机器学习科研项目第五周总结

作者跟随余老师做本科科研,课题为“机器学习在密集网络中的应用”。文章围绕该课题展开,包括确定可实施方向、思考特征降维、探讨训练及测试数据来源,还分析了聚类算法的不适用性,提出用神经网络算法解决基站负载分配问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

最近在跟着我们学校的余老师后面做本科科研,我们的科研课题是“机器学习在密集网络中的应用”。由于最近半个多月才接触到机器学习这块,同时每周我们都要对一星期的学习成果和个人对于课题的感想进行总结,所以接下来的博客主要的文章都会围绕机器学习和我们的课题

此次科研最终目标的思考:

由于超密集网络是为了适应5G的到来才提出来的,所以我们现在研究的方向是比较新的,相关的资料很少,我们的课题机器学习在密集网络中的应用也只是一个大的方向,我们应该寻找现实中的场景,将问题简化,可以在范围上进行限制,比如小区内(这个可能不太好,小区内WiFi应该用的更多)、广场上、火车站、、、、、因为课题非常新,其实很小的突破甚至思路就可以出一些有价值的成果。所以我觉得我们的第一目标就是尽快确定一个可实施的方向,然后着手实现并优化算法

UDN(超密集网络)的提出的目标和时间都比较近

降维的思考:

我看的这篇论文采用了星期、天气、时间、用户移动方向、在源小区位置、基站编号这六个特征,其实我们如果只是做用户在几个基站的流量分配而不进行预测的话,我们选取的特征大概也就天气、距离、障碍物、用户申请流量、基站编号、时间这几个,通过特征的相关性,可以将天气、时间、距离、障碍物这四个降维到网络接受质量上。由于我们的特征还在6个左右,其实不降维对算法的影响也不会很大,但是降维后更利于我们的理解和算法的构造

训练及测试数据来源:

特征的选取并不是按照真正的网络的性能,我们更多的时思路和想法,数据方面其实可以利用Scikit-learn进行仿真模拟

下图是参考论文的仿真数据

算法的思考:

聚类的目标是将相似的实例分组到集群中,而我们目的是将一定范围内的用户按照基站负载均匀的分配到限定范围内的几个基站,也就是将实例尽可能均匀分配到几个不同的集群中。所以我认为聚类的算法在我们这个应用场景下并不适用。张燕燕的论文中利用了决策树和神经网络的算法,给了我启发,我认为可以利用神经网络算法将特征输入,输出的结果个数可以跟我们的基站数划等号,但是神经网络还没有深入了解,只是简单的想法

下图是我参考的论文的流程图及算法

结束语

因为入门较晚,很多的思路和想法都不太成熟,但是在接下来的不断地学习中,目标也会越来越清晰。因为我是半路加进余老师的科研小组,所以总结从第五周才有

本文参考了张燕燕老师的论文《机器学习在5G超密集网络切换中的应用》

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值