移动通信网络优化中数据挖掘技术的应用*

2019-04-30李银碧

通信技术 2019年4期

李银碧

（浙江邮电职业技术学院通信工程系，浙江绍兴 312366）

0 引言

新时代来临以后，通信网络成为了主要的潮流，而且对于很多生产、生活任务，都会产生特别大的影响。数据挖掘技术的合理化应用，需要对站点进行分析，通过进行优化，提高移动通信传输质量[1]。移动通信网络优化中数据挖掘技术的落实，要坚持在技术内涵上不断的增加，从多个角度来提高技术的可靠性应用，从而对于一些老旧问题的解决，能够按照足够的依据来完成。

1 数据挖掘技术的特点

数据挖掘技术的运用过程中，能够在很大程度上，促使数据和信息的搜集，按照全新的方式方法来完成。从图1来看，数据挖掘技术的应用，并没有按照单一的方式来分析和探讨，而是能够在不同的变量关系上做出良好的掌握，从而促使数据挖掘技术的体系更加健全，在与移动互联网的衔接过程中，表现出更高的可靠性、可行性。

图1 数据分析框架

例如，数据挖掘技术的采用，会在法律允许的情况下，对于用户操作网络过程中的各项数据，开展深入的搜集和分析，这对于用户的习惯了解，以及网络的更新，包括通信功能的改善，都提供了较多的帮助，整体上创造的经济效益、社会效益较高[2]。

2 移动通信网络原理

移动通信是指通信双方至少有一方处于运动状态中的通信，比如车辆、飞机等与固定用户通信，或者移动用户之间的通信，其结构如图2所示。

现代化的科技发展中，移动通信网络是比较重要的组成部分，同时能够产生的影响力是比较高的，为了在自身的综合成绩上取得更好的效果，必须加强移动通信网络的原理研究。从目前所获得的成果来看，移动通信网络的研发层面上，主要是按照系统的覆盖范围和作业方式来进行不同形式的展现，这其中涵盖了双向对话式蜂窝公用移动通信，以及单向或者是双向对话式专用移动通信。

图2 移动通信结构

与此同时，为了在移动通信网络的应用成效上更好的提升，还在研究单向接收式无线寻呼，或者是家用无绳电话等等，这些都对移动通信网络的长久发展，提供了较多的保障。从移动通信网络的角度来分析，专用移动通信网络，主要是表现为独立的移动通信系统，其能够有效的纳入到公共网当中，一种具有代表性的专用网——集群系统，正在不断的向着更高的层面来研究，而且能够将有限的通信资源，按照自动的方法来进行良好的分配操作，对于用户的日常使用，以及未来的移动通信网络发展，都可以奠定坚实的基础。除此之外，这种高效的网络，会在对今后的公网技术发展、进步，做出更加卓越的贡献。

3 数据挖掘技术的分类

3.1 神经网络

从长远的角度来分析，数据挖掘技术的应用，想要与移动通信网络，表现出更好的融合效果，必须在数据挖掘技术的不同类型上良好的掌握。神经网络是数据挖掘技术的典型代表，而且能够得到的工作效果是比较值得肯定的[3]。神经网络在移动通信中有重要的应用，首先是自适应滤波，利用神经网络信号复原等特征对信息传递过程中产生的滤波进行检测，能够解决非线性问题。其次是呼叫控制方面，神经网络能够根据流量特性自学习地组成一个多输入输出的非线性函数，并且处理速度能够非常迅速。第三是最优路由选择，国外已经用CMOSVI．SI实现了8X8神经网络来控制一个8X8交叉开关机制路由器，他的运行速度为120 ns，神经网络因其反应速度快，善于在复杂的环境下解决非线性问题，还被广泛用于语音图像处理、雷达声纳的多目标跟踪与辨识、保密通信中。

3.2 数理统计分析

这类技术建立在传统的数理统计的基础上。在数据库字段项之间存在两种关系：函数关系（能用函数公式表示的确定性关系）和相关关系（不能用函数公式表示，但仍是相关确定性关系），对它们的分析可采用判别分析、因子分析、相关分析、多元回归分析及偏最小二乘回归方法等[4]。传统统计分析可用于分类挖掘和聚类挖掘，SAS（Statistical Analysis System），SPSS（Statistical Product and Service Solutions）和BMDP（Bio Medical Data Processing）是目前国际上最具影响力的3大统计分析软件。

3.3 聚类分析

聚类分析是多元统计分析方法之一，也是统计模式识别中非监督模式识别的一个重要分支。在统计分析和模式识别领域，聚类已经被广泛研究了多年，提出了大量的理论和方法，取得了丰硕的研究成果。聚类的研究主要包括以下几方面：第一是聚类有效性问题。聚类有效性问题的研究是围绕硬c-均值聚类算法和模糊c-均值聚类算法进行的，实际应用中，定义聚类有效性函数是最常用的方法。目前对聚类有效性问题的研究已延伸到非球状数据分布的数据集中，如线状和壳状数据集；第二是迭代优化聚类的初始化问题。现有的聚类初始化研究大致分为三种途径：随机采样法，距离优化法以及密度估计法。目前各种初始化方法各有优缺点，而且许多现有的初始化方法本身就是一种聚类方法或是多种聚类方法的综合，因而优化过程中也会出现初始化的问题；第三是分类属性数据聚类。围绕分类数据类型和混合数据类型聚类问题，专家学者提出了很多新的概念和方法。其中，研究较为深入的是概念和层次聚类算法。由于概念聚类和层次聚类计算复杂，随着新的分类属性数据的相似度和距离函数的提出，面向分类属性数据的基于划分的聚类算法逐渐也应用于数据挖掘中[5]。

4 移动通信网络优化中数据挖掘技术的应用原则

第一，移动通信网络优化中数据挖掘技术的初期应用，要坚持在技术方案上做出良好的拟定。该项技术正表现为持续革新的特点，不同的技术内涵发挥，以及移动通信网络任务的结合，必须保持较高的可靠性、可行性，要坚持在技术依据上充分的给出，这样才能推动网络的全面发展，如表1所示[6]。

表1 数据挖掘技术的应用配置

第二，移动通信网络优化中数据挖掘技术的持续性应用，要坚持做出定期优化，针对不同群体的反馈内容，以及社会上的一些重点探讨话题，都要高度的关注，尤其是东西部的技术差异和网络基础设施，应不断的去平衡和改善。

5 移动通信网络优化中数据挖掘技术的应用对策

5.1 完善技术流程

移动通信网络优化中数据挖掘技术的应用，为了在技术的应用成果上更好的丰硕，建议对技术流程不断的完善，如图3所示。

图3 移动通信网络优化中数据挖掘技术流程

5.2 完善原理体系

就移动通信网络优化中数据挖掘技术本身而言，其在应用的过程中，必须要适应时代的发展和特殊情况的影响，在具体工作的安排和实施过程中，应不断的保持较高的可靠性、可行性，促使问题自身的解决，能够得到较多的保障。建议在移动通信网络优化中数据挖掘技术的应用过程中，针对原理体系不断的完善。例如，贝叶斯分类的应用符合移动通信网络优化中数据挖掘技术的应用要求。贝叶斯分类的应用过程中，主要是利用统计学当中的贝叶斯定理来完成的，该项定理的融合，能够针对预测类数据、任务的概率做出一个深入的分析，结合移动通信网络的特点和任务，给定一个样本，并且计算样本属于一个特定类别的概率。

5.3 精准预测挖掘技术的未来走向

为了更好的将挖掘技术应用在移动通信网络优化中，就需要针对其未来的走向展开预测，本文将会对以下几个方向展开预测：第一个是数据挖掘算法的效率和可扩展性。目前数据库数据量大，维数高，使得数据挖掘的搜索空间增大，发现知识的盲目性提高。如何充分利用领域的知识，剔除与发现任务无关的数据，有效地降低问题的维数，设计出高效率的知识发现算法是下一步发展的重点；第二个是数据的时序性。在应用领域的数据库中，数据在不断地更新，随着时间的推移，原先发现的知识将不再有用，我们需要随时间逐步修正发现模式来指导新的发现过程；第三个是互联网上知识的发现。www正日益普及，从中可以找到很多新的知识，已有一些资源发现工具来发现含有关键字的文本，但对在www上发现知识的研究不多。人们现在面临的问题是如何从复杂的数据（例如多媒体数据）中提取有用的信息，对多层数据库的维护，如何处理数据的异类性和自主性等等。

5.4 加强干扰分析

对于现有的工作而言，移动通信网络优化中数据挖掘技术的应用和掌控，干扰现象是一直存在的，但是如果能够在干扰分析的准确度方面大幅度的提升，就可以选择科学的方法来应对干扰，甚至是最大限度的避免干扰，这对于通信项目的建设，以及网络功能的进步，都能够提供较多的保障。例如在对上行干扰进行分析时，其计算的公式为上行干扰功率=干扰UE上行发射功率+干扰UE到目标基站的路径损耗+目标基站对干扰UE的上行智能天线增益。而在对下行干扰进行分析时其计算的公式为下行干扰功率=干扰基站对干扰UE的下行发射功率+干扰基站到干扰UE的路径损耗+干扰基站对目标UE的下行智能天线增益。由此可见，干扰分析的有效加强，对于移动通信网络优化中数据挖掘技术的未来进步，奠定了坚实的基础，整体上的工作效益是非常值得肯定的。

5.5 Apriori算法的应用

从客观的角度来分析，移动通信网络优化中数据挖掘技术的运用，必须在自身的技术内涵上不断的增加，继续按照传统的思维和方法来操作，并不能取得理想的成绩，还会造成很大的缺失和疏漏现象。建议在今后的技术应用过程中，加强Apriori算法的有效操作。Apriori算法的运用，能够找出所有的频集，这些项集出现的频繁性，至少能够和预定义的最小支持度表现为一致的状态。接下来，通过频集产生的关联规则作用，促使这些规则必须充分的满足最小支持度，以及最小可信度。从这一点来看，Apriori算法的应用，能够促使数据挖掘技术，更好的融合移动网络优化的需求，在一些先进的项目研发过程中，Apriori算法所提供的可能性是比较多的，而且在自身的综合应用效果上，会大幅度的提升。值得注意的是，Apriori算法的操作过程中，虽然提供了较多的参考和指导，但是依然要在验证的力度上进一步的提升，避免在数据挖掘的任务上，出现严重的理论化现象。Apriori具体算法如下：

输入：D - 事务数据库；min_sup-最小支持度计数阈值

输出：L-D中的频繁项集

方法：

5.6 基于划分的算法

该算法在实施的过程中，会结合移动通信网络优化中数据挖掘技术的特点来完成，将数据库从逻辑上，有效的划分为几个互不相交的“块”，每一次单独考虑一个分块，并且针对它生成的所有频集也进行逻辑考虑和分析，而后针对所有的频集，开展合并分析，最终对所有可能的频集做出良好的掌握，从而在频集的支持度方面进行详细的计算。该项算法的优势在于，能够对移动通信网络优化中数据挖掘技术的一些特殊情况进行有效的掌握，但是对于某些冗杂的问题处理，则无法在效率上更好的提升，需要进行多次的验证和可靠性的分析。