[发明专利]一种基于多尺度圆形卷积神经网络的业务质量预测方法

权利要求书

1.一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D⁰，其特征在于，还包括以下步骤：

步骤01：初始化数据参数；

步骤02：构造输入层的输入样本D；

步骤03：计算卷积层输出H¹；

步骤04：计算全连接层输出H²；

步骤05：计算输出层输出；

步骤06：计算输出层损失、窗参W³和b³的梯度；

步骤07：计算L2全连接层损失窗参数W²和b²的梯度；

步骤08：计算L1卷积层损失窗参数W¹和b¹的梯度；

步骤09：更新窗参数；

步骤10：构造未知样本输入矩阵D′；

步骤11：进行业务质量标记结果的预测。

2.如权利要求1所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述业务感知样本训练集D⁰包括N个样本，共F+L个维度，其中F为特征维度个数，L为标记维度个数(即KQI指标个数)，D⁰为N×(F+L)矩阵。

3.如权利要求2所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤01包括以下子步骤：

步骤011：初始化卷积窗参数W¹，W²，W³，b¹，b²，b³；

步骤012：基于D⁰构造邻接矩阵A⁰＝[N×K]，依次选择D⁰中每个样本作为中心样本，根据其F个特征值构造的特征向量在D⁰的所有N个样本构成的特征空间中基于欧氏距离准则寻找其前K个最近邻样本，按距离从小到大原则将这K个样本的样本编号排序，并按中心样本的序号存储在A⁰中的对应行，最终构造出N×K维矩阵。

4.如权利要求3所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤02包括从D⁰中取1个训练样本，其标记矢量作为真实输出结果，从D⁰和A⁰中取该样本对应的K个近邻的标记值构成输入数据D＝[K×L]＝H⁰。

5.如权利要求4所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤03包括从卷积窗W¹取[K×L]…[25×L][16×L][9×L][4×L]各一种，共M＝sqrt(K)-1种卷积窗，每种窗用Q个，卷积结果经ReLU判决后输出得到H¹，即：

H¹＝ReLU(Z¹)

其中，激活前输入值Z¹＝W¹*H⁰+b¹，W¹和b¹为该层的卷积窗参数和偏置项，*为卷积运算，H¹为该层的输出。

6.如权利要求5所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤04包括用Q个[M×L]的卷积窗W²对输入处理得到H²：

H²＝W²*H¹+b²

其中，W²和b²为该层的卷积窗参数和偏置项，H²为全连接层的输出。