基于典型因果推断算法的无线网络性能优化

被引：3

作者：

郝志峰 ^{[1
,2
]}

陈薇 ^{[1
]}

蔡瑞初 ^{[1
]}

黄瑞慧 ^{[3
]}

温雯 ^{[1
]}

王丽娟 ^{[1
]}

机构：

[1] 广东工业大学计算机学院

[2] 佛山科学技术学院数学与大数据学院

[3] 广东南方通信建设有限公司

来源：

计算机应用 | 2016年 / 36卷 / 08期

基金：

广东省科技计划; 广东省自然科学基金;

关键词：

典型相关分析; 因果推断; 线性非高斯非循环模型; 无线网络性能优化;

D O I：

暂无

中图分类号：

TN92 [无线通信];

学科分类号：

080402 ; 080904 ; 0810 ; 081001 ;

摘要：

现有的无线网络性能优化方法主要基于指标间的相关关系分析,无法有效指导网络优化等干预行为。为此,提出典型因果推断(CCI)算法,并将其应用于无线网络性能优化。首先,针对无线网络性能由大量相关指标体现这一特性,采用典型相关分析(CCA)方法,提取指标中蕴含的原子事件;然后再采用因果推断方法,构建原子事件间的因果关系网络。通过上述两个阶段反复迭代,确定原子事件间的因果关系网络,为无线网络性能优化提出一个较为可靠和有效的依据。最后通过模拟实验验证了CCI算法的有效性,在某城市3万多个移动基站数据上发现了一批有意义的无线网络指标间的因果关系。

引用

页码：2114 / 2120

页数：7

共 23 条

[1]

GSM交换无线网络优化[D]. 刘臣巍.吉林大学 2009

[2]

GSM移动通信网络优化的研究与实现[D]. 刘占军.电子科技大学 2009

[3] No.7信令网的网络优化 [J].

白俊杰 ;

何长艳 .

天津通信技术, 2004, (04) :52-53

[4] 无线网络优化方式新思路的探讨 [J].

周文静 .

广东通信技术, 2006, (12) :2-6

[5] GSM无线网络的优化 [J].

卢纪宇 ;

白波 .

电信技术, 2006, (12) :60-62

[6] 无线网络智能优化系统及其应用 [J].

吴宝栋 ;

肖恒辉 ;

陆南昌 ;

易斯 .

移动通信, 2012, 36 (12) :16-20

[7]

A recursive method for structural learning of directed acyclic graphs. Xie, Xianchao,Geng, Zhi. Journal of Machine Learning Research . 2008

[8]

Fast discovery of association rules. Agrawal R,Mannila H,Srikant R,et al. Advances in Knowledge Discovery and Data Mining . 1996

[9]

Regression by dependence minimization and its application to causal inference in additive noise models. J.Mooij,D.Janzing,J.Peters,et al. Proceedings of the 26th Annual International Conference on Machine Learning . 2009

[10]

On the identifiability of the post-nonlinear causal model. ZHANG K,HYVRINEN A. UAI’’09:Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence . 2009

← 1 2 3 →