最近在跟著我們學校的餘老師後面做本科科研，我們的科研課題是「機器學習在密集網路中的應用」。由於最近半個多月才接觸到機器學習這塊，同時每週我們都要對一星期的學習成果和個人對於課題的感想進行總結，所以接下來的部落格主要的文章都會圍繞機器學習和我們的課題
由於超密集網路是為了適應5g的到來才提出來的，所以我們現在研究的方向是比較新的，相關的資料很少，我們的課題機器學習在密集網路中的應用也只是乙個大的方向，我們應該尋找現實中的場景，將問題簡化，可以在範圍上進行限制，比如小區內（這個可能不太好，小區內wifi應該用的更多）、廣場上、火車站、、、、、因為課題非常新，其實很小的突破甚至思路就可以出一些有價值的成果。所以我覺得我們的第一目標就是盡快確定乙個可實施的方向，然後著手實現並優化演算法
udn(超密集網路)的提出的目標和時間都比較近
我看的這篇**採用了星期、天氣、時間、使用者移動方向、在源小區位置、基站編號這六個特徵，其實我們如果只是做使用者在幾個基站的流量分配而不進行**的話，我們選取的特徵大概也就天氣、距離、障礙物、使用者申請流量、基站編號、時間這幾個，通過特徵的相關性，可以將天氣、時間、距離、障礙物這四個降維到網路接受質量上。由於我們的特徵還在6個左右，其實不降維對演算法的影響也不會很大，但是降維後更利於我們的理解和演算法的構造
特徵的選取並不是按照真正的網路的效能，我們更多的時思路和想法，資料方面其實可以利用scikit-learn進行**模擬
下圖是參考**的**資料
聚類的目標是將相似的例項分組到集群中，而我們目的是將一定範圍內的使用者按照基站負載均勻的分配到限定範圍內的幾個基站，也就是將例項盡可能均勻分配到幾個不同的集群中。所以我認為聚類的演算法在我們這個應用場景下並不適用。張燕燕的**中利用了決策樹和神經網路的演算法，給了我啟發，我認為可以利用神經網路演算法將特徵輸入，輸出的結果個數可以跟我們的基站數劃等號，但是神經網路還沒有深入了解，只是簡單的想法
下圖是我參考的**的流程圖及演算法
因為入門較晚，很多的思路和想法都不太成熟，但是在接下來的不斷地學習中，目標也會越來越清晰。因為我是半路加進餘老師的科研小組，所以總結從第五週才有
本文參考了張燕燕老師的**《機器學習在5g超密集網路切換中的應用》
第五周學習總結
上週由於學校單招的原因，很多專業課都沒有上。然後就有點懈怠了，在周五上課的時候，mysql的老師也說了我們下來沒有自己去學習的這個問題。師傅領進門修行在個人，最重要還是看自己的學習，和下來的努力。不過課還是要還的，這週欠了好多課。公開課上數學也越來越深，感覺有點聽不懂了，物理學習老講了機械振動，英語...
第五周學習總結
這個週末想休息 這一周感覺收穫很多，模板感覺背的都沒有別的板塊那麼生了，還連著組隊練習賽打了好久 真好，有種自己不需要打 只需要思考的爽快 畢竟我這種菜雞，也幫不上什麼忙嗚嗚嗚。很喜歡一起討論問題，因為或許別人一句不知道什麼話就能開啟乙個思路，而不再是自己乙個人默默鑽牛角尖兒。開始玩洛谷上真正的水題...
第五周學習總結
總控makefile cc gcc cflags wall o3 libs lpthread target client source wildcard src c 列出當前目錄下src目錄的所有.c檔案 objs pa tsub st patsubst c,o,patsu bst source 將...