曾樂根

摘要：針對(duì)4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估存在不全面、主觀性過(guò)強(qiáng)等問(wèn)題，提出了基于Adaboost機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估方法。首先根據(jù)4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)體系確定評(píng)估指標(biāo)，然后采用主成分分析從原始質(zhì)量評(píng)估指標(biāo)特征中提取有效指標(biāo)特征，減少指標(biāo)之間的相關(guān)性，最后通過(guò)建立基于Adaboost機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估模型，實(shí)現(xiàn)對(duì)4G網(wǎng)絡(luò)工程質(zhì)量的自動(dòng)評(píng)估。實(shí)驗(yàn)結(jié)果表明，該方法具有更好的泛化性能，能夠明顯提高4G網(wǎng)絡(luò)工程質(zhì)量的評(píng)估準(zhǔn)確率，對(duì)解決工程質(zhì)量問(wèn)題具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

關(guān)鍵詞：主成分分析；有效指標(biāo)特征；Adaboost機(jī)器學(xué)習(xí)；4G網(wǎng)絡(luò)工程；質(zhì)量評(píng)估

中圖分類號(hào)：TP393.0 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）29-0047-03

Abstract： Considering that quality evaluation of 4G network project exists incomplete and subjective， a method based on Adaboost machine learning is proposed. Firstly， the evaluation indicators are determined according to the 4G network project quality evaluation system， then the principal component analysis is used to extract the effective from the original quality evaluation indicators characteristics， and reduce the correlation between the indicators. Finally， the model based on Adaboost machine learning is established to achieve automatic evaluation of 4G network project quality. The experimental results show that this method has better generalization performance， can significantly improve the accuracy of 4G network project quality evaluation， and has important theoretical and practical significance for solving project quality problems.

Key words： the principal component analysis；the effective indicators characteristics；Adaboost machine learning； 4G network project； quality evaluation

1 引言

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，通信技術(shù)飛速發(fā)展，通信服務(wù)競(jìng)爭(zhēng)環(huán)境瞬息萬(wàn)變，數(shù)據(jù)取代語(yǔ)音成為最主要的通信業(yè)務(wù)，移動(dòng)通信網(wǎng)絡(luò)進(jìn)入4G 時(shí)代。 4G 網(wǎng)絡(luò)業(yè)務(wù)成為一種新興的通信業(yè)務(wù)，4G網(wǎng)絡(luò)通信工程建設(shè)的質(zhì)量關(guān)乎人民生命財(cái)產(chǎn)安全，直接影響企業(yè)投資效益及運(yùn)營(yíng)成本，最終影響社會(huì)經(jīng)濟(jì)的發(fā)展，其質(zhì)量評(píng)估至關(guān)重要，對(duì)4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)的研究倍受國(guó)內(nèi)外專家的關(guān)注。在2010年Fisher et al.Measuring [1]提出了對(duì)工程項(xiàng)目質(zhì)量的測(cè)評(píng)應(yīng)當(dāng)從其內(nèi)部、外部和第三方進(jìn)行，并詳細(xì)介紹了三個(gè)測(cè)評(píng)實(shí)施的全部流程。2013年P(guān)ekka Kumpulainen等人 [2]提出了運(yùn)用模糊聚類綜合評(píng)價(jià)法分析了 3G 無(wú)線網(wǎng)絡(luò)性能。2013年王蒙 [3]提出了采用熵值法和 BP 神經(jīng)網(wǎng)絡(luò)評(píng)判法對(duì)承載數(shù)據(jù)業(yè)務(wù)的 3G 網(wǎng)絡(luò)性能進(jìn)行評(píng)價(jià)；2013段鵬錦 [4]運(yùn)用模糊綜合評(píng)判的方法對(duì)工程不同項(xiàng)目組質(zhì)量進(jìn)行分析比較，得出質(zhì)量最優(yōu)的項(xiàng)目組，并關(guān)注其質(zhì)量管控中各種影響質(zhì)量因素的權(quán)重排列。4G 用戶對(duì)網(wǎng)絡(luò)的要求日益提高，網(wǎng)絡(luò)技術(shù)、架構(gòu)和可提供的質(zhì)量指標(biāo)產(chǎn)生了巨大變化，原有的網(wǎng)絡(luò)工程質(zhì)量評(píng)估標(biāo)準(zhǔn)和服務(wù)規(guī)范已不再適用，迫切需要構(gòu)建 一個(gè)客觀、科學(xué)及智能化的4G 網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)體系及其模型。本文將機(jī)器學(xué)習(xí)算法引入4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估，提出一種基于機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估方法。該方法無(wú)須充足的先驗(yàn)知識(shí)和訓(xùn)練樣本，實(shí)現(xiàn)對(duì)4G網(wǎng)絡(luò)工程質(zhì)量的自動(dòng)評(píng)價(jià)，評(píng)估結(jié)果準(zhǔn)確率高，對(duì)解決工程質(zhì)量問(wèn)題具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

2 基于Adaboost的機(jī)器學(xué)習(xí)算法

Adaboost算法是機(jī)器學(xué)習(xí)十大經(jīng)典算法之一，它是把若干個(gè)弱分類器綜合起來(lái)得到一個(gè)效果更好的強(qiáng)分類器，是一種對(duì)模糊先驗(yàn)知識(shí)建模的方法，屬于典型的模糊分類算法[5]。算法原理：首先由初始訓(xùn)練集訓(xùn)練基學(xué)習(xí)器，并根據(jù)每次訓(xùn)練集的分類結(jié)果及總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值，同時(shí)根據(jù)基學(xué)習(xí)器的表現(xiàn)改變訓(xùn)練樣本的分布，然后用修改過(guò)權(quán)值的新數(shù)據(jù)集和調(diào)整樣本分布后的樣本訓(xùn)練下一個(gè)基學(xué)習(xí)器，依次迭代，直至基學(xué)習(xí)器數(shù)目達(dá)到預(yù)先設(shè)定的值，最后將所有訓(xùn)練得到的基學(xué)習(xí)器加權(quán)融合作為最后的決策分類器，它是由數(shù)個(gè)弱分類器構(gòu)成，最后由這數(shù)個(gè)弱分類器來(lái)投票決定分類。Adaboost的結(jié)構(gòu)如圖1所示。

3 基于Adaboost機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)

3.1 4G網(wǎng)絡(luò)工程質(zhì)量有效評(píng)價(jià)指標(biāo)特征提取

4G網(wǎng)絡(luò)通信工程屬于全程全網(wǎng)、多期建設(shè)、用戶影響面大的工程，其質(zhì)量具有影響因素多、質(zhì)量變動(dòng)大、變數(shù)多、隱蔽性大、終驗(yàn)局限性大及評(píng)價(jià)方法特殊等特點(diǎn)，對(duì)4G網(wǎng)絡(luò)通信工程質(zhì)量進(jìn)行評(píng)估時(shí)，影響評(píng)估效果的指標(biāo)眾多，且各指標(biāo)之間不可避免地存在信息冗余，需提取有效指標(biāo)特征。本文利用主成分分析方法提取4G網(wǎng)絡(luò)通信工程質(zhì)量的有效指標(biāo)特征，算法基本思想是通過(guò)研究變量相關(guān)系數(shù)矩陣內(nèi)部結(jié)構(gòu)，找出少數(shù)變量去描述多個(gè)變量的相關(guān)關(guān)系，同時(shí)最大限度地保留原有數(shù)據(jù)集的變化信息[10]。

3.2 基于Adaboost機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)

Adaboost是一種重要的機(jī)器學(xué)習(xí)方法，它是利用少數(shù)已標(biāo)注樣本和多數(shù)未標(biāo)注樣本來(lái)進(jìn)行訓(xùn)練和分類，從而減少標(biāo)注代價(jià)，同時(shí)綜合優(yōu)化多個(gè)精度相對(duì)較低的弱學(xué)習(xí)算法，最終訓(xùn)練出精度更高的強(qiáng)學(xué)習(xí)算法，達(dá)到提高學(xué)習(xí)機(jī)器的性能的目的。在4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估中引入基于Adaboost機(jī)器學(xué)習(xí)算法，可提高其質(zhì)量評(píng)估的準(zhǔn)確率和有效性。

4G網(wǎng)絡(luò)工程質(zhì)量評(píng)估過(guò)程包括3個(gè)主要過(guò)程，首先是建立4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)指標(biāo)體系，然后利用主成分分析方法提取4G網(wǎng)絡(luò)工程質(zhì)量有效特征，最后利用基于Adaboost機(jī)器學(xué)習(xí)算法進(jìn)行評(píng)價(jià)。

4 實(shí)驗(yàn)結(jié)果與分析

本文從網(wǎng)絡(luò)運(yùn)行能力、網(wǎng)絡(luò)覆蓋效果、用戶體驗(yàn)效果和網(wǎng)絡(luò)維護(hù)效果四個(gè)方面對(duì)4G網(wǎng)絡(luò)工程質(zhì)量進(jìn)行評(píng)估，建立包括四個(gè)一級(jí)指標(biāo)和十五個(gè)二級(jí)指標(biāo)的4G網(wǎng)絡(luò)工程質(zhì)量指標(biāo)體系能全面客觀評(píng)估4G網(wǎng)絡(luò)工程的質(zhì)量。

為驗(yàn)證本文算法的有效性，將本文算法與層次分析法、模糊綜合評(píng)價(jià)法進(jìn)行對(duì)比實(shí)驗(yàn)。模型輸入4G網(wǎng)絡(luò)工程質(zhì)量評(píng)價(jià)指標(biāo)，由累計(jì)方差貢獻(xiàn)率超過(guò)85%的主成分自動(dòng)確定主成分個(gè)數(shù)，模型的輸出分為優(yōu)秀、良好、合格和不合格4個(gè)類別，采用基于Adaboost機(jī)器學(xué)習(xí)算法進(jìn)行學(xué)習(xí)，最終得出評(píng)估結(jié)果，評(píng)價(jià)效果如圖3所示。

圖3實(shí)驗(yàn)結(jié)果表明，在三種質(zhì)量評(píng)估模型中，本文提出的基于Adaboost機(jī)器學(xué)習(xí)模型評(píng)價(jià)準(zhǔn)確率最高，高達(dá)97.8%，評(píng)估效果最好的，分別超過(guò)層次分析法和模糊綜合評(píng)價(jià)法4.5%和2.7%。在實(shí)際操作中，如對(duì)所得到的評(píng)估結(jié)果有疑問(wèn)，可將該樣本加入訓(xùn)練集重新學(xué)習(xí)模型參數(shù)，以獲得更為合理的4G網(wǎng)絡(luò)工程質(zhì)量效果評(píng)估模型。

5 結(jié)束語(yǔ)

本文采用主成分分析方法從原始4G網(wǎng)絡(luò)工程質(zhì)量指標(biāo)信息中提取有效質(zhì)量指標(biāo)特征，將提取后的有效指標(biāo)特征作為基于Adaboost機(jī)器學(xué)習(xí)模型的輸入，對(duì)4G網(wǎng)絡(luò)工程質(zhì)量進(jìn)行評(píng)估。該方法有效地降低了指標(biāo)數(shù)據(jù)間的相關(guān)性，減少了輸入數(shù)據(jù)的維數(shù)，降低了機(jī)器學(xué)習(xí)模型訓(xùn)練的難度，實(shí)現(xiàn)對(duì)4G網(wǎng)絡(luò)工程質(zhì)量的自動(dòng)評(píng)估。實(shí)驗(yàn)結(jié)果表明，本文提出的評(píng)估方法比其他方法評(píng)估準(zhǔn)確率更高，評(píng)估效果更好。進(jìn)一步的工作是對(duì)模型進(jìn)行實(shí)證分析，不斷改進(jìn)，將模型運(yùn)用于實(shí)際的4G網(wǎng)絡(luò)工程質(zhì)量效果評(píng)估。

參考文獻(xiàn)：

[1] Fisher et al.Measuring the impact of rework on construction cost perfbrmance[J].Journal of Construction Engineering & Management，2009，135（3）187-198

[2] Pekka Kumpulainen， Mika Sarkioja， Mikko Kylvaja et al.Analysing 3G radio network performance with fuzzy methods [J]. Neurocomputing， article in press， 2013，107（4）：49-58

[3] 王蒙.基于綜合評(píng)價(jià)方法的 3G 數(shù)據(jù)業(yè)務(wù)性能評(píng)估[D].大連理工大學(xué)，2013.

[4] 段鵬錦.大型工程項(xiàng)目質(zhì)量管理與控制方法研究[D].西南交通大學(xué)，2013.

[5] 韓進(jìn)，張覽. AdaBoost算法的臉譜識(shí)別系統(tǒng)應(yīng)用設(shè)計(jì)[J]. 單片機(jī)與嵌入式系統(tǒng)應(yīng)用， 2017， 17（8）29–32.

【通聯(lián)編輯：梁書】