基于多層感知機(jī)模型的天線方位角診斷

陳向榮

（中國(guó)移動(dòng)通信集團(tuán)福建有限公司，福建 福州 350001）

1 引言

隨著移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展，通過(guò)移動(dòng)蜂窩網(wǎng)絡(luò)接入互聯(lián)網(wǎng)的用戶(hù)數(shù)持續(xù)增長(zhǎng)，用戶(hù)對(duì)移動(dòng)網(wǎng)絡(luò)的需求日益增大，訪問(wèn)網(wǎng)絡(luò)的數(shù)據(jù)量也隨之高速增長(zhǎng)，而且用戶(hù)對(duì)網(wǎng)絡(luò)質(zhì)量的要求逐步提升。保障一個(gè)良好的網(wǎng)絡(luò)環(huán)境，提高用戶(hù)使用感知，成為移動(dòng)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(lái)了巨大的挑戰(zhàn)。在移動(dòng)網(wǎng)絡(luò)優(yōu)化工作中，天線方位角的嚴(yán)重偏差將會(huì)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(lài)人工通過(guò)羅盤(pán)、坡度儀等工具進(jìn)行測(cè)量，數(shù)據(jù)的準(zhǔn)確性與工作人員的測(cè)量技術(shù)的熟練度和細(xì)心程度有很大的關(guān)系，時(shí)常出現(xiàn)數(shù)據(jù)的漏報(bào)和誤報(bào)情況。過(guò)分依賴(lài)人工的檢測(cè)，既無(wú)法保障測(cè)量數(shù)據(jù)的實(shí)時(shí)性，測(cè)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(guò)工程優(yōu)化人員到達(dá)基站現(xiàn)場(chǎng)，利用指南針貼近天線下沿進(jìn)行方位角讀取測(cè)量并手工記錄，同時(shí)，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(xún)，最終完成小區(qū)的天線覆蓋方向確認(rèn)，而對(duì)于鐵塔和壁掛類(lèi)型的天線方位角的測(cè)量，則由持有登高證的工作人員對(duì)天線方位角進(jìn)行確認(rèn)，由此，天線方位角的測(cè)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(shí)性無(wú)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(cè)量的方法已極大地影響網(wǎng)絡(luò)維護(hù)、網(wǎng)絡(luò)優(yōu)化等工作的效率及質(zhì)量，進(jìn)而降低了用戶(hù)使用網(wǎng)絡(luò)感知，也增加了用戶(hù)的投訴概率。如何利用大數(shù)據(jù)挖掘技術(shù)手段，實(shí)現(xiàn)天線方位角自動(dòng)采集及異常預(yù)警，是當(dāng)下亟須解決的問(wèn)題。

2 多層感知機(jī)

2.1 多層感知機(jī)模型結(jié)構(gòu)

多層感知機(jī)最主要的特點(diǎn)是有多個(gè)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(chēng)為輸入層，最后一層稱(chēng)為輸出層，中間層稱(chēng)為隱層，其中，隱層的數(shù)量和輸出神經(jīng)元的個(gè)數(shù)可根據(jù)具體應(yīng)用進(jìn)行選擇。3 層感知機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 3 層感知機(jī)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(guò)程為：首先，根據(jù)當(dāng)前各層的權(quán)向量的值，對(duì)每個(gè)樣本（即輸入）作前向計(jì)算；然后，計(jì)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(jìn)行比較，若小于限定值，則學(xué)習(xí)過(guò)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(jī)神經(jīng)網(wǎng)絡(luò)有以下幾個(gè)優(yōu)點(diǎn)：

? 對(duì)于具有高度非線性的問(wèn)題，多層感知機(jī)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(qiáng)的容錯(cuò)性和很快的處理速度，因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)中信息是分布存儲(chǔ)和并行處理的；

? 具有較好的泛化能力，因?yàn)樯窠?jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，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(qiáng)的自學(xué)習(xí)和自適應(yīng)能力；

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

? 無(wú)須考慮各個(gè)子系統(tǒng)間的解耦問(wèn)題，MLP神經(jīng)網(wǎng)絡(luò)并沒(méi)有明確限定隱層的數(shù)量和輸出層神經(jīng)元的個(gè)數(shù)，可根據(jù)實(shí)際應(yīng)用選擇相應(yīng)的層數(shù)和輸出層神經(jīng)元的個(gè)數(shù)，因此對(duì)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(qiáng)劑投加量的確定。取3號(hào)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(yàn)結(jié)果見(jiàn)表7。通過(guò)數(shù)據(jù)分析可以看出，當(dāng)CA加量達(dá)到5.0%時(shí)，改良固化后的COD值較低47.5mg／L、抗壓強(qiáng)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(guò)程由信號(hào)的正向傳播過(guò)程與誤差的反向傳播過(guò)程組成。正向傳播過(guò)程是輸入信號(hào)通過(guò)隱層和輸出層節(jié)點(diǎn)的處理計(jì)算得到的網(wǎng)絡(luò)實(shí)際輸出值進(jìn)一步與期望輸出值進(jìn)行對(duì)比，計(jì)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(guò)程的另一個(gè)階段，即誤差的反向傳播過(guò)程。誤差的反向傳播過(guò)程是指將計(jì)算的誤差通過(guò)隱層向輸入層逐層地進(jìn)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(jìn)行該過(guò)程。各層權(quán)向量的值不斷修正的過(guò)程，即BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)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(shí)，BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程將會(huì)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(wèn)題轉(zhuǎn)化為代價(jià)函數(shù)的無(wú)約束最優(yōu)化問(wèn)題。對(duì)于本文的3 層感知機(jī)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(kuò)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(jī)網(wǎng)絡(luò)所對(duì)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(jī)網(wǎng)絡(luò)對(duì)該訓(xùn)練樣本集進(jìn)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(jià)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(jià)函數(shù)表達(dá)式如下：

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

對(duì)于3 層感知機(jī)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(duì)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(guò)程主要有4 個(gè)步驟。

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

步驟2計(jì)算網(wǎng)絡(luò)實(shí)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(hào)由輸出層通過(guò)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(guò)程。

步驟3由“正向傳播”與“誤差反向傳播”反復(fù)進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程。該過(guò)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(guò)程。

在訓(xùn)練階段中，訓(xùn)練實(shí)例重復(fù)通過(guò)網(wǎng)絡(luò)，同時(shí)修正各個(gè)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(guò)程一直進(jìn)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(shí)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(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

本文針對(duì)東南某省份2018 年1 月—6 月的OTT 數(shù)據(jù)和實(shí)際測(cè)量的天線方位角進(jìn)行訓(xùn)練和測(cè)試，共計(jì)26 854 條數(shù)據(jù)。首先利用測(cè)量的方位角值將方位角方向劃分為12 個(gè)區(qū)間，每個(gè)區(qū)間覆蓋30°范圍，進(jìn)而構(gòu)建分類(lèi)標(biāo)簽；然后對(duì)數(shù)據(jù)進(jìn)行柵格化處理；為了驗(yàn)證模型的預(yù)測(cè)效果，將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集兩部分，其中訓(xùn)練集數(shù)據(jù)占比70%，共計(jì)18 798 條數(shù)據(jù)。最后，利用多層感知機(jī)深度神經(jīng)網(wǎng)絡(luò)算法，對(duì)訓(xùn)練數(shù)據(jù)集構(gòu)建模型，并對(duì)測(cè)試集的方位角的方向類(lèi)別進(jìn)行分類(lèi)預(yù)測(cè)。將預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽進(jìn)行對(duì)比驗(yàn)證，評(píng)估模型效果。本文基于多層感知機(jī)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(gè)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(bào)的采樣點(diǎn)數(shù)量較多，有的則較少。為了能夠?qū)⒚總€(gè)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(duì)每個(gè)小區(qū)的數(shù)據(jù)進(jìn)行處理。首先對(duì)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(jìn)行識(shí)別并剔除；然后以小區(qū)經(jīng)緯度為中心點(diǎn)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(zhǎng)度。對(duì)于每個(gè)小區(qū)900 個(gè)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(gè)個(gè)小的柵格，并給每個(gè)柵格填充此柵格中分布采樣點(diǎn)的RSRP 平均值，由于每個(gè)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(duì)每個(gè)小區(qū)單獨(dú)進(jìn)行處理。針對(duì)每個(gè)小區(qū)的柵格數(shù)據(jù)，將每個(gè)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(dú)取出，并組成向量，在900 個(gè)柵格中, 發(fā)現(xiàn)共有87個(gè)柵格有采樣點(diǎn)分布。由于神經(jīng)網(wǎng)絡(luò)激活函數(shù)對(duì)處理數(shù)據(jù)的范圍有要求，且在梯度下降的過(guò)程中，如果每個(gè)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(jìn)行了歸一化處理。

對(duì)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?yàn)?°，并以順時(shí)針?lè)较蛴?jì)算，對(duì)方位角方向劃分為12 個(gè)區(qū)間，每個(gè)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(lèi)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(jī)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(shí)驗(yàn)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(jī)的反向傳播算法構(gòu)建天方位角診斷模型，并對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類(lèi)預(yù)測(cè)，得到準(zhǔn)確率為92.6%，分類(lèi)準(zhǔn)確性較高。為了與本文基于多層感知機(jī)模型的天線方位角分類(lèi)效果進(jìn)行對(duì)比，這里還分別利用了常用的分類(lèi)算法隨機(jī)森林和邏輯回歸兩種算法對(duì)相同的數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)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(lèi)方位角基于多層感知機(jī)模型的預(yù)測(cè)效果，本文利用混淆矩陣計(jì)算各類(lèi)別的查準(zhǔn)率（Precision）、查全率（Recall）以及F1 得分（F1-score），從而對(duì)基于多層感知機(jī)深度神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)的每類(lèi)的結(jié)果進(jìn)行了評(píng)估。評(píng)估結(jié)果見(jiàn)表1。

表1 基于多層感知機(jī)的天線方位角預(yù)測(cè)的評(píng)價(jià)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(cè)為正的正樣本，F(xiàn)P 表示假正例，即被模型預(yù)測(cè)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(cè)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(gè)區(qū)間，并利用多層感知機(jī)深度神經(jīng)網(wǎng)絡(luò)算法，對(duì)方位角進(jìn)行診斷預(yù)測(cè)，整體效果較好，其中預(yù)測(cè)最差的類(lèi)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(jī)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(cè)最好的類(lèi)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(yǔ)

本文基于多層感知機(jī)深度神經(jīng)網(wǎng)絡(luò)的方法對(duì)天線方位角的范圍進(jìn)行分類(lèi)判別，分類(lèi)準(zhǔn)確率較高。結(jié)果表明，將天線方位角分為12 個(gè)類(lèi)別，利用多層感知機(jī)的模型能夠精準(zhǔn)地預(yù)測(cè)天線方位角的范圍類(lèi)別。該方法已在東南某省份大數(shù)據(jù)平臺(tái)上完成部署，并對(duì)現(xiàn)網(wǎng)的天線方位角進(jìn)行診斷，取得了較好成果，該方法能夠快速精準(zhǔn)地識(shí)別異常天線方位角范圍，為無(wú)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(duì)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(shí)考慮判斷天線俯仰角是否偏移。