3G/4G的多层网络结构十分复杂;无线网络参数配置的种类也十分复杂;不同基站下用户分布和行为十分复杂多变;不同基站所处的地形地貌和建筑物环境也十分复杂等等。
无线通信网络的分析和优化是一项系统工程,对各个维度的关键因素都需要综合考虑和分析计算。面对超高维度特征数据的分析,这已经超出了某个工程师的经验和人脑计算分析能力,因此,随着无线网络的发展越来越复杂,缺少一种基于通信大数据的量化模型,来协助工程师进行无线网络特征分析、提取和精准画像。目前无线通信网络特征变得越来越复杂,维度越来越多。而工程师仅仅凭借个人经验方式进行网络特征分析,往往比较粗放,过于简单,不能达到精细化、场景化的网络分析和优化目的。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种无线通信网络特征画像方法、设备和计算机程序产品,解决了现有技术中网络维度越来越多,进行使网络特征分析粗放、过于简单,不能达到精细化、场景化的网络分析和优化的问题。
根据本发明的一个方面,提供一种无线通信网络特征画像方法,包括:
S1、获取无线通信网络的高维特征并进行向量化,得到无线通信网络的高维度特征向量;
S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维;
S3、基于聚类算法对特征降维后的相似的无线网络特征进行聚合,并对聚合后的无线通信网络特征进行画像。
作为优选的,还包括:
S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。
作为优选的,所述步骤S4具体包括:
以待检测的原始特征样本向量作为输入,通过深度编码模型进行样本重构;
基于输入原始特征样本向量及重构后的重构特征向量,计算重构误差,若重构误差大于设定阈值,则判断该原始特征样本为异常特征。
作为优选的,所述步骤S1具体包括:
基于无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量;将多个维度的特征向量进行横向拼接,得到高维度特征向量。
作为优选的,所述步骤S2前包括:
以高维度特征向量为输入样本,进行单层自编码模型训练,并调整单层自编码模型中权重参数和偏置参数,使解码输出的重构特征向量与高维特征向量的重构误差在设定范围内;
以单层自编码模型的编码层输出作为新输入量,重复上述训练过程,得到下一层的自编码器;迭代训练得到无线通信网络特征的深层自编码模型。
作为优选的,所述步骤S2前,对模型中权重参数和偏置参数进行调整具体包括:
基于解码重构后的重构特征向量与高维特征向量,重构误差函数,并对N组样本的重构误差求平均值,得到平均损失函数,求出平均损失函数最小时的权重参数和偏置参数。
作为优选的,所述步骤S2中,以无线通信网络的高维特征向量作为深层自编码模型的输入,以深层自编码模型的编码层输出作为特征提取和特征降维的结果。
作为优选的,所述步骤S3具体包括:
S31、将降维后的特征向量随机分配到多个非空的簇中;
S32、计算每个非空簇的特征平均值,并以该平均值作为相应的簇中心;
S33、计算每个特征向量与各个簇中心的差异度距离,基于距离最近原则重新分配;
S34、重复步骤S32至S33,直至所有簇中心不再发生变化;
S35、基于不同维的特征取值区间,对相似特征的簇的意义进行描述。
一种无线通信网络特征画像设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述的方法。
一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如上所述的方法。
本发明提出一种无线通信网络特征画像方法、设备和计算机程序产品,通过多个维度的网络特征构造高维度特性向量,并通过训练自编码模型进行无线网络的特征提取和特征降维,通过聚类算法进行小区粒度或邻区粒度的低维度特征分簇,将相似特征的样本进行聚合,完成特征聚类步骤后,通过特征描述环节进行标签说明,实现对复杂网络特征进行画像和多层映射编码,同时,还可通过训练后的自编码模型进行重构误差,通过误差评估机制,实现对于无线网络特殊场景特征或异常小区特征的检测和识别。
附图说明
图1为根据本发明实施例的无线通信网络特征画像方法流程框图;
图2为根据本发明实施例的单层自编码模型示意图;
图3为根据本发明实施例的深层自编码模型示意图;
图4为根据本发明实施例的低维特征向量的聚类示意图;
图5为根据本发明实施例的无线网络特征画像、异常检测方法流程图;
图6为根据本发明实施例的基于重构误差的无线网络异常特征检测方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,图中示出了一种无线通信网络特征画像方法,包括:
S1、获取无线通信网络的高维特征并进行向量化,得到无线通信网络的高维度特征向量;
S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维;
S3、基于聚类算法对特征降维后的相似的无线网络特征进行聚合,并对聚合后的无线通信网络特征进行画像。
在本实施例中,所述步骤S1具体包括:
根据无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量,并将多个维度的特征向量进行横向拼接,获得一个高维度特征向量。实现了对无线通信网络小区粒度或邻区粒度的业务特征分析和原始特征选择,并将无线通信网络多个维度的业务属性构造为可供计算机算法分析的高维度数学向量,并完成数据预处理。
具体的,用于描述小区或邻区的主要特征维度包括但不限于如下:
网络结构特征:描述了小区或邻区间的物理结构关系特征,如主邻小区基站高度、下倾角、方位角关系、距离关系、频点关系、双层网关系等。
参数配置特征:描述了小区重点参数配置情况,如接入类、掉线类、切换类、功率类、定时器类、资源管理类等参数。
天线模型特征:描述了小区天线模型属性,如天线的水平半功率角、天线的垂直半功率角、天线端口数等。
用户行为特征:描述了小区范围内的用户分布情况,根据覆盖角度和距离划分栅格,统计各个覆盖栅格内部用户分布比例。
地形地貌特征:描述了小区范围内的建筑物高度和密度情况,根据覆盖角度和距离划分栅格,统计各个覆盖栅格内部建筑物高度和密度比例。
业务类型特征:描述了小区不同类型的业务情况,如RRC请求次数、ERAB请求次数、切换请求次数、用户面上/下行字节数、同时在线用户数等。
时间序列特征:描述了小区不同类型业务在时间轴分布上的情况,如统计每个小区在一天24小时业务量的时序变化。
覆盖干扰特征:描述了小区或邻区间的覆盖和干扰统计情况,可按照不同区间统计小区覆盖电平占比、上行干扰值占比。
通过综合考虑无线通信网络的各个维度特征,包括:网络结构特征、参数配置特征、天线模型特征、用户行为特征、地形地貌特征、业务类型特征、邻区关系特征、多层网特征、时间序列特征、覆盖特征、干扰特征等等,将这些特征按照业务逻辑进行量化、预处理后用于精细画像和建模,对于上述不同类型的特征,提取数据后,构成如下表所述的特征向量:
网络结构特征 | 参数配置特征 | 天线模型特征 | 用户行为特征 |
A1,A2,A3,A4,A5… | B1,B2,B3,B4,B5… | C1,C2,C3,C4,C5… | D1,D2,D3,D4,D5… |
地形地貌特征 | 业务类型特征 | 时间序列特征 | 覆盖干扰特征 |
E1,E2,E3,E4,E5… | F1,F2,F3,F4,F5… | G1,G2,G3,G4,G5… | H1,H2,H3,H4,H5… |
其中,[A1,A2,...]代表网络结构特征向量,[B1,B2,...]代表参数配置特征向量,以此类推,多个维度向量进行横向拼接后,形成一个高维度特征向量样本。
某小区特征向量=[A1,A2,A3,A4,A5...,B1,B2,B3,B4,B5...,C1,C2,C3,C4,C5......]。
在本实施例中,在对自编码模型进行训练前,还包括对样本数据中各个维度的特征向量进行标准化预处理:
上式中,μ为某一属性所有样本数据的均值,σ为某一属性所有样本数据的标准差,经过处理的数据符合标准正态分布,即均值为0,标准差为1。
上述步骤已经完成了无线网络的特征选择,并构造出了高维度特征向量,但直接使用如此高维度的稀疏向量空间,将会使后续一些特征分析算法失效(如聚类),同时也会造成计算量过大等问题。因此在本实施例中,所述步骤S2,训练深层自编码模型具体包括:
建立单层自编码模型,通过样本数据进行训练,对模型中权重参数和偏置参数进行调整,使解码重构后的重构特征向量与高维特征向量的误差在设定范围内,并将编码后的输出作为特征提取和特征降维结果。
单层自编码器的计算流程如图2所示,该单层自编码模型包括输入层、编码层和解码层,其可以将一个m维空间的特征样本x,映射编码为一个n维空间的特征样本y,当m>n时,即完成特征降维,而不会损失重要信息,如下公式:
y=s(W*x+b)
其中s函数为非线性函数,例如Sigmoid函数,W为网络权值矩阵,b为网络偏置矩阵,映射编码的结果为y。同时,y还会通过解码方式,反向映射为一个重构样本z,如下公式:
z=s(W’*y+b’)
当通过大量数据进行模型迭代训练后,使得重构样本z与输入x相同或近似时,认为中间编码y完成了特征降维功能,即使用低维空间样本y代表了原始高维空间样本x。
上述模型的目的是使得解码输出z尽可能的复现输入x,一旦系统能够还原原始信号x,则说明中间编码y已经承载了原始数据的所有信息,但样本维度已经映射为低维空间(m>n),实现了特征提取和降维。
在上述模型中,要实现特征提取和降维,起关键作用的是系统参数:W,b,W’,b’,模型训练的目标就是求解W,b,W’,b’的取值,使得解码输出z与原始输入x尽可能相等。
在本实施例中,所述步骤S2中,对模型中权重参数和偏置参数进行调整具体包括:
基于解码重构后的重构特征向量与高维特征向量,重构误差函数,并对N组数据的重构误差求平均值,得到平均损失函数,求出平均损失函数最小时的权重参数和偏置参数。
具体的,将自编码模型看作一个三层神经网络,将z作为对输入x的预测,而z和x就可以通过重构误差来设计代价函数,例如可以使用如下平方误差函数(或交叉熵函数):
平方误差:L(x,z)=||x-z||2
交叉熵:L(x,z)=-∑(xlog(z)+(1-x)log(1-z))
当获取大量样本数据后,可以设计平均损失函数如下,其中θ为模型参数:
J(θ)=1/N*∑L(x,z)
求解上述公式的最小值,即得到W,b,W’,b’的取值。而损失函数J(θ)最小值可以使用例如随机梯度下降法(SGD)进行求解。
在完成单一模型训练后,解码层(即y->z)可被去除,只需要使用编码层(x->y)即可完成特征提取和降维。
进一步的,在本实施例中,如图3所示,所述步骤S2中,训练深层自编码模型还包括:
当我们完成单一模型训练后,以单层自编码模型降维后的特征向量作为输入,重新对自编码模型进行训练,得到下一层的自编码模型,迭代训练最终得到无线通信网络的深层自编码模型(即图中的多层自编码模型)。对单一模型训练,得到中间编码y后,可以再将y作为原始输入,重新训练一个新的自编码器,从而实现对无线网络特征的多层特征提取和降维。
在本实施例中,在完成上述模型训练环节后,原始输入的无线网络特征向量x,已经被编码,映射到低维空间向量y。此时可通过聚类算法(例如K-Means)实现小区粒度或邻区粒度的低维度特征分簇,将相似特征的样本进行聚合,具体的,所述步骤S3具体包括:
S31、将降维后的特征向量随机分配到k个非空的簇中;
S32、计算每个非空簇的特征平均值,并以该平均值作为相应的簇中心;
S33、将每个低维空间向量y根据其与各个簇中心的差异度距离,按照距离最近的原则重新分配到与它最近的簇中;
S34、重复步骤S32至S33,直至不再有新的簇分配发生,即所有簇中心不再发生变化。
S35、基于不同维的特征取值区间,对相似特征的簇的意义进行描述。
完成上述聚合步骤后,实现了将相似的低维特征向量y进行聚合,具体的如图4所示。
在本实施例中,如图5所示,在特征聚类完成后,还可以进行异常检测和特征描述,通过异常检测算法实现异常特征的识别,以及定义和描述统一簇内样本特征的实际物理含义。
完成特征聚类步骤后,已经将相似的无线网络特征向量y进行了分类,但每种类别代表的物理特征意义尚不明确,需要通过特征描述环节进行标签说明,实现对数学向量到物理意义的进行特征画像。在本实施例中,具体的,还包括:
针对聚类结果中,每种相似特征的小区簇,根据其不同维度的特征取值区间,设计不同的标签。例如:标记为“弱覆盖”“低接通率”“高时延”“高流量”“高干扰”等等标签。标签的设计可根据业务人员的需求自行设定,本发明中不做限制。
在上述步骤中,已经完成了无线网络特征提取和降维功能,并通过特征描述实现了画像标签。同时,特征降维后的低维编码输出y,除了用于模块四中的特征聚类环节,还可用于本模块中所述的异常检测。通常的算法包括K-Means聚类、密度聚类、核密度估计等方法都可以进行异常样本发现。
本实施例中还一种无线通信网络特征异常检测方法,基于自编码网络重构误差的异常检测,如图6所示,即S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测;以待检测的原始特征样本向量作为输入,通过深度编码模型进行样本重构;
基于输入原始特征样本向量及重构后的重构特征向量,计算重构误差,若重构误差大于设定阈值,则判断该原始特征样本为异常特征。
在上述自编码模型进行无线网络特征降维的训练过程中,通过调整系统参数W,b,W’,b’实现了对原始输入特征x的重构,输出为z,中间编码为y。但并不是说对每个样本都能够良好的重构,模型只会对那些与训练样本同分布的样例才能达到较低的重构误差,而对于异常特征样本会产生较高的重构误差,利用这种误差评估机制,就可以实现对于无线网络特殊场景特征或异常小区特征的检测和识别。
本实施例中还提供了一种无线通信网络特征画像设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述的方法。
本实施例中还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如上所述的方法。
综上所述,本发明提出一种无线通信网络特征画像方法、设备和计算机程序产品,通过多个维度的网络特征构造高维度特性向量,并通过训练自编码模型进行无线网络的特征提取和特征降维,通过聚类算法进行小区粒度或邻区粒度的低维度特征分簇,将相似特征的样本进行聚合,完成特征聚类步骤后,通过特征描述环节进行标签说明,实现对复杂网络特征进行画像和多层映射编码,同时,还可通过训练后的自编码模型进行重构误差,通过误差评估机制,实现对于无线网络特殊场景特征或异常小区特征的检测和识别。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种无线通信网络特征画像方法,其特征在于,包括:
S1、获取无线通信网络的高维特征并进行向量化,得到无线通信网络的高维度特征向量;
S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维;
S3、基于聚类算法对相似的无线网络特征进行聚合,并对聚合后的无线通信网络特征进行画像;
其中,所述步骤S2前包括:
以高维度特征向量为输入样本,进行单层自编码模型训练,并调整单层自编码模型中权重参数和偏置参数,使解码输出的重构特征向量与高维特征向量的重构误差在设定范围内;
以单层自编码模型的编码层输出作为新输入量,重复上述训练过程,得到下一层的自编码器;迭代训练得到无线通信网络特征的深层自编码模型。
2.根据权利要求1所述的无线通信网络特征画像方法,其特征在于,还包括:
S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。
3.根据权利要求2所述的无线通信网络特征画像方法,其特征在于,所述步骤S4具体包括:
以待检测的原始特征样本向量作为输入,通过深度编码模型进行样本重构;
基于输入原始特征样本向量及重构后的重构特征向量,计算重构误差,若重构误差大于设定阈值,则判断该原始特征样本为异常特征。
4.根据权利要求1所述的无线通信网络特征画像方法,其特征在于,所述步骤S1具体包括:
基于无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量;将多个维度的特征向量进行横向拼接,得到高维度特征向量。
5.根据权利要求1所述的无线通信网络特征画像方法,其特征在于,所述步骤S2前,对模型中权重参数和偏置参数进行调整具体包括:
基于解码重构后的重构特征向量与高维特征向量,重构误差函数,并对N组样本的重构误差求平均值,得到平均损失函数,求出平均损失函数最小时的权重参数和偏置参数。
6.根据权利要求1所述的无线通信网络特征画像方法,其特征在于,所述步骤S2中,以无线通信网络的高维特征向量作为深层自编码模型的输入,以深层自编码模型的编码层输出作为特征提取和特征降维的结果。
7.根据权利要求1所述的无线通信网络特征画像方法,其特征在于,所述步骤S3具体包括:
S31、将降维后的特征向量随机分配到多个非空的簇中;
S32、计算每个非空簇的特征平均值,并以该平均值作为相应的簇中心;
S33、计算每个特征向量与各个簇中心的差异度距离,基于距离最近原则重新分配;
S34、重复步骤S32至S33,直至所有簇中心不再发生变化;
S35、基于不同维的特征取值区间,对相似特征的簇的意义进行描述。
8.一种无线通信网络特征画像设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822414.6A CN109495920B (zh) | 2017-09-13 | 2017-09-13 | 一种无线通信网络特征画像方法、设备和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822414.6A CN109495920B (zh) | 2017-09-13 | 2017-09-13 | 一种无线通信网络特征画像方法、设备和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109495920A CN109495920A (zh) | 2019-03-19 |
CN109495920B true CN109495920B (zh) | 2022-03-29 |
Family
ID=65687410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710822414.6A Active CN109495920B (zh) | 2017-09-13 | 2017-09-13 | 一种无线通信网络特征画像方法、设备和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109495920B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335058B (zh) * | 2019-04-30 | 2021-09-14 | 中国联合网络通信集团有限公司 | 一种用户满意度预测模型的样本生成方法及装置 |
CN110493803B (zh) * | 2019-09-17 | 2023-07-11 | 南京邮电大学 | 一种基于机器学习的小区场景划分方法 |
CN110766056B (zh) * | 2019-09-27 | 2022-05-06 | 中山大学 | 一种融合图像生成和多标签分类的异常图像检测方法 |
CN110796366A (zh) * | 2019-10-28 | 2020-02-14 | 中国联合网络通信集团有限公司 | 质差小区识别方法和装置 |
CN110782018A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自编码器的光谱降维方法和装置 |
CN111047182B (zh) * | 2019-12-10 | 2021-12-28 | 北京航空航天大学 | 一种基于深度无监督学习的空域复杂度评估方法 |
CN111163482B (zh) * | 2019-12-25 | 2022-10-14 | 中国联合网络通信集团有限公司 | 数据的处理方法、设备及存储介质 |
CN113301585B (zh) * | 2020-02-24 | 2022-07-15 | 中国移动通信有限公司研究院 | 信息处理方法、装置、电子设备及存储介质 |
CN111737688B (zh) * | 2020-06-08 | 2023-10-20 | 上海交通大学 | 基于用户画像的攻击防御系统 |
CN112165464B (zh) * | 2020-09-15 | 2021-11-02 | 江南大学 | 一种基于深度学习的工控混合入侵检测方法 |
CN112422556B (zh) * | 2020-11-17 | 2021-09-10 | 清华大学 | 一种物联网终端信任模型构建方法及系统 |
CN113344184B (zh) * | 2021-06-03 | 2023-05-30 | 网易(杭州)网络有限公司 | 用户画像预测方法、装置、终端和计算机可读存储介质 |
CN113704620B (zh) * | 2021-08-31 | 2023-08-18 | 中国平安人寿保险股份有限公司 | 基于人工智能的用户标签更新方法、装置、设备及介质 |
CN113779045B (zh) * | 2021-11-12 | 2022-02-22 | 航天宏康智能科技(北京)有限公司 | 工控协议数据异常检测模型的训练方法和训练装置 |
CN115250199B (zh) * | 2022-07-15 | 2023-04-07 | 北京六方云信息技术有限公司 | 数据流检测方法、装置、终端设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678545A (zh) * | 2013-12-03 | 2014-03-26 | 北京奇虎科技有限公司 | 进行网络资源聚类的方法及装置 |
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN105224943A (zh) * | 2015-09-08 | 2016-01-06 | 西安交通大学 | 基于多线索归一化非负稀疏编码器的图像快速特征表示方法 |
CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024455A1 (en) * | 2015-07-24 | 2017-01-26 | Facebook, Inc. | Expanding mutually exclusive clusters of users of an online system clustered based on a specified dimension |
US20170060867A1 (en) * | 2015-08-31 | 2017-03-02 | Adfamilies Publicidade, SA | Video and image match searching |
-
2017
- 2017-09-13 CN CN201710822414.6A patent/CN109495920B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN103678545A (zh) * | 2013-12-03 | 2014-03-26 | 北京奇虎科技有限公司 | 进行网络资源聚类的方法及装置 |
CN105224943A (zh) * | 2015-09-08 | 2016-01-06 | 西安交通大学 | 基于多线索归一化非负稀疏编码器的图像快速特征表示方法 |
CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
Non-Patent Citations (2)
Title |
---|
"基于大数据技术的智能化无线网络优化体系";王磊等;《电信科学》;20151220;第4节 * |
"数据挖掘技术在网络质量优化体系中的应用";王磊等;《电信工程技术与标准化》;20121115;第2-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109495920A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495920B (zh) | 一种无线通信网络特征画像方法、设备和计算机程序产品 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN109104731B (zh) | 小区场景类别划分模型的构建方法、装置和计算机设备 | |
CN108934016B (zh) | 小区场景类别的划分方法、装置、计算机设备和存储介质 | |
CN112243249B (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
JP7486659B2 (ja) | 基地局の省エネルギー処理方法及び処理装置 | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN112308345A (zh) | 通信网络负荷预测方法、装置及服务器 | |
CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
US20210136670A1 (en) | Small cell identification using machine learning | |
CN111417132B (zh) | 小区的划分方法、装置及设备 | |
Wang et al. | Extracting cell patterns from high-dimensional radio network performance datasets using self-organizing maps and K-means clustering | |
CN111935761B (zh) | 一种移动通信网的质差根因自动定位方法及系统 | |
CN110621025B (zh) | 一种设备选型方法和装置 | |
CN111683390A (zh) | 上行干扰识别的方法、装置及系统 | |
CN112243242B (zh) | 大规模天线波束配置方法和装置 | |
CN112153663B (zh) | 无线网络评估方法和装置 | |
CN107995643B (zh) | 基于数据驱动的网元参数预测优化方法及装置 | |
CN112738883A (zh) | 一种空中基站位置确定方法及装置 | |
CN112867110B (zh) | 通信小区的效能识别方法、装置及电子设备 | |
CN110719594B (zh) | 一种设备选型方法和装置 | |
Olsson et al. | Exploratory Data Analysis of Live 5G Radio Access Network Configuration Data Using Interpretable Machine Learning | |
CN110650483A (zh) | 一种设备选型方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |