基于監(jiān)督學(xué)習(xí)LTE質(zhì)差樣本的自動修正方法

張霖

摘 要目前基于監(jiān)督學(xué)習(xí)的LTE質(zhì)差樣本都是通過人工標(biāo)記形成，由于工作人員對LTE質(zhì)差的理解存在較大差異，因此LTE質(zhì)差樣本存在很大的主觀性和錯誤性。論文中通過對LTE質(zhì)差樣本的數(shù)據(jù)表現(xiàn)進(jìn)行計算分析，能夠過濾LTE質(zhì)差樣本中數(shù)據(jù)表現(xiàn)趨勢與標(biāo)簽明顯不符合的訓(xùn)練樣本，避免監(jiān)督學(xué)習(xí)算法對大量錯誤LTE質(zhì)差樣本進(jìn)行訓(xùn)練，提高監(jiān)督學(xué)習(xí)的算法準(zhǔn)確率。

【關(guān)鍵詞】LTE 監(jiān)督學(xué)習(xí) 樣本 自動修正

1 引言

隨著人工智能的興起，以及數(shù)據(jù)挖掘不斷發(fā)展和應(yīng)用，目前移動網(wǎng)絡(luò)優(yōu)化中心在LTE質(zhì)差的分析方向，引入了監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行主要根因定位，該方案能夠?qū)TE質(zhì)差小區(qū)的根因進(jìn)行矩陣化，通過概率神經(jīng)網(wǎng)絡(luò)（PNN）進(jìn)行矩陣自學(xué)習(xí)，輸出質(zhì)差小區(qū)的主要根因，形成LTE質(zhì)差小區(qū)根因分析的動態(tài)經(jīng)驗(yàn)矩陣。

但是，目前監(jiān)督學(xué)習(xí)概率神經(jīng)網(wǎng)絡(luò)（PNN）的訓(xùn)練樣本，是通過現(xiàn)有LTE質(zhì)差小區(qū)采用人工的方式針對覆蓋、干擾、容量、參數(shù)等4大類47個小類根因進(jìn)行人工分析，按照47個小類的指標(biāo)進(jìn)行分析，給出最有可能的小類根因，并打上相應(yīng)標(biāo)簽，然后提供給監(jiān)督學(xué)習(xí)概率神經(jīng)網(wǎng)絡(luò)（PNN）作為訓(xùn)練樣本。由于通過人工標(biāo)記標(biāo)簽，在對質(zhì)差主要根因判斷時與工作人員的經(jīng)驗(yàn)水平和能力相關(guān)，非常依賴于工作人員對小類根因熟悉程度，因此人工標(biāo)記形成的LTE質(zhì)差樣本標(biāo)簽，存在很大的主觀性和錯誤性。

基于上述背景，本文通過對LTE質(zhì)差樣本的數(shù)據(jù)表現(xiàn)進(jìn)行計算分析，能夠過濾LTE質(zhì)差樣本中數(shù)據(jù)表現(xiàn)趨勢與標(biāo)簽明顯不符合的訓(xùn)練樣本，避免監(jiān)督學(xué)習(xí)算法對大量錯誤LTE質(zhì)差樣本進(jìn)行訓(xùn)練，提高監(jiān)督學(xué)習(xí)的算法準(zhǔn)確率。……