一种基于BP神经网络算法的小区参数配置系统及方法与流程

本发明涉及网络通信，特别是一种基于bp神经网络算法的小区参数配置系统及方法。

背景技术：

1、随着5g网络的快速发展，对网络性能和服务质量的要求越来越高。相较于4g网络，5g网络使用的频段比4g更高，例如4g网络主要使用2.5ghz以下的频段，而5g网络使用的是3ghz至30ghz之间的高频甚至毫米波频段。高频信号的传播距离较短，覆盖范围较小，因此需要部署更多的基站来实现覆盖，同时，高频信号容易受到障碍物的影响，这都带来了相较于4g更难的网络规划，网络配置相关参数特别是小区相关参数配置变得异常复杂。小区参数配置是影响网络性能和服务质量的关键因素之一，现有的小区参数配置方法主要基于人工经验或者统一典型参数配置，效率低下且难以达到最优效果。

技术实现思路

1、鉴于此，本发明提供一种基于bp神经网络算法的小区参数配置系统及方法。

2、本发明公开了一种基于bp神经网络算法的小区参数配置系统，其包括：

3、数据采集模块，用于从目标网络中搜集小区历史参数数据；小区历史参数数据包括历史网络中网络操作日志、性能数据、告警日志或者配置脚本；

4、数据提取和预处理模块，用于对搜集的日志进行关键数据提取，同时将搜集到的数据进行清洗和格式化，以去除异常值和缺失值，之后将数据转化为适合bp神经网络处理的格式；

5、bp神经网络训练和优化模块，用于利用收集到的数据训练bp神经网络模型，通过反向传播算法调整网络权重，以最小化小区容量损失；

6、性能评估模块，用于对优化后的参数配置进行性能评估，若满足预设的性能目标，则输出优化后的参数配置；否则，返回bp神经网络训练和优化模块重新优化。

7、进一步地，在所述数据提取和预处理模块中，关键数据包括小区发射功率、小区半径、用户门限、天线倾角和小区切换门限以及性能数据；性能数据包括峰值吞吐量和小区容量。

8、进一步地，所述bp神经网络训练和优化模块为一个3层bp神经网络模型，其包含输入层、隐含层和输出层；其中，输入层为小区参数，输出层为小区容量性能，隐含层的数量和节点数根据具体情况进行调整。

9、进一步地，在所述性能评估模块中，可采用仿真测试或实际部署的方式对优化后的参数配置进行性能评估。

10、本发明还公开了一种基于bp神经网络算法的小区参数配置方法，适用于上述任一项所述的基于bp神经网络算法的小区参数配置系统，其包括：

11、步骤1：获取数据源：获取配置小区的历史网络数据；历史网络数据包括历史部署网络的操作日志、配置脚本、告警日志或者性能日志；

12、步骤2：根据历史网络数据源提取关键数据，关键数据包括小区发射功率、小区半径、用户门限、天线倾角和小区切换门限以及性能数据；

13、步骤3：对搜集的日志进行关键数据提取，同时将搜集到的数据进行清洗和格式化，以去除异常值和缺失值，之后将数据转化为适合bp神经网络处理的格式；

14、步骤4：将步骤3输出的转换后的数据输入bp神经网络模型进行训练；判断是否满足神经网络收敛条件，若满足，则训练结束，若不满足，则继续训练bp神经网络模型；

15、步骤5：根据收敛时的bp神经网络的反馈输入值以及各神经元状态值，提取当前小区配置参数，并将当前小区配置参数作为配置小区的开站参数，以完成小区参数自动配置。

16、进一步地，在所述步骤4中，构建所述bp神经网络模型包括：确定在三层bp神经网络中的隐含层的神经元数目和激活函数；计算各层的输入和输出，并计算输出层误差；根据输出层的误差修正权值与阈值不断优化bp神经网络模型，直至输出层的误差满足要求为止。

17、进一步地，构建所述bp神经网络模型，包括：确定网络层数，确定隐含层神经元数目和确定激活函数。

18、进一步地，所述网络层数确定为三层；所述确定隐含层神经元数目包括：

19、隐含层神经元的数目初始值s为1，初始隐含层神经元为小区发射功率；除初始隐含层神经元之外的神经元不参与bp神经网络模型的训练，均使用小区优化前的参数配置；

20、将从小区收集到的数据作为样本，输入bp神经网络模型开始学习和训练；训练结束后，若仿真小区容量值或者实测网络小区容量损失值小于预设门限，则认为当前训练得到的bp神经网络模型满足预期；此时隐含层神经元的数目s为所需要的隐含层神经元的个数；

21、若仿真小区容量值或者实测网络小区容量损失值大于预设门限，则认为当前训练得到的bp神经网络模型不满足预期，此时增加下一个神经元并令s＝s+1。

22、进一步地，所述小区容量损失值的定义为：

23、

24、其中，c为小区容量损失值，l为bp神经网络模型的层数，ol为根据输出层的小区容量仿真或者实际网络实际测试值，y为小区规划前预期的理论小区容量值或者期望达到的小区最大容量值。

25、进一步地，基于网络层数为三层，确定激活函数采用relu函数，及f(x)＝max(0,x)，其中，f(x)为relu函数的输出值，x为relu函数的输入值。

26、由于采用了上述技术方案，本发明具有如下的优点：

27、通过利用bp神经网络算法对小区参数进行智能优化，提高网络性能和服务质量。该方法能够自动化地初始配置或者调整小区参数，以适应不同的网络环境和业务需求，解决传统基于人工经验配置效率低且难以达到最优小区参数配置的问题，提升了网络的性能和用户体验。

技术特征：

1.一种基于bp神经网络算法的小区参数配置系统，其特征在于，包括：

2.根据权利要求1所述的基于bp神经网络算法的小区参数配置系统，其特征在于，在所述数据提取和预处理模块中，关键数据包括小区发射功率、小区半径、用户门限、天线倾角和小区切换门限以及性能数据；性能数据包括峰值吞吐量和小区容量。

3.根据权利要求1所述的基于bp神经网络算法的小区参数配置系统，其特征在于，所述bp神经网络训练和优化模块为一个3层bp神经网络模型，其包含输入层、隐含层和输出层；其中，输入层为小区参数，输出层为小区容量性能，隐含层的数量和节点数根据具体情况进行调整。

4.根据权利要求1所述的基于bp神经网络算法的小区参数配置系统，其特征在于，在所述性能评估模块中，可采用仿真测试或实际部署的方式对优化后的参数配置进行性能评估。

5.一种基于bp神经网络算法的小区参数配置方法，适用于权利要求1至4任一项所述的基于bp神经网络算法的小区参数配置系统，其特征在于，包括：

6.根据权利要求5所述的基于bp神经网络算法的小区参数配置方法，其特征在于，在所述步骤4中，构建所述bp神经网络模型包括：确定在三层bp神经网络中的隐含层的神经元数目和激活函数；计算各层的输入和输出，并计算输出层误差；根据输出层的误差修正权值与阈值不断优化bp神经网络模型，直至输出层的误差满足要求为止。

7.根据权利要求5所述的基于bp神经网络算法的小区参数配置方法，其特征在于，构建所述bp神经网络模型，包括：确定网络层数，确定隐含层神经元数目和确定激活函数。

8.根据权利要求7所述的基于bp神经网络算法的小区参数配置方法，其特征在于，所述网络层数确定为三层；所述确定隐含层神经元数目包括：

9.根据权利要求8所述的基于bp神经网络算法的小区参数配置方法，其特征在于，所述小区容量损失值的定义为：

10.根据权利要求7所述的基于bp神经网络算法的小区参数配置方法，其特征在于，基于网络层数为三层，确定激活函数采用relu函数，及f(x)＝max(0,x)，其中，f(x)为relu函数的输出值，x为relu函数的输入值。

技术总结
本发明公开了一种基于BP神经网络算法的小区参数配置系统及方法，该系统包括：数据采集模块用于从目标网络中搜集小区历史参数数据；数据提取和预处理模块用于对搜集的日志进行关键数据提取，同时将搜集到的数据进行清洗和格式化，之后将数据转化为适合BP神经网络处理的格式；BP神经网络训练和优化模块用于利用收集到的数据训练BP神经网络模型，通过反向传播算法调整网络权重；性能评估模块用于对优化后的参数配置进行性能评估，若满足预设的性能目标，则输出优化后的参数配置；否则，返回BP神经网络训练和优化模块重新优化。本发明提高了网络性能和服务质量；具有自动化和智能化的特点，大大减少人工干预和试错成本，提高了工作效率。

技术研发人员：廖春伟,魏旻,黄永春
受保护的技术使用者：四川恒湾科技有限公司
技术研发日：
技术公布日：2024/2/8