基于BP算法的多層前饋網(wǎng)絡(luò)在質(zhì)差建模中的應(yīng)用

周智洪，沙勝

（中國(guó)移動(dòng)通信集團(tuán)廣東有限公司東莞分公司，廣東 東莞 523129）

1 引言

為了更好地提升語(yǔ)音質(zhì)量，2014年廣東移動(dòng)新增GSM上下行質(zhì)差話務(wù)比例考核指標(biāo)，為全網(wǎng)所有小區(qū)六忙時(shí)MR測(cè)量報(bào)告樣本總和中Rxquality 6、7級(jí)樣本的占比，占公司經(jīng)營(yíng)業(yè)績(jī)考核5分。雖然東莞分公司的上下行質(zhì)差話務(wù)比例指標(biāo)在一類(lèi)地市最好，但是在全省排名靠后。由于上下行質(zhì)差話務(wù)比例指標(biāo)一直居高不下，嚴(yán)重影響客戶感知，為了更好地優(yōu)化上下行質(zhì)差話務(wù)比例指標(biāo)，亟需研究和建立上下行質(zhì)差話務(wù)比例量化與預(yù)測(cè)模型，用于后續(xù)指導(dǎo)質(zhì)差專(zhuān)項(xiàng)整治工作。考慮到上下行質(zhì)差話務(wù)比例受新建宏站、基站停閉、天線調(diào)整、私裝等眾多因素的影響，包含確定性因素與不確定性因素，具有非線性的特征，利用BP神經(jīng)網(wǎng)絡(luò)算法搭建復(fù)雜因素的質(zhì)差量化與預(yù)測(cè)數(shù)學(xué)模型，為后續(xù)網(wǎng)絡(luò)優(yōu)化工作提供理論依據(jù)。

2 基于BP算法的多層感知器的工作原理

BP（Back Propagation）網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中的一種典型結(jié)構(gòu)，其具有分層結(jié)構(gòu)，信息從輸入層進(jìn)入網(wǎng)絡(luò)，逐層向前傳遞至輸出層。根據(jù)神經(jīng)元轉(zhuǎn)移函數(shù)、隱層數(shù)以及權(quán)值調(diào)整規(guī)則的不同，可以形成具有各種功能特點(diǎn)的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer），學(xué)習(xí)過(guò)程通過(guò)信號(hào)的正向傳播與誤差的反向傳播來(lái)不斷調(diào)整權(quán)值和閾值，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度。隨著學(xué)習(xí)過(guò)程的進(jìn)行，該網(wǎng)絡(luò)對(duì)已經(jīng)結(jié)果的復(fù)制會(huì)變得越來(lái)越準(zhǔn)確，一旦訓(xùn)練完畢，就可以將神經(jīng)網(wǎng)絡(luò)應(yīng)用到未來(lái)結(jié)果的未來(lái)案例中。

BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

3 基于BP算法的多層前饋網(wǎng)絡(luò)在質(zhì)差建 模中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)可以近似多種預(yù)測(cè)模型，而對(duì)模型結(jié)構(gòu)和假設(shè)只有最小需求，關(guān)系形式在學(xué)習(xí)過(guò)程中確定。如果目標(biāo)與預(yù)測(cè)變量間的線性關(guān)系適當(dāng)，則神經(jīng)網(wǎng)絡(luò)結(jié)果會(huì)非常接近傳統(tǒng)線性模型的結(jié)果；如果非線性關(guān)系更為適當(dāng)，則神經(jīng)網(wǎng)絡(luò)會(huì)自動(dòng)接近“正確”的模型結(jié)果。利用神經(jīng)網(wǎng)絡(luò)的這些功能特點(diǎn)，可以建立質(zhì)差預(yù)測(cè)模型。下面使用專(zhuān)業(yè)數(shù)據(jù)分析工具SPSS Modeler軟件提供的自動(dòng)建模工具（神經(jīng)網(wǎng)絡(luò)算法）進(jìn)行質(zhì)差預(yù)測(cè)建模，如圖2所示。

圖2 建模工具

3.1 輸入輸出變量的選擇

神經(jīng)網(wǎng)絡(luò)輸入與輸出變量的選擇是模型設(shè)計(jì)和訓(xùn)練的基礎(chǔ)，數(shù)據(jù)選擇的合理性對(duì)模型設(shè)計(jì)精度與準(zhǔn)確性十分重要。輸出變量的選擇相對(duì)容易，是一個(gè)或多個(gè)預(yù)測(cè)變量的值；而輸入變量則必須選擇那些對(duì)輸出影響大且能夠檢測(cè)或提取的變量，此外還要求各輸入變量之間互不相關(guān)或相關(guān)性很小，使其具有能用期望精度的數(shù)學(xué)函數(shù)來(lái)擬合輸入輸出之間的映射關(guān)系。

根據(jù)協(xié)議規(guī)定，質(zhì)差采樣點(diǎn)與C/I關(guān)系對(duì)照表如表1所示，C/I低是產(chǎn)生質(zhì)差采樣點(diǎn)的根本原因。目前集團(tuán)公司定義6、7級(jí)屬于高質(zhì)差，因此C/I<9dB時(shí)滿足不了用戶正常通話，將產(chǎn)生質(zhì)差。

表1 質(zhì)差采樣點(diǎn)與C/I關(guān)系對(duì)照表

根據(jù)C/I的定義，當(dāng)有用信號(hào)C過(guò)小或者噪聲I過(guò)大時(shí)將產(chǎn)生質(zhì)差，究其原因分為3類(lèi)：弱覆蓋、干擾、硬件故障。針對(duì)這3類(lèi)主要影響因素，采用因素分析法深入挖掘、細(xì)化每項(xiàng)影響因素，逐一篩選作為質(zhì)差建模的輸入與輸出變量。 質(zhì)差話務(wù)比例影響因素思維導(dǎo)圖如圖3所示。

3.2 輸入輸出數(shù)據(jù)預(yù)處理

數(shù)據(jù)的標(biāo)準(zhǔn)化是將數(shù)據(jù)按比例縮放，使之落入一個(gè)小的特定區(qū)間，去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值，便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)。

圖3 質(zhì)差話務(wù)比例影響因素思維導(dǎo)圖

進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化的原因主要如下：

（1）神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)具有不同的物理意義和量綱，數(shù)據(jù)標(biāo)準(zhǔn)化可消除量綱的影響，使網(wǎng)絡(luò)的輸入與輸出變量處于同樣重要的地位，輸入變量的重要性由模型自行計(jì)算確定。

（2）神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)均采用softmax、雙曲正切或sigmoid函數(shù)，其取值范圍為[-1,1]，輸入數(shù)據(jù)標(biāo)準(zhǔn)化處理可防止因輸入飽和而使得神經(jīng)網(wǎng)絡(luò)的泛化能力下降。

對(duì)輸入輸出向量進(jìn)行歸一化處理，將輸入值處理到(0,1)區(qū)間內(nèi)。如輸入變量天線調(diào)整數(shù)量，標(biāo)準(zhǔn)化為：Ai=((Ai-Amin)/(Amax-Amin))，A 代表柵格內(nèi)天線調(diào)整數(shù)量。

3.3 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

針對(duì)不同的應(yīng)用適宜采用不同的神經(jīng)網(wǎng)絡(luò)，模型選擇的任務(wù)是根據(jù)給定數(shù)據(jù)建立一個(gè)具有最優(yōu)復(fù)雜度的模型。隱藏層包含無(wú)法觀察的網(wǎng)絡(luò)節(jié)點(diǎn)，每個(gè)隱藏單位是一個(gè)輸入權(quán)重總和的函數(shù)，該函數(shù)是激活函數(shù)，而且權(quán)重值由估計(jì)算法確定。如果網(wǎng)絡(luò)包含第2個(gè)隱藏層，則第2個(gè)隱藏層中的每個(gè)隱藏單位是第1個(gè)隱藏層中權(quán)重之和的函數(shù)。

隱節(jié)點(diǎn)的作用是從樣本中提取并存儲(chǔ)其內(nèi)在的規(guī)律，設(shè)置多少個(gè)隱節(jié)點(diǎn)取決于訓(xùn)練樣本數(shù)的多少、樣本噪聲的大小以及樣本中蘊(yùn)含規(guī)律的復(fù)雜程度。對(duì)于質(zhì)差預(yù)測(cè)問(wèn)題，可以看作是一個(gè)影響因素到質(zhì)差話務(wù)比例指標(biāo)值之間的非線性映射。由于一個(gè)3層BP網(wǎng)絡(luò)可以以任意精度去逼近任意映射關(guān)系，因此本例采用3層BP網(wǎng)絡(luò)結(jié)構(gòu)。隱含節(jié)點(diǎn)數(shù)的選擇是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)較為關(guān)鍵的一步，其直接關(guān)系到網(wǎng)絡(luò)的復(fù)雜程度與泛化能力。采用試湊法確定最佳隱節(jié)點(diǎn)數(shù)，用樣本集進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)的隱節(jié)點(diǎn)數(shù)為12。

3.4 BP網(wǎng)絡(luò)訓(xùn)練與測(cè)試

網(wǎng)絡(luò)設(shè)計(jì)完成后，經(jīng)訓(xùn)練與學(xué)習(xí)后的預(yù)測(cè)模型是否能對(duì)未在訓(xùn)練集中出現(xiàn)的樣本做出正確反映的能力是評(píng)判網(wǎng)絡(luò)性能好壞的唯一標(biāo)準(zhǔn)。而對(duì)神經(jīng)網(wǎng)絡(luò)性能好壞的檢測(cè)要用訓(xùn)練樣本集以外的數(shù)據(jù)，即新鮮樣本集，如果神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)已有樣本學(xué)習(xí)后能夠?qū)π碌臉颖炯龀鰷?zhǔn)確預(yù)測(cè)，則說(shuō)明模型泛化能力較強(qiáng)，達(dá)到模型與預(yù)期效果。BP網(wǎng)絡(luò)泛化能力如圖4所示：

圖4 BP網(wǎng)絡(luò)泛化能力

經(jīng)過(guò)對(duì)模型進(jìn)行訓(xùn)練與學(xué)習(xí)，柵格質(zhì)差預(yù)測(cè)值落入真實(shí)值正態(tài)分布區(qū)間(μ-1.96σ,μ+1.96σ)范圍內(nèi)認(rèn)為預(yù)測(cè)準(zhǔn)確，上下行質(zhì)差話務(wù)比例模型準(zhǔn)確性為91.2%。質(zhì)差話務(wù)比例模型準(zhǔn)確性如圖5所示。

4 預(yù)測(cè)結(jié)果分析

（1）通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)質(zhì)差預(yù)測(cè)的方法是切實(shí)可行的，神經(jīng)網(wǎng)絡(luò)具有高度魯棒性和容錯(cuò)性，且具有充分逼真的非線性關(guān)系，是一種比較實(shí)用的預(yù)測(cè)方法。

圖5 質(zhì)差話務(wù)比例模型準(zhǔn)確性

（2）通過(guò)神經(jīng)網(wǎng)絡(luò)算法建立上下行質(zhì)差話務(wù)比例預(yù)測(cè)模型，為質(zhì)差優(yōu)化提供有效可行的數(shù)理統(tǒng)計(jì)模型。

（3）適用于各類(lèi)運(yùn)維類(lèi)性能指標(biāo)受多重因素交叉影響的指標(biāo)建模與工作管控，如干擾預(yù)測(cè)、GSM下載速率等。

5 結(jié)束語(yǔ)

本文中應(yīng)用的數(shù)學(xué)建模算法是BP神經(jīng)網(wǎng)絡(luò)，適合解決復(fù)雜的非線性問(wèn)題，有成熟的理論基礎(chǔ)，適用于各類(lèi)運(yùn)維類(lèi)性能指標(biāo)受多重因素交叉影響的指標(biāo)建模與工作。與此同時(shí)，由于因素之間存在交叉影響，運(yùn)算量極大，因此需要IBM SPSS Modeler軟件工具進(jìn)行支撐，使建模工作得以大大簡(jiǎn)化。

BP網(wǎng)絡(luò)自身還存在著一些缺陷，特別是隱層數(shù)和隱節(jié)點(diǎn)數(shù)的選取尚無(wú)理論依據(jù)，通常是采用試湊法來(lái)確定。不同的隱層數(shù)和隱節(jié)點(diǎn)數(shù)會(huì)形成不同類(lèi)型與功能的神經(jīng)網(wǎng)絡(luò)模型，將影響神經(jīng)網(wǎng)絡(luò)擬合和預(yù)測(cè)效果，本文所選取的隱含節(jié)點(diǎn)數(shù)12就是根據(jù)多次訓(xùn)練與學(xué)習(xí)得出。

而B(niǎo)P神經(jīng)網(wǎng)絡(luò)突出的優(yōu)點(diǎn)是具有很強(qiáng)的非線性映射能力和多元化的網(wǎng)絡(luò)結(jié)構(gòu)，與傳統(tǒng)的人為分析統(tǒng)計(jì)建模方法相比，其預(yù)測(cè)精度較高，且預(yù)測(cè)方法較科學(xué)。

[1] 施彥,韓力群,廉小親. 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M]. 北京: 北京郵電大學(xué)出版社, 2009.

[2] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M]. 2版. 北京: 化學(xué)工業(yè)出版社, 2007.

[3] 閻平凡,張長(zhǎng)水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]. 2版. 北京: 清華大學(xué)出版社, 2005.

[4] 趙峰. 基于BP神經(jīng)網(wǎng)絡(luò)的項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)[J]. 建筑經(jīng)濟(jì), 2006(10): 62-64.

[5] 張巍. 基于BP人工神經(jīng)網(wǎng)絡(luò)的道路安全評(píng)價(jià)研究[D]. 西安: 長(zhǎng)安大學(xué), 2006.★