基于SCG算法的BP网络的小区中断检测研究

［乔彬 卢彬］

基于SCG算法的BP网络的小区中断检测研究

［乔彬 卢彬］

摘要首先对小区中断检测的基本流程和BP神经网络的结构进行了介绍，并对小区中断相关的特征数据进行了梳理，筛选出与小区中断相关度较大的几类KPI参数作为特征输入，定义了依据中断程度分级的输出结果。然后针对标准BP神经网络易陷入局部最小、收敛慢等特点，采用SCG算法对网络进行训练，并与标准BP算法进行对比。最后仿真验证了模型可以有效地检测出不同的小区中断类别，并且采用SCG算法的模型收敛性较好，检测准确率可达95%以上。

关键词：自组织网络 自治愈 小区中断检测 BP神经网络 SCG算法

卢彬

男，重庆邮电大学通信技术应用研究所，重庆信科设计有限公司高级工程师，硕士研究生导师，主要研究方向：通信新技术应用。

乔彬

男，重庆邮电大学通信技术应用研究所，重庆信科设计有限公司硕士研究生，主要研究方向：通信新技术应用。

引言

近年来，随着各地LTE网络的商用，用户在数据业务的高速率传输上有了良好的体验，但基站出现硬件故障或软件故障对网络性能和用户体验而言，均有较大的负面影响，进而会影响运营商的运营效益[1]。因此，如何在网络出现故障时快速有效的解决网络故障是网络运营商一直重点关注的问题。

首先应该解决的是如何在网络出现故障时智能的检测出网络的问题所在，但对于LTE网络这样的无线蜂窝网络，其故障检测和诊断具有一些独特的特征，如能够反映网络性能的测量信息是动态的、一些与物理硬件无关的逻辑错误等，使得其他领域的故障自动检测技术不能直接运用到无线移动通信网络中。因此，根据网络测量到的信息判断出小区的状态，需要借助于一些方法和模型。

1　研究方法及思路

1.1小区中断检测机制

小区中断检测是指通过收集一系列的信息用于检测某个小区是否仍处于正常工作状态。中断检测流程见图1。

为了实现中断小区检测，需要收集来自终端(UE)、基站(eNodeB)、运维管理中心(OAM)等的数据[2]，通过选择合适的数据进行分析，进一步判断是否存在中断小区及小区类型。常用的可测量数据如下：

（1）来自于UE的测量数据：

①参考信号接收功率（Reference Signal Received Power,RSRP）

②用户连接或切换失败后生成的失败报告（Failure Report）

（2）来自于eNodeB的测量数据：

①小区负载

②无线连接失败（Radio Link Failure）计数器

③切换失败率

④小区间的干扰

⑤呼叫阻塞/掉话率

⑥小区吞吐量和平均用户吞吐量

（3）来自于OAM的测量数据：

①OAM系统持续不断的收集KPIs和统计数据。

小区中断检测模块将UE、eNodeB、OAM测量和保存的数据收集起来，并提取能够判断小区中断的数据，对这些数据进行处理分析，判断小区是否发生中断，如果有，则触发中断补偿模块，补偿小区中断给小区内用户带来的损失。由于小区中断检测可测量和提取的数据信息可能并不完整，而且网络的性能是随时变化的，所以需要高效、准确、及时的小区中断检测技术。

图1　中断检测流程

1.2BP神经网络

1.2.1标准BP神经网络

BP 算法是一种有导师的学习算法，整个学习过程是由信号的正向传播和误差的逆向传播组成[3]。图2是标准BP神经网络的结构图。它由输入层、输出层和隐层组成。

输入层　隐层　输出层图2 BP神经网络结构

大量的应用实践表明，BP神经网络拥有结构复杂度低、算法成熟、实用性强以及能够精确的映射输入输出之间的非线性关系等优点，进而在过程控制、故障诊断和语音识别等领域等有大量的应用。但是BP神经网络收敛速度慢，对于一些复杂问题，BP算法需要的训练时间可能非常长。其次，易陷入局部最小收敛。因此，需要对BP算法进行优化。

1.2.2基于SCG算法的BP网络算法优化

SCG算法是一种变梯度算法，是由Moller提出的改进算法，它不需要在每一次迭代中都进行线性搜索，从而避免了搜索方向计算的耗时问题．其基本思想采用了模型信任区间逼近的原理[4]。所有变梯度算法的第一次迭代都是沿着最陡梯度下降方向开始进行搜索的：

然后，决定最佳距离的线性搜索沿着当前搜索的方向进行：

式中：pk为第k+1次迭代的搜索方向，−gk为pk的负梯度方向，αk为搜索步长，从上式可看出，它由第k次迭代的梯度和搜索方向共同决定；系数βk在不同的变梯度设法中有不同的计算方法。

SCG算法是变梯度算法的改进，它改变了变梯度算法在计算搜索步长时的线性搜索方式，而采用了特别的技巧[5]。它不仅能精确地计算步长αk，还考虑到 Hessian矩阵的正定性。在变梯度算法中，搜索步长αk由式minf(xk+αkpk)决定，其计算的结果为：

可得

显然，通过调整尺度因子λk可以调节步长的大小，而且有效地保证了Hessian矩阵的正定性。

SCG 算法的初始化工作，除了对各网络权值进行初始化外，还有两个参数需要初始化：σ和尺度因子λ。λ在算法中有一个升降机制，故初始值的具体取值关系不大，只要给一个小于等于10-6的正实数即可。σ一旦初始化后，就保持不变。理论上讲，σ的取值会影响到算法的性能，从算法的精度考虑，σ应越小越好。数值试验表明，σ只有足够小（σ≤10-4），对算法性能的影响就微乎其微了。这也体现了SCG算法数值稳定性好的优点。

1.3BP神经网络参数的选择

1.3.1输入参数选择

对于小区中断检测，BP神经网络的输入层节点数就是用于检测的特征数。输入层节点数过多，算法的复杂性提高，耗费内存越多；而输入层节点数过少，检测结果的准确性降低。

小区中断检测流程可以作为输入的参数有很多，主要是基于性能的指标，一般情况下，KPI值具有可测性、可比性的特征，因此，输入参数在KPI值中选取。根据以往的研究成果[6]，文中选取了RRC建立成功率、掉话率、参考信号接收功率(Reference Signal Received Power，RSRP)、阻塞率和切换失败率五个KPI值作为输入参数进行检测。具体的检测参数如表1。

表1　输入参数

根据工程实践，将五个参数各分为三个级别，用来表示网络在不同时期时参数性能的好坏，如表2。

表2　输入参数的级别

1.3.2隐层参数选择

隐层的节点数目多少会对网络产生直接的影响。若隐层节点数过少，训练不充分，训练样本中隐含的规律不容易发现，最终结果的准确性就会不高；若隐层节点数过多时，则会增加训练学习的时间，样本中的一些噪声或干扰信息有可能被加入到学习的模型中，降低泛化能力[7]。因此，一般采用凑试法：

其中n为隐层节点数, x为输入节点数, y为输出节点数,α为调节参数,一般取值在1～10之间。对于同一个训练样本集时，每次选取不同的n，选择网络误差最小的隐层节点数。

在采用BP神经网络进行小区中断检测时，选择3层BP神经网络结构：输入层、输出层和1个隐层。转移函数一般选用S型函数。

1.3.3输出参数选择

在小区中断检测中，输出层的节点数就是最终小区分类的类别数。由于在本系统中，将小区的运行状态进行分类，分为正常、轻度睡眠、中度睡眠、中断四个类别。因此，设置输出层的节点数为2个：分别对应正常00。轻度睡眠01，中度睡眠10，中断11。定义如表3。

表3　输出参数

1.4基于SCG算法的BP网络的小区中断检测方法

基于SCG算法的BP神经网络（简称SCGBP）的小区中断检测步骤如下：

（1）BP神经网络结构初始化

根据小区中断检测要求确定BP神经网络的结构:输入层神经元数目m=5，隐层神经元数目n =5，输出层神经元数目l=2；BP神经网络中的传输函数通常采用S(sigmoid)型函数：

（2）构造训练样本集

通过查阅资料，可以得到RSRP、RRC建立成功率、掉话率、切换失败率和阻塞率这五个KPI值的取值情况，进而通过MATLAB随机生成数据，产生1 000组样本。

（3）训练函数的选择

采用SCG算法训练该BP神经网络，在MATLAB神经网络工具箱中，采用SCG算法的训练函数为trainscg。

（4）对训练好的模型进行测试

用测试集测试时，将某一样本输入到算法中，如果输出节点的输出值都满足下式：

则认为输出检测结果正确，否则认为检测的结果错误。其中θ是阈值，取值范围是[0，1]，本研究中取θ=0.5表示输入第j组样本时网络的理想输出；yj表示输入第j组样本时网络的实际输出。

（5）模型的性能评估

以均方误差和检测准确率两个方面作为评估算法性能的主要考虑因素。均方误差代表了检测出的小区中断类别与真实情况之间的误差。检测准确率是检测结果正确的样本数目占总的样本数目的比例，以百分数的形式体现。

2　检测方法仿真及结果分析

2.1仿真场景及参数

实验利用MATLAB[8]建立三层BP神经网络来测试小区中断检测方法的性能。BP神经网络的输入节点数是5，输出节点数是2，每个输入节点表示一个KPI值，每个输出节点表示一种小区状态。BP神经网络训练分别采用SCG算法和梯度下降算法，对应训练函数为trainscg和traingd，具体的仿真参数设置如表4。

2.2仿真结果与分析

表4　算法仿真参数设置

采用SCGBP算法进行小区中断检测进行验证，并与标准BP算法的仿真结果进行对比，如图3。从图中可以看出，标准BP算法训练经过了5000次仍未达到目标误差0.01，说明算法的收敛速度很慢；而SCGBP算法经过210次训练即可满足网络的性能要求。

图3　性能误差曲线对比

利用训练好的网络对测试样本进行测试，测试结果与实际结果的线性回归结果如图4。在图中可以看出，标准BP算法的测试值?和实际值的相关系数达到0.950 02；而SCGBP算法的测试值和实际值的相关系数达到0.979 56，模型的精度较高。根据测试结果与实际结果的对比，得出模型的检测准确率，为98.5%，验证了模型的有效性。

3　结束语

本文首先介绍了小区中断检测的基本流程，然后概述了BP神经网络的结构，并对小区中断相关的特征数据进行了梳理，筛选出与小区中断相关度较大的几类KPI参数作为特征输入。定义了依据中断程度分级的输出结果。检测算法方面，针对标准BP神经网络易陷入局部最小、收敛慢等特点，采用基于SCG算法的BP神经网络模型进行小区中断检测，并给出了具体的实施步骤。分别采用SCG算法和梯度下降法对网络进行训练，并进行对比。最后仿真验证了模型可以有效地检测出不同的小区中断类别，并且采用SCG算法的模型收敛性较好，检测准确率可达95%以上。

参考文献

1（芬）哈马莱能,（德）散勒克,（德）萨特日编著;王建全等译. LTE自组织网络（SON）:网络管理自动化提升运维效率[M].北京:机械工业出版社, 2012

2霍录振. LTE-Advanced 系统的自治愈技术 [D].北京邮电大学, 2012, 12:15-16

3楼文高. 实现BP神经网络从理论到实践的跨越[J]. 哈尔滨工程大学学报, 2006, 27(Z1):59-63

4朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社, 2006, 3-9

5Moller M.F.A scaled conjugate gradient algorithm for fast supervised learning [J].Neural Neteorks,1993,6:525-533

6秦文聪. LTE系统自优化及自治愈技术研究.[D]:[博士论文].北京:北京邮电大学, 2014:50-67

8周开利,康耀红.神经网络模型及其MATLAB仿真程序设计.[M].北京：清华大学出版社, 2005

收稿日期：（2015-12-10）