08数据挖掘的应用决策树溪神经网络autosaved.pptxVIP

/ 数据挖掘在优化中的应用 ----决策树 ----神经网络 / 数据挖掘解释 数据挖掘，又称为数据库中知识发现（Knowledge discovery from database，简称KDD），它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。数据挖掘的全过程定义描述如下: / 常用模型 决策树：该模型常常可以用来检验、预测离散型的数据。如客户的信用等级，贷款的优良与否等等。 人工神经网络：这是对人体大脑的模拟. 该方法利用隐藏的一到两层，对数据进行分类或预测。但是速度比较慢。 多元回归：主要用于处理连续型的自变量和应变量，并可用于预测和其他分析。 Logistic 回归：与线性回归类似，但处理离散型的应变量比较合适 K-means和聚类分析：主要用于分类 Kohonen self-organizing maps:是一种类似神经网络，但主要用于聚类的分析工具。 关联准则：主要用于寻找在数据中频繁发生的记录间的关系，并可用于预测。 分类(classification)； 估计(estimation)； 预测(prediction)； 关联分组(affinity grouping)； 聚类(clustering)。 数据挖掘的功能 数据挖掘功能与模型 / 决策树的应用—Link Adaption优化 神经网络的应用—TDMR的定位 数据挖掘的应用 / 决策树的概念 所谓决策树就是一个类似流程图的树型结构，其中树的每个内部结点代表对一个属性（取值）的测试，其分支就代表测试的每个结果；而树的每个叶结点就代表一个类别。树的最高层结点就是根结点. / 类别型 / 数值型 / 应用场景 两者关系很难通过其它函数关系不明确,难以建立映射. 一条直线或者简单的曲线很难将内容分割 / 决策树生成方法 找出起始的分隔 : 用来评估一个分隔数的衡量标准是分散度（diversity）。分散度指标（index of diversity）很高，表示这个组合中包含平均分配到多個類別，而分散度指标很低则表示一个单一类別的成员居优势。 最好的分隔变数是能夠降低一个組的分散度，而且降得最多。即下面式子最大化：  分散度（分隔前）－﹝分散度（分隔后左边子集 合）＋分散度（分隔后右边子集合）﹞  / 数据业务对语音的影响 数据对业务信道的挤占,造成语音半速率比例增加, MOS值的下降,影响用户的感受; 数据对业务信道挤占的同时,与语音共享频率资源,对语音质量的影响; 数据对公共信道的挤占,造成寻呼的负荷增加,影响语音业务的被叫; 如何改善? 提高单时隙的传输数据效率,减小数据占用信道的时间,改善对语音的影响! 如何改善? 减少数据对公共信道资源的挤占，增加公共信道资源的容量! 合理分配数据和语音对频率资源的占用,让语音占用更好的频率资源! / 如何提高单时隙的传输数据效率 信道分配和释放机制的优化: 信道分配: 优先保证语音信道的分配; 合理压缩数据信道的资源,提升数据信道效率,减少语音半速率的触发; 信道释放: 加快数据下行信道的释放,提升信道效率; 增加EDGE资源的投入, 使更多的用户使用EDGE, 提高整体的单时隙的吞吐率; 自适应链路的优化研究 分析高编码比例和重传率对单时隙吞吐率的影响; 研究在不同无线环境下, 编码方式的调度修正值对高编码比例和重传率的影响; 建立在不同无线环境下,自适应链路的参数与单时隙吞吐率的模型关系; 找到最匹配的参数设置,来提高单时隙的传输效率; / 链路自适应工作机制1/2 数据传输刚启动所应用的编码方式，是通过参数预先设定的。以下是诺基亚系统内的相应参数，为BTS级参数： InitMCSAckMode – 1至9 (默认值为9 = MCS9) InitMCSUnackMode – 1至9 (默认值为6 = MCS6) 由于MCS1~4为GMSK调制方式，而MCS5~9为8PSK调制。所以，应对无线环境的变化，首先要确定采用哪种调制方式。 诺基亚系统在进行上述判断时，首先根据以下两个测量值： 8PSK MEAN_BEP 8PSK CV_BEP 来对照下表，获取BEP查表值： 然后，把这个BEP查表值与GMSK MEAN_BEP测量值比较，如果： BEP查表值 GMSK MEAN_BEP测量值，则采用GMSK调制方式 BEP查表值 GMSK MEAN_BEP测量值，则采用8PSK调制方式 启动信道编码的设置 调制方式的动态选择 / 链路自适应工作机制2/2 在ACK 模式的MCS编码选择方式 重传的MCS编码选择方式 针对每个R