《数据挖掘技术在gsm语音质量提升中的运用》由会员分享，可在线阅读，更多相关《数据挖掘技术在gsm语音质量提升中的运用（4页珍藏版）》请在金锄头文库上搜索。
1、数据挖掘技术在 GSM 语音质量提升中的运用 袁曼丽 福建师范大学数学与信息学院 摘 要： 虽然目前各运营商已经大规模建设 4G 网络, 但大部分用户语音通信仍承载在GSM 网络上, 如何提升 GSM 网络的通话质量, 是提升网络用户感知的重要手段之一。文章通过采用目前流行的数据挖掘工具 SPSS 软件, 运用数据挖掘的原理, 查找影响语音通话质量提升的各个因素, 为后续的网络优化提供明确方向。关键词： 数据挖掘; GSM; 语音质量; MOS; 作者简介：袁曼丽 (1980) , 女, 汉, 湖南祁东人, 硕士, 讲师, 研究方向:网络安全、数据挖掘。收稿日期：2017-10-20基金：课题
2、来源:基于计算智能的聚类分析研究, 福建省教育厅 B 类 (JB09060) Data Mining Technology in the use of GSM Voice Quality ImprovementYuan Manli School of Mathematics and Information, Fujian Normal University; Abstract： Although the operators have already built 4 G network on a large scale, most users voice communication is sti
3、ll carried on the GSM network. How to improve the quality of GSM network calls is one of the important means to enhance the perception of network users. This paper uses the current data mining tool SPSS software, using the principle of data mining to find the factors that affect the quality of voice
4、 calls to provide a clear direction for the follow-up network optimization.Keyword： data mining; GSM; voice quality; MOS; Received： 2017-10-201 数据挖掘技术数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中, 提取隐含在其中的、事先不知道的、但又是潜在有用的信息和知识的过程。跨行业数据挖掘标准过程 (CRISP-DM) 适用于大型工业和商业实践的一般标准, 在各种 KDD 过程模型中占据领先位置, 采用量达到近 60%。数据挖掘标准
5、过程主要分为商业理解、数据理解、数据准备、建模、模型评估、结果发布等六个阶段。CRISPDM 保证了可以将传统的数据挖掘技术 (包括软件 SPSS) 应用在网络优化这个行业上。2 基于数据挖掘的 GSM 语音质量影响参数分析GSM 语音质量 MOS 值与 RXQual、C/I、编码方式、信道类型、Band 与切换次数相关, 但缺乏实际的数据支撑, 在本文中, 引入数据挖掘工具, 采用实测数据, 分析各个影响因素的关系。2.1 原始数据处理从 ATU 软件导出的数据中包含大量的缺省值, 其中属性 Time、Longitude 和latitude 是连续上传, MOS 每隔 20 秒左右上传一个值
6、, C/I (d B) 、channel Mode 等是每隔 0.5 秒左右上传一个取值, 且各个属性上传时间点不统一, 数据包含噪声大。2.2 不同编码方式转换对语音质量影响分析GSM 网络中, 编码方式对 MOS 值影响较大, 现网中存在四种编码方式有四种 (EFR、AMR FR、AMR HR、HR) 数据, 利用 SPSS 工具, 对测试的数据进行统计分析, 可以明显得出各个编码方式对语音质量的影响情况。不同编码方式的转换时的 MOS 均值:如表 1 所示。从上述统计数据可以得出:控制不同编码之间转换对 MOS 值的影响, 应重点减少从 EFR 到 AMR HR 和 HR 的转换, 即尽
7、量减少 AMR HR 与 HR 在全网的比重。EFR和 AMR FR 之间转换对 MOS 值影响不明显, 为减少编码方式转换, 可选择尽量增加 EFR 在全网的比重。2.3 不同因素对语音质量影响权重分析为探究 GSM 语音质量 MOS 值与 RXQual、C/I、编码方式、信道类型、Band 与切换次数之间的关系, 在数据分析中, 引入数据挖掘中的决策树, 并采用 C5.0 的决策树模型生产规则集, 根据不同的字段再次分割由第一次分割定义的每个子样本, 且此过程会重复下去直到无法继续分割子样本。最后, 将重新检查最底层分割, 并删除或修剪对模型值没有显著贡献的分割。SPSS 软件中自带有决策
8、树分析模型, 导入数据, 利用 SPSS 软件, 得出各种不同因素对语音质量影响如图 1 所示。从上图可以看出, 切换次数对 MOS 值的影响最大, RXQual 次之, 因此在 MOS 优化中, 要优先对影响大的的因子的重点优化。3 结语本文针对测试的海量数据, 使用 SPSS 数据挖掘软件, 运用数据挖掘基本原理, 深入研究网络 MOS 影响因素, 并从量化的角度, 计算各个因素的影响权重, 为后语音通话质量优化明确方向。同时数据挖掘作为一个通用的数据分析方法, 也为后续网络质量分析提升, 提供新的研究方法。表 1 不同编码方式的转换时的 MOS 均值 下载原表 图 1 不同因素对语音质量影响权重 下载原图参考文献1张玉.我国数据挖掘研究现状分析-基于共词分析视角J, 情报科学, 2011, (10) . 2李继.GSM 语音质量提升方案综述J.电信工程技术与标准化, 2011, (05) . 3林建锋, 朱猛.有关在移动通信中语音质量评估体系-MOS 值的探讨J, 赤峰学院学报 (自然科学版) , 2009, (08) . 4陆安生, 屠浩文.数据挖掘关联规则技术的应用J.商场现代化, 2005, (08) .
