CN1273751A - 控制蜂窝网参数的方法和系统 - Google Patents

Abstract

本发明涉及一种用于推算出一种可用来控制蜂窝网容量并便于容量控制的模型的方法,该方法包括,根据蜂窝网变量形成一些变量组,并确定蜂窝网的这些变量组的相依性。本发明的特征在于,找寻变量组中彼此相依的线性组合,这些线性组合之间的相依性以及相依性的强度应用规范相关系数来测量;在本方法中,只用几个规范变量对成对地来表示两个变量组之间的多维相依性。规范相关分析便于建立大变量组之间的相依性的模型以及确定最重要的变量。

Description

控制蜂窝网参数的方法和系统

本发明涉及蜂窝网的控制和维护。本发明尤其涉及提供一种控制蜂窝网容量的模型。

为了有效地管理蜂窝网，需要数百个参数并要对参数特征进行控制。网络控制中所遇到的问题的原因之一是没有直接的响应，因为整个蜂窝网的容量要根据约两千个独立的测量数据来测量。因此，有效的蜂窝网控制要求对好几百个(例如约500个)测量结果中的数百个(例如约300个)参数的影响进行监测。另外，还应当对这些独立的测量结果中的各个参数的总影响进行监测，因此任务难度与例如约300×500的相关矩阵的集中分析不相上下。换言之，要改变一个蜂窝网参数，必须始终知道这一改变将对哪些测量结果有影响以及有多大的影响。同样，为了在测量结果中得到一个特殊改变，应当知道对这一改变而言最为重要的一些参数及其相依性。

因此，与网络控制有关的问题可能会太多，并且其要求可能超越人工资源。因此，当寻找更有效的方法来解决所涉及的问题时，难以利用这些参数改变和各个测量结果所提供的信息。可用的测量网络容量的数据太多，因此无法得到基于这些数据的解决方案。蜂窝网是复杂的，其数据也涉及到多种应用。因此，需要采用一些简单有效的将所有蜂窝网系统作为一个整体来考虑的解决方案。

因此，本发明的目的在于，提供一种能解决上述问题的方法。这可采用一种用于推算出一种可用来控制蜂窝网容量并便于容量控制的模型的方法来实现，该方法包括，根据蜂窝网变量形成一些变量组，并确定蜂窝网的这些变量组的相依性。这种方法其特征在于，找寻变量组的彼此相依的线性组合，这些线性组合之间的相依性以及相依性的强度应用规范相关系数来测量，还在于，只用几个规范变量对成对地来表示两个变量组的多维相依性。

本发明还涉及一种系统，用于推算出一种可用来控制蜂窝网容量并便于容量控制的模型，该系统用来根据蜂窝网变量形成一些变量组，并确定蜂窝网的这些变量组的相依性。该系统其特征在于，系统被用来找寻变量组的彼此相依的线性组合，应用规范相关系数来测量这些线性组合之间的相依性以及相依性的强度，两个变量组的多维相依性在系统中只用几个规范变量对成对地来表示。

本发明的优选实施方式如附属权利要求书中所述。

本发明基于采用规范相关分析，以减少通过利用彼此间尽可能强相依的规范变量以简洁方式来表示两个或多个变量组的多维相依性所涉及的问题。例如可用与规范变量有关的系数来确定互相关联的变量组中最重要的参数和测量结果。

本发明的方法和系统提供了一些优点。规范相关分析有助于建立大变量组之间的相依性的模型，还有助于确定一些最重要的变量。本发明的这种分析方法提供了一种简明方案，便于蜂窝网中大量数据的利用。这种方法对于那些想了解参数的相依性以及有关这些相依性与蜂窝网容量有何种联系的有关内容的人而言尤为有用。

下面，将结合一些优选实施方式并参照附图来详述本发明，其中：

图1示出了一个可应用本发明的公共蜂窝无线网；和

图2举例说明了应用规范相关分析得到的互相关联的参数和可听度类型。

图1示出了公共蜂窝网结构的一个例子。基站收发信机100、102的服务区(即小区)可以用一个六边形来模拟。基站收发信机100、102可通过连接线112连接到一个基站控制器114。基站控制器114的作用在于控制若干基站收发信机100、102的操作。通常，基站控制器114连接到移动交换中心116，移动交换中心连接到公共电话网118。在办公系统中，基站收发信机100、基站控制器114甚至移动交换中心116其操作都可以连接到一个与公共网118相连的装置上，例如连接到公共网118的交换机上。小区中的用户终端104、106具有连接到该小区的基站收发信机100的双向无线链路108、110。另外，网络部分即蜂窝无线网的固定部分还可包括别的基站、基站控制器、传输系统和各级网络控制系统。显然，对技术熟练人员而言，蜂窝无线网还包括许多在此无需描述的其他结构。

规范相关分析用以找寻两个或多个变量组的相依性，并确定相依性的强度。在规范相关中，这些变量组中的变量用来形成一些独立的线性组合。其思想在于，首先要找出彼此间尽可能强相依的变量组的那些线性组合U和V。这意味着，选择在所讨论的线性组合U和V中所出现的系数，以便变量U和V之间的相关尽可能强。这种分析提供了很多的规范变量对(U，V)。如果说明性变量X⁽¹⁾的数量是p而要说明的变量X⁽²⁾的数量是q，那么规范变量对的最大数量为r＝min(p，q)。它们是作为变量X⁽¹⁾和X⁽²⁾的线性组合而形成的。第一线性组合是通过选择提供了变量U₍₁₎与V₍₁₎之间可能有的最强的相关的系数而形成的。下一步是要确定变量组中尽可能彼此相依的线性组合U₍₂₎和V₍₂₎，而与以上所确定的线性组合U₍₁₎和V₍₁₎无关。换言之，规范变量U₍₁₎和V₍₁₎可以与变量U₍₂₎和V₍₂₎互不相关。该过程一直进行，直到确定了变量对(U_r，V_r)。该分析产生r个规范变量对。线性组合的最终数量当然取决于所要观测的内容，但在某些情况下，也可以将统计有效位数作为删去条件。

如上所述，这些线性组合被认为是规范变量，而它们的相依性是应用规范相关系数来测量的。分析中所涉及的最大化任务目的在于，只用几个规范变量组以简洁方式来表示两个或多个变量组的多维相依性，说明总方差的部分在首先得到的线性组合中是最大的。规范变量可认为是某类指数，其中一些变量可能比另一些变量地位更重要。于是，规范变量的明文分析(plain text interpretation)，可以例如始终根据其最重要的变量，通过指出变量是参数类型或是测量结果类型来得到。

因此，规范相关可理解为多回归的多元回归，其中，目的在于应用大量说明性变量同时来说明所有要说明的变量。图2说明了两个规范变量(即参数类型P，200，和测量结果类型M，202)的测量结果的相依性的一个例子。规范相关分析的优选实施方式包括诸如图2中那样的互相关联的参数和可听度类型。可能有许多种类似的成对互相关联的类型。应用规范相关分析所计算出的规范变量仅使原始变量之间的相关的分析达到最大限度。

在图2中，符号P代表参数类型“功率”200的值。参数类型200的特征204例如如下。如果参数系数大于数值0，那么该参数是个重要参数，并且该参数增大该类型“功率”200的值。系数偏离零越多，参数就越重要。这种参数的例子可包括，例如系数为1.9的“功率电平”参数1，和例如系数为1.1的“功率电平”参数2。另一方面，如果参数系数小于数值0，那么该类型“功率”200中参数的增加会减小该类型的值(例如系数为-0.6的参数3)。或者，如果该系数为0，那么参数的变化不会改变该类型的值(例如参数R)。同样的逻辑也可应用于图2中所示的“可听度范围-干扰”类型202的值M，该值的特征206如下：例如可听度范围的系数为2.3；干扰的系数为1.1；测量结果3的系数为0.3，而测量结果Q的系数为0。在这种情况下，参数和系数当然可随例子以及情况的不同而不同。

在图2中例子中，参数P，200和M，202彼此相依。其相依性包括以下特征208：参数为0和1的随机变量P和M遵循正态分布，即P～N(0，1)和M～N(0，1)，换言之，使分布标准化。每个变量的平均值为0而方差为1。在逆运算中，标准化使每个变量的方差都转换成等量加权。当“功率”类型P的值增大时，“可听度范围-干扰”类型的值也增大。当参数R的系数为0时，参数R的值的变化不会改变“可听度范围-干扰”类型的值。当“功率”类型的值增大时，可听度范围和干扰也增大。

规范相关分析最好包括以下步骤：

1)所要观测的内容，即说明性变量的参数p和要说明的变量的测量结果q，被排列成如下矩阵格式：

其中，n代表所要观测的内容中的观测结果数。

于是，可对其分布偏离正态分布的变量进行必要的变换。通过这种变换，可以更接近多维正态分布，就规范相关的测试而言，这是有利的。再将变量标准化并且从此开始用字母z来表示观测结果x。

2)下一步，最好采用例如Pearson相关或Spearman相关等，来计算所有变量之间的相关。所计算出的变量之间的相关矩阵可划分为下列四个子矩阵： $\underset{(p+q)\×(p+q)}{R}=\left[\begin{array}{cc}{R}_{11}& R_{12}\\ p\×p& p\×q\\ R_{21}& R_{22}\\ q\×p& q\×q\end{array}\right].$

划分出的左上角表示第一变量组(即说明性变量X⁽¹⁾)的内部相关，而右下角表示第二变量组(即要说明的变量X⁽²⁾)的内部相关。另外，矩阵还包括变量组中的变量与另一变量组的相关。

3)下一步，例如采用“似然比”测试等来测试规范相关分析的有效性，以检查在特定风险程度(risk level)上变量组之间的相关偏离零是否达到统计上有效的程度，即所要观测的内容是否符合遵循零假设的分布。换言之，甚至检测第一规范相关统计上是否有效。子矩阵的右上角和左下角中变量组的数值是仅有的影响对数似然测试量的数值。下面给出零假设和另一假设： ${\{}_{H_1:{\mathrm{\Σ}}_{12}=R_{12}\≠0}^{H_0:{\mathrm{\Σ}}_{12}=R_{12}=0}.$

矩阵R(12)是矩阵R(21)的转置，因此矩阵R(21)也同时被测试了。这样，有了矩阵R(12)的测试就足够了，因为如果其结果为0，那么所有规范相关也都为零。

第一步是要利用相关矩阵来形成变量组1和2的线性组合，即要应用与矩阵的最大本征值有关的本征矢量U和V来完成最大化任务。这可用下式表示： ${\mathrm{\ρ}}_1^{*}=\underset{a,b}{\max }\mathrm{Corr}(U,V),$ ${\stackrel{{^}^{{*}^2}}{\mathrm{\ρ}}}_1={\mathrm{OA}}_1\left(R_{11}^{-1/2}{R}_{12}{R}_{22}^{-1}{R}_{21}{R}_{11}^{-1/2}\right),$

其中，矩阵R₁₁ ^-1/2R₁₂R₂₂ ^-1R₂₁R^{11 -1/2}的最大本征值OA₁等于与它相应的规范相关的平方

。还可形成以下系数矢量： ${\hat{a}}_1={\stackrel{{^}^{\′}}{e}}_1{R}_{11}^{-1/2}$ ${\hat{b}}_1={\stackrel{{^}^{\′}}{f}}_1{R}_{22}^{-1/2}$

用于计算规范变量，这些系数矢量可应用与最大本征值相应的本征矢量e和f来得到，假定 是与矩阵R₂₂ ^-1/2R₂₁R₁₁ ^-1R₁₂R₂₂ ^-1/2的最大本征值相应本征矢量，于是， ${\{}_{{\hat{V}}_1={\stackrel{{^}^{\′}}{b}}_1{Z}^{\left(2\right)}=b_1{Z}_1^{\left(2\right)}+\…+b_q{Z}_q^{\left(2\right)}}^{{\hat{U}}_1={\stackrel{{^}^{\′}}{a}}_1{Z}^{\left(1\right)=a_1{Z}_1^{\left(1\right)}}+\…+a_p{Z}_p^{\left(1\right)}}.$

这里，规范变量U₁和V₁对应于最大规范相关。变量z是指标准化的观测结果，符号^表示所讨论的变量是估算的，并且未必与理论值相同，而符号′表示矢量转置。

于是，如果下式成立，那么舍弃风险程度为α的零假设H₀： $-(n-1-\frac{1}{2}(p+q+1))1n\underset{i=1}{\overset{\mathrm{\ρ}}{\mathrm{\Π}}}(1-{\mathrm{\ρ}}_i^{*2})>x_{\mathrm{pq}}^2\left(\mathrm{\α}\right).$

4)如果零假设H₀被舍弃，那么，线性组合的计算一直进行，直到“似然比”测试不再提供统计上有效的规范相关，即形成下式： ${H_0}_{\left(k\right)}^{\left(k\right)}:{{\mathrm{\ρ}}_1}^{*}\≠0,...,{{\mathrm{\ρ}}_k}^{*}\≠0,{{\mathrm{\ρ}}_{k+1}}^{*}=...={{\mathrm{\ρ}}_p}^{*}=0$

      H₁∶ρ_i ^*≠0，在i＞k+1的任意值处。

这是后续相关测试的一般假定形式。例如，当测试第二规范相关时，变量k＝1，而当测试第三规范相关时，k＝2。

如果下式成立，则舍弃风险程度为α的H₀ ^(k)： $-(n-1-\frac{1}{2}(p+q+1))1n\underset{i=k+1}{\overset{\mathrm{\ρ}}{\mathrm{\Π}}}(1-{\widehat{\mathrm{\ρ}}}_i^{*2})>x_{(p-k)(q-k)}^2\left(\mathrm{\α}\right)$ ${\hat{U}}_k={\stackrel{{^}^{\′}}{e}}_k{R}_{11}^{-1/2}{Z}^{\left(1\right)}$ ${\hat{V}}_k={\stackrel{{^}^{\′}}{f}}_k{R}_{22}^{-1/2}{Z}^{\left(2\right)}.$

为了便于线性组合的分析，它们与变量组1和2的相关计算如下： $\underset{p\×p}{\overset{^}{A}}=\left[\begin{array}{c}{\hat{a}}_1^{\′}\\ {\hat{a}}_2^{\′}\\ .\\ .\\ .\\ {\hat{a}}_p^{\′}\end{array}\right]$ 而， $\underset{q\×q}{\overset{^}{B}}=\left[\begin{array}{c}{\hat{b}}_1^{\′}\\ {\hat{b}}_2^{\′}\\ .\\ .\\ .\\ {\hat{b}}_q^{\′}\end{array}\right]$ ，那么其中： $R_{\hat{U},x^{\left(1\right)}}=\hat{A}{R}_{11}{D_{11}}^{-1/2}$ $R_{\hat{V},x^{\left(2\right)}}=\hat{B}{R}_{22}{D_{22}}^{-1/2}$ $R_{\hat{U},x^{\left(2\right)}}=\hat{A}{R}_{12}{D_{22}}^{-1/2}$ $R_{\hat{V},x^{\left(1\right)}}=\hat{B}{R}_{21}{D_{11}}^{-1/2}.$

7)然后我们可以检查已计算出的r个规范变量多好地构成原始相关矩阵。为此，我们来确定以下各式：

  R₁₁-(_z ⁽¹⁾_z ^(1)′+_z ⁽²⁾_z ^(2)′+...+_z ^(r)_z ^(r)′)

  R₂₂-(_z ⁽¹⁾_z ^(1)′+_z ⁽²⁾_z ^(2)′+...+_z ^(r)_z ^(r)′) $R_{12}-({{\widehat{\mathrm{\ρ}}}_1}^{*}{{\hat{a}}_z}^{\left(1\right)}{{\hat{b}}_z}^{\left(1\right)\′}+{{\widehat{\mathrm{\ρ}}}_2}^{*}{{\hat{a}}_z}^{\left(2\right)}{{\hat{b}}_z}^{\left(2\right)\′}+...+{{\widehat{\mathrm{\ρ}}}_r}^{*}{{\hat{a}}_z}^{\left(r\right)}{{\hat{b}}_z}^{\left(r\right)\′})$

8)最后，值得对已计算出的r个规范变量在它们的变量组中所说明的总方差的部分进行检查。

规范相关分析可根据许多不同的估算方法来进行，其过程可能涉及两个变量组，或多个变量组。例如，从蜂窝网中得到的信息可用来形成三个变量组：无线参数，测量结果和告警数据。那么该分析将致力于建立所选定的变量组之间的相依性的模型。

常规规范相关分析基于建立变量组之间的线性相依性的模型，正如图2中所示。这种常规方法是H.Hotelling于1935年提出的，并且该方法中所涉及的最大化任务例如可应用本征值及其本征矢量来完成。

非线性规范相关分析基于用最佳定标变量来取代原来的变量，这种定标变量也可以是经非线性变换的。最佳定标用一种与实际最大化任务同时被执行的迭代法来完成，根据变量组的数量，迭代法可以采用CANALS算法也可以采用OVERALS算法来进行。

规范相关分析未被用来控制蜂窝网容量乃至分析容量。容量控制对它所基于的模型有相当多的要求。上述模型是根据类型的独立性和正交方案所选定的，不同的分析方法可提供很多不同的类别。其他方法还可以得到更复杂的模型，但它们用起来也复杂得多。规范相关分析可以不同的方式来进行，在非线性规范相关分析中，变量的变换类型可能对分析的结果产生很大的影响。

本发明方法所要求的测量可由这样的系统来执行，该系统最好包括一种采用适当的软件来执行本方法中的方法步骤的处理器装置。该处理器装置例如可由一个处理器和存储电路的独立逻辑部件或一台计算机组成。

尽管以上参照根据附图的一个例子描述了本发明，显然，本发明并不局限于此，而可以在权利要求书所阐述的本发明思想的范围内以多种方式变化。

Claims (9)

1.一种用于推算出一种可用来控制蜂窝网容量并便于容量控制的模型的方法，该方法包括，根据蜂窝网变量形成一些变量组，并确定蜂窝网的这些变量组的相依性，其特征在于，找寻变量组的彼此相依的线性组合，这些线性组合之间的相依性以及相依性的强度应用规范相关系数来测量，还在于，只用几个规范变量对成对地来表示两个变量组的多维相依性。

2.如权利要求1所述的方法，其特征在于，由蜂窝网变量所形成的变量组包括蜂窝网馈送参数和测量结果。

3.如权利要求1所述的方法，其特征在于，所需变量组被选作蜂窝网变量。

4.如权利要求1所述的方法，其特征在于，成对的变量组的线性组合彼此尽可能强相依。

5.如权利要求4所述的方法，其特征在于，成对的变量组的线性组合彼此尽可能强相依，而与其他线性组合无关。

6.如权利要求5所述的方法，其特征在于，线性组合即规范变量之间的相依性应用规范相关分析来计算，该规范相关分析至少包括以下步骤：

将所要观测的内容排列成矩阵格式；

对其分布偏离标准分布的变量进行一些必要的变换；

使变量标准化；

计算变量之间的相关；

测试在所选定的风险程度上变量组之间的相关是否表明统计上有效的零偏差；

根据相关矩阵形成变量组的线性组合；

计算线性组合与变量组的相关；和

考查所计算出的规范变量在多大程度上说明了在它们各自的变量组中的总方差。

7.如权利要求1所述的方法，其特征在于，采用数值矩阵计算方法来计算变量组的相依性。

8.如权利要求1所述的方法，其特征在于，最大化任务可应用不同的方法来完成，这取决于变量之间的相依性是线性的还是非线性的。

9.一种用于推算出一种可用来控制蜂窝网容量并便于容量控制的模型的系统，该系统用来根据蜂窝网变量形成一些变量组，并确定蜂窝网的这些变量组的相依性，其特征在于，系统被用来找寻变量组的彼此相依的线性组合，应用规范相关系数来测量这些线性组合之间的相依性以及相依性的强度，两个变量组的多维相依性成对地置于几个规范变量对中。

Images