移動通信網絡優化中數據挖掘技術的應用*

李銀碧

（浙江郵電職業技術學院 通信工程系，浙江 紹興 312366）

0 引 言

新時代來臨以后，通信網絡成為了主要的潮流，而且對于很多生產、生活任務，都會產生特別大的影響。數據挖掘技術的合理化應用，需要對站點進行分析，通過進行優化，提高移動通信傳輸質量[1]。移動通信網絡優化中數據挖掘技術的落實，要堅持在技術內涵上不斷的增加，從多個角度來提高技術的可靠性應用，從而對于一些老舊問題的解決，能夠按照足夠的依據來完成。

1 數據挖掘技術的特點

數據挖掘技術的運用過程中，能夠在很大程度上，促使數據和信息的搜集，按照全新的方式方法來完成。從圖1來看，數據挖掘技術的應用，并沒有按照單一的方式來分析和探討，而是能夠在不同的變量關系上做出良好的掌握，從而促使數據挖掘技術的體系更加健全，在與移動互聯網的銜接過程中，表現出更高的可靠性、可行性。

圖1 數據分析框架

例如，數據挖掘技術的采用，會在法律允許的情況下，對于用戶操作網絡過程中的各項數據，開展深入的搜集和分析，這對于用戶的習慣了解，以及網絡的更新，包括通信功能的改善，都提供了較多的幫助，整體上創造的經濟效益、社會效益較高[2]。

2 移動通信網絡原理

移動通信是指通信雙方至少有一方處于運動狀態中的通信，比如車輛、飛機等與固定用戶通信，或者移動用戶之間的通信，其結構如圖2所示。

現代化的科技發展中，移動通信網絡是比較重要的組成部分，同時能夠產生的影響力是比較高的，為了在自身的綜合成績上取得更好的效果，必須加強移動通信網絡的原理研究。從目前所獲得的成果來看，移動通信網絡的研發層面上，主要是按照系統的覆蓋范圍和作業方式來進行不同形式的展現，這其中涵蓋了雙向對話式蜂窩公用移動通信，以及單向或者是雙向對話式專用移動通信。

圖2 移動通信結構

與此同時，為了在移動通信網絡的應用成效上更好的提升，還在研究單向接收式無線尋呼，或者是家用無繩電話等等，這些都對移動通信網絡的長久發展，提供了較多的保障。從移動通信網絡的角度來分析，專用移動通信網絡，主要是表現為獨立的移動通信系統，其能夠有效的納入到公共網當中，一種具有代表性的專用網——集群系統，正在不斷的向著更高的層面來研究，而且能夠將有限的通信資源，按照自動的方法來進行良好的分配操作，對于用戶的日常使用，以及未來的移動通信網絡發展，都可以奠定堅實的基礎。除此之外，這種高效的網絡，會在對今后的公網技術發展、進步，做出更加卓越的貢獻。

3 數據挖掘技術的分類

3.1 神經網絡

從長遠的角度來分析，數據挖掘技術的應用，想要與移動通信網絡，表現出更好的融合效果，必須在數據挖掘技術的不同類型上良好的掌握。神經網絡是數據挖掘技術的典型代表，而且能夠得到的工作效果是比較值得肯定的[3]。神經網絡在移動通信中有重要的應用，首先是自適應濾波，利用神經網絡信號復原等特征對信息傳遞過程中產生的濾波進行檢測，能夠解決非線性問題。其次是呼叫控制方面，神經網絡能夠根據流量特性自學習地組成一個多輸入輸出的非線性函數，并且處理速度能夠非常迅速。第三是最優路由選擇，國外已經用CMOSVI．SI實現了8X8神經網絡來控制一個8X8交叉開關機制路由器，他的運行速度為120 ns，神經網絡因其反應速度快，善于在復雜的環境下解決非線性問題，還被廣泛用于語音圖像處理、雷達聲納的多目標跟蹤與辨識、保密通信中。

3.2 數理統計分析

這類技術建立在傳統的數理統計的基礎上。在數據庫字段項之間存在兩種關系：函數關系（能用函數公式表示的確定性關系）和相關關系（不能用函數公式表示，但仍是相關確定性關系），對它們的分析可采用判別分析、因子分析、相關分析、多元回歸分析及偏最小二乘回歸方法等[4]。傳統統計分析可用于分類挖掘和聚類挖掘，SAS（Statistical Analysis System），SPSS（Statistical Product and Service Solutions）和BMDP（Bio Medical Data Processing）是目前國際上最具影響力的3大統計分析軟件。

3.3 聚類分析

聚類分析是多元統計分析方法之一，也是統計模式識別中非監督模式識別的一個重要分支。在統計分析和模式識別領域，聚類已經被廣泛研究了多年，提出了大量的理論和方法，取得了豐碩的研究成果。聚類的研究主要包括以下幾方面：第一是聚類有效性問題。聚類有效性問題的研究是圍繞硬c-均值聚類算法和模糊c-均值聚類算法進行的，實際應用中，定義聚類有效性函數是最常用的方法。目前對聚類有效性問題的研究已延伸到非球狀數據分布的數據集中，如線狀和殼狀數據集；第二是迭代優化聚類的初始化問題。現有的聚類初始化研究大致分為三種途徑：隨機采樣法，距離優化法以及密度估計法。目前各種初始化方法各有優缺點，而且許多現有的初始化方法本身就是一種聚類方法或是多種聚類方法的綜合，因而優化過程中也會出現初始化的問題；第三是分類屬性數據聚類。圍繞分類數據類型和混合數據類型聚類問題，專家學者提出了很多新的概念和方法。其中，研究較為深入的是概念和層次聚類算法。由于概念聚類和層次聚類計算復雜，隨著新的分類屬性數據的相似度和距離函數的提出，面向分類屬性數據的基于劃分的聚類算法逐漸也應用于數據挖掘中[5]。

4 移動通信網絡優化中數據挖掘技術的應用原則

第一，移動通信網絡優化中數據挖掘技術的初期應用，要堅持在技術方案上做出良好的擬定。該項技術正表現為持續革新的特點，不同的技術內涵發揮，以及移動通信網絡任務的結合，必須保持較高的可靠性、可行性，要堅持在技術依據上充分的給出，這樣才能推動網絡的全面發展，如表1所示[6]。

表1 數據挖掘技術的應用配置

第二，移動通信網絡優化中數據挖掘技術的持續性應用，要堅持做出定期優化，針對不同群體的反饋內容，以及社會上的一些重點探討話題，都要高度的關注，尤其是東西部的技術差異和網絡基礎設施，應不斷的去平衡和改善。

5 移動通信網絡優化中數據挖掘技術的應用對策

5.1 完善技術流程

移動通信網絡優化中數據挖掘技術的應用，為了在技術的應用成果上更好的豐碩，建議對技術流程不斷的完善，如圖3所示。

圖3 移動通信網絡優化中數據挖掘技術流程

5.2 完善原理體系

就移動通信網絡優化中數據挖掘技術本身而言，其在應用的過程中，必須要適應時代的發展和特殊情況的影響，在具體工作的安排和實施過程中，應不斷的保持較高的可靠性、可行性，促使問題自身的解決，能夠得到較多的保障。建議在移動通信網絡優化中數據挖掘技術的應用過程中，針對原理體系不斷的完善。例如，貝葉斯分類的應用符合移動通信網絡優化中數據挖掘技術的應用要求。貝葉斯分類的應用過程中，主要是利用統計學當中的貝葉斯定理來完成的，該項定理的融合，能夠針對預測類數據、任務的概率做出一個深入的分析，結合移動通信網絡的特點和任務，給定一個樣本，并且計算樣本屬于一個特定類別的概率。

5.3 精準預測挖掘技術的未來走向

為了更好的將挖掘技術應用在移動通信網絡優化中，就需要針對其未來的走向展開預測，本文將會對以下幾個方向展開預測：第一個是數據挖掘算法的效率和可擴展性。目前數據庫數據量大，維數高，使得數據挖掘的搜索空間增大，發現知識的盲目性提高。如何充分利用領域的知識，剔除與發現任務無關的數據，有效地降低問題的維數，設計出高效率的知識發現算法是下一步發展的重點；第二個是數據的時序性。在應用領域的數據庫中，數據在不斷地更新，隨著時間的推移，原先發現的知識將不再有用，我們需要隨時間逐步修正發現模式來指導新的發現過程；第三個是互聯網上知識的發現。www正日益普及，從中可以找到很多新的知識，已有一些資源發現工具來發現含有關鍵字的文本，但對在www上發現知識的研究不多。人們現在面臨的問題是如何從復雜的數據（例如多媒體數據）中提取有用的信息，對多層數據庫的維護，如何處理數據的異類性和自主性等等。

5.4 加強干擾分析

對于現有的工作而言，移動通信網絡優化中數據挖掘技術的應用和掌控，干擾現象是一直存在的，但是如果能夠在干擾分析的準確度方面大幅度的提升，就可以選擇科學的方法來應對干擾，甚至是最大限度的避免干擾，這對于通信項目的建設，以及網絡功能的進步，都能夠提供較多的保障。例如在對上行干擾進行分析時，其計算的公式為上行干擾功率=干擾UE上行發射功率+干擾UE到目標基站的路徑損耗+目標基站對干擾UE的上行智能天線增益。而在對下行干擾進行分析時其計算的公式為下行干擾功率=干擾基站對干擾UE的下行發射功率+干擾基站到干擾UE的路徑損耗+干擾基站對目標UE的下行智能天線增益。由此可見，干擾分析的有效加強，對于移動通信網絡優化中數據挖掘技術的未來進步，奠定了堅實的基礎，整體上的工作效益是非常值得肯定的。

5.5 Apriori算法的應用

從客觀的角度來分析，移動通信網絡優化中數據挖掘技術的運用，必須在自身的技術內涵上不斷的增加，繼續按照傳統的思維和方法來操作，并不能取得理想的成績，還會造成很大的缺失和疏漏現象。建議在今后的技術應用過程中，加強Apriori算法的有效操作。Apriori算法的運用，能夠找出所有的頻集，這些項集出現的頻繁性，至少能夠和預定義的最小支持度表現為一致的狀態。接下來，通過頻集產生的關聯規則作用，促使這些規則必須充分的滿足最小支持度，以及最小可信度。從這一點來看，Apriori算法的應用，能夠促使數據挖掘技術，更好的融合移動網絡優化的需求，在一些先進的項目研發過程中，Apriori算法所提供的可能性是比較多的，而且在自身的綜合應用效果上，會大幅度的提升。值得注意的是，Apriori算法的操作過程中，雖然提供了較多的參考和指導，但是依然要在驗證的力度上進一步的提升，避免在數據挖掘的任務上，出現嚴重的理論化現象。Apriori具體算法如下：

輸入：D - 事務數據庫；min_sup-最小支持度計數閾值

輸出：L-D中的頻繁項集

方法：

5.6 基于劃分的算法

該算法在實施的過程中，會結合移動通信網絡優化中數據挖掘技術的特點來完成，將數據庫從邏輯上，有效的劃分為幾個互不相交的“塊”，每一次單獨考慮一個分塊，并且針對它生成的所有頻集也進行邏輯考慮和分析，而后針對所有的頻集，開展合并分析，最終對所有可能的頻集做出良好的掌握，從而在頻集的支持度方面進行詳細的計算。該項算法的優勢在于，能夠對移動通信網絡優化中數據挖掘技術的一些特殊情況進行有效的掌握，但是對于某些冗雜的問題處理，則無法在效率上更好的提升，需要進行多次的驗證和可靠性的分析。

6 結 語

我國在移動通信網絡優化中數據挖掘技術的研究過程中，正不斷的從多元化角度來出發，各項工作的安排和實踐，能夠不斷的取得更好的效果，今后應不斷的做出深入研究，擬定不同的環境和要求，促使技術應用成果，能夠表現的更加豐富，為將來的工作進步，努力的做出更加卓越的貢獻。