微波网络(Microwave-based Wireless Network,MWN)是基于微波的无线网络,微波网络具有容量大、通信距离远等特点,是构成国家通信网络的重要组成部分。由于微波网络受地形限制,因此在对微波网络进行规划时,需要针对不同的地形,对网络中长链路、链路间的小夹角、多条链路的链路交叉和视通条件等影响网络性能的因素进行不同程度的优化。运营商在进行微波网络拓扑规划前,需要精确识别微波网络所呈现的地形特点,这产生了一个重要的研究问题,即微波网络地形识别问题。虽然已有大量针对地形识别问题的研究,然而主流的识别技术主要通过遥感数据、地理信息系统和全球定位系统(即3S数据)以及数字高程模型(Digital Elevation Model,DEM),实现面向片状区域的划分式识别和分析。而微波网络地形由网络节点和链接构成,其识别存在三个挑战,包括无高信息量识别样本、非片状区域识别以及多层次识别困难,这导致主流的地形识别技术无法适用。为此,本文针对微波网络地形识别问题,提出了两种新颖的基于机器学习的微波网络地形识别算法,具体如下:本文首先提出了一种基于K均值聚类(K-means)的微波网络地形识别算法。该算法首先在包含山地、平原等多种地形的目标区域内随机抓取一定数量和待识别网络类似的参考网络,并为待识别网络与参考网络依次建立网络地形的数字高程模型(DEM)。基于建立的DEM提取五项地形特征值,包括平均海拔特征、海拔方差特征、横纵狭长特征、斜向狭长特征和视通比例特征。然后,采用对比定位识别思想,通过拐点法(Elbow Method)确定最优聚类中心数目,最大最小初始聚类中心法确定最优聚类中心初始位置,单维度识别策略解决不同数据密度相互干扰的问题,最终采用K-means算法对各个微波网络地形特征实现无监督聚类。最后,将待识别网络各个维度的聚类结果作为其对应的地形标签输出。通过实验发现,基于K-means的微波网络地形识别算法可有效识别各类待识别的网络地形,相对于人工识别在识别准确度和效率方面具有一定优势,且单次待识别的网络数目越多,算法优势越明显。其次,考虑到基于K-means聚类的微波网络地形识别算法,在识别典型地形类别间的非典型地形时误差较大的问题,本文进一步提出了一种基于K最近邻分类(K-Nearest Neighbors,KNN)的微波网络地形识别算法。类似地,该算法首先为待识别网络抓取参考网络,建立对应的DEM,然后提取五项地形特征值。接着,通过K-means聚类算法获取参考网络的标签,进而制成数据样本。进一步,采用弹性K值策略确定该算法中的K值;采用特征比策略,解决类间待识别微波网络的划分问题,同时降低K值选择对识别结果的影响。最终,输出待识别网络的特征比,完成识别。通过实验发现,相对基于K-means聚类的微波网络地形识别算法,基于KNN的微波网络地形识别算法可以更准确地识别两类间的非典型微波网络地形。