banner.jpg)
在5G網(wǎng)絡(luò)大規(guī)模部署后，對智能網(wǎng)絡(luò)優(yōu)化也提出了新的挑戰(zhàn)以及更高的要求，在小樣本數(shù)據(jù)條件下，如何范化樣本數(shù)據(jù)、如何進(jìn)行數(shù)據(jù)的多尺度信息特征挖掘，以及如何提高算法的魯棒性都成為了目前的熱點和焦點問題。
近日，中國移動研究院李博然受邀出席第十一屆IEEE/CIC中國通信國際會議，并發(fā)表了基于《Compound Interference Identification Based on Multi-scale Feature Pyramid using CNN》論文的主題演講，以無線網(wǎng)絡(luò)干擾為突破口，在小樣本數(shù)據(jù)的前提下，將人工智能技術(shù)與現(xiàn)網(wǎng)運維經(jīng)驗相結(jié)合，實現(xiàn)了高效準(zhǔn)確地識別現(xiàn)網(wǎng)中的復(fù)合干擾問題，在提高生產(chǎn)效率的同時，降低了網(wǎng)絡(luò)運維成本，降低了訓(xùn)練數(shù)據(jù)獲取成本，降低了算力成本，為今后的無線網(wǎng)絡(luò)智能化研究做出了技術(shù)鋪墊。
面向現(xiàn)網(wǎng)單類型、復(fù)合類型等干擾類型頻帶特征，首選將現(xiàn)網(wǎng)常見干擾類型做出普遍分類，并通過對干擾成因研究發(fā)現(xiàn)數(shù)據(jù)的多頻點多帶寬的情況，得出了頻帶中存在大量多尺度特征的結(jié)論。其次通過設(shè)計多通道卷積核以及多層金字塔結(jié)構(gòu)的結(jié)合，對復(fù)合多尺度干擾識別的泛化能力及效率進(jìn)行了充分論證。最后設(shè)計了算法網(wǎng)絡(luò)，實現(xiàn)了在小數(shù)據(jù)集下范化樣本，充分挖掘多尺度特征等功能，并通過引入極少的學(xué)習(xí)參數(shù)，在幾乎不影響運行效率的同時，極大地提高了算法的性能和魯棒性。
基于該設(shè)計理念，通過將不同尺度信息充分融合后輸入到分類網(wǎng)絡(luò)，即可完成復(fù)合干擾識別任務(wù)的小模型算法。該算法在多種現(xiàn)網(wǎng)條件下進(jìn)行了充分驗證，算法運行效率為在CPU硬件環(huán)境下達(dá)到每秒識別1.5萬個高干擾小區(qū)，算力較傳統(tǒng)方式提升了15倍。各干擾類型的平均mAP指標(biāo)可達(dá)86%，對于常見干擾類型識別精度90%以上。
中國移動研究院將同業(yè)界持續(xù)對無線網(wǎng)絡(luò)智能化開展探索研究，助力5G和AI能力的落地應(yīng)用。
