陳向榮

（中國移動通信集團福建有限公司，福建 福州 350001）

1 引言

隨著移動互聯(lián)網(wǎng)的高速發(fā)展，通過移動蜂窩網(wǎng)絡(luò)接入互聯(lián)網(wǎng)的用戶數(shù)持續(xù)增長，用戶對移動網(wǎng)絡(luò)的需求日益增大，訪問網(wǎng)絡(luò)的數(shù)據(jù)量也隨之高速增長，而且用戶對網(wǎng)絡(luò)質(zhì)量的要求逐步提升。保障一個良好的網(wǎng)絡(luò)環(huán)境，提高用戶使用感知，成為移動網(wǎng)絡(luò)優(yōu)化工作的重中之重，這給網(wǎng)絡(luò)優(yōu)化的工作效率和質(zhì)量的保證帶來了巨大的挑戰(zhàn)。在移動網(wǎng)絡(luò)優(yōu)化工作中，天線方位角的嚴(yán)重偏差將會很大程度上影響到網(wǎng)絡(luò)優(yōu)化效果和網(wǎng)絡(luò)服務(wù)質(zhì)量，作為日常網(wǎng)絡(luò)優(yōu)化基礎(chǔ)數(shù)據(jù)的天線方位角，其準(zhǔn)確性與否將直接導(dǎo)致網(wǎng)絡(luò)優(yōu)化質(zhì)量的好壞。

當(dāng)前，天線工參的數(shù)據(jù)大多依賴人工通過羅盤、坡度儀等工具進行測量，數(shù)據(jù)的準(zhǔn)確性與工作人員的測量技術(shù)的熟練度和細(xì)心程度有很大的關(guān)系，時常出現(xiàn)數(shù)據(jù)的漏報和誤報情況。過分依賴人工的檢測，既無法保障測量數(shù)據(jù)的實時性，測量效率也很低。天線方位角作為天線工參中極為重要的一部分信息，核查的方法主要是通過工程優(yōu)化人員到達(dá)基站現(xiàn)場，利用指南針貼近天線下沿進行方位角讀取測量并手工記錄，同時，結(jié)合室外天線、RRU（ra2io remote unit）和室內(nèi)BBU（base ban2 unit）的線纜連接查詢，最終完成小區(qū)的天線覆蓋方向確認(rèn)，而對于鐵塔和壁掛類型的天線方位角的測量，則由持有登高證的工作人員對天線方位角進行確認(rèn)，由此，天線方位角的測量和確認(rèn)工作需要投入大量的人工成本，且數(shù)據(jù)的準(zhǔn)確性和及時性無法保障。隨著網(wǎng)絡(luò)規(guī)模的日益增大以及多制式多頻段多層網(wǎng)絡(luò)的出現(xiàn)，持有登高證的工作人員核查天線方位角的工作量急劇增加，人工測量的方法已極大地影響網(wǎng)絡(luò)維護、網(wǎng)絡(luò)優(yōu)化等工作的效率及質(zhì)量，進而降低了用戶使用網(wǎng)絡(luò)感知，也增加了用戶的投訴概率。如何利用大數(shù)據(jù)挖掘技術(shù)手段，實現(xiàn)天線方位角自動采集及異常預(yù)警，是當(dāng)下亟須解決的問題。

2 多層感知機

2.1 多層感知機模型結(jié)構(gòu)

多層感知機最主要的特點是有多個神經(jīng)元層，因此也叫深度神經(jīng)網(wǎng)絡(luò)（2eep neural network，DNN）。第一層稱為輸入層，最后一層稱為輸出層，中間層稱為隱層，其中，隱層的數(shù)量和輸出神經(jīng)元的個數(shù)可根據(jù)具體應(yīng)用進行選擇。3 層感知機的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 3 層感知機的網(wǎng)絡(luò)結(jié)構(gòu)

前向傳播即網(wǎng)絡(luò)處于學(xué)習(xí)階段，其學(xué)習(xí)過程為：首先，根據(jù)當(dāng)前各層的權(quán)向量的值，對每個樣本（即輸入）作前向計算；然后，計算該網(wǎng)絡(luò)的輸出結(jié)果與期望值的差值，并與限定值進行比較，若小于限定值，則學(xué)習(xí)過程結(jié)束，否則反向傳播逐層調(diào)整權(quán)向量值的大小，直到差值小于限定值。由此，多層感知機神經(jīng)網(wǎng)絡(luò)有以下幾個優(yōu)點：

? 對于具有高度非線性的問題，多層感知機神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性連續(xù)函數(shù)；

? 具有很強的容錯性和很快的處理速度，因為在神經(jīng)網(wǎng)絡(luò)中信息是分布存儲和并行處理的；

? 具有較好的泛化能力，因為神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時，可以從輸入和輸出的數(shù)據(jù)中發(fā)現(xiàn)規(guī)律性的特征，并逐層調(diào)整各權(quán)值大小，具有較強的自學(xué)習(xí)和自適應(yīng)能力；

? 具有較強的數(shù)據(jù)融合能力，多層感知機神經(jīng)網(wǎng)絡(luò)可以同時處理定量特征變量和定性特征變量；

? 無須考慮各個子系統(tǒng)間的解耦問題，MLP神經(jīng)網(wǎng)絡(luò)并沒有明確限定隱層的數(shù)量和輸出層神經(jīng)元的個數(shù)，可根據(jù)實際應(yīng)用選擇相應(yīng)的層數(shù)和輸出層神經(jīng)元的個數(shù)，因此對于單變量系統(tǒng)和多變量系統(tǒng)有通用的描述方式。

（2）促凝增強劑投加量的確定。取3號樣品加入AP2.0%、水泥20.0%及相應(yīng)添加劑，CA投加量不同，考察固化改良后浸出液主要指標(biāo)，試驗結(jié)果見表7。通過數(shù)據(jù)分析可以看出，當(dāng)CA加量達(dá)到5.0%時，改良固化后的COD值較低47.5mg／L、抗壓強度較高，達(dá)到1.76MPa。再增加加量固化效果變化不大，因此選擇CA投加量為5.0%。

2.2 BP 算法

BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程由信號的正向傳播過程與誤差的反向傳播過程組成。正向傳播過程是輸入信號通過隱層和輸出層節(jié)點的處理計算得到的網(wǎng)絡(luò)實際輸出值進一步與期望輸出值進行對比，計算它們的差值，將其作為誤差，若誤差不在限定范圍內(nèi)，則轉(zhuǎn)入學(xué)習(xí)過程的另一個階段，即誤差的反向傳播過程。誤差的反向傳播過程是指將計算的誤差通過隱層向輸入層逐層地進行反傳，并將誤差分?jǐn)偨o各層的所有單元，以此作為調(diào)整各層權(quán)向量的值的根據(jù)，并反復(fù)地進行該過程。各層權(quán)向量的值不斷修正的過程，即BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。在輸出的誤差值減小到限定范圍內(nèi)或迭代的次數(shù)達(dá)到限定學(xué)習(xí)的次數(shù)時，BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程將會停止。

由此，BP 神經(jīng)網(wǎng)絡(luò)算法是把樣本集學(xué)習(xí)與訓(xùn)練的問題轉(zhuǎn)化為代價函數(shù)的無約束最優(yōu)化問題。對于本文的3 層感知機網(wǎng)絡(luò)，設(shè)該網(wǎng)絡(luò)從(P+ 1)維輸入空間RP+1到L維輸出空間RL的非線性映射為：G:y=g(x)，其中x=[x1,x2, …,xP]T為擴展的輸入向量，y=[y1,y2, …,yL]T為輸出向量。圖1中的3 層感知機網(wǎng)絡(luò)所對應(yīng)的非線性映射G可收斂于在閉區(qū)間內(nèi)的連續(xù)函數(shù)或非線性映射，這在參考文獻(xiàn)[18-19]中得到了證明。假定訓(xùn)練樣本集則感知機網(wǎng)絡(luò)對該訓(xùn)練樣本集進行學(xué)習(xí)，即尋找最優(yōu)的各層網(wǎng)絡(luò)權(quán)值，且在一定代價函數(shù)的條件下，非線性映射G是映射M的最優(yōu)逼近，常用的代價函數(shù)表達(dá)式如下：

則上述最優(yōu)化問題為：求使得代價函數(shù)到最小所對應(yīng)的最優(yōu)權(quán)向量ωopt和υopt的值，即：

對于3 層感知機網(wǎng)絡(luò)的隱層網(wǎng)絡(luò)，一般采用SBPM 算法調(diào)整權(quán)值。對于輸出層網(wǎng)絡(luò)，本文采用Kalman 濾波算法[20-21]調(diào)整權(quán)值。

BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要有4 個步驟。

步驟1組成輸入模式并由輸入層通過隱層向輸出層的正向傳播過程，即BP 神經(jīng)網(wǎng)絡(luò)中的正向傳播的過程。

步驟2計算網(wǎng)絡(luò)實際輸出值與期望值的差值，并作為誤差，若誤差不在限定范圍內(nèi)，則誤差信號由輸出層通過隱層向輸入層逐層反向傳播，從而調(diào)整各層權(quán)值的“誤差反向傳播”過程。

步驟3由“正向傳播”與“誤差反向傳播”反復(fù)進行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程。該過程主要是不斷更新各層權(quán)向量，直到找到最優(yōu)權(quán)向量ωopt和υopt的值。

步驟4網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的總體誤差趨向極小值的“學(xué)習(xí)收斂”過程。

在訓(xùn)練階段中，訓(xùn)練實例重復(fù)通過網(wǎng)絡(luò)，同時修正各個權(quán)值，改變各層權(quán)值的目的是最小化訓(xùn)練集誤差。繼續(xù)網(wǎng)絡(luò)訓(xùn)練直到此過程一直進行到網(wǎng)絡(luò)輸出的誤差值減小到限定范圍內(nèi)或迭代的次數(shù)達(dá)到限定學(xué)習(xí)的次數(shù)時停止訓(xùn)練。因此，訓(xùn)練的終止條件可以為使網(wǎng)絡(luò)收斂到最小的誤差，也可以是設(shè)定的最大重復(fù)次數(shù)。本文BP 算法的具體流程如圖2 所示。

圖2 BP 算法流程

3 數(shù)據(jù)實驗與分析

3.1 實驗設(shè)計

本文針對東南某省份2018 年1 月—6 月的OTT 數(shù)據(jù)和實際測量的天線方位角進行訓(xùn)練和測試，共計26 854 條數(shù)據(jù)。首先利用測量的方位角值將方位角方向劃分為12 個區(qū)間，每個區(qū)間覆蓋30°范圍，進而構(gòu)建分類標(biāo)簽；然后對數(shù)據(jù)進行柵格化處理；為了驗證模型的預(yù)測效果，將數(shù)據(jù)集分為訓(xùn)練集和測試集兩部分，其中訓(xùn)練集數(shù)據(jù)占比70%，共計18 798 條數(shù)據(jù)。最后，利用多層感知機深度神經(jīng)網(wǎng)絡(luò)算法，對訓(xùn)練數(shù)據(jù)集構(gòu)建模型，并對測試集的方位角的方向類別進行分類預(yù)測。將預(yù)測結(jié)果與真實標(biāo)簽進行對比驗證，評估模型效果。本文基于多層感知機的神經(jīng)網(wǎng)絡(luò)的天線方位角診斷流程如圖3 所示。

3.2 數(shù)據(jù)預(yù)處理

每個小區(qū)的OTT 特征數(shù)據(jù)存在一定的差異性，其值的大小范圍并不完全相同，且有的小區(qū)上報的采樣點數(shù)量較多，有的則較少。為了能夠?qū)⒚總€小區(qū)的特征數(shù)據(jù)轉(zhuǎn)化為一條訓(xùn)練數(shù)據(jù)，則需要對每個小區(qū)的數(shù)據(jù)進行處理。首先對于各小區(qū)OTT 數(shù)據(jù)特征中和正常數(shù)據(jù)差別很大的少量異常數(shù)據(jù)，利用孤立森林（isolation forest，IF）算法進行識別并剔除；然后以小區(qū)經(jīng)緯度為中心點構(gòu)建大柵格，以距離小區(qū)經(jīng)度或緯度的最大距離乘以2 作為大柵格的長度。對于每個小區(qū)900 個特征變量（不包含標(biāo)簽字段）的一條數(shù)據(jù), 即30×30 的柵格，也可以看作大小為30×30 的圖像。將大柵格按照30×30 劃分成一個個小的柵格，并給每個柵格填充此柵格中分布采樣點的RSRP 平均值，由于每個小區(qū)的RSRP 峰值并不相等，所以本文不采用常規(guī)的歸一化方法，而是對每個小區(qū)單獨進行處理。針對每個小區(qū)的柵格數(shù)據(jù)，將每個柵格的平均RSRP，除以最大的柵格平均RSRP，將柵格列表中的平均電平值數(shù)據(jù)單獨取出，并組成向量，在900 個柵格中, 發(fā)現(xiàn)共有87個柵格有采樣點分布。由于神經(jīng)網(wǎng)絡(luò)激活函數(shù)對處理數(shù)據(jù)的范圍有要求，且在梯度下降的過程中，如果每個維度的數(shù)據(jù)分布不同，使用相同的學(xué)習(xí)率很難迭代到最優(yōu)值。因此本文將柵格化的數(shù)據(jù)進行了歸一化處理。

對于標(biāo)簽變量，本文將小區(qū)工參中的方位角按照正北方向為0°，并以順時針方向計算，對方位角方向劃分為12 個區(qū)間，每個區(qū)間覆蓋30°范圍，即“0”表示[0, 30°)，“1”表示[30°, 60°)，…，“11”表示[330°, 360°)，以此構(gòu)建天線方位角分類標(biāo)簽。數(shù)據(jù)預(yù)處理流程如圖4 所示。

圖3 基于多層感知機的神經(jīng)網(wǎng)絡(luò)的天線方位角診斷流程

圖4 數(shù)據(jù)預(yù)處理流程

3.3 實驗結(jié)果分析

本文基于預(yù)處理后的訓(xùn)練數(shù)據(jù)集利用多層感知機的反向傳播算法構(gòu)建天方位角診斷模型，并對測試數(shù)據(jù)集進行分類預(yù)測，得到準(zhǔn)確率為92.6%，分類準(zhǔn)確性較高。為了與本文基于多層感知機模型的天線方位角分類效果進行對比，這里還分別利用了常用的分類算法隨機森林和邏輯回歸兩種算法對相同的數(shù)據(jù)集進行訓(xùn)練和測試，得到準(zhǔn)確率分別為68.7%和73.4%。為了更清晰地了解12 類方位角基于多層感知機模型的預(yù)測效果，本文利用混淆矩陣計算各類別的查準(zhǔn)率（Precision）、查全率（Recall）以及F1 得分（F1-score），從而對基于多層感知機深度神經(jīng)網(wǎng)絡(luò)算法預(yù)測的每類的結(jié)果進行了評估。評估結(jié)果見表1。

表1 基于多層感知機的天線方位角預(yù)測的評價指標(biāo)

其中，查準(zhǔn)率Precision = TP/(TP+FP)，TP 表示真正例，即被模型預(yù)測為正的正樣本，F(xiàn)P 表示假正例，即被模型預(yù)測為正的負(fù)樣本，查全率Recall = TP/(TP+FN)，F(xiàn)N 表示假負(fù)例，即被模型預(yù)測為負(fù)的正樣本，F(xiàn)1 得分F-score =2×Precision×Recall /(Precision + Recall)。

由表1 可知，將天線方位角分為12 個區(qū)間，并利用多層感知機深度神經(jīng)網(wǎng)絡(luò)算法，對方位角進行診斷預(yù)測，整體效果較好，其中預(yù)測最差的類別為5（即方位角區(qū)間為[150,180°)），準(zhǔn)確率為88.91%，召回率為80.33%，F(xiàn)1 得分為0.844 0，召回率略低，但比隨機森林和邏輯回歸兩種算法的整體準(zhǔn)確率都要高很多，預(yù)測最好的類別為10（即方位角區(qū)間為[300, 330°)），準(zhǔn)確率為97.03%，召回率為95.89%，F(xiàn)1 得分為0.964 6。

4 結(jié)束語

本文基于多層感知機深度神經(jīng)網(wǎng)絡(luò)的方法對天線方位角的范圍進行分類判別，分類準(zhǔn)確率較高。結(jié)果表明，將天線方位角分為12 個類別，利用多層感知機的模型能夠精準(zhǔn)地預(yù)測天線方位角的范圍類別。該方法已在東南某省份大數(shù)據(jù)平臺上完成部署，并對現(xiàn)網(wǎng)的天線方位角進行診斷，取得了較好成果，該方法能夠快速精準(zhǔn)地識別異常天線方位角范圍，為無線網(wǎng)絡(luò)優(yōu)化工作提供了有效的數(shù)據(jù)支撐。

為了更精準(zhǔn)地核查效果，下一步將針對天線方向角的合理性給出建議值，在判斷天線方位角是否偏移的同時考慮判斷天線俯仰角是否偏移。