论文部分内容阅读
随着移动通信业的飞速发展,GSM网络环境也日趋复杂,掉话率增加、基站覆盖范围缩减、网络指标急剧下降等影响通话质量的问题层出不穷,所以整合现有网络资源的优化维护工作成为了一个重点。网优中的干扰排查工作因为干扰源类型多样、定位过程繁琐复杂而成为网优工作的一个难点。目前干扰排查工作主要采用单点现场扫频的方法完成,依赖于网优工作人员长期工作经验总结,不能适应快速变化的网络环境,混合干扰的识别需要多次现场确认测试,难以广泛推广。针对这些问题本文利用表征干扰特征的FAS频谱数据从两个方面定位干扰小区：一方面从形状匹配角度定位干扰图形相似的单一干扰小区,另一方面从FAS数据干扰特征角度利用模式识别方法学习特征相似的混合干扰小区。将频谱图经过形状表示、形状匹配、类型识别三个步骤识别全网内与模板库形状相似的单一干扰网元,根据识别结果完善模板库。然后提取训练样本的FAS特征并输入随机森林学习模型中,训练并建立稳定的干扰特征学习模型,依据模型预测识别目标网元所属的混合干扰类型。从而有效监控全网工作状态,定位网络范围内单干扰小区、混合干扰小区位置。该系统采用FAS频谱数据,配合邻区移动台记录数据NCS、路测MRR数据可以定位到其他方法无法识别的干扰小区,对比说明了该方法的有效性和完备性,同时识别结果中的混合干扰小区其FAS频谱图满足其所属干扰类型的特征组合,两种方法的结合增进了干扰小区定位的准确性和完备性。该系统将比较成熟的模式识别技术以及形状匹配应用到GSM网络干扰小区定位问题上,为其提供了一种全新的解决方法。通过此方法可以批量快速识别干扰小区,也可以扩展识别未来可能出现的其他干扰类型,不拘泥于某些特定的干扰类型,为干扰排查工作提供了便捷。在此方法的基础上,本系统利用C#编程语言、SQL Server2005数据库和OpenCV,在.NET平台下完成单干扰识别模块、混合干扰识别模块实现全网干扰小区定位功能,经过珠海市、哈尔滨市部分小区实际数据的仿真验证取得了较理想的效果。