基于多模态神经网络的无线场景识别方法及其应用

Chinese

您当前的位置：

首页 >

文章列表页 >

构建智能化运维系统 | 更新时间：2026-04-20

- 基于多模态神经网络的无线场景识别方法及其应用
- 基于多模态神经网络的无线场景识别方法及其应用
- 电信工程技术与标准化 2024年37卷第S2期页码：101-108
- 作者机构：
  
  中国移动通信集团设计院有限公司
- 作者简介：
- 基金信息：
- DOI：10.13992/j.cnki.tetas.2024.s2.007
  中图分类号： TN929.5;TP183
- 纸质出版：2024
- 稿件说明：
移动端阅览
傅率智, 郭若沛, 沈金虎, 等. 基于多模态神经网络的无线场景识别方法及其应用[J]. 电信工程技术与标准化, 2024,37(S2):101-108.

傅率智, 郭若沛, 沈金虎, et al. 基于多模态神经网络的无线场景识别方法及其应用[J]. 2024, 37(S2): 101-108.
傅率智, 郭若沛, 沈金虎, 等. 基于多模态神经网络的无线场景识别方法及其应用[J]. 电信工程技术与标准化, 2024,37(S2):101-108. DOI： 10.13992/j.cnki.tetas.2024.s2.007.

傅率智, 郭若沛, 沈金虎, et al. 基于多模态神经网络的无线场景识别方法及其应用[J]. 2024, 37(S2): 101-108. DOI： 10.13992/j.cnki.tetas.2024.s2.007.

随着网络环境和结构日益复杂

无线网络场景识别在优化网络性能、提高用户体验和降低运营成本等方面具有重要意义。首先

本文提出了一种多模态无线场景识别神经网络

融合数字孪生仿真和现网通信数据

建立全网无线小区的场景聚类模型。然后

基于场景聚类标签训练梯度提升树

完成场景聚类的重要特征提取和可解释性分析。最后

利用所提出的无线场景识别方法

在无线参数优化领域进行试点应用

实现5G到4G切换成功率质差小区自动优化比例72%

5G网络侧语音回落成功率质差小区自动优化比例77%。实验结果表明

该无线场景识别方法能为5G网络的优化和改进提供重要参考。

易正磊.基于蜂窝网络数据的用户群体业务行为研究[D].北京邮电大学,2017(03).

Gregory Provan.Toward Explainable AutoEncoder-Based Diagnosis of Dynamical Systems[J].Algorithms,2023.

何帆,何选森,刘润宗,樊跃平,熊茂华.数据降维与K-均值聚类的质量评估[J].重庆理工大学学报(自然科学),2024(01).

宋永,杨阔,覃觅觅.基于循环神经网络的多模态无线传感数据自适应融合方法[J].传感技术学报,2023(01).

李丁园,李晓杰.基于多尺度残差卷积自编码器的图像聚类方法[J].吉林大学学报(信息科学版),2022(04).

李伟,张强,刘建华.基于5G网络的无线参数优化研究[J].通信与信息技术,2022(02).

王英捷,周涛,陶成.基于LSTM与多特征融合的高铁无线信道场景识别[J].电波科学学报,2021(03).

樊圆圆,刘留,张嘉驰,李慧婷,周涛,唐盼.基于神经网络的无线信道场景识别[J].电波科学学报,2021(02).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据