陳能美，劉曉靜

(重慶師范大學(xué) a.數(shù)學(xué)科學(xué)學(xué)院; b.圖書(shū)館， 重慶 401331)

?

基于隨機(jī)森林算法的信道場(chǎng)景分類模型研究

陳能美a，劉曉靜b

(重慶師范大學(xué) a.數(shù)學(xué)科學(xué)學(xué)院; b.圖書(shū)館， 重慶 401331)

隨著科技的進(jìn)步移動(dòng)通信產(chǎn)業(yè)已經(jīng)與人類生活、社會(huì)發(fā)展產(chǎn)生緊密地結(jié)合在一起，對(duì)特定單一場(chǎng)景或一定區(qū)域內(nèi)條件下的無(wú)線信道進(jìn)行分類、識(shí)別，實(shí)現(xiàn)特定場(chǎng)景進(jìn)行分析以及無(wú)線網(wǎng)絡(luò)的優(yōu)化，具有重要意義。針對(duì)這一背景，提出了一種結(jié)合隨機(jī)森林算法的信道場(chǎng)景分類模型。對(duì)不同的信道場(chǎng)景物理特征進(jìn)行提取與降維，基于多分類器集成的原理，結(jié)合多個(gè)決策樹(shù)與隨機(jī)向量決策樹(shù)的構(gòu)造原理，創(chuàng)建信道場(chǎng)景的隨機(jī)森林分類模型。實(shí)驗(yàn)結(jié)果表明：所采用的分類方法的總模型準(zhǔn)確率約為89.90%，能有效地實(shí)現(xiàn)信道場(chǎng)景的分類識(shí)別。

無(wú)線信道；隨機(jī)森林(RF)；機(jī)器學(xué)習(xí)；特征選擇

當(dāng)今世界是一個(gè)信息化的世界，信息傳播的質(zhì)量與速度影響著經(jīng)濟(jì)、社會(huì)的發(fā)展和人們的生活。無(wú)線通信是信息化的一種必然趨勢(shì)，不僅能促進(jìn)新興產(chǎn)業(yè)的發(fā)展，也能提高人們的生活質(zhì)量。人們對(duì)無(wú)線通信的需求和要求越來(lái)越高，希望能高速率、高質(zhì)量、隨時(shí)隨地地通信[1-2]。

在移動(dòng)通信中，發(fā)送端和接收端之間通過(guò)電磁波來(lái)傳輸信號(hào)，可以想象兩者之間存在看不見(jiàn)的電磁通路，一般把這些電磁通路稱為無(wú)線信道[3-7]。在典型的無(wú)線信道中，電磁波的傳輸路徑具有多樣化的分布特點(diǎn)，主要是由于散射(包括反射和衍射)所導(dǎo)致。由于電磁波沿各條路徑的傳播距離不同，因此相同發(fā)射信號(hào)經(jīng)由各條路徑到達(dá)接收端的時(shí)間各不相同，即多徑的時(shí)延有差異。無(wú)線信道與周圍的環(huán)境密切相關(guān)，不同環(huán)境下的無(wú)線信道具有一些差異化的特征。如何發(fā)現(xiàn)并提取這些特征并將其應(yīng)用于無(wú)線網(wǎng)絡(luò)優(yōu)化中是當(dāng)前的一個(gè)研究熱點(diǎn)[8]。類似人類指紋，將上述無(wú)線信道的差異化特征稱為無(wú)線信道“指紋”。基于信道特征以及相關(guān)參數(shù)，實(shí)現(xiàn)一個(gè)場(chǎng)景或一定區(qū)域內(nèi)的無(wú)線信道分類和識(shí)別，并對(duì)場(chǎng)景進(jìn)行分析以及無(wú)線網(wǎng)絡(luò)優(yōu)化具有重要意義。

當(dāng)前常用的分類、預(yù)測(cè)方法有機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)分析等方法[9]，這些方法在對(duì)場(chǎng)景的分類和預(yù)測(cè)過(guò)程中都必須依靠大量的訓(xùn)練樣本作為模型的構(gòu)建和驗(yàn)證基礎(chǔ)。在訓(xùn)練過(guò)程中，最常見(jiàn)的是過(guò)度擬合問(wèn)題，使模型對(duì)實(shí)際條件下的預(yù)測(cè)缺乏有效性。為此，Leo Breiman等[10]提出了隨機(jī)森林算法，并將其應(yīng)用于分類和預(yù)測(cè)中，有效地解決了模型訓(xùn)練過(guò)程中的過(guò)度擬合問(wèn)題。

1 隨機(jī)森林理論

2001年，Leo Breiman提出了隨機(jī)森林算法(random forests，RF)[10-11]，隨后被不斷完善,形成了一整套關(guān)于分類和預(yù)測(cè)的體系，被廣泛應(yīng)用于經(jīng)濟(jì)、計(jì)算機(jī)和無(wú)線電通信領(lǐng)域[2,12-14]。隨機(jī)森林算法屬于組合分類算法中的一種，它采用樣本集有放回抽樣的方式確定訓(xùn)練集。另一方面，從原始樣本中抽取大量樣本，并結(jié)合Bagging引入隨機(jī)選擇的屬性，訓(xùn)練重抽樣樣本集的數(shù)據(jù)，進(jìn)而得到大量的決策樹(shù)，然后將多棵決策樹(shù)進(jìn)行組合構(gòu)建預(yù)測(cè)(分類)模型，最后投票得到最終的預(yù)測(cè)結(jié)果。

隨機(jī)森林是由多棵CART(class and regression tree)構(gòu)成，可以用{h(X,Θk),k=1,…,n}來(lái)表示決策樹(shù)[10]，其中{θk}是同分步且相互獨(dú)立的隨機(jī)向量，它決定著單棵樹(shù)的生長(zhǎng)方向。在分類器算法設(shè)計(jì)過(guò)程中通過(guò)多數(shù)投票法確定最后的分類結(jié)果[10]。

對(duì)于給定的多棵CARTh(X,Θ1),…,h(X,Θk)，在訓(xùn)練集合中隨機(jī)抽取服從Y、X的向量。對(duì)于正確分類的最大得票數(shù)，可以通過(guò)邊際函數(shù)進(jìn)行描述：

mg(X,Y)=avkI(hk(X)=Y)-

(1)

其中：I(·)是示意性函數(shù)；avk(·)表示平均。若邊際函數(shù)的數(shù)值越大，則說(shuō)明分類器的置信度就越強(qiáng)，分類越有效。

隨機(jī)森林訓(xùn)練分類模型過(guò)程概括如下[11]：

1) 給定分類對(duì)象的訓(xùn)練集(S)、測(cè)試集(T)，特征維數(shù)為F。假設(shè)原始訓(xùn)練集中有N個(gè)樣本數(shù)據(jù)，采用有放回地重復(fù)抽取方式，將這N個(gè)樣本構(gòu)成一個(gè)新的訓(xùn)練集，這意味著有數(shù)據(jù)將多次或者從未出現(xiàn)于訓(xùn)練集中。

2) 為了實(shí)現(xiàn)樹(shù)的內(nèi)部分裂和延伸，在訓(xùn)練過(guò)程中采用隨機(jī)的方式對(duì)特征向量進(jìn)行選擇。假設(shè)特征向量的維度為F，其中特征總計(jì)有M個(gè)，指定正整數(shù)閾值f

3) 對(duì)于每棵樹(shù)任其生長(zhǎng)，不進(jìn)行剪枝。最后，輸出的是所有樹(shù)中預(yù)測(cè)概率最大的那一類。

2 模型建立

2.1 信道場(chǎng)景特征的提取

在機(jī)器學(xué)習(xí)算法的設(shè)計(jì)過(guò)程中，實(shí)現(xiàn)預(yù)定的分類效果是建立在對(duì)所描述對(duì)象的特征有效提取基礎(chǔ)之上[13]。若使用了冗余或無(wú)關(guān)的信道場(chǎng)景特征將不利于對(duì)場(chǎng)景進(jìn)行準(zhǔn)確分類與識(shí)別。而特征向量維數(shù)過(guò)少，則不能對(duì)信道場(chǎng)景進(jìn)行很好的描述。因此，選擇的合適的場(chǎng)景特征子集對(duì)模型的分類有重要意義。

當(dāng)前對(duì)于信道場(chǎng)景特征的提取常用過(guò)濾方法。本文采用帶通濾波器子函數(shù)對(duì)信道的高斯白噪聲進(jìn)行去噪。高斯白噪聲的幅度分布是服從高斯分布特性的，其功率譜密度又是服從均勻分布[3,15]，這就導(dǎo)致無(wú)法完全將其濾除。然而，可以通過(guò)濾波處理使得信號(hào)中盡可能少地含有白噪聲。對(duì)于信號(hào)的頻率可以使用一個(gè)帶通濾波器對(duì)信號(hào)進(jìn)行濾波處理，將截止頻率設(shè)置在信號(hào)頻率兩側(cè)，這樣就能將有用信號(hào)進(jìn)行提取，而不過(guò)多地將噪聲摻雜進(jìn)來(lái)。

選用離散傅里葉變換方法對(duì)不同場(chǎng)景信道的幅頻特征值進(jìn)行提取。離散傅里葉變換采用有限長(zhǎng)序列的傅里葉變換，相當(dāng)于對(duì)信號(hào)進(jìn)行傅里葉變換結(jié)合等頻率間隔采樣的方式。有限長(zhǎng)序列離散傅里葉變換與周期序列離散傅里葉級(jí)數(shù)本質(zhì)是相似的。

為了檢驗(yàn)頻譜分析對(duì)環(huán)境特征判斷的正確性和精確性的影響，現(xiàn)以3個(gè)不同場(chǎng)景為例，經(jīng)過(guò)濾波后對(duì)信號(hào)的波形進(jìn)行驗(yàn)證，具體情況見(jiàn)圖1～3。

圖1 場(chǎng)景1的信道數(shù)據(jù)

圖2 場(chǎng)景2的信道數(shù)據(jù)

圖3 場(chǎng)景3的信道數(shù)據(jù)

從圖1～3三個(gè)場(chǎng)景信號(hào)分布可以看出信號(hào)分布符合高斯分布，因此可以確定濾波器很好地濾除了高斯白噪聲，達(dá)到了提取有用信號(hào)的目的。之后研究所用的數(shù)據(jù)均是采用此濾波處理方式對(duì)信道信號(hào)的高斯白噪聲進(jìn)行去除后的數(shù)據(jù)。雖然3個(gè)幅頻分布處在不同場(chǎng)景下，但是都體現(xiàn)出幅頻分布存在一定的信號(hào)周期性和信號(hào)突變性，并且在不同的場(chǎng)景下周期性也存在明顯的差異性。場(chǎng)景1中周期性分布比較明顯，在信號(hào)突變前有一個(gè)信號(hào)的突兀；而場(chǎng)景2和場(chǎng)景3周期性也表現(xiàn)得十分明顯，場(chǎng)景2的周期性明顯地強(qiáng)于場(chǎng)景1和場(chǎng)景3。在不同場(chǎng)景下信號(hào)脈沖發(fā)生突變的位置點(diǎn)也存在著較大的差異。因此，在后期特征值提取的時(shí)候，可以考慮把周期性和脈沖突變的位置點(diǎn)作為特征值進(jìn)行提取，用于后面的分類學(xué)習(xí)。

對(duì)于測(cè)試信道數(shù)據(jù)r[k,n]，其瞬時(shí)幅度α(t)和瞬時(shí)相位φ(t)分別為：

(2)

(3)

其中Re[r[k,n]]和lm[r[k,n]]分別表示r[k,n]的實(shí)部和虛部。

瞬時(shí)頻率可以通過(guò)瞬時(shí)相位φ(t)進(jìn)一步得到：

(4)

根據(jù)方程(2)～(4)依次計(jì)算出每個(gè)場(chǎng)景下所接收的r[k,n]物理特征值瞬時(shí)幅度α(t)、瞬時(shí)相位φ(t)和瞬時(shí)頻率f(t)?，F(xiàn)以場(chǎng)景1～3為例進(jìn)行相關(guān)計(jì)算，其中每一個(gè)Test中總共包含了 1 500×100個(gè)數(shù)據(jù)。

2.2 隨機(jī)森林的構(gòu)建

本文在構(gòu)建隨機(jī)森林的過(guò)程中主要采用Bagging方法。首先選取有差異的樣本集作為訓(xùn)練集，在對(duì)單棵樹(shù)進(jìn)行構(gòu)造時(shí)，結(jié)合隨機(jī)選擇特征的方式對(duì)內(nèi)部節(jié)點(diǎn)進(jìn)行屬性分裂。正是由于 Bagging 方法具有隨機(jī)選擇特征進(jìn)行分裂的特性，才使得隨機(jī)森林算法對(duì)噪音具有較好的容忍性，這極大地提升了隨機(jī)森林算法的分類性能。采用這種方法隨機(jī)構(gòu)建多個(gè)訓(xùn)練子集，并且每個(gè)訓(xùn)練子集能形成獨(dú)立的訓(xùn)練分類器，最終對(duì)多個(gè)分類器的分類結(jié)果進(jìn)行投票產(chǎn)生最終分類結(jié)果。本文用于構(gòu)建隨機(jī)森林的為Baggingrf算法。算法流程如圖4所示。

根據(jù)算法流程對(duì)整個(gè)信道場(chǎng)景的現(xiàn)場(chǎng)測(cè)試信道進(jìn)行建模處理。采集的數(shù)據(jù)分別是3個(gè)不同場(chǎng)景下的采樣結(jié)果，這3個(gè)場(chǎng)景的標(biāo)簽依次命名為場(chǎng)景1、場(chǎng)景2和場(chǎng)景3。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集

本文使用的信道數(shù)據(jù)來(lái)自于實(shí)驗(yàn)測(cè)試數(shù)據(jù)，提供了3種場(chǎng)景的真實(shí)信道測(cè)量結(jié)果，分別為場(chǎng)景1、場(chǎng)景2、場(chǎng)景3。每個(gè)場(chǎng)景分別有5組真實(shí)的信道測(cè)試數(shù)據(jù)，是基于3種已知場(chǎng)景的測(cè)量結(jié)果。在這3種場(chǎng)景中包含了5個(gè)真實(shí)信道測(cè)量的結(jié)果，分別為Test 1～5。N=1 500個(gè)信道樣本，共 1 s的測(cè)試時(shí)間，即相鄰信道樣本間隔2/3 ms。每個(gè)信道樣本都對(duì)應(yīng)K=100個(gè)樣本點(diǎn)，且相鄰樣本點(diǎn)間隔65 ns。原始數(shù)據(jù)包含了1 500個(gè)試樣，每個(gè)試樣有100個(gè)樣本點(diǎn)。原始數(shù)據(jù)樣本點(diǎn)總計(jì)有1 500×4×3×2×100個(gè)。本文已對(duì)這些樣本點(diǎn)進(jìn)行了相應(yīng)的去噪處理，并對(duì)信號(hào)進(jìn)行了計(jì)算，得到了振幅、相位、頻率等基礎(chǔ)物理特征值，總計(jì)有1 500×4×3×3×100個(gè)樣本點(diǎn)。通過(guò)濾波處理和特征值提取以后其場(chǎng)景之間的差異主要集中在n=40～67測(cè)試數(shù)據(jù)之間，用于機(jī)器學(xué)習(xí)的數(shù)據(jù)量見(jiàn)表1。

圖4 RF算法流程

3.2 模型評(píng)價(jià)

機(jī)器學(xué)習(xí)過(guò)程構(gòu)成環(huán)節(jié)：進(jìn)行模型的特征值、特征向量的提??；對(duì)提取的特征值進(jìn)行模型的構(gòu)建，并訓(xùn)練相應(yīng)的網(wǎng)絡(luò)；利用訓(xùn)練的網(wǎng)絡(luò)對(duì)未知的數(shù)據(jù)進(jìn)行預(yù)測(cè)或分類，結(jié)合分類的效果實(shí)現(xiàn)對(duì)模型的評(píng)價(jià)。因此，在機(jī)器學(xué)習(xí)的信道場(chǎng)景分類研究中，模型評(píng)價(jià)是指將測(cè)試集在構(gòu)建的分類模型上運(yùn)行測(cè)試，并根據(jù)其運(yùn)行結(jié)果對(duì)分類模型處理未知信道場(chǎng)景的能力進(jìn)行預(yù)估。本文主要問(wèn)題對(duì)象為3種場(chǎng)景的分類問(wèn)題：假設(shè)在測(cè)試集中存在N個(gè)信道場(chǎng)景樣本，它們構(gòu)成了3種信道場(chǎng)景的類型，分別為場(chǎng)景1、場(chǎng)景2、場(chǎng)景3，則三元信道場(chǎng)景分類的混淆矩陣如表2所示。

表1 原始信道各數(shù)據(jù)集樣本數(shù)量

表2 三元信道場(chǎng)景分類問(wèn)題的混淆矩陣

對(duì)于表2中任意表項(xiàng)N(i,j)表示實(shí)際場(chǎng)景類型為i而被分為模型預(yù)測(cè)為j類的樣本個(gè)數(shù)，在機(jī)器學(xué)習(xí)訓(xùn)練分類模型中對(duì)預(yù)測(cè)的結(jié)果進(jìn)行統(tǒng)計(jì)。常常產(chǎn)生3種類型的參數(shù)，具體見(jiàn)表3。

根據(jù)表3中的測(cè)試情況以及相關(guān)統(tǒng)計(jì)結(jié)果可以對(duì)模型進(jìn)行總體評(píng)價(jià)，評(píng)價(jià)的參數(shù)包括類召回率、類正確率、整體正準(zhǔn)確率等，具體的計(jì)算公式見(jiàn)表4。

表4 模型評(píng)價(jià)參數(shù)計(jì)算公式

3.3 實(shí)驗(yàn)結(jié)果分析

從每個(gè)場(chǎng)景中所測(cè)試的5組Test中，隨機(jī)選出4組作為隨機(jī)森林場(chǎng)景分類器的訓(xùn)練數(shù)據(jù)，為48 600×3的一個(gè)數(shù)組。在訓(xùn)練數(shù)據(jù)中依次從上到下排列為場(chǎng)景1～3的特征信息，每個(gè)場(chǎng)景信息特征為1 500×4×27，共計(jì)162 000個(gè)數(shù)據(jù)。依照排列順序載入訓(xùn)練樣本,以此為基礎(chǔ)構(gòu)建的訓(xùn)練樣本為X{αt, φt, f(t)}、維度為48 600×3。此外構(gòu)建一個(gè)映射集合Y{‘場(chǎng)景_1=0’,‘場(chǎng)景_2=1’,‘場(chǎng)景_3=2’}，并且在集合Y的數(shù)組中依次存放：0～1 500×4×27為場(chǎng)景1的標(biāo)識(shí)；1 500×4×27～1 500×4×27×2為場(chǎng)景2的標(biāo)識(shí)；1 500×4×27×2～1 500×4×27×3為場(chǎng)景3的標(biāo)識(shí)；維度為48 600×1。

為了驗(yàn)證所建立模型的正確性與模型的精度，利用“數(shù)據(jù)包1”中的場(chǎng)景Test數(shù)據(jù)，采用本文訓(xùn)練分類器對(duì)每一場(chǎng)景中的5個(gè)Test數(shù)據(jù)隨機(jī)選取了4個(gè)作為訓(xùn)練樣本，將剩下的一個(gè)樣本作為驗(yàn)證樣本，樣本量為1 500×3×100×2。按照本文數(shù)據(jù)處理方法和分類器求解算法的數(shù)據(jù)結(jié)構(gòu)將剩下的一個(gè)Test轉(zhuǎn)化為1 500×3×27的真實(shí)信號(hào)檢驗(yàn)樣本，這些樣本包含了無(wú)線信道信號(hào)物理特征值振幅、相位、頻率等。分類后的結(jié)果見(jiàn)表5。

表5 不同場(chǎng)景的混淆矩陣

結(jié)合本文的模型參數(shù)評(píng)價(jià)，得到測(cè)試數(shù)據(jù)集下3類不同信道場(chǎng)景的類召回率和類正確率平均值，如表6所示。

表6 各類樣本的評(píng)價(jià)情況

從計(jì)算結(jié)果中可以看出：經(jīng)過(guò)隨機(jī)4組測(cè)試樣本訓(xùn)練的信道場(chǎng)景分類模型，通過(guò)剩余的一組測(cè)試值檢驗(yàn)以后，場(chǎng)景1～3的召回率分別為92.52%、90.67%和86.48%，場(chǎng)景1的召回率最高。此外，這3個(gè)場(chǎng)景經(jīng)過(guò)模型分類以后，預(yù)測(cè)其場(chǎng)景的正確率依次為88.37%、90.69%和90.73%。整個(gè)模型的準(zhǔn)確率為89.90%，高于85%，表明采用隨機(jī)森林算法能有效對(duì)不同的信道場(chǎng)景實(shí)現(xiàn)分類。

4 結(jié)束語(yǔ)

本文提出了一種采用隨機(jī)森林算法進(jìn)行信道場(chǎng)景分類的方法，主要包括了特征值、特征向量提取、隨機(jī)森林分類模型的構(gòu)建，最后結(jié)合不同場(chǎng)景信道進(jìn)行了模型的檢測(cè)與評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明：將隨機(jī)深林用于信道場(chǎng)景分類對(duì)信道場(chǎng)景具有較高識(shí)別率，并且模型穩(wěn)定性比較好。其中，場(chǎng)景的召回率最高為92.52%，場(chǎng)景的正確率最高為90.73%，整個(gè)模型的準(zhǔn)確率為89.90%，表明隨機(jī)森林算法在信道場(chǎng)景分類預(yù)測(cè)中是有效的。

[1] 李林,蔣衛(wèi)恒,馮文江.基于協(xié)作干擾器的OFDM-CR保密通信系統(tǒng)功率控制[J].重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,33(1):154-162.

[2] 王鑫,汪晉寬,劉志剛,等.基于隨機(jī)森林的認(rèn)知網(wǎng)絡(luò)主用戶信號(hào)調(diào)制類型識(shí)別算法[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,35(12):1706-1709.

[3] 程佩青.數(shù)字信號(hào)處理教程[M].北京:清華大學(xué)出版社,2001.

[4] 蘇丹,李章勇,章敬雪,等.基于轉(zhuǎn)發(fā)節(jié)點(diǎn)的無(wú)線體域網(wǎng)動(dòng)態(tài)信道研究[J].重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,27(2):235-240.

[5] 戴俊，瞿成明，郝玲玲，等． 基于無(wú)線通信網(wǎng)絡(luò)的多智能車速度一致性控制系統(tǒng)[J]． 重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2015(4):107-112.

[6] 陳敏,張金文,韋崗.OPNET無(wú)線信道建模[J].計(jì)算機(jī)工程與應(yīng)用,2003,39(25):62-65.

[7] 蔣澤,顧朝志.無(wú)線信道模型綜述[J].重慶工學(xué)院學(xué)報(bào),2005,19(8):63-67.

[8] 任志勇,馮文江.電磁頻譜衰落信道的相位校正盲均衡算法研究[J].重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,31(6):97-101.

[9]BOUTELLMR,LUOJ,SHENX,etal.Learningmulti-labelsceneclassification[J].Patternrecognition,2004,37(9):1757-1771.

[10]BREIMANL.Randomforests[J].Machinelearning,2001,45(1):5-32.

[11]BREIMANL,CUTLERA.Randomforests-classificationdescription[Z].DepartmentofStatistics,Berkeley,2007.

[12]盂杰.隨機(jī)森林模型在財(cái)務(wù)失敗預(yù)警中的應(yīng)用[J].統(tǒng)計(jì)與決策,2014(4):179-181.

[13]宋源,梁雪春,張然.基于統(tǒng)計(jì)特性隨機(jī)森林算法的特征選擇[J].計(jì)算機(jī)應(yīng)用,2015,35(5):1459-1461.

[14]章沛,陳小瑜.基于隨機(jī)森林分類的快速標(biāo)簽檢測(cè)[J].重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,32(5):131-136.

[15]胡廣書(shū).數(shù)字信號(hào)處理:理論,算法與實(shí)現(xiàn)[M].北京:清華大學(xué)出版社,2003.

(責(zé)任編輯 劉 舸)

Study of Model of Wireless Channel Classification Based on Algorithm of Random Forest

CHEN Neng-meia， LIU Xiao-jingb

(a.School of Mathematics; b.Library, Chongqing Normal University，Chongqing 401331, China)

With the advances in technology, the mobile communications technology industry has been closely tied with human life, social development. Classifying and identifying the radio channel for a single scene or under certain specific conditions of the region to achieve a specific scene analysis and optimization of wireless networks is of great significance. Against this background this paper, we proposed a combination of random forests algorithm channel scene classification model. Firstly, the different physical characteristics of the scene channel was extracted and dimensionality reduced, and based on the principle of integration of multiple classifiers, combining the principle of a plurality of decision trees constructed with random vector decision tree, we created a random forest classification model of channel scene. Experimental results show that the overall accuracy of the model used in the classification is about 89.90%, which is effective in achieving the classification channel scene.

wireless channel；random forest(RF)；machine learning；feature selection

2016-12-25

重慶市社會(huì)科學(xué)規(guī)劃頂目(2015YBGL113)

陳能美(1990—)， 女，碩士研究生，主要從事最優(yōu)化理論與算法研究，E-mail：cxm132123@163.com；通訊作者 劉曉靜(1970—),女，主要從事最優(yōu)化方法研究，E-mail：liuxiaojing_cqnu@126.com。

陳能美，劉曉靜.基于隨機(jī)森林算法的信道場(chǎng)景分類模型研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2017(4):134-140.

format：CHEN Neng-mei，LIU Xiao-jing.Study of Model of Wireless Channel Classification Based on Algorithm of Random Forest[J].Journal of Chongqing University of Technology(Natural Science)，2017(4):134-140.

10.3969/j.issn.1674-8425(z).2017.04.022

TN919

A

1674-8425(2017)04-0134-07