CN110233684A - 信噪比评估方法、装置、设备及存储介质 - Google Patents

信噪比评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110233684A
CN110233684A CN201910597474.1A CN201910597474A CN110233684A CN 110233684 A CN110233684 A CN 110233684A CN 201910597474 A CN201910597474 A CN 201910597474A CN 110233684 A CN110233684 A CN 110233684A
Authority
CN
China
Prior art keywords
training sample
sample
training
value
signal
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
Application number
CN201910597474.1A
Other languages
English (en)
Other versions
CN110233684B (zh
Inventor
刘哲
曾伟
蔡凯
钟检荣
张玮
耿仁杰
孟宁
李菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201910597474.1A priority Critical patent/CN110233684B/zh
Publication of CN110233684A publication Critical patent/CN110233684A/zh
Application granted granted Critical
Publication of CN110233684B publication Critical patent/CN110233684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本申请实施例提供一种信噪比评估方法、装置、设备及存储介质，该方法包括：获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。本申请实施例提供的方法能够解决现有技术中无法有效地获取网络信噪比指标，进而导致维护优化成本高、效率低下的问题。

Description

信噪比评估方法、装置、设备及存储介质
技术领域
本申请实施例涉及物联网技术领域，尤其涉及一种信噪比评估方法、装置、设备及存储介质。
背景技术
伴随通信技术的快速发展，物联网作为新时代产物也得到广泛关注和应用。窄带物联网(Narrow Band Internet of Things,简称NB-IoT)目前成为各大运营商物联网采用的主流技术。与传统通信技术相比，窄带物联网技术具有低成本、低功耗的特点，应用范围更加广泛。
目前，在技术路径的选择上，窄带物联网技术对传统通信技术做了极大的简化，但是不支持终端的测量上报，在现有的技术手段中，普遍采用人工现场测试的方法获取窄带物联网网络信噪比指标，维护优化成本高、效率低下。
因此，现有技术中无法有效地获取网络信噪比指标，以克服维护优化成本高、效率低下的问题。
发明内容
本申请实施例提供一种信噪比评估方法、装置、设备及存储介质，以克服现有技术中无法有效地获取网络信噪比指标，进而导致维护优化成本高、效率低下的问题。
第一方面，本申请实施例提供一种信噪比评估方法，包括：
获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；
基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
在一种可能的设计中，在所述获取待测窄带物联网终端点位的特征值之前，所述方法还包括：
获取各个预设窄带物联网终端点位的特征值和信噪比值；
根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；
根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；
将所述多棵决策树作为所述信噪比评估模型。
在一种可能的设计中，所述特征值的个数为多个；
所述根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集，包括：
将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；
根据所有初始样本，生成初始样本集；
对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；
其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
在一种可能的设计中，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：
针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；
将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
在一种可能的设计中，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：
多次从所述初始样本集中有放回的随机选取至少两个初始样本；
针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；
将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
在一种可能的设计中，所述根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树，包括：
针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；
遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；
将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；
根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；
针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；
若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树，将每棵决策树的根节点对应的信噪比值作为每棵决策树的信噪比值。
在一种可能的设计中，所述基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，包括：
将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；
对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；
将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
第二方面，本申请实施例提供一种信噪比评估装置，包括：
第一获取模块，用于获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；
信噪比值确定模块，用于基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
在一种可能的设计中，所述装置还包括：所述装置还包括：
第二获取模块，用于在所述获取待测窄带物联网终端点位的特征值之前，获取各个预设窄带物联网终端点位的特征值和信噪比值；
训练样本集生成模块，用于根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；
决策树生成模块，用于根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；
信噪比模型生成模块，用于将所述多棵决策树作为所述信噪比评估模型。
在一种可能的设计中，所述特征值的个数为多个；
所述训练样本集生成模块包括：
初始样本生成单元，用于将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；
初始样本集生成单元，用于根据所有初始样本，生成初始样本集；
训练样本集生成单元，用于对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
在一种可能的设计中，所述训练样本集生成单元，具体用于：
针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；
将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
在一种可能的设计中，所述训练样本集生成单元，具体用于：
多次从所述初始样本集中有放回的随机选取至少两个初始样本；
针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；
将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
在一种可能的设计中，所述决策树生成模块，具体用于：
针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；
遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；
将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；
根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；
针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；
若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树，将每棵决策树的根节点对应的信噪比值作为每棵决策树的信噪比值。
在一种可能的设计中，所述信噪比确定模块，具体用于：
将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；
对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；
将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
第三方面，本申请实施例提供一种信噪比评估设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的信噪比评估方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的信噪比评估方法。
本实施例提供的信噪比评估方法、装置、设备及存储介质，先获取待测窄带物联网终端点位的特征值，然后将待测窄带物联网终端点位的特征值输入到信噪比评估模型中，进而确定所述待测窄带物联网终端点位的信噪比值，完成对所述待测窄带物联网终端点位的信噪比评估。本方案在信噪比评估方法中通过以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本，采用最小二乘偏差模型进行训练，进而得到信噪比评估模型，然后将获取到待测窄带物联网终端点位的特征值输入到信噪比评估模型中，得到所述待测窄带物联网终端点位的信噪比值，能够有效地获取窄带物联网网络信噪比指标，进而降低维护优化成本、提高效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的信噪比评估方法的流程示意图；
图2为本申请另一实施例提供的信噪比评估方法的流程示意图；
图3为本申请又一实施例提供的信噪比评估方法中的信噪比评估模型生成示意图；
图4为本申请再一实施例提供的信噪比评估方法的流程示意图；
图5为本申请又一实施例提供的信噪比评估方法的流程示意图；
图6为本申请再一实施例提供的信噪比评估方法的流程示意图；
图7为本申请又一实施例提供的信噪比评估方法的流程示意图；
图8为本申请再一实施例提供的信噪比评估方法中的信噪比评估模型建立的示意图；
图9为本申请再一实施例提供的信噪比评估方法的流程示意图；
图10为本申请实施例提供的信噪比评估装置的结构示意图；
图11为本申请又实施例提供的信噪比评估装置的结构示意图；
图12为本申请实施例提供的信噪比评估装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，窄带物联网技术对传统通信技术做了极大的简化，但是不支持终端的测量上报，目前普遍采用人工现场测试的方法获取网络信噪比这一指标，但是该人工现场测试方法获取信噪比这一指标维护优化成本高、效率低，目前还没有其他有效的手段来获取网络信噪比指标。
为了解决上述问题，本申请实施例提供一种信噪比评估方法、装置、设备以及存储介质。
图1为本申请实施例提供的信噪比评估方法的流程示意图，本实施例的执行主体可以为终端，也可以为服务器，本实施例此处对执行主体不做限定。
参见图1，所述信噪比评估方法，包括：
S101、获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性。
本实施例中，用于表示终端点位处的窄带物联网的特性的特征的个数为多个，可以包括：U900制式的接收信号码功率(Receive Signal Channel Power，RSCP)、U900制式的导频信道质量(chip energy Input/Output，EC/IO)、L1800制式的参考信号接收功率(Reference Signal Receiving Power，RSRP)、L1800制式的信号与干扰加噪声比(Signalto Interference plus Noise Ratio，SINR)、U2100制式的接收信号码功率、U2100制式的导频信道质量、经度、纬度，窄带物联网终端点位与主服务基站距离。其中，U900是通用移动通信系统(Universal Mobile Telecommunications System，UMTS)的900M频段，U即为UMTS，UMTS是制式，UMTS可以表示3G系统；EC/IO中EC就是码片能量即chip energy，EC/IO中Io是终端(手机)收到的总功率，包含噪声和有用信息，通常用Ec/Io来表示导频信道质量；L1800是通用移动通信技术的长期演进系统(Long Term Evolution，LTE)的1800M频段，L即为LTE，LTE是制式，LTE可以表示4G系统；U2100是通用移动通信系统的2100M频段。因此，U900制式的RSCP即为通用移动通信系统部署在900MHZ上接收信号码功率、U900制式的ECIO值即为通用移动通信系统部署在900MHZ上接收到的导频信号的质量、L1800制式的RSRP即为通用移动通信技术的长期演进系统部署在1800MHZ上接收信号码功率、L1800制式的SINR即为通用移动通信技术的长期演进系统部署在1800MHZ上信号与干扰加噪声比、U2100制式的RSCP即为通用移动通信系统部署在2100MHZ上接收信号码功率、U2100制式的ECIO即为通用移动通信系统部署在2100MHZ上接收到的导频信号的质量，其中，SINR具体是指接收到的有用信号的强度与接收到的干扰信号(噪声和干扰)的强度的比值。另外，RSCP和RSRP都表示导频信号强度；EC/IO和SINR都是表示导频信号的质量，因为制式不同，所以名字不同。所述特征值的个数为多个，可以包括：通用移动通信系统部署在900MHZ上接收信号码功率值(U900制式的RSCP值)、通用移动通信系统部署在900MHZ上接收到的导频信号的质量(U900制式的ECIO值)、通用移动通信技术的长期演进系统部署在1800MHZ上接收信号码功率值(L1800制式的RSRP值)、通用移动通信技术的长期演进系统部署在1800MHZ上信号与干扰加噪声比(L1800制式的SINR值)、通用移动通信系统部署在2100MHZ上接收信号码功率(U2100制式的RSCP值)、通用移动通信系统部署在2100MHZ上接收到的导频信号的质量(U2100制式的ECIO值)、经度、纬度以及窄带物联网终端点位与主服务基站距离。
为了评估某个窄带物联网终端点位的信噪比，首先需要获取待测窄带物联网终端点位的特征值，其中，待测窄带物联网终端点位的特征值可以包括上述特征值中的全部、任意几个或任意一个。获取待测窄带物联网终端点位的特征值的方式可以是通过采集装置对待测窄带物联网终端点位的特征进行采集，由于待测窄带物联网终端点位向主服务基站进行通信时主服务基站可以采集到的特征值并存储，因此，获取待测窄带物联网终端点位的特征值的方式还可以是(通过服务器)直接从主服务基站中获取。
S102、基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
本实施例中，提出了信噪比评估模型，用于评估窄带物联网终端点位的信噪比，其中，信噪比评估模型是基于决策树和随机森林算法思想建立模型，首先选取N个窄带物联网终端点位来生成原始数据样本集(即初始样本集)即以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为原始数据样本，然后根据生成的原始数据样本集生成训练样本集，建立窄带物联网信噪比评估模型，所述信噪比评估模型是以随机森林算法为核心，由m棵决策树组成，决策树生成采用最小二乘偏差(LSD)方法递归确定每个节点的分裂变量和分裂点，估算窄带物联网的信噪比，不依赖于人工现场测试，通过后台已有数据进行自动化评估，具有评估精度高的特点，有效的节约了运营商维护优化成本。
本实施例，先获取待测窄带物联网终端点位的特征值，然后将待测窄带物联网终端点位的特征值输入到信噪比评估模型中，进而确定所述待测窄带物联网终端点位的信噪比值，完成对所述待测窄带物联网终端点位的信噪比评估。本方案在信噪比评估方法中通过以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本，采用最小二乘偏差模型进行训练，进而得到信噪比评估模型，然后将获取到待测窄带物联网终端点位的特征值输入到信噪比评估模型中，得到所述待测窄带物联网终端点位的信噪比值，能够有效地获取窄带物联网网络信噪比指标，进而降低维护优化成本、提高效率。
在所述获取待测窄带物联网终端点位的特征值之前，需要建立信噪比评估模型，进而快速、准确地对窄带物联网终端点位的信噪比评估或确定。因此，为了信噪比评估模型，参见图2所示。
图2为本申请另一实施例提供的信噪比评估方法的流程示意图，结合图3所示的随机森林模型(信噪比评估模型)生成示意图，本实施例在图1所述实施例的基础上，本实施例对如何建立信噪比评估模型进行了详细说明。即在步骤S101之前，所述方法还包括：
S201、获取各个预设窄带物联网终端点位的特征值和信噪比值。
在实际应用中，各个预设窄带物联网终端点位的特征值可以直接通过网管后台直接提取，而信噪比值是先通过实地测试后上传至网管后台然后通过网管后台直接提取的。
S202、根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集。
本实施例中，对获取的原始数据(初始样本)进行采集，形成多个训练样本集，其中，生成个训练样本集的方式可以由以下实现：
参见图4，图4为本申请再一实施例提供的信噪比评估方法的流程示意图，本实施例在上述实施例的基础上，例如，在图2所示的实施例基础上，对根据所有所述预设窄带物联网终端点位的特征值和信噪比值，如何生成多个训练样本集进行了详细说明。所述特征值的个数为多个，步骤S202，即根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集，包括：
S401、将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本。
本实施例中，首先将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本(即为一条原始数据样本)，一个初始样本的9个输入特征值为：采样点位(预设窄带物联网终端点位)处的U900制式的RSCP值、U900制式的ECIO值、L1800制式的RSRP值、L1800制式的SINR值、U2100制式的RSCP值、U2100制式的ECIO值、经度、纬度，采样点与主服务基站距离，一个初始样本的一个输出值为采样点位处的窄带物联网的信噪比值，因此，一个初始样本的9个输入特征值和一个输出值可以构成一个初始样本的特征值和信噪比值。
S402、根据所有初始样本，生成初始样本集。
本实施例中，根据所有初始样本(初始样本即为原始数据样本)，可以生成窄带物联网的信噪比评估模型的原始数据样本集(初始样本集)，例如，信噪比评估模型的输入量的个数为9个，输出量的个数为1，选取N个窄带物联网终端点位来生成初始样本集，一个初始样本包含9个输入特征值和1个输出值，初始样本集包含N个初始样本(N条原始数据样本)。
S403、对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
结合实际应用场景，对生成的初始样本集不直接作为训练样本集而是进行采样拆分的原因是：1、生成的初始样本集中的初始样本的数目较大，由于不能一次性全部输入进模型中进行训练，且便于操作和保证准确度，需要将生成的初始样本集再次处理，生成多个训练样本集；2、本实施例的信噪比评估方法中信噪比评估模型的建立是基于随机森林的思想，即以随机森林算法为核心，由多棵决策树组成，由于一个训练集可以对应生成一棵决策树，因此，需要将初始样本集进行处理，生成多个训练样本集。
具体地，对所述初始样本集进行训练样本采集，生成多个训练样本集可以由两种方式实现：
方式一：参见图5所示，图5为本申请又一实施例提供的信噪比评估方法的流程示意图，本实施例在上述实施例的基础上，例如，在图4所示的实施例基础上，对所述初始样本集进行训练样本采集，生成多个训练样本集进行了详细说明。步骤S403，可以包括：
S501、针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；
S502、将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
本实施例中，首先遍历所述初始样本集中每个初始样本，对所述初始样本进行采样，采样的过程可以为：将采样的初始样本作为一个训练样本，或者，将采样的初始样本中随机选取U900制式的RSCP值、U900制式的ECIO值、L1800制式的RSRP值、L1800制式的SINR值、U2100制式的RSCP值、U2100制式的ECIO值、经度、纬度，窄带物联网终端点位与主服务基站距离中的任一个或任意几个即为从每条原始数据样本中随机选取k(k<＝9)个输入特征值与一个输出值作为一个训练样本，根据该采集方法对所述初始样本集中的所有样本都进行采集，形成一个新的样本集，对新的样本集中的所有训练样本进行平均划分，划分成多个训练样本集，其中，每个训练样本集中可以包括多个训练样本。该方式一生成的多个训练样本集处理速度快，能够实现信噪比模型的快速训练。
方式二：参见图6所示，图6为本申请再一实施例提供的信噪比评估方法的流程示意图，本实施例在上述实施例的基础上，例如，在图4所示的实施例基础上，对所述初始样本集进行训练样本采集，生成多个训练样本集进行了详细说明。步骤S403，可以包括：
S601、多次从所述初始样本集中有放回的随机选取至少两个初始样本；
S602、针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；
S603、将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
本实施例中，首先从所述初始样本集中有放回的随机选取至少两个初始样本，然后从随机选取至少两个初始样本中的每个初始样本的特征值中随机选取至少一个特征值，将选取的至少一个特征值以及对应的初始样本的信噪比值作为新的样本即为训练样本，这随机选取的至少两个初始样本对应至少两个训练样本，形成一个训练样本集，然后根据上述步骤多次从所述初始样本集中有放回的随机选取至少两个初始样本，继续对随机选取至少两个初始样本中的每个初始样本进行采样，得到对应的训练样本以及对应的训练样本集，最终生成多个训练样本集，其中，采样的过程与上述方式一中的采样方法相同，在此不再赘述。
具体地，例如，从N条原始样本数据集(即为初始样本集)中，有放回的随机抽样n(n<＝N)条原始数据样本(初始样本)，再从每条原始数据样本中随机选取k(k<＝9)个输入特征值与一个输出值，生成一个训练样本集，一个训练样本集为一个n×(k+1)的数组。该方式二生成的多个训练样本集随机性大，便于信噪比评估模型建立过程中更接近实际应用，能够使得到信噪比评估模型更优化。
在生成多个训练样本集之后，开始实现信噪比模型的训练和生成，如S203和S204：
S203、根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；
S204、将所述多棵决策树作为所述信噪比评估模型。
本实施例中，根据所述多个训练样本集，通过以随机森林算法为核心，可以生成多棵决策树，参见图3所示，由多棵决策树构成随机森林模型即为所述信噪比评估模型。每棵决策树都由一个训练样本集生成，决策树生成时从根节点开始，采用最小二乘偏差(LSD)方法递归确定每个节点的分裂变量(分裂特征)和分裂点，直到满足停止条件。其中，停止条件可以为某一分裂点左右任意一分支对应的训练样本的数目小于5％×n，n指每个训练样本集中训练样本的数目。
为了生成多棵决策树，本实施例采用了最小二乘偏差方法，参见图7所示，图7为本申请又一实施例提供的信噪比评估方法的流程示意图，本实施例在上述实施例的基础上，例如，在图2-6任一图所示的实施例基础上，对如何生成多棵决策树进行了详细说明。步骤S203，可以包括：
S701、针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；
S702、遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；
S703、将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；
S704、根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；
S705、针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；
S706、若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树。
本实施例中，结合图8所示的信噪比评估模型建立的示意图，首先是将每个训练集中的每个训练样本依次输入到初始模型中即为最小二乘偏差模型，由于输入量为每个训练样本的特征值，输出量是每个训练样本的信噪比值，针对每个训练样本，需要遍历每个训练样本中的所有特征值，确定出训练样本中使得最小二乘偏差达到最小值时对应的一个特征和所述特征对应的特征值，然后遍历每个训练样本，确定出训练样本集中能够使最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值，将使最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，其中，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点。在确定根节点后，开始确定根节点的多个分支节点，如图8所示，无论是根节点还是分支节点，其下面的分支均为两个分支，其中，某个训练样本中的某个特征及该特征对应的特征值可以在作为根节点后继续作为第一层分支节点，在作为第一层分支节点后还能作为第二层分支节点。
具体地，在实际应用中，所述最小二乘偏差(LSD)方法是求解最小二乘偏差的最小值：
其中，i表示每个训练样本中第几个特征，ti是分裂特征，是分裂点，R1，R2是按照分裂点划分的两个区域：
其中，c1，c2是R1，R2两区域内的平均值： xi，yi是模型的输入和输出，i∈{1,2,…n}，j∈{1,2,…k}。
步骤1：遍历特征ti，扫描分裂点选择使最小二乘偏差达到最小值的分裂特征和分裂点作为决策树的分裂依据即为节点(根节点和各个分支节点)。
步骤2：若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树。其中，所述决策树生成停止条件是指，一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目即某一分裂点左右任意一分支的数据集样本数(任意一分支节点对应的训练样本数目)小于5％×n。
步骤3：重复步骤1至2共m次，生成m棵决策树组成森林即多棵决策树，至此以随机森林算法为核心的窄带物联网的信噪比评估模型建立完成。
在信噪比评估模型建立完成后，需要根据实际情况对某个或某些待测窄带物联网终端点位的信噪比进行评估，具体如何进行评估，参见图9所示，图9为本申请再一实施例提供的信噪比评估方法的流程示意图，本实施例在上述实施例的基础上，例如，在图7所示的实施例基础上，对如何得到所述待测窄带物联网终端点位的信噪比值进行了详细说明。步骤S102，可以包括：
S901、将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；
S902、对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；
S903、将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
本实施例中，结合图8所示，将所述待测窄带物联网终端点位的特征值(可以为9个特征值)输入到所述信噪比评估模型中即将图8中的待测点位输入值输入到所述信噪比评估模型中，可以得到每棵所述决策树对应的信噪比值，具体地，将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中输出的是每个决策树所对应的输出值(信噪比值)，比如，决策树1，将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，确定输出在决策树1中最末端(图8中决策树1的最下端)分布在左侧的分支节点，将该分支节点对应的使得最小二乘偏差值最小的训练样本中的信噪比值作为该决策树1对应的输出量即为决策树1对应的信噪比值，因此，根据上述步骤可以得到每个决策树的输出量(每个决策树的信噪比值)，再结合图3所示，对每个决策树的输出量取平均值，得到所有决策树对应的信噪比值的平均值，将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
本实施例，整合现有网络中多种数据，借助决策树和随机森林的算法思想，建立信噪比评估模型后可以通过后台数据估算窄带物联网的信噪比，不依赖于人工现场测试，节省运营商维护优化成本，克服了现有技术中无法有效地获取网络信噪比指标，进而导致维护优化成本高、效率低下的问题。
为了实现所述信噪比评估方法，本实施例提供了一种信噪比评估装置。参见图10，图10为本申请实施例提供的信噪比评估装置的结构示意图；所述信噪比评估装置，包括：第一获取模块1001和信噪比值确定模块1002；所述第一获取模块1001，用于获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；信噪比值确定模块1002，用于基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图11为本申请又一实施例提供的信噪比评估装置的结构示意图，所述装置还包括：第二获取模块1003、训练样本集生成模块1004、决策树生成模块1005、以及信噪比模型生成模块1006；所述第二获取模块1003，用于在所述获取待测窄带物联网终端点位的特征值之前，获取各个预设窄带物联网终端点位的特征值和信噪比值；所述训练样本集生成模块1004，用于根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；所述决策树生成模块1005，用于根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；所述信噪比模型生成模块1006，用于将所述多棵决策树作为所述信噪比评估模型。
在一种可能的设计中，所述特征值的个数为多个；所述训练样本集生成模块1004包括：初始样本生成单元，用于将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；初始样本集生成单元，用于根据所有初始样本，生成初始样本集；训练样本集生成单元，用于对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
在一种可能的设计中，所述训练样本集生成单元，具体用于：针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
在一种可能的设计中，所述训练样本集生成单元，具体用于：多次从所述初始样本集中有放回的随机选取至少两个初始样本；针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
在一种可能的设计中，所述决策树生成模块1005，具体用于：针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树，将每棵决策树的根节点对应的信噪比值作为每棵决策树的信噪比值。
在一种可能的设计中，所述信噪比确定模块1002，具体用于：将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
为了实现所述信噪比评估方法，本实施例提供了一种信噪比评估设备。图12为本申请实施例提供的信噪比评估设备的结构示意图。如图12所示，本实施例的信噪比评估设备120包括：处理器1201以及存储器1202；其中，存储器1202，用于存储计算机执行指令；处理器1201，用于执行存储器存储的计算机执行指令，以实现上述实施例中所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的信噪比评估方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (16)

1.一种信噪比评估方法，其特征在于，包括：
获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；
基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
2.根据权利要求1所述的方法，其特征在于，在所述获取待测窄带物联网终端点位的特征值之前，所述方法还包括：
获取各个预设窄带物联网终端点位的特征值和信噪比值；
根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；
根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；
将所述多棵决策树作为所述信噪比评估模型。
3.根据权利要求2所述的方法，其特征在于，所述特征值的个数为多个；
所述根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集，包括：
将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；
根据所有初始样本，生成初始样本集；
对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；
其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
4.根据权利要求3所述的方法，其特征在于，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：
针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；
将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
5.根据权利要求3所述的方法，其特征在于，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：
多次从所述初始样本集中有放回的随机选取至少两个初始样本；
针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；
将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
6.根据权利要求2-5任一项所述的方法，其特征在于，所述根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树，包括：
针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；
遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；
将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；
根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；
针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；
若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树。
7.根据权利要求6所述的方法，其特征在于，所述基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，包括：
将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；
对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；
将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
8.一种信噪比评估装置，其特征在于，包括：
第一获取模块，用于获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；
信噪比值确定模块，用于基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于在所述获取待测窄带物联网终端点位的特征值之前，获取各个预设窄带物联网终端点位的特征值和信噪比值；
训练样本集生成模块，用于根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；
决策树生成模块，用于根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；
信噪比模型生成模块，用于将所述多棵决策树作为所述信噪比评估模型。
10.根据权利要求9所述的装置，其特征在于，所述特征值的个数为多个；
所述训练样本集生成模块包括：
初始样本生成单元，用于将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；
初始样本集生成单元，用于根据所有初始样本，生成初始样本集；
训练样本集生成单元，用于对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。
11.根据权利要求10所述的装置，其特征在于，所述训练样本集生成单元，具体用于：
针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；
将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。
12.根据权利要求10所述的装置，其特征在于，所述训练样本集生成单元，具体用于：
多次从所述初始样本集中有放回的随机选取至少两个初始样本；
针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；
将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。
13.根据权利要求9-12任一项所述的装置，其特征在于，所述决策树生成模块，具体用于：
针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；
遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；
将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；
根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；
针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；
若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树，将每棵决策树的根节点对应的信噪比值作为每棵决策树的信噪比值。
14.根据权利要求13所述的装置，其特征在于，所述信噪比确定模块，具体用于：
将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；
对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；
将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。
15.一种信噪比评估设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的信噪比评估方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的信噪比评估方法。
CN201910597474.1A 2019-07-04 2019-07-04 信噪比评估方法、装置、设备及存储介质 Active CN110233684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910597474.1A CN110233684B (zh) 2019-07-04 2019-07-04 信噪比评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910597474.1A CN110233684B (zh) 2019-07-04 2019-07-04 信噪比评估方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110233684A true CN110233684A (zh) 2019-09-13
CN110233684B CN110233684B (zh) 2021-09-07

Family

ID=67856740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910597474.1A Active CN110233684B (zh) 2019-07-04 2019-07-04 信噪比评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110233684B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364845A (zh) * 2021-01-12 2021-02-12 北京邮电大学 信噪比评估方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100877225B1 (ko) * 2007-10-05 2009-01-07 한국항공우주연구원 자승신호크기를 제한하는 검파기
CN101494472A (zh) * 2001-05-17 2009-07-29 高通股份有限公司 无线通信系统内对接收信号预测的系统和方法
CN101841410A (zh) * 2010-04-28 2010-09-22 华为技术有限公司 样点信号选择方法和接收端
CN102202018A (zh) * 2011-06-16 2011-09-28 北京工业大学 一种基于支持向量机的信道估计方法
CN108023650A (zh) * 2016-10-28 2018-05-11 三星电子株式会社 用于信噪比估计的方法和设备
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
CN108966242A (zh) * 2018-06-26 2018-12-07 中国联合网络通信集团有限公司 窄带物联网的覆盖估计方法和装置
CN109120435A (zh) * 2018-07-27 2019-01-01 南昌航空大学 网络链路质量预测方法、装置及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101494472A (zh) * 2001-05-17 2009-07-29 高通股份有限公司 无线通信系统内对接收信号预测的系统和方法
KR100877225B1 (ko) * 2007-10-05 2009-01-07 한국항공우주연구원 자승신호크기를 제한하는 검파기
CN101841410A (zh) * 2010-04-28 2010-09-22 华为技术有限公司 样点信号选择方法和接收端
CN102202018A (zh) * 2011-06-16 2011-09-28 北京工业大学 一种基于支持向量机的信道估计方法
CN108023650A (zh) * 2016-10-28 2018-05-11 三星电子株式会社 用于信噪比估计的方法和设备
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
CN108966242A (zh) * 2018-06-26 2018-12-07 中国联合网络通信集团有限公司 窄带物联网的覆盖估计方法和装置
CN109120435A (zh) * 2018-07-27 2019-01-01 南昌航空大学 网络链路质量预测方法、装置及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
耿超: "自适应跳频通信中信噪比估计算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364845A (zh) * 2021-01-12 2021-02-12 北京邮电大学 信噪比评估方法、装置、电子设备和存储介质
CN112364845B (zh) * 2021-01-12 2021-05-25 北京邮电大学 信噪比评估方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110233684B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
US8914491B2 (en) Assigning telecommunications nodes to community of interest clusters
CN106681903B (zh) 生成测试用例的方法及装置
CN103426042A (zh) 社交网络的分组方法及系统
CN103716187B (zh) 网络拓扑结构确定方法和系统
CN112020098A (zh) 负荷均衡方法、装置、计算设备及计算机存储介质
CN104427547A (zh) 业务和网络关联测试方法、装置及系统
CN109547872A (zh) 一种网络规划方法及装置
CN113204716A (zh) 可疑洗钱用户交易关系确定方法及装置
CN108259195A (zh) 异常事件的影响范围的确定方法及系统
CN106951615B (zh) 基于密母算法的电力运输网络拓扑结构设计方法
CN117560267B (zh) 一种多模场域网的故障诊断方法及快速恢复方法
CN110233684A (zh) 信噪比评估方法、装置、设备及存储介质
CN109558518A (zh) 一种确定社交网络中社区发现的方法、装置及存储介质
CN113688542A (zh) 智能优化水资源配置方法、装置、计算机设备及存储介质
CN113660687A (zh) 网络差小区处理方法、装置、设备及存储介质
CN117440407A (zh) 一种lte无线网络的评估方法及服务器
CN111324725B (zh) 一种话题获取方法、终端、计算机可读存储介质
CN107948149A (zh) 基于随机森林的策略自学习和优化方法及装置
CN109784795A (zh) 库存状态计算方法、装置、设备和介质
CN114417184A (zh) 一种种子节点筛选方法、装置、设备、存储介质
CN110958565A (zh) 计算信号距离的方法、装置、计算机设备和存储介质
CN115390113A (zh) 一种面向电力系统的bd3高精度定位方法及系统
CN115720212A (zh) 一种基于多源数据融合的网络流量预测及自动优化均衡方法
CN112165093B (zh) 一种基于大电网的核心保底网架构建方法及系统
CN106550387A (zh) 一种无线传感器网络路由层服务质量评价方法

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