CN110022235A - 信息处理方法、终端和服务器 - Google Patents
信息处理方法、终端和服务器 Download PDFInfo
- Publication number
- CN110022235A CN110022235A CN201910313875.XA CN201910313875A CN110022235A CN 110022235 A CN110022235 A CN 110022235A CN 201910313875 A CN201910313875 A CN 201910313875A CN 110022235 A CN110022235 A CN 110022235A
- Authority
- CN
- China
- Prior art keywords
- state information
- terminal
- network state
- object event
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Abstract
本发明提供一种信息处理方法、终端和服务器,其中应用于终端的方法包括:采集所述终端当前的网络状态信息;将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;在所述预测结果指示所述当前的网络状态信息符合所述目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。终端在预测结果指示当前的网络状态信息符合目标事件的触发条件时,可以及时执行对应该目标事件的操作。终端利用依据固有协议搜索到的网络状态信息来预测可能发生的异常事件,以便采取及时、有效的措施来应对可能发生的异常事件,减少异常事件对终端的影响,增加了终端采集到的小区资讯的多方面应用,且优化了终端应对异常事件的预测和处理机制。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种信息处理方法、终端和服务器。
背景技术
终端在使用过程中,通常需要持续对周遭小区进行搜索和量测,搜索到的小区资讯用于查找服务质量较好的小区,以使终端能够较为及时的切换到服务质量最好的小区。然而,在终端因小区服务质量等因素发生掉话、切换网络连接等突发事件的情况下,终端通常无法针对该事件作出及时有效的处理措施,从而影响终端的正常使用。
可见,现有的终端存在对突发事件处理较为不及时的技术问题。
发明内容
本发明实施例提供一种信息处理方法、终端和服务器,以解决现有的终端存在对突发事件处理较为不及时技术问题。
为了达到上述目的,本发明提供的具体方案如下:
第一方面,本发明实施例提供了一种信息处理方法,应用于终端,所述方法包括:
采集所述终端当前的网络状态信息;
将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
在所述预测结果指示所述当前的网络状态信息符合目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。
第二方面,本发明实施例提供了一种信息处理方法,应用于服务器,所述网络生成方法包括:
接收终端发送的目标事件对应的网络状态信息;
根据所述目标事件对应的网络状态信息生成预测网络模型;
将所述预测网络模型发送至所述终端。
第三方面,本发明实施例提供了一种终端,包括:
采集模块,用于采集所述终端当前的网络状态信息;
输入模块,用于将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
执行模块,用于在所述预测结果指示所述当前的网络状态信息符合目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。
可选的,所述采集模块还用于持续采集所述终端的网络状态信息;
所述终端还包括:
获取模块,用于在监测到目标事件触发的情况下,获取所采集的所述终端的网络状态信息中与所述目标事件对应的网络状态信息;
训练模块,用于根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述目标事件对应的网络状态信息为所述目标事件触发前预设时段内所采集的所述终端的网络状态信息;
所述训练模块用于:
将所述目标事件触发前预设时段内所采集的所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
可选的,所述训练模块用于:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述采集模块还用于持续采集所述终端的网络状态信息;
所述终端还包括:
发送模块,用于在监测到所述目标事件触发的情况下,向服务器发送所述目标事件对应的网络状态信息,以使所述服务器根据所述目标事件对应的网络状态信息生成所述预测网络模型;
接收模块,用于接收所述服务器返回的所述预测网络模型。
可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
第四方面,本发明实施例提供了一种服务器,包括:
接收模块,用于接收终端发送的所述目标事件对应的网络状态信息;
生成模块,用于根据所述目标事件对应的网络状态信息生成预测网络模型;
发送模块,用于将所述预测网络模型发送至所述终端。
可选的,所述目标事件对应的网络状态信息为所述目标事件发生前预设时段内所述终端的网络状态信息;
所述生成模块用于:
将所述目标事件触发前预设时段内所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
第五方面,本发明实施例还提供了一种服务器,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的信息处理方法。
第六方面,本发明实施例还提供了一种服务器,包括收发机、总线接口、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第二方面中任一项所述的信息处理方法。
第七方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机序被处理器执行时实现如第一方面和第二方面中任一项所述的信息处理方法的步骤。
本发明实施例中,终端通过采集当前的网络状态信息,并输入到预测网络模型中,以预测是否可能发生目标事件。终端在预测结果指示当前的网络状态信息符合目标事件的触发条件的情况下,可以及时执行该目标事件关联的目标操作。这样,终端依据搜索到的网络状态信息来预测可能发生的异常事件,以便采取及时、有效的措施来应对可能发生的异常事件,减少异常事件对终端的影响,优化了终端应对异常事件的预测和处理机制。
附图说明
图1为本发明一实施例提供的一种信息处理方法的流程示意图;
图2为本发明实施例中的预测网络模型的一种训练流程示意图;
图3为本发明实施例中的预测网络模型的另一种训练流程示意图;
图4为本发明另一实施例提供的一种信息处理方法的流程示意图;
图5为本发明一实施例提供的一种终端的结构示意图;
图6为本发明实施例提供的另一种终端的结构示意图;
图7为本发明实施例提供的另一种终端的结构示意图;
图8为一本发明实施例提供的一种服务器的结构示意图;
图9为本发明另一实施例提供的一种终端的结构示意图;
图10为本发明另一实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1为本发明实施例提供的一种信息处理方法的流程示意图。本实施例中,所述信息处理方法应用于终端,所述终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、计步器等。如图1所示,所提供的信息处理方法包括以下步骤:
步骤101、采集终端当前的网络状态信息;
本实施例中,终端处于网络连接状态时,可以实时采集其当前的网络状态信息,终端所接入的网络可以包括全球移动通信系统(Global System for Mobilecommunications,简称GSM)、宽带码多分址(Wideband Code Division Multiple Access,简称WCDMA)、码多分址(Code Division Multiple Access,简称CDMA)、通用移动通信技术的长期演进(Long Term Evolution,简称LTE)、第五代移动通信网络新空口(5th-Generation New Radio,简称5G NR)等中的一项或多项。终端内设置有至少一张用户身份识别卡(Subscriber Identification Module,简称SIM卡),终端通过该至少一张SIM卡与对应的网络服务基站建立通信连接,实现终端通信。终端所采集的网络状态信息,可以为终端上部分SIM卡或者全部SIM卡采集到的网络状态信息。需要说明的是,终端固有协议中通常需要持续两侧周遭小区以获取网络状态信息,因此,本申请所获取的网络状态信息可以为终端依据固有协议搜索的网络状态信息,利用在先获取的网络状态信息而不需要另外的获取操作,节省了终端的工作量。
可选的,所述网络状态信息可以包括频点、小区资讯和小区信号量测结果中的至少一种。
具体的,所述频点可以包括同频事件和异频事件,即当前业务所占用的频点与目标小区的主频点的对比状态。所述小区资讯和小区信号量测结果则可以包括当前服务小区和邻近小区的资讯、信号强度、信号质量等网络参数。
终端可以持续性地实时采集所述终端当前的网络状态信息,以保证所采集的网络状态信息的及时性和全面性。当然,终端也可以周期性地采集终端当前的网络状态信息,以减少终端采集信息的工作量。例如:终端在时间T搜寻量测到m个频点(F1,F2,…,Fm)上共n个小区(C1,C2,…,Cn)和对应的小区资讯,以及对应n个小区的n笔量测结果(M1,M2,…,Mn)。在时间T+k(K可为任意值)时,再次记录当时所有SIM卡的搜寻量测到的频点、小区资讯和对应的量测结果。
终端采集到网络状态信息后,可以将所述网络状态信息存储在本地方便直接调取,或者将所采集的网络状态信息上传至远程存储设备,以减少本地存储空间的占用。
步骤102、将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
终端内预先存储有预测网络模型,该预测网络模型可以为终端直接从其他设备上获取的,也可以为终端利用历史数据对深度学习网络训练得到的。该预测网络模型用于预测终端可能触发的事件,所述事件可以为终端上能够得知和/或接收到的任何资讯或者操作,所述事件可以为用户主动施加在终端上的操作,也可以为终端软硬件或者网络等以主动或者被动方式所触发的操作。例如,所预测的事件可以包括但不限于掉话、网络连接方案切换、打开应用、消息推送等。
终端在利用预测网络模型对某一事件进行预测时,该事件可以定义为目标事件。需要说明的是,目标事件可以为一个事件,也可以为同时或者连续触发的多个事件,不作限定。
终端在利用预测网络模型进行目标事件的预测操作时,将当前的网络状态输入预测网络模型,由预测网络模型通过预制程序,计算当前的网络状态信息与目标事件对应的网络状态信息的匹配情况,输出预测结果。通常预测结果包括两类,一类用于指示当前的网络状态信息符合目标事件的触发条件,另一类则用于指示当前的网络状态信息不符合目标事件的触发条件。
步骤103、在所述预测结果指示所述当前的网络状态信息符合目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。
若预测结果指示当前的网络状态信息符合目标事件的触发条件,则表示终端可能会再次触发该目标事件,终端即可执行用于应对所述目标事件的目标操作,以避免或者弱化该目标事件触发对终端的正常使用所造成的影响。
具体实施时,终端可以预先针对不同的事件设定不同的应对操作,即每个目标事件均关联有模板操作。例如,若所述目标事件为掉话,则关联的目标操作可以为切换小区、更换通信方式等。若所述目标事件为用户手动打开目标应用或者切换为目标网络,则关联的目标操作可以为终端自动打开目标应用或者切换为目标网络,节省了用户操作,方便用户使用。
上述本发明实施例提供的信息处理方法,终端通过采集当前的网络状态信息,并输入到预测网络模型中,以预测是否可能发生目标事件。终端在预测结果指示当前的网络状态信息符合目标事件的触发条件的情况下,可以及时执行对应该目标事件的操作。这样,终端依据搜索到的网络状态信息来预测可能发生的异常事件,以便采取及时、有效的措施来应对可能发生的异常事件,减少异常事件对终端的影响,优化了终端应对异常事件的预测和处理机制。利用终端搜索到的小区资讯来预测目标事件也增加了针对小区资讯的多方面应用。
本发明另一实施例提供了一种信息处理方法,相对于上述图1所示的实施例的区别在于,增设了预测网络模型的生成方案。如图2所示为所述信息处理方法中的预测网络模型的训练流程示意图,训练流程主要包括以下步骤:
步骤201、持续采集终端的网络状态信息;
步骤202、在目标事件发生的情况下,获取所采集的所述终端的网络状态信息中与所述目标事件对应的网络状态信息;
本实施例中,终端在利用预测网络模型执行事件预测操作之前,先生成预测网络模型。具体的,终端持续采集网络状态信息,并监测是否发生目标事件。需要说明的是,所述目标事件可以是曾经触发过的事件,也可以是事先定义好但可能尚未触发过的事件。
终端监测到目标事件发生,即需要在所采集的大量的网络状态信息中,查找与该目标事件对应的网络状态信息。在一种实施方式中,在所采集的网络状态信息中,与目标事件对应的网络状态信息可以为在目标事件触发时刻之前的预设时段内,终端采集到的全部或者部分网络状态信息,例如,在掉话事件触发前10秒内的网络状态信息。在其他实施方式中,与目标事件对应的网络状态信息也可以为与目标事件所关联的SIM卡量测的网络状态信息,或者其他对应关系获取的网络状态信息,在此不作限定。
步骤203、根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到预测网络模型。
终端将与目标事件对应的网络状态信息作为训练资料,对深度学习网络进行训练,以得到预测网络模型。深度学习是机器学习中一种基于对数据进行表征学习的方法,用非监督式或半监督式的特征学习和分层特征提取高效算法替代手工获取特征。深度学习网络可以包括卷积神经网络(Convolutional Neural Network,简称CNN)和深度置信网络(Deep Neural Network,简称DNN),深度学习网络的训练过程根据深度学习网络的类型及输入数据的不同而有所差异。
上述本发明实施例提供的信息处理方法,终端通过在目标事件触发时,采集目标事件对应的网络状态信息,并借此对深度学习网络进行学习,即可得到用于预测目标事件的预测网络模型,进而利用该预测网络模型对终端的网络状态信息进行监测,及对目标事件进行预测。进一步优化了终端应对突发事件的预测和处理机制。
在一种具体实施方式中,所述目标事件对应的网络状态信息可以为所述目标事件触发前预设时段内所采集的所述终端的网络状态信息;
步骤203所述的,根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型,可以包括:
将所述目标事件触发前预设时段内所采集的所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
本实施方式中,将与目标事件对应的网络状态信息限定为在目标事件触发前预设时段内所采集的所述终端的网络状态信息,以监测目标事件触发前的网络状态变化情况,预设时段的具体时长可以根据目标事件的类型来具体确定。例如,若目标事件为掉话,掉话事件与网络状态变化的瞬时性关联较大,则可以将预设时段定义为10秒至5秒。若目标事件为打开应用,打开应用事件与较长时段的网络变化状态关联,可以将预设时段定义为30秒至60秒。
终端获取目标事件触发前预设时段内所采集的终端的网络状态信息后,先将该部分网络状态信息按照预设顺序排列。其中,所遵循的预设顺序可以为时间延展规则,则可以将所获取的该预设时段的网络状态信息按照采集时刻的先后排序。例如,将在第X秒触发目标事件前10秒内的网络状态信息按照采集时间为第(X-10)秒、第(X-9)秒……第(X-1)秒的顺序排列。当然,在其他实施方式中,所遵循的预设顺序还可以包括信号强度参数,例如信号强度值由大到小的排列规则,或者为信号质量参数,例如信号质量由好到弱的顺序等,不作限定。
终端将排列后的网络状态信息作为特征向量Feature,将目标事件作为标签Label,即可将该特征向量及匹配的标签作为训练资料对深度学习网络进行训练,得到预测网络模型。
终端根据所述目标事件对应的网络状态信息,对深度学习网络进行训练的主要过程可以包括:通过所述深度学习网络的卷积层对输入的网络状态信息进行处理以提取信息特征,通过其池化层对所述网络状态信息进行池化,通过其全连接层连接局部特征以形成全局感知,通过分类层对所述网络状态信息进行分类定位,通过标签利用网络算法反向调整网络权值以生成最优的带权值的深度学习网络,即预测网络模型。
本实施方式通过学习目标事件预设时段内的网络状态信息的特征,以得到目标事件发生前的预设时段内对应的网络状态信息所符合的预测网络模型。这样,即可以利用该预测网络模型监控网络状态信息,以便在预测到可能发生目标事件时采取关联的目标操作。
在另一种具体实施方式中,步骤203所述的,根据与所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型,可以包括:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
本实施方式中,终端在生成预测网络模型时,利用至少两次训练资料来训练深度学习网络。在目标事件至少触发两次的情况下,将目标事件每次触发时所对应的网络状态信息作为一次训练资料。例如,在掉话事件第一次触发时,将该第一次掉话事件前十秒内的网络状态信息作为第一笔训练资料对深度学习网络进行训练。在掉话事件第二次触发时,将第二次掉话事件前十秒内的网络状态信息作为第二笔训练资料继续对深度学习网络进行训练,依次类推,即可得到最后的预测网络模型,用于对目标事件进行预测。当然,在利用预测网络模型进行事件预测的同时,也可以进行对预测网络模型的优化操作。
这样,通过多次训练资料即可持续对深度学习模型进行训练和优化,得到的预测网络模型的预测准确度相对更高。
在另一种具体实施方式中,如图3所示为预测网络模型的另一种训练流程示意图,主要包括以下步骤:
步骤301、持续采集终端的网络状态信息;
步骤302、在目标事件发生的情况下,向服务器发送所述目标事件对应的网络状态信息,以使所述服务器根据所述目标事件对应的网络状态信息生成所述预测网络模型;
步骤303、接收所述服务器返回的所述预测网络模型。
本实施方式中,预测网络模型的生成操作由服务器端来执行。终端在监测到目标事件触发时,将该目标事件对应的网络状态信息发送至服务器,服务器借此来生成预测网络模型,然后再将所生成的预测网络模型发送至终端使用。
将利用目标事件对应的网络状态信息训练预测网络模型的操作交由服务器来执行,减少了终端的运算量和数据存储量,提高了终端的运行速度。
此外,终端也可以将采集的全部网络状态信息均发送至服务器,在监测到目标事件触发时,将目标事件触发的时间或者其他属性信息发送至服务器,由服务器从所接收的大量网络状态信息中筛选与目标事件对应的网络状态信息。这样,可以进一步减少终端的运算量和内存占用。
参见图4,为本发明另一实施例提供的信息处理方法的流程示意图,所述信息处理方法应用于服务器。如图4所示,所提供的信息处理方法主要包括:
步骤401、接收终端发送的所述目标事件对应的网络状态信息;
步骤401、根据所述目标事件对应的网络状态信息生成预测网络模型;
步骤401、将所述预测网络模型发送至所述终端。
本实施例中,服务器与终端建立通信连接。终端在监测到目标事件触发时,将该目标事件对应的网络状态信息发送至服务器,服务器借此来生成预测网络模型,然后再将所生成的预测网络模型发送至终端使用。可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
在一种具体实施方式中,所述目标事件对应的网络状态信息为所述目标事件触发前预设时段内所述终端的网络状态信息;
步骤402所述的,根据所述目标事件对应的网络状态信息生成预测网络模型,可以包括:
将所述目标事件触发前预设时段内所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
终端将排列后的网络状态信息作为特征向量Feature,将目标事件作为标签Label,即可将该特征向量及匹配的标签作为训练资料对深度学习网络进行训练,得到预测网络模型。
在另一种实施方式中,步骤402所述的,根据所述目标事件对应的网络状态信息生成预测网络模型的步骤,包括:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
通过多次训练资料即可持续对深度学习模型进行训练和优化,得到的预测网络模型的预测准确度相对更高。
上述本发明实施例提供的信息处理方法,服务器执行利用目标事件对应的网络状态信息训练预测网络模型的操作,减少了终端的运算量和数据存储量,提高了终端的运行速度。终端利用服务器生成的预测网络模型预测目标事件,并在目标事件可能触发时,终端应对操作,这样可以降低目标事件对终端的正常使用所造成的影响,优化了终端应对突发事件的预测和处理机制。本发明实施例提供的信息处理方法的具体实施过程,可以参见上述图1至图3所示的实施例提供的信息处理方法的具体实施过程,在此不再一一赘述。
参见图5,图5为本发明实施例提供的一种终端的结构示意图。如图5所示,所述终端500包括:
采集模块501,用于采集所述终端当前的网络状态信息;
输入模块502,用于将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
执行模块503,用于在所述预测结果指示所述当前的网络状态信息符合所述目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。
可选的,所述采集模块501还用于持续采集所述终端的网络状态信息;
如图6所示,所述终端500还包括:
获取模块504,用于在监测到所述目标事件触发的情况下,获取所采集的所述终端的网络状态信息中与所述目标事件对应的网络状态信息;
训练模块505,用于根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述目标事件对应的网络状态信息为所述目标事件触发前预设时段内所采集的所述终端的网络状态信息;
所述训练模块505用于:
将所述目标事件触发前预设时段内所采集的所述终端500的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
可选的,所述训练模块505用于:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述采集模块501还用于持续采集所述终端500的网络状态信息;
如图7所示,所述终端500还包括:
发送模块506,用于在监测到所述目标事件触发的情况下,向服务器发送所述目标事件对应的网络状态信息,以使所述服务器根据所述目标事件对应的网络状态信息生成所述预测网络模型;
接收模块507,用于接收所述服务器返回的所述预测网络模型。
可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
上述本发明实施例提供的终端,通过采集当前的网络状态信息,并输入到预测网络模型中,即可根据预测结果确定当前的网络状态信息是否符合触发目标事件的触发条件。终端在预测结果指示当前的网络状态信息符合目标事件的触发条件时,可以及时执行对应该目标事件的操作。这样,终端搜索到的网络状态信息来预测可能发生的异常事件,以便采取及时、有效的措施来应对可能发生的异常事件,减少异常事件对终端的影响,增加了终端采集到的小区资讯的多方面应用,且优化了终端应对异常事件的预测和处理机制。本发明实施例提供的终端的具体实施过程,可以参见上述图1至图4所示的实施例提供的信息处理方法的具体实施过程,在此不再一一赘述。
参见图8,图8为本发明实施例提供的一种服务器的结构示意图。如图8所示,所述服务器800包括:
接收模块801,用于接收终端发送的所述目标事件对应的网络状态信息;
生成模块802,用于根据所述目标事件对应的网络状态信息生成预测网络模型;
发送模块803,用于将所述预测网络模型发送至所述终端。
可选的,所述目标事件对应的网络状态信息为所述目标事件触发前预设时段内所述终端的网络状态信息;
所述生成模块802用于:
将所述目标事件触发前预设时段内所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量,将所述目标事件作为标签,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述生成模块802用于:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
上述本发明实施例提供的服务器,通过服务器执行利用目标事件对应的网络状态信息训练预测网络模型的操作,减少了终端的运算量和数据存储量,提高了终端的运行速度。终端利用服务器生成的预测网络模型预测目标事件,并在目标事件可能触发时,终端应对操作,这样可以降低目标事件对终端的正常使用所造成的影响,优化了终端应对突发事件的预测和处理机制。本发明实施例提供的信息处理方法的具体实施过程,可以参见上述图1至图4所示的实施例提供的信息处理方法的具体实施过程,在此不再一一赘述。
参见图9,图9是本发明另一实施例提供的终端的结构示意图。如图9所示,为实现本发明各个实施例的一种终端,该终端900包括但不限于:射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、账户信息获取方法单元909、用户输入单元907、接口单元908、存储器909、处理器910、以及电源911等部件。本领域技术人员可以理解,图9中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,处理器910,用于:
采集所述终端当前的网络状态信息;
将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
在所述预测结果指示所述当前的网络状态信息符合所述目标事件的触发条件时的情况下,执行所述目标事件关联的目标操作。
可选的,所述处理器910还用于:
持续采集所述终端的网络状态信息;
在目标事件发生的情况下,获取所采集的所述终端的网络状态信息中与所述目标事件对应的网络状态信息;
根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述目标事件对应的网络状态信息为所述目标事件触发前预设时段内所采集的所述终端的网络状态信息;
所述处理器910还用于:
将所述目标事件触发前预设时段内所采集的所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
可选的,所述处理器910还用于:
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述处理器910还用于:
持续采集所述终端的网络状态信息;
在所述目标事件发生的情况下,向服务器发送所述目标事件对应的网络状态信息,以使所述服务器根据所述目标事件对应的网络状态信息生成所述预测网络模型;
接收所述服务器返回的所述预测网络模型。
可选的,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
终端900能够实现前述实施例中终端实现的各个过程,为避免重复,这里不再赘述。
本发明实施例的终端,通过采集当前的网络状态信息,并输入到预测网络模型中,即可根据预测结果确定当前的网络状态信息是否符合触发目标事件的触发条件。终端在预测结果指示当前的网络状态信息符合目标事件的触发条件时,可以及时执行对应该目标事件的操作。这样,终端搜索到的网络状态信息来预测可能发生的异常事件,以便采取及时、有效的措施来应对可能发生的异常事件,减少异常事件对终端的影响,增加了终端采集到的小区资讯的多方面应用,且优化了终端应对异常事件的预测和处理机制。本发明实施例提供的终端的具体实施过程可以参见上述图1至图4所示的实施例提供的信息处理方法的具体实施过程,在此不再一一赘述。
应理解的是,本发明实施例中,射频单元901可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器910处理;另外,将上行的数据发送给基站。通常,射频单元901包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元901还可以通过无线通信系统与网络和其他设备通信。
终端通过网络模块902为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元903可以将射频单元901或网络模块902接收的或者在存储器909中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元903还可以提供与终端900执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元903包括扬声器、蜂鸣器以及受话器等。
输入单元904用于接收音频或视频信号。输入单元904可以包括图形处理器(Graphics Processing Unit,GPU)9041和麦克风9042,图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以账户信息获取方法在账户信息获取方法单元909上。经图形处理器9041处理后的图像帧可以存储在存储器909(或其它存储介质)中或者经由射频单元901或网络模块902进行发送。麦克风9042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元901发送到移动通信基站的格式输出。
终端900还包括至少一种传感器905,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板9061的亮度,接近传感器可在终端900移动到耳边时,关闭账户信息获取方法面板9091和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器905还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元906用于账户信息获取方法由用户输入的信息或提供给用户的信息。显示单元906可包括显示面板9061,可以采用液晶账户信息获取方法器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板9061。
用户输入单元907可用于接收输入的数字或字符信息,以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板9071上或在触控面板9071附近的操作)。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器910,接收处理器910发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板9071。除了触控面板9071,用户输入单元907还可以包括其他输入设备9072。具体地,其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板9071可覆盖在显示面板9061上,当触控面板9071检测到在其上或附近的触摸操作后,传送给处理器910以确定触摸事件的类型,随后处理器910根据触摸事件的类型在账户信息获取方法面板9091上提供相应的视觉输出。虽然在图9中,触控面板9071与显示面板9061是作为两个独立的部件来实现终端的输入和输出功能,但是在某些实施例中,可以将触控面板9071与显示面板9061集成而实现终端的输入和输出功能,具体此处不做限定。
接口单元908为外部装置与终端900连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元908可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到终端900内的一个或多个元件或者可以用于在终端900和外部装置之间传输数据。
存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器909可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器910是终端的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器909内的软件程序和/或模块,以及调用存储在存储器909内的数据,执行终端的各种功能和处理数据,从而对终端进行整体监控。处理器910可包括一个或多个处理单元;优选的,处理器910可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器910中。
终端900还可以包括给各个部件供电的电源911(比如电池),优选的,电源911可以通过电源管理系统与处理器910逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,终端900包括一些未示出的功能模块,在此不再赘述。
参见图10,图10是本发明实施例提供的一种服务器的结构图,如图10所示,服务器1000包括:收发机1001、总线接口及处理器1002,其中:
收发机1001,用于接收终端发送的所述目标事件对应的网络状态信息;
处理器1002,用于根据所述目标事件对应的网络状态信息生成预测网络模型;
所述收发机1001还用于:将所述预测网络模型发送至所述终端。
可选的,所述处理器1002还用于:
将所述目标事件触发前预设时段内所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量,将所述目标事件作为标签,对深度学习网络进行训练,得到所述预测网络模型。
可选的,所述处理器1002还用于:
接收所述第一终端发送的模板数据获取请求;
根据所述目标事件至少两次触发时所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
可选的所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
在本发明实施例中,服务器1000还包括:存储器1003。在图10中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器1002代表的一个或多个处理器和存储器1003代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机1001可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。处理器1002负责管理总线架构和通常的处理,存储器1003可以存储处理器1002在执行操作时所使用的数据。
本发明实施例提供的服务器1000,可以执行利用目标事件对应的网络状态信息训练预测网络模型的操作,减少了终端的运算量和数据存储量,提高了终端的运行速度。本发明实施例可以执行上述方法实施例中的服务器可以执行的步骤,不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述信息处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种信息处理方法,应用于终端,其特征在于,所述方法包括:
采集所述终端当前的网络状态信息;
将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
在所述预测结果指示所述当前的网络状态信息符合目标事件的触发条件的情况下,执行所述目标事件关联的目标操作。
2.根据权利要求1所述的方法,其特征在于,所述采集所述终端当前的网络状态信息之前,所述方法还包括:
持续采集所述终端的网络状态信息;
在目标事件发生的情况下,获取所采集的所述终端的网络状态信息中与所述目标事件对应的网络状态信息;
根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型。
3.根据权利要求2所述的方法,其特征在于,所述目标事件对应的网络状态信息为所述目标事件发生前预设时段内所采集的所述终端的网络状态信息;
所述根据所述目标事件对应的网络状态信息,对深度学习网络进行训练,得到所述预测网络模型,包括:
将所述目标事件触发前预设时段内所采集的所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
4.根据权利要求2所述的方法,其特征在于,所述采集所述终端当前的网络状态信息之前,所述方法还包括:
持续采集所述终端的网络状态信息;
在所述目标事件发生的情况下,向服务器发送所述目标事件对应的网络状态信息,以使所述服务器根据所述目标事件对应的网络状态信息生成所述预测网络模型;
接收所述服务器返回的所述预测网络模型。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
6.一种信息处理方法,应用于服务器,其特征在于,所述方法包括:
接收终端发送的目标事件对应的网络状态信息;
根据所述目标事件对应的网络状态信息生成预测网络模型;
将所述预测网络模型发送至所述终端。
7.根据权利要求6所述的方法,其特征在于,所述目标事件对应的网络状态信息为所述目标事件发生前预设时段内所述终端的网络状态信息;
所述根据所述目标事件对应的网络状态信息生成预测网络模型,包括:
将所述目标事件触发前预设时段内所述终端的网络状态信息按照预设顺序排列;
将按照预设顺序排列后的网络状态信息作为特征向量;
基于所述目标事件,生成事件标签;
采用所述特征向量和所述事件标签,对预设的深度学习网络进行训练,得到所述预测网络模型。
8.根据权利要求6或者7所述的方法,其特征在于,所述网络状态信息包括频点、小区资讯和小区信号量测结果中的至少一种。
9.一种终端,其特征在于,包括:
采集模块,用于采集所述终端当前的网络状态信息;
输入模块,用于将所述当前的网络状态信息输入到预测网络模型中,得到预测结果;
执行模块,用于在所述预测结果指示所述当前的网络状态信息符合目标事件的触发条件的情况下,执行对应所述目标事件关联的目标操作。
10.一种服务器,其特征在于,包括:
接收模块,用于接收终端发送的目标事件对应的网络状态信息;
生成模块,用于根据所述目标事件对应的网络状态信息生成预测网络模型;
发送模块,用于将所述预测网络模型发送至所述终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313875.XA CN110022235B (zh) | 2019-04-18 | 2019-04-18 | 信息处理方法、终端和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313875.XA CN110022235B (zh) | 2019-04-18 | 2019-04-18 | 信息处理方法、终端和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110022235A true CN110022235A (zh) | 2019-07-16 |
CN110022235B CN110022235B (zh) | 2022-07-15 |
Family
ID=67191823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910313875.XA Active CN110022235B (zh) | 2019-04-18 | 2019-04-18 | 信息处理方法、终端和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110022235B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554292A (zh) * | 2020-05-22 | 2020-08-18 | 广州三星通信技术研究有限公司 | 在移动终端中进行人机交互的方法及其装置 |
CN111614474A (zh) * | 2020-04-23 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN112468654A (zh) * | 2020-12-13 | 2021-03-09 | 胡振刚 | 电子设备使用限制处理方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130303156A1 (en) * | 2010-06-18 | 2013-11-14 | Microsoft Corporation | Determining Network Quality |
CN105282299A (zh) * | 2014-06-11 | 2016-01-27 | 中兴通讯股份有限公司 | 一种应用启动装置与方法 |
CN106201448A (zh) * | 2015-05-04 | 2016-12-07 | 中国移动通信集团辽宁有限公司 | 信息处理方法及用户终端 |
US20170041413A1 (en) * | 2015-08-07 | 2017-02-09 | Bento Labs Inc. | Systems and methods for anticipatory push search for a homescreen browser |
CN106488481A (zh) * | 2015-08-28 | 2017-03-08 | 维亚威解决方案英国有限公司 | 对移动网络性能建模 |
CN106717036A (zh) * | 2014-09-29 | 2017-05-24 | 阿尔卡特朗讯 | 用于在移动装置上确定网络信息的系统及方法 |
CN107249200A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊预测模型的切换方法 |
CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
CN108701149A (zh) * | 2016-12-27 | 2018-10-23 | 华为技术有限公司 | 一种智能推荐方法和终端 |
CN109041148A (zh) * | 2018-08-27 | 2018-12-18 | 维沃移动通信有限公司 | 一种移动终端操作方法及移动终端 |
-
2019
- 2019-04-18 CN CN201910313875.XA patent/CN110022235B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130303156A1 (en) * | 2010-06-18 | 2013-11-14 | Microsoft Corporation | Determining Network Quality |
CN105282299A (zh) * | 2014-06-11 | 2016-01-27 | 中兴通讯股份有限公司 | 一种应用启动装置与方法 |
CN106717036A (zh) * | 2014-09-29 | 2017-05-24 | 阿尔卡特朗讯 | 用于在移动装置上确定网络信息的系统及方法 |
CN106201448A (zh) * | 2015-05-04 | 2016-12-07 | 中国移动通信集团辽宁有限公司 | 信息处理方法及用户终端 |
US20170041413A1 (en) * | 2015-08-07 | 2017-02-09 | Bento Labs Inc. | Systems and methods for anticipatory push search for a homescreen browser |
CN106488481A (zh) * | 2015-08-28 | 2017-03-08 | 维亚威解决方案英国有限公司 | 对移动网络性能建模 |
CN108701149A (zh) * | 2016-12-27 | 2018-10-23 | 华为技术有限公司 | 一种智能推荐方法和终端 |
CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
CN107249200A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊预测模型的切换方法 |
CN109041148A (zh) * | 2018-08-27 | 2018-12-18 | 维沃移动通信有限公司 | 一种移动终端操作方法及移动终端 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614474A (zh) * | 2020-04-23 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN111554292A (zh) * | 2020-05-22 | 2020-08-18 | 广州三星通信技术研究有限公司 | 在移动终端中进行人机交互的方法及其装置 |
CN112468654A (zh) * | 2020-12-13 | 2021-03-09 | 胡振刚 | 电子设备使用限制处理方法和装置 |
CN112468654B (zh) * | 2020-12-13 | 2022-03-08 | 胡振刚 | 电子设备使用限制处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110022235B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109768810A (zh) | 一种信号处理电路、终端设备及信号处理方法 | |
CN108494030A (zh) | 一种无线充电方法、终端及发射端设备 | |
CN109656827A (zh) | 一种控件树生成方法和终端设备 | |
CN110035149A (zh) | 一种多天线优化方法及移动终端 | |
CN108427873A (zh) | 一种生物特征识别方法及移动终端 | |
CN108509299A (zh) | 消息处理方法、设备及计算机可读存储介质 | |
CN110022235A (zh) | 信息处理方法、终端和服务器 | |
CN110149663A (zh) | 条件切换取消方法及通信设备 | |
CN110035505A (zh) | 半静态srs资源指示、处理方法、网络侧设备、用户终端 | |
CN109743737A (zh) | 一种降低多种网络共存干扰的方法、终端及基站 | |
CN108541015A (zh) | 一种信号强度提示方法及移动终端 | |
CN110457086A (zh) | 一种应用程序的控制方法、移动终端及服务器 | |
CN107948919A (zh) | 一种共享资讯处理方法及移动终端 | |
CN108123999A (zh) | 一种消息推送方法及移动终端 | |
CN109756977A (zh) | 随机接入方法和用户终端 | |
CN108282834A (zh) | 一种终端接入lte网络的方法及终端 | |
CN109195191A (zh) | 一种小区重选控制方法及终端 | |
CN107949021B (zh) | 终端设备中切换接收链路的方法和终端设备 | |
CN110121205A (zh) | 一种终端设备的控制方法及终端设备 | |
CN108650041A (zh) | 一种信号质量显示方法及移动终端 | |
CN110062416A (zh) | 资源关系的通知、确定方法、基站及终端 | |
CN108494949B (zh) | 一种图像分类方法及移动终端 | |
CN109769262A (zh) | VoLTE通话恢复的方法和终端设备 | |
CN109743460A (zh) | 一种信息处理方法、终端设备及网络侧设备 | |
CN109286414A (zh) | 一种天线确定方法和终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |