CN111491262A - 移动宽带网络信号强度确定方法和装置 - Google Patents
移动宽带网络信号强度确定方法和装置 Download PDFInfo
- Publication number
- CN111491262A CN111491262A CN202010336679.7A CN202010336679A CN111491262A CN 111491262 A CN111491262 A CN 111491262A CN 202010336679 A CN202010336679 A CN 202010336679A CN 111491262 A CN111491262 A CN 111491262A
- Authority
- CN
- China
- Prior art keywords
- position information
- signal strength
- signal intensity
- prediction model
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000611 regression analysis Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- 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
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请提供了一种移动宽带网络信号强度确定方法和装置,所述方法包括:采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;获取位置信息;利用所述预设信号强度预测模型根据所述位置信息确定出所述位置信息对应的信号强度;其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型。该方法能够获取移动宽带网络覆盖下任意位置的信号强度。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种移动宽带网络信号强度确定方法和装置。
背景技术
移动宽带技术也称为“无线广域网(WWAN)”技术,它通过可便携的设备提供无线高速Internet访问。使用移动宽带,你可以从任何为移动Internet 连接提供移动电话服务的位置连接到Internet。
移动宽带网络覆盖范围下的网络信号强度,对于提高运营人员、网络服务商和客户对移动宽带网络的建设、维护、优化和诊断等过程的效率具有重要的意义,因此,获取移动宽带网络覆盖范围下的网络信号强度是亟待解决的技术问题。
发明内容
有鉴于此,本申请提供一种移动宽带网络信号强度确定方法和装置,能够获取移动宽带网络覆盖下任意位置的信号强度。
为解决上述技术问题,本申请的技术方案是这样实现的:
在一个实施例中,提供了一种移动宽带网络信号强度确定方法,所述方法包括:
采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;
获取位置信息;
利用所述预设信号强度预测模型根据所述位置信息确定出所述位置信息对应的信号强度;
其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:
获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;
将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型。
在另一个实施例中,提供了一种移动宽带网络信号强度确定装置,所述装置包括:生成单元,获取单元和确定单元;
所述生成单元,用于采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型;
所述获取单元,用于获取位置信息;
所述确定单元利用所述生成单元生成的所述预设信号强度预测模型根据所述获取单元获取的位置信息确定出所述位置信息对应的信号强度。
在另一个实施例中,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如所述移动宽带网络信号强度确定方法的步骤。
在另一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述移动宽带网络信号强度确定方法的步骤。
由上面的技术方案可见,上述实施例中获取终端的测量数据(位置信息和接收信号强度),以其作为训练样本,采用基于高斯过程的回归分析进行建模,获得输入为位置信息,输出为信号强度的预设信号强度预测模型;通过该模型能够获取任意位置的信号强度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本申请实施例中预设信号强度预测模型建立流程示意图;
图2为本申请实施例中确定任一位置的信号强度的流程示意图;
图3为本申请实施例中确定任一区域的信号强度的流程示意图;
图4为本申请实施例中信号强度的热力图的示意图;
图5为本申请实施例中应用于上述技术的装置结构示意图;
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
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,所描述的实施例仅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做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。
本发明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,以便这里描述的本发明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他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中提供一种移动宽带网络信号强度确定方法,获取终端的测量数据(位置信息和接收信号强度),以其作为训练样本,采用基于高斯过程的回归分析进行建模,获得输入为位置信息,输出为信号强度的预设信号强度预测模型;通过该模型能够获取任意位置的信号强度。
本申请实施例中采用基于高斯过程的回归分析法进行建模,获得预设信号强度预测模型。参见图1,图1为本申请实施例中预设信号强度预测模型建立流程示意图。具体步骤为:
步骤101,获取终端的测量数据;其中,所述测量数据包括位置信息和信号接收强度。
本申请实施例中获取的终端的测量数据,可以为由终端上报的测量数据,也可以为从其他设备上获取的终端实际获取的测量数据;
如果由终端上报的而获取测量数据,则需使终端具有向本确定装置上报测量数据的功能。
这种实现方式需要在需要上报的终端上增加测量数据上报的功能,并指定上报的测量数据。
终端上报的测量数据的时机可以是按照预先设定的时间上报,也可以是接收到上报指令时上报。
针对从其他设备上获取的终端实际获取的测量数据的实现方式可以具体为:
不限于所述其他设备,如存储设备、服务器等,获取所述测量数据的具体方式,而本申请的确定装置通过拷贝的方式,或者通过有线、无线网络传输的方式获取所述其他设备上存储的测量数据。
测量数据的内容可以根据实际需要设定,本申请实施例中上报的测量数据至少包括但不限于下述信息:位置信息和信号接收强度。
其中,位置信息包括经纬度坐标和海拔高度;信号接收强度可以为参考信号接收功率(Reference Signal Receiving Power,RSRP)。
以N个终端的测量数据为例,则第i个终端的测量数据中,位置信息为纬度坐标lati,高度alti,经度坐标loni,终端i从服务基站接收到的信号接收强度Pi;其中,1≤i≤N。
本申请实施例中在获取测量数据后,还需确定所述测量数据是否经过预处理,如果是,将所述测量数据作为训练样本;否则,对所述测量数据进行如下数据预处理:数据清洗、数据标记、归一化与一次性的(one-shot)编码处理、以及数据分割;并将预处理后的测量数据作为训练样本。
其中,对样本数据进行数据标记的属性(特征)包括进行了归一化处理后的终端的纬度坐标lati、终端的经度坐标loni、终端的高度信息alti,输出标签为信号接收强度Pi。
步骤102,将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型。
本申请实施例中获取的预设信号强度预测模型的输入为位置信息,输出为信号强度。
本步骤中基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型的过程为:
高斯过程是一组随机变量遵循高斯分布。一个高斯过程由其均值函数和协方差函数进行确定。在本申请实施例中,将不同地理位置下,即位置信息的网络信号强度分布满足高斯过程,即
p=f(l)+∈;
其中,p为在位置信息l处包含观测噪声的信号接收强度,即实际测量的信号接收强度;f(l)是在位置信息l处的理论信号接收强度;∈为对于信号进行测量时的观测噪声,满足i.i.d(独立同分布),期望为0,方差为的正态分布。
针对N个训练样本建模时,位置信息集合为L={li|i=1,2,...N},测量获取的信号接收强度的集合可以表示为P={pi|i=1,2,...N}。
本申请实施例中假设f(l)满足高斯过程,即在两个不同位置li与lj处的信号接收强度pi和pj之间符合一个联合高斯分布。
下面给出预设信号强度预测模型的具体表示方式:
其中,为预设信号强度预测模型输出的平均信号强度矩阵;为L*与L 之间的协方差矩阵;L*为输入的位置信息组成的矩阵,L为训练样本中的位置信息所组成的矩阵;K为训练样本的位置信息中两两位置信息之间的协方差组成的矩阵;I为单位矩阵;P为训练样本的接收信号强度组成的矩阵;为观测噪声的方差。
至此,建立的模型中对应三个参数,分别为:σn,σf和α;对模型的优化、调参,即确定三个超参数的具体过程为:
本发明利用共轭梯度下降法来求得P的对数似然的最大值,对于每个超参数的梯度,即分别求导计算为:
上述三个式子分别置0,即可求得三个参数的值,进而获得预设信号强度预测模型的表达式。
至此,完成预设信号强度预测模型的生成。
高斯过程回归作为一个不受参数限制的回归模型可以有效处理网络的不确定性与时空的关联性,并对网络信号强度总体分布的一般性假设较广,更适用于解决对移动宽带网络覆盖范围下的网络信号强度的预测,提高模型预测的准确性。
下面,结合附图详细说明本申请实施例中信号强度确定过程。
参见图2,图2为本申请实施例中确定任一位置的信号强度的流程示意图。
具体步骤为:
步骤201,获取位置信息。
这里的位置信息为对应位置的经纬度坐标和海拔高度:纬度坐标lat0、海拔高度alt0、经度坐标lon0。
步骤202,利用所述预设信号强度预测模型根据所述位置信息确定出所述位置信息对应的信号强度。
基于上述位置信息能够获取对应位置的信号强度。
本申请该实施例能够快速、准确、方便获取任意位置的信号强度。
参见图3,图3为本申请实施例中确定任一区域的信号强度的流程示意图。
具体步骤为:
步骤301,将预设区域使用预设步长的网格进行划分,并获取划分后的网格的质心坐标作为所述网格的位置信息。
这里的预设步长可以根据实际需要设置,也可以根据预设区域的拓扑特点选择,如希望区域划分的网格密集一些,则设置的预设步长的值小一些,如希望区域划分的网格稀疏一些,则设置的预设步长的值大一些。
网格的质心坐标中针对纬度坐标和经度坐标选择网格的中心对应的经纬度坐标即可,针对海拔高度的确定使用所述网格实际对应的地形区域中的海拔高度的平均值即可。
步骤302,利用预设信号强度预测模型根据所述网格的位置信息确定出所述网格对应的信号强度。
基于上述位置信息能够获取每个网格对应的信号强度,所有网格的信号强度组成所述预设区域的信号强度。
本申请该实施例能够快速、准确、方便获取任意区域的信号强度。
本申请具体实施例中还可以对信号强度进行可视化展示,具体实现时,可以利用热力图技术对所述预设区域的每个网格的质心坐标对应的信号强度进行表示,并输出。即可实现对全网覆盖范围下信号质量分布的可视化展示。
参见图4,图4为本申请实施例中信号强度的热力图的示意图。图4中在热力图上显示位置信息和信号强度的对应关系,位置信息为每个网格的质心,如图中的灰色圆所对应的位置,针对每个位置信息显示其对应的信号强度。
在具体实现时,可以在热力图上直接显示每个位置信息与对应信号强度的具体值,也可以在鼠标移动并选择对应位置的时候显示位置信息,以及对应的信号强度,本申请实施例对此并不进行限制。
热力图还可以按照预先设定的信号强度对应的颜色来表示不同位置的信号强度。
基于同样的发明构思,本申请实施例中还提供一种移动宽带网络信号强度确定装置。参见图5,图5为本申请实施例中应用与上述技术的装置结构示意图。该装置包括:生成单元501,获取单元502和确定单元503;
生成单元501,用于采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型;
获取单元502,用于获取位置信息;
确定单元503利用生成单元501生成的所述预设信号强度预测模型根据获取单元502获取的位置信息确定出所述位置信息对应的信号强度。
其中,所述预设信号强度预测模型的表达式为:
其中,为预设信号强度预测模型输出的平均信号强度矩阵;为L*与L 之间的协方差矩阵;L*为输入的位置信息组成的矩阵,L为训练样本中的位置信息所组成的矩阵;K为训练样本的位置信息中两两位置信息之间的协方差组成的矩阵;I为单位矩阵;P为训练样本的接收信号强度组成的矩阵;为观测噪声的方差。
优选地,
若训练样本的个数为N个,则K为一个N×N维的位置信息之间的协方差矩阵,矩阵K的第i行第j列表示为:
在进行模型训练时,通过矩阵P的对数似然,对模型超参数进行调整优化;利用共轭梯度下降法获得参数σn,σf和α的值。
优选地,所述装置进一步包括:处理单元504;
处理单元504,用于当获取单元502获取终端的测量数据时,确定所述测量数据是否经过预处理,如果是,将所述测量数据作为训练样本;否则,对所述测量数据进行如下数据预处理:数据清洗、数据标记、归一化与one-shot编码处理、以及数据分割;并将预处理后的测量数据作为训练样本。
优选地,所述装置进一步包括:处理单元504;
处理单元504,进一步用于将预设区域使用预设步长的网格进行划分,并获取划分后的网格的质心坐标作为所述网格的位置信息;
确定单元503,进一步用于利用所述预设信号强度预测模型根据所述处理单元504获取的网格的位置信息确定出所述网格对应的信号强度。
优选地,
处理单元504,进一步用于利用热力图技术对所述预设区域的每个网格的质心坐标对应的信号强度进行表示,并输出。
上述实施例的单元可以集成于一体,也可以分离部署;可以合并为一个单元,也可以进一步拆分成多个子单元。
在另一个实施例中,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述移动宽带网络信号强度确定方法的步骤。
在另一个实施例中,还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时可实现所述移动宽带网络信号强度确定方法中的步骤。
图6为本发明实施例提供的电子设备的实体结构示意图。如图6所示,该电子设备可以包括:处理器(Processor)610、通信接口(Communications Interface)620、存储器(Memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610 可以调用存储器630中的逻辑指令,以执行如下方法:
采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;
获取位置信息;
利用所述预设信号强度预测模型根据所述位置信息确定出所述位置信息对应的信号强度;
其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:
获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;
将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种移动宽带网络信号强度确定方法,其特征在于,所述方法包括:
采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;
获取位置信息;
利用所述预设信号强度预测模型根据所述位置信息确定出所述位置信息对应的信号强度;
其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:
获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;
将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型。
4.根据权利要求1所述的方法,其特征在于,所述获取终端的测量数据时,所述方法进一步包括:
确定所述测量数据是否经过预处理,如果是,将所述测量数据作为训练样本;否则,对所述测量数据进行如下数据预处理:数据清洗、数据标记、归一化与one-shot编码处理、以及数据分割;并将预处理后的测量数据作为训练样本。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法进一步包括:
将预设区域使用预设步长的网格进行划分,并获取划分后的网格的质心坐标作为所述网格的位置信息;
利用所述预设信号强度预测模型根据所述网格的位置信息确定出所述网格对应的信号强度。
6.根据权利要求5所述的方法,其特征在于,所述方法进一步包括:
利用热力图技术对所述预设区域的每个网格的质心坐标对应的信号强度进行表示,并输出。
7.一种移动宽带网络信号强度确定装置,其特征在于,所述装置包括:生成单元,获取单元和确定单元;
所述生成单元,用于采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型;其中,采用基于高斯过程的回归分析进行建模,获得预设信号强度预测模型,包括:获取终端的测量数据,其中,所述测量数据包括:位置信息和接收信号强度;将所述位置信息和接收信号强度作为样本,基于高斯过程的回归分析进行模型训练,获得预设信号强度预测模型;
所述获取单元,用于获取位置信息;
所述确定单元利用所述生成单元生成的所述预设信号强度预测模型根据所述获取单元获取的位置信息确定出所述位置信息对应的信号强度。
8.根据权利要求7所述的装置,其特征在于,所述装置进一步包括:处理单元;
所述处理单元,用于将预设区域使用预设步长的网格进行划分,并获取划分后的网格的质心坐标作为所述网格的位置信息;
所述确定单元,进一步用于利用所述预设信号强度预测模型根据所述处理单元获得网格的位置信息确定出所述网格对应的信号强度。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336679.7A CN111491262A (zh) | 2020-04-26 | 2020-04-26 | 移动宽带网络信号强度确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336679.7A CN111491262A (zh) | 2020-04-26 | 2020-04-26 | 移动宽带网络信号强度确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111491262A true CN111491262A (zh) | 2020-08-04 |
Family
ID=71813069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010336679.7A Pending CN111491262A (zh) | 2020-04-26 | 2020-04-26 | 移动宽带网络信号强度确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111491262A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852517A (zh) * | 2021-09-06 | 2021-12-28 | 天翼数字生活科技有限公司 | 一种基于ar的信号强度可视化系统和方法 |
CN114024946A (zh) * | 2021-11-02 | 2022-02-08 | 中国联合网络通信集团有限公司 | 流媒体码率的调整方法、装置和计算机可读存储介质 |
CN115567132A (zh) * | 2022-10-14 | 2023-01-03 | 浙江吉利控股集团有限公司 | 网络强度预测模型的训练方法及网络资源切换控制方法 |
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013053930A (ja) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | 物品位置特定システム、物品位置特定方法および物品位置特定プログラム |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
CN108595744A (zh) * | 2018-03-02 | 2018-09-28 | 中国科学院空间应用工程与技术中心 | 基于高斯过程回归的电磁作动器等效磁场强度建模方法 |
US20190159159A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
CN110490304A (zh) * | 2019-08-21 | 2019-11-22 | 上海哲锦信息科技有限公司 | 一种数据处理方法及设备 |
-
2020
- 2020-04-26 CN CN202010336679.7A patent/CN111491262A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013053930A (ja) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | 物品位置特定システム、物品位置特定方法および物品位置特定プログラム |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
US20190159159A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
CN108595744A (zh) * | 2018-03-02 | 2018-09-28 | 中国科学院空间应用工程与技术中心 | 基于高斯过程回归的电磁作动器等效磁场强度建模方法 |
CN110490304A (zh) * | 2019-08-21 | 2019-11-22 | 上海哲锦信息科技有限公司 | 一种数据处理方法及设备 |
Non-Patent Citations (4)
Title |
---|
WEI SUN: "《Augmentation of Fingerprints for Indoor WiFi Localization Based on Gaussian Process Regression》", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
尚亚青: "《基于高斯过程回归的链路质量预测方法》", 《中国优秀硕士学位论文全文数据库》 * |
易利容: "《基于多变量LSTM的工业传感器时序数据预测》", 《智能计算机与应用》 * |
韦丹: "《基于移动终端的室内关键定位技术研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852517A (zh) * | 2021-09-06 | 2021-12-28 | 天翼数字生活科技有限公司 | 一种基于ar的信号强度可视化系统和方法 |
CN114024946A (zh) * | 2021-11-02 | 2022-02-08 | 中国联合网络通信集团有限公司 | 流媒体码率的调整方法、装置和计算机可读存储介质 |
CN114024946B (zh) * | 2021-11-02 | 2024-02-23 | 中国联合网络通信集团有限公司 | 流媒体码率的调整方法、装置和计算机可读存储介质 |
CN115567132A (zh) * | 2022-10-14 | 2023-01-03 | 浙江吉利控股集团有限公司 | 网络强度预测模型的训练方法及网络资源切换控制方法 |
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN116743286B (zh) * | 2023-06-12 | 2024-01-30 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111491262A (zh) | 移动宽带网络信号强度确定方法和装置 | |
CN107171831B (zh) | 网络部署方法和装置 | |
CN113329437B (zh) | 无线网络信号传播路径损耗预测方法及电子设备 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN111491307A (zh) | 一种移动宽带网络信号强度等级确定方法和装置 | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
CN110139359B (zh) | 一种干扰源定位处理方法及装置 | |
JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
CN112218330A (zh) | 定位方法及通信装置 | |
CN112004233B (zh) | 一种基于大数据挖掘的网络规划方法 | |
CN113644996B (zh) | 基于深度学习的小区级rsrp估计方法 | |
EP4002911A1 (en) | Apparatuses and methods to determine a high-resolution qos prediction map | |
CN114501530A (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN108770057A (zh) | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 | |
CN109618281B (zh) | 一种高铁小区的识别方法及装置 | |
CN112486676A (zh) | 一种基于边缘计算的数据共享分发方法及装置 | |
CN110995365B (zh) | 射频基因库建立方法及违法违规无线电波检测方法 | |
CN110580465A (zh) | 品相确定方法及装置、存储介质、电子装置 | |
CN115550863B (zh) | 一种基于卷积神经网络的wifi室内定位方法 | |
CN111949473B (zh) | 一种集群资源容量预测方法和装置 | |
CN113727435B (zh) | 一种精准定位方法、系统和存储介质 | |
CN114390535B (zh) | 小区覆盖范围的展示方法、装置、设备及计算机存储介质 | |
CN114792371B (zh) | 电线实时分割和识别算法的确定方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |