CN110062410A - 一种基于自适应谐振理论的小区中断检测定位方法 - Google Patents

一种基于自适应谐振理论的小区中断检测定位方法 Download PDF

Info

Publication number
CN110062410A
CN110062410A CN201910242265.5A CN201910242265A CN110062410A CN 110062410 A CN110062410 A CN 110062410A CN 201910242265 A CN201910242265 A CN 201910242265A CN 110062410 A CN110062410 A CN 110062410A
Authority
CN
China
Prior art keywords
win
sample
class
neuron
kpi
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.)
Granted
Application number
CN201910242265.5A
Other languages
English (en)
Other versions
CN110062410B (zh
Inventor
潘志文
陈彦
刘楠
尤肖虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910242265.5A priority Critical patent/CN110062410B/zh
Publication of CN110062410A publication Critical patent/CN110062410A/zh
Application granted granted Critical
Publication of CN110062410B publication Critical patent/CN110062410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H04B17/327—Received signal code power [RSCP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于自适应谐振理论的小区中断检测定位方法，该方法在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其KPI、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论(Adaptive Resonance Theory,ART)网络和K‑S检验(Kolmogorov‑Smirnov test)的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区。本发明中基于ART方法充分考虑了网络中有标签历史数据少甚至没有的情况，其与K‑S检验结合的方法能够准确而有效地完成小区中断检测功能，结合位置信息对中断小区的定位效果良好。

Description

一种基于自适应谐振理论的小区中断检测定位方法
技术领域
本发明涉及无线通信中的网络技术领域，特别是一种基于自适应谐振理论的小区中断检测定位方法。
背景技术
在无线蜂窝网络中，以往有两类通过分析感兴趣的小区性能指标来检测小区是否发生中断的方式：一种是建立正常状态下的关键性能指标(Key Performance Indicator,KPI)档案，通过发现当前性能指标与档案的偏离来确定中断的发生；一种是收集正常与中断状态下的性能指标样本，学习从性能指标到该两类状态的映射模型，以分类的方式来判断中断是否发生。然而，这两类方式均需要有明确中断与否(即有标签)的历史KPI数据，与现实情况不符，若选择人工标注标签的方式则成本颇高；且收集和保存有标签数据用作档案也需要一定的时间和空间成本。所以需要一种采用无标签数据进行小区中断检测和定位的问题的方法。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于自适应谐振理论的小区中断检测定位方法，本发明准确而有效地定位中断小区。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于自适应谐振理论的小区中断检测定位方法，在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其关键性能指标 KPI信息、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论ART网络和K-S检验的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区；关键性能指标KPI信息包括服务小区参考信号接收功率、服务小区参考信号接收质量、最大邻区参考信号接收功率和最大邻区参考信号接收质量。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，包括以下步骤：
步骤一、网络状态数据获取；
在网络中，用户以测量报告的形式周期性地上报各类KPI信息；在包含多个小区的采集区域内，通过基站获取其服务用户的国际移动用户识别码IMSI、服务小区参考信号接收功率RSRPs、服务小区参考信号接收质量RSRQs、最大邻区参考信号接收功率RSRPn、最大邻区参考信号接收质量RSRQn，其中下标s和n分别表示服务小区和邻区；并获取用户上报时刻的二维位置坐标信息{loc1,loc2}，其中，loc1为纬度，loc2为经度；
定义矩阵D为一定时间内持续接收的用户测量报告信息，即：
其中，D为一个7行num列的矩阵，Dj为接收的第j条测量报告，j＝1，2…num， num为该段时间内接收的测量报告的总数量；矩阵中 Dj＝(RSRPsj,RSRQsj,RSRPnj,RSRQnj,IMSIj,loc1j,loc2j)T，T表示向量的转置，其中 RSRPsj为第j条测量报告中的服务小区参考信号接收功率，RSRQsj为第j条测量报告中的服务小区参考信号接收质量，RSRPnj为第j条测量报告中的最大邻区参考信号接收功率，RSRQnj为第j条测量报告中的最大邻区参考信号接收质量，IMSIj为第j条测量报告中的国际移动用户识别码，loc1j为第j条测量报告中的用户位置经度，loc2j为第j条测量报告中的用户位置纬度；
步骤二、利用用户的KPI信息，采用改进的ART方法对用户进行初始聚类；具体如下：
步骤(1)、规范化一定时间内接收的测量报告，即矩阵D中的KPI信息；将第 j条测量报告Dj中所保存的KPI信息记为则上标kpi表示取Dj的KPI分量；根据公式(1) 将规范化为Sj，Sj为规范化后第j条测量报告中的KPI分量；
其中，表示的长度；
定义集合S，初始S＝Φ，Φ表示空集；将num条测量报告规范化后的KPI信息Sj,j＝1,2,…,num依次加入集合S中，此时S＝{S1,S2,…,Snum}；将S集合中的一个元素作为聚类方法中ART网络的一条输入样本s，即取s∈S；
步骤(2)、根据中断检测的场景初始化聚类方法的ART网络；ART网络由两层结构、阈值和重置模块组成；其中，F1层为输入层，F1层每个输入神经元代表输入样本的一个维度；F2层为输出层，F2层每个输出神经元对应一个类；F2层输出神经元的数目以及对应的权重向量在训练过程中通过层间连接和重置模块得到更新；
将F2层输出神经元集合表示为N＝{N1,N2,…,NM}，其中Ni表示第i个输出神经元，i＝1,2,…,M，共有M个输出神经元；对应各输出神经元的权重向量集合为ω＝{ω1,ω2,…ωM}，其中ωi为第i个输出神经元的权重向量；定义集合 C＝{C1,C2,…,CM}对应M个输出神经元所代表的M个类,Ci表示被归为第i个类的所有输入样本的集合，Ci中包含的元素为已聚类样本；
针对中断检测的场景，初始化令M＝2，N＝{N1,N2}有两个输出神经元，N1权重向量为ω1，N2权重向量为ω2，取ω1、ω2值与S中任意两元素相等，ω＝{ω1,ω2}；此时C＝{C1,C2}＝{Φ,Φ}，Φ为空集，Φ表示当前C1和C2中无已聚类样本；集合S 中各个元素均包含了四类规范化后的KPI信息，故而初始化F1层输入神经元个数为4；
步骤(3)、取一输入样本s∈S，经步骤(4)根据欧式距离大小选择s的获胜神经元，即s所属的聚类；ART网络经步骤(5)至(6)判断网络在学习样本s后如何进行更新；
步骤(4)、找获胜神经元：根据公式(2)获得与s距离最小的权重向量ωi，记此权重向量为ωwin，相应的输出神经元即为获胜神经元，记为Nwin，Nwin对应的类为 Cwin；
步骤(5)、计算获胜神经元的阈值；根据公式(3)计算Nwin相应的阈值Twin；
其中，Intrawin为Nwin代表的类的最大类内距离，即Cwin中包含的已聚类样本间的最大距离；Interwin为Cwin中包含的已聚类样本与其他类包含的已聚类样本间的最小距离；
当Cwin中包含的元素个数|Cwin|≥2时，有
Intrawin＝max||Sk-St||，Sk,St∈Cwin
其中，Sk为Cwin中包含的第k个已聚类样本，St为Cwin中包含的第t个已聚类样本，|Cwin|表示Cwin中包含的已聚类样本的个数，Sk,St∈Cwin表示从Cwin中任取两元素；
否则置Intrawin＝0；
且Su∈Cwin
其中且表示从非获胜类所包含的元素中取一元素作为Sl； Su∈Cwin表示从获胜类Cwin的样本中取一元素作为Su；
步骤(6)、判断s和获胜神经元的距离与Twin间的大小关系，根据判断结果确定ART网络的更新方式；距离若小于等于Twin则激活获胜神经元，即更新获胜神经元权重向量，并将s归入该神经元代表的类中；距离若大于Twin则建立新的神经元，取新神经元权重向量ωM+1为当前输入样本，即令ωM+1＝s，新神经元代表的类中暂时没有元素，故取新神经元对应的类CM+1＝Φ；
步骤(7)、令S＝S\s，即将已输入到网络中的样本s从集合S中删去；
步骤(8)、重复步骤(3)至(7)直至S＝Φ，其中Φ表示空集，即逐个学习 S中的所有元素得到各个元素所属的类别，各个元素即为输入样本；经过以上步骤，输出层神经元个数更新为L个，L≥M；
步骤(9)、输出F2层神经元集合N＝{N1,N2,…NL}及各个神经元相应的类集合C＝{C1,C2,…,CL}，其中L表示输出层神经元个数，也即用户初始聚类数目；记录权重向量集合ω＝{ω1,ω2,…,ωL}，Np为第p个输出神经元，Cp为第p个输出神经元代表的类，ωp为第p个输出神经元的权重向量，p＝1,2,…,L；此时获得的集合C即为S经改进ART形成的初始聚类结果，C的第p个元素Cp中包含被归为第p 个类的所有样本；
步骤三、对用户初始聚类结果中的L个聚类两两进行K-S检验，进而得到用户样本的最终聚类结果G；
步骤四、故障定位；
当最终聚类结果G中元素个数|G|≥2时，认为包含样本数最多的类为正常类，而其余类为中断类；
根据步骤一所收集的位置信息，用不同标志将G中各个元素所包含的已聚类样本在采集区域内进行标记；观察是否有中断类样本集中分布在同一小区，若是则判断该小区为中断小区；若否则判断没有小区发生中断。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，步骤三具体如下：
步骤①、初始说明：对于步骤二获得的初始聚类结果C＝{C1,C2,…,CL}，其中任一类Cp中包含着确定为第p个聚类的np个已聚类样本，每个已聚类样本均为规范化后的四维KPI的形式，p＝1,2,…,L；
步骤②、任取初始聚类结果中两个聚类Cp、Cq，p≠q，Cp为初始聚类结果中的第p个元素，Cq为初始聚类结果中的第q个元素；根据公式(4)逐个计算Cp、Cq中包含的已聚类样本在KPI维度v上的p-值；
在某个KPI维度v上，Cp中所包含已聚类样本在v上的值构成v值序列其中 表示Cp中包含的第r个已聚类样本在v上的值；Cq中包含的已聚类样本在v上的值构成有v值序列其中 表示Cq中第w个已聚类样本在v上的值；np、nq分别为Cp、 Cq中包含的已聚类样本个数；根据式(4)得到Cp、Cq中样本在维度v上p-值pv；
其中
en为一计算中间量，d为的累计分布函数间的最大绝对距离，KMG(*) 为柯尔莫哥洛夫函数，Cp、Cq中的四个KPI维度对应四个p-值，逐个代入式(4)得到序列P中各维度分别为Cp、Cq中样本在服务小区参考信号接收功率RSRPs、服务小区参考信号接收质量RSRQs、最大邻区参考信号接收功率RSRPn、最大邻区参考信号接收质量 RSRQn维度上的p-值；
步骤③、判断P中各维度值与预先确定的显著性水平的大小关系；
若P中所有KPI的p-值均小于预先定义的显著性水平值，则判定Cp、Cq统计特性不同，这符合聚类的目标，故不进行操作；否则判定Cp、Cq统计相似，合并聚类Cp、Cq；合并后的新的第p个类以Gp表示，即令Gp＝Cp∪Cq，并用更新后的类Gp代替初始聚类结果中的Cp、Cq；
步骤④、重复步骤②至③，直至初始聚类结果中不存在元素间统计相似；若有某聚类Ci从未进行合并操作，令新类Gi＝Ci∪Φ并用Gi代替初始聚类结果中的Ci，Φ表示空集；
步骤⑤、定义集合G，G中保存步骤③及④中获得的新类；
此时获得的G即为KPI规范化数据集合S的最终聚类结果，用户数据最终被分为|G|个类，|G|代表G中元素个数。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，步骤(5)中，当有神经元Ni代表的类中暂无样本，即Ci＝Φ时，在计算Interwin时暂取该神经元权重向量ωi为该类代表，即在且仅在此时令Ci＝{ωi}。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，步骤(6)的判断方式如下：若||s-ωwin||≤Twin，则激活Nwin，
根据更新获胜神经元权重向量ωwin，使得获胜神经元权重向量向当前样本向量方向靠近，其中表示更新后的获胜神经元权重向量，α为学习速率，α表示获胜神经元权重向量向当前样本靠近程度的大小，0＜α＜1；同时令即将样本s归入Nwin所代表的类中，其中表示更新后的获胜类；
若||s-ωwin||＞Twin，则建立一新神经元NM+1，且令该节点的权重向量ωM+1＝s为当前输入样本，新神经元对应的类样本集合CM+1＝Φ，Φ为空集；此时更新后的神经元集合为N＝{N1,N2,…,NM,NM+1}，权重向量集合为ω＝{ω1,ω2,…,ωM,ωM+1}，相应M+1个类的集合为C＝{C1,C2,…,CM,CM+1}。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，步骤(2)中，针对中断检测的场景指中断和正常两类场景。
作为本发明所述的一种基于自适应谐振理论的小区中断检测定位方法进一步优化方案，正常指非中断。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明中采用的基于改进ART与K-S检验结合的聚类方法无需为每个小区提前保存正常状态下的KPI档案作为衡量标准，也无需大量的明确中断与否的历史数据建立模型，只需要利用小区中用户周期性上报的测量报告信息对小区用户进行聚类，进而定位中断小区；
(2)本发明的方法充分考虑到了现实情况下无线网络中小区有标签历史数据稀缺的困难，其采用的对无标签测量报告信息进行聚类的方法能够在节约网络收集、保存历史正常KPI数据所需的时间和空间成本的同时，准确而有效地定位中断小区。
附图说明
图1是小区中断检测定位方法流程图。
图2是改进的ART结构。
图3是在信干噪比图上的中断小区定位。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
本发明的目的是提供一种采用无标签KPI信息进行小区中断检测定位的方法。该方法在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其 KPI、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论 (AdaptiveResonance Theory,ART)网络和K-S检验(Kolmogorov-Smirnov test)的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区。
本发明的特点是运用基于ART的聚类方法来自动检测和定位中断小区，其符合对网络无先验知识的条件。ART方法中定义了一个阈值参数，其值对聚类结果有很大的影响。传统ART方法中往往以手动方式设定该阈值参数的值，单一设定值对样本学习性能差，以致不能很好地反应样本数据分布。考虑到此问题，本发明引入了自适应调整阈值来改进传统ART方法。另外，考虑到无标签数据最终具体聚类数目不能提前准确预知的情况，本发明引入K-S检验对经改进ART方法产生的聚类进行进一步统计特性分析，从而产生最终的聚类结果。本发明中基于ART方法充分考虑了网络中有标签历史数据少甚至没有的情况，其与K-S检验结合的方法能够准确而有效地完成小区中断检测功能，结合位置信息对中断小区的定位效果良好。
本发明的技术方案框架如图1所示，其对应下文中的四个步骤。其中步骤一为用户数据收集的过程，步骤二、三为对用户数据进行处理和聚类的过程，步骤四为根据聚类结果检测和定位中断小区的过程。
步骤一：网络状态数据获取。
在现有网络，比如LTE(Long Term Evolution)网络中，用户以测量报告的形式周期性地上报各类KPI信息。在采集区域内，通过基站可获取其服务用户的国际移动用户识别码(International Mobile Subscriber Identification Number,IMSI)、服务小区参考信号接收功率RSRPs(Reference Signal Receiving Power)、服务小区参考信号接收质量RSRQs(Reference Signal Receiving Quality)、最大邻区参考信号接收功率 (RSRPn)、最大邻区参考信号接收质量(RSRQn)等信息，其中下标s和n分别表示服务小区serving和邻区neighbor；并能获取用户上报时刻的二维位置坐标信息 {loc1,loc2}，其中loc1为纬度，loc2为经度。
本例中，运营商网络采集区域内包括27个宏基站，区域中用户以480ms为周期上报测量报告，报告中包括其服务用户IMSI、RSRPs、RSRQs、RSRPn、RSRQn等信息，并能获取用户上报时刻的二维位置坐标信息{loc1,loc2}。
定义矩阵D＝[D1,D2，…,Dnum]为3s时间内持续接收的用户测量报告，即：
D为一个7行num列的矩阵，其中num为该段时间内接收的测量报告的总数量，本例中num＝3183，即共3183条数据。D中列Dj为第j条测量报告， Dj＝(RSRPsj,RSRQsj,RSRPnj,RSRQnj,IMSIj,loc1j,loc2j)T，表示某个时刻某用户上报的四类KPI信息、用户识别码以及位置信息，上标T表示向量的转置。下标s和n 分别表示服务小区和邻区。
步骤二：利用用户的KPI信息，采用改进的ART方法进行初始聚类。
(1)、规范化一定时间内接收的测量报告，即矩阵D中的KPI信息。矩阵D第一至四行中分别保存有num个样本的四类KPI信息。将第j条测量报告Dj中所保存的KPI信息记为
则上标kpi表示取Dj的KPI分量；根据公式(1)将规范化为Sj，j＝1,2,…,num，Sj为规范化后第j条测量报告中的 KPI分量；
定义集合S，初始S＝Φ，Φ表示空集。将num条测量报告规范化后的KPI信息Sj,j＝1,2,…,num依次加入样本集合S中，形成集合S＝{S1,S2,…,Snum}，其中元素Sj由公式(1)得到。将S中各元素作为ART网络的输入样本。
(2)、初始化ART网络。本发明中ART网络由如图2所示的两层结构及阈值、重置模块组成。F1层每个输入神经元代表某输入样本s的一个维度。将F2层输出神经元集合表示为N＝{N1,N2,…,NM}，其中Ni表示第i个输出神经元，共有M个输出神经元；对应各输出神经元的权重向量集合为ω＝{ω1,ω2,…ωM}，其中ωi为第i 个输出神经元的权重向量；定义集合C＝{C1,C2,…,CM}对应M个输出神经元所代表的M个类；其中Ci表示被归为第i个类的所有输入样本的集合，Ci中包含的元素为已聚类样本；
针对中断检测的场景，初始化令M＝2，N＝{N1,N2}有两个输出神经元，N1权重向量为ω1，N2权重向量为ω2，取ω1、ω2值与S中任意两元素相等，ω＝{ω1,ω2}；此时C＝{C1,C2}＝{Φ,Φ}，Φ为空集，Φ表示当前C1和C2中无已聚类样本；集合S 中各个元素均包含了四类规范化后的KPI信息，故而初始化F1层输入神经元个数为4；
(3)、取一输入样本s∈S。
(4)、根据公式(2)获得与s距离最小的权重向量ωi，记此权重向量为ωwin，相应的输出神经元即为获胜神经元，记为Nwin，Nwin对应的类为Cwin。本例ART网络中与当前输入样本s距离最小的权重向量为ω2；相应的获胜神经元为N2，对应的被归为该类的样本集合为C2，此时C2＝Φ。
(5)、根据式(3)计算N2的阈值其中Intra2为C2所包含的已聚类样本间的最大距离。本例中C2中包含已聚类样本个数|C2|＜2，故置Intra2＝0。
Inter2为C2中样本与不属于C2的已聚类样本间的最小类间距离。有
且Su∈C2
其中且表示从非获胜类所包含的元素中取一元素作为Sl； Su∈C2表示从获胜类C2的样本中取一元素作为Su；又注意到此时C1、C2均为Φ，在计算Inter2时暂取C1＝{ω1}，C2＝{ω2}。
(6)、判断||s-ω2||与T2的关系。本例中前者小于后者，故而更新ω2值，使取α＝0.2，其中表示更新后的ω2值。同时令即将样本s归入N2所代表的类中，其中表示更新后的类C2。
(7)、从集合S除去s。
(8)、重复技术方案步骤二中的流程(3)至(7)以不断更新着输出层神经元数目和对应权重向量，直至S＝Φ，Φ表示空集，即所有样本均被网络学习(即已输入到网络中)。本例中输出层神经元数目最终更新为6个。
(9)、本例中得到初始聚类结果神经元集合N＝{N1,N2,…N6}，共分为6类；权重向量集合ω＝{ω1,ω2,…,ω6}，各神经元代表的类集合C＝{C1,C2,…,C6}。此时获得的集合C即为数据集S经改进ART形成的初始聚类结果，C的第i个元素Ci中包含被归为聚类i的所有样本。
步骤三：K-S检验
(1)、对于步骤二获得的初始聚类结果C＝{C1,C2,…,C6}，其中任一类Cp中包含着确定为第p个类的np个已聚类样本，每个已聚类样本均为规范化后的四维 KPI的形式，p＝1,2,…,6。
(2)、任取初始聚类结果C中的两个聚类如C1、C4计算其样本间各个KPI的 p-值。如表1所示，根据式(4)逐个得到C1、C4中样本在各个KPI维度上的p-值。
表1 C1、C4两聚类在各KPI上的p-值
(3)、表1中类C1、C4在各个KPI维度上的p-值均大于定义的显著性水平 (0.001)，故而判断C1、C4统计相似，应当进行合并。合并聚类C1、C4至G1。合并后的新G1＝C1∪C4，并用新类代替初始聚类结果中的C1、C4。此时聚类结果更新为C＝{G1,C2,C3,C5,C6}。
(4)、重复技术方案步骤三中流程(2)至(3)，直至聚类结果中不存在元素间统计相似。
(5)、获得集合G＝{G1,G5}。
此时获得的集合G即为KPI规范化数据集S的最终聚类结果。
步骤四：故障定位
由最终聚类结果G＝{G1,G5}可知，用户数据集最终被分为G1、G5两类，G1中包含的已聚类样本数目最多，故而判断其为正常类；G5为中断类。结合获取的用户位置信息我们将两类中的样本用不同标志来标记，进而定位故障发生区域。本例中以“+”形图案表示G1中样本，以“·”图案表示G5中样本。图3展示了在采集区域内的信干噪比(Signal-to-interference-plus-noise ratio,SINR)图上进行中断小区定位的情形，由图3可以发现中断类所包含的用户集中在基站14(3)，即扇区42中，因而判断该小区为中断小区。
这与网络真实故障状况是一致的。由此说明本发明的基于ART和K-S检验的中断检测方法能够在采用无标签历史数据的情况下，准确、有效地判断小区状态正常与否。
以上所述，仅为本发明的具体实施方式，但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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其关键性能指标KPI信息、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论ART网络和K-S检验的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区；关键性能指标KPI信息包括服务小区参考信号接收功率、服务小区参考信号接收质量、最大邻区参考信号接收功率和最大邻区参考信号接收质量。
2.根据权利要求1所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，包括以下步骤：
步骤一、网络状态数据获取；
在网络中，用户以测量报告的形式周期性地上报各类KPI信息；在包含多个小区的采集区域内，通过基站获取其服务用户的国际移动用户识别码IMSI、服务小区参考信号接收功率RSRPs、服务小区参考信号接收质量RSRQs、最大邻区参考信号接收功率RSRPn、最大邻区参考信号接收质量RSRQn，其中下标s和n分别表示服务小区和邻区；并获取用户上报时刻的二维位置坐标信息{loc1,loc2}，其中，loc1为纬度，loc2为经度；
定义矩阵D为一定时间内持续接收的用户测量报告信息，即：
其中，D为一个7行num列的矩阵，Dj为接收的第j条测量报告，j＝1，2…num，num为该段时间内接收的测量报告的总数量；矩阵中Dj＝(RSRPsj,RSRQsj,RSRPnj,RSRQnj,IMSIj,loc1j,loc2j)T，T表示向量的转置，其中RSRPsj为第j条测量报告中的服务小区参考信号接收功率，RSRQsj为第j条测量报告中的服务小区参考信号接收质量，RSRPnj为第j条测量报告中的最大邻区参考信号接收功率，RSRQnj为第j条测量报告中的最大邻区参考信号接收质量，IMSIj为第j条测量报告中的国际移动用户识别码，loc1j为第j条测量报告中的用户位置经度，loc2j为第j条测量报告中的用户位置纬度；
步骤二、利用用户的KPI信息，采用改进的ART方法对用户进行初始聚类；具体如下：
步骤(1)、规范化一定时间内接收的测量报告，即矩阵D中的KPI信息；将第j条测量报告Dj中所保存的KPI信息记为则
上标kpi表示取Dj的KPI分量；根据公式(1)将规范化为Sj，Sj为规范化后第j条测量报告中的KPI分量；
其中，表示的长度；
定义集合S，初始S＝Φ，Φ表示空集；将num条测量报告规范化后的KPI信息Sj,j＝1,2,…,num依次加入集合S中，此时S＝{S1,S2,…,Snum}；将S集合中的一个元素作为聚类方法中ART网络的一条输入样本s，即取s∈S；
步骤(2)、根据中断检测的场景初始化聚类方法的ART网络；ART网络由两层结构、阈值和重置模块组成；其中，F1层为输入层，F1层每个输入神经元代表输入样本的一个维度；F2层为输出层，F2层每个输出神经元对应一个类；F2层输出神经元的数目以及对应的权重向量在训练过程中通过层间连接和重置模块得到更新；
将F2层输出神经元集合表示为N＝{N1,N2,…,NM}，其中Ni表示第i个输出神经元，i＝1,2,…,M，共有M个输出神经元；对应各输出神经元的权重向量集合为ω＝{ω1,ω2,…ωM}，其中ωi为第i个输出神经元的权重向量；定义集合C＝{C1,C2,…,CM}对应M个输出神经元所代表的M个类,Ci表示被归为第i个类的所有输入样本的集合，Ci中包含的元素为已聚类样本；
针对中断检测的场景，初始化令M＝2，N＝{N1,N2}有两个输出神经元，N1权重向量为ω1，N2权重向量为ω2，取ω1、ω2值与S中任意两元素相等，ω＝{ω1,ω2}；此时C＝{C1,C2}＝{Φ,Φ}，Φ为空集，Φ表示当前C1和C2中无已聚类样本；集合S中各个元素均包含了四类规范化后的KPI信息，故而初始化F1层输入神经元个数为4；
步骤(3)、取一输入样本s∈S，经步骤(4)根据欧式距离大小选择s的获胜神经元，即s所属的聚类；ART网络经步骤(5)至(6)判断网络在学习样本s后如何进行更新；
步骤(4)、找获胜神经元：根据公式(2)获得与s距离最小的权重向量ωi，记此权重向量为ωwin，相应的输出神经元即为获胜神经元，记为Nwin，Nwin对应的类为Cwin；
步骤(5)、计算获胜神经元的阈值；根据公式(3)计算Nwin相应的阈值Twin；
其中，Intrawin为Nwin代表的类的最大类内距离，即Cwin中包含的已聚类样本间的最大距离；Interwin为Cwin中包含的已聚类样本与其他类包含的已聚类样本间的最小距离；
当Cwin中包含的元素个数|Cwin|≥2时，有
Intrawin＝max||Sk-St||，Sk,St∈Cwin
其中，Sk为Cwin中包含的第k个已聚类样本，St为Cwin中包含的第t个已聚类样本，|Cwin|表示Cwin中包含的已聚类样本的个数，Sk,St∈Cwin表示从Cwin中任取两元素；
否则置Intrawin＝0；
Interwin＝min||Sl-Su||，且Su∈Cwin
其中且表示从非获胜类所包含的元素中取一元素作为Sl；Su∈Cwin表示从获胜类Cwin的样本中取一元素作为Su；
步骤(6)、判断s和获胜神经元的距离与Twin间的大小关系，根据判断结果确定ART网络的更新方式；距离若小于等于Twin则激活获胜神经元，即更新获胜神经元权重向量，并将s归入该神经元代表的类中；距离若大于Twin则建立新的神经元，取新神经元权重向量ωM+1为当前输入样本，即令ωM+1＝s，新神经元代表的类中暂时没有元素，故取新神经元对应的类CM+1＝Φ；
步骤(7)、令S＝S\s，即将已输入到网络中的样本s从集合S中删去；
步骤(8)、重复步骤(3)至(7)直至S＝Φ，其中Φ表示空集，即逐个学习S中的所有元素得到各个元素所属的类别，各个元素即为输入样本；经过以上步骤，输出层神经元个数更新为L个，L≥M；
步骤(9)、输出F2层神经元集合N＝{N1,N2,…NL}及各个神经元相应的类集合C＝{C1,C2,…,CL}，其中L表示输出层神经元个数，也即用户初始聚类数目；记录权重向量集合ω＝{ω1,ω2,…,ωL}，Np为第p个输出神经元，Cp为第p个输出神经元代表的类，ωp为第p个输出神经元的权重向量，p＝1,2,…,L；此时获得的集合C即为S经改进ART形成的初始聚类结果，C的第p个元素Cp中包含被归为第p个类的所有样本；
步骤三、对用户初始聚类结果中的L个聚类两两进行K-S检验，进而得到用户样本的最终聚类结果G；
步骤四、故障定位；
当最终聚类结果G中元素个数|G|≥2时，认为包含样本数最多的类为正常类，而其余类为中断类；
根据步骤一所收集的位置信息，用不同标志将G中各个元素所包含的已聚类样本在采集区域内进行标记；观察是否有中断类样本集中分布在同一小区，若是则判断该小区为中断小区；若否则判断没有小区发生中断。
3.根据权利要求2所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，步骤三具体如下：
步骤①、初始说明：对于步骤二获得的初始聚类结果C＝{C1,C2,…,CL}，其中任一类Cp中包含着确定为第p个聚类的np个已聚类样本，每个已聚类样本均为规范化后的四维KPI的形式，p＝1,2,…,L；
步骤②、任取初始聚类结果中两个聚类Cp、Cq，p≠q，Cp为初始聚类结果中的第p个元素，Cq为初始聚类结果中的第q个元素；根据公式(4)逐个计算Cp、Cq中包含的已聚类样本在KPI维度v上的p-值；
在某个KPI维度v上，Cp中所包含已聚类样本在v上的值构成v值序列其中 表示Cp中包含的第r个已聚类样本在v上的值；Cq中包含的已聚类样本在v上的值构成有v值序列其中 表示Cq中第w个已聚类样本在v上的值；np、nq分别为Cp、Cq中包含的已聚类样本个数；根据式(4)得到Cp、Cq中样本在维度v上p-值pv；
其中
en为一计算中间量，d为的累计分布函数间的最大绝对距离，KMG(*)为柯尔莫哥洛夫函数，Cp、Cq中的四个KPI维度对应四个p-值，逐个代入式(4)得到序列P中各维度分别为Cp、Cq中样本在服务小区参考信号接收功率RSRPs、服务小区参考信号接收质量RSRQs、最大邻区参考信号接收功率RSRPn、最大邻区参考信号接收质量RSRQn维度上的p-值；
步骤③、判断P中各维度值与预先确定的显著性水平的大小关系；
若P中所有KPI的p-值均小于预先定义的显著性水平值，则判定Cp、Cq统计特性不同，这符合聚类的目标，故不进行操作；否则判定Cp、Cq统计相似，合并聚类Cp、Cq；合并后的新的第p个类以Gp表示，即令Gp＝Cp∪Cq，并用更新后的类Gp代替初始聚类结果中的Cp、Cq；
步骤④、重复步骤②至③，直至初始聚类结果中不存在元素间统计相似；若有某聚类Ci从未进行合并操作，令新类Gi＝Ci∪Φ并用Gi代替初始聚类结果中的Ci，Φ表示空集；
步骤⑤、定义集合G，G中保存步骤③及④中获得的新类；
此时获得的G即为KPI规范化数据集合S的最终聚类结果，用户数据最终被分为|G|个类，|G|代表G中元素个数。
4.根据权利要求2所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，步骤(5)中，当有神经元Ni代表的类中暂无样本，即Ci＝Φ时，在计算Interwin时暂取该神经元权重向量ωi为该类代表，即在且仅在此时令Ci＝{ωi}。
5.根据权利要求2所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，步骤(6)的判断方式如下：若||s-ωwin||≤Twin，则激活Nwin，根据更新获胜神经元权重向量ωwin，使得获胜神经元权重向量向当前样本向量方向靠近，其中表示更新后的获胜神经元权重向量，α为学习速率，α表示获胜神经元权重向量向当前样本靠近程度的大小，0＜α＜1；同时令即将样本s归入Nwin所代表的类中，其中表示更新后的获胜类；
若||s-ωwin||＞Twin，则建立一新神经元NM+1，且令该节点的权重向量ωM+1＝s为当前输入样本，新神经元对应的类样本集合CM+1＝Φ，Φ为空集；此时更新后的神经元集合为N＝{N1,N2,…,NM,NM+1}，权重向量集合为ω＝{ω1,ω2,…,ωM,ωM+1}，相应M+1个类的集合为C＝{C1,C2,…,CM,CM+1}。
6.根据权利要求2所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，步骤(2)中，针对中断检测的场景指中断和正常两类场景。
7.根据权利要求2或6所述的一种基于自适应谐振理论的小区中断检测定位方法，其特征在于，正常指非中断。
CN201910242265.5A 2019-03-28 2019-03-28 一种基于自适应谐振理论的小区中断检测定位方法 Active CN110062410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910242265.5A CN110062410B (zh) 2019-03-28 2019-03-28 一种基于自适应谐振理论的小区中断检测定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910242265.5A CN110062410B (zh) 2019-03-28 2019-03-28 一种基于自适应谐振理论的小区中断检测定位方法

Publications (2)

Publication Number Publication Date
CN110062410A true CN110062410A (zh) 2019-07-26
CN110062410B CN110062410B (zh) 2021-09-28

Family

ID=67317479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910242265.5A Active CN110062410B (zh) 2019-03-28 2019-03-28 一种基于自适应谐振理论的小区中断检测定位方法

Country Status (1)

Country Link
CN (1) CN110062410B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110753369A (zh) * 2019-10-23 2020-02-04 中国联合网络通信集团有限公司 一种中断小区检测方法及装置
CN110995461A (zh) * 2019-10-28 2020-04-10 厦门大学 网络故障诊断方法
CN111405605A (zh) * 2020-03-24 2020-07-10 东南大学 一种基于自组织映射的无线网络中断检测方法
WO2021057382A1 (zh) * 2019-09-23 2021-04-01 中兴通讯股份有限公司 一种异常检测方法、装置、终端及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009013754A1 (en) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Chemically sensitive field effect transistors and use thereof in electronic nose devices
CN101505514A (zh) * 2008-02-04 2009-08-12 华为技术有限公司 切换失败的处理方法、检测切换成功的方法和装置
CN102083082A (zh) * 2009-11-30 2011-06-01 中国移动通信集团湖南有限公司 一种监测小区覆盖范围的方法及装置
CN102685792A (zh) * 2011-03-10 2012-09-19 电信科学技术研究院 一种无线链路监测的方法、系统和设备
CN102932826A (zh) * 2012-11-30 2013-02-13 北京邮电大学 蜂窝移动通信系统网络自组织中的小区中断探测定位方法
CN103458453A (zh) * 2012-05-30 2013-12-18 中国移动通信集团黑龙江有限公司 网络分析方法、装置及系统
JP2014075868A (ja) * 2012-10-03 2014-04-24 Ntn Corp 電気自動車のモータ異常検出装置
WO2016112209A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
CN105897517A (zh) * 2016-06-20 2016-08-24 广东电网有限责任公司信息中心 一种基于svm的网络流量异常检测方法
CN106411597A (zh) * 2016-10-14 2017-02-15 广东工业大学 一种网络流量异常检测方法及系统
CN107005872A (zh) * 2014-12-02 2017-08-01 瑞典爱立信有限公司 通信网络中的休眠小区的检测
CN107071789A (zh) * 2017-03-23 2017-08-18 西安电子科技大学 一种基于多模基站的高速场景切换方法
CN107249000A (zh) * 2017-07-06 2017-10-13 河南科技大学 一种移动用户异常行为检测方法
US20170310541A1 (en) * 2016-04-25 2017-10-26 Cisco Technology, Inc. Hybrid fibre coaxial fault classification in cable network environments
WO2018023362A1 (zh) * 2016-08-02 2018-02-08 邹霞 电源计数器故障检测系统
CN108601029A (zh) * 2018-03-15 2018-09-28 中国联合网络通信集团有限公司 基站建设评估方法及装置
CN108683518A (zh) * 2018-03-30 2018-10-19 中国电子科技集团公司电子科学研究院 对天地协同快响互联网应用体系的数据处理方法及装置
CN109450666A (zh) * 2018-10-12 2019-03-08 新华三技术有限公司成都分公司 分布式系统网络管理方法及装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009013754A1 (en) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Chemically sensitive field effect transistors and use thereof in electronic nose devices
CN101505514A (zh) * 2008-02-04 2009-08-12 华为技术有限公司 切换失败的处理方法、检测切换成功的方法和装置
CN102083082A (zh) * 2009-11-30 2011-06-01 中国移动通信集团湖南有限公司 一种监测小区覆盖范围的方法及装置
CN102685792A (zh) * 2011-03-10 2012-09-19 电信科学技术研究院 一种无线链路监测的方法、系统和设备
CN103458453A (zh) * 2012-05-30 2013-12-18 中国移动通信集团黑龙江有限公司 网络分析方法、装置及系统
JP2014075868A (ja) * 2012-10-03 2014-04-24 Ntn Corp 電気自動車のモータ異常検出装置
CN102932826A (zh) * 2012-11-30 2013-02-13 北京邮电大学 蜂窝移动通信系统网络自组织中的小区中断探测定位方法
CN107005872A (zh) * 2014-12-02 2017-08-01 瑞典爱立信有限公司 通信网络中的休眠小区的检测
WO2016112209A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
US20170310541A1 (en) * 2016-04-25 2017-10-26 Cisco Technology, Inc. Hybrid fibre coaxial fault classification in cable network environments
CN105897517A (zh) * 2016-06-20 2016-08-24 广东电网有限责任公司信息中心 一种基于svm的网络流量异常检测方法
WO2018023362A1 (zh) * 2016-08-02 2018-02-08 邹霞 电源计数器故障检测系统
CN106411597A (zh) * 2016-10-14 2017-02-15 广东工业大学 一种网络流量异常检测方法及系统
CN107071789A (zh) * 2017-03-23 2017-08-18 西安电子科技大学 一种基于多模基站的高速场景切换方法
CN107249000A (zh) * 2017-07-06 2017-10-13 河南科技大学 一种移动用户异常行为检测方法
CN108601029A (zh) * 2018-03-15 2018-09-28 中国联合网络通信集团有限公司 基站建设评估方法及装置
CN108683518A (zh) * 2018-03-30 2018-10-19 中国电子科技集团公司电子科学研究院 对天地协同快响互联网应用体系的数据处理方法及装置
CN109450666A (zh) * 2018-10-12 2019-03-08 新华三技术有限公司成都分公司 分布式系统网络管理方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ALEXANDRU PREDESCU等: "A fault sensitivity analysis for anomaly detection in water distribution systems using Machine Learning algorithms", 《 2018 IEEE 14TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTER COMMUNICATION AND PROCESSING (ICCP)》 *
SAMIRA REZAEI等: "Automatic fault detection and diagnosis in cellular networks using operations support systems data", 《NOMS 2016 - 2016 IEEE/IFIP NETWORK OPERATIONS AND MANAGEMENT SYMPOSIUM》 *
UMAIR SAJID HASHMI等: "Enabling Proactive Self-Healing by Data Mining", 《2017 INTERNATIONAL CONFERENCE ON COMPUTING, NETWORKING AND COMMUNICATIONS (ICNC): CLOUD COMPUTING AND BIG DATA》 *
WANRONG FENG等: "CELL OUTAGE DETECTION BASED ON IMPROVED BP NEURAL NETWORK IN LTE SYSTEM", 《11TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING (WICOM 2015)》 *
YUTING WANG等: "A Cooperative Outage Detection Approach Using an Improved RBF Neural Network with Genetic ABC Algorithm", 《2018 10TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
史勇: "基于自适应谐振理论的网络异常检测及其优化方法", 《中国优秀硕士学位论文库》 *
宋跃忠: "基于时间集成与自适应谐振的深度学习方法研究", 《中国优秀硕士学位论文库》 *
许友昌: "云环境下面向智能运维的KPI异常检测研究", 《中国优秀硕士学位论文库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021057382A1 (zh) * 2019-09-23 2021-04-01 中兴通讯股份有限公司 一种异常检测方法、装置、终端及存储介质
CN110753369A (zh) * 2019-10-23 2020-02-04 中国联合网络通信集团有限公司 一种中断小区检测方法及装置
CN110753369B (zh) * 2019-10-23 2022-09-02 中国联合网络通信集团有限公司 一种中断小区检测方法及装置
CN110995461A (zh) * 2019-10-28 2020-04-10 厦门大学 网络故障诊断方法
CN110995461B (zh) * 2019-10-28 2021-06-22 厦门大学 网络故障诊断方法
CN111405605A (zh) * 2020-03-24 2020-07-10 东南大学 一种基于自组织映射的无线网络中断检测方法

Also Published As

Publication number Publication date
CN110062410B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110062410A (zh) 一种基于自适应谐振理论的小区中断检测定位方法
CN108513251B (zh) 一种基于mr数据的定位方法及系统
CN110213724B (zh) 一种伪基站运动轨迹的识别方法
Khatib et al. Self-healing in mobile networks with big data
CN103874200A (zh) 一种楼层识别方法及系统
CN107027148B (zh) 一种基于UE速度的Radio Map分类定位方法
CN105682224B (zh) 一种免离线训练的分布式无线指纹定位方法
CN101867486A (zh) 一种无线传感器网络故障诊断方法
CN106714109A (zh) 基于众包数据的WiFi指纹库更新方法
CN111405585B (zh) 一种基于卷积神经网络的邻区关系预测方法
CN104185275A (zh) 一种基于wlan的室内定位方法
Xue et al. Classification-based approach for cell outage detection in self-healing heterogeneous networks
CN113709779B (zh) 一种蜂窝网络故障诊断方法
CN108242946A (zh) 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法
CN113596989B (zh) 一种用于智慧车间的室内定位方法及系统
CN107370617A (zh) 基于svm的蜂窝网络故障诊断系统
CN106793085A (zh) 基于正态假设检验的指纹定位方法
CN114268981A (zh) 网络故障检测与诊断方法及系统
CN110430578A (zh) 基于移动终端数据实现小区方位角预测的方法
CN107451605A (zh) 一种基于信道状态信息和支持向量机的简单目标识别方法
CN110139315B (zh) 一种基于自我学习的无线网络故障检测方法
CN110933628A (zh) 基于孪生网络的指纹室内定位方法
Savazzi et al. Cellular data analytics for detection and discrimination of body movements
CN106993296A (zh) 终端的性能评估方法及装置
CN111405605B (zh) 一种基于自组织映射的无线网络中断检测方法

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
GR01 Patent grant
GR01 Patent grant