一種基于隨機(jī)映射的網(wǎng)絡(luò)狀態(tài)評(píng)估方法

趙晉明

（山西省太原市文通電子有限公司，山西 太原 030002）

一種基于隨機(jī)映射的網(wǎng)絡(luò)狀態(tài)評(píng)估方法

趙晉明

（山西省太原市文通電子有限公司，山西 太原 030002）

近年來(lái)，機(jī)器學(xué)習(xí)技術(shù)在網(wǎng)絡(luò)管理領(lǐng)域得到了廣泛使用。然而由于通信網(wǎng)絡(luò)日益復(fù)雜，網(wǎng)絡(luò)中的非線性和不確定因素使得機(jī)器學(xué)習(xí)變得十分困難。為了提升機(jī)器學(xué)習(xí)的效果，提出了一種采用隨機(jī)映射的人工神經(jīng)網(wǎng)絡(luò)方案，其特點(diǎn)是引入機(jī)器學(xué)習(xí)和網(wǎng)絡(luò)拓?fù)涞碾S機(jī)性，使得神經(jīng)網(wǎng)絡(luò)對(duì)學(xué)習(xí)目標(biāo)具有更大的適應(yīng)性，并實(shí)現(xiàn)更快、更精確的收斂。相關(guān)成果已經(jīng)在中國(guó)移動(dòng)通信集團(tuán)山西有限公司（以下簡(jiǎn)稱山西移動(dòng)）的實(shí)際網(wǎng)絡(luò)中得到了應(yīng)用并取得較好的效果。

機(jī)器學(xué)習(xí)；隨機(jī)映射；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)管理

1 引言

隨著網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)展，網(wǎng)絡(luò)管理系統(tǒng)需要管理越來(lái)越多的網(wǎng)絡(luò)設(shè)備。與此同時(shí)，由于網(wǎng)絡(luò)環(huán)境日益復(fù)雜，對(duì)于網(wǎng)絡(luò)狀態(tài)的判斷也更加困難，即使是擁有豐富經(jīng)驗(yàn)的網(wǎng)絡(luò)管理者也很難準(zhǔn)確了解網(wǎng)絡(luò)當(dāng)前狀態(tài)。由于當(dāng)前網(wǎng)絡(luò)規(guī)模十分巨大、相互交互十分復(fù)雜，網(wǎng)絡(luò)狀態(tài)與采集到的網(wǎng)絡(luò)參數(shù)之間具有非常明顯的非線性關(guān)系。在這種無(wú)法明確建立模型和機(jī)制的情況下，通過(guò)對(duì)大量網(wǎng)絡(luò)中實(shí)際運(yùn)行數(shù)據(jù)的分析，可以更充分地了解當(dāng)前網(wǎng)絡(luò)的狀態(tài)，發(fā)掘網(wǎng)絡(luò)系統(tǒng)的演化規(guī)律，從而實(shí)現(xiàn)更加有效的網(wǎng)絡(luò)管理。

神經(jīng)網(wǎng)絡(luò)是一種可以有效處理上述復(fù)雜系統(tǒng)的數(shù)學(xué)工具，目前已經(jīng)廣泛應(yīng)用于工業(yè)、經(jīng)濟(jì)和社會(huì)等復(fù)雜系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)可以通過(guò)大量數(shù)據(jù)擬合分析挖掘出數(shù)據(jù)中潛在的有用知識(shí)，并自發(fā)構(gòu)建成可以操作的模型。采用神經(jīng)網(wǎng)絡(luò)不僅可以為系統(tǒng)控制和分析提供支持，而且可以幫助人們更深入地理解和認(rèn)識(shí)復(fù)雜系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)的原理是通過(guò)相空間重構(gòu)等方法將復(fù)雜的非線性關(guān)系轉(zhuǎn)化為函數(shù)逼近問(wèn)題，進(jìn)而采用遞歸優(yōu)化的方式進(jìn)行求解［1，2］。當(dāng)前相關(guān)工作主要集中于前饋型神經(jīng)網(wǎng)絡(luò)（feedforward neural network，F(xiàn)NN）的運(yùn)用，例如徑向基函數(shù) 神經(jīng)網(wǎng) 絡(luò)［3］（radial basis function，RBF）和 支 持 向 量機(jī)［4］（support vector machine，SVM）等。然而，這類神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)質(zhì)量要求較高、自身收斂較慢［5，6］，因此十分依賴數(shù)據(jù)分析人員的經(jīng)驗(yàn)。這種缺陷使得傳統(tǒng)前饋型神經(jīng)網(wǎng)絡(luò)難以得到運(yùn)營(yíng)商的大規(guī)模應(yīng)用。

和機(jī)器學(xué)習(xí)不同，人類通常可以基于少量的數(shù)據(jù)，快速學(xué)會(huì)識(shí)別和理解復(fù)雜的系統(tǒng)。實(shí)驗(yàn)表明，人類可以使用少于機(jī)器學(xué)習(xí)1%的數(shù)據(jù)實(shí)現(xiàn)同樣的學(xué)習(xí)效果。對(duì)于機(jī)器學(xué)習(xí)而言，“隨機(jī)映射”在很大程度上可以幫助傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人類學(xué)習(xí)的這一特性［7］。隨機(jī)映射與神經(jīng)網(wǎng)絡(luò)的結(jié)合最早起源于20世紀(jì)90年代隨機(jī)向量函數(shù)連接型［8］（random vector functional-link，RVFL）神經(jīng)網(wǎng)絡(luò)的思想。這一思想的核心就是模仿人類在學(xué)習(xí)過(guò)程中所表現(xiàn)出的“直覺(jué)”，通過(guò)隨機(jī)構(gòu)造神經(jīng)網(wǎng)絡(luò)的感知層來(lái)提升學(xué)習(xí)效率。

目前，隨機(jī)映射的研究方興未艾，針對(duì)通信網(wǎng)絡(luò)的特點(diǎn)，采用隨機(jī)映射的機(jī)器學(xué)習(xí)可以更加有效地實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的理解，并幫助網(wǎng)絡(luò)管理人員更好地管理網(wǎng)絡(luò)。目前，各大運(yùn)營(yíng)商都開始研究如何提升網(wǎng)絡(luò)對(duì)業(yè)務(wù)的實(shí)時(shí)感知，網(wǎng)絡(luò)服務(wù)體驗(yàn)的提升將帶來(lái)更好的用戶黏性，從而帶來(lái)更多的利潤(rùn)。為此，提出了采用隨機(jī)映射的方式更快地訓(xùn)練機(jī)器，并基于更少的數(shù)據(jù)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)狀態(tài)的準(zhǔn)確判斷。該方法已經(jīng)在中國(guó)移動(dòng)通信集團(tuán)山西有限公司（以下簡(jiǎn)稱山西移動(dòng)）得到了示范應(yīng)用并取得了一定的效果。本文的工作對(duì)于相關(guān)領(lǐng)域的研究和工程實(shí)踐具有一定的借鑒和指導(dǎo)意義。

2 隨機(jī)映射在網(wǎng)絡(luò)狀態(tài)評(píng)估中的作用

隨著通信網(wǎng)絡(luò)中網(wǎng)絡(luò)管理技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中產(chǎn)生的大量信息和數(shù)據(jù)都得到了采集和存儲(chǔ)，這些數(shù)據(jù)和信息呈現(xiàn)出“爆炸式”增長(zhǎng)，并形成了海量的信息環(huán)境。然而，面對(duì)網(wǎng)絡(luò)中的海量數(shù)據(jù)，網(wǎng)絡(luò)管理人員往往只對(duì)于其中的一些具體目標(biāo)感興趣。因此，如何高效地從海量網(wǎng)絡(luò)數(shù)據(jù)中提取出網(wǎng)絡(luò)管理人員所關(guān)心的信息，并根據(jù)這些信息對(duì)網(wǎng)絡(luò)狀態(tài)做出準(zhǔn)確的評(píng)估是一個(gè)亟待解決的問(wèn)題。

傳統(tǒng)的網(wǎng)絡(luò)管理對(duì)于數(shù)據(jù)的處理更類似于“檢索”，即通過(guò)關(guān)鍵字、屬性或標(biāo)注等方式在海量數(shù)據(jù)中檢索信息，并將檢索到的信息經(jīng)過(guò)簡(jiǎn)單的處理和分析后向網(wǎng)絡(luò)管理者呈現(xiàn)。這一技術(shù)的發(fā)展比較成熟，但是這一方法面臨以下3個(gè)問(wèn)題。

（1）結(jié)果不充分

網(wǎng)絡(luò)中的數(shù)據(jù)實(shí)際包含著非常豐富的信息和意義，單單提取幾個(gè)指標(biāo)或者屬性無(wú)法充分對(duì)網(wǎng)絡(luò)的實(shí)際情況進(jìn)行描述。

（2）主觀判斷帶了的不確定性

不同的網(wǎng)絡(luò)管理人員對(duì)于同樣的數(shù)據(jù)和指標(biāo)可能會(huì)做出不同的理解判斷，這種主觀傾向最終必定給網(wǎng)絡(luò)狀態(tài)的評(píng)估帶來(lái)較大的不確定性。

（3）工作量巨大

面對(duì)網(wǎng)絡(luò)中日益增長(zhǎng)的海量數(shù)據(jù)，無(wú)論是機(jī)器還是人工都需要耗費(fèi)大量的工作對(duì)其進(jìn)行處理，這種系統(tǒng)實(shí)現(xiàn)方式會(huì)帶來(lái)巨大的開銷。

為了解決上述問(wèn)題，利用隨機(jī)映射與神經(jīng)網(wǎng)絡(luò)相結(jié)合的極端學(xué)習(xí)機(jī)器（extreme learning machine，ELM）改進(jìn)了傳統(tǒng)的數(shù)據(jù)檢索和比對(duì)方法，使得網(wǎng)絡(luò)管理系統(tǒng)在使用更少量數(shù)據(jù)的情況下，進(jìn)行更為精確的評(píng)估。例如，人類只需要看到過(guò)床的一角，而不需要看到床的全貌，就可以識(shí)別出“床”。同理，網(wǎng)絡(luò)管理系統(tǒng)也可以僅從少量的數(shù)據(jù)中得到對(duì)于網(wǎng)絡(luò)狀態(tài)的判斷。隨機(jī)映射可以看作這樣一種提升機(jī)器學(xué)習(xí)能力的機(jī)制，使得機(jī)器可以建立如人類“直覺(jué)”一樣的能力。

具體而言，“隨機(jī)映射”通過(guò)對(duì)少量已知案例的學(xué)習(xí)，借助神經(jīng)網(wǎng)絡(luò)對(duì)于非線性關(guān)系良好的表征能力，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)整體狀態(tài)的泛化的檢索和匹配，而不是簡(jiǎn)單對(duì)于某些具體指標(biāo)和參數(shù)的匹配。這一方案的核心就是利用隨機(jī)映射所帶來(lái)的學(xué)習(xí)能力，實(shí)現(xiàn)人類從少量樣本中學(xué)習(xí)和辨別復(fù)雜系統(tǒng)的能力。根據(jù)上述思想，構(gòu)建了網(wǎng)絡(luò)狀態(tài)評(píng)估系統(tǒng)，如圖1所示。該系統(tǒng)的功能由3部分組成，即網(wǎng)絡(luò)特征提取、網(wǎng)絡(luò)狀態(tài)索引、相似性匹配。這種檢索方法可以避免傳統(tǒng)檢索方法的局限性，使得網(wǎng)絡(luò)管理者可以更好地對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行管理。

所構(gòu)建的系統(tǒng)中，基于隨機(jī)映射的極端學(xué)習(xí)機(jī)器可以很好地完成“網(wǎng)絡(luò)狀態(tài)索引”和“相似性匹配”這兩項(xiàng)任務(wù)，而特征提取是一個(gè)單獨(dú)的過(guò)程。對(duì)于計(jì)算機(jī)系統(tǒng)而言，由于輸入數(shù)據(jù)的格式、數(shù)量、含義有巨大差別，為了便于處理就需要將輸入數(shù)據(jù)首先轉(zhuǎn)化為特征向量。特征向量的提取對(duì)于不同的數(shù)據(jù)各不相同，相關(guān)研究已經(jīng)十分成熟，在此不再進(jìn)行展開研究，第3節(jié)主要就隨機(jī)映射在網(wǎng)絡(luò)狀態(tài)評(píng)估的應(yīng)用進(jìn)行闡述。

圖1 網(wǎng)絡(luò)狀態(tài)評(píng)估的功能流程

3 基于隨機(jī)映射的網(wǎng)絡(luò)狀態(tài)評(píng)估

為了對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行評(píng)估，就需要盡可能準(zhǔn)確地描述出系統(tǒng)采集到的網(wǎng)絡(luò)數(shù)據(jù)與實(shí)際網(wǎng)絡(luò)狀態(tài)之間的關(guān)系。在傳統(tǒng)的網(wǎng)絡(luò)管理系統(tǒng)中，時(shí)延、抖動(dòng)、帶寬等指標(biāo)常常被認(rèn)為是衡量網(wǎng)絡(luò)狀況最有效的指標(biāo)。然而，隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大和網(wǎng)絡(luò)結(jié)構(gòu)的日益復(fù)雜，現(xiàn)在已經(jīng)不能簡(jiǎn)單憑借這些指標(biāo)對(duì)網(wǎng)絡(luò)狀態(tài)做出評(píng)價(jià)。例如在無(wú)線接入網(wǎng)中，小區(qū)覆蓋的信號(hào)強(qiáng)度（received signal strength，RSS）是評(píng)價(jià)網(wǎng)絡(luò)質(zhì)量的重要指標(biāo)，但是在實(shí)際運(yùn)營(yíng)的網(wǎng)絡(luò)中，一些信號(hào)強(qiáng)度較好的小區(qū)依然出現(xiàn)較多的掉線、語(yǔ)音不清或者回音等現(xiàn)象。

這種依靠網(wǎng)絡(luò)參數(shù)對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行評(píng)估的方法，從數(shù)學(xué)角度來(lái)看是建立輸入數(shù)據(jù)與網(wǎng)絡(luò)狀態(tài)之間的函數(shù)擬合。然而，傳統(tǒng)的網(wǎng)管系統(tǒng)通常將網(wǎng)絡(luò)數(shù)據(jù)與網(wǎng)絡(luò)狀態(tài)之間的關(guān)系簡(jiǎn)化為線性，這種方法對(duì)于結(jié)構(gòu)簡(jiǎn)單的網(wǎng)絡(luò)可以獲得較好的擬合，然而隨著網(wǎng)絡(luò)規(guī)模的日益擴(kuò)大、網(wǎng)絡(luò)結(jié)構(gòu)的日益復(fù)雜，當(dāng)前的通信網(wǎng)絡(luò)已經(jīng)成為一個(gè)巨大的復(fù)雜動(dòng)力學(xué)系統(tǒng)，需要引入更有效的數(shù)學(xué)模型對(duì)網(wǎng)絡(luò)進(jìn)行描述。

如上所述，神經(jīng)網(wǎng)絡(luò)作為對(duì)于非線性系統(tǒng)非常有效的描述方式，已經(jīng)廣泛應(yīng)用于許多領(lǐng)域，在網(wǎng)絡(luò)管理領(lǐng)域也得到了很多應(yīng)用。然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)需要大量的樣本進(jìn)行訓(xùn)練，同時(shí)為了得到較好的學(xué)習(xí)效果，需要仔細(xì)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和拓?fù)?，避免網(wǎng)絡(luò)訓(xùn)練陷入局部最優(yōu)，這造成了神經(jīng)網(wǎng)絡(luò)的應(yīng)用結(jié)果差強(qiáng)人意。

為了解決這一問(wèn)題，利用隨機(jī)映射結(jié)合極端學(xué)習(xí)的方式實(shí)現(xiàn)高效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，使得網(wǎng)絡(luò)狀態(tài)評(píng)估在更少的樣本下可以得到有效的實(shí)現(xiàn)。采用的神經(jīng)網(wǎng)絡(luò)是最簡(jiǎn)單的三層神經(jīng)網(wǎng)絡(luò)，具有典型的三層結(jié)構(gòu)：輸入層、隱藏層和輸出層，其結(jié)構(gòu)如圖2所示，數(shù)學(xué)表達(dá)式如下：

圖2 本文所采用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

其中，O為神經(jīng)網(wǎng)絡(luò)輸出值，xk∈Rd表示第k個(gè)輸入向量，Win為連接輸入層和隱藏層的權(quán)值矩陣，b=（b1，…，bn）表示隱藏層的偏置向量，w表示隱藏層和輸出層之間的權(quán)值向量，g（·）為激活函數(shù)，取 Sigmoid 函數(shù)。

機(jī)器學(xué)習(xí)的目標(biāo)是通過(guò)不斷的迭代更新輸出權(quán)值，每次迭代的變化量為：

網(wǎng) 絡(luò) 的 隱 藏 層 輸 出 矩 陣 ，t=［t1，t2，… ，tn］為 期 望 輸 出 向 量 。的計(jì)算式為：

神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)的核心就是通過(guò)對(duì)式（3）的不斷迭代，找到最優(yōu)的權(quán)值w，使得輸出值與目標(biāo)值之間的差值最小，這一過(guò)程就是對(duì)式（3）的求解。在實(shí)踐中，對(duì)式（3）求解的方法有很多種，本文采用嶺回歸方法并對(duì)目標(biāo)進(jìn)行正則化，相應(yīng)的解可表達(dá)如下：

其中，I為單位矩陣，C為正則化系數(shù)。在權(quán)值更新的過(guò)程中，為了實(shí)現(xiàn)更加有效的學(xué)習(xí)，引入隨機(jī)映射的思想——對(duì)于每次訓(xùn)練的迭代，計(jì)算網(wǎng)絡(luò)當(dāng)前輸出值與目標(biāo)值的差值時(shí)，使用相似度函數(shù)而不是差值的絕對(duì)值來(lái)行度量。對(duì)于神經(jīng)網(wǎng)絡(luò)的輸出集O和目標(biāo)集T，相似度函數(shù)sim（O，T）的表達(dá)式為：

其中，Pr（O=T）表示輸出集O和目標(biāo)集T一致的概率。這樣，相似度函數(shù)的引入使得可以更快達(dá)到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)束的閾值，避免了對(duì)于目標(biāo)的過(guò)度擬合造成的泛化能力下降，同時(shí)也減少了對(duì)于訓(xùn)練數(shù)據(jù)規(guī)模的要求。與此同時(shí)，為了避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)學(xué)習(xí)過(guò)程造成的影響，本文采用了動(dòng)態(tài)可變化的網(wǎng)絡(luò)結(jié)構(gòu)。首先初始化最簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)，在學(xué)習(xí)過(guò)程中每次隨機(jī)生成多個(gè)隱藏節(jié)點(diǎn)，并根據(jù)情況選擇其中一個(gè)加入網(wǎng)絡(luò)。新增節(jié)點(diǎn)的權(quán)值由式（6）給出：

其中，e（i）表示第 k個(gè)隱藏節(jié)點(diǎn)加入之前，第 i個(gè)樣本對(duì)應(yīng)的殘差，g（Win（k），bk，xi）表示由第 i個(gè)樣本激活得到的第k個(gè)隱藏節(jié)點(diǎn)的輸出。上述過(guò)程實(shí)際是通過(guò)一個(gè)凸規(guī)劃過(guò)程對(duì)神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行優(yōu)化，力圖獲得最簡(jiǎn)單的結(jié)構(gòu)模型。從而從神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)上保證訓(xùn)練所需的樣本最少，學(xué)習(xí)過(guò)程的效率更高。

4 算法驗(yàn)證

為了對(duì)所提出的算法進(jìn)行驗(yàn)證，采用山西移動(dòng)的6 000組網(wǎng)絡(luò)樣本對(duì)網(wǎng)絡(luò)的服務(wù)體驗(yàn)進(jìn)行評(píng)估對(duì)比。樣本的服務(wù)體驗(yàn)采用語(yǔ)音通話的MOS（mean opinion score）值來(lái)衡量，MOS值是最廣泛使用的一種對(duì)語(yǔ)音質(zhì)量評(píng)價(jià)的方法，對(duì)通話采用1～5分進(jìn)行評(píng)分，當(dāng)MOS值低于3分時(shí)，通話質(zhì)量較差，反之則可以認(rèn)為網(wǎng)絡(luò)滿足了基本的通話服務(wù)體驗(yàn)要求。

MOS值是一種主觀評(píng)測(cè)方法，在實(shí)際的網(wǎng)絡(luò)中，需要通過(guò)網(wǎng)絡(luò)參數(shù)等指標(biāo)對(duì)網(wǎng)絡(luò)能提供的MOS值進(jìn)行判斷。對(duì)比采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法和本文所提出方法對(duì)于學(xué)習(xí)MOS值評(píng)估的效果。采用的學(xué)習(xí)樣本包括信號(hào)強(qiáng)度、掉線率、阻塞率、網(wǎng)絡(luò)CPU利用率、無(wú)線資源利用率5個(gè)網(wǎng)絡(luò)指標(biāo)以及對(duì)應(yīng)的MOS打分。顯然，上述5個(gè)指標(biāo)與MOS之間具有較強(qiáng)的非線性關(guān)系，可以通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)行較好的擬合。

采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的一個(gè)重大難點(diǎn)是需要足夠的訓(xùn)練樣本，并建立合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。這一要求對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是一個(gè)巨大的挑戰(zhàn)，而采用隨機(jī)映射的神經(jīng)網(wǎng)絡(luò)可以較好地解決上述問(wèn)題。以采用不同數(shù)量的訓(xùn)練樣本對(duì)比傳統(tǒng)評(píng)估方法和本文所提出的評(píng)估方法，得到的結(jié)果如圖3所示。

圖3 本文所提算法與傳統(tǒng)算法比較

可以看到，對(duì)于本案例，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)隨著訓(xùn)練樣本的增加沒(méi)有顯著提升判斷的正確率，一方面是由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)于追求訓(xùn)練的擬合程度，使得網(wǎng)絡(luò)早早陷入局部最優(yōu)。另外，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)能否有效地實(shí)現(xiàn)對(duì)問(wèn)題的表征也決定了學(xué)習(xí)的效果。本文所提出的方案可以有效解決這一問(wèn)題，從圖3的結(jié)果可以看出，系統(tǒng)判斷的準(zhǔn)確性隨著訓(xùn)練樣本的增長(zhǎng)實(shí)現(xiàn)了顯著提升。雖然在樣本較少時(shí)，由于算法的隨機(jī)性造成了訓(xùn)練效果較差，但本方案極大地增強(qiáng)了系統(tǒng)的學(xué)習(xí)能力，使得系統(tǒng)可以用更少的樣本實(shí)現(xiàn)快速學(xué)習(xí)。

目前，該方案已經(jīng)在山西移動(dòng)的網(wǎng)絡(luò)中進(jìn)行了試驗(yàn)應(yīng)用，并取得了較好的效果?？梢灶A(yù)見(jiàn)，人工智能的未來(lái)將為人類的生產(chǎn)生活帶來(lái)巨大的改變，因此，相關(guān)工作的不斷進(jìn)行有著十分重要的理論與實(shí)際意義。

5 結(jié)束語(yǔ)

隨著人工智能的發(fā)展，機(jī)器對(duì)于通信網(wǎng)絡(luò)這種巨大的復(fù)雜系統(tǒng)的理解和管理都將顯著超越人類。為了更好地管理網(wǎng)絡(luò)，就需要人工智能更多地參與到網(wǎng)絡(luò)管理的過(guò)程中，更多依靠機(jī)器學(xué)習(xí)而不是網(wǎng)絡(luò)管理人員的經(jīng)驗(yàn)來(lái)管理網(wǎng)絡(luò)?；谶@一背景，將隨機(jī)映射的思想引入網(wǎng)絡(luò)管理的機(jī)器學(xué)習(xí)中，使網(wǎng)絡(luò)管理系統(tǒng)可以利用更少的數(shù)據(jù)實(shí)現(xiàn)更加“直觀”的學(xué)習(xí)。相關(guān)研究的開展將為未來(lái)網(wǎng)絡(luò)管理研究的提供重要的支撐。

［1］KARUNASINGHE D，LIONG S Y.Chaotic prediction with global model artificial neural network ［J］.Journal of Hydrology，2006，323（1）：92-105.

［2］黎明，張化光.神經(jīng)網(wǎng)絡(luò)建模方法研究［J］.自動(dòng)化學(xué)報(bào)，2002，28（1）：27-33.LI M，ZHANG H G.Research of neural network modelling method［J］.Acta Automatica Sinica，2002，28（1）：27-33.

［3］YU H，REINER P D，XIE T，et al.An incremental design of radial basis function network ［J］.IEEE Transactions on Neural Networks and Learning Systems，2014，25（10）：1793-1083.

［4］MALL R，SUYKENS J A K.Very sparse LSSVM reductions for large-scale data ［J］.IEEE Transactions on Neural Networks and Learning Systems，2015，26（5）：1086-1097.

［5］PEARLMUTTER B A.Gradientcalculationsfordynamic recurrent neural networks：a survey ［J］.IEEE Transactions on Neural Networks，1995，6（5）：1212-1228.

［6］ATIYA A F，PARLOS A G.New resultsonrecurrent network training：unifying the algorithmsand accelerating convergence［J］.IEEE Transactions on Neural Networks，2000，11（3）：697-709.

［7］ARRIAGA R I，RUTTER D，CAKMAK M，et al.Visual categorization with random projection ［J］.Neural Computation，2015，27（10）：2132-2143.

［8］ PAO Y H，TAKEFVJI Y.Functional-link net computing ［J］.IEEE Computer Journal，1992，25（5）：76-79.

A network status evaluation method based on random projection

ZHAO Jinming
Wentong Company Limited，Taiyuan 030002，China

In recent years，machine learning has been widely used in network management.However，the complexity of the communication network is increasing，nonlinear and uncertain factors in the network make the machine learning more difficult.In order to improve the effect of machine learning，a scheme of artificial nervous network based on random projection was proposed.The characteristic of such scheme was the introduction of randomness in machine learning and network topology，which took the learning process more adaptability，and achieve faster and more accurate convergence.

machine learning，random projection，neural network，network management

TN913.2

A

10.11959／j.issn.1000-0801.2016224

2016-07-05；

2016-08-04

趙晉明（1973-），男，山西省太原市文通電子有限公司研發(fā)主管，主要研究方向?yàn)榫W(wǎng)絡(luò)管理系統(tǒng)的架構(gòu)和關(guān)鍵算法，具有豐富的理論和工程經(jīng)驗(yàn)，為中國(guó)移動(dòng)通信集團(tuán)等運(yùn)營(yíng)商解決了大量運(yùn)維難題，并實(shí)現(xiàn)多項(xiàng)關(guān)鍵技術(shù)突破。