CN109993185A - 无线信令分析方法、装置、计算设备及存储介质 - Google Patents
无线信令分析方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN109993185A CN109993185A CN201711494544.8A CN201711494544A CN109993185A CN 109993185 A CN109993185 A CN 109993185A CN 201711494544 A CN201711494544 A CN 201711494544A CN 109993185 A CN109993185 A CN 109993185A
- Authority
- CN
- China
- Prior art keywords
- wireless signaling
- sample data
- training sample
- feature
- wireless
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种无线信令分析方法、装置、计算设备及存储介质,该方法包括:基于异常事件的无线信令的特征及对所述异常事件的分析结果,构建无线信令训练样本数据;基于所述无线信令训练样本数据,使用有向无环图支持向量机生成无线信令评估模型;基于待分析无线信令的特征,构建待分析无线信令样本数据;以及将所述待分析无线信令样本数据输入所述无线信令评估模型,输出评估结果。该方案能够避免专家系统因为知识库更新需要更新代码的问题。
Description
技术领域
本发明涉及移动通信技术领域,尤其涉及一种无线信令分析方法、装置、计算设备及存储介质。
背景技术
目前对无线侧分析,主要依赖基于规则的专家系统,根据专家经验,针对某些特性设定一些阈值,当满足阈值条件时,则给出固定的分析结果。
但是为开发特定对象的专家系统,软件设计人员几乎要从头学习一门新的专业知识,大大增加了开发成本,且并不能保证特定专业知识的领会程度,对知识条目数据库的建设和维护带来很多麻烦。另一方面,不同的专家知识可能不一样,甚至互相矛盾。
专家系统拥有知识数据库,运用知识条目进行推理,模拟领域专家诊断问题的思维过程。但是,人类的知识世界丰富多彩,思维方式多种多样,要想较准确地实现模拟人类思维,是一项非常困难的技术。
发明内容
针对专家系统获取知识能力弱的问题,本发明实施例提供了一种无线信令分析方法、装置、计算设备及存储介质,能够避免专家系统因为知识库更新需要更改代码以及需要人工设定诸多阈值的问题。
第一方面,本发明实施例提供了一种无线信令分析方法,该方法包括:
基于异常事件的无线信令的特征及对异常事件的分析结果,构建无线信令训练样本数据;
基于无线信令训练样本数据,使用有向无环图的多类支持向量机算法生成无线信令评估模型;
基于待分析无线信令的特征,构建待分析无线信令样本数据;以及
将待分析无线信令样本数据输入无线信令评估模型,输出评估结果。
第二方面,本发明实施例提供了一种无线信令分析装置,该装置包括:第一构建模块、生成模块、第二构建模块和评估模块。
第一构建模块可以基于异常事件的无线信令的特征及对异常事件的分析结果,构建无线信令训练样本数据。
生成模块可以基于无线信令训练样本数据,使用有向无环图支持向量机生成无线信令评估模型。
第二构建模块可以基于待分析无线信令的特征,构建待分析无线信令样本数据。
评估模块可以将待分析无线信令样本数据输入无线信令评估模型,输出评估结果。
第三方面,本发明实施例提供了一种计算设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的无线信令分析、装置、计算设备及存储介质,通过基于有向无环图支持向量机构建模型对无线信令进行分析,能够避免专家系统因为知识库更新需要更新代码的问题,以及避免专家系统需要模拟人的思维设定诸多阈值的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明一实施例的无线信令分析方法的示意性流程图。
图2示出了根据本发明一实施例的无线信令评估模型的示意图。
图3示出了根据本发明一实施例的无线信令分析系统的示意性流程图。
图4示出了根据本发明一实施例的无线信令分析装置的示意性结构框图。
图5示出了本发明实施例提供的计算设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
针对专家系统获取知识能力弱,当知识库更新时需要更改代码的问题,本方案利用大量的无线信令分析结果,通过有向无环图支持向量机建立无线信令分析模型,对无线信令进行分析评估。图1示出了根据本发明一实施例的无线信令分析方法的示意性流程图。
如图1所示,在步骤S100中可以基于异常事件的无线信令的特征及对异常事件的分析结果,构建无线信令训练样本数据。
可以通过区域小区工参和邻区关系配置表提取样本数据。其中,区域小区工参可以包括以下信息:小区CI(标识码),基站ID,经度,纬度,频点,PCI(物理小区标识),方位角等。小区CI可以通过识别网络中哪一个小区传输用户呼叫并将该信息翻译成纬度和经度来确定用户位置。基站ID是基站在整个公共陆地移动网络中的序列号。频点是对固定频率的编号,在LTE网络中可以用频点取代频率来指定收发信机组的发射频率。LTE中终端K可以以PCI区分不同小区的无线信号。方位角可用于判断两个小区之间是否存在干扰。
其中,邻区关系配置表可以分为:同频邻区关系,用于通话状态下同频的切换;异频邻区关系,用于通话状态下异频的切换;空闲邻区关系,用于空闲状态。邻区一方面可以作为本小区服务终端的切换目标小区,另一方面,各个小区还需要同相邻小区执行相应的负载均衡或干扰协调操作。地理位置上直接相邻的小区可以作为邻区,一般要求互为邻区。
网络异常事件表现为网络中的流量行为相对其正常行为的偏离。它可能是网络滥用,也可能是设备失效,还可能是合法的用户行为等。可以提取异常事件发生时刻的同一用户的无线XDR信息,即基于控制面的全量信令数据及用户面的全量业务数据进行处理后,生成的供应用系统使用的信令及业务的详细记录。
可以从无线信令信息中提取的特征包括:服务小区RSRP(服务小区接收电平强度),服务小区PCI(物理小区标识),上行SINR(信噪比,),发射功率,PHR(功率余量报告),RIP(路由信息协议),最强邻区的RSRP(接收电平强度),最强邻区PCI(物理小区标识),最强邻区是否与服务小区同频,最强邻区与服务小区模3值(PCI由有3个主同步信号和168个辅同步信号构成,模3干扰指PCI除以3取模,模相同就是模三干扰,实际就是相同主同步信号的干扰),最强邻区与服务小区等效距离,最强邻区与服务小区是否配置邻区关系等。
其中,可以将主服务小区的邻小区的接收电平强度从大到小排序,接收电平强度最高的邻小区可以作为最强邻区。可以通过邻区关系配置表确定最强邻区是否与服务小区同频、最强邻区与服务小区等效距离以及最强邻区与服务小区是否配置邻区关系。
对于异常事件无线信令的特征,可以包括大量的分析结果,如:上行干扰;下行弱覆盖;上行覆盖受限;上行瞬时干扰;邻区缺失;模3干扰;重叠覆盖;测控参数异常;主小区缺失最强邻区;无线网络正常等。为保证模型的质量,构建的无线信令训练样本数据应该包含所有可能的分析结果,每种分析结果的数量可以是特征数量的5倍以上,例如可以样本数据包括异常事件发生的时间、用户的标识码、异常事件无线信令的特征及其对应的分析结果。格式可以如下:
字段名称 | 含义 |
IMSI | 用户标识 |
TIME | 时间 |
FEATURE 1 | 特征1 |
…… | …… |
FEATURE n | 特征n |
CONCLUSION | 分析结果 |
可以使用字典索引代替原样本的分析结果,d为字典D的最大索引值,用y表示,则y∈[1,d]。采用字典存储无线分析结果为:
D={1:"上行干扰";2:"下行弱覆盖;......;d:"无线环境正常"}
其中,使用最强邻区和服务小区的等效距离而非实际距离作为无线信令样本数据的目的是等效距离算法不仅考虑基站位置,而且还考虑小区天线的相对角度。例如相邻小区背向和对向的信号干扰是不同的。
计算最强邻区与服务小区的等效距离可以通过以下公式计算:
Dist(cellA,cellB)=D×(1+x×cosβ-x×cosα)
其中,cellA主服务小区,cellB为最强邻区,D为最强邻区和主服务小区的实际距离,为α为服务小区与基站连线的夹角,β为最强邻区与基站连线的夹角,x由用户设置,x缺省50%。当室外或室内主服务小区为全向小区时,α固定设置为0°,当室外/室内最强邻区为全向小区时,β固定设置为180°。其中,全向小区就是采用了各个水平方向增益基本相同的全向型天线,覆盖范围较大。
该特征可用于判断服务小区是否缺少邻区,例如,当服务小区信号电平低于邻区,质量很差,但没有向邻区进行切换,最初应该检查的就是邻区中最强的广播控制通道是不是在服务小区的列表里面,检查如果不在,那就是缺少邻区。
在步骤S200中可以基于无线信令训练样本数据,使用有向无环图支持向量机生成无线信令评估模型。
其中,DAG-SVM(有向无环图支持向量机)可用于多类分类,支持向量机中的分类器构成一个有向无环图,有向无环图中含有k(k-1)/2个内部节点和k个叶结点,每个节点对应一个二类分类器。
在构建评估模型时,样本数据由于计量单位和数量级的不同,使各样本数据间不具备可比性,可以先将数据标准化,如无量纲化处理。最常用的是标准化方法,每一个变量值与其平均值之差除以该变量的标准差,无量纲化后各变量的平均值为0,标准差为1,从而消除量纲和数量级的影响。
根据本发明一实施例,可以对无线信令训练样本数据以及待分析信令样本数据进行无量纲化处理。常见的无量纲化处理方法有极值化、标准化、均值化以及标准差化方法。以标准化方法为例对样本数据进行无量纲化处理。
假设S为无线信令的样本数据集:
S={(X1|Y1),(X2|Y2),......,(Xm|Ym)}
其中,m为样本数量,(X1|Y1)代表一个样本,X1代表样本1的特征列X1={X1 1,X1 2,......,X1 n},n代表样本的特征数量,X1 n代表样本数据1的第n个特征的值,Y1代表样本1的分析结果。
可以计算每一个无线信令的特征的均值。例如,可以通过下述公式计算无线信令的特征的均值,Ej代表第j个特征的均值:
其中,Xi j表示样本数据i的第j个特征的值。
可以基于均值和每一个无线信令的特征,计算每一个无线信令的特征的方差。δj代表第j个特征的方差:
其中,Xi j表示样本数据i的第j个特征的值,Ej代表第j个特征的均值。
可以基于均值和方差,对每一个无线信令的特征进行标准化处理,得到无量纲的无线信令的特征。xi j代表无量纲化后的第i个样本数据的第j个特征的值:
其中,xi j代表归一化以后的值,表示无量纲化后的第i个样本数据的第j个特征的值,Xi j表示样本数据i的第j个特征的值,Ej代表第j个特征的均值,δj代表第j个特征的方差。最终无量纲化无线信令样本数据集为:
根据本发明一实施例,可以对无量纲的无线信令训练样本数据进行分类,例如根据专家经验将样本数据按照数据类型分为多个类。
可以通过下述公式,计算各个无线信令训练样本数据类的类中心:
其中,xi为输入的第i个样本数据,yi为输出的第i个样本数据的类别,m为样本数据的数量,I{yi=Y}表示第i个类。
可以计算每两类之间类中心的距离,生成类间距矩阵。
可以采用欧式距离计算公式计算每两类之间的类中心的距离,例如,两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离:
也可以使用其他距离算法,如曼哈顿距离、夹角余弦距离等。在构建评估模型时,样本数据由于计量单位和数量级的不同,使各样本数据间不具备可比性,可以先将数据标准化,如无量纲化处理。最常用的是标准化方法,每一个变量值与其平均值之差除以该变量的标准差,无量纲化后各变量的平均值为0,标准差为1,从而消除量纲和数量级的影响。因此可以使用标准化欧式距离计算每两类类中心的距离。
可以生成类间距矩阵,Mi,j表示第i类的类中心与第j类的类中心的欧式距离构成的类间距矩阵:
Mi,j=O(VY=i,VY=j)
其中,VY=i代表i类的类中心,O(VY=i,VY=j)表示i类的类中心与j类的类中心的欧氏距离。可以取上三角矩阵,假设样本共有4类,则类间距矩阵M为:
可以基于类间距矩阵,建立决策树,以生成无线信令评估模型。
根据本发明一实施例,可以将无量纲的无线信令训练样本数据输入基于支持向量机的二分类分类器,二分类分类器具有二叉树结构。
图2示出了根据本发明一实施例的无线信令评估模型的示意图。如图2所示,每一个圆形节点代表一个基于SVM(支持向量机)的两类分类器。首次使用全量无线信令训练样本作为输入样本,假设有四类,使用支持向量机方法,生成一个二分类分类器,形成一个节点,即根节点。
二叉树结构的每个节点可以从输入节点的无线信令训练样本数据中确定在类间距矩阵中类间距最大的两个类;
例如,可以使用支持向量机选取所有类中类间距最大的两个类,假设确定在类间距矩阵中类间距最大的两个类为1类、3类。
可以从输入节点的无线信令训练样本数据中剔除两个类中的一个,剩余的无线信令训练样本数据作为节点的一个子节点的输入,从输入节点的无线信令训练样本数据中剔除两个类中的另一个,剩余的无线信令训练样本数据作为节点的另一个子节点的输入。
例如,根节点分出两个子节点,可以记为子节点0_0、子节点0_1,子节点0_0对应为非1类,子节点0_1对应非3类。将2、3、4类作为子节点0_0的输入,将1、2、4类作为子节点0_1的输入。
可以重复该步骤,子节点0_0分出两个子节点1_0和1_1,子节点1_0对应为非2类,子节点1_1对应非4类,将3、4类作为子节点1_0的输入,将2、3类作为子节点1_1的输入,以此类推,当子节点只有一个类别时,停止。
在步骤S300中可以基于待分析无线信令的特征,构建待分析无线信令样本数据。待分析无线信令的特征可以使用上述异常事件的无线信令的特征的部分或者全部。
在步骤S400中可以将待分析无线信令样本数据输入无线信令评估模型,输出评估结果。
图3示出了根据本发明一实施例的无线信令分析系统的示意性流程图。如图3所示,无线信令分析系统可以包括:输入基础数据或待分析的无线信令、数据整理、输入无线信令分析模型、输出分析结果。
在数据整理中可以基于异常事件的无线信令的特征及对异常事件的分析结果,构建无线信令训练样本数据,以及可以基于待分析无线信令的特征,构建待分析无线信令样本数据。可以基于无线信令训练样本数据,使用有向无环图支持向量机生成无线信令评估模型。可以将待分析无线信令样本数据输入无线信令评估模型,输出评估结果。
图4示出了根据本发明一实施例的无线信令分析装置的示意性结构框图。如图4所示,该装置400可以包括:第一构建模块410、生成模块420、第二构建模块430和评估模块440。
第一构建模块410可以基于异常事件的无线信令的特征及对异常事件的分析结果,构建无线信令训练样本数据。
生成模块420可以基于无线信令训练样本数据,使用有向无环图支持向量机生成无线信令评估模型。
第二构建模块430可以基于待分析无线信令的特征,构建待分析无线信令样本数据。
评估模块440可以将待分析无线信令样本数据输入无线信令评估模型,输出评估结果。
根据本发明一实施例,该装置400还可以包括:处理模块。
第一处理模块可以对无线信令训练样本数据进行无量纲化处理以及对待分析无线信令样本数据进行无量纲化处理。
根据本发明一实施例,处理模块可以包括:第一计算单元,第二计算单元和第三计算单元。
第一计算单元可以计算每一个无线信令的特征的均值。
第二计算单元可以基于均值和每一个无线信令的特征,计算每一个无线信令的特征的方差。
第三计算单元可以基于均值和方差,对每一个无线信令的特征进行标准化处理,得到无量纲的无线信令的特征。
根据本发明一实施例,处理模块还可以包括:获得单元。
获得单元可以基于无量纲的无线信令的特征及其对应的分析结果,得到无量纲的无线信令训练样本数据。
根据本发明一实施例,生成模块可以包括:分类单元、第四计算单元、第五计算单元和建立单元。
分类单元可以对无量纲的无线信令训练样本数据进行分类。
第四计算单元可以计算各个无线信令训练样本数据类的类中心。
第五计算单元可以计算每两类之间类中心的距离,生成类间距矩阵。
建立单元可以基于类间距矩阵,建立决策树,以生成无线信令评估模型。
根据本发明一实施例,建立单元可以包括:输入单元、确定单元和剔除单元。
输入单元可以将无量纲的无线信令训练样本数据输入基于支持向量机的二分类分类器,二分类分类器具有二叉树结构。
确定单元可以从输入节点的无线信令训练样本数据中确定在类间距矩阵中类间距最大的两个类。
剔除单元可以从输入节点的无线信令训练样本数据中剔除两个类中的一个,剩余的无线信令训练样本数据作为节点的一个子节点的输入,从输入节点的无线信令训练样本数据中剔除两个类中的另一个,剩余的无线信令训练样本数据作为节点的另一个子节点的输入。
综上所述,本方案避免了专家系统需要模拟人类思维以及需要人工设定诸多阈值的问题。通过训练数据训练出来的模型,可长久使用,当知识库更新时,只需要更新训练数据,重新训练模型,避免了专家系统因为知识库更新需要更改代码的弊端。支持向量机分类器有成熟的代码库,避免了专家系统中软件设计人员需要领会特定专业知识。
另外,结合图1描述的本发明实施例的无线信令分析方法可以由计算设备来实现。图5示出了本发明实施例提供的计算设备的硬件结构示意图。
计算设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在数据处理装置的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。在特定实施例中,存储器502包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种无线信令分析方法。
在一个示例中,计算设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将计算设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的无线信令分析方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种无线信令分析方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (12)
1.一种无线信令分析方法,其特征在于,所述方法包括:
基于异常事件的无线信令的特征及对所述异常事件的分析结果,构建无线信令训练样本数据;
基于所述无线信令训练样本数据,使用有向无环图的多类支持向量机算法生成无线信令评估模型;
基于待分析无线信令的特征,构建待分析无线信令样本数据;以及
将所述待分析无线信令样本数据输入所述无线信令评估模型,输出评估结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述无线信令训练样本数据进行无量纲化处理;以及
对所述待分析无线信令样本数据进行所述无量纲化处理。
3.根据权利要求2所述的方法,其特征在于,所述无量纲化处理,包括:
计算每一个无线信令的特征的均值;
基于所述均值和所述每一个无线信令的特征,计算每一个无线信令的特征的方差;
基于所述均值和所述方差,对所述每一个无线信令的特征进行标准化处理,得到无量纲的无线信令的特征。
4.根据权利要求3所述的方法,其特征在于,所述无量纲化处理,还包括:
基于所述无量纲的无线信令的特征及其对应的分析结果,得到无量纲的无线信令训练样本数据。
5.根据权利要求4所述的方法,其特征在于,所述基于无线信令训练样本数据使用多类分类的支持向量机生成无线信令评估模型,包括:
对所述无量纲的无线信令训练样本数据进行分类;
计算各个所述无线信令训练样本数据类的类中心;
计算每两类之间所述类中心的距离,生成类间距矩阵;以及
基于所述类间距矩阵,建立决策树,以生成无线信令评估模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述类间距矩阵建立决策树以生成无线信令评估模型,包括:
将所述无量纲的无线信令训练样本数据输入基于支持向量机的二分类分类器,所述二分类器具有二叉树结构;
所述二叉树结构的每个节点从输入所述节点的无线信令训练样本数据中确定在所述类间距矩阵中类间距最大的两个类;
从输入所述节点的无线信令训练样本数据中剔除所述两个类中的一个,剩余的无线信令训练样本数据作为所述节点的一个子节点的输入,从输入所述节点的无线信令训练样本数据中剔除所述两个类中的另一个,剩余的无线信令训练样本数据作为所述节点的另一个子节点的输入。
7.根据权利要求1所述的方法,其特征在于,
所述异常事件的无线信令的特征包括最强邻区与服务小区的等效距离,所述最强邻区是用户设备接收电平值最高的邻小区。
8.根据权利要求7所述的方法,其特征在于,所述最强邻区和服务小区的等效距离通过下述公式计算:
Dist(cellA,cellB)=D×(1+x×cosβ-x×cosα)
其中,cellA主服务小区,cellB为最强邻区,D为最强邻区和主服务小区的距离,为α为服务小区与基站连线的夹角,β为最强邻区与基站连线的夹角,x由用户设置。
9.根据权利要求8所述的方法,其特征在于,
所述主服务小区包括室外主服务小区和室内主服务小区,当所述室外主服务小区或室内主服务小区为全向小区时,α固定设置为0°,所述最强邻区包括室外最强邻区和室内最强邻区,当室外最强邻区或室内最强邻区为全向小区时,β固定设置为180°。
10.一种无线信令分析装置,其特征在于,所述装置包括:
第一构建模块,用于基于异常事件的无线信令的特征及对所述异常事件的分析结果,构建无线信令训练样本数据;
生成模块,用于基于所述无线信令训练样本数据,使用有向无环图的多类支持向量机算法生成无线信令评估模型;
第二构建模块,用于基于待分析无线信令的特征,构建待分析无线信令样本数据;以及
评估模块,用于将所述待分析无线信令样本数据输入所述无线信令评估模型,输出评估结果。
11.一种计算设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711494544.8A CN109993185A (zh) | 2017-12-31 | 2017-12-31 | 无线信令分析方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711494544.8A CN109993185A (zh) | 2017-12-31 | 2017-12-31 | 无线信令分析方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993185A true CN109993185A (zh) | 2019-07-09 |
Family
ID=67111637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711494544.8A Pending CN109993185A (zh) | 2017-12-31 | 2017-12-31 | 无线信令分析方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993185A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464970A (zh) * | 2019-09-09 | 2021-03-09 | 中国移动通信集团浙江有限公司 | 区域价值评估模型处理方法、装置及计算设备 |
WO2021103589A1 (zh) * | 2019-11-25 | 2021-06-03 | 华为技术有限公司 | 信令分析方法和相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547506A (zh) * | 2009-02-17 | 2009-09-30 | 华中科技大学 | 基于信号接收强度信息指纹的gsm网络定位用户方法 |
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
EP2696344A1 (fr) * | 2012-08-10 | 2014-02-12 | Thales | Procede et systeme pour detecter des evenements sonores dans un environnement donne |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN104618937A (zh) * | 2015-02-15 | 2015-05-13 | 上海大唐移动通信设备有限公司 | 一种邻区自动优化的方法及装置 |
CN104951805A (zh) * | 2015-06-29 | 2015-09-30 | 电子科技大学 | 基于类间可分性的完全二叉树svm多分类方法 |
-
2017
- 2017-12-31 CN CN201711494544.8A patent/CN109993185A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547506A (zh) * | 2009-02-17 | 2009-09-30 | 华中科技大学 | 基于信号接收强度信息指纹的gsm网络定位用户方法 |
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
EP2696344A1 (fr) * | 2012-08-10 | 2014-02-12 | Thales | Procede et systeme pour detecter des evenements sonores dans un environnement donne |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN104618937A (zh) * | 2015-02-15 | 2015-05-13 | 上海大唐移动通信设备有限公司 | 一种邻区自动优化的方法及装置 |
CN104951805A (zh) * | 2015-06-29 | 2015-09-30 | 电子科技大学 | 基于类间可分性的完全二叉树svm多分类方法 |
Non-Patent Citations (5)
Title |
---|
PULONG GENG ET AL: "Fault pattern recognition method for the high voltage circuit breaker based on the incremental learning algorithms for SVM", 《2016 INTERNATIONAL CONFERENCE ON CONDITION MONITORING AND DIAGNOSIS (CMD)》 * |
于玲: "DWT和FAST PCA与SVM在人脸识别技术中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
何继爱: "基于特征提取的调制识别方法研究", 《甘肃科学学报》 * |
刘欣川: "GSM隐性故障智能诊断系统的研究", 《移动通信》 * |
诸克军等著: "《经济管理中软计算的理论与方法》", 31 July 2009 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464970A (zh) * | 2019-09-09 | 2021-03-09 | 中国移动通信集团浙江有限公司 | 区域价值评估模型处理方法、装置及计算设备 |
WO2021103589A1 (zh) * | 2019-11-25 | 2021-06-03 | 华为技术有限公司 | 信令分析方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107113635A (zh) | 用于确定小区状态以调整天线配置参数的方法和装置 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN107211294A (zh) | 智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架 | |
TW201806427A (zh) | 無線場景識別裝置和方法以及無線通訊設備和系統 | |
CN109995566B (zh) | 网络故障定位方法、装置、设备及介质 | |
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 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN109874104A (zh) | 用户位置定位方法、装置、设备及介质 | |
EP4033786A1 (en) | Interference positioning method, apparatus and system for wireless communication system | |
CN106934514A (zh) | 一种回归模型的生成方法以及装置 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
CN109996245A (zh) | 通信资源投放评估方法、装置、电子设备及存储介质 | |
CN109993185A (zh) | 无线信令分析方法、装置、计算设备及存储介质 | |
Wu et al. | Unsupervised deep transfer learning for fault diagnosis in fog radio access networks | |
CN109995447A (zh) | 干扰类型识别方法、装置、设备以及介质 | |
Liu et al. | GA-AdaBoostSVM classifier empowered wireless network diagnosis | |
Li et al. | Research and application of intelligent antenna feeder optimization system based on big data | |
Palacios et al. | Combination of multiple diagnosis systems in self-healing networks | |
Alves et al. | A novel approach for user equipment indoor/outdoor classification in mobile networks | |
WO2022166334A1 (zh) | 话务场景的识别方法、装置、设备及存储介质 | |
CN107517474B (zh) | 一种网络分析优化方法及装置 | |
Agarwal et al. | Hardware implementation of k-means clustering based spectrum sensing using usrp in a cognitive radio system | |
Zhu et al. | Fault diagnosis of 5G networks based on digital twin model | |
CN115549823B (zh) | 一种无线电环境地图预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190709 |
|
RJ01 | Rejection of invention patent application after publication |