CN111224727A - 一种基于信道仿真仪的自适应拓扑结构的实现方法 - Google Patents

一种基于信道仿真仪的自适应拓扑结构的实现方法 Download PDF

Info

Publication number
CN111224727A
CN111224727A CN202010329628.1A CN202010329628A CN111224727A CN 111224727 A CN111224727 A CN 111224727A CN 202010329628 A CN202010329628 A CN 202010329628A CN 111224727 A CN111224727 A CN 111224727A
Authority
CN
China
Prior art keywords
port
evaluation
value
weight
performance
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
CN202010329628.1A
Other languages
English (en)
Other versions
CN111224727B (zh
Inventor
石璞
李文军
张吉林
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.)
Ksw Technologies Co ltd
Original Assignee
Ksw Technologies 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 Ksw Technologies Co ltd filed Critical Ksw Technologies Co ltd
Priority to CN202010329628.1A priority Critical patent/CN111224727B/zh
Publication of CN111224727A publication Critical patent/CN111224727A/zh
Application granted granted Critical
Publication of CN111224727B publication Critical patent/CN111224727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
    • H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators
    • 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
    • H04B17/364—Delay profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于信道仿真仪的自适应拓扑结构的实现方法，包括：预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比，得到预评估
Figure 100004_DEST_PATH_IMAGE002
；历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后的历史数据评估
Figure 100004_DEST_PATH_IMAGE004
；故障率
Figure 100004_DEST_PATH_IMAGE006
；通过对样本集使用神经网络进行正反向迭代，得到预评估
Figure 100004_DEST_PATH_IMAGE008
权重值和历史数据评估
Figure 100004_DEST_PATH_IMAGE010
的权重值；根据预评估
Figure 100004_DEST_PATH_IMAGE011
、历史数据评估
Figure 100004_DEST_PATH_IMAGE012
、故障率
Figure DEST_PATH_IMAGE012A
以及预评估
Figure DEST_PATH_IMAGE011A
、历史数据评估
Figure DEST_PATH_IMAGE012AA
各自的权重值，得到单端口性能评价
Figure 100004_DEST_PATH_IMAGE014
；通过
Figure 100004_DEST_PATH_IMAGE015
得到各端口的评估性能，对各端口的评估性能进行性能排序，根据排序序列完成拓扑结构的连接方式的自适应配置。通过本发明，实现对各端口使用率的平衡。

Description

一种基于信道仿真仪的自适应拓扑结构的实现方法
技术领域
本发明涉及通信领域，具体是一种基于信道仿真仪的自适应拓扑结构的实现方法。
背景技术
信道仿真仪作为针对MIMO进行无线信道仿真的软硬件一体设备，通过基站终端天线与信道仿真仪进行连接，模拟信道在空间中的传输路径。在实际使用当中，由于不同的模型需求和不同的设备连接方法，会造成在性能上，稳定性上以及使用端口使用寿命上的差异。
传统的设备在拓扑结构的端口选择上，通常的做法是使用默认排序与用户自定义结合的方式的进行，但是这里由于人类的使用习惯，都是由上至下，由左至右依次进行。这种习惯会造成对端口的使用率不平衡以此会造成某些端口或板卡使用过度性能下降，更可能在长时间多次使用后出现故障的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，包括如下过程：
预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校 准数据偏差比，得到预评估
Figure DEST_PATH_IMAGE001
；
历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后 的历史数据评估
Figure 365734DEST_PATH_IMAGE002
；
历史出错率，历史出错率为设备出厂后端口i的故障率
Figure DEST_PATH_IMAGE003
；
通过对样本集使用神经网络进行正反向迭代，得到预评估
Figure 486137DEST_PATH_IMAGE004
权重值和历史数据评估
Figure 295DEST_PATH_IMAGE002
的权重值；
根据预评估
Figure 802029DEST_PATH_IMAGE001
、历史数据评估
Figure DEST_PATH_IMAGE005
、故障率
Figure 318199DEST_PATH_IMAGE006
以及预评估
Figure 875082DEST_PATH_IMAGE004
、历史数据评估
Figure 938853DEST_PATH_IMAGE002
各自的 权重值，得到单端口性能评价
Figure 544278DEST_PATH_IMAGE007
；通过端口性能评价
Figure 947577DEST_PATH_IMAGE008
得到各端口的评估性能，对各端口 的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适 应配置。
进一步的，所述的当次设备从开机后到准备测试前的端口温度偏差比为
Figure DEST_PATH_IMAGE009
：
Figure 144203DEST_PATH_IMAGE010
其中的
Figure DEST_PATH_IMAGE011
为端口i的当前温度，
Figure 836216DEST_PATH_IMAGE012
为当次设备所有端口的平均温度，
Figure DEST_PATH_IMAGE013
，N 为端口数；
所述的自动校准后端口校准数据偏差比
Figure 838807DEST_PATH_IMAGE014
：
Figure DEST_PATH_IMAGE015
其中
Figure 801340DEST_PATH_IMAGE016
为端口i的校准相位值与参考相位值的差值，
Figure DEST_PATH_IMAGE017
为所有端口的校准相位值与 参考相位值的差值的平均值；
则预评估
Figure 434447DEST_PATH_IMAGE018
:
Figure DEST_PATH_IMAGE019
其中，
Figure 817018DEST_PATH_IMAGE020
为
Figure DEST_PATH_IMAGE021
的权重，
Figure 29824DEST_PATH_IMAGE022
为
Figure DEST_PATH_IMAGE023
的权重。
进一步的，所述的历史单位温度均值偏差比
Figure 375093DEST_PATH_IMAGE024
为：
Figure DEST_PATH_IMAGE025
其中
Figure 382363DEST_PATH_IMAGE026
为端口i的历史单位温度移动均值；
Figure DEST_PATH_IMAGE027
为所有端口的历史单位温度移动均值：
Figure 48968DEST_PATH_IMAGE028
，历史单位温度是，在每一次设 备通电过程中，每隔一个时间段对端口温度进行一次测量，得到端口温度的测量值，记录时 间段及对应时间段的温度测量值；
历史单位温度移动均值为：
Figure 924520DEST_PATH_IMAGE029
Figure 829022DEST_PATH_IMAGE030
表示在第k时间段的温度，M表示端口i所运行的时间段数
所述的总时长偏差比
Figure 335090DEST_PATH_IMAGE031
为：
Figure 82466DEST_PATH_IMAGE032
，
其中
Figure 699392DEST_PATH_IMAGE033
为端口i使用总时长，
Figure 971584DEST_PATH_IMAGE034
为所有端口的使用总时长平均值
Figure 445291DEST_PATH_IMAGE035
；
则历史数据评估
Figure 555329DEST_PATH_IMAGE036
为：
Figure 710367DEST_PATH_IMAGE037
其中的
Figure 714095DEST_PATH_IMAGE038
为
Figure 499648DEST_PATH_IMAGE039
的权重，
Figure 159300DEST_PATH_IMAGE040
为
Figure 914766DEST_PATH_IMAGE041
的权重。
进一步的，所述的单端口的性能选择评价采用如下公式：
Figure 648367DEST_PATH_IMAGE042
其中的
Figure 463876DEST_PATH_IMAGE043
为端口i的故障率；则端口期望值为
Figure 610824DEST_PATH_IMAGE044
。
进一步的，所述的端口i的故障率
Figure 809462DEST_PATH_IMAGE045
采用如下公式:
Figure 522203DEST_PATH_IMAGE046
其中，
Figure 446297DEST_PATH_IMAGE047
为设备第i个端口的故障次数，M为出厂设备总数。
进一步的，所述的端口期望值
Figure 18223DEST_PATH_IMAGE048
为：
Figure 115492DEST_PATH_IMAGE049
，
Figure 151581DEST_PATH_IMAGE050
的值域为
Figure 184260DEST_PATH_IMAGE051
其中b为偏置；C为损失函数,样本集为
Figure 102537DEST_PATH_IMAGE052
，
Figure 206759DEST_PATH_IMAGE053
;
损失函数C为:
Figure 769459DEST_PATH_IMAGE054
其中的X为样本，n为样本总数。
进一步的，所述的通过对样本集使用神经网络模型进行权重值计算，得到预评估
Figure 97672DEST_PATH_IMAGE055
权重值和历史数据评估
Figure 614497DEST_PATH_IMAGE056
的权重值，包括如下过程：所述的神经网络模型由含两层隐含 层神经元的神经网络组成，网络分为4层，各层节点数分别为：输入层4个，分别为：
Figure 522410DEST_PATH_IMAGE057
；第一隐含层6个；第二隐含层6个；输出层1个，则:
输入层向量：
Figure 64250DEST_PATH_IMAGE058
第一隐含层输出向量：
Figure 438731DEST_PATH_IMAGE059
第二隐含层输出向量：
Figure 331600DEST_PATH_IMAGE060
期望值输出为d(i)
输出函数：
Figure 449729DEST_PATH_IMAGE061
Figure 49338DEST_PATH_IMAGE062
为
Figure 719354DEST_PATH_IMAGE063
的权重，
Figure 709306DEST_PATH_IMAGE064
为
Figure 755760DEST_PATH_IMAGE065
的权重，
Figure 646093DEST_PATH_IMAGE066
为
Figure 690272DEST_PATH_IMAGE067
的权重，总误差为关于w,b的函数：
Figure 292155DEST_PATH_IMAGE068
，即：m个训练样本
Figure 752086DEST_PATH_IMAGE069
；d(i)为对 应输入
Figure 795129DEST_PATH_IMAGE070
的期望输出；
Figure 806947DEST_PATH_IMAGE071
其中，E(i)为单个样本的训练误差：
Figure 833809DEST_PATH_IMAGE072
因此，
Figure 363010DEST_PATH_IMAGE073
根据梯度下降法更新权重：
Figure 588455DEST_PATH_IMAGE074
其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与
Figure 974437DEST_PATH_IMAGE076
相乘，与 当前权重
Figure 927743DEST_PATH_IMAGE077
进行相加，得到新一轮的权重
Figure 119690DEST_PATH_IMAGE078
；
根据梯度下降法更新偏置：
Figure 402904DEST_PATH_IMAGE079
其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与
Figure 897470DEST_PATH_IMAGE076
相乘，与 当前权重
Figure 961241DEST_PATH_IMAGE080
进行相加，得到新一轮的权重
Figure DEST_PATH_IMAGE081
，
Figure DEST_PATH_IMAGE083
为学习率；
通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性 能选择评价公式：
Figure 130448DEST_PATH_IMAGE084
中，得到 端口i的性能评价。
进一步的，所述的对各端口的评估性能进行性能排序，得到排序序列，根据排序序 列完成拓扑结构的连接方式的自适应配置，包括如下过程，根据
Figure DEST_PATH_IMAGE085
得到各端口的评估性能， 根据评估出的值进行降序排列；基站天线和终端天线按性能降序排列轮流顺序选择端口匹 配，直到所有基站天线和终端天线均与端口匹配，即完成拓扑结构的连接方式的自适应配 置。
进一步的，其特征在于，所述的端口相位差值获取包括如下过程：
1.初始化信道仿真仪；
2.对信道仿真仪所有待校准端口进行预检测，获得各端口通路的时延值，将其中最大的时延值作为参考时延值；
3.以参考时延值为基准，对每个端口进行时延调整，调整每个端口的时延值为参考时延值，完成信道仿真仪所有端口的时延调整；
4. 完成端口时延调整后，对端口i的相位进行校准，端口i的相位校准值与参考相位值 的差值即为
Figure 471430DEST_PATH_IMAGE086
；
5. 获取信道仿真仪所有端口的相位校准值与参考相位值的差值，再取平均值即为
Figure DEST_PATH_IMAGE087
。
本发明的有益效果是：本发明通过对设备的各个端口进行相关的属性的历史数据进行整合，运用神经网络进行属性间相关性评估，通过自适应配置使端口的使用率变平衡，同时对基站天线和终端天线进行均匀分配，使基站天线和终端天线各自匹配的端口性能均衡。
附图说明
图1为一种基于信道仿真仪的自适应拓扑结构的实现方法原理示意图；
图2为神经网络示意图；
图3为神经网络的流程示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，本方案要解决的，是针对上诉问题， 针对每个信道仿真仪的物理端口，由于元器件的个体差异，元器件在长期使用中可能存在的损耗，为了能够在每次进行信道仿真时达到最佳的设备状态并且有效增加整台信道仿真仪的使用寿命和降低故障率。系统在每次进行信道模拟测试前，对模型所需使用的拓扑结构的连接方式进行自适应配置。
将与端口性能相关的属性的历史数据进行整合，运用神经网络进行属性间相关性评估，并且对仿真结果满意度进行拟合，依次来对后续测试进行性能调优。
与端口选择相关的因素有设备端口在当次测试前的预评估
Figure 995953DEST_PATH_IMAGE088
；
预评估使用当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比。
设备端口从出厂后的历史数据的评估，记
Figure DEST_PATH_IMAGE089
；
设备出厂后，对每一次测试都会进行记录，每一次测试后，会根据当次测试的结果由使用方进行评分，评分标准为[0-仿真失败，1-性能不满足，2-性能满足，3-性能优秀]，记为历史数据，格式为[Test(N), Port1 x Score, Port2 x Score, ..., Port48 x Score]，其中N为测试的时间顺序，x为分数。
以及该端口位置对所有已出厂设备的历史出错率
Figure 953544DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE091
其中，
Figure 330037DEST_PATH_IMAGE092
为设备第i个端口的故障次数，M为出厂设备总数。
在每次仿真后，系统会对当次
Figure DEST_PATH_IMAGE093
端口性能给出仿真结果评价，仿真结果评价是在 模型正确的情况下，设备的性能表现评级。仿真结果分数为[0-仿真失败，1-性能不满足，2- 性能满足，3-性能优秀]
每一次仿真后，对当次所有端口的性能评价结果具有同等分数。例如，第N次测试后，测试反馈为该次测试性能优秀，则该次测试后，记录数据集[TestN, Port1 3Score, Port23Score, ... Port48 3Score]。用作以后的历史评估数据使用。
与端口当次测试前预评估相关的有，当次测试前端口温度与当次自动校准偏差 比。
Figure 56684DEST_PATH_IMAGE094
为当次温度偏差比，
Figure DEST_PATH_IMAGE095
为当次校准偏差比。与端口历史数据评估相关的有，历史 单位温度均值偏差比和总时长偏差比。其中，
Figure 752108DEST_PATH_IMAGE096
为历史单位温度均值偏差比，
Figure DEST_PATH_IMAGE097
为总 时长偏差比。
则单端口的性能选择评价模型如下：
Figure 931417DEST_PATH_IMAGE098
本方法中，由于端口之间的联系，使用的偏差比的计算方式为：
1，求出各端口待比数据，
Figure DEST_PATH_IMAGE099
2，求出均值
Figure 613065DEST_PATH_IMAGE100
3，以均值作为最优值，算出偏差比：
Figure DEST_PATH_IMAGE101
上诉过程中，
Figure 949544DEST_PATH_IMAGE102
表示第n个端口的待测参数。
Figure DEST_PATH_IMAGE103
表示根据第n个端口由待测参数
Figure 550290DEST_PATH_IMAGE104
计算而来的偏差比。
以下，针对设备上一个端口，依次计算
Figure DEST_PATH_IMAGE105
。这里就是使用上 诉公式去计算需要的参数。
计算当次温度偏差比为
Figure 216894DEST_PATH_IMAGE106
：
Figure DEST_PATH_IMAGE107
，
其中的
Figure 233392DEST_PATH_IMAGE108
为端口i的当前温度，由系统根据上位机软件对主控设备的下发指令后，由 主控设备反馈而得；
Figure DEST_PATH_IMAGE109
为当前所有端口的平均温度，
Figure 669053DEST_PATH_IMAGE110
(N为端口数)，所有端口采 用同样的计算方式。
Figure DEST_PATH_IMAGE111
其中
Figure 80180DEST_PATH_IMAGE112
为端口i的历史单位温度移动均值，
Figure DEST_PATH_IMAGE113
为所有端口的历史单位温度移动均 值。
Figure 499660DEST_PATH_IMAGE114
（N为端口数)。每一次温度测试，都会作为记录，历史单位温度是指，在每一 次设备通电过程中，每一小时对温度的测量值，然后根据时间，记录到历史数据中。
使用移动均值而不是均值，是为了强调越近的数据越重要。历史单位温度移动均值为：
Figure DEST_PATH_IMAGE115
Figure 647745DEST_PATH_IMAGE116
表示在第k时间段的温度，M表示端口i所运行的时间段数。
Figure DEST_PATH_IMAGE117
，其中
Figure 203491DEST_PATH_IMAGE118
为端口i使用总时长，
Figure DEST_PATH_IMAGE119
为所有端口的使用总时长 平均值
Figure 552564DEST_PATH_IMAGE120
Figure DEST_PATH_IMAGE121
其中
Figure 256078DEST_PATH_IMAGE122
为端口i接收到信号相位值与端口输出相位值的差值，
Figure DEST_PATH_IMAGE123
为所有端口接收到 信号相位值与端口输出相位值的差值的平均值。
端口期望值为
Figure 381422DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE125
，
Figure 994937DEST_PATH_IMAGE126
的值域为[0,1,2,3]
其中b为偏置；C为损失函数,样本集为
Figure DEST_PATH_IMAGE127
;
损失函数 QUOTE
Figure DEST_PATH_IMAGE129
Figure 577228DEST_PATH_IMAGE129
为:
Figure 908983DEST_PATH_IMAGE130
n为样本总数。
如图2所示，网络结构，网络分为4层，各种节点数分别为：输入层4个，分别为：
Figure DEST_PATH_IMAGE131
；第一隐含层6个；第二隐含层6个；输出层1个。
考虑使用2层隐含层，每层6个节点，是因为该BP网络的计算是在单台设备上独立运行并且没有GPU加速，所以在硬件资源有限的情况下，尽可能的增加感知机数，避免学习过于简单。
对于初始权值的选取。由于系统是非线性的，初始值的选择对于学习是否达到局部最小/是否能够收敛以及训练时间的长短都有很大关系。初始值过大或过小都会影响学习速率，因此权值的初始值选为均匀分布的小数经验值。一般取初始权值在（-1，1）之间的随机数。
学习速率决定每次循环训练中所产生的权值变化量。高的学习速率可能导致系统的不稳定；但低的学习速率导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值跳出误差表面的低估而最终趋于最小误差值。所以本方法选取0.1作为学习速率。选取0.1是经验值，原因是既能有效的提高收敛速度，又能在收敛过程中保持相对问题不至于偏差过大。
期望误差的选取。有与测试结果评分的为[0,1,2,3]。并且1，2，3均能进行仿真。由于设备在出场后，随着时间的推移，性能往往会有所下降，所以。期望误差的选取结合使用时长与测试评分进行综合考虑。选取期望值为3，误差随着时长逐渐可扩大，但不允许取值后，期望值为2以下。由于在评分结果中，[0-仿真失败，1-性能不满足，2-性能满足，3-性能优秀]，所以，对于我们的期望值需要至少满足为2，否则选出的端口并不能满足测试需求。
BP神经网络的流程：
计算步骤，先定义以下变量以及正向传播：
输入层向量：
Figure 398870DEST_PATH_IMAGE132
第一隐含层输出向量：
Figure DEST_PATH_IMAGE133
第二隐含层输出向量：
Figure 427744DEST_PATH_IMAGE134
期望值输出为d(i)
输出函数：
Figure DEST_PATH_IMAGE135
Figure 649778DEST_PATH_IMAGE136
为
Figure DEST_PATH_IMAGE137
的权重，
Figure 999988DEST_PATH_IMAGE138
为
Figure DEST_PATH_IMAGE139
的权重，
Figure 700091DEST_PATH_IMAGE140
为
Figure DEST_PATH_IMAGE141
的权重，总误差为关于w,b的 函数：
Figure 524084DEST_PATH_IMAGE142
，即：m个训练样本
Figure 510494DEST_PATH_IMAGE144
；d(i)为 对应输入
Figure DEST_PATH_IMAGE145
的期望输出；
Figure 613579DEST_PATH_IMAGE146
其中，E(i)为单个样本的训练误差：
Figure DEST_PATH_IMAGE147
因此，
Figure 586215DEST_PATH_IMAGE148
根据梯度下降法更新权重：
Figure DEST_PATH_IMAGE149
其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与
Figure DEST_PATH_IMAGE151
相乘，与 当前权重
Figure 294408DEST_PATH_IMAGE152
进行相加，得到新一轮的权重
Figure DEST_PATH_IMAGE153
；
根据梯度下降法更新偏置：
Figure 622358DEST_PATH_IMAGE154
其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与
Figure DEST_PATH_IMAGE155
相乘，与 当前权重
Figure 275057DEST_PATH_IMAGE156
进行相加，得到新一轮的权重
Figure DEST_PATH_IMAGE157
，
Figure 582541DEST_PATH_IMAGE151
为学习率；
通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性 能选择评价公式：
Figure 145241DEST_PATH_IMAGE158
中，得到端口 i的性能评价。用于指导端口选择使用。
具体的实施方式，样本数据的来源为从设备安装进行调试开始，并对每种预设模型进行多次测试后得出基础样本数据，根据这些样本数据进行初次权重确定。
在设备出场后，样本会将每次信道仿真仪的测试结果加入到样本集中丰富数据。
由上面的过程，确定单端口的当次性能评估。
接下来就是根据当次信道测试模型进行端口选择。
1.步骤如图3，设备自检，获取当前数据。当前状态中，权重模型已由上次数据计算完毕。
2.根据已知权重，对端口进行性能评估并排序。
3.基站天线进行按性能排序选择1次，如果有多个基站，则每个基站按照依次选择的方式，例如有2个基站，每个基站8根天线，则有A基站选择1次，B基站选择1次，然后再由A基站选择，以此类推。
4.终端天线进行按性能排序选择1次，如果有多个终端，则每个终端按照依次选择的方式，例如有2个终端，每个终端4根天线，则有A终端选择1次，B终端选择1次，然后再有A终端选择，依次类推。这种交替选择的原因，是使对各基站和终端的单体性能达到平均。
交替步骤3和步骤4直到选择完成。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，包括如下过程：
预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校 准数据偏差比，得到预评估
Figure DEST_PATH_IMAGE002
；
历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后 的历史数据评估
Figure DEST_PATH_IMAGE004
；
历史出错率，历史出错率为设备出厂后端口i的故障率
Figure DEST_PATH_IMAGE006
；
通过对样本集使用神经网络进行正反向迭代，得到预评估
Figure DEST_PATH_IMAGE008
权重值和历史数据评估
Figure DEST_PATH_IMAGE010
的权重值；
根据预评估
Figure DEST_PATH_IMAGE012
、历史数据评估
Figure DEST_PATH_IMAGE014
、故障率
Figure DEST_PATH_IMAGE016
以及预评估
Figure 565746DEST_PATH_IMAGE008
、历史数据评估
Figure DEST_PATH_IMAGE018
各自的权 重值，得到单端口性能评价
Figure DEST_PATH_IMAGE020
；通过端口性能评价
Figure DEST_PATH_IMAGE022
得到各端口的评估性能，对各端口的 评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适应 配置。
2.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的当次设备从开机后到准备测试前的端口温度偏差比为
Figure DEST_PATH_IMAGE024
：
Figure DEST_PATH_IMAGE026
其中的
Figure DEST_PATH_IMAGE028
为端口i的当前温度，
Figure DEST_PATH_IMAGE030
为当次设备所有端口的平均温度，
Figure 295936DEST_PATH_IMAGE032
，N 为端口数；
所述的自动校准后端口校准数据偏差比
Figure 980733DEST_PATH_IMAGE034
：
Figure 172680DEST_PATH_IMAGE036
其中
Figure 393577DEST_PATH_IMAGE038
为端口i的校准相位值与参考相位值的差值，
Figure 747198DEST_PATH_IMAGE040
为所有端口的校准相位值与参 考相位值的差值的平均值；
则预评估
Figure 748652DEST_PATH_IMAGE042
:
Figure 354077DEST_PATH_IMAGE044
其中，
Figure 819693DEST_PATH_IMAGE046
为
Figure 547478DEST_PATH_IMAGE048
的权重，
Figure 708332DEST_PATH_IMAGE050
为
Figure 242081DEST_PATH_IMAGE052
的权重。
3.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的历史单位温度均值偏差比
Figure 673456DEST_PATH_IMAGE054
为：
Figure 634459DEST_PATH_IMAGE056
其中
Figure 610505DEST_PATH_IMAGE058
为端口i的历史单位温度移动均值；
Figure 557733DEST_PATH_IMAGE060
为所有端口的历史单位温度移动均值：
Figure 732362DEST_PATH_IMAGE062
，历史单位温度是，在每一次设 备通电过程中，每隔一个时间段对端口温度进行一次测量，得到端口温度的测量值，记录时 间段及对应时间段的温度测量值；
历史单位温度移动均值为：
Figure 801949DEST_PATH_IMAGE064
Figure 937395DEST_PATH_IMAGE066
表示在第k时间段的温度，M表示端口i所运行的时间段数
所述的总时长偏差比
Figure 812948DEST_PATH_IMAGE068
为：
Figure 717450DEST_PATH_IMAGE070
，
其中
Figure 20255DEST_PATH_IMAGE072
为端口i使用总时长，
Figure 705314DEST_PATH_IMAGE074
为所有端口的使用总时长平均值
Figure 758459DEST_PATH_IMAGE076
；
则历史数据评估
Figure 642101DEST_PATH_IMAGE078
为：
Figure 319070DEST_PATH_IMAGE080
其中的
Figure 366792DEST_PATH_IMAGE082
为
Figure DEST_PATH_IMAGE084
的权重，
Figure DEST_PATH_IMAGE086
为
Figure DEST_PATH_IMAGE088
的权重。
4.根据权利要求2或3所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，所述的单端口的性能选择评价采用如下公式：
Figure DEST_PATH_IMAGE090
其中的
Figure DEST_PATH_IMAGE092
为端口i的故障率；则端口期望值为
Figure DEST_PATH_IMAGE094
。
5.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的端口i的故障率
Figure DEST_PATH_IMAGE096
采用如下公式:
Figure DEST_PATH_IMAGE098
其中，
Figure DEST_PATH_IMAGE100
为设备第i个端口的故障次数，M为出厂设备总数。
6.根据权利要求4所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的端口期望值
Figure DEST_PATH_IMAGE102
为：
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
的值域为
Figure DEST_PATH_IMAGE108
其中b为偏置；C为损失函数,样本集为
Figure DEST_PATH_IMAGE110
，
Figure DEST_PATH_IMAGE112
;
损失函数C为:
Figure DEST_PATH_IMAGE114
其中的X为样本，n为样本总数。
7.根据权利要求6所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的通过对样本集使用神经网络模型进行权重值计算，得到预评估
Figure DEST_PATH_IMAGE116
权重值和历 史数据评估
Figure DEST_PATH_IMAGE118
的权重值，包括如下过程：所述的神经网络模型由含两层隐含层神经元的神 经网络组成，网络分为4层，各层节点数分别为：输入层4个，分别为：
Figure DEST_PATH_IMAGE120
； 第一隐含层6个；第二隐含层6个；输出层1个，则:
输入层向量：
Figure DEST_PATH_IMAGE122
第一隐含层输出向量：
Figure DEST_PATH_IMAGE124
第二隐含层输出向量：
Figure DEST_PATH_IMAGE126
期望值输出为d(i)
输出函数：
Figure DEST_PATH_IMAGE128
Figure DEST_PATH_IMAGE130
为
Figure DEST_PATH_IMAGE132
的权重，
Figure DEST_PATH_IMAGE134
为
Figure DEST_PATH_IMAGE136
的权重，
Figure DEST_PATH_IMAGE138
为
Figure DEST_PATH_IMAGE140
的权重，总误差为关于w,b的 函数：
Figure DEST_PATH_IMAGE142
，即：m个训练样本
Figure DEST_PATH_IMAGE144
；d(i)为 对应输入
Figure DEST_PATH_IMAGE146
的期望输出；
Figure DEST_PATH_IMAGE148
其中，E(i)为单个样本的训练误差：
Figure DEST_PATH_IMAGE150
因此，
Figure DEST_PATH_IMAGE152
根据梯度下降法更新权重：
Figure DEST_PATH_IMAGE154
其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与
Figure DEST_PATH_IMAGE156
相乘，与 当前权重
Figure DEST_PATH_IMAGE158
进行相加，得到新一轮的权重
Figure DEST_PATH_IMAGE160
；
根据梯度下降法更新偏置：
Figure DEST_PATH_IMAGE162
其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与
Figure DEST_PATH_IMAGE164
相乘，与当 前权重
Figure DEST_PATH_IMAGE166
进行相加，得到新一轮的权重
Figure DEST_PATH_IMAGE168
，
Figure DEST_PATH_IMAGE170
为学习率；
通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性 能选择评价公式：
Figure DEST_PATH_IMAGE172
中，得到端 口i的性能评价。
8.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征 在于，所述的对各端口的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结 构的连接方式的自适应配置，包括如下过程，根据
Figure DEST_PATH_IMAGE174
得到各端口的评估性能，根据评估出的 值进行降序排列；基站天线和终端天线按性能降序排列轮流顺序选择端口匹配，直到所有 基站天线和终端天线均与端口匹配，即完成拓扑结构的连接方式的自适应配置。
9.根据权利要求2所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，所述的端口相位差值获取包括如下过程：
1.初始化信道仿真仪；
2.对信道仿真仪所有待校准端口进行预检测，获得各端口通路的时延值，将其中最大的时延值作为参考时延值；
3.以参考时延值为基准，对每个端口进行时延调整，调整每个端口的时延值为参考时延值，完成信道仿真仪所有端口的时延调整；
完成端口时延调整后，对端口i的相位进行校准，端口i的相位校准值与参考相位值的 差值即为
Figure 694650DEST_PATH_IMAGE176
；
获取信道仿真仪所有端口的相位校准值与参考相位值的差值，再取平均值即为
Figure 839324DEST_PATH_IMAGE178
。
CN202010329628.1A 2020-04-24 2020-04-24 一种基于信道仿真仪的自适应拓扑结构的实现方法 Active CN111224727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329628.1A CN111224727B (zh) 2020-04-24 2020-04-24 一种基于信道仿真仪的自适应拓扑结构的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329628.1A CN111224727B (zh) 2020-04-24 2020-04-24 一种基于信道仿真仪的自适应拓扑结构的实现方法

Publications (2)

Publication Number Publication Date
CN111224727A true CN111224727A (zh) 2020-06-02
CN111224727B CN111224727B (zh) 2020-07-31

Family

ID=70830134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329628.1A Active CN111224727B (zh) 2020-04-24 2020-04-24 一种基于信道仿真仪的自适应拓扑结构的实现方法

Country Status (1)

Country Link
CN (1) CN111224727B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1390409A (zh) * 1999-09-16 2003-01-08 艾利森电话股份有限公司 采用异步转移模式交换机的动态电路仿真
CN1650653A (zh) * 2002-03-04 2005-08-03 阿兹穆斯网络公司 用于仿真无线环境的测试系统及其使用方法
EP1768284A1 (en) * 2005-09-22 2007-03-28 Telefonica, S.A. MIMO channel emulator
CN101925102A (zh) * 2010-06-08 2010-12-22 中国人民解放军理工大学 一种采用以太网混杂模式的无线网络拓扑仿真方法
EP2278920A1 (en) * 2008-05-02 2011-02-02 Firstbeat Technologies OY Fitness test
CN102164048A (zh) * 2011-04-06 2011-08-24 上海美琦浦悦通讯科技有限公司 局域网络中实现多运营商接入的数据流优化装置及方法
US20130006601A1 (en) * 2011-06-30 2013-01-03 Fanny Mlinarsky Channel emulator system and method
CN104050373A (zh) * 2014-06-19 2014-09-17 国家电网公司 一种电力通信中pcm设备的安全风险量化评估方法
CN105406930A (zh) * 2015-12-07 2016-03-16 北京星河亮点技术股份有限公司 多通道信道仿真器、终端一致性测试系统及相位校准系统
CN106489255A (zh) * 2014-07-11 2017-03-08 甲骨文国际公司 用于在高性能计算（hpc）环境中支持高效负载均衡的系统和方法
CN108229452A (zh) * 2018-03-20 2018-06-29 东北大学 基于深度神经网络和dsp芯片的人数统计装置和方法
CN109740247A (zh) * 2018-12-29 2019-05-10 京微齐力(北京)科技有限公司 一种ip与efpga端口连接方法及其优选方法
CN110476174A (zh) * 2017-04-04 2019-11-19 海露科技有限公司 包括装置间连接性的神经网络处理器
CN110869909A (zh) * 2017-07-12 2020-03-06 思科技术公司 应用机器学习算法来计算健康分数以进行工作负载调度的系统和方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1390409A (zh) * 1999-09-16 2003-01-08 艾利森电话股份有限公司 采用异步转移模式交换机的动态电路仿真
CN1650653A (zh) * 2002-03-04 2005-08-03 阿兹穆斯网络公司 用于仿真无线环境的测试系统及其使用方法
EP1768284A1 (en) * 2005-09-22 2007-03-28 Telefonica, S.A. MIMO channel emulator
EP2278920A1 (en) * 2008-05-02 2011-02-02 Firstbeat Technologies OY Fitness test
CN101925102A (zh) * 2010-06-08 2010-12-22 中国人民解放军理工大学 一种采用以太网混杂模式的无线网络拓扑仿真方法
CN102164048A (zh) * 2011-04-06 2011-08-24 上海美琦浦悦通讯科技有限公司 局域网络中实现多运营商接入的数据流优化装置及方法
US20130006601A1 (en) * 2011-06-30 2013-01-03 Fanny Mlinarsky Channel emulator system and method
CN104050373A (zh) * 2014-06-19 2014-09-17 国家电网公司 一种电力通信中pcm设备的安全风险量化评估方法
CN106489255A (zh) * 2014-07-11 2017-03-08 甲骨文国际公司 用于在高性能计算（hpc）环境中支持高效负载均衡的系统和方法
CN110474848A (zh) * 2014-07-11 2019-11-19 甲骨文国际公司 用于在高性能计算环境中支持高效负载均衡的系统和方法
CN105406930A (zh) * 2015-12-07 2016-03-16 北京星河亮点技术股份有限公司 多通道信道仿真器、终端一致性测试系统及相位校准系统
CN110476174A (zh) * 2017-04-04 2019-11-19 海露科技有限公司 包括装置间连接性的神经网络处理器
CN110869909A (zh) * 2017-07-12 2020-03-06 思科技术公司 应用机器学习算法来计算健康分数以进行工作负载调度的系统和方法
CN108229452A (zh) * 2018-03-20 2018-06-29 东北大学 基于深度神经网络和dsp芯片的人数统计装置和方法
CN109740247A (zh) * 2018-12-29 2019-05-10 京微齐力(北京)科技有限公司 一种ip与efpga端口连接方法及其优选方法

Also Published As

Publication number Publication date
CN111224727B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN105068515B (zh) 一种基于自学习算法的智能家居设备语音控制方法
US6922395B1 (en) System and method for testing protocols for ad hoc networks
CN109815332A (zh) 损失函数优化方法、装置、计算机设备及存储介质
EP1486031A1 (en) Method, system and computer program for determining network operational characteristics of software applications
CN116527567B (zh) 一种基于深度强化学习的智能网络路径优选方法与系统
EP3779641A1 (en) Method and device for adjusting neural-network-based wireless modem, and storage medium
EP3852014A1 (en) Method and apparatus for training learning model, and computing device
CN101539968A (zh) 一种围棋人机对弈系统
CN106844627A (zh) 基于对话系统的在线学习方法及装置
CN115460121A (zh) 一种基于大数据和数字孪生的数据中心监测方法及系统
CN111224727B (zh) 一种基于信道仿真仪的自适应拓扑结构的实现方法
CN107566051B (zh) 一种mimo ota最大三维测试区域大小的确定方法及装置
CN107046448B (zh) 一种mimo ota三维信道空间特性重现的方法及装置
CN114090952A (zh) 损失函数动态加权的方法、装置、设备和存储介质
CN110928264B (zh) 数据处理、数据处理装置以及计算机可读取记录介质
CN110825583A (zh) 一种针对云数据中心多指标融合的能效定性评估技术
CN110519083A (zh) 基于演化博弈论的混合策略异构社交网络信息扩散分析
CN109670210A (zh) 一种基于并行分布式粒子群算法的功率电子电路优化方法
CN105281977B (zh) 一种基于二叉树算法的智能性能测试方法及系统
CN111651887A (zh) 一套数值模型参数不确定性分析方法
CN112231986B (zh) 一种数控衰减器建模方法
CN116011379B (zh) 仿真方法、装置、电子设备及存储介质
CN117724429B (zh) 基于多模分析的浸麦设备智能控制方法及系统
KR102199432B1 (ko) 소프트웨어 정의 네트워킹(Software Defined Networking)에서 최적의 컨트롤러를 선택하는 방법 및 장치
JP2003058863A (ja) ニューラルネットワークにおける学習方法

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