بخشی از مقاله
چکیده
طراحی شبکه سلولی سیار از پیچیدگیهای خاصی برخوردار است. عواملی شبیه جایابی ایستگاههای سلولی سیار، موقعیت مکانی، پراکندگی و دانسیته ترافیکی کاربران شبکه و نحوه انتشار امواج در اطراف سلول سیار سرویس دهنده به کاربران نامشخص میباشند. درنظر گرفته نشدن این موارد سبب بروز اختلالات عملکردی شبکه در سرویس به کاربران خواهد بود.
اندازهگیری پارامترهای رادیویی شبکه سیار و ترافیک سنجی آماری از کاربران و شرایط رادیویی ایجادشده ابزاری برای شناسایی عوامل اختلالات عملکردی سرویس در شبکه و پیشبینی شاخص-های عملکرد شبکه و بطور مثال خاص کاهش قطعی مکالمه کاربران است. در این مقاله براساس روش یادگیری مبتنی بر سیستم عصبی فازی و از روی گزارشات اندازهگیری پارامترهای رادیویی شبکه سلولی تلفن همراه به شناسایی شاخص قطعی مکالمه پرداخته شده است.
الگوریتم استفاده شده در این مقاله، یک الگوریتم یادگیری جدید مبتنی بر شبکههای فازی عصبی کاملا اتصال یافته - 1 - FCONFIS ، شناسایی را مبتنی بر پارامترهای رادیویی اندازهگیری شده بدست آمده ازشبکه سلولی تلفن همراه به انجام میرساند و نهایتا براساس آموزش انجام شده مقادیر شاخص عملکردی قطعی مکالمه در شبکه سلولی مورد بررسی، محاسبه میگردد. بر اساس نتایج بدست آمده میتوانیم مقادیر قطعی مکالمه را براساس پارامترهای رادیویی شبکه سلولی ایجادشده بدست آوریم.
-1 مقدمه
دردهههای اخیرسیستم های عصبی فازی در کاربردهای زیادی در ارتباط با تشخیص الگو، کنترل تطبیقی هوشمند، رگرسیون و تخمین دانسیته، مدلسازی و شناسایی سیستمها بکار گرفته شده اند.
با توجه به اینکه طراحی شبکه سیار سلولی از پیچیدگیهای خاصی برخوردار میباشد و مواردی شبیه به جایابی ایستگاههای سلولی تلفن همراه، موقعیت کاربران شبکه، دانسیته ترافیکی و پراکندگی کاربران در اطراف سلول، طراحیها و محدودیتهای فرکانسهای استفاده شده در سلولها، الگوی انتشار موج در محیط انتشار اطراف سلول کاملا نامشخص می-باشند، پس از راهاندازی یک واحد سلولی تلفن سیار - 2 - BTS در شاخصهای عملکردی سلول که سبب تاثیر در سرویس مشترک سیار میگردد موارد نامطلوب ایجاد میگردد که نیاز به رفع مشکل و بهینهسازی شبکه سیار براساس وضعیت موجود شبکه میباشد. یکی از ازشاخصهای عملکردی مهم ایستگاه سلولی که در کیفیت سرویس کاربران بسیار تاثیر گذاراست شاخص قطعی مکالمه - 3 - CDR میباشد. لذا داشتن شبکه سلولی دارای شاخص عملکرد مطلوب همواره چالشی برای شرکتها و اپراتورهای سرویس دهنده در شبکه تلفن سیار بوده است.
درهمین راستا بررسی سوابق تحقیقات انجام شده نشان میدهد که در سال 2011 تارکاو مام1، عوامل احتمال قطعی مکالمه در شبکه سلولی را با بررسی آمار و احتمالاتی درصد قطعی مکالمه را برحسب زمان مکالمه و شدت ترافیک سلولی بررسی کرده اند.
درهمین سال سریداروسادهیندرا 2درتحقیقی به بررسی دلایل عمده وریشهیابی قطعی مکالمه در شبکه سلولیGSM پرداخته و در این راه با استفاده از شبکه عصبی و تشخیص الگو انواع قطعی مکالمه - Drop Call - در شبکه را دردستههای متفاوتی از دیدگاهRoute Cause بررسی کرده اند
در سال 2013 دینگ، لیانگ، کین وپنگ3 تخمین قطعی مکالمه را در پروسهHAND OVER را بررسی و مونت کارلو کردند[3] و در همین سال مسینا، کاراگیا، کامپتا، رین وفیتزک4 با انجام بررسی و اندازهگیری میدانی با گوشی موبایل به بررسی قطعی مکالمه پرداخته است و نتایج مقایسهای از وضعیت شبکه و قطعی مکالمه در شبکه نسل 2 و3 مقایسه و ارائه کرده است.
در هیچ یک از تحقیقات انجام شده رویکرد کاربردی به بهینهسازی شبکه سیار و رفع اشکالات دیده نشده در طراحی و ایجاد شبکه وجود نداشته که مهمترین مزیت روش فعلی همین رویکرد و وجه تمایز آن با کارهای پیشین میباشد.
با توجه به گزارشات ترافیکسنجی اخذ شده از شبکه رادیویی سیار و جمع آوری اطلاعات مورد نیاز از اندازهگیری پارامترهای رادیویی بین BTS و 5MS که دربازه زمانی مشخص و متوالی نمونهگیری میشود وبراساس متوسطهای بدست آمده از اندازهگیری نمونهها در این بازه زمانی میتوان به بررسی وضعیت شبکه رادیویی و عملکرد آن پرداخت. بعبارتی بین وضعیت موجود شبکه که بر اساس بسیاری از موارد مانند موقعیت مکانی سلولهای شبکه، وضعیت و فاصله سلولهای همسایه، طراحی فرکانسی استفاده شده در محدوده سلولی، ترافیک و فاصله کاربران از سلول شبکه و نیز پارامترها و آستانههای تنظیم شده برای سلهای شبکه از یکسو و شاخصهای عملکردی شبکه سیار از سوی دیگر رابطهای وجود داردکه با شناسایی این رابطه و بدست آوردن آن میتوان به ارتباط هریک از شاخصهای رادیویی با شاخص عملکری درمحدوده سلول پیبرد و مقدار تاثیر و وزن پارمترهای رادیویی اندازهگیری شده را در بهبود یا نامطلوب شدن شاخص عملکردی شبکه پیدا کرد و آن را بعنوان پایهای برای بهینهسازی شبکه رادیویی سیاربه صورت هدفمند قرار داد.
در این مقاله با استفاده از اطلاعات ترافیکسنجی و اندازهگیری پارامترهای رادیویی جمعآوری شده از شبکه رادیویی سیار شامل Downlink Strength، Downlink Quality ، Uplink Strength و Uplink Quality و داشتن اطلاعات CDR مربوط به سلول رادیویی مورد بررسی و با آموزش سیستم عصبی فازی [6] FCONFIS، ارتباط بین پارامترهای رادیویی انتخاب شده وشاخص قطعی مکالمه شناسایی و بررسی میگردد.
یک سیستم عصبی فازی، مشخصات شبکه عصبی را با توصیف زبانی و کنترل منطقی پردازش می کند. پیشرفتهای مهمی بوسیله ترکیب چندین الگوریتم یادگیری متفاوت با سیستمهای عصبی بدست آمده است. همچنین روشهای متعددی برای پیداکردن نرخ یادگیری بهینه برای هر دو بخش فرض مقدم و بخش نتیجه یک سیستم عصبی فازی جهت افزایش سرعت همگرایی و بروزکردن پارامترهای توابع تعلق ارائه گردیده است.
در شبکه عصبی پیشروی مرسوم، با توجه به عدم اتصال همه نرونهای لایه توابع تعلق به لایه قواعد نمی توان الگوریتم یادگیری را در تبدیل پارامترهای بخش فرض مقدم بکارگرفت. لذا برای طرح یک یادگیری سیستماتیک جهت سیستم عصبی فازی، یک سیستم فازی عصبی مرسوم با یک شبکه عصبی سه لایه کاملا متصل معادل که همان سیستم استنتاج فازی کاملا اتصال یافته - FCONFIS - می باشد، فرموله شده استF-CONFIS .[6] هم ارزی ساختاری بین سیستم های فازی عصبی و شبکههای عصبی را فراهم می کند. همچنین به لحاظ لینکهای وزنی تکرارشونده وتفاوت آن با شبکه های عصبی چندلایه کلاسیک و بوسیله برخی از ویژگیها امکان استفاده کارآمد و موثرتر از الگوریتم یادگیری F-CONFIS برای استنتاج عصبی فازی وجود دارد.
استفاده از شبکه فازی عصبی FCONFIS در شبیهسازی سیستم مورد بحث از مزیتها و نوآوریهای دیگر روش پیشنهاد داده شده در این مقاله است. ساختار کلی این مقاله در ادامه شامل معرفی سیستم عصبی فازی FCONFIS و بیان ویژگیهای آن دربخش2 میباشد. دربخش3 طراحی سیستم اصلی و توضیح مشخصات عناصر در نظرگرفته شده برای شبکه مورد بحث، ساختار ورودی و خروجیهای سیستم FCONFIS و پیادهسازی الگوریتم FCONFIS خواهدبود. شبیه سازی و نتایج بدست آمده دربخش4 مورد بررسی قرار می گیرد و دربخش 5 به نتیجهگیری پرداخته میشود.
-2سیستم استنتاج فازی کاملا متصل - - FCONFIS
شکل1 ترکیب عمومی ازمدل سیستم شبکه عصبی فازی کلاسیک و معادل FCONFIS آن را نمایش میدهد سیستم عمومی دارای N ورودی بوده وM خروجی بوده که هر ورودی xi دارای Ri تابع تعلق میباشد اولین لایه، لایه ورودی است که نودهای آن به متغیرهای ورودی وابسته متصل میباشند، لایه دوم، لایه توابع تعلق - MF - میباشد که در آن مقدار ارزش یک نود همارز درجه تابع تعلق با متغیرهای زبانی ورودی خواهد بود.
لایه سوم، لایه قواعد فازی هستند در این بخش هر نود یک قاعده فازی را نمایش میدهد و لایه نهایی، لایه خروجی است، در این ترکیب بخش نتیجه یک گراف کاملا پیوسته است اما بخش فرض مقدم اینطور نیست چون نودهای لایه MF، به تمامی نودهای لایه قواعد فازی وصل نشدهاند بههمین دلیل نمی توان الگوریتم یادگیری را در تبدیل پارامترهای بخش فرض مقدم بکاربرد. مدل فازی ممدانی بوسیله ترکیب فوق برای یک سیستم عصبی فازی شامل قواعد زیر بوده و نمایش داده شده است.
دو اشکال در تعمیم الگوریتم یادگیری سیستم عصبی فازی عمومی وجود دارد یکی اینکه در این سیستم لینکهای بین لایه MF و لایه قواعد فازی بطورکامل پیوسته نیست بنابراین یک یادگیری انتخابی است. بههمین دلیل نمی توان الگوریتم یادگیری را در تبدیل پارامترهای بخش فرض مقدم بکاربرد. دیگر اینکه اپراتور عملگر در لایه قواعد فازی به جای جمع، ضرب میباشد. این مدل ازسیستم فازی عصبی چهارلایه میتواند تبدیل به هم ارزی FCONFIS آن در شکل1بشود.
