基于mr的網絡性能評估及其優(yōu)化方法-文庫吧在線文庫
【正文】 21243 % % % % 0~8 92410 52752 27389 % % % % 0~9 100017 60957 33870 % % % % 0~10 106981 68923 40651 % % % % 0~11 113100 76438 47145 % % % % 0~12 118543 83630 53524 % % % % 0~13 123360 90036 59303 % % % % 0~14 127468 95955 64584 % % % % 0~15 131015 101221 69386 % % % % 0~16 133739 105756 73699 % % % % 0~17 135955 109512 77474 % % % % 0~18 137716 112719 80620 % % % % 0~19 138991 115256 83087 % % % % 0~20 141724 121120 89506 % % % % 利用 MR進行軟切換優(yōu)化 30 分析案例 城市二無線信號分布 分析案例 城市二 同樣如果以 5dB為 1b門限，則最高將會有 %的概率發(fā)生兩路軟切換，同時會有 %的概率發(fā)生三路軟切換，其等效軟切換比例為 % %%%%%%%%%%1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19最強與第二強差值 最強與第三強差值 最強與第四強差值 等效軟切換比例 (預測 ) 利用 MR進行軟切換優(yōu)化 31 分析案例 參數(shù)設置 分析案例 結論 對于不同地區(qū)、不同 RNC由于網絡覆蓋環(huán)境、站址分布、用戶及業(yè)務分布等均存在較大差異，即使在軟切換比例目標相同的情況下，軟切換參數(shù)也需要根據各自的情況進行獨立設置，而不能采用同一套默認參數(shù)，利用 MR數(shù)據的統(tǒng)計結果可以快速準確的給出本地的軟切換參數(shù)配置建議值，并給出預測的軟切換比例值。 利用 MR進行直放站室分監(jiān)控 38 利用神經網絡進行室內 MR數(shù)據分離流程 輸出參數(shù)確定 絡學習樣本的獲得 絡模型的建立 經網絡進行 MR分離應用 針對符合篩選要求的訓練樣本點，對其分配為兩部分；其一，學習數(shù)據，用來訓練神經網絡模型；其二，檢驗數(shù)據，用來檢驗神經網絡模型區(qū)分的置信度。 ?樣本點要有代表性 要選能夠代表本地環(huán)境的樣本區(qū)域進行采集。因此，應首先對 MR數(shù)據進行過濾，只對周期性 MR數(shù)據進行統(tǒng)計分析。 MR數(shù)據 ? 7X24小時的 無線環(huán)境測量數(shù)據 ； ? 無線資源 調度的依據，直接反映了用戶的真實感知。 無法使用事件性 MR替代周期性 MR。 軟切換比例目標 1a門限 1b門限 預測軟切換比例 城市一 30~40% 3dB 5dB %~% 城市二 30~40% 2dB 4dB %~% － 32－ ?提綱 3 直放站室分監(jiān)控 ?提綱 1 網絡評估 ?提綱 2 軟切換參數(shù)優(yōu)化 MR優(yōu)化應用 人工巡檢 ? 由運維優(yōu)化人員周期性的對各直放站室分系統(tǒng)進行現(xiàn)場測試，該方法的優(yōu)點是可以準確判斷室分系統(tǒng)是否存在問題及問題的詳細情況 ? 缺點是該方法耗費大量人力物力，且在未被巡檢到之前無法及時發(fā)現(xiàn)問題，導致用戶體驗差、投訴增加。根據用戶對置信度的要求，需要反復調整神經網絡系統(tǒng)的參數(shù)，直至滿足用戶的置信度要求，即可用來對未知的 MR數(shù)據進行分離，其分離的置信區(qū)間可從檢驗樣本的檢驗結果獲得。 直放站室分監(jiān)控 33 直放站監(jiān)控方法分析 傳統(tǒng)方法 MR方法 利用 MR進行直放站室分監(jiān)控 34 室內/外MR特征 室分 MR數(shù)據主服務小區(qū)信號很強，但測量到的小區(qū)數(shù)目較少，每次測量的小區(qū)數(shù)很少有超過三個的 然而對于室外 MR數(shù)據，則每次 MR大多能測到較多小區(qū)的導頻信號 包含小區(qū)數(shù)
環(huán)評公示相關推薦
鄂ICP備17016276號-1