CN114423025A - 一种场景识别方法、装置、设备以及存储介质 - Google Patents
一种场景识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114423025A CN114423025A CN202111633700.0A CN202111633700A CN114423025A CN 114423025 A CN114423025 A CN 114423025A CN 202111633700 A CN202111633700 A CN 202111633700A CN 114423025 A CN114423025 A CN 114423025A
- Authority
- CN
- China
- Prior art keywords
- classifier
- target
- antenna
- antenna coverage
- weight value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供了一种场景识别方法、装置、设备以及存储介质,涉及通信技术领域。具体实现方案为:确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;获取所述目标小区内多个终端用户的用户分布信息;分别对多个用户分布信息进行特征提取,得到多个特征数据集;采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。可见,通过本方案,可以实现快速、准确地识别天线覆盖场景。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种场景识别方法、装置、设备以及存储介质。
背景技术
在5G Massive MIMO(阵列天线多输入多输出)部署和运营过程中,往往需要调整四个天线的相关参数:水平波宽、垂直波宽、方位角和下倾角,不同的天线覆盖场景下需要配置的天线的相关参数的参数值不同。具体而言,针对基站的天线所覆盖的小区而言,通常需要确定小区所属的天线覆盖场景,进而,基于天线覆盖场景,配置针对小区的天线参数。
相关技术中,针对基站的天线所覆盖的小区,采用人工经验来识别该小区所属的天线覆盖场景,并针对不同场景调整天线的相关参数的参数值以匹配场景需求。由于天线覆盖场景的多样化,通过人工经验已无法快速准确地识别天线覆盖场景,从而无法从多达上万种的天线的相关参数的参数值组合中,快速选择合适的参数值组合来匹配场景需求,继而无法发挥Massive MIMO的性能优势。
发明内容
本发明实施例的目的在于提供一种场景识别方法、装置、设备以及存储介质,以实现快速、准确地识别天线覆盖场景。具体技术方案如下:
第一方面,本发明实施例提供了一种场景识别方法,所述方法包括:
确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
分别对多个用户分布信息进行特征提取,得到多个特征数据集;
采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
可选地,所述指定数量个目标分类器的确定过程包括:
确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;所述多个备选分类器的数量大于所述指定数量,且每个备选分类器具有初始的权重值;
针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于所述误判率,对该备选分类器的当前的权重值进行修正处理,并返回所述获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
可选地,所述基于所述误判率,对该备选分类器的当前的权重值进行修正处理,包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
可选地,所述预定结束条件,包括:
该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
可选地,每一目标分类器具有权重值;
所述对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景,包括:
针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
确定所对应权重值最高的天线覆盖场景,作为所述目标小区所属的天线覆盖场景。
可选地,所述用户分布信息,包括:波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。
可选地,在对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景之后,所述方法还包括:
根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数;其中,所述相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
可选地,所述根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数,包括:
根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与所述目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
按照所述目标参数值,对所述目标天线的相关参数进行设置。
第二方面,本发明实施例提供了一种场景识别装置,所述装置包括:
确定模块,用于确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取模块,用于获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
特征提取模块,用于分别对多个用户分布信息进行特征提取,得到多个特征数据集;
分类模块,用于采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
分析模块,用于对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
可选地,所述指定数量个目标分类器的确定过程包括:
确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;所述多个备选分类器的数量大于所述指定数量,且每个备选分类器具有初始的权重值;
针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于所述误判率,对该备选分类器的当前的权重值进行修正处理,并返回所述获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
可选地,所述基于所述误判率,对该备选分类器的当前的权重值进行修正处理,包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
可选地,所述预定结束条件,包括:
该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
可选地,每一目标分类器具有权重值;
所述分析模块,包括:
累加子模块,用于针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
确定子模块,用于确定所对应权重值最高的天线覆盖场景,作为所述目标小区所属的天线覆盖场景。
可选地,所述用户分布信息,包括:波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。
可选地,所述装置还包括:
配置模块,用于在所述分析模块执行对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景之后,执行根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数;其中,所述相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
可选地,所述配置模块,包括:
查询子模块,用于根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与所述目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
设置子模块,用于按照所述目标参数值,对所述目标天线的相关参数进行设置。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述任一所述的场景识别方法的步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的场景识别方法的步骤。
本发明实施例有益效果:
本发明实施例提供的方案,获取目标小区内多个终端用户的用户分布信息;接着,分别对该多个用户分布信息进行特征提取,得到多个特征数据集;接着,采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;然后,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景。可见,本方案中,通过对目标小区内的多个终端用户的分布信息进行特征提取,提取出该多个分布信息中与场景相关联的特征,得到特征数据集,接着采用多个目标分类器并行地对该特征数据集进行分类处理,可以降低分类时间;由于每一目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器,因此,通过将该每一特征数据集对应的分类结果进行融合分析,即可获得该目标小区所属的天线覆盖场景。可见,通过本方案,可以快速、准确地识别天线覆盖场景。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例所提供的场景识别方法的一种流程图;
图2为本发明实施例所提供的场景识别方法的另一流程图;
图3为本发明实施例所提供的场景识别方法的一个具体示例的流程图;
图4为本发明实施例所提供的场景识别方法的一种分类器权重值训练的流程图;
图5为本发明实施例所提供的场景识别装置的一种结构示意图;
图6为实现本发明实施例的一种电子设备的结构示意图。
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,所描述的实施例仅仅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基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
在5G Massive MIMO部署和运营过程中,需要调整四个天线的相关参数:水平波宽、垂直波宽、方位角、下倾角,由于各个参数的参数值都可以根据实际的天线使用情况进行调整,因此,该相关参数的参数值的组合(Pattern)多达上万种。在实际应用中,针对不同的天线覆盖场景而言,终端用户的分布存在很大的差异,例如:对于天线覆盖场景为居民区而言,该场景下的终端用户分布较为密集,但移动量小;而对于天线覆盖场景为体育场而言,该场景下的终端用户的分布较为稀疏,但移动量大。因此,为了匹配不同场景的需求,需要为覆盖该场景的天线配置较佳的Pattern,即设置较佳的参数值的组合。
相关技术中,针对基站的天线所覆盖的小区,采用人工经验来识别该小区所属的天线覆盖场景,并针对不同场景调整天线的相关参数的参数值以匹配场景需求。由于天线覆盖场景的多样化,通过人工经验已无法快速准确地识别天线覆盖场景,从而无法从多达上万种的天线的相关参数的参数值组合中,快速选择合适的参数值组合来匹配场景需求,继而无法发挥Massive MIMO的性能优势。
基于上述内容,为了快速、准确地识别天线覆盖场景,本发明实施例提供了一种场景识别方法、装置、设备以及存储介质。
下面首先对本发明实施例所提供的一种场景识别方法进行介绍。
本发明实施例所提供的一种场景识别方法可以应用于电子设备。在具体应用中,该电子设备可以为服务器,也可以为终端设备,这都是合理的。在实际应用中,该终端设备可以是:平板电脑、台式电脑,等等。
具体而言,该场景识别方法的执行主体可以为场景识别装置。示例性的,当该场景识别方法应用于终端设备时,该场景识别装置可以为运行于终端设备中的功能软件,例如:场景识别软件。示例性的,当该场景识别方法应用于服务器时,该场景识别装置可以为运行于服务器中的计算机程序,该计算机程序可以用于识别天线覆盖场景。
其中,本发明实施例所提供的一种场景识别方法,可以包括如下步骤:
确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
分别对多个用户分布信息进行特征提取,得到多个特征数据集;
采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
本发明实施例所提供的方案中,获取目标小区内多个终端用户的用户分布信息;接着,分别对该多个用户分布信息进行特征提取,得到多个特征数据集;接着,采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;然后,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景。可见,本方案中,通过对目标小区内的多个终端用户的分布信息进行特征提取,提取出该多个分布信息中与场景相关联的特征,得到特征数据集,接着采用多个目标分类器并行地对该特征数据集进行分类处理,可以降低分类时间;由于每一目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器,因此,通过将该每一特征数据集对应的分类结果进行融合分析,即可获得该目标小区所属的天线覆盖场景。可见,通过本方案,可以快速、准确地识别天线覆盖场景。
下面结合附图,对本发明实施例所提供的场景识别方法进行介绍。
如图1所示,本发明实施例所提供的场景识别方法,可以包括步骤S101-S105:
S101,确定目标小区;其中,该目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
本实施例中,目标天线安装在基站上,其所覆盖的小区(即区域),称为目标小区,在实际应用场景中,该目标天线可以为5G Massive MIMO天线。由于目标天线所覆盖的小区的场景存在多种情况,可以是:居民区、体育场、图书馆和音乐厅,等等,而不同的场景下,对覆盖该场景的天线的性能要求不同,因此,本方案首先确定目标天线所覆盖的小区,以用于对该目标天线的天线覆盖场景进行识别,进而在识别到天线覆盖场景后,可以基于识别到的天线覆盖场景来选取目标天线的参数值的组合。
S102,获取该目标小区内多个终端用户的用户分布信息;其中,该用户分布信息为用于描述用户地理分布的信息;
本实施例中,该用于描述用户地理分布的用户分布信息,可以是从预先采集的用户分布信息所构建的数据集中获取的,也可以是从基站中实时获取的各个终端用户的用户分布信息。示例性的,该用户分布信息,可以包括:DOA(Direction Of Arrival,波达角估计)、RSRP(Reference Signal Receiving Power,参考信号接收功率)、SINR(SignaltoInterference plus Noise Ratio,信号与干扰加噪声比,下文简称信噪比)和PL(pathloss,路径损耗)中的至少一种。其中,波达角估计可以对目标天线接收的来自终端用户的来波方向进行估计;参考信号接收功率是代表无线信号强度的关键参数,反映当前信道的路径损耗强度;信噪比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,反映当前信道的链路质量;路径损耗是在目标天线和终端用户之间由传播环境引入的损耗的量。
可以理解的是,考虑到终端用户的用户分布信息受到场景的影响,因此,可以对目标小区内多个终端用户的用户分布信息进行分析,从而,根据从该用户分布信息所表征的地理分布特点,分析该终端用户可能处于的场景。例如,由于路径损耗与建筑物等遮挡有关,当终端用户处于的场景为较为宽阔的体育场时,其路径损耗会低于处于建筑物较为密集的居民区场景,从而可以根据小区内终端用户的路径损耗,分析出该终端用户可能处于的场景。
示例性的,在一种具体的实现方式中,该用户分布信息可以包括:波达角估计、参考信号接收功率、信噪比和路径损耗。可以理解的是,由于上述波达角估计、参考信号接收功率、信噪比和路径损耗等属性,均可以从某一角度去描述用户地理分布的信息,因此,通过该四个属性去表征终端用户的分布信息,可以从不同视角去描述用户分布信息,从而充分利用终端用户的丰富地理位置信息。
S103,分别对该多个用户分布信息进行特征提取,得到多个特征数据集;
本实施例中,针对每一终端用户的用户分布信息所包括的多个类型的信息,可以构成一个数据集,该多个类型可以是波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。可以理解的是,针对每一用户分布信息,采用特征提取的方式,可以从该用户分布信息中,提取出刻画场景的关键特征,即提取出用户分布信息中与场景相关联的特征,得到特征数据集。从而后续可以对该多个特征数据集进行分类,获得每一特征数据集对应的天线覆盖场景的分类结果。
示例性的,针对每一终端用户的用户分布信息,对该用户分布信息进行特征提取的方式可以是:采用卷积神经网络,分别提取出该用户分布信息中与场景相关联的特征,得到特征数据集,或者,采用深度残差网络,分别提取出该用户分布信息中与场景相关联的特征,得到特征数据集。当然,上述给出的特征提取的方式仅仅作为示例,本发明实施例对该特征提取的方式并不限制。
示例性的,在一种具体的实现方式中,针对每一终端用户而言,若该终端用户的用户分布信息包括:波达角估计、参考信号接收功率、信噪比和路径损耗,用户分布信息所包括的多个类型的信息,可以构成数据集;进而,在进行特征提取时,可以将上述数据集转化成向量的形式,得到对应于该用户分布信息的向量,接着,将该向量输入卷积神经网络,提取出该向量中与终端用户所处场景相关联的特征,得到特征向量,该特征向量即为特征数据集。可以理解的是,通过使用波达角估计、参考信号接收功率、信噪比和路径损耗这四个属性去表征用户的分布信息,可以从不同视角去描述用户分布信息,从而在特征提取时,可以从多个维度提取出该用户分布信息中与终端用户所处场景相关联的特征,继而,后续利用该多个特征数据集进行分类时,可以获得更加准确的分类结果。
S104,采用指定数量个目标分类器,并行地对该多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,该目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;该标签信息用于表征样本小区所属的天线覆盖场景的真值;该样本小区为该样本特征数据集所属的终端用户处于的小区;
本实施例中,该指定数量个为至少两个,可以理解的是,相较于采用单个目标分类器对该多个特征数据集进行分类而言,采用至少两个目标分类器并行地对该多个特征数据集进行分类,可以降低分类时间,从而快速获得对应于每一特征数据集的分类结果。需要强调的是,每一特征数据集可以通过一个目标分类器进行分类处理,而每一个目标分类器可以对至少一个特征数据集进行分类处理。
其中,该目标分类器为基于样本特征数据集和标签信息,对参数进行训练得到的分类器,该标签信息用于表征样本小区所属的天线覆盖场景的真值。其中,样本特征数据集的数量可以为多个;示例性的,多个样本特征数据集可以是从样本小区内的多个用户分布信息中,随机选取的多个样本用户分布信息,经过特征提取得到的样本特征数据集。示例性的,该标签信息可以是:音乐厅、体育场、图书馆和居民区,等等。其中,样本特征数据集可以基于样本用户分布信息所确定,具体的确定过程与上述的S103所述的步骤的具体过程类似,在此不做赘述。
在一种可选的实现方式中,该目标分类器的训练过程可以是:通过目标分类器对样本特征数据集进行分类,得到样本特征数据集的分类结果,接着,基于目标分类器的分类结果与标签信息的差异计算该目标分类器的分类准确率,并基于该准确率反向调整该目标分类器的参数,使该目标分类器的分类准确率不断提高,从而训练出满足分类准确率要求的分类器。可以理解的是,通过采用指定数量个经过训练后满足分类准确率要求的目标分类器,对该多个特征数据集进行分类,可以保证针对每一特征数据集的分类结果的准确性。
另外,需要说明的是,对于每个目标分类器来说,其可以是不同类型的分类器,例如:回归分类器、贝叶斯网络,等等;也可以是相同类型的分类器,例如均为回归分类器,当其为相同类型的分类器时,每个目标分类器可以由不同数量个分类器串联而成的,例如:目标分类器A由两个回归分类器串联而成,目标分类器B由5个回归分类器串联而成。本发明实施例对该目标分类器的类型及其构成并不限定。
S105,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景。
在通过步骤S104获得每一特征数据集对应的分类结果后,可以对该多个分类结果进行融合分析,得到最终的分类结果,即得到该目标小区所属的天线覆盖场景。示例性的,在一种实现方式中,对各个分类结果进行融合分析的过程可以是:针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的数量进行累加,从而获得对应于各个天线覆盖场景的分类结果的数量,然后,将数量最多的分类结果对应的天线覆盖场景作为该目标小区所属的天线覆盖场景。
为了方案清楚,以及布局清晰,下文介绍对各个分类结果进行融合分析的其他实现方式。
本发明实施例所提供的方案中,获取目标小区内多个终端用户的用户分布信息;接着,分别对该多个用户分布信息进行特征提取,得到多个特征数据集;接着,采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;然后,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景。可见,本方案中,通过对目标小区内的多个终端用户的分布信息进行特征提取,提取出该多个分布信息中与场景相关联的特征,得到特征数据集,接着采用多个目标分类器并行地对该特征数据集进行分类处理,可以降低分类时间;由于每一目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器,因此,通过将该每一特征数据集对应的分类结果进行融合分析,即可获得该目标小区所属的天线覆盖场景。可见,通过本方案,可以快速、准确地识别天线覆盖场景。
可选地,在一种实现方式中,该指定数量个目标分类器的确定过程,可以包括步骤A1-A3:
A1,确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;该多个备选分类器的数量大于指定数量,且每个备选分类器具有初始的权重值;
可以理解的是,由于该指定数量个目标分类器的分类准确率越高,得到的分类结果越准确,因此,为了提高分类结果的准确性,可以从多个备选分类器中选择最佳的指定数量个分类器作为目标分类器。需要说明的是,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器,这样可以保证每一备选分类器的具有一定的分类准确率;并且,上述的每一目标分类器是该多个备选类器中的一个,每一备选分类器的训练过程可以参见上述的目标分类器的训练过程。
在多个备选分类器的选取过程中,可以为每个备选分类器设置初始的权重值,后续在分类过程中,通过不断调整该权重值选择最合适的指定数量个分类器。示例性的,该多个备选分类器的初始权重值可以为被平等分配的权重值,例如:0.5,表征每个备选分类器都有0.5的概率被选择。
A2,针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于该误判率,对该备选分类器的当前的权重值进行修正处理,并返回该获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
也就是,利用多个样本特征数据集对多个备选分类器进行权重值训练,基于每一备选分类器的误判率调整该备选分类器的权重值,直至该备选分类器当前的权重值符合预定结束条件停止训练。其中,该误判率表征该备选分类器分类错误的概率,即该备选分类器的针对样本特征数据集的分类结果,与该样本特征数据集所对应的标签信息不同的概率。
示例性的,在一种具体的实现方式中,基于该误判率,对该备选分类器的当前的权重值进行修正处理,可以包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
示例性的,该第一预设阈值可以是0.1、0.2,等等,该第二预设阈值可以是0.5、0.6,等等,预设步长可以是0.05、0.1,等等。可以理解的是,若该备选分类器的误判率低,则说明该备选分类器的分类准确率较高,此时可以调高该分类器当前的权重值;若该分类器的误判率高,则说明该备选分类器的分类准确率较低,此时可以调低该分类器当前的权重值;若该备选分类器的误判率处于第一阈值与第二阈值之间,可以保持当前的权重值不变。
示例性的,在一种具体的实现方式中,该预定结束条件,可以包括:该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
示例性的,该预设的权重上限值可以是0.7、0.8,等等,预设的权重下限值可以是0.2、0.3,等等。可以理解的是,设置预设的权重上限值/权重下限值,可以防止备选分类器在权重值的调整过程中,出现过拟合或欠拟合的现象,导致该分类器的泛化能力不足或者分类准确率不高的问题。
A3,在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
可以理解的是,通过步骤A2对每一备选分类器进行训练,得到每一备选分类器的权重值,该权重值即可表示该备选分类器的分类准确性,通过按照权重值从大到小的顺序,可以从该多个备选分类器中,选取分类准确性最高的指定数量个分类器作为目标分类器,使用该指定数量个目标分类器对该多个特征数据集进行分类,可以在保证针对每一特征数据集的分类结果的准确性的同时,克服使用单个分类器带来的误判率难以降低的缺陷。
可见,通过本实现方式,可以从多个备选分类器中选取指定数量个分类准确率最高的分类器作为目标分类器,使得采用该指定数量个目标分类器对特征数据集进行分类时,可以克服单个分类器误判率难以降低的缺陷。
可选地,在一种实现方式中,步骤S104中的每一目标分类器可以具有权重值;其中,每一目标分类器所具有的权重值,可以用于表征该分类结果的可信度。
可以理解的是,通过为每一目标分类器设置用于表征该分类器的分类结果的可信度的权重值,后续在对每一特征数据集对应的分类结果进行融合分析时,可以根据该权重值对各个分类结果进行融合。示例性的,在一种具体的实现方式中,该每一目标分类器所具有的权重值可以是上述步骤A2训练所得的权重值,例如:若指定数量个为四个,且从上述多个备选分类器中,按照权值从大到小依次选取的目标分类器的权重值分别为0.7、07、0.6、0.6,则可以在采用该四个目标分类器,并行地对该多个特征数据集进行分类处理时,将该四个目标分类器分别赋予0.7、0.7、0.6、0.6的权重值,最终按照该权重值对对应于各个目标分类器的分类结果进行融合分析。
相应的,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景,可以包括步骤B1-B2:
B1,针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
示例性的,若目标分类器A输出两个表征“体育场”的分类结果,一个表征“居民区”的分类结果,目标分类器B输出两个表征“居民区”的分类结果,一个表征“体育场”的分类结果,且若目标分类器A的权重值为0.7,目标分类器B的权重值为0.6,则天线覆盖场景为“体育场”所对应的权重值为2,天线覆盖场景为“居民区”所对应的权重值为1.9。
可以理解的是,由于每一目标分类器所具有的权重值,表征该分类结果的可信度,因此,对各个分类结果进行融合分析时,可以将每一分类结果所对应的分类器的权重值,作为该分类结果的权重值,然后将属于同一天线覆盖场景的分类结果的权重值进行累加,属于该同一天线覆盖场景的分类结果的权重值越高,目标小区属于该天线覆盖场景的可信度越高。
B2,确定所对应权重值最高的天线覆盖场景,作为该目标小区所属的天线覆盖场景。
可以理解的是,由于属于同一天线覆盖场景的分类结果的权重值越高,目标小区属于该天线覆盖场景的可信度越高,因此,可以将对应权重值最高的天线覆盖场景,作为该目标小区所属的天线覆盖场景。
可见,通过本实现方式,对该指定数量个目标分类器设置权重值,由于目标分类器所具有的权重值,可以用于表征该分类器的分类结果的可信度,因此,通过根据每一目标分类器所具有的权重值,对该分类器的分类结果进行融合分析,可以使得场景识别结果,即该目标小区所属的天线覆盖场景的识别结果更加准确。
可选地,在本发明的另一实施例中,在图1的基础上,如图2所示,所述方法包括S201-S206:
S201,确定目标小区;其中,该目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
S202,获取该目标小区内多个终端用户的用户分布信息;其中,该用户分布信息为用于描述用户地理分布的信息;
S203,分别对该多个用户分布信息进行特征提取,得到多个特征数据集;
S204,采用指定数量个目标分类器,并行地对该多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,该目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;该标签信息用于表征样本小区所属的天线覆盖场景的真值;该样本小区为该样本特征数据集所属的终端用户处于的小区;
S205,对各个分类结果进行融合分析,得到该目标小区所属的天线覆盖场景。
其中,步骤S201-S205的内容与上述步骤S101-S105相同,这里不再赘述。
S206,根据该目标小区所属的天线覆盖场景,为该目标天线配置相关参数;其中,该相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
可以理解的是,由于不同的天线覆盖场景对于天线的性能要求不同,而天线的相关参数的参数值的设置影响着天线的性能,因此,在通过步骤S201-S205识别出目标小区所属的天线覆盖场景后,可以根据该目标小区所属的天线覆盖场景,为该目标天线的相关参数设置合适的参数值来匹配该天线覆盖场景的需求。
可选地,在一种实现方式中,根据该目标小区所属的天线覆盖场景,为该目标天线配置相关参数,可以包括步骤C1-C2:
C1,根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与该目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
C2,按照该目标参数值,对该目标天线的相关参数进行设置。
本实现方式中,该预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,可以是相关技术人员根据经验预先配置的映射关系。可以理解的是,对于每一天线覆盖场景而言,存在与该天线覆盖场景最匹配的相关参数的参数值,因此,可以通过从该预设的映射关系中,查询与该目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值对该目标天线的相关参数进行设置,从而满足不同的场景需求。
可见,通过本实施例,可以在快速准确地识别天线覆盖场景的基础上,进一步基于预设的天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,选择与该天线覆盖场景最匹配参数值对该目标天线的相关参数进行设置,从而可以从多达上万种的天线的相关参数的参数值组合中,快速选择合适的参数值组合来匹配场景需求。
为了更加清楚的理解本发明实施例的内容,下面结合图3-图4对本发明的一个具体示例进行介绍。
图3展示了实现本发明实施例所提供的场景识别方法的一个具体示例的流程图,如图3所示,针对5G Massive MIMO部署和运营过程中,天线覆盖场景的识别过程,可以包括如下三个阶段:
第一阶段,多个分类器的参数训练阶段,通过对多个分类器的参数进行训练,得到多个备选分类器;具体过程如下:
(1)获取用户信息:获取样本天线所覆盖的小区内的多个样本终端用户的DOA、RSRP、SINR和PL信息,作为各个样本终端用户的用户分布信息。
(2)生成特征:对该获取到的多个用户分布信息,进行特征提取,生成多个多特征转换视角的数据集(对应于上文中的样本特征数据集);其中,该多特征转换视角的数据集的生成过程,可以是:采用多视角聚类算法挖掘出不同视角(即DOA、RSRP、SINR、PL)之间的一致性信息和互补性信息,得到多特征转换视角的数据集;其中,该多视角聚类算法可以是基于卷积神经网络、深度残差网络的聚类算法,等等。
(3)标签信息输入:利用对应于各个数据集的标签信息,和步骤(2)生成的多个数据集,分别对各个分类器进行参数训练,得到参数训练完成的多个分类器。该训练完成的多个分类器,可以作为多个备选分类器。
第二阶段,多个目标分类器的确定阶段,具体过程如下:
D1,预设备选分类器:上述的参数训练完成的多个分类器均可以作为备选分类器,并且,预设备选分类器的个数,对应于图中的分类器1至分类器n,例如:n=10;预设备选分类器的输入维度,即输入的特征个数,例如:4个(可以对应于上文中用户信息所包括的4类信息)。
D2,初始化权重值:将每个备选分类器的初始权重值设为0.5,表征每个备选分类器都有0.5的概率被选择。
D3,权重值训练:对该多个备选分类器进行权重值训练时,可以包括如下过程:
分类结果的确定:
每一备选分类器的输入为:训练样本集D={(x1,y1),(x2,y2),...(xm,ym)},其中,x为终端用户的用户分布信息信息,包含4个属性:DOA、RSRP、SINR、PL;y为标签信息,表征该终端用户所处的场景的真值,可以设置4个标签值:音乐厅、体育场、居民区和图书馆,m为训练样本的个数;每一备选分类器输出为:预测的场景类别,即:音乐厅、体育场、居民区或图书馆。针对每一备选分类器,可以获得样本集中每一样本对应的分类结果;
权重值更新:按照各个备选分类器的误判率更新各个备选分类器的权重值,更新公式为Weight(t+1)=Weight(t)+a*X(t);其中,a为预设步长,取值可以为0.05,t为迭代的次数,X(t)为取值为1或-1的变量,若分类正确,即分类结果与标签信息相同,或分类结果的误判率小于第一预设阈值,则X(t)=1,若分类错误,即分类结果与标签信息不同,或分类结果的误判率大于第二预设阈值,则X(t)=-1;其中,第二预设阈值大于第一预设阈值。
然后,进行迭代优化:不断重复分类结果的确定以及权重值更新的过程,直至达到预定结束条件,例如:各个备选分类器的权重值不再变化,或者,达到了预设分类器权重值的上限值0.7,或者,达到了预设分类器权重值的下限值0.3,训练结束。从该多个备选分类器中,按照权重值从大到小依次选取指定数量个分类器,作为目标分类器。
第三阶段:利用多个目标分类器进行场景识别的阶段:
分类结果合理组合:获取目标小区内多个终端用户的用户分布信息;分别对多个用户分布信息进行特征提取,得到多个特征数据集;采用各个目标分类器,并行地对多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;利用各个目标分类器的权重值作为该目标分类器对应的场景分类结果的可信度,将各个目标分类器输出的分类结果进行组合,即将各个分类结果中属于同一场景的分类结果的权重值进行累加;
场景输出:将权重值最高的分类结果所对应的天线覆盖场景,作为最终分类结果输出,即输出目标小区所属的天线覆盖场景。
可以理解的是,在输出天线覆盖场景后,即可通过场景-权值最优解库(对应于上文中的预设映射关系),对Massive MIMO的相关参数的参数值进行配置,即对Massive MIMO的参数组合Pattern[水平波宽,垂直波宽,方位角,下倾角]进行配置,相较于采用人工识别场景并进行天线参数调整的方式而言,减少了人力成本,提高网络运维效率和效果。通过本方案,可以快速识别出目标天线所覆盖的用户场景,解决了Massive MIMO的参数配置中,由于覆盖场景多样化,导致难以快速选择合适的参数值进行参数配置的问题。
图4展示了实现本发明实施例所提供的场景识别方法的一种分类器权重值训练的流程图,包括获取用户信息、生成特征、预设备选分类器、初始化权重值、分类训练、权值更新、迭代优化、扩充训练集等步骤,其中,除扩充训练集外,其他步骤与上述图3所展示的内容类似,这里不再赘述。
其中,扩充训练集的过程为:按照各个备选分类器的权重依次选取指定数量个目标分类器,将未知场景的用户分布信息输入该指定数量个目标分类器进行分类,并将各个分类结果进行合理组合,输出最终的场景分类结果;将用户分布信息及其对应的最终分类场景保存到训练样本集中,以扩充训练样本集。可以理解的是,随着用户数据的积累,训练样本集不断扩大,场景识别的准确率可不断提升;
可见,在本方案中,通过采用目标天线所覆盖的、待进行天线覆盖场景识别的小区内的多个终端用户的用户分布信息,即利用用户地理分布信息大数据,结合并行多分类器智能识别终端用户所处的场景,可以快速、准确地识别目标天线的天线覆盖场景,并且,可以基于该天线覆盖场景快速调整和配置目标天线的Pattern,从而提高运维效率,节省运维成本,并使得配置的Massive MIMO的性能,可以为该天线覆盖场景下的用户提供更佳的用户体验。
相应上述方法实施例,本发明实施例还提供了一种场景识别装置,如图5所示,所述装置包括:
确定模块510,用于确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取模块520,用于获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
特征提取模块530,用于分别对多个用户分布信息进行特征提取,得到多个特征数据集;
分类模块540,用于采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
分析模块550,用于对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
可选地,所述指定数量个目标分类器的确定过程包括:
确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;所述多个备选分类器的数量大于所述指定数量,且每个备选分类器具有初始的权重值;
针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于所述误判率,对该备选分类器的当前的权重值进行修正处理,并返回所述获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
可选地,所述基于所述误判率,对该备选分类器的当前的权重值进行修正处理,包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
可选地,所述预定结束条件,包括:
该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
可选地,每一目标分类器具有权重值;
所述分析模块,包括:
累加子模块,用于针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
确定子模块,用于确定所对应权重值最高的天线覆盖场景,作为所述目标小区所属的天线覆盖场景。
可选地,所述用户分布信息,包括:波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。
可选地,所述装置还包括:
配置模块,用于在所述分析模块执行对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景之后,执行根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数;其中,所述相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
可选地,所述配置模块,包括:
查询子模块,用于根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与所述目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
设置子模块,用于按照所述目标参数值,对所述目标天线的相关参数进行设置。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述实施例中任一所述的场景识别方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的场景识别方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的场景识别方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (18)
1.一种场景识别方法,其特征在于,所述方法包括:
确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
分别对多个用户分布信息进行特征提取,得到多个特征数据集;
采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
2.根据权利要求1所述的方法,其特征在于,所述指定数量个目标分类器的确定过程包括:
确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;所述多个备选分类器的数量大于所述指定数量,且每个备选分类器具有初始的权重值;
针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于所述误判率,对该备选分类器的当前的权重值进行修正处理,并返回所述获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
3.根据权利要求2所述的方法,其特征在于,所述基于所述误判率,对该备选分类器的当前的权重值进行修正处理,包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
4.根据权利要求2所述的方法,其特征在于,所述预定结束条件,包括:
该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
5.根据权利要求2所述的方法,其特征在于,每一目标分类器具有权重值;
所述对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景,包括:
针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
确定所对应权重值最高的天线覆盖场景,作为所述目标小区所属的天线覆盖场景。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述用户分布信息,包括:波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。
7.根据权利要求1-5任一项所述的方法,其特征在于,在对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景之后,所述方法还包括:
根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数;其中,所述相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
8.根据权利要求7所述的方法,其特征在于,所述根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数,包括:
根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与所述目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
按照所述目标参数值,对所述目标天线的相关参数进行设置。
9.一种场景识别装置,其特征在于,所述装置包括:
确定模块,用于确定目标小区;其中,所述目标小区为基站的目标天线所覆盖的、待进行天线覆盖场景识别的小区;
获取模块,用于获取所述目标小区内多个终端用户的用户分布信息;其中,所述用户分布信息为用于描述用户地理分布的信息;
特征提取模块,用于分别对多个用户分布信息进行特征提取,得到多个特征数据集;
分类模块,用于采用指定数量个目标分类器,并行地对所述多个特征数据集进行分类处理,得到每一特征数据集对应的分类结果;其中,所述目标分类器为基于样本特征数据集和标签信息,对参数进行训练所得到的分类器;所述标签信息用于表征样本小区所属的天线覆盖场景的真值;所述样本小区为所述样本特征数据集所属的终端用户处于的小区;
分析模块,用于对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景。
10.根据权利要求9所述的装置,其特征在于,所述指定数量个目标分类器的确定过程包括:
确定多个备选分类器,其中,每一备选分类器为利用样本特征数据集和标签信息,预先完成参数训练的分类器;所述多个备选分类器的数量大于所述指定数量,且每个备选分类器具有初始的权重值;
针对每一备选分类器,获取待利用的多个样本特征数据集;利用该备选分类器对各个样本特征数据集进行分类,得到各个分类结果;基于各个分类结果与各个样本特征数据集所对应的标签信息,确定该备选分类器的误判率;基于所述误判率,对该备选分类器的当前的权重值进行修正处理,并返回所述获取待利用的多个样本特征数据集的步骤;直至该备选分类器的当前的权重值符合预定结束条件;
在各个备选分类器的权重值符合预定结束条件后,按照权重值从大到小的顺序,从多个备选分类器中,选取指定数量个目标分类器。
11.根据权利要求10所述的装置,其特征在于,所述基于所述误判率,对该备选分类器的当前的权重值进行修正处理,包括:
若该备选分类器的误判率小于第一预设阈值,以预设步长增大该备选分类器的当前的权重值;
若该备选分类器的误判率大于第二预设阈值,以预设步长减小该备选分类器的当前的权重值;所述第二预设阈值大于所述第一预设阈值;
否则,该备选分类器的当前的权重值保持不变。
12.根据权利要求10所述的装置,其特征在于,所述预定结束条件,包括:
该备选分类器的权重值在多次修正处理后保持不变,或者,达到预设的权重上限值/权重下限值。
13.根据权利要求10所述的装置,其特征在于,每一目标分类器具有权重值;
所述分析模块,包括:
累加子模块,用于针对各个分类结果所表征的每一天线覆盖场景,将表征该天线覆盖场景的分类结果的权重值进行累加,得到该天线覆盖场景对应的权重值;其中,任一分类结果的权重值为输出该分类结果的目标分类器所具有的权重值;
确定子模块,用于确定所对应权重值最高的天线覆盖场景,作为所述目标小区所属的天线覆盖场景。
14.根据权利要求9-13任一项所述的装置,其特征在于,所述用户分布信息,包括:波达角估计、参考信号接收功率、信噪比和路径损耗中的至少一种。
15.根据权利要求9-13任一项所述的装置,其特征在于,所述装置还包括:
配置模块,用于在所述分析模块执行对各个分类结果进行融合分析,得到所述目标小区所属的天线覆盖场景之后,执行根据所述目标小区所属的天线覆盖场景,为所述目标天线配置相关参数;其中,所述相关参数的参数类型包括:水平波宽、垂直波宽、方位角和下倾角。
16.根据权利要求15所述的装置,其特征在于,所述配置模块,包括:
查询子模块,用于根据预设的各个天线覆盖场景与天线配置的相关参数的参数值之间的映射关系,查询与所述目标小区所属的天线覆盖场景相对应的参数值,作为目标参数值;
设置子模块,用于按照所述目标参数值,对所述目标天线的相关参数进行设置。
17.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一项所述的方法步骤。
18.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633700.0A CN114423025B (zh) | 2021-12-29 | 2021-12-29 | 一种场景识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633700.0A CN114423025B (zh) | 2021-12-29 | 2021-12-29 | 一种场景识别方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114423025A true CN114423025A (zh) | 2022-04-29 |
CN114423025B CN114423025B (zh) | 2024-03-15 |
Family
ID=81269184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111633700.0A Active CN114423025B (zh) | 2021-12-29 | 2021-12-29 | 一种场景识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114423025B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528282A (zh) * | 2023-07-04 | 2023-08-01 | 亚信科技(中国)有限公司 | 覆盖场景识别方法、装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105106A (zh) * | 2014-07-23 | 2014-10-15 | 武汉飞脉科技有限责任公司 | 无线通信网智能天线覆盖场景自动分类识别方法 |
US20190027833A1 (en) * | 2017-07-20 | 2019-01-24 | Apple Inc. | Adjustable Multiple-Input and Multiple-Output Antenna Structures |
CN109688592A (zh) * | 2018-12-26 | 2019-04-26 | 郭今戈 | 利用Massive MIMO天线提升通信覆盖的方法 |
CN110784880A (zh) * | 2019-10-11 | 2020-02-11 | 深圳市名通科技股份有限公司 | 天线权值优化方法、终端及可读存储介质 |
CN110839251A (zh) * | 2019-11-27 | 2020-02-25 | 南京华苏科技有限公司 | 基于用户数据识别天线前后抑制比异常的方法 |
-
2021
- 2021-12-29 CN CN202111633700.0A patent/CN114423025B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105106A (zh) * | 2014-07-23 | 2014-10-15 | 武汉飞脉科技有限责任公司 | 无线通信网智能天线覆盖场景自动分类识别方法 |
US20190027833A1 (en) * | 2017-07-20 | 2019-01-24 | Apple Inc. | Adjustable Multiple-Input and Multiple-Output Antenna Structures |
CN109688592A (zh) * | 2018-12-26 | 2019-04-26 | 郭今戈 | 利用Massive MIMO天线提升通信覆盖的方法 |
CN110784880A (zh) * | 2019-10-11 | 2020-02-11 | 深圳市名通科技股份有限公司 | 天线权值优化方法、终端及可读存储介质 |
CN110839251A (zh) * | 2019-11-27 | 2020-02-25 | 南京华苏科技有限公司 | 基于用户数据识别天线前后抑制比异常的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528282A (zh) * | 2023-07-04 | 2023-08-01 | 亚信科技(中国)有限公司 | 覆盖场景识别方法、装置、电子设备和可读存储介质 |
CN116528282B (zh) * | 2023-07-04 | 2023-09-22 | 亚信科技(中国)有限公司 | 覆盖场景识别方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114423025B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471938B (zh) | 一种文本分类方法及终端 | |
CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
AU2015277418B2 (en) | Device localization based on a learning model | |
CN105657823B (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
CN108712714B (zh) | 一种室内wlan指纹定位中ap的选择方法及装置 | |
CN109117854B (zh) | 关键点匹配方法、装置、电子设备以及存储介质 | |
CN110568441B (zh) | 一种基于卷积神经网络的船用雷达测雨识别方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
CN112469060B (zh) | 一种天线参数确定方法及装置 | |
CN114423025B (zh) | 一种场景识别方法、装置、设备以及存储介质 | |
CN111784401A (zh) | 下单率预测方法、装置、设备及可读存储介质 | |
CN112286977A (zh) | 基于云计算的数据推送方法、电子设备及系统 | |
CN116821777B (zh) | 一种新型基础测绘数据整合方法及系统 | |
CN114124734A (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
CN113239785A (zh) | 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备 | |
CN112437485B (zh) | 一种基于神经网络的指纹空间插值法的定位方法及装置 | |
CN110691336A (zh) | 一种基于集成学习和相对定位的双尺度定位算法 | |
CN115550178A (zh) | 一种智慧网关管控方法及系统 | |
CN112860759B (zh) | 基于区块链安全认证的大数据挖掘方法及云认证服务系统 | |
CN112163617A (zh) | 无标签数值类型特征分类方法、装置、设备及可读存储介质 | |
CN112055076A (zh) | 基于互联网的多功能智能监控方法、装置及服务器 | |
CN111209943A (zh) | 数据融合方法、装置及服务器 | |
CN112235723A (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |