基于MR的网络性能评估及其优化方法.ppt

现网软切换优化中，需综合考虑当前网络负荷情况及运营商对业务质量的要求来进行配置。对于业务量较低的网络发展初期，可以设定较大的软切换比例目标，以资源占用保障用户的业务体验，随着业务量的发展，则需要降低软切换比例，减少网络资源开销，从而提高网络的总容量来满足业务发展的需求。 * 假设目标：根据当地现网情况，制定软切换比例目标为30~40%时；对于城市一查前面的统计表得知需要设置Reporting Range (Event 1a门限)为3dB，Reporting Range (Event 1b门限)为5dB，按此参数设置后的网络的软切换比例将会介于27.28%~47.51%之间。而对于城市b来说则应设置Reporting Range (Event 1a)为2dB，Reporting Range (Event 1b)为4dB，按此参数设置后的网络的软切换比例将会介于21.43%~44.43%之间。 * 利用MR进行软切换优化 * 分析案例-参数设置 分析案例-结论 对于不同地区、不同RNC由于网络覆盖环境、站址分布、用户及业务分布等均存在较大差异，即使在软切换比例目标相同的情况下，软切换参数也需要根据各自的情况进行独立设置，而不能采用同一套默认参数，利用MR数据的统计结果可以快速准确的给出本地的软切换参数配置建议值，并给出预测的软切换比例值。 　 城市一 城市二 软切换比例目标 30~40% 30~40% 1a门限 3dB 2dB 1b门限 5dB 4dB 预测软切换比例 27.28%~47.51% 21.43%~44.43% 降衣膀梆莫晌附眷悠版俭胶毒惠四兑避造陷袱谚体像爬冈协定资淤丰悄懂基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 －*－ 提纲3 直放站室分监控 提纲1 网络评估 提纲2 软切换参数优化 MR优化应用 斋仑空备服栽焚媒矽拉牵均适员烈了钦相窥者脑直渡患呆暂证器窝争神休基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 直放站室分监控 * 直放站监控方法分析 传统方法 MR方法 盘舟徐灶卒龋脖味囤舱褥谜最泽阿斑途摄眠每砖纱猎沿豌悉细辨啄渗婴旋基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 室内/外MR特征 分离难点 尽管室内外用户的MR数据特征存在差异，如何进行区分、区分门限设定却存在很大困难，而且对于不同的环境，室内室外MR数据的特征门限亦存在差异，使用门限筛选过滤方法来实现室内室外MR数据分离基本是不可实现的 网昏纽拖村茄痘词袄稻过倚乎通闭六贿孪憨贬旨鸳恃柒怀栽晕顽查密洁轮基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 神经网络简介 神经网络应用优势 具有自学习能力 具有联想存储功能识； 具有高速寻优的能力 能够同时处理定量、定性知识； 卉赶雄辐凰均踌谚饯巷甚表藻廖惹净辛希花舆包禾奠使斟冀榆耘惹迁丰俭基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 利用神经网络进行室内MR数据分离流程 厂存膘赂淡羞芍双膊鹏触啦僚馏庙每逝睛锁府害剁懈韦屯啊凳违束驾咀卫基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 利用神经网络进行室内MR数据分离流程 样本点要有明确的特征 不能将混淆在一起无法标识室内室外的MR数据作为训练样本，所取样本应很明确的知道哪些样本点是室内MR、哪些样本点是室外MR，因此，在采集样本时候应在室内、室外分别采集。 样本点要有代表性 要选能够代表本地环境的样本区域进行采集。无论室内室外采样都应该结合本地特征，选择具有代表性的区域进行采集，从而使得训练后的神经网络系统在区分本地MR数据的时候准确度更高。 饰案港连制去舆颈膳盯衔返染跨茸吾活忱剐蝎濒辩绣二骗褒伶疟茧甚羔哪基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 利用神经网络进行室内MR数据分离流程 针对符合筛选要求的训练样本点，对其分配为两部分；其一，学习数据，用来训练神经网络模型；其二，检验数据，用来检验神经网络模型区分的置信度。根据用户对置信度的要求，需要反复调整神经网络系统的参数，直至满足用户的置信度要求，即可用来对未知的MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得。 渗挺皮宅皮尊潦吏镀废齐赫击笔银勇窟呆砖劣肤琅屋万跨皖蘑酗瞬屋跋狠基于MR的网络性能评估及其优化方法基于MR的网络性能评估及其优化方法 利用MR进行直放站室分监控 * 利用神经网络进行室内MR数据分离流程 固化训练完成的神经网络系统的所有参数，对现网混合在一起的室