 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。 近日，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(如单一类型和复合类型)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。 郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
|
