一种基于随机映射的网络状态评估方法

doi:10.11959/j.issn.1000-0801.2016224

摘要/Abstract

摘要：

近年来，机器学习技术在网络管理领域得到了广泛使用。然而由于通信网络日益复杂，网络中的非线性和不确定因素使得机器学习变得十分困难。为了提升机器学习的效果，提出了一种采用随机映射的人工神经网络方案，其特点是引入机器学习和网络拓扑的随机性，使得神经网络对学习目标具有更大的适应性，并实现更快、更精确的收敛。相关成果已经在中国移动通信集团山西有限公司（以下简称山西移动）的实际网络中得到了应用并取得较好的效果。

关键词: 机器学习, 随机映射, 神经网络, 网络管理

Abstract:

In recent years，machine learning has been widely used in network management.However，the complexity of the communication network is increasing，nonlinear and uncertain factors in the network make the machine learning more difficult.In order to improve the effect of machine learning，a scheme of artificial nervous network based on random projection was proposed.The characteristic of such scheme was the introduction of randomness in machine learning and network topology，which took the learning process more adaptability，and achieve faster and more accurate convergence.

Key words: machine learning, random projection, neural network, network management

赵晋明. 一种基于随机映射的网络状态评估方法[J]. 电信科学, 2016, 32(8): 164-168.

Jinming ZHAO. A network status evaluation method based on random projection[J]. Telecommunications Science, 2016, 32(8): 164-168.

图/表 3

参考文献 8

[1]	KARUNASINGHE D , LIONG S Y . Chaotic prediction with global model artificial neural network[J]. Journal of Hydrology, 2006,323(1): 92-105.
[2]	黎明, 张化光 . 神经网络建模方法研究[J]. 自动化学报, 2002,28(1): 27-33. LI M , ZHANG H G . Research of neural network modelling method[J]. Acta Automatica Sinica, 2002,28(1): 27-33.
[3]	YU H , REINER P D , XIE T ,et al. An incremental design of radial basis function network[J]. IEEE Transactions on Neural Networks and Learning Systems, 2014,25(10): 1793-1083.
[4]	MALL R , SUYKENS J A K . Very sparse LSSVM reductions for large-scale data[J]. IEEE Transactions on Neural Networks and Learning Systems, 2015,26(5): 1086-1097.
[5]	PEARLMUTTER B A . Gradient calculations for dynamic recurrent neural networks:a survey[J]. IEEE Transactions on Neural Networks, 1995,6(5): 1212-1228.
[6]	ATIYA A F , PARLOS A G . New results on recurrent network training:unifying the algorithms and accelerating convergence[J]. IEEE Transactions on Neural Networks, 2000,11(3): 697-709.
[7]	ARRIAGA R I , RUTTER D , CAKMAK M ,et al. Visual categorization with random projection[J]. Neural Computation, 2015,27(10): 2132-2143.
[8]	PAO Y H , TAKEFVJI Y . Functional-link net computing[J]. IEEE Computer Journal, 1992,25(5): 76-79.

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	刘思聪, 苏丹萍, 卫天阔, 王先耀. 基于多节点协作的鲁棒可见光智能定位[J]. 电信科学, 2023, 39(5): 28-41.
[3]	卢敏, 秦泽豪, 陈志辉, 张敏, 乐光学. 基于1D-Concatenate的信道估计DNN模型优化方法[J]. 电信科学, 2023, 39(4): 71-86.
[4]	刘雅琼, 吕哲, 赵亚飞, 寿国础. AI技术在卫星通信/互联网领域的应用综述[J]. 电信科学, 2023, 39(2): 10-24.
[5]	刘璐, 杨丹, 陈睿杰, 李嘉, 周熹. 基于KPCA-GA-BP神经网络的POI质量预测研究[J]. 电信科学, 2023, 39(1): 108-116.
[6]	章坚武, 安彦军, 邓黄燕. DNS攻击检测与安全防护研究综述[J]. 电信科学, 2022, 38(9): 1-17.
[7]	李奕江, 叶会标, 谢仁华, 楼佳丽, 庄丹娜, 李传煌. 基于图神经网络的网络性能智能预测[J]. 电信科学, 2022, 38(3): 143-157.
[8]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[9]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[10]	陈靓, 钱亚冠, 何志强, 关晓惠, 王滨, 王星. 深度卷积神经网络的柔性剪枝策略[J]. 电信科学, 2022, 38(1): 83-94.
[11]	周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄. 基于移动蜂窝网的机器学习室外指纹定位方案[J]. 电信科学, 2021, 37(8): 85-95.
[12]	赵进, 杨小军. 基于GRW和FastText模型的电信用户投诉文本分类应用[J]. 电信科学, 2021, 37(6): 125-131.
[13]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[14]	陈向荣. 基于多层感知机模型的天线方位角诊断[J]. 电信科学, 2021, 37(4): 90-96.
[15]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.