基于BP算法的多层前馈网络在质差建模中的应用.docVIP

基于BP算法的多层前馈网络在质差建模中的应用 　　【摘 要】BP神经网络算法可以以任意精度逼近任何非线性函数，且具有并行分布存储、高度鲁棒性与容错能力，适合解决受多重因素交叉影响的复杂的非线性问题。主要提出了一种基于BP神经网络的预测方法，并详细阐述神经算法的基本原理、建模方法以及其在质差预测中的应用。 　　【关键词】神经网络 BP算法 质差 　　[Abstract] As BP neural network can approximate all nonlinear functions with arbitrary precision， has the abilities in parallel distributed storage， high robustness and fault tolerance， it appropriate for solving complex non-linear problem affected by multiple factors. In this paper， a prediction method based on BP neural network is presented. Then， its principle， modeling process and application in Rxquality prediction are expounded. 　　[Key words]neural networks BP algorithm Rxquality 　　1 引言 　　为了更好地提升语音质量，2014年广东移动新增GSM上下行质差话务比例考核指标，为全网所有小区六忙时MR测量报告样本总和中Rxquality 6、7级样本的占比，占公司经营业绩考核5分。虽然东莞分公司的上下行质差话务比例指标在一类地市最好，但是在全省排名靠后。由于上下行质差话务比例指标一直居高不下，严重影响客户感知，为了更好地优化上下行质差话务比例指标，亟需研究和建立上下行质差话务比例量化与预测模型，用于后续指导质差专项整治工作。考虑到上下行质差话务比例受新建宏站、基站停闭、天线调整、私装等众多因素的影响，包含确定性因素与不确定性因素，具有非线性的特征，利用BP神经网络算法搭建复杂因素的质差量化与预测数学模型，为后续网络优化工作提供理论依据。 　　2 基于BP算法的多层感知器的工作原理 　　BP（Back Propagation）网络是神经网络中的一种典型结构，其具有分层结构，信息从输入层进入网络，逐层向前传递至输出层。根据神经元转移函数、隐层数以及权值调整规则的不同，可以形成具有各种功能特点的神经网络。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer），学习过程通过信号的正向传播与误差的反向传播来不断调整权值和阈值，此过程一直进行到网络输出的误差减少到可接受的程度。随着学习过程的进行，该网络对已经结果的复制会变得越来越准确，一旦训练完毕，就可以将神经网络应用到未来结果的未来案例中。 　　BP神经网络模型如图1所示： 　　3 基于BP算法的多层前馈网络在质差建 　　模中的应用 　　神经网络可以近似多种预测模型，而对模型结构和假设只有最小需求，关系形式在学习过程中确定。如果目标与预测变量间的线性关系适当，则神经网络结果会非常接近传统线性模型的结果；如果非线性关系更为适当，则神经网络会自动接近“正确”的模型结果。利用神经网络的这些功能特点，可以建立质差预测模型。下面使用专业数据分析工具SPSS Modeler软件提供的自动建模工具（神经网络算法）进行质差预测建模，如图2所示。 　　3.1 输入输出变量的选择 　　神经网络输入与输出变量的选择是模型设计和训练的基础，数据选择的合理性对模型设计精度与准确性十分重要。输出变量的选择相对容易，是一个或多个预测变量的值；而输入变量则必须选择那些对输出影响大且能够检测或提取的变量，此外还要求各输入变量之间互不相关或相关性很小，使其具有能用期望精度的数学函数来拟合输入输出之间的映射关系。 　　根据协议规定，质差采样点与C/I关系对照表如表1所示，C/I低是产生质差采样点的根本原因。目前集团公司定义6、7级属于高质差，因此C/I9dB时满足不了用户正常通话，将产生质差。 　　根据C/I的定义，当有用信号C过小或者噪声I过大时将产生质差，究其原因分为3类：弱覆盖、干扰、硬件故障。针对这3类主要影响因素，采用因素分析法深入挖掘、细化每项影响因素，逐一筛选作为质差建模的输入与输出变量。质差话务比例影响因素思维导图如图3所示。 　　3.2 输入输出数据预处理 　　数据的标准化