【资料图】

在5G网络大规模部署后，对智能网络优化也提出了新的挑战以及更高的要求，在小样本数据条件下，如何范化样本数据、如何进行数据的多尺度信息特征挖掘，以及如何提高算法的鲁棒性都成为了目前的热点和焦点问题。

近日，中国移动研究院李博然受邀出席第十一届IEEE/CIC中国通信国际会议，并发表了基于《Compound Interference Identification Based on Multi-scale Feature Pyramid using CNN》论文的主题演讲，以无线网络干扰为突破口，在小样本数据的前提下，将人工智能技术与现网运维经验相结合，实现了高效准确地识别现网中的复合干扰问题，在提高生产效率的同时，降低了网络运维成本，降低了训练数据获取成本，降低了算力成本，为今后的无线网络智能化研究做出了技术铺垫。

面向现网单类型、复合类型等干扰类型频带特征，首选将现网常见干扰类型做出普遍分类，并通过对干扰成因研究发现数据的多频点多带宽的情况，得出了频带中存在大量多尺度特征的结论。其次通过设计多通道卷积核以及多层金字塔结构的结合，对复合多尺度干扰识别的泛化能力及效率进行了充分论证。最后设计了算法网络，实现了在小数据集下范化样本，充分挖掘多尺度特征等功能，并通过引入极少的学习参数，在几乎不影响运行效率的同时，极大地提高了算法的性能和鲁棒性。

基于该设计理念，通过将不同尺度信息充分融合后输入到分类网络，即可完成复合干扰识别任务的小模型算法。该算法在多种现网条件下进行了充分验证，算法运行效率为在CPU硬件环境下达到每秒识别1.5万个高干扰小区，算力较传统方式提升了15倍。各干扰类型的平均mAP指标可达86%，对于常见干扰类型识别精度90%以上。