基于多層感知機模型的天線方位角診斷

陳向榮

（中國移動通信集團福建有限公司，福建 福州 350001）

1 引言

隨著移動互聯網的高速發展，通過移動蜂窩網絡接入互聯網的用戶數持續增長，用戶對移動網絡的需求日益增大，訪問網絡的數據量也隨之高速增長，而且用戶對網絡質量的要求逐步提升。保障一個良好的網絡環境，提高用戶使用感知，成為移動網絡優化工作的重中之重，這給網絡優化的工作效率和質量的保證帶來了巨大的挑戰。在移動網絡優化工作中，天線方位角的嚴重偏差將會很大程度上影響到網絡優化效果和網絡服務質量，作為日常網絡優化基礎數據的天線方位角，其準確性與否將直接導致網絡優化質量的好壞。

當前，天線工參的數據大多依賴人工通過羅盤、坡度儀等工具進行測量，數據的準確性與工作人員的測量技術的熟練度和細心程度有很大的關系，時常出現數據的漏報和誤報情況。過分依賴人工的檢測，既無法保障測量數據的實時性，測量效率也很低。天線方位角作為天線工參中極為重要的一部分信息，核查的方法主要是通過工程優化人員到達基站現場，利用指南針貼近天線下沿進行方位角讀取測量并手工記錄，同時，結合室外天線、RRU（ra2io remote unit）和室內BBU（base ban2 unit）的線纜連接查詢，最終完成小區的天線覆蓋方向確認，而對于鐵塔和壁掛類型的天線方位角的測量，則由持有登高證的工作人員對天線方位角進行確認，由此，天線方位角的測量和確認工作需要投入大量的人工成本，且數據的準確性和及時性無法保障。隨著網絡規模的日益增大以及多制式多頻段多層網絡的出現，持有登高證的工作人員核查天線方位角的工作量急劇增加，人工測量的方法已極大地影響網絡維護、網絡優化等工作的效率及質量，進而降低了用戶使用網絡感知，也增加了用戶的投訴概率。如何利用大數據挖掘技術手段，實現天線方位角自動采集及異常預警，是當下亟須解決的問題。

2 多層感知機

2.1 多層感知機模型結構

多層感知機最主要的特點是有多個神經元層，因此也叫深度神經網絡（2eep neural network，DNN）。第一層稱為輸入層，最后一層稱為輸出層，中間層稱為隱層，其中，隱層的數量和輸出神經元的個數可根據具體應用進行選擇。3 層感知機的網絡結構如圖1 所示。

圖1 3 層感知機的網絡結構

前向傳播即網絡處于學習階段，其學習過程為：首先，根據當前各層的權向量的值，對每個樣本（即輸入）作前向計算；然后，計算該網絡的輸出結果與期望值的差值，并與限定值進行比較，若小于限定值，則學習過程結束，否則反向傳播逐層調整權向量值的大小，直到差值小于限定值。由此，多層感知機神經網絡有以下幾個優點：

? 對于具有高度非線性的問題，多層感知機神經網絡能夠以任意精度逼近任何非線性連續函數；

? 具有很強的容錯性和很快的處理速度，因為在神經網絡中信息是分布存儲和并行處理的；

? 具有較好的泛化能力，因為神經網絡在訓練時，可以從輸入和輸出的數據中發現規律性的特征，并逐層調整各權值大小，具有較強的自學習和自適應能力；

? 具有較強的數據融合能力，多層感知機神經網絡可以同時處理定量特征變量和定性特征變量；

? 無須考慮各個子系統間的解耦問題，MLP神經網絡并沒有明確限定隱層的數量和輸出層神經元的個數，可根據實際應用選擇相應的層數和輸出層神經元的個數，因此對于單變量系統和多變量系統有通用的描述方式。

（2）促凝增強劑投加量的確定。取3號樣品加入AP2.0%、水泥20.0%及相應添加劑，CA投加量不同，考察固化改良后浸出液主要指標，試驗結果見表7。通過數據分析可以看出，當CA加量達到5.0%時，改良固化后的COD值較低47.5mg／L、抗壓強度較高，達到1.76MPa。再增加加量固化效果變化不大，因此選擇CA投加量為5.0%。

2.2 BP 算法

BP 神經網絡的學習過程由信號的正向傳播過程與誤差的反向傳播過程組成。正向傳播過程是輸入信號通過隱層和輸出層節點的處理計算得到的網絡實際輸出值進一步與期望輸出值進行對比，計算它們的差值，將其作為誤差，若誤差不在限定范圍內，則轉入學習過程的另一個階段，即誤差的反向傳播過程。誤差的反向傳播過程是指將計算的誤差通過隱層向輸入層逐層地進行反傳，并將誤差分攤給各層的所有單元，以此作為調整各層權向量的值的根據，并反復地進行該過程。各層權向量的值不斷修正的過程，即BP 神經網絡的學習過程。在輸出的誤差值減小到限定范圍內或迭代的次數達到限定學習的次數時，BP 神經網絡的學習過程將會停止。

由此，BP 神經網絡算法是把樣本集學習與訓練的問題轉化為代價函數的無約束最優化問題。對于本文的3 層感知機網絡，設該網絡從(P+ 1)維輸入空間RP+1到L維輸出空間RL的非線性映射為：G:y=g(x)，其中x=[x1,x2, …,xP]T為擴展的輸入向量，y=[y1,y2, …,yL]T為輸出向量。圖1中的3 層感知機網絡所對應的非線性映射G可收斂于在閉區間內的連續函數或非線性映射，這在參考文獻[18-19]中得到了證明。假定訓練樣本集則感知機網絡對該訓練樣本集進行學習，即尋找最優的各層網絡權值，且在一定代價函數的條件下，非線性映射G是映射M的最優逼近，常用的代價函數表達式如下：

則上述最優化問題為：求使得代價函數到最小所對應的最優權向量ωopt和υopt的值，即：

對于3 層感知機網絡的隱層網絡，一般采用SBPM 算法調整權值。對于輸出層網絡，本文采用Kalman 濾波算法[20-21]調整權值。

BP 神經網絡的學習過程主要有4 個步驟。

步驟1組成輸入模式并由輸入層通過隱層向輸出層的正向傳播過程，即BP 神經網絡中的正向傳播的過程。

步驟2計算網絡實際輸出值與期望值的差值，并作為誤差，若誤差不在限定范圍內，則誤差信號由輸出層通過隱層向輸入層逐層反向傳播，從而調整各層權值的“誤差反向傳播”過程。

步驟3由“正向傳播”與“誤差反向傳播”反復進行的網絡“記憶訓練”過程。該過程主要是不斷更新各層權向量，直到找到最優權向量ωopt和υopt的值。

步驟4網絡趨向收斂即網絡的總體誤差趨向極小值的“學習收斂”過程。

在訓練階段中，訓練實例重復通過網絡，同時修正各個權值，改變各層權值的目的是最小化訓練集誤差。繼續網絡訓練直到此過程一直進行到網絡輸出的誤差值減小到限定范圍內或迭代的次數達到限定學習的次數時停止訓練。因此，訓練的終止條件可以為使網絡收斂到最小的誤差，也可以是設定的最大重復次數。本文BP 算法的具體流程如圖2 所示。

圖2 BP 算法流程

3 數據實驗與分析

3.1 實驗設計

本文針對東南某省份2018 年1 月—6 月的OTT 數據和實際測量的天線方位角進行訓練和測試，共計26 854 條數據。首先利用測量的方位角值將方位角方向劃分為12 個區間，每個區間覆蓋30°范圍，進而構建分類標簽；然后對數據進行柵格化處理；為了驗證模型的預測效果，將數據集分為訓練集和測試集兩部分，其中訓練集數據占比70%，共計18 798 條數據。最后，利用多層感知機深度神經網絡算法，對訓練數據集構建模型，并對測試集的方位角的方向類別進行分類預測。將預測結果與真實標簽進行對比驗證，評估模型效果。本文基于多層感知機的神經網絡的天線方位角診斷流程如圖3 所示。

3.2 數據預處理

每個小區的OTT 特征數據存在一定的差異性，其值的大小范圍并不完全相同，且有的小區上報的采樣點數量較多，有的則較少。為了能夠將每個小區的特征數據轉化為一條訓練數據，則需要對每個小區的數據進行處理。首先對于各小區OTT 數據特征中和正常數據差別很大的少量異常數據，利用孤立森林（isolation forest，IF）算法進行識別并剔除；然后以小區經緯度為中心點構建大柵格，以距離小區經度或緯度的最大距離乘以2 作為大柵格的長度。對于每個小區900 個特征變量（不包含標簽字段）的一條數據, 即30×30 的柵格，也可以看作大小為30×30 的圖像。將大柵格按照30×30 劃分成一個個小的柵格，并給每個柵格填充此柵格中分布采樣點的RSRP 平均值，由于每個小區的RSRP 峰值并不相等，所以本文不采用常規的歸一化方法，而是對每個小區單獨進行處理。針對每個小區的柵格數據，將每個柵格的平均RSRP，除以最大的柵格平均RSRP，將柵格列表中的平均電平值數據單獨取出，并組成向量，在900 個柵格中, 發現共有87個柵格有采樣點分布。由于神經網絡激活函數對處理數據的范圍有要求，且在梯度下降的過程中，如果每個維度的數據分布不同，使用相同的學習率很難迭代到最優值。因此本文將柵格化的數據進行了歸一化處理。

對于標簽變量，本文將小區工參中的方位角按照正北方向為0°，并以順時針方向計算，對方位角方向劃分為12 個區間，每個區間覆蓋30°范圍，即“0”表示[0, 30°)，“1”表示[30°, 60°)，…，“11”表示[330°, 360°)，以此構建天線方位角分類標簽。數據預處理流程如圖4 所示。

圖3 基于多層感知機的神經網絡的天線方位角診斷流程

圖4 數據預處理流程

3.3 實驗結果分析

本文基于預處理后的訓練數據集利用多層感知機的反向傳播算法構建天方位角診斷模型，并對測試數據集進行分類預測，得到準確率為92.6%，分類準確性較高。為了與本文基于多層感知機模型的天線方位角分類效果進行對比，這里還分別利用了常用的分類算法隨機森林和邏輯回歸兩種算法對相同的數據集進行訓練和測試，得到準確率分別為68.7%和73.4%。為了更清晰地了解12 類方位角基于多層感知機模型的預測效果，本文利用混淆矩陣計算各類別的查準率（Precision）、查全率（Recall）以及F1 得分（F1-score），從而對基于多層感知機深度神經網絡算法預測的每類的結果進行了評估。評估結果見表1。

表1 基于多層感知機的天線方位角預測的評價指標

其中，查準率Precision = TP/(TP+FP)，TP 表示真正例，即被模型預測為正的正樣本，FP 表示假正例，即被模型預測為正的負樣本，查全率Recall = TP/(TP+FN)，FN 表示假負例，即被模型預測為負的正樣本，F1 得分F-score =2×Precision×Recall /(Precision + Recall)。

由表1 可知，將天線方位角分為12 個區間，并利用多層感知機深度神經網絡算法，對方位角進行診斷預測，整體效果較好，其中預測最差的類別為5（即方位角區間為[150,180°)），準確率為88.91%，召回率為80.33%，F1 得分為0.844 0，召回率略低，但比隨機森林和邏輯回歸兩種算法的整體準確率都要高很多，預測最好的類別為10（即方位角區間為[300, 330°)），準確率為97.03%，召回率為95.89%，F1 得分為0.964 6。

4 結束語

本文基于多層感知機深度神經網絡的方法對天線方位角的范圍進行分類判別，分類準確率較高。結果表明，將天線方位角分為12 個類別，利用多層感知機的模型能夠精準地預測天線方位角的范圍類別。該方法已在東南某省份大數據平臺上完成部署，并對現網的天線方位角進行診斷，取得了較好成果，該方法能夠快速精準地識別異常天線方位角范圍，為無線網絡優化工作提供了有效的數據支撐。

為了更精準地核查效果，下一步將針對天線方向角的合理性給出建議值，在判斷天線方位角是否偏移的同時考慮判斷天線俯仰角是否偏移。