CN110972142A - 基于gng方式的5g网络弱覆盖区域锁定和调整方法 - Google Patents

Abstract

本发明提供了基于GNG方式的5G网络弱覆盖区域锁定和调整方法，包括如下步骤：步骤1，初始化输入空间N；步骤2，初始化网络A；步骤3，更新输入空间N；步骤4，执行GNG算法，逐步增加新节点，并调整网络A中原有节点位置，训练出稳定的网络A。本发明可避免因为DBSCAN门限设置不合理而导致的弱覆盖区域的丢失。

Description

基于GNG方式的5G网络弱覆盖区域锁定和调整方法

技术领域

本发明属于移动通信技术领域，尤其涉及基于GNG方式的5G网络弱覆盖区域锁定和调整方法。

背景技术

2019年随着5G牌照的发放，我国5G建设进入了规模部署阶段，5G由于频段较高，单站覆盖能力弱于4G。5G网络部署初期基站与4G站点1:1共址建设，容易出现弱覆盖区域，为保证运营商打造体验优良的5G精品网，需要采用更加精准的弱覆盖区域定位方法。

现有4G弱覆盖区域定位采用的是MR(Measurement Report)大数据定位的方式，通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对差栅格进行聚类计算，以此为依据规划新增站点，提升建设精准度及补盲效率。DBSCAN聚类算法是利用基于密度的聚类的思想，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在有“噪声”的空间数据库中发现任意形状的聚类。DBSCAN共包括3个输入数据：

1、数据集D：场景类型(如密集城区，一般城区、郊区、农村)；

2、给定点在邻域内成为核心对象的最小邻域点数MinPts：在邻域半径内存在的最小弱覆盖栅格数；

3、邻域半径Eps：以栅格数作为搜索邻域半径。

其中Eps和MinPts需要根据具体应用人为设定。

如图1示例：这个以1个栅格为搜索半径，在邻域半径内存在的最小弱覆盖栅格数为3个(2为核心点、1为边缘点，0为噪声点)。采用这类算法，聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类，不需要输入要划分的聚类个数。在无线网络建设中，对阶段性提供建站依据有重要作用。

现有技术缺点：

(1)当空间聚类的密度不均匀、聚类间距差相差很大时，参数MinPts和Eps选取困难，聚类效果不理想：MinPts取值过小，则稀疏簇中结果由于密度小于MinPts，从而被认为是边界点而不被用于在类的进一步扩展；若该值过大，则密度较大的两个邻近簇可能被合并为同一簇。如果MinPts不变，Eps取得值过大，会导致大多数点都聚到同一个簇中，Eps过小，会导致一个簇的***；如果Eps不变，MinPts的值取得过大，会导致同一个簇中点被标记为离群点，MinPts过小，会导致发现大量的核心点。

(2)仅反映阶段性弱覆盖问题，易受季节、节假日等短期因素影响，难以观测总体趋势，对指导建设有一定局限性：在郊农区域，树叶茂密程度对网络覆盖产生较大影响，夏季树林遮挡造成信号传播衰高达10dB，在夏季月份提取数据，弱覆盖区域明显多于冬季，聚类后的建站需求多；在校园区域，暑假、寒假期间几乎不产生话单，7-8月份或者1月份的MR数据采用DBSCAN聚类算法无法暴露覆盖弱区，形成合理的建设建议。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于GNG(Growing Neural Gas Network生长的神经气网络)方式的5G网络弱覆盖区域锁定和观测方法，包括如下步骤：

步骤1，初始化输入空间N；

步骤2，初始化网络A；

步骤3，更新输入空间N；

步骤4，执行GNG算法，逐步增加新节点，并调整网络A中原有节点位置，训练出稳定的网络A。

步骤1包括：

初始化输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)：

步骤2包括：

步骤2-1，初始化网络A，任意摆放2个节点c1和c2的Node节点位置为初始点，设定2个节点c1和c2的位置就是开始的2个弱覆盖的发生位置，则：

A＝{c1，c2}；(2)

步骤2-2，以概率p(ξ)随机初始化2个节点c1和c2的位置向量(在某一时刻，以坐标原点为起点，以运动质点所在位置为终点的有向线段)，初始化邻接矩阵

为空集，C＝0。

步骤3包括：

步骤3-1，更新输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)＝1/N；在输入空间中，以概率p(ξ)随机生成一个输入信号ξ；

步骤3-2，计算获胜节点s1和s2。

步骤3-2中，根据如下公式计算获胜节点s1和s2：

s1＝argm in_c∈A||ξ-w_c|| (3)

s2＝argm in_c∈A\{s1}||ξ-w_c|| (4)

其中，argmin_c指使目标函数取最小值时的变量值；||M||表示矩阵M的行列式的值，为一个面积、体积或超体积；s1，s2∈A。w_c表示节点c的权重向量。

步骤4包括：

步骤4-1，新增一片弱覆盖区域signal；(弱覆盖区域由现场弱覆盖的点随机汇聚而成，从而需要重新计算)

步骤4-2，计算新增的一片弱覆盖区域signal和现有Node的距离，距离最近的Node标记为是s1，称为获胜节点Winner()，距离次远的Node标记为s2；(这里只是将距离最近的点和次近的点标记为s1和s2，和之前的含义不同，用途一致，仅做识别)

步骤4-3，如果s1和s2之间没有连接，则创建连接边C：

C＝C∪{(s1，s2)}； (5)

步骤4-4，调整获胜节点s1的累计误差ΔE_s1；

步骤4-5，修正现有Node的位置；

步骤4-6，如果输入信号产生的次数(随机产生)是λ(在数学中,通常在向量的定比分点中常用来表示定比分的比值)的整数倍，则随机***新的节点；

步骤4-7，计算本次运算时间间隔Δt：

Δt＝t_k-t_k-1 (10)

其中，t_k-1表示完成k-1次的时间；

如果Δt≥T_GNG且未满足停止条件，停止条件为无弱覆盖，则转到步骤3，T_GNG为GNG运算周期；

如果Δt<T_GNG且未满足停止条件，则暂停(T_GNG-Δt)时间后转到步骤3。

步骤4-3中，设置连接边C的age(s1，s2)＝0。

步骤4-4中，根据如下公式调整获胜节点s1的累计误差ΔE_s1：

ΔE_s1＝||ξ–w_s1||² (6)

其中，w_s1表示输入空间中最近单元。

步骤4-5包括：

步骤4-5-1，以学习率(监督学习以及深度学习中重要的超参，决定目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。)ε_b和ε_n调整获胜节点s1以及与之连接节点的位置向量；

Δw_s1＝ε_b(ξ–w_s1) (7)

其中Δ是希腊字母delta，表示变化值，如Δt＝t1-t0；w_s1表示节点s1的权重向量，wi表示节点i的权重向量；公式里i表示包含在N_s1内的任意值；ε₁仅表示一个无穷接近0的正数，无具体数值，数学上表示成ε₁→0；N_s1表示节点s1的邻居集。

步骤4-5-2，调整获胜节点s1连接边的年龄age：

其中，age(s1,i)表示获胜节点连接边的年龄差；

如果age(i，j)>a_max，删除边(i，j)，同时删除没有连接边的节点，age(i，j)表示边(i，j)的年龄，a_max表示导致点无发散边缘的最大年龄，i，j为连接边向量。

有益效果：本发明创新采用基于GNG方式的弱覆盖区域锁定和调整方法运用于无线网MR差栅格聚类中。GNG具有聚类、降维、自学习的特点，具有收敛速度快、代价误差小及收敛性稳定等优点。利用GNG算法建立一种动态的的变更机制，并定期打点，量化的观测弱覆盖区域的变化，由此建立潮汐、结构变化等分析概念，可避免因为DBSCAN门限设置不合理而导致的弱覆盖区域的丢失。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是以1个栅格为搜索半径示意图。

图2是离散的MR弱覆盖差栅格。

图3是初始节点示意图。

图4是创建连接边示意图。

图5a是输入信号示意图。

图5b是调整权重示意图。

图5c是删除老化边示意图。

图5d是增加新节点示意图。

图6是动态观测图。

具体实施方式

区别于路测、定点测试等传统网络优化手段，测量报告MR(Measurement Report)是移动终端通过控制信道在业务信道上按固定时间间隔向基站周期上报所在小区的下行信号强度、质量，以全面高效反映网络覆盖情况，准确定位覆盖漏洞。但MR差栅格原始数据是离散的，如图2所示。图6是GNG方式下弱覆盖区域的前后变化示意图。

采用GNG的方式去锁定这些离散的弱覆盖区域，建立量化的观测机制：

如图3所示，任意摆放2个节点Node(节点)位置(图3中两个大的圆点)为初始点，起始的2个节点位置就是开始的2个弱覆盖的发生位置，随着弱覆盖发生的越来越多，会逐步增加新节点，和调整原有节点位置，逐步训练出稳定的节点网。

GNG的节点是个参数(比如DEMO里设置为250，即最多250个节点)，反映弱覆盖分布的区域。节点网构成弱覆盖的范围轮廓，节点所在位置表征弱覆盖MR多发的区域，类似DBSCAN里的弱覆盖核心点。

步骤1，初始化输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)：

步骤2，初始化网络A，具有两个节点c1和c2：

A＝{c1，c2}； (2)

以概率p(ξ)随机初始化2个节点的位置向量，初始化邻接矩阵

为空集，C＝0；

步骤3，更新输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)＝1/N；在输入空间中，以概率p(ξ)随机生成一个输入信号ξ；计算获胜节点s1和s2，s1，s2∈A，如图5a所示。

s1＝argm in_c∈A||ξ-w_c|| (3)

s2＝argm in_c∈A\{s1}||ξ-w_c|| (4)

argmin_c指使目标函数取最小值时的变量值；||M||表示矩阵M的行列式的值，为一个面积、体积或超体积。

在已有2个Node的情况下，新增一片弱覆盖区域signal(弱覆盖区域由现场弱覆盖的点随机汇聚而成，从而需要重新计算)(图4三角形区域)，按照GNG算法，做如下操作：

1、计算这个signal和现有Node的距离，最近的Node标记为是s1，称为Winner(图4右上方的节点)，次远的标记为s2(这里只是将距离最近的点和次近的点标记为s1和s2，和之前的含义不同，用途一致，仅做识别)(图4左下方的节点)。

步骤4，如果s1和s2之间没有连接，则创建连接边C：

C＝C∪{(s1，s2)} (5)

设置连接边C的age(s1，s2)＝0；

调整获胜节点s1的累计误差ΔE_s1：

ΔE_s1＝||ξ–w_s1||² (6)

2、修正现有Node的位置：

以学习率(监督学习以及深度学习中重要的超参，决定目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。)ε_b和ε_n调整获胜节点s1以及与之连接节点的位置向量，如图5b所示。

Δw_s1＝ε_b(ξ–w_s1) (7)

调整获胜节点s1连接边的年龄age：

步骤5，如果age(i，j)>a_max，删除边(i，j)，同时删除没有连接边的节点，如图5c所示。

步骤6，如果输入信号产生的次数是λ(在数学中，通常在向量的定比分点中常用来表示定比分的比值)的整数倍，则***新的节点，如图5d所示。

步骤7，计算本次运算时间间隔Δt：

Δt＝t_k-t_k-1 (10)

如果Δt≥T_GNG(T_GNG为GNG运算周期)且未满足停止条件，则转到步骤3。

如果Δt<T_GNG且未满足停止条件(无弱覆盖点)，则暂停(T_GNG-Δt)时间后转到步骤3。

对GNG算法趋于稳定的结果的解读和运用：

1、连线的Node形成簇(过长的线予以剔除)，提取包络可以直接运用在弱覆盖的呈现上，并量化簇的大小；

2、GNG中EDGE和Node的修剪，是根据设置的Age等门限来实现的，合理设置采样周期和门限，让长达1个月之久都没有再次出现弱覆盖的区域的Node和EDGE消失，这样就建立了动态的弱覆盖观测机制；

3、锁定出来的Node是最值得投入基站的区域，建立一个合理的建站流程，这些Node的疏密程度反映了弱覆盖发生的频次和集中度；

4、对早晚/天/周的GNG结果进行快照打点，然后就可以建立：弱覆盖问题的潮汐现象(比如随着节假日用户迁移导致的变化)；网络最近新出现的弱覆盖区域，或者原有弱覆盖区域的变化趋势，以GIS的方式直观的呈现出来。

本发明提供了基于GNG方式的5G网络弱覆盖区域锁定和调整方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.基于GNG方式的5G网络弱覆盖区域锁定和调整方法，其特征在于，包括如下步骤：

步骤1，初始化输入空间N；

步骤2，初始化网络A；

步骤3，更新输入空间N；

步骤4，执行GNG算法，逐步增加新节点，并调整网络A中原有节点位置，训练出稳定的网络A。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

初始化输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)：

3.根据权利要求2所述的方法，其特征在于，步骤2包括：

步骤2-1，初始化网络A，任意摆放2个节点c1和c2的Node节点位置为初始点，设定2个节点c1和c2的位置就是开始的2个弱覆盖的发生位置，则：

A＝{c1，c2}； (2)

步骤2-2，以概率p(ξ)随机初始化2个节点c1和c2的位置向量，初始化邻接矩阵

为空集，C＝0。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：

步骤3-1，更新输入空间N，获得随机生成一个输入信号ξ的概率p(ξ)＝/N；在输入空间中，以概率p(ξ)随机生成一个输入信号ξ；

步骤3-2，计算获胜节点s1和s2。

5.根据权利要求4所述的方法，其特征在于，步骤3-2中，根据如下公式计算获胜节点s1和s2：

s1＝argm in_c∈A||ξ-w_c|| (3)

s2＝argm in_c∈A\{s1}||ξ-w_c|| (4)

其中，argmin_c指使目标函数取最小值时的变量值，||M||表示矩阵M的行列式的值，s1，s2∈A；w_c表示节点c的权重向量。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：

步骤4-1，新增一片弱覆盖区域signal；弱覆盖区域由现场弱覆盖的点随机汇聚而成；

步骤4-2，计算新增的一片弱覆盖区域signal和现有Node的距离，距离最近的Node标记为是s1，称为获胜节点Winner，距离次远的Node标记为s2；

步骤4-3，如果s1和s2之间没有连接，则创建连接边C：

C＝C∪{(s1，s2)} ； (5)

步骤4-4，调整获胜节点s1的累计误差ΔE_s1；

步骤4-5，修正现有Node的位置；

步骤4-6，如果输入信号产生的次数是λ的整数倍，则随机***新的节点；

步骤4-7，计算本次运算时间间隔Δt：

Δt＝t_k-t_k-1 (10)

其中，t_k-1表示完成k-1次的时间；

如果Δt≥T_GNG且未满足停止条件，停止条件为无弱覆盖，则转到步骤3，T_GNG为GNG运算周期；

如果Δt<T_GNG且未满足停止条件，则暂停(T_GNG-Δt)时间后转到步骤3。

7.根据权利要求6所述的方法，其特征在于，步骤4-3中，设置连接边C的年龄age(s1，s2)＝0。

8.根据权利要求7所述的方法，其特征在于，步骤4-4中，根据如下公式调整获胜节点s1的累计误差ΔE_s1：

ΔE_s1＝||ξ–w_s1＝||² (6)

其中，w_s1表示输入空间中最近单元。

9.根据权利要求8所述的方法，其特征在于，步骤4-5包括：

步骤4-5-1，以学习率_b和ε_n调整获胜节点s1以及与之连接节点的位置向量；

Δw_s1＝ε_b(ξ–w_s1) (7)

其中Δ是希腊字母delta，表示变化值；w_s1表示节点s1的权重向量，wi表示节点i的权重向量；公式里i表示包含在N_s1内的任意值；₁表示一个正数；N_s1表示节点s1的邻居集；

步骤4-5-2，调整获胜节点s1连接边的年龄age：

其中，age(s1,i)表示获胜节点连接边的年龄差；

如果age(i，j)>a_max，删除边(i，j)，同时删除没有连接边的节点，age(i，j)表示边(i，j)的年龄，a_max表示导致点无发散边缘的最大年龄，i，j为连接边向量。

Images