FI104865B - Menetelmä ja järjestelmä radioverkkoparametrien hallitsemiseksi - Google Patents

Description

104865

Menetelmä ja järjestelmä radioverkkoparametrien hallitsemiseksi

Keksinnön ala

Keksintö liittyy radioverkkojen hallintaan ja ylläpitoon. Erityisesti 5 keksintö liittyy radioverkon suorituskyvyn hallinnan mallinnukseen.

Keksinnön tausta

Tehokkaassa radioverkon (Cellular Networks) hallinnassa tarvitaan useita satoja parametreja, sekä näiden parametrien ominaisuuksien hallintaa. Verkon hallintaa vaikeuttaa osaltaan myös suoran palautteen puuttuminen, siilo lä koko radioverkon suorituskykyä mitataan noin kahdella tuhannella erillisellä mittaustiedolla. Tehokas radioverkon hallinta edellyttäisi siis satojen (esimerkiksi n. 300:n) parametrien vaikutuksien seurantaa sadoissa (esimerkiksi n. 500:ssa) mittaustuloksissa. Tämän lisäksi pitäisi seurata eri parametrien yhteistä vaikutusta eri mittaustuloksissa, eli tehtävän vaikeustaso olisi rinnastet-15 tavissa esimerkiksi noin 300x500 suuruisen korrelaatiomatriisin kollektiiviseen tulkintaan. Toisin sanoen, aina kun muutetaan yhtä radioverkkoparametria, niin tulisi tietää mihin mittaustuloksiin muutos vaikuttaa ja kuinka paljon. Vastaavasti tavoiteltaessa jotain tiettyä muutosta mittaustuloksissa tulisi tietää muutoksen kannalta keskeisimmät parametrit sekä parametrien keskinäiset 20 riippuvuudet.

Verkonhallintaan liittyvä ongelma-avaruus saattaa siis muodostua liian suureksi ja ylittää vaatimuksillaan ihmisellä käytössään olevat resurssit. ·· Parametrimuutosten ja yksittäisten mittaustulosten tarjoamaa palautetta on siis vaikea hyödyntää etsittäessä tehokkaampia keinoja ongelma-avaruuden hal-25 Untaan. Verkon suorituskykyä mittaavaa dataa tulee niin paljon, että sen pohjalta ei osata tehdä ratkaisuja. Radioverkko on monimutkainen ja data on hajautettuna useisiin sovelluksiin. Tästä syystä on tarve yksinkertaisille ratkaisuille, jotka ovat tehokkaita ja huomioivat radioverkon kaikki systeemit kokonai- . ·· suutena.

. · « 30 Keksinnön lyhyt selostus

Keksinnön tavoitteena on siten kehittää menetelmä siten, että yllä mainitut ongelmat saadaan ratkaistua. Tämä saavutetaan menetelmällä radioverkon suorituskyvyn hallintaan käytettävän mallin laskemiseksi ja suorituskyvyn hallinnan helpottamiseksi, jossa menetelmässä muodostetaan radioverkon 2 104865 muuttujista muuttujajoukkoja ja määritetään radioverkon muuttujajoukkojen välisiä riippuvuussuhteita. Menetelmälle on tunnusomaista, että muuttujajoukoista etsitään toisistaan riippuvat lineaarikombinaatiot, joiden lineaarikombinaa-tioiden välistä riippuvuutta ja riippuvuuden voimakkuutta mitataan kanonisella 5 korrelaatiokertoimella ja jossa menetelmässä pareittain kahden muuttujajoukon moniulotteinen riippuvuus tiivistetään muutamiin kanonisiin muuttujaparei-hin.

Keksinnön kohteena on myös järjestelmä radioverkon suorituskyvyn hallintaan käytettävän mallin laskemiseksi ja suorituskyvyn hallinnan helpotta-10 miseksi, joka järjestelmä on sovitettu muodostamaan radioverkon muuttujista muuttujajoukkoja ja määrittämään radioverkon muuttujajoukkojen välisiä riippuvuussuhteita. Järjestelmälle on tunnusomaista, että järjestelmä on sovitettu etsimään muuttujajoukoista toisistaan riippuvat lineaarikombinaatiot, mittaamaan lineaarikombinaatioiden välistä riippuvuutta ja riippuvuuden voimakkuut-15 ta kanonisella korrelaatiokertoimella ja jossa järjestelmässä pareittain kahden muuttujajoukon moniulotteinen riippuvuus on tiivistetty muutamiin kanonisiin muuttujapareihin.

Keksinnön edulliset suoritusmuodot ovat epäitsenäisten patenttivaatimusten kohteena.

20 Keksintö perustuu siihen, että kanonisella korrelaatioanalyysillä py ritään supistamaan ongelma-avaruutta tiivistämällä kahden tai useamman muuttujajoukon väliset riippuvuudet toisistaan mahdollisimman paljon riippuviin kanonisiin muuttujiin. Kanonisiin muuttujiin liittyviä painokertoimia voidaan hyödyntää määritettäessä esim. keskeisimpiä parametreja ja mittaustuloksia toi-25 sistaan riippuvissa muuttujajoukoissa.

Keksinnön mukaisella menetelmällä ja järjestelmällä saavutetaan useita etuja. Kanoninen korrelaatioanalyysi auttaa suurien muuttujajoukkojen riippuvuuksien mallintamisessa sekä keskeisimpien muuttujien määrittämisessä. Keksinnön mukainen analyysimenetelmä tuottaa selkeän ratkaisun radio-30 verkon valtavien tietomäärien hyväksikäyttöön. Menetelmästä on hyötyä erityi- * · ... sesti silloin, kun halutaan oppia jotain parametrien välisistä riippuvuuksista ja näiden riippuvuuksien yhteyksistä radioverkon suorituskykyyn.

Kuvioiden lyhyt selostus

Keksintöä selostetaan nyt lähemmin edullisten suoritusmuotojen yh-35 teydessä, viitaten oheisiin piirroksiin, joista: 3 104865 kuvio 1 esittää yleistä solukkoradioverkkoa, jossa keksintöä voidaan soveltaa ja kuvio 2 esittää esimerkinomaisesti kanonisella korrelaatioanalyysilla löytyneitä toisistaan riippuvia parametri- ja kuuluvuustyyppejä.

5 Keksinnön yksityiskohtainen selostus

Kuviossa 1 esitetään esimerkki yleisen solukkoradioverkon rakenteesta. Tukiaseman 100, 102 kuuluvuusalueet eli solut mallinnetaan yleensä kuusikulmion muotoisiksi alueiksi. Tukiasemat 100, 102 ovat mahdollisesti yhteydessä yhdyslinjan 112 välityksellä tukiasemaohjaimeen 114. Tukiasemaoh-10 jaimen 114 tehtävänä on kontrolloida usean tukiaseman 100, 102 toimintaa. Normaalisti tukiasemaohjaimesta 114 on yhteys matkapuhelinkeskukseen 116, josta on edelleen yhteys kiinteään puhelinverkkoon 118. Toimistojärjestelmissä voivat tukiaseman 100, tukiasemaohjaimen 114 ja jopa matkapuhelinkeskuksen 116 toiminnot olla yhdistettynä yhteen laitteeseen, josta sitten on 15 yhteys kiinteään verkkoon 118, esimerkiksi johonkin kiinteän verkon 118 puhelinkeskukseen. Solussa olevilla tilaajapäätelaitteiila 104, 106 on kaksisuuntainen radioyhteys 108, 110 solun tukiasemaan 100. Lisäksi verkko-osa, eli solukkoradioverkon kiinteä osa, voi käsittää lisää tukiasemia, tukiasemaohjaimia, siirtojärjestelmiä, ja eritasoisia verkonhallintajärjestelmiä. Alan ammattimiehelle 20 on selvää, että solukkoradioverkkoon sisältyy myös monia muita rakenteita, joiden tarkempi selittäminen ei ole tässä tarpeen.

Kanonisella korrelaatioanalyysillä etsitään kahden tai useamman muuttujajoukon välisiä riippuvuuksia sekä määritellään näiden riippuvuuksien “ voimakkuudet. Kanonisessa korrelaatiossa ryhmien muuttujista muodostetaan 25 erikseen lineaarikombinaatioita. Ideana on etsiä ensiksi sellaiset muuttujajoukkojen lineaarikombinaatiot U ja V, että lineaarikombinaatiot ovat mahdollisimman paljon toisistaan riippuvia. Tämä tarkoittaa sitä, että näissä lineaarikombi-naatioissa U ja V esiintyvät kertoimet valitaan siten, että korrelaatio muuttujien U ja V välillä on mahdollisimman suuri. Kanonisia muuttujapareja (U, V) saa-- ·· 30 daan analyysin tuloksena useita. Mikäli selittäviä muuttujia X<1> on p kappaletta ja selitettäviä XP muuttujia q kappaletta, on kanonisia muuttujapareja enintään r=min(p,q) kappaletta. Ne muodostuvat muuttujien Xfv ja X® lineaarikombinaa-tioina. Lineaarikombinaatiot muodostetaan aluksi valitsemalla kertoimet siten, että korrelaatio muuttujien U(1) ja V(1) välillä on mahdollisimman suuri. Tämän 35 jälkeen määritellään muuttujajoukoissa seuraavat lineaarikombinaatiot U(2) ja V(2), jotka ovat mahdollisimman paljon toisistaan riippuvia, mutta riippumatto- 104865 4 mia edellä määriteltyjen lineaarikombinaatioiden U(1> ja V(1) kanssa. Toisin sanoen kanoniset muuttujat U(V ja V(1) eivät saa olla muuttujien U(2) ja V» kanssa korreloituneita. Näin jatketaan aina muuttujapariin (UnVr) saakka. Analyysin lopputuloksena saadaan r kappaletta kanonisia muuttujapareja. Lineaarikom-5 binaatioiden lopullinen määrä riippuu luonnollisestikin havaintoaineistosta, mutta tietyissä olosuhteissa voidaan karsintaperusteena käyttää myös tilastollista merkitsevyyttä.

Lineaarikombinaatioita kutsutaan siis kanonisiksi muuttujiksi, ja niiden välistä riippuvuutta mitataan kanonisella korrelaatiokertoimella. Analyysiin 10 liittyvä maksimointitehtävä tähtää kahden tai useamman muuttujajoukon moniulotteisten riippuvuuksien tiivistämiseen muutamiin kanonisiin muuttujajoukkoihin, joiden kokonaisvaihtelua selittävä osuus on suurin ensimmäisenä saaduilla lineaarikombinaatioilla. Kanoniset muuttujat voidaan tulkita eräänlaisina indekseinä, joissa tietyillä muuttujilla saattaa olla muita keskeisempi asema. Täl-15 löin kanonisille muuttujille saadaan selväkielinen tulkinta nimeämällä muuttujat esimerkiksi parametri- tai mittaustulostyypeiksi aina niiden keskeisimpien muuttujien mukaan.

Kanoninen korrelaatio on siis ymmärrettävissä monen muuttujan (multivariate regression) yleistyksenä monimuuttujaregressiosta (multiple reg-20 ression), jossa selitettäviä muuttujia pyritään yhdellä kertaa selittämään usealla selittävällä muuttujalla. Kuviossa 2 on esimerkki kahden kanonisen muuttujan, eli parametrityypin P, 200, ja mittaustulostyypin M, 202, välisistä riippuvuussuhteista. Eräässä edullisessa kanonisen korrelaatioanalyysin suoritusmuodossa on kuvion 2 mukaiset toisistaan riippuvat parametri- ja kuuluvuus-25 tyypit. Vastaavia pareittain toisistaan riippuvia tyyppejä löytyy todennäköisesti useita. Kanonisessa korrelaatioanalyysissä lasketut kanoniset muuttujat vain maksimoivat alkuperäisten muuttujien välisten korrelaatioiden selittämistä.

Kuviossa 2 symbolilla P on merkitty "Power"-parametrityypin 200 arvoa. Parametrityypin 200 ominaisuuksia 204 ovat esimerkiksi seuraavat. Jos 30 parametrin kerroin on suurempi kuin lukuarvo 0, parametri on keskeinen ja parametri kasvattaa "Power"-tyypin 200 arvoa. Mitä enemmän kerroin poikkeaa nollasta, sitä keskeisempi parametri on. Tällaisia parametreja voisivat olla esimerkiksi parametrit "Power Lever’-parametri 1, jonka kerroin on esimerkiksi 1,9 ja "Power Level"-parametri 2, jonka kerroin on esimerkiksi 1,1. Jos taas para-35 metrin kerroin on pienempi lukuarvo 0, parametrin kasvattaminen ”Power”-tyy-pissä 200 vähentää tyypin arvoa (esimerkiksi parametri 3, jonka kerroin on esi- 104865 5 merkiksi -0,6). Jos taas kerroin on 0, parametrin muuttaminen ei muuta tyypin arvoa (esimerkiksi parametri R). Sama logiikka pätee myös kuvion 2 "Kuu-luvuusetäisyys-lnterferenssi"-tyypin 202 arvolle M, jonka ominaisuudet 206 ovat seuraavat: Esimerkiksi kuuluvuusetäisyyden kerroin on 2,3; interferenssin 5 kerroin on 1,1; mittaustulos 3:n kerroin on 0,3 ja mittaustulos Q:n kerroin on 0. Tässä parametrit ja kertoimet voivat luonnollisesti vaihdella esimerkin ja tilanteen mukaan.

Kuvion 2 esimerkin parametrit P, 200, ja M, 202, riippuvat toisistaan. Tämän riippuvuuden ominaisuuksia 208 ovat seuraavat: Satunnaismuut-10 tujat P ja M noudattavat normaalijakaumaa parametrein 0 ja 1, eli P~N(0,1) ja M~N(0,1), eli jakauma on normitettu. Tällöin kunkin muuttujan keskiarvo on 0 ja varianssi 1. Normitus muuntaa kunkin muuttujan vaihtelun samanpainoisek-si vastaisissa laskutoimituksissa. Kun "Power'-tyypin P arvo nousee, niin "Kuuluvuusetäisyys-lnterferenssi"-tyypin arvo nousee. Kun parametrilla R on 15 kertoimenaan 0, niin parametrin R arvoa muutettaessa "Kuuluvuusetäisyys-ln-terferenssi"-tyypin arvo ei muutu. Kun "Power"-tyypin arvoa nostetaan, niin kuuluvuusetäisyys kasvaa ja interferenssi lisääntyy.

Kanoniseen korrelaatioanalyysiin liittyy edullisimmin seuraavat vaiheet: 20 1) Havaintoaineisto, eli selittävät muuttujat p parametria ja selitettä vät muuttujat q mittaustulosta järjestetään matriisimuotoon seuraavasti.

Xll X12 X1 n ·· X2I X22 X2n f χρ. xp2 ·· Xpn X ""ίϊΤ ..................................................... * ip + q)*n X„ Xn ··· X,, X2I X22 X2g

**' V Xgl Xg2 Xgn J

• · c 25 missä n tarkoittaa havaintoaineiston havaintojen lukumäärää.

Seuraavaksi voidaan tehdä tarvittavat transformaatiot niille muuttujille, joiden jakauma poikkeaa normaalijakaumasta. Näillä transformaatioilla voidaan päästä lähemmäksi multinormaalijakaumaa, mikä on edullista kano- e 104865 nisten korrelaatioiden testausta ajatellen. Tämän jälkeen muuttujat standardoidaan, jonka jälkeen havaintoja x merkitään kirjaimella z.

2) Seuraavaksi lasketaan kaikkien muuttujien väliset korrelaatiot, 5 edullisesti esimerkiksi Pearson- tai Spearman-korrelaatiot tai vastaavat. Muuttujien välille laskettu korrelaatiomatriisi voidaan osittaa neljään osamatriisiin seuraavasti:

f *11 M

^ _ ρχρ p*g (p + g)x|p + <j) *21 *22

\ q x p q x qJ

10

Osituksen vasemmassa yläkulmassa ovat ensimmäisen muuttujaryhmän, eli selittävien muuttujien X™ sisäiset korrelaatiot ja oikeassa alakulmassa ovat toisen ryhmän, eli selitettävien muuttujien X2> sisäiset korrelaatiot. Tämän lisäksi matriisista löytyvät muuttujaryhmien muuttujien korrelaatiot toi-15 sen muuttujaryhmän kanssa.

3) Seuraavaksi testataan kanonisen korrelaatioanalyysin kannattavuus esimerkiksi "Likelihood Ratio"-testillä tai vastaavalla, jossa tarkastetaan ovatko muuttujaryhmien väliset korrelaatiot valitulla riskitasolla tilastollisesti 20 merkitsevästi nollasta poikkeavia, eli testataan havaintoaineiston yhteensopivuutta nollahypoteesin mukaisen jakauman kanssa. Toisin sanoen testataan, onko ensimmäinenkään kanoninen korrelaatio tilastollisesti merkitsevä. Vain ·; osituksen oikeassa yläkulmassa olevan muuttujaryhmän ja vasemmassa ala- 4 kulmassa olevan muuttujaryhmän lukuarvot vaikuttavat log-likelihood testisuu-25 reeseen. Asetetaan nollahypoteesiksi ja vaihtoehtohypoteesiksi *0: Σ.2 = Rn = 0 < • · ' · · Tämä matriisi R(12) on matriisin R(21) transpoosi, joten matriisi 30 R(21) testautuu samalla. Tässä riittää siis matriisin R(12) testaus, sillä jos se on 0, niin kaikki kanoniset korrelaatiot ovat myös nollia.

Ensin muodostetaan muuttujaryhmien 1 ja 2 lineaarikombinaatiot korrelaatiomatriisin perusteella, eli ratkaistaan maksimointitehtävä matriisin 7 104865 suurimpaan ominaisarvoon liittyvän ominaisvektorin U ja V avulla. Tällöin asetetaan p,* = max Corr(U, V) , a,b A*2

Px = OA,(£-,/2iW^,Kr.1/2>' 5 missä matriisin R11'1/2R12R22'1R2i^ii'1/2 suurin ominaisarvo 0A1 on yhtä *2 Λ suuri, kuin sitä vastaavan kanonisen korrelaation neliö p, . Asetetaan myös kerroinvektorit <3i = ei £,,1/2 bx = fi R^n 10 kanonisten muuttujien laskemiseksi, jotka kerroinvektorit saadaan suurimpia ominaisarvoja vastaavien ominaisvektorien e ja f avulla, kun f, on matriisin suurinta ominaisarvoa vastaava ominaisvektori ja

Ui = ai Z{X) = 3,2,^+. . .+apZpm Vi = bx Z{2) = blZlQ)+. . .+bqZqa’ 15 Tässä suurinta kanonista korrelaatiota vastaavat kanoniset muuttu-” jät U1 ja V/,. Muuttuja z viittaa standardoituihin havaintoihin, symboli Λ ilmoittaa sen, että kyseinen muuttuja on estimoitu eikä välttämättä sama kuin teoreettinen arvo ja symboli' tarkoittaa vektorin transpoosia.

20 Tämän jälkeen hylätään nollahypoteesi H0 riskitasolla a, jos - (n - 1 - ^ (p + g + 1) ) In (1 - />*’) > χ2ρζ} [a) .

4) Mikäli nollahypoteesi H0 hylättiin, niin silloin jatketaan lineaari-25 kombinaatioiden laskemista niin kauan, kunnes "Likelihood Ratio"-testillä ei saada enää tilastollisesti merkitseviä kanonisia korrelaatioita, eli asetetaan 8 104865

Ho": ft' * 0, ..., p,' * 0, p,.,' =. . . = pp' = 0 (*)

Hl : p- * 0, jollakin i>k+1.

Tämä on hypoteesin yleinen muoto seuraa vien korrelaatioiden tes-5 tausta varten. Esimerkiksi toista kanonista korrelaatiota testattaessa muuttuja k-1, ja kolmatta testattaessa k=2.

Nyt hylätään H0(k> riskitasolla a, jos I P Λ*2 10 - (n - 1 - - (p + q + 1) ) In f] (1 - p. ) > *2ρ_*, tq_*,(«) i=k +1 ja Λ Λ ' γτ _ _ ^-1/2 (1) ^Jt — öjt i\n 2 V Ji — Γ * i^22 2 · 15 Helpotetaan lineaarikombinaatioiden tulkintaa laskemalla niiden kor relaatiot muuttujaryhmien 1 ja 2 kanssa seuraavasti.

^ a f ^ f λ r ^ ai Jbi

Af Af Λ a? Λ jfc>2 . .

A = ja b = , ja jossa p*p : j ·» Λ ' V ' \<3p y \·Ος , «A = A R1IDir,/2 = B *22-D22-'/2 V,x‘2' 20 *. = A i^I2D22-1/2 ··* U,x{2)

Ba = B *21D„-,/2.

7) Seuraavaksi voidaan tarkastella kuinka hyvin laskemamme r kanonista muuttujaa tuottavat alkuperäisen korrelaatiomatriisin. Asetetaan 9 104865 R„ - (a,"’ az(h' + az(2) az(2’’ +. . .+ az,r1') i?22 - (bz,n 0Ζ,,Γ + Jbz(2) Jbz(2)' +.. .+ bzM bz,rr)

Rn - (p\ a«‘w b2a)'+ p2* az(2> bz'21' +. . .+ pj az(r) Jbz'r>’) .

8) Viimein on hyvä tarkastella kuinka suuren osuuden laskemamme r kanonista muuttujaa selittävät muuttujajoukkonsa kokonaisvaihtelusta.

5

Kanoninen korrelaatioanalyysi voidaan toteuttaa useiden eri esti-mointiperiaatteiden mukaisesti, ja muuttujajoukkoja voi olla kaksi tai useampikin. Esimerkiksi radioverkosta saatavista tiedoista voisi muodostaa vaikkapa kolme muuttujajoukkoa: radioparametrit, mittaukset ja hälytystiedot. Analyysillä 10 pyrittäisiin sitten mallintamaan valittujen muuttujajoukkojen välisiä riippuvuuksia.

Perinteinen kanoninen korrelaatioanalyysi perustuu muuttujajoukkojen välisten lineaaristen riippuvuuksien mallintamiseen kuten kuviossa 2. Perinteisen menetelmän esitti H. Hotelling vuonna 1935, ja menetelmään liitty-15 vä maksimointitehtävä voidaan ratkaista esimerkiksi ominaisarvojen ja niiden ominaisarvovektoreiden avulla.

Epälineaarinen kanoninen korrelaatioanalyysi perustuu alkuperäisten muuttujien korvaamiseen optimaalisesti skaalatuilla muuttujilla, joiden transformaatio voi olla myös epälineaarinen. Optimaalinen skaalaus suorite-20 taan iteroimalla samanaikaisesti varsinaisen maksimointitehtävän kanssa, ja muuttujajoukkojen määrästä riippuen iteroinnissa voidaan käyttää joko CA- * NALS- tai OVERALS-algoritmia.

Kanonista korrelaatioanalyysiä ei ole hyödynnetty radioverkon suorituskyvyn hallinnassa tai edes suorituskyvyn analysoinnissa. Suorituskyvyn 25 hallinta edellyttää varsin paljon sen pohjalla olevalta mallilta. Edellä kuvatun mukainen malli on valittu tyyppien riippumattomuuden, ortogonaalisten ratkaisujen, perusteella ja erilaiset analyysimenetelmät tuottavat hyvin erilaisia luokituksia. Muut menetelmät tuottavat myös monimutkaisempia malleja, mutta myös näiden hyväksikäyttö muodostuu paljon monimutkaisemmaksi. Kanoni-30 nen korrelaatioanalyysi voidaan suorittaa usealla tavalla, ja epälineaarisessa kanonisessa korrelaatioanalyysissä muuttujien transformaation tyyppi saattaa vaikuttaa huomattavasti analyysin tuloksiin.

• · « 104865 10

Keksinnön mukaisen menetelmän edellyttämät toimenpiteet voidaan toteuttaa järjestelmällä, joka edullisesti käsittää prosessorilaitteiston, joka suorittaa menetelmän mukaiset toimenpideaskeleet sopivan ohjelmiston avulla. Prosessorilaitteisto voidaan toteuttaa esimerkiksi prosessorin ja muistipiiri-5 en erillisten logiikkakomponenttien tai tietokoneen avulla.

Vaikka keksintöä on edellä selostettu viitaten oheisten piirustusten mukaiseen esimerkkiin, on selvää, ettei keksintö ole rajoittunut siihen, vaan sitä voidaan muunnella monin tavoin oheisten patenttivaatimusten esittämän keksinnöllisen ajatuksen puitteissa.

10 . · • · *

Claims (9)

104865 11

1. Menetelmä radioverkon suorituskyvyn hallintaan käytettävän mallin laskemiseksi ja suorituskyvyn hallinnan helpottamiseksi, jossa menetelmässä muodostetaan radioverkon muuttujista muuttujajoukkoja ja määritetään ra- 5 dioverkon muuttujajoukkojen välisiä riippuvuussuhteita, tunnettu siitä, että muuttujajoukoista etsitään toisistaan riippuvat lineaarikombinaatiot, joiden line-aarikombinaatioiden välistä riippuvuutta ja riippuvuuden voimakkuutta mitataan kanonisella korrelaatiokertoimella ja jossa menetelmässä pareittain kahden muuttujajoukon moniulotteinen riippuvuus tiivistetään muutamiin kanoni-10 siin muuttujapareihin.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että radioverkon muuttujista muodostetut muuttujajoukot ovat radioverkon syöttöparametrit ja mittaustulokset.

3. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, 15 että radioverkon muuttujiksi valitaan halutut muuttujajoukot.

4. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että muuttujajoukkojen lineaarikombinaatiot ovat pareittain mahdollisimman paljon toisistaan riippuvia.

5. Patenttivaatimuksen 4 mukainen menetelmä, tunnettu siitä, 20 että muuttujajoukkojen lineaarikombinaatiot ovat pareittain mahdollisimman paljon toisistaan riippuvia ja riippumattomia muiden lineaarikombinaatioiden kanssa.

6. Patenttivaatimuksen 5 mukainen menetelmä, tunnettu siitä, että lineaarikombinaatioiden eli kanonisten muuttujien välinen riippuvuus las- 25 ketään kanonisen korrelaatioanalyysin avulla, joka kanoninen korrelaatioanalyysi käsittää ainakin seuraavat vaiheet: havaintoaineisto järjestetään matriisimuotoon; tehdään mahdolliset transformaatiot niille muuttujille, joiden jakauma poikkeaa normaalijakaumasta; " ,/ 30 muuttujat standardoidaan; lasketaan muuttujien väliset korrelaatiot; testataan ovatko muuttujaryhmien väliset korrelaatiot valitulla riskitasolla tilastollisesti merkitsevästi nollasta poikkeavia; muodostetaan muuttujaryhmien lineaarikombinaatiot korrelaatiomat-35 riisin perusteella; • ·« 12 104865 lasketaan lineaarikombinaatioiden korrelaatiot muuttujaryhmien kanssa, sekä tarkastellaan kuinka suuren osuuden laskemamme kanoniset muuttujat selittävät muuttujajoukkojensa kokonaisvaihtelusta.

7. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että muuttujajoukkojen riippuvuuksien laskemisessa käytetään numeerista matriisilaskentaa.

8. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että maksimointitehtävä voidaan suorittaa eri menetelmillä riippuen siitä, ovat- 10 ko muuttujien väliset riippuvuudet lineaarisia vai epälineaarisia.

9. Järjestelmä radioverkon suorituskyvyn hallintaan käytettävän mallin laskemiseksi ja suorituskyvyn hallinnan helpottamiseksi, joka järjestelmä on sovitettu muodostamaan radioverkon muuttujista muuttujajoukkoja ja määrittämään radioverkon muuttujajoukkojen välisiä riippuvuussuhteita, 15 tunnettu siitä, että järjestelmä on sovitettu etsimään muuttujajoukoista toisistaan riippuvat lineaarikombinaatiot, mittaamaan lineaarikombinaatioiden välistä riippuvuutta ja riippuvuuden voimakkuutta kanonisella korrelaatiokertoi-mella ja jossa järjestelmässä pareittain kahden muuttujajoukon moniulotteinen riippuvuus on tiivistetty muutamiin kanonisiin muuttujapareihin. 20 • · • · 104865 13