CN116975659A - 基于模糊知识库的网络优化方法、装置、电子设备及介质 - Google Patents
基于模糊知识库的网络优化方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116975659A CN116975659A CN202210411421.8A CN202210411421A CN116975659A CN 116975659 A CN116975659 A CN 116975659A CN 202210411421 A CN202210411421 A CN 202210411421A CN 116975659 A CN116975659 A CN 116975659A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- knowledge base
- processed
- network
- wireless network
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000003786 synthesis reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 5
- 244000153665 Ficus glomerata Species 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000003012 network analysis Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及无线通信业务技术领域，提供一种基于模糊知识库的网络优化方法、装置、电子设备及介质，该方法包括：确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对关键指标特性数据进行模糊聚类，得到无线网络的性能指标结果，性能指标结果包括问题类型及待处理问题；确定经验模糊知识库，通过经验模糊知识库结合问题类型及待处理问题进行问题匹配，输出无线网络的网络优化策略。本申请实施例提供的基于模糊知识库的网络优化方法通过模糊关系矩阵聚类算法快速地分析出关键指标特性数据的性能指标结果，提升了无线网络的优化效率，通过经验模糊知识库和性能指标结果自动且准确地输出网络优化策略，提升了无线网络的优化准确度。
Description
技术领域
本申请涉及无线通信业务技术领域，尤其涉及一种基于模糊知识库的网络优化方法、装置、电子设备及介质。
背景技术
目前无线网络问题主要的解决方法是单纯人工经验网络分析方法，即通过不同网络制式个性化特点并依赖网络优化工程师经验制定优化方案，并填写解决办法。
但是，随着无线网络结构的日益复杂和竞争的不断加剧，单纯人工经验网络分析方法存在优化中需要的数据难以集中、优化人员技能参差不齐、优化经验难以固化等问题，从而导致了无线网络的优化效率低和优化准确度低。
发明内容
本申请提供一种基于模糊知识库的网络优化方法、装置、电子设备及介质，旨在提升无线网络的优化效率和优化准确度。
第一方面，本申请提供一种基于模糊知识库的网络优化方法，包括：
确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
在一个实施例中，所述确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，包括：
确定所述无线网络的待处理特征数据和待处理仓库数据，并将所述待处理特征数据和所述待处理仓库数据进行过滤和清洗，得到所述关键指标特性数据；
通过标准差权重算法对所述关键指标特性数据进行权重数值标准化，得到所述关键指标特性数据的标准化值；
结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果。
在一个实施例中，所述结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果，包括：
通过所述模糊相似矩阵算法结合所述标准化值，构建所述标准化值的性能指标模糊相似矩阵；
通过所述平方自合成算法结合所述性能指标模糊相似矩阵，构建性能指标模糊等价矩阵；
根据性能相似度对所述性能指标模糊等价矩阵进行动态模糊聚类，生成动态模糊聚类树；
根据所述动态模糊聚类树分析所述关键指标特性数据的归类和分布，得到所述无线网络的问题类型及待处理问题。
在一个实施例中，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括覆盖问题类型，所述问题类型的待处理问题包括网络覆盖不足；
若所述问题类型为覆盖问题类型，且所述问题类型的待处理问题为网络覆盖不足，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或调整功率，或核查上站，或天整改面。
在一个实施例中，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络覆盖过多；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络覆盖过多，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或核查上站，或天整改面。
在一个实施例中，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络低零流量；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络低零流量，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为处理故障，或调整参数。
在一个实施例中，所述确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果之前，还包括：
根据预存经验库中现象层、诊断层、策略层和结论层之间的关联关系，确定各个知识库路径；
确定各个所述知识库路径中各个前提条件的权重因子和各个规则的可信度因子；
根据各个所述知识库路径及其权重因子和可信度因子，构建经验模糊知识库。
第二方面，本申请还提供一种基于模糊知识库的网络优化装置，包括：
模糊聚类模块，用于确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
问题匹配模块，用于确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现第一方面所述基于模糊知识库的网络优化方法。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述基于模糊知识库的网络优化方法。
第五方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述基于模糊知识库的网络优化方法。
本申请提供的基于模糊知识库的网络优化方法、装置、电子设备及介质，在基于模糊知识库的网络优化的过程中，将模糊关系矩阵聚类算法和经验模糊知识库进行相结合，摆脱了依靠单纯人工经验网络分析方法，即通过模糊关系矩阵聚类算法快速地分析出关键指标特性数据的性能指标结果，提升了无线网络的优化效率，进一步通过经验模糊知识库结合性能指标结果自动且准确地输出无线网络的网络优化策略，提升了无线网络的优化准确度。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请提供的基于模糊知识库的网络优化方法的流程图；
图2是本申请提供的经验模糊知识库的结构模型示意图；
图3是本申请提供的基于模糊知识库的网络优化装置的结构图；
图4是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
结合图1至图4描述本申请提供的基于模糊知识库的网络优化方法、装置、电子设备及介质。图1是本申请提供的基于模糊知识库的网络优化方法的流程图；图2是本申请提供的经验模糊知识库的结构模型示意图；图3是本申请提供的基于模糊知识库的网络优化装置的结构图；图4是本申请提供的电子设备的结构示意图。
本申请实施例提供了基于模糊知识库的网络优化方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。
本申请实施例以电子设备作为执行主体进行举例，本申请实施例以网络优化系统为电子设备的表现形式之一，但不进行限制。
具体地，参照图1，图1是本申请提供的基于模糊知识库的网络优化方法的流程图。本申请实施例提供的基于模糊知识库的网络优化方法包括：
步骤S40，确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题。
需要说明的是，网络优化系统分析关键指标特性数据之前，需要根据输入的专家经验构建经验模糊知识库。日常优化过程中，工程师的经验、窍门和启发式知识常常缺乏明确的逻辑关系，传统方式只能表示确定性的知识。模糊知识库是网优专家利用自身经验和知识对项目因素对象可能做出的各种总的评价结果所组成的集合，将可信度方法与传统经验相结合。进一步地，经验模糊知识库的具体构建过程如步骤S10至步骤S30所述。
步骤S10，根据预存经验库中现象层、诊断层、策略层和结论层之间的关联关系，确定各个知识库路径；
步骤S20，确定各个所述知识库路径中各个前提条件的权重因子和各个规则的可信度因子；
步骤S30，根据各个所述知识库路径及其权重因子和可信度因子，构建经验模糊知识库。
具体地，专家需要根据自身经验结合知识库样例表，表明现象层、诊断层、策略层和结论层之间的关联关系，生成各个专家经验。网络优化系统将各个专家经验进行集合存储，得到预存经验库。在需要构建经验模糊知识库时，通过预存经验库进行构建。进一步地，网络优化系统获取预存经验库，并根据现象层、诊断层、策略层和结论层之间的关联关系，确定预存经验库的各个知识库路径，其中，知识库样例表如表1所示，表1为知识库样例表。
表1知识库样例表
进一步地，由于专家主观经验对同一个前提条件的结论支持程度不同，即不同规则具有不同的重要程度，因此需要对前提条件增加权重因子，使不同的前提条件具备不同的“权”。每条规则的可信程度不同，对各个规则增加可信度因子，表明专家对各个规则的确信程度，使得在传统生产式规则的基础上增加了模糊表示的能力。
进一步地，网络优化系统确定各个知识库路径中各个前提条件的权重因子和各个规则的可信度因子。接着，网络优化系统根据各个知识库路径及其权重因子和可信度因子，构建经验模糊知识库，其中，权重因子和可信度因子是根据专家自身经验设定的。
经验模糊知识库的结构模型为基于多层对象链表的模糊知识库结构模型，具备正向、反向、双向的多层关联关系，如图2所示，图2是本申请提供的经验模糊知识库的结构模型示意图。经验模糊知识库的结构模型中包括模糊聚类层、现象层、诊断层、策略层和结论层。具体地：模糊聚类层包括聚类编码组和规则域，用于通过模糊关系矩阵聚类算法对关键指标特性数据进行模糊聚类，得到无线网络的性能指标结果。现象层包括编码和组标志，用于根据性能指标结果定位出问题现象，如表1中所述的LTE MR弱覆盖现象。诊断层包括规则域、诊断结论和结论指针域，用于诊断出问题现象中具体的待处理问题，如表1中的网络覆盖过多和网络覆盖不足。策略层包括规则可信度、互斥检索和策略结论，用于根据待处理问题确定大概执行策略，本申请实施例中的规则可信度可设定为0.9。结论层包括序号、规则指针域、互斥检索、重复检索和结论，用于根据策略层确定的大概执行策略，确定最终的网络优化策略。
本申请实施例根据预存经验库中的各个知识库路径，及其权重因子和可信度因子，构建经验模糊知识库，为提升无线网络的优化效率和优化准确度提供数据基础。
进一步地，网络优化系统确定无线网络的待处理特征数据和待处理仓库数据，并对待处理特征数据和待处理仓库数据处理进行筛选，得到无线网络各类异常的关键指标特性数据。接着，网络优化系统通过模糊关系矩阵聚类算法对关键指标特性数据进行模糊聚类，得到无线网络的性能指标结果，性能指标结果包括问题类型及待处理问题。也即，通过通过模糊关系矩阵聚类算法对关键指标特性数据进行模糊聚类，得到无线网络的问题类型及待处理问题，具体如步骤S401至步骤S403所述。
步骤S50，确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
进一步地，网络优化系统获取步骤S10至步骤S30构建好的经验模糊知识库。接着，网络优化系统将无线网络的问题类型及待处理问题输入至经验模糊知识库，通过经验模糊知识库对无线网络的问题类型及待处理问题进行分析并进行问题匹配，输出无线网络的网络优化策略，具体如步骤S501至步骤S506所述。
本实施例提供了基于模糊知识库的网络优化方法，在基于模糊知识库的网络优化的过程中，将模糊关系矩阵聚类算法和经验模糊知识库进行相结合，摆脱了依靠单纯人工经验网络分析方法，即通过模糊关系矩阵聚类算法快速地分析出关键指标特性数据的性能指标结果，提升了无线网络的优化效率，进一步通过经验模糊知识库结合性能指标结果自动且准确地输出无线网络的网络优化策略，提升了无线网络的优化准确度。
进一步地，步骤S401至步骤S403的描述如下：
步骤S401，确定所述无线网络的待处理特征数据和待处理仓库数据，并将所述待处理特征数据和所述待处理仓库数据进行过滤和清洗，得到所述关键指标特性数据；
步骤S402，通过标准差权重算法对所述关键指标特性数据进行权重数值标准化，得到所述关键指标特性数据的标准化值；
步骤S403，结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果。
具体地，网络优化系统确定无线网络的待处理特征数据，待处理特征数据包括覆盖指标数据、容量指标数据、性能指标数据、感知指标数据、counter数据和故障数据。同时，网络优化系统确定无线网络的待处理仓库数据，待处理仓库数据包括工参数据、规划数据、参数数据、资源数据、干扰数据和需求数据。进一步地，网络优化系统通过移动通讯公式对覆盖指标数据、容量指标数据、性能指标数据、感知指标数据、counter数据、故障数据、工参数据、规划数据、参数数据、资源数据、干扰数据和需求数据进行过滤和清洗，得到得到无线网络各类异常的关键指标特性数据。
进一步地，网络优化系统通过标准差权重算法对关键指标特性数据进行权重数值标准化，得到关键指标特性数据的标准化值。接着，网络优化系统通过最大值规格化算法对关键指标特性数据的标准化值进行处理，得到关键指标特性数据的规格化矩阵。最后，网络优化系统结合模糊相似矩阵算法和平方自合成算法，对规格化矩阵进行模糊聚类，得到性能指标结果，具体如步骤S4031至步骤S4034所述。
本申请实施例通过标准差权重算法、模糊相似矩阵算法和平方自合成算法，对关键指标特性数据进行模糊聚类，从而能够快速地分析出关键指标特性数据的性能指标结果，提升了无线网络的优化效率。同时，为准确地输出无线网络的网络优化策略提供数据基础，从而提升了无线网络的优化准确度。
进一步地，步骤S4031至步骤S4034的描述如下：
步骤S4031，通过所述模糊相似矩阵算法结合所述标准化值，构建所述标准化值的性能指标模糊相似矩阵；
步骤S4032，通过所述平方自合成算法结合所述性能指标模糊相似矩阵，构建性能指标模糊等价矩阵；
步骤S4033，根据性能相似度对所述性能指标模糊等价矩阵进行动态模糊聚类，生成动态模糊聚类树；
步骤S4034，根据所述动态模糊聚类树分析所述关键指标特性数据的归类和分布，得到所述无线网络的问题类型及待处理问题。
具体地，网络优化系统通过最大值规格化算法对关键指标特性数据的标准化值进行处理，得到关键指标特性数据的规格化矩阵。其中，最大值规格化算法即对关键指标特性数据的标准化值的第j列，计算最大值，Mj＝max{x1j，x2j，...，xnj}，j＝1，2，...，m，然后作变换xij＝xij`/M，i＝1，2，...，n；j＝1，2，...，m。在一实施例中，规格化矩阵为5行4列的矩阵，第1行数据为0.89，1，0.86，0.33；第2行数据为0.56，0.10，0.86，0.67；第3行数据为1，0.60，0.57，1；第4行数据为0.44，0.20，1，0.50；第5行数据为0.11，0.10，0.29，0.67，因此，规格化矩阵X可以表示为：
进一步地，网络优化系统通过模糊相似矩阵算法结合规格化矩阵X，构建性能指标模糊相似矩阵，其中，模糊相似矩阵算法包括但不限制于相似系数法、欧式距离法和主观评定法，本申请实施例模糊相似矩阵算法以相似系数法进行举例，最大最小算法为相似系数法的其中表现形式之一，最大最小算法公式为其中，rij为xik和xjk的相似系数。即可以理解为，网络优化系统通过最大最小算法结合规格化矩阵X，构建性能指标模糊相似矩阵。在一实施例中，规格化矩阵X的性能指标模糊相似矩阵R为5行5列矩阵，第一行数据为1，0.54，0.62，0.63，0.24；第二行数据为0.54，1，0.55，0.70，0.53；第三行数据为0.62，0.55，1，0.56，0.37；第四行数据为0.63，0.70，0.56，1，0.38；第五行数据为0.24，0.53，0.37，0.38，1，因此，规格化矩阵X可以表示为：
进一步地，网络优化系统通过平方自合成算法结合性能指标模糊相似矩阵，合成传递闭包，即构建性能指标模糊等价矩阵。在一实施例中，性能指标模糊相似矩阵R的性能指标模糊等价矩阵t(R)为5行5列矩阵，第一行数据为1，0.63，0.62，0.63，0.53；第二行数据为0.63，1，0.62，0.70，0.53，；第三行数据为0.62，0.62，1，0.62，0.53；第四行数据为0.63，0.70，0.62，1，0.53；第五行数据为0.53，0.53，0.53，0.53，1，因此，性能指标模糊等价矩阵t(R)可以表示为：
进一步地，网络优化系统将性能指标模糊等价矩阵t(R)中的元素(特征值)按照数值从大到小的顺序进行排序，在一实施例中，元素的排列关系为：1>0.7>0.63>0.62>0.53。因此，本申请实施例可以生成5种动态模糊聚类树。在一实施例中，特征值为0.7，因此，网络优化系统根据性能相似度对性能指标模糊等价矩阵进行动态模糊聚类，生成的动态模糊聚类树t(R)0.7为5行5列矩阵，第一行数据为1，0，0，0，0；第二行数据为0，1，0，1，0；第三行数据为0，0，1，0，0；第四行数据为0，1，0，1，0；第五行数据为0，0，0，0，1，因此，动态模糊聚类树t(R)0.7可以表示为：
进一步地，网络优化系统根据动态模糊聚类树分析关键指标特性数据的归类和分布，得到无线网络的问题类型及待处理问题。
本申请实施例性能指标模糊相似矩阵、性能指标模糊等价矩阵和动态模糊聚类树对关键指标特性数据进行模糊聚类，从而能够快速地分析出关键指标特性数据的性能指标结果，能够快速地定界定位根本原因，达到无线网诊断的目的，提升了无线网络的优化效率。同时，为准确地输出无线网络的网络优化策略提供数据基础，从而提升了无线网络的优化准确度。
进一步地，步骤S501至步骤S502的描述如下：
步骤S501，确定所述问题类型及待处理问题，所述问题类型包括覆盖问题类型，所述问题类型的待处理问题包括网络覆盖不足；
步骤S50，若所述问题类型为覆盖问题类型，且所述问题类型的待处理问题为网络覆盖不足，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或调整功率，或核查上站，或天整改面。
具体地，网络优化系统确定问题类型及待处理问题，问题类型包括覆盖问题类型，问题类型的待处理问题包括网络覆盖不足。进一步地，若确定问题类型为覆盖问题类型，且问题类型的待处理问题为网络覆盖不足，网络优化系统通过经验模糊知识库进行问题匹配，输出无线网络的网络优化策略为调整下倾角，或调整功率，或核查上站，或天整改面。本申请实施例中，待处理问题为网络覆盖不足，因此，网络优化策略中的调整下倾角为抬升下倾角，调整功率为增加功率。
进一步地，在问题类型为覆盖问题类型的情况下，待处理问题还包括故障告警、网络覆盖过多、网络深度覆盖不足、网络广度覆盖不足、塔下黑、方位角不合适和分布式系统。故障告警的网络优化策略为故障处理。网络覆盖过多的网络优化策略为调整下倾角，或上站核查，或天面整改。网络深度覆盖不足的网络优化策略为调整功率，或建设站点，或新增需求。网络广度覆盖不足的网络优化策略为建设站点，或新增需求。塔下黑的网络优化策略为调整功率，或天面整改，或调整下倾角。方位角不合适的网络优化策略为方调整位角。和分布式系统的网络优化策略为室整改分。
本申请实施例通过经验模糊知识库结合问题类型及待处理问题自动且准确地输出无线网络的网络优化策略，摆脱了单纯依靠人工经验的形式，提升了无线网络的优化准确度，使得网络优化更科学。
进一步地，步骤S503至步骤S504的描述如下：
步骤S502，确定所述问题类型及待处理问题，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络覆盖过多；
步骤S504，若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络覆盖过多，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或核查上站，或天整改面。
具体地，网络优化系统确定问题类型及待处理问题，问题类型包括容量问题类型，问题类型的待处理问题包括网络覆盖过多。若确定问题类型为容量问题类型，且问题类型的待处理问题为网络覆盖过多，网络优化系统通过经验模糊知识库进行问题匹配，输出无线网络的网络优化策略为调整下倾角，或核查上站，或天整改面。本申请实施例中，待处理问题为网络覆盖过多，因此，网络优化策略中的调整下倾角为降低下倾角，调整功率为减少功率。
本申请实施例通过经验模糊知识库结合问题类型及待处理问题自动且准确地输出无线网络的网络优化策略，摆脱了单纯依靠人工经验的形式，提升了无线网络的优化准确度，使得网络优化更科学。
进一步地，步骤S505至步骤S506的描述如下：
步骤S505，确定所述问题类型及待处理问题，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络低零流量；
步骤S506，若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络低零流量，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为处理故障，或调整参数。
具体地，网络优化系统确定问题类型及待处理问题，问题类型包括容量问题类型，问题类型的待处理问题包括网络低零流量。若确定问题类型为容量问题类型，且问题类型的待处理问题为网络低零流量，网络优化系统则通过经验模糊知识库进行问题匹配，输出无线网络的网络优化策略为处理故障，或调整参数。
进一步地，在问题类型为容量问题类型的情况下，待处理问题还包括故障告警、功率不均衡、参数设置和资源不足。故障告警的网络优化策略为故障处理。功率不均衡的网络优化策略为调整功率。参数设置的网络优化策略为调整参数。资源不足的网络优化策略为软扩，或建设站点，或新增需求。
本申请实施例通过经验模糊知识库结合问题类型及待处理问题自动且准确地输出无线网络的网络优化策略，摆脱了单纯依靠人工经验的形式，提升了无线网络的优化准确度，使得网络优化更科学。
进一步地，本申请提供的基于模糊知识库的网络优化装置的描述如下，基于模糊知识库的网络优化装置与基于模糊知识库的网络优化方法可相互对应参照。
如图3所示，图3是本申请提供的基于模糊知识库的网络优化装置的结构图，基于模糊知识库的网络优化装置包括：
模糊聚类模块301，用于确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
问题匹配模块302，用于确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
进一步地，模糊聚类模块301还用于：
确定所述无线网络的待处理特征数据和待处理仓库数据，并将所述待处理特征数据和所述待处理仓库数据进行过滤和清洗，得到所述关键指标特性数据；
通过标准差权重算法对所述关键指标特性数据进行权重数值标准化，得到所述关键指标特性数据的标准化值；
结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果。
进一步地，模糊聚类模块301还用于：
通过所述模糊相似矩阵算法结合所述标准化值，构建所述标准化值的性能指标模糊相似矩阵；
通过所述平方自合成算法结合所述性能指标模糊相似矩阵，构建性能指标模糊等价矩阵；
根据性能相似度对所述性能指标模糊等价矩阵进行动态模糊聚类，生成动态模糊聚类树；
根据所述动态模糊聚类树分析所述关键指标特性数据的归类和分布，得到所述无线网络的问题类型及待处理问题。
进一步地，问题匹配模块302还用于：
确定所述问题类型及待处理问题，其中，所述问题类型包括覆盖问题类型，所述问题类型的待处理问题包括网络覆盖不足；
若所述问题类型为覆盖问题类型，且所述问题类型的待处理问题为网络覆盖不足，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或调整功率，或核查上站，或天整改面。
进一步地，问题匹配模块302还用于：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络覆盖过多；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络覆盖过多，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或核查上站，或天整改面。
进一步地，问题匹配模块302还用于：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络低零流量；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络低零流量，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为处理故障，或调整参数。
进一步地，基于模糊知识库的网络优化装置还包括：构建模块；构建模块用于：
根据预存经验库中现象层、诊断层、策略层和结论层之间的关联关系，确定各个知识库路径；
确定各个所述知识库路径中各个前提条件的权重因子和各个规则的可信度因子；
根据各个所述知识库路径及其权重因子和可信度因子，构建经验模糊知识库。
本申请提供的基于模糊知识库的网络优化装置的具体实施例与上述基于模糊知识库的网络优化方法各实施例基本相同，不作赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于模糊知识库的网络优化方法，该方法包括：
确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在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，计算机能够执行上述各方法所提供的基于模糊知识库的网络优化方法，该方法包括：
确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
又一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于模糊知识库的网络优化方法，该方法包括：
确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于模糊知识库的网络优化方法，其特征在于，包括：
确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
2.根据权利要求1所述的基于模糊知识库的网络优化方法，其特征在于，所述确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，包括：
确定所述无线网络的待处理特征数据和待处理仓库数据，并将所述待处理特征数据和所述待处理仓库数据进行过滤和清洗，得到所述关键指标特性数据；
通过标准差权重算法对所述关键指标特性数据进行权重数值标准化，得到所述关键指标特性数据的标准化值；
结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果。
3.根据权利要求2所述的基于模糊知识库的网络优化方法，其特征在于，所述结合模糊相似矩阵算法和平方自合成算法，对所述标准化值进行模糊聚类，得到所述性能指标结果，包括：
通过所述模糊相似矩阵算法结合所述标准化值，构建所述标准化值的性能指标模糊相似矩阵；
通过所述平方自合成算法结合所述性能指标模糊相似矩阵，构建性能指标模糊等价矩阵；
根据性能相似度对所述性能指标模糊等价矩阵进行动态模糊聚类，生成动态模糊聚类树；
根据所述动态模糊聚类树分析所述关键指标特性数据的归类和分布，得到所述无线网络的问题类型及待处理问题。
4.根据权利要求1所述的基于模糊知识库的网络优化方法，其特征在于，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括覆盖问题类型，所述问题类型的待处理问题包括网络覆盖不足；
若所述问题类型为覆盖问题类型，且所述问题类型的待处理问题为网络覆盖不足，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或调整功率，或核查上站，或天整改面。
5.根据权利要求1所述的基于模糊知识库的网络优化方法，其特征在于，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络覆盖过多；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络覆盖过多，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为调整下倾角，或核查上站，或天整改面。
6.根据权利要求1所述的基于模糊知识库的网络优化方法，其特征在于，所述通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略，包括：
确定所述问题类型及待处理问题，其中，所述问题类型包括容量问题类型，所述问题类型的待处理问题包括网络低零流量；
若所述问题类型为容量问题类型，且所述问题类型的待处理问题为网络低零流量，则通过所述经验模糊知识库进行问题匹配，输出所述无线网络的网络优化策略为处理故障，或调整参数。
7.根据权利要求1至6任一项所述的基于模糊知识库的网络优化方法，其特征在于，所述确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果之前，还包括：
根据预存经验库中现象层、诊断层、策略层和结论层之间的关联关系，确定各个知识库路径；
确定各个所述知识库路径中各个前提条件的权重因子和各个规则的可信度因子；
根据各个所述知识库路径及其权重因子和可信度因子，构建经验模糊知识库。
8.一种基于模糊知识库的网络优化装置，其特征在于，包括：
模糊聚类模块，用于确定无线网络的关键指标特性数据，并通过模糊关系矩阵聚类算法对所述关键指标特性数据进行模糊聚类，得到所述无线网络的性能指标结果，其中，所述性能指标结果包括问题类型及待处理问题；
问题匹配模块，用于确定经验模糊知识库，通过所述经验模糊知识库结合所述问题类型及待处理问题进行问题匹配，输出所述无线网络的网络优化策略。
9.一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于模糊知识库的网络优化方法。
10.一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于模糊知识库的网络优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210411421.8A CN116975659A (zh) | 2022-04-19 | 2022-04-19 | 基于模糊知识库的网络优化方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210411421.8A CN116975659A (zh) | 2022-04-19 | 2022-04-19 | 基于模糊知识库的网络优化方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116975659A true CN116975659A (zh) | 2023-10-31 |
Family
ID=88477210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210411421.8A Pending CN116975659A (zh) | 2022-04-19 | 2022-04-19 | 基于模糊知识库的网络优化方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975659A (zh) |
-
2022
- 2022-04-19 CN CN202210411421.8A patent/CN116975659A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
| CN110276556B (zh) | 一种基于多策略的环境承载力指标权重计算方法及装置 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN115577858B (zh) | 基于区块链的碳排放量预测方法、装置及电子设备 | |
| CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
| US20230307911A1 (en) | Method and system for optimizing power grid emergency load-shedding based on proliferation and reduction evolution | |
| CN113422695A (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
| CN112509684A (zh) | 一种基于大数据的医疗资源配置方法及系统 | |
| CN111178633A (zh) | 基于随机森林算法预测景区客流量的方法和装置 | |
| CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
| CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及系统 | |
| CN116975659A (zh) | 基于模糊知识库的网络优化方法、装置、电子设备及介质 | |
| CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
| CN114679335B (zh) | 电力监控系统网络安全风险评估训练方法、评估方法及设备 | |
| CN112836843A (zh) | 一种基站退服告警预测方法及装置 | |
| CN113837913B (zh) | 一种村镇耕地资源承载力关键阈值确定方法及装置 | |
| CN115412591A (zh) | 一种云边融合下的视频处理方法及系统 | |
| CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
| CN107609983A (zh) | 一种拓扑结构与节点属性综合分析的社区发现方法 | |
| CN114549392B (zh) | 太阳能电池片的色差检测方法、装置、设备和计算机介质 | |
| CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
| CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 | |
| CN117875561A (zh) | 一种湿地生态韧性三维评价方法 | |
| CN115526235A (zh) | 海上平台负荷数据的聚类方法、装置、终端及存储介质 |
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 |