CN110661648A - 基于自学习推理矩阵确定无线网络问题根因的方法和装置 - Google Patents

Abstract

本发明涉及一种基于自学习推理矩阵确定无线网络问题根因的方法和装置，方法包括：在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；确定每个评价因素的置信度；根据置信度和匹配出的所述二维推理矩阵中的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。装置包括：推理矩阵匹配单元，用于在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；置信度计算单元，用于根据所述小区的采集数据确定每个评价因素的置信度；问题根因确定单元，用于确定所述当前无线网络问题的问题根因。该方法和装置具有可扩展性，能够根因定位，具有大数据特性，优化了处理时效。

Description

基于自学习推理矩阵确定无线网络问题根因的方法和装置

技术领域

本发明属于计算机应用领域，具体涉及一种基于自学习推理矩阵确定无线网络问题根因的方法和装置。

背景技术

随着通信技术的迅速发展，现有的通信系统智能分析模块在开发部分存在着频繁的功能变更，在提出新需求或需求变更的情况下，需要不断地变换分析逻辑，提高了开发难度，降低了开发效率。

图1为现有的通信系统智能分析模块在开发部分的示意流程图。如图1所示，在提出新需求或需求变更的情况下，如果是更新现有维度则开发人员需要修改原程序，如果是新增维度则开发人员重新发新功能，而开发人员不论是修改原有程序还是重新开发新功能，开发人员都需要变化分析逻辑，提高了开发难度，降低了开发效率。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种基于自学习推理矩阵确定无线网络问题根因的方法和装置。该方法和装置采用分析推理矩阵模型，对于需求变更或功能变更后导致的维度增加，只需要增加元素和元素相应的权值，不需要重新开发。

为达到以上目的，本发明采用的技术方案如下：

一方面，提出一种基于自学习推理矩阵确定无线网络问题根因的方法，包括以下步骤：

在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；

根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度；所述评价因素的置信度表示所述评价因素对所述当前无线网络问题影响程度的实际权值；

根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因；

所述推理矩阵包括多个二维推理矩阵，一个所述二维推理矩阵对应一个无线网络问题，所述二维推理矩阵的一列表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一行表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值。

进一步地，根据所述小区的采集数据确定所述小区的每个评价指标的置信度包括：

根据所述小区的采集数据确定所述小区的每个评价因素的值；

根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

进一步地，所述二维推理矩阵中每个问题原因的所有评价因素的经验权值被设置为总和相等。

进一步地，根据所述小区的每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因包括：

对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果；

比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

进一步地，比较各个问题原因的所述权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因，包括：

比较各个问题原因的权值结果；

按照所述权值结果从大到小的顺序排列所述匹配出的二维推理矩阵中的所有问题原因中的主次顺序；

将权值结果最大的问题原因确定为所述无线网络问题的问题根因。

进一步地，比较各个问题原因的所述权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因，包括：

比较各个无线网络问题原因的所述权值结果；

将所述权值结果在设定的根因门限值以上的问题原因确定为所述无线网络问题的问题根因。

进一步地，所述方法还包括：

如果确定的所述无线网络问题的问题根因与用户反馈的问题根因不一致，根据用户反馈的问题根因和问题原因的评价因素，修正所述无线网络问题对应的二维推理矩阵中评价因素的经验权值。

另一方面，提出一种基于自学习推理矩阵确定无线网络问题根因的装置。该基于自学习推理矩阵确定无线网络问题根因的装置，包括：推理矩阵匹配单元，用于在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；置信度计算单元，用于根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度；所述评价因素的置信度表示所述评价因素对所述当前无线网络问题影响程度的实际权值；问题根因确定单元，用于根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值；从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因；其中，推理矩阵包括多个二维推理矩阵，一个所述二维推理矩阵对应一个无线网络问题，所述二维推理矩阵的一列表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一行表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值。

进一步地，根据所述小区的采集数据确定所述小区的每个评价指标的置信度包括：

根据所述小区的采集数据确定所述小区的每个评价因素的值；

根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

进一步地，所述问题根因确定单元包括：

权值结果计算单元，用于对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果；

权值结果比较单元，比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

本发明的效果如下：

本发明提供的推理矩阵中包括多个二维推理矩阵，一个二维推理矩阵对应一个无线网络问题，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值，在利用推理矩阵确定小区产生一个无线网络问题的问题根因时，利用与该无线网络问题对应的每个评价因素的置信度和该无线网络问题对应的二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从该无线网络问题对应的二维推理矩阵中确定该无线网络问题的问题根因。在需求变更或新需求引起该无线网络问题的问题原因的评价因素增加或变更时，可以灵活在对应的二维推理矩阵中增加或变更评价因素，也可以灵活变更评价因素的经验权值，而不需要重新根据需求开发新的问题根因分析系统。同理，在需求变更或新需求引起该无线网络问题的问题原因增加或变更时，只需要在对应的二维推理矩阵中增加新问题原因的评价因素评价因素的经验权值，不需要重新根据需求开发新的问题根因分析系统。因此，本发明通过增加推理矩阵中评价因素和评价因素相应的经验权值，可以适应变更需求或功能的问题根因分析系统。

附图说明

图1为现有的通信系统智能分析模块在开发部分的示意流程图；

图2为本发明一个实施例提供的基于自学习推理矩阵确定无线网络问题根因的方法的流程图；

图3为本发明一个实施例提供的根据所述小区的采集数据确定所述小区的每个评价指标的置信度的方法的流程图；

图4为本发明一个实施例提供的确定所述当前无线网络问题的问题根因的方法的流程图；

图5为本发明一个实施例采用的二维推理矩阵的示例；

图6为本发明一个实施例提供的基于自学习推理矩阵确定无线网络问题根因的装置的结构示意图；

图7为采用本发明的技术方案的通信系统智能分析模块在开发部分的示意流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步描述。

本发明所述的自学习推理矩阵是以大数据为基础建立的一种数学模型，根据相关性原理，深入挖掘实际问题中的主要影响元素，再根据不同元素对实际问题影响的大小，设置合理的权值比重，最后权值累加得到问题根因。

图2为本发明一个实施例提供的基于自学习推理矩阵确定无线网络问题根因的方法的流程图，该实施例以无线网络覆盖问题为例。如图2所示，该实施例的基于自学习推理矩阵确定无线网络问题根因的方法包括以下步骤：

步骤S210，在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵。

对于每个小区，都会存在各种类型的无线网络问题，例如可以是COVERRAGE覆盖问题、信号干扰问题等问题。对于不同类型的问题，会对应多种产生该问题的问题原因，例如产生覆盖问题的问题原因有可能是天线方位角问题、邻区缺失等问题原因。在推理矩阵中，每一种无线网络问题对应一个二维推理矩阵。

图5为本实施例采用二维推理矩阵的示例，其中，一列表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一行表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值。所述二维推理矩阵中每个问题原因的所有评价因素的经验权值被设置为总和相等。也可以将二维推理矩阵的一行表示为表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一列表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在列对应的评价因素对所在行对应的问题原因影响程度的经验权值。

先根据小区的采集数据计算小区性能各维度指标，将采集的小区性能指标与异常小区门限指标比较，计算小区是否为问题小区，并确定是哪种无线网络问题。所述小区的采集数据包括小区告警数据、覆盖数据、工参数据、性能数据，这些数据作为小区性能各维度指标。为便于描述，本发明实施例中下文描述的问题原因均为无线网络问题中覆盖问题的问题原因。无线网络问题中覆盖问题原因的例子如表1所示：

问题原因	描述
		ANTENNA	天馈问题
ANGLE	方向角问题
		NOBESTCELL	未占用最优小区问题
OVERCOVER	过覆盖问题
		ALARM	告警问题
MISSNEIGH	邻区缺失问题
		OVERDISTANCE	最近基站距离过远覆盖问题
BACKBUILD	建筑物阻挡问题
		LONGISSUE	长期问题
BREAKISSUE	短期问题
		GEOISSUE	地理纬度问题
INDOORISSUE	室内问题
		PARAMERROR	参数配置异常问题

表1

步骤S220，根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度。

其中，所述评价因素的置信度表示所述评价因素对所述当前无线网络问题影响程度的实际权值。

如图3所示，该步骤S220又包括以下步骤：

步骤S221，根据所述小区的采集数据确定所述小区的每个评价因素的值。

在预设地理区域中采集各小区各个性能指标的数据，各个性能指标为影响各个无线网络问题原因的各个评价因素。其中，一块地理区域涉及多个小区，地理区域可以为地理栅格，例如在地图上划分的50m*50m范围的地理栅格。以小区问题原因是覆盖类型的问题原因为例，可以从各小区中取性能指标最差、第二差、…、以及第N差的小区，其中N为正整数。例如N为3，从各小区中取性能指标最差、第二差和第三差的小区,作为待分析的小区。本次采集的性能指标的例子如表2所示：

表2

表2中，TOP1表示最差，TOP2表示第二差，TOP3表示第三差。完成如上性能指标采集后，计算该小区每个性能指标的具体数值,也就是，小区的每个评价因素的值。

步骤S222，根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

将计算得到的每个评价因素的值和预设的小区门限值进行比较，确定该小区每个评价因素的值是否超过对应的小工门限值。各个评价因素的小区门限值的例子如表3所示：

表3

将依据现有的小区门限值计算小区在各个评价因素上的赋值，称之为置信度。举例来说，如果没有超过小区门限值，则置信度为0；如果超出小区门限值，则置信度为1。用赋值来表示小区各个评价因素的劣化程度，赋值为0表示该评价因素对问题原因无影响，赋值为1表示该评价因素对问题原因有影响。

步骤S230，根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

具体而言，如图4所示，该步骤又包括：

步骤S231，对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果。

对于二维推理矩阵中的每个问题原因，将该问题原因的每个评价因素的置信度与二维推理矩阵中相应评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果，从而得到二维推理矩阵中每个问题原因的权值结果。二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值是根据该性能指标对该无线网络问题原因的影响程度确定的。为无线网络问题原因维度的每个评价因素设置经验权值，需要保证二维推理矩阵中每个问题原因的所有评价因素的经验权值被设置为总和相等，保证最终计算结果在不同问题原因情况下具备横向可比性。为每个无线网络问题原因的每个评价因素设置的权值的例子如表4所示：

表4

天馈问题的所有评价因素的权值结果总和为：

1000+900+800+600+800+500+1000+4400＝10000；

方向角问题的所有评价因素的权值结果总和为：

500+500+1000+400+200+1000+200+200+1000+5000＝10000；

其他各个问题原因的所有评价因素的权值结果总和也都等于10000。当然，经验权值的设置不限于表4中的数值，也可以例如将表4中的数值均缩小10倍或增大10倍等等，经验权值的设置可以有各种数值形式，只要每个问题原因的所有评价因素的经验权值被设置为总和相等即可。

为每个问题原因的每个评价因素设置经验权值是预先设置在系统之中，经验权值可以根据现场实际情况做对应的调整。

举一个计算置信度为1的评价因素对应的经验权值的例子。当“TOP2小区是否弱覆盖”的置信度为1的时候，影响“天馈问题”、“方向角问题”、“距离基站过远问题”和“建筑物阻挡问题”这四个问题原因，“天馈问题”的权值加600，“方向角问题”的权值加200，“距离基站过远问题”的权值加1000，“建筑物阻挡问题”的权值加600。最后把每个问题原因的各个性能指标的权值与该性能指标的置信度相乘后的乘积相加，得到无线网络问题原因的权值结果。

步骤S232，比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

计算得到每个问题原因的权值结果后，对比每个问题原因权值结果的大小，基于比较结果确定当前无线网络问题的问题根因。可以按照权值结果从大到小的顺序排列当前无线网络问题中各个问题原因的主次顺序，其中，权值结果最大的问题原因为当前无线网络问题主要的问题原因，权值结果第二大的问题原因为当前无线网络问题中次要的问题原因，可以将权值结果最大的问题原因确定为问题根因。或者，将权值结果在设定的根因门限值以上的问题原因确定为当前无线网络问题的问题根因。或者，设置多个根因门限值，例如严重门限值、一般门限值和无影响门限值，将每个问题原因的权值结果与这些根因门限值比较，区分出每个问题原因对当前无线网络问题的影响程度是严重、一般或无影响，从而将所有问题原因按影响程度分级。产生主次分层结构。

可以将各小区存在问题的分析结果推送至用户前端页面，进行问题分析结论查询。同时提供每个维度计算小区指标数据供查询。用户对问题进行分析后，结合现场实际情况进行问题处理。处理后在系统中反馈该问题的原因。可以对比用户反馈原因与自学习推理矩阵分析确定的主要原因是否存在差异。如果确定的所述无线网络问题的问题根因与用户反馈的问题根因不一致，根据用户反馈的问题根因和问题原因的评价因素，修正所述无线网络问题对应的二维推理矩阵中评价因素的经验权值。

图6为本发明一个实施例提供的基于自学习推理矩阵确定无线网络问题根因的装置的结构示意图。如图6所示，该实施例的基于自学习推理矩阵确定无线网络问题根因的装置300包括推理矩阵匹配单元310、置信度计算单元320和问题根因确定单元330。

推理矩阵匹配单元310用于在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵。

置信度计算单元320用于根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度。置信度计算单元320的操作可以参照上面图2描述的步骤S220的操作。具体包括：步骤S221，根据所述小区的采集数据确定所述小区的每个评价因素的值；步骤S222，根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

问题根因确定单元330用于根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值；从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

具体而言，该问题根因确定单元330包括：

权值结果计算单元331用于对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果。权值结果计算单元331的操作可以参照上面图4描述的步骤S231的操作。其中，为该无线网络问题原因的该性能指标设置的权值是根据该性能指标对该无线网络问题原因的影响程度确定的。

权值结果比较单元332用于比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。权值结果比较单元332的操作可以参照上面参考图4描述的步骤S232的操作。

权值结果比较单元332可以用于按照权值结果从大到小的顺序排列无线网络问题原因的主次顺序并将权值结果最大的无线网络问题原因确定为无线网络问题根因，或者将权值结果在设定的根因门限值以上的无线网络问题原因确定为无线网络问题根因。

通过上述实施例可以看出，相对现有技术来说，本发明采用了自学习推理矩阵模型，可以解决通信系统智能分析模块在开发部分存在频繁的功能变更的问题，满足系统快速迭代需求。本发明所述的基于自学习推理矩阵确定无线网络问题根因的方法和装置具有①可扩展性：后续可灵活增加或减少问题原因的评价因素，也可以增加或减少问题原因，自由度高。②能够根因定位：智能分析推理矩阵有根因定位功能，可根据不同评价因素对问题原因的影响值，快速定位分析对象根因。如图7所示，在需求变更或新需求引起该无线网络问题的问题原因的评价因素增加或变更时，可以灵活在对应的二维推理矩阵中增加或变更评价因素，也可以灵活变更评价因素的经验权值，而不需要重新根据需求开发新的问题根因分析系统。同理，在需求变更或新需求引起该无线网络问题的问题原因增加或变更时，只需要在对应的二维推理矩阵中增加新问题原因的评价因素评价因素的经验权值，不需要重新根据需求开发新的问题根因分析系统。因此，本发明通过增加推理矩阵中评价因素和评价因素相应的经验权值，可以适应变更需求或功能的问题根因分析系统。

本领域技术人员应该明白，本发明所述的方法和系统并不限于具体实施方式中所述的实施例，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围，本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，包括以下步骤：

在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；

根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度；所述评价因素的置信度表示所述评价因素对所述当前无线网络问题影响程度的实际权值；

根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因；

所述推理矩阵包括多个二维推理矩阵，一个所述二维推理矩阵对应一个无线网络问题，所述二维推理矩阵的一列表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一行表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值。

2.如权利要求1所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，根据所述小区的采集数据确定所述小区的每个评价指标的置信度包括：

根据所述小区的采集数据确定所述小区的每个评价因素的值；

根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

3.如权利要求1所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，所述二维推理矩阵中每个问题原因的所有评价因素的经验权值被设置为总和相等。

4.如权利要求1至3任一项所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，根据所述小区的每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值，从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因包括：

对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果；

比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

5.如权利要求4所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，比较各个问题原因的所述权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因，包括：

比较各个问题原因的权值结果；

按照所述权值结果从大到小的顺序排列所述匹配出的二维推理矩阵中的所有问题原因中的主次顺序；

将权值结果最大的问题原因确定为所述无线网络问题的问题根因。

6.如权利要求4所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，比较各个问题原因的所述权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因，包括：

比较各个无线网络问题原因的所述权值结果；

将所述权值结果在设定的根因门限值以上的问题原因确定为所述无线网络问题的问题根因。

7.如权利要求1至3任一项所述的基于自学习推理矩阵确定无线网络问题根因的方法，其特征在于，所述方法还包括：

如果确定的所述无线网络问题的问题根因与用户反馈的问题根因不一致，根据用户反馈的问题根因和问题原因的评价因素，修正所述无线网络问题对应的二维推理矩阵中评价因素的经验权值。

8.一种基于自学习推理矩阵确定无线网络问题根因的装置，其特征在于，包括：

推理矩阵匹配单元，用于在推理矩阵中匹配与小区的当前无线网络问题对应的二维推理矩阵；

置信度计算单元，用于根据所述小区的采集数据确定与所述当前无线网络问题对应的每个评价因素的置信度；所述评价因素的置信度表示所述评价因素对所述当前无线网络问题影响程度的实际权值；

问题根因确定单元，用于根据所述每个评价因素的置信度和匹配出的所述二维推理矩阵中为每个评价因素设置的对每个问题原因影响程度的经验权值；从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因；

其中，推理矩阵包括多个二维推理矩阵，一个所述二维推理矩阵对应一个无线网络问题，所述二维推理矩阵的一列表示产生对应无线网络问题的一个问题原因，所述二维推理矩阵的一行表示对一个所述问题原因评价的一个评价因素，所述二维推理矩阵的任一个元素表示所在行对应的评价因素对所在列对应的问题原因影响程度的经验权值。

9.如权利要求8所述的基于自学习推理矩阵确定无线网络问题根因的装置，其特征在于，根据所述小区的采集数据确定所述小区的每个评价指标的置信度包括：

根据所述小区的采集数据确定所述小区的每个评价因素的值；

根据所述小区的每个评价因素的值和每个所述评价因素对应的小区门限值，确定每个评价指标的置信度。

10.如权利要求8或9所述的基于自学习推理矩阵确定无线网络问题根因的装置，其特征在于，所述问题根因确定单元包括：

权值结果计算单元，用于对于所述匹配出的二维推理矩阵中的各个问题原因，将该问题原因的每个评价因素的置信度与匹配出的所述二维推理矩阵中每个评价因素对该问题原因影响程度的经验权值相乘后的乘积求总和，得到该问题原因的权值结果；

权值结果比较单元，比较各个问题原因的权值结果，基于比较结果从所述匹配出的二维推理矩阵中的所有问题原因中确定所述当前无线网络问题的问题根因。

Images