基于BP算法的多层前馈网络在质差建模中的应用

周智洪，沙胜

（中国移动通信集团广东有限公司东莞分公司，广东 东莞 523129）

1 引言

为了更好地提升语音质量，2014年广东移动新增GSM上下行质差话务比例考核指标，为全网所有小区六忙时MR测量报告样本总和中Rxquality 6、7级样本的占比，占公司经营业绩考核5分。虽然东莞分公司的上下行质差话务比例指标在一类地市最好，但是在全省排名靠后。由于上下行质差话务比例指标一直居高不下，严重影响客户感知，为了更好地优化上下行质差话务比例指标，亟需研究和建立上下行质差话务比例量化与预测模型，用于后续指导质差专项整治工作。考虑到上下行质差话务比例受新建宏站、基站停闭、天线调整、私装等众多因素的影响，包含确定性因素与不确定性因素，具有非线性的特征，利用BP神经网络算法搭建复杂因素的质差量化与预测数学模型，为后续网络优化工作提供理论依据。

2 基于BP算法的多层感知器的工作原理

BP（Back Propagation）网络是神经网络中的一种典型结构，其具有分层结构，信息从输入层进入网络，逐层向前传递至输出层。根据神经元转移函数、隐层数以及权值调整规则的不同，可以形成具有各种功能特点的神经网络。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer），学习过程通过信号的正向传播与误差的反向传播来不断调整权值和阈值，此过程一直进行到网络输出的误差减少到可接受的程度。随着学习过程的进行，该网络对已经结果的复制会变得越来越准确，一旦训练完毕，就可以将神经网络应用到未来结果的未来案例中。

BP神经网络模型如图1所示：

图1 BP神经网络模型

3 基于BP算法的多层前馈网络在质差建 模中的应用

神经网络可以近似多种预测模型，而对模型结构和假设只有最小需求，关系形式在学习过程中确定。如果目标与预测变量间的线性关系适当，则神经网络结果会非常接近传统线性模型的结果；如果非线性关系更为适当，则神经网络会自动接近“正确”的模型结果。利用神经网络的这些功能特点，可以建立质差预测模型。下面使用专业数据分析工具SPSS Modeler软件提供的自动建模工具（神经网络算法）进行质差预测建模，如图2所示。

图2 建模工具

3.1 输入输出变量的选择

神经网络输入与输出变量的选择是模型设计和训练的基础，数据选择的合理性对模型设计精度与准确性十分重要。输出变量的选择相对容易，是一个或多个预测变量的值；而输入变量则必须选择那些对输出影响大且能够检测或提取的变量，此外还要求各输入变量之间互不相关或相关性很小，使其具有能用期望精度的数学函数来拟合输入输出之间的映射关系。

根据协议规定，质差采样点与C/I关系对照表如表1所示，C/I低是产生质差采样点的根本原因。目前集团公司定义6、7级属于高质差，因此C/I<9dB时满足不了用户正常通话，将产生质差。

表1 质差采样点与C/I关系对照表

根据C/I的定义，当有用信号C过小或者噪声I过大时将产生质差，究其原因分为3类：弱覆盖、干扰、硬件故障。针对这3类主要影响因素，采用因素分析法深入挖掘、细化每项影响因素，逐一筛选作为质差建模的输入与输出变量。 质差话务比例影响因素思维导图如图3所示。

3.2 输入输出数据预处理

数据的标准化是将数据按比例缩放，使之落入一个小的特定区间，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

图3 质差话务比例影响因素思维导图

进行数据标准化的原因主要如下：

（1）神经网络的输入数据具有不同的物理意义和量纲，数据标准化可消除量纲的影响，使网络的输入与输出变量处于同样重要的地位，输入变量的重要性由模型自行计算确定。

（2）神经网络的转移函数均采用softmax、双曲正切或sigmoid函数，其取值范围为[-1,1]，输入数据标准化处理可防止因输入饱和而使得神经网络的泛化能力下降。

对输入输出向量进行归一化处理，将输入值处理到(0,1)区间内。如输入变量天线调整数量，标准化为：Ai=((Ai-Amin)/(Amax-Amin))，A 代表栅格内天线调整数量。

3.3 BP网络结构设计

针对不同的应用适宜采用不同的神经网络，模型选择的任务是根据给定数据建立一个具有最优复杂度的模型。隐藏层包含无法观察的网络节点，每个隐藏单位是一个输入权重总和的函数，该函数是激活函数，而且权重值由估计算法确定。如果网络包含第2个隐藏层，则第2个隐藏层中的每个隐藏单位是第1个隐藏层中权重之和的函数。

隐节点的作用是从样本中提取并存储其内在的规律，设置多少个隐节点取决于训练样本数的多少、样本噪声的大小以及样本中蕴含规律的复杂程度。对于质差预测问题，可以看作是一个影响因素到质差话务比例指标值之间的非线性映射。由于一个3层BP网络可以以任意精度去逼近任意映射关系，因此本例采用3层BP网络结构。隐含节点数的选择是神经网络设计较为关键的一步，其直接关系到网络的复杂程度与泛化能力。采用试凑法确定最佳隐节点数，用样本集进行训练，从中确定网络误差最小时的隐节点数为12。

3.4 BP网络训练与测试

网络设计完成后，经训练与学习后的预测模型是否能对未在训练集中出现的样本做出正确反映的能力是评判网络性能好坏的唯一标准。而对神经网络性能好坏的检测要用训练样本集以外的数据，即新鲜样本集，如果神经网络通过对已有样本学习后能够对新的样本集做出准确预测，则说明模型泛化能力较强，达到模型与预期效果。BP网络泛化能力如图4所示：

图4 BP网络泛化能力

经过对模型进行训练与学习，栅格质差预测值落入真实值正态分布区间(μ-1.96σ,μ+1.96σ)范围内认为预测准确，上下行质差话务比例模型准确性为91.2%。质差话务比例模型准确性如图5所示。

4 预测结果分析

（1）通过BP神经网络对质差预测的方法是切实可行的，神经网络具有高度鲁棒性和容错性，且具有充分逼真的非线性关系，是一种比较实用的预测方法。

图5 质差话务比例模型准确性

（2）通过神经网络算法建立上下行质差话务比例预测模型，为质差优化提供有效可行的数理统计模型。

（3）适用于各类运维类性能指标受多重因素交叉影响的指标建模与工作管控，如干扰预测、GSM下载速率等。

5 结束语

本文中应用的数学建模算法是BP神经网络，适合解决复杂的非线性问题，有成熟的理论基础，适用于各类运维类性能指标受多重因素交叉影响的指标建模与工作。与此同时，由于因素之间存在交叉影响，运算量极大，因此需要IBM SPSS Modeler软件工具进行支撑，使建模工作得以大大简化。

BP网络自身还存在着一些缺陷，特别是隐层数和隐节点数的选取尚无理论依据，通常是采用试凑法来确定。不同的隐层数和隐节点数会形成不同类型与功能的神经网络模型，将影响神经网络拟合和预测效果，本文所选取的隐含节点数12就是根据多次训练与学习得出。

而BP神经网络突出的优点是具有很强的非线性映射能力和多元化的网络结构，与传统的人为分析统计建模方法相比，其预测精度较高，且预测方法较科学。

[1] 施彦,韩力群,廉小亲. 神经网络设计方法与实例分析[M]. 北京: 北京邮电大学出版社, 2009.

[2] 韩力群. 人工神经网络理论、设计及应用[M]. 2版. 北京: 化学工业出版社, 2007.

[3] 阎平凡,张长水. 人工神经网络与模拟进化计算[M]. 2版. 北京: 清华大学出版社, 2005.

[4] 赵峰. 基于BP神经网络的项目投资风险评价[J]. 建筑经济, 2006(10): 62-64.

[5] 张巍. 基于BP人工神经网络的道路安全评价研究[D]. 西安: 长安大学, 2006.★