基于机器学习方法的无线信道特征的识别与区域划分

本文运用机器学习方法，对无线信道的特征建立了相应的决策树分类模型。并且对所建立的决策树模型运用真实信道数据进行了测试检验，发现分类效果较好。因此，该机器学习模型对无线信道特征的识别具有较高的准确性。进而可以运用该模型对无线信道数据进行有效的区域划分，并且该模型还具备了一定的统计学意义。

无线信道的特征识别与区域划分，仅仅是通过对其进行特征提取进而进行区域划分[1]。然而，在某些特殊情形可能难以区分预判别。为了能够更好的有效区分区域与场景应建立相应的统计模型。以便更加准确的区分场景以及区域同时也具备了统计意义。

相比于传统的统计模型，机器学习(Machine Learning)方法是近年来较为热门的一个研究领域，是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。随着数据挖掘以及人工智能技术的发展，国内外的研究学者提出了许多新的机器学习算法，包括：决策树、boosting、bagging、随机森林、支持向量机、神经网络等等。

近年来，机器学习方法在通信领域的各个方面应用越来越广泛。顾来华(2012)， 通过机器学习方法减少了稀疏高斯过程计算复杂度，提出了基于稀疏高斯过程的多用户检测技术，从而使得机器学习方法大大简化了无线通信应用研究中的计算复杂度[2]。胡俊(2014)使用机器学习中的支持向量机和决策树的方法对电信通信数据进行分析，同时结合接收信号电平和接收信号质量对测量报告数据进行类别划分，发现决策树的分类效果较好[3]。王磊等(2015)通过大数据模型的自动学习和训练，实现了对每个小区级无线网络质量趋势的预测， 从而可以帮助将网络优化工作的事后处理模式向预先评估预警模式进行转变[4]。

王志浩(2015)在充分研究在线机器学习方法的基础上， 提出了基于在线学习算法的通信设备故障预警技术， 针对训练样本进行故障特征提取、训练分类器，从而用训练好的分类器去实时监测故障[5]。

因此，本文将借助机器学习方法对无线信道参数的特征值的提取与分类建立相应的决策树模型。

2. 机器学习模型的建立 分类树(决策树)是一种十分常用的分类方法。决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树[6]。

它是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。