中国移动研究院李博然：基于小样本数据的智能无线网络优化

　　导读：5G网络大规模部署后，对智能网络优化提出了新的挑战和更高的要求在小样本数据条件下，如何对样本数据进行归一化处理，如何挖掘数据的多尺度信息特征，如何提高算法的鲁棒...

5G网络大规模部署后，对智能网络优化提出了新的挑战和更高的要求在小样本数据条件下，如何对样本数据进行归一化处理，如何挖掘数据的多尺度信息特征，如何提高算法的鲁棒性，成为当前研究的热点和焦点问题

最近几天，中国移动研究院李博然受邀出席第十一届IEEE/CIC中国通信国际会议，并基于论文《利用CNN进行基于多尺度特征金字塔的复合干扰识别》发表主题演讲，以无线网络干扰为突破口，在小样本数据的前提下，将人工智能技术与现有网络运维经验相结合，实现了对现有网络中复杂干扰问题的高效准确识别同时提高了生产效率，降低了网络运维成本，训练数据获取成本和计算成本，为未来无线网络智能化的研究做了技术准备

鉴于现有网络干扰类型的频带特性，最好对现有网络中常见的干扰类型进行一般分类通过研究干扰产生的原因，发现数据具有多频点，多带宽的特点，并得出在频段上存在大量多尺度特征的结论其次，通过设计多通道卷积核和多层金字塔结构的组合，充分展示了复合多尺度干扰识别的泛化能力和效率最后设计了算法网络，实现了小数据集样本归一化和充分挖掘多尺度特征的功能通过引入少量的学习参数，在不影响运行效率的情况下，算法的性能和鲁棒性得到了很大的提高

基于这种设计理念，通过充分融合不同尺度信息，然后输入分类网络，即可完成复合干扰识别任务的小模型算法该算法已在各种现有网络条件下得到充分验证，算法运行效率为在CPU硬件环境下每秒识别15000个高干扰小区，计算能力比传统方法高15倍每种干扰类型的平均mAP指数可达86%，常见干扰类型的识别准确率达90%以上

中国移动研究院将继续与业界一起探索和研究无线网络的智能化，助力5G和AI能力的应用。

---

声明：以上内容为本网站转自其它媒体，相关信息仅为传递更多企业信息之目的，不代表本网观点，亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险，需谨慎。