移动通信网络智能优化研究.docxVIP

　　摘要面对日益复杂的移动通信网络，智能化是未来网络自适应优化技术的发展方向。 　　在自适应优化方案中采用机器学习算法，使网络具有智能，能够根据环境和状态的变化协调各种优化目标，实现最优参数配置。 　　本文在分析常用的机器学习算法的基础上，结合对未来网络数据特征的梳理，提出了初步的网络智能优化技术框架和步骤，并对各种网络优化功能下所适合采用的机器学习算法进行分类整理。 　　关键词网络自组织；5；机器学习；自适应优化；智能优化1引言移动通信与人们的工作和生活密切相关，而人们对于更高性能的移动通信网络的需求也在不断提升。 　　根据预测，未来移动通信网络，例如第五代移动通信系统5，将能够提供可媲美光纤的数据传输速率，并且在端到端时延上希望能够达到无感知的程度。 　　为了实现这样的性能要求，不仅需要从物理层和网络结构上进行革新，例如采用大规模天线以及密集部署各种类型的低功率节点，形成异构超密集网络-，等，也对现有的网络自适应优化-理论和方法提出了严峻挑战。 　　现有的网络自适应优化理论和方法是网络自组织-的一个重要组成部分，指的是网络在运行过程中，通过监测网络重要性能指标随时间的变化，自适应地调整基站和其它网络设备的参数配置或相关的资源管理策略，以尽可能达到提升网络性能的目的。 　　然而，现有的网络自适应优化理论和方法在面对日益复杂的移动通信网络时，为了实现超高数据速率和超低时延的性能要求，却存在诸多问题，面临诸多挑战，主要表现为现有网络自适应优化理论和方法基于被动响应方式，无法满足未来通信网络超低时延的需求。 　　现有网络自适应优化理论和方法中，优化目标和网络参数之间的适配关系通常是预先设定的，无法满足未来网络复杂多变的网络状态特性。 　　现有网络自适应优化理论和方法通常针对某一特定的单一优化目标进行，无法满足未来通信网络多目标协同优化的需求。 　　现有网络自适应优化理论和方法对网络中的数据利用不充分，利用的数据资源过于单一，缺乏智能性。 　　为了解决上述问题，需要对现有的网络自适应优化理论和方法进行革新。 　　2现有网络自适应优化技术所有的移动网络运营都会设置某种形式的网络管理系统来维持网络的正常运行。 　　一个典型的网管系统连接所有的网元和子网元，甚至可以到达基站的单板，并在运维人员的介入干预和指挥下，有针对性地解决网络出现的问题和故障。 　　移动网络的巨大规模决定了网管系统经常同时运行数百个网络故障检测处理进程和基于关键性能指标，的质量管理进程。 　　同时，还要有许多的有经验的工程师和维护人员控制操作维护中心，，使得移动网络的运行平稳正常。 　　随着网络规模的持续增长和技术复杂度的提高，单纯靠人工方式运维移动通信网络的复杂度和成本变得越来越高。 　　此外，针对经常快速变化的网络运行状况，网络运维参数的人工调整过程将不可避免地导致较长时延，使得无线网络不能提供最优的性能。 　　为了降低运维成本，提高运维效率，网络自组织-，技术应运而生。 　　广义的一般被定义为运营商用来管理和控制移动宽带网络的一系列功能和特征，不需要人为干预的自动化操作来提升运营效率，降低运营复杂度。 　　狭义的被定义为用于第三代移动通信合作伙伴计划，3和中的自动化网络运营功能，由3来对进行标准化，由下一代移动网络联盟，从运营商角度对的长期目标和远景进行规划和展望。 　　自组织网络包括自配置-、自优化-和自治愈-三大功能。 　　本文主要讨论网络自优化。 　　网络自优化是指网络在运行过程中通过监测网络重要性能指标随时间的变化，自适应地调整基站和其他网络设备的参数配置或相关的资源管理策略，以尽可能达到扩大覆盖范围、增加系统平均和边缘容量、抑制干扰、减少能耗、提高切换和随机接入成功率、满足用户需求等目的。 　　根据3协议32521的描述，对于特定的优化目标如容量、覆盖自优化等，网络自优化的总体流程如图1所示。 　　自组织网络在无线网络的覆盖和容量优化、无线干扰优化、切换和负载均衡优化、节能优化等方面都有广泛应用。 　　由图1可以看出，目前的网络自优化通常采用被动响应的方式，智能化程度不高。 　　但是，自组织技术的终极目标则是能够高效地实现对自身进行完全自动化的组织和管理。 　　因此，提高自组织技术的智能性是自组织网络的一个重要发展方向。 　　3未来移动通信系统智能优化技术31机器学习算法简介。 　　1997年，在一书中给出了机器学习的经典定义计算机利用经验改善系统自身性能的行为。 　　经典的机器学习理论有很多种，一般归为3类有监督学习、无监督学习和半监督学习-。 　　有监督学习类似于人们在老师监督下的学习，是一种在结果度量指导下学习的过程，训练的学习网络通过最小化定义的代价函数而得到输入和输出之间的映射关