CN114554513A - 波束赋形参数的确定方法、装置及网络设备 - Google Patents
波束赋形参数的确定方法、装置及网络设备 Download PDFInfo
- Publication number
- CN114554513A CN114554513A CN202111665598.2A CN202111665598A CN114554513A CN 114554513 A CN114554513 A CN 114554513A CN 202111665598 A CN202111665598 A CN 202111665598A CN 114554513 A CN114554513 A CN 114554513A
- Authority
- CN
- China
- Prior art keywords
- picture
- preset
- processing
- parameters
- processor
- 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 39
- 238000012545 processing Methods 0.000 claims abstract description 120
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000012937 correction Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 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
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种波束赋形参数的确定方法、装置及网络设备,该方法包括:根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。上述方案,能够自动输出较优的目标波束赋形模式,由此得到该模式对应的目标波束赋形参数,解决了现有技术采用人工确定波束赋形模式的工作效率较低的问题,提升了工作效率。
Description
技术领域
本发明涉及移动通信技术领域,尤其涉及一种波束赋形参数的确定方法、装置及网络设备。
背景技术
5G大规模多入多出Massive MIMO(Multiple-Input Multiple-Output,MIMO)波束赋形参数预设了17种模式,规范了不同模式下同步信号(Synchronization Signal andPBCH block,SSB)波束数量与方向,也可手动设置不同的波束方向。新建5G或4G站点时,应根据当前天线覆盖方向上地貌环境,选择一种适合的Massive MIMO波束赋形模式,实现优化的天线覆盖。该工作是5G移动网络优化的重要工作,但这是一项纯依靠网优工程师经验的手工工作,采用人工工作的工作效率和成效难以保证。
发明内容
本发明实施例提供一种波束赋形参数的确定方法、装置及设备,以解决现有技术采用人工确定波束赋形模式的工作效率较低的问题。
第一方面,本发明实施例提供了一种波束赋形参数的确定方法,上述方法包括:
根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
可选的,所述对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片,包括:
对所述第一图片进行图片矫正处理,得到矫正图片;
对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
可选的,所述对所述第一图片进行图片矫正处理,得到矫正图片,包括:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
可选的,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
可选的,在所述第一标记包括边界框的情况下,所述将所述第一对象在所述第一图片中进行第一标记,得到第二图片,包括:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
可选的,在所述第一标记包括边界框的情况下,所述根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数,包括:
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
将所述第三图片经过全连接层处理,得到第一矩阵;
通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
可选的,所述根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片,包括:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
可选的,所述获取所述第二图片中的每一第一对象对应的业务量,包括:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
可选的,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
可选的,所述将所述第三图片经过全连接层处理,得到第一矩阵,包括:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
第二方面,本发明实施例还提供了一种网络设备,包括存储器,收发机,处理器:
存储器,用于存储计算机程序;收发机,用于在处理器的控制下收发数据;处理器,用于读取存储器中的计算机程序并执行以下操作:
根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
可选的,所述处理器在执行对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
对所述第一图片进行图片矫正处理,得到矫正图片;
对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
可选的,所述处理器在执行对所述第一图片进行图片矫正处理,得到矫正图片时,具体用于:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
可选的,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
可选的,在所述第一标记包括边界框的情况下,所述处理器在执行将所述第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
可选的,在所述第一标记包括边界框的情况下,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数时,具体用于:
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
将所述第三图片经过全连接层处理,得到第一矩阵;
通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
可选的,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片时,具体用于:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
可选的,所述处理器在执行获取所述第二图片中的每一第一对象对应的业务量时,具体用于:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
可选的,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
可选的,所述处理器在执行将所述第三图片经过全连接层处理,得到第一矩阵时,具体用于:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
第三方面,本发明实施例还提供了一种波束赋形参数的确定装置,包括:
第一获取模块,用于根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
第一处理模块,用于对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
第二处理模块,用于根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
第四方面,本发明实施例还提供一种处理器可读存储介质,处理器可读存储介质存储有计算机程序,计算机程序用于使处理器执行上述波束赋形参数的确定方法。
在本发明实施例中,通过根据天线的第一覆盖方向,获取通过第一视角拍摄的第一图片,并对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;再根据所述第二图片中的第一标记,对所述第二图片进行数据处理,能够自动输出较优的目标波束赋形模式,由此得到该模式对应的目标波束赋形参数,解决了现有技术采用人工确定波束赋形模式的工作效率较低的问题,提升了工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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,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为本发明实施例提供的波束赋形参数的确定方法的步骤流程图;
图2为本发明实施例提供的图片矫正示意图之一;
图3为本发明实施例提供的图片矫正示意图之二;
图4为本发明实施例提供的图片矫正示意图之三;
图5为本发明实施例提供的第二图片的数据处理示意图;
图6为本发明实施例提供的第三图片的数据处理示意图;
图7为本发明实施例提供的波束赋形参数的确定装置的结构框图;
图8为本发明实施例提供的网络设备的结构框图。
具体实施方式
本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
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,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。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。
具体的,如图1所示,本发明实施例提供了一种波束赋形参数的确定方法,上述方法具体可以包括:
步骤101,根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片。
具体的,可以将天线的第一覆盖方向作为第一视角拍摄第一图片,第一覆盖方向为天线的波束覆盖方向,即天线的物理方向,包括水平方向和垂直方向。例如:如果第一覆盖方向为水平方向0°,垂直方向20°,则第一图片的水平视角为0°,垂直视角为20°。其中,垂直视角20°为与网络优化中波束下倾角概念对应,定义水平为0°,视角俯视低于水平面为正,仰视高于水平面为负;换句话说,垂直方向的初始视角为20°,如果水平向上抬镜头,则在初始20°的基础上减抬动的对应角度;如果水平向下压镜头,则在初始20°的基础上加压下的对应角度。同理,水平方向的初始视角为0°,如果水平左右转动镜头,则在初始0°的基础上加或减对应的转动角度。
需要说明的是,第一图片可以是单张图片,也可以是多张图片合成的图片,在此不做具体限定。
或者,可以在天线的第一覆盖方向的基础上设置拍摄的第一视角。例如:可以根据需要,将第一视角设置为水平视角0°±60°,垂直视角至少可以为20°±45°。如果有垂直覆盖需要的场景,还可以将垂直视角至少设置为20°±55°。需要理解的是,无论水平视角还是垂直视角,均可以设置视角限值,视角限值可以设置为初始视角±68.833°,即水平视角限值为0°±68.833°,垂直视角限值为20°±68.833°。
步骤102,对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种。
具体的,对第一图片进行预设对象的识别,识别第一图片中是否包含多种预设对象中的一种或多种。如果包含预设对象,将包含的预设对象识别出来,识别出来的预设对象作为第一对象,将该第一对象进行第一标记,得到标记后的第二图片,即第二图片中包含具有第一标记的第一对象。其中,预设对象清单如下表1所示:
表1预设对象清单
其中,表1中的类别细类为预设对象,上述类别细类有42种,则预设对象为42种。本发明实施例采用目标检测算法(You Only Look Once,YOLO)系列目标检测算法中的第三版YOLOv3进行目标检测,由于YOLOv3支持多达80种类别标签,可以预设类别细类42种,预留38种用于扩容本地化场景,即预留38种用于根据需要扩容本地化预设对象。42种类别包含4大类场景对象:建筑物、道路/铁路、开放区域、封闭区域。封闭区域并不是包括全部的常见室内封闭环境,这里只给出了可能使用有源天线处理单元(active antenna unit,AAU)设备进行覆盖规划的场景对象,不包含只适合有源室分或无源室分方案的场景对象(如教室、医院等)。
需要说明的是,YOLOv3算法需要利用已有场景对象的标注数据训练,建立针对覆盖优化场景的目标检测模型;对于新增扩充的场景对象,可以使用预留的编号,并进行对应的场景对应标注数据的模型训练。
步骤103,根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
具体的,预设有多种5G Massive MIMO波束赋形参数模式,每一种模式具有其对应的波束赋形参数。根据第二图片中的第一标记,可以对该第二图片进行数据处理,自动从多种波束赋形参数模型中确定一个较优的目标波束赋形参数模式,即得到该目标波束赋形参数模式对应的目标波束赋形参数。
在本发明上述实施例中,通过根据天线的第一覆盖方向,获取通过第一视角拍摄的第一图片,并对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;再根据所述第二图片中的第一标记,对所述第二图片进行数据处理,能够自动输出较优的目标波束赋形模式,由此得到该模式对应的目标波束赋形参数,解决了现有技术采用人工确定波束赋形模式的工作效率较低的问题,提升了工作效率。
作为一可选的实施例,所述步骤102对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片,具体可以包括如下步骤:
步骤A1,对所述第一图片进行图片矫正处理,得到矫正图片。
具体的,对第一图片进行图片矫正处理,得到矫正处理之后的图片,即矫正图片,采用不同设备拍摄的第一图片采用的矫正处理方式不同,具体根据拍摄设备进行设定。
步骤A2,对所述矫正图片进行预设对象的识别,得到识别出的第一对象。
具体的,对矫正之后的矫正图片进行预设对象的识别,即识别矫正图片中是否包含至少一种预设对象,以及在包含至少一种预设对象的情况下,将包含的至少一种预设对象识别出来,识别出来的预设对象作为第一对象。
步骤A3,将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
具体的,将该第一对象在第一图片中进行第一标记,得到标记后的第二图片,即第二图片中包含具有第一标记的第一对象。
作为一可选的实施例,所述步骤A1对所述第一图片进行图片矫正处理,得到矫正图片,具体包括:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
具体的,获取拍摄第一图片的相关设备的变形参数,通过该变形参数对第一图片进行变形,可以得到变形后的变形图片。如果预设参数包括预设视角参数,则可以根据预设视角参数,可以将变形图片进行裁剪矫正,得到矫正后的矫正图片;例如:压缩变形图片的分辨率,将变形图片保持原长宽比例,分辨率降为414*414像素(414*414为YOLOv3输入图片尺寸),每3像素对应水平视角的1°(即水平视角分辨率为0.333°)。因此处理水平视角最大限值为±68.833°,超出的视角范围可以进行裁剪。
如果预设参数包括预设图片比例参数,则可以根据预设图片比例参数,对变形图片进行填充矫正,得到填充后的矫正图片。例如:变形图片为4:3的长宽比例,垂直方向像素不足需要进行填充,并且变形导致变形图片角落的部分区域需要进行填充;此时需要保持变形图片的中心不变,将变形图片填充至1:1的图片长宽比例,并将变形图片的角落区域进行填充,填充值红绿蓝GRB通道可以填写(128,128,128),以进行区分。
如果预设参数包括预设视角参数和预设图片比例参数,则可以根据预设视角参数,可以将变形图片进行裁剪矫正,然后再根据预设图片比例参数对裁剪矫正的图片进行填充矫正,得到矫正图片。或者,如果预设参数包括预设视角参数和预设图片比例参数,则可以根据预设图片比例参数,对变形图片进行填充矫正,然后再根据预设视角参数对填充矫正的图片进行裁剪矫正,得到矫正图片。其中,相关设备的变形参数如下表2所示:
表2相关设备的变形参数
其中,如果第一图片是单张图片或合成图片,则变形参数为镜头畸变参数,可以由镜头资料获取,也可以自主测试获取;如果在精度要求不高的场景下,可以直接利用不同焦距和视角理论值进行映射,此时可以忽略镜头设计因素。如果第一图片为全景图片,则变形参数由第一图片拍摄时的第一视角获取。
为了便于理解,如图2所示,第一图片为全景图片的情况下进行图片矫正处理的示意图,需要将变形后的变形图片进行裁剪矫正和填充矫正,得到矫正图片,裁剪区域以及填充区域如图2所示。如图3所示,第一图片为单张广角镜头图片的情况下进行图片矫正处理的示意图,需要将变形后的变形图片进行填充矫正,得到矫正图片,填充区域如图3所示。如图4所示,第一图片为单张鱼眼镜头图片的情况下进行图片矫正处理的示意图,需要将变形后的变形图片进行裁剪矫正和填充矫正,得到矫正图片,裁剪区域和填充区域如图4所示。对于不同类型的图片采用不同的矫正处理方式,兼容性及适应能力更强。
作为一可选的实施例,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
具体的,第二图片中的第一标记包括:每一个第一对象对应的对象名称和/或每一个第一对象对应的边界框。其中,对象名称为表1中的类别细类名称,边界框为类别细类的边界框。
作为一可选的实施例,在所述第一标记包括边界框的情况下,所述步骤A3将所述第一对象在所述第一图片中进行第一标记,得到第二图片,具体包括:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
具体的,如图5所示,将第一图片51中识别出的第一对象均设置对应的边界框,由此形成带有边界框的第一图片,该边界框的坐标位置可以通过左上角坐标、右下角坐标、中心坐标进行表示。并且,为了较少覆盖场景远点对象的识别,突出中近点的主要覆盖对象,可以将边界框的尺寸小于或等于第一尺寸的边界框删除,仅保留边界框的尺寸大于第一尺寸的边界框,由此形成第二图片52,如图5所示,第二图片52中每一第一对象周围设置有一个矩形边界框。其中,第一尺寸可以根据需要进行设定,第一尺寸可以是宽31像素或者高31像素;或者可以通过视角进行表示,水平视角小于10°表示边界框的尺寸小于第一尺寸,在此不做具体限定。
作为一可选的实施例,在所述第一标记包括边界框的情况下,所述步骤103根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数,具体可以包括:
步骤B1,根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片。
具体的,根据第二图片中的每一个第一对象对应的对象名称和/或每一个第一对象对应的边界框,可以对该第二图片进行数据处理,由此得到第三图片。
步骤B2,将所述第三图片经过全连接层处理,得到第一矩阵。
具体的,如图6所示,将第三图片经过多个全连接层进行处理,得到第一矩阵。如果全连接层(Fully Connected layers,FC)有3层,分别是第一全连接层、第二全连接层以及第三全连接层。第三图片经过第一全连接层处理,得到第一一维矩阵,再经过第二全连接层处理得到第二一维矩阵,再经过第三全连接层处理得到第三一维矩阵,即第一矩阵。例如:如果第一一维矩阵包括8192个参数,则经过第二全连接层得到的第二一维矩阵包括256个参数,再经过第三全连接层得到的第三一维矩阵包括17个参数。
需要说明的是,与YOLOv3算法需要典型场景的标注数据训练一样,也需要对于典型场景的选择17种Massive MIMO预置模式进行打标,作为分类数据的训练集。上述典型场景可以选择与训练YOLOv3模型相同的图片,分别进行目标检测打标和Massive MIMO预置模式打标,同时满足两个子问题的训练集需求。
步骤B3,通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
具体的,如图6所示,通过损失函数softmax对第一矩阵进行计算,得到关于有损坏的多种波束赋形参数模式对应的分数,通过分数可以确定较优的(即最高分数)的波束赋形参数模式为目标波束赋形参数模式,由此得到该模式对应的目标波束赋形参数。
进一步的,所述步骤B2将所述第三图片经过全连接层处理,得到第一矩阵,具体包括:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
具体的,如图6所示,第三图片为414*414*2的数据图片,由于Massive MIMO天线模式中波束调整一般为水平方向0°±60°,垂直方向20°±45°的范围,近乎为3:2,因此以第三图片为中心(图片中心为垂直方向20°),将414*414*2的数据图片裁剪为414*312*2的数据图片。并且,为了减少后续网络的参数,对上述裁剪后的414*312*2的数据图片进行最大池化处理得到27*104*2的第四图片(其中最大池化尺寸为15*3*1),即将水平视角分辨率降为5°,垂直视角分辨率降为1°,以提升工作效率;由于实际Massive MIMO预置的波束赋形参数模式的多数场景水平视角分辨率为10°大于5°,垂直视角分辨率1°等于1°,满足精度要求。
并且,通过拉平函数Flatten对第四图片进行计算,得到第二矩阵,即包含5616个参数的一个一维矩阵。然后将该第二矩阵经过多个全连接层处理,得到第一矩阵。
作为一可选的实施例,所述步骤B1根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片,具体包括:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
具体的,如图5所示,获取第二图片中每一个第一对象对应的业务量,在每一个第一对象对应的边界框中标记其对应的业务量,,由此生成第一子图片53;即根据第二图片新建一个414*414的通道,将其初始化为1;该通道的每一个第一对象对应的边界框中的区域填写其对应的业务量,由此得到包含每一第一对象业务量的第一子图片53。如图5所示,第一子图片53中设置有多个矩形边界框,每一个矩形边界框中均标记有对应的业务量,在图5中,不同的业务量采用不同的填充图案进行表示,以便区分,以上表示方式仅为示例。
并且,将第二图片中的每一个第一对象对应边界框中,满足第一预设条件的目标边界框中标记预设值,其他不满足第一预设条件的边界框删除,由此得到第二子图片54;即根据第二图片新建一个414*414的通道,将其初始化为1;如果第一对象以及其对应的边界框满足第一预设条件,则在该第一对象对应的边界框中填写预设值,由此得到第二子图片54。如图5所示,第二子图片54中设置有多个矩形边界框,每一个矩形边界框中均标记有对应的业务量,在图5中,不同的业务量采用不同的填充图案进行表示,以便区分,以上表示方式仅为示例。
需要说明的是,预设值可以根据需要进行设定,可以设定为255,在此不做具体限定。
进一步的,所述第一预设条件包括但不限于如下内容:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
具体的,如果第一对象为目标对象,且第一对象对应的边界框的尺寸大于或者等于第二尺寸,则该第一对象及其对应的边界框满足第一预设条件,可以将该第一对象对应的边界框中填写预设值,该预设值可以设定为255。第二尺寸可以是高大于或等于61像素(或者垂直视角大于或等于20°)、且长大于或等于211像素(或水平视角大于或等于70°),第二尺寸的大小可以根据需要进行设定,在此不做具体限定。
其中,目标对象为预设对象(即表1)中的其中一部分,如下表3所示:
表3目标对象的清单
编号 | 类别 | 类别细类 | 用途 |
20 | 道路 | 高速道路(垂直道路方向) | 识别连续覆盖目标 |
22 | 道路 | 高架道路/市区桥梁(垂直道路方向) | 识别连续覆盖目标 |
24 | 道路 | 地面铁路/地铁(垂直方向) | 识别连续覆盖目标 |
26 | 道路 | 高架铁路/地铁(垂直方向) | 识别连续覆盖目标 |
28 | 道路 | 长距离桥梁(垂直道路方向) | 识别连续覆盖目标 |
即,上述表3中的5种类别细类为目标对象的名称。
作为一可选的实施例,上述获取所述第二图片中的每一第一对象对应的业务量的步骤,具体包括:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
具体的,获取第二图片中的所有第一对象的总业务量(如:255),并获取每一个第一对象对应的权重值,将每一第一对象对应的权重值与总业务量相乘,即得到每一个第一对象对应的业务量。其中,相同场景的业务量,但距离近的边界框尺寸较大,整体权重更高,业务量越高,符合覆盖规划对于覆盖目标距离的要求;相同距离的覆盖目标,边界框尺寸越大则权重越高,重要性越大则权重越高,符合覆盖规划对于业务量的需求。需要说明的是,权重值为预设的参数值,可以使用各场景的业务量均值归一化值,也可以根据规划目标预设对应的权重值。
综上所述,本发明实施例通过应用目标检测算法,识别天线覆盖对象目标,预设建筑物、道路/铁路、开放区域、封闭区域4大类42细类场景中,预留38种用于扩容本地化场景对象,方案更加全面、灵活;并且,依据目标检测结果(即识别出的第一对象),进行覆盖目标业务量重要性权重预测及连续覆盖目标识别,得到第一子图片和第二子图片,在选择Massive MIMO波束赋形参数模式时能够兼顾业务量和覆盖连续性两个指标;并且,应用神经网络技术实现17种预设Massive MIMO波束赋形参数模式自动分类选择,实现高效、优化的5G Massive MIMO波束赋形参数初始规划,解决了现有技术采用人工确定波束赋形模式的工作效率较低的问题,提升了工作效率。
以上介绍了本发明实施例提供的波束赋形参数的确定方法,下面将结合附图介绍本发明实施例提供的波束赋形参数的确定装置。
如图7所示,本发明实施例还提供了一种波束赋形参数的确定装置700,包括:
第一获取模块701,用于根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
第一处理模块702,用于对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
第二处理模块703,用于根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
可选的,所述第一处理模块702,包括:
矫正单元,用于对所述第一图片进行图片矫正处理,得到矫正图片;
识别单元,用于对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
标记单元,用于将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
可选的,所述矫正单元,包括:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
可选的,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
可选的,在所述第一标记包括边界框的情况下,所述标记单元,包括:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
可选的,在所述第一标记包括边界框的情况下,所述第二处理模块703,包括:
第一处理单元,用于根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
第二处理单元,用于将所述第三图片经过全连接层处理,得到第一矩阵;
计算单元,用于通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
可选的,所述第一处理单元,包括:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
可选的,所述第一处理单元在获取所述第二图片中的每一第一对象对应的业务量时,具体包括:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
可选的,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
可选的,所述第二处理单元,包括:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
需要说明的是,本申请实施例中对单元的划分是示意性的,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。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,可以存储在一个处理器可读取存储介质中。基于这样的理解,本申请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全部或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)或处理器(processor)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明实施例通过应用目标检测算法,识别天线覆盖对象目标,预设建筑物、道路/铁路、开放区域、封闭区域4大类42细类场景中,预留38种用于扩容本地化场景对象,方案更加全面、灵活;并且,依据目标检测结果(即识别出的第一对象),进行覆盖目标业务量重要性权重预测及连续覆盖目标识别,得到第一子图片和第二子图片,在选择Massive MIMO波束赋形参数模式时能够兼顾业务量和覆盖连续性两个指标;并且,应用神经网络技术实现17种预设Massive MIMO波束赋形参数模式自动分类选择,实现高效、优化的5G Massive MIMO波束赋形参数初始规划,解决了现有技术采用人工确定波束赋形模式的工作效率较低的问题,提升了工作效率。
在此需要说明的是,本发明实施例提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
如图8所示,本发明的实施例还提供了一种网络设备,包括存储器820,收发机810,处理器800:
存储器820,用于存储计算机程序;
收发机810,用于在处理器的控制下收发数据;
处理器800,用于读取存储器中的计算机程序并执行以下操作:
根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
可选的,所述处理器在执行对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
对所述第一图片进行图片矫正处理,得到矫正图片;
对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
可选的,所述处理器在执行对所述第一图片进行图片矫正处理,得到矫正图片时,具体用于:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
可选的,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
可选的,在所述第一标记包括边界框的情况下,所述处理器在执行将所述第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
可选的,在所述第一标记包括边界框的情况下,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数时,具体用于:
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
将所述第三图片经过全连接层处理,得到第一矩阵;
通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
可选的,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片时,具体用于:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
可选的,所述处理器在执行获取所述第二图片中的每一第一对象对应的业务量时,具体用于:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
可选的,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
可选的,所述处理器在执行将所述第三图片经过全连接层处理,得到第一矩阵时,具体用于:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
其中,在图8中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器800代表的一个或多个处理器和存储器820代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机810可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元,这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器800负责管理总线架构和通常的处理,存储器820可以存储处理器800在执行操作时所使用的数据。
处理器800可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device,CPLD),处理器也可以采用多核架构。
处理器通过调用存储器存储的计算机程序,用于按照获得的可执行指令执行本申请实施例提供的任一波束赋形参数的确定方法。处理器与存储器也可以物理上分开布置。
在此需要说明的是,本发明实施例提供的上述网络设备,能够实现上述波束赋形参数的确定方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本发明的实施例还提供了一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行上述波束赋形参数的确定方法。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中,使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (22)
1.一种波束赋形参数的确定方法,其特征在于,所述方法包括:
根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片,包括:
对所述第一图片进行图片矫正处理,得到矫正图片;
对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一图片进行图片矫正处理,得到矫正图片,包括:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
4.根据权利要求2所述的方法,其特征在于,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
5.根据权利要求4所述的方法,其特征在于,在所述第一标记包括边界框的情况下,所述将所述第一对象在所述第一图片中进行第一标记,得到第二图片,包括:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
6.根据权利要求4所述的方法,其特征在于,在所述第一标记包括边界框的情况下,所述根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数,包括:
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
将所述第三图片经过全连接层处理,得到第一矩阵;
通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片,包括:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
8.根据权利要求7所述的方法,其特征在于,所述获取所述第二图片中的每一第一对象对应的业务量,包括:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
9.根据权利要求7所述的方法,其特征在于,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
10.根据权利要求6所述的方法,其特征在于,所述将所述第三图片经过全连接层处理,得到第一矩阵,包括:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
11.一种网络设备,其特征在于,包括存储器,收发机,处理器:
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
12.根据权利要求11所述的网络设备,其特征在于,所述处理器在执行对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
对所述第一图片进行图片矫正处理,得到矫正图片;
对所述矫正图片进行预设对象的识别,得到识别出的第一对象;
将所述第一对象在所述第一图片中进行第一标记,得到第二图片。
13.根据权利要求12所述的网络设备,其特征在于,所述处理器在执行对所述第一图片进行图片矫正处理,得到矫正图片时,具体用于:
获取变形参数;
通过所述变形参数对所述第一图片进行变形,得到变形图片;
根据预设参数,将所述变形图片进行矫正,得到矫正图片;
其中,所述预设参数包括:预设视角参数和/或预设图片比例参数。
14.根据权利要求12所述的网络设备,其特征在于,所述第二图片中的第一标记包括:每一第一对象对应的对象名称和/或边界框。
15.根据权利要求14所述的网络设备,其特征在于,在所述第一标记包括边界框的情况下,所述处理器在执行将所述第一对象在所述第一图片中进行第一标记,得到第二图片时,具体用于:
在所述第一图片中设置每一第一对象对应的边界框;
将所述边界框的尺寸小于或等于第一尺寸的边界框删除,得到第二图片。
16.根据权利要求14所述的网络设备,其特征在于,在所述第一标记包括边界框的情况下,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数时,具体用于:
根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片;
将所述第三图片经过全连接层处理,得到第一矩阵;
通过损失函数对所述第一矩阵进行计算,从多种波束赋形参数中确定目标波束赋形参数。
17.根据权利要求16所述的网络设备,其特征在于,所述处理器在执行根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到第三图片时,具体用于:
获取所述第二图片中的每一第一对象对应的业务量;
在所述第二图片中的每一第一对象对应的边界框中,标记对应的业务量,得到第一子图片;
将所述第二图片中的每一第一对象对应的边界框中,满足第一预设条件的目标边界框中标记预设值,得到第二子图片;
将所述第一子图片和所述第二子图片进行图片合并处理,得到第三图片。
18.根据权利要求17所述的网络设备,其特征在于,所述处理器在执行获取所述第二图片中的每一第一对象对应的业务量时,具体用于:
获取所述第二图片中的第一对象的总业务量,以及每一第一对象对应的权重值;
根据所述总业务量以及每一第一对象的权重值,计算每一第一对象对应的业务量。
19.根据权利要求17所述的网络设备,其特征在于,所述第一预设条件包括:
所述第一对象为预设对象中的目标对象;
所述第一对象对应的边界框的尺寸大于或等于第二尺寸。
20.根据权利要求16所述的网络设备,其特征在于,所述处理器在执行将所述第三图片经过全连接层处理,得到第一矩阵时,具体用于:
将所述第三图片分别进行裁剪处理和最大池化处理,得到第四图片;
通过拉平函数对所述第四图片进行计算,得到第二矩阵;
将所述第二矩阵经过全连接层处理,得到第一矩阵。
21.一种波束赋形参数的确定装置,其特征在于,包括:
第一获取模块,用于根据天线的第一覆盖方向,获取第一图片,所述第一图片为通过第一视角拍摄的图片;
第一处理模块,用于对所述第一图片进行预设对象的识别,并将识别出的第一对象在所述第一图片中进行第一标记,得到具有第一标记的第二图片,所述第一对象为多种预设对象中的至少一种;
第二处理模块,用于根据所述第二图片中的第一标记,对所述第二图片进行数据处理,得到多种波束赋形参数中的目标波束赋形参数。
22.一种处理器可读存储介质,其特征在于,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行权利要求1至10任一项所述的波束赋形参数的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665598.2A CN114554513A (zh) | 2021-12-30 | 2021-12-30 | 波束赋形参数的确定方法、装置及网络设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665598.2A CN114554513A (zh) | 2021-12-30 | 2021-12-30 | 波束赋形参数的确定方法、装置及网络设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114554513A true CN114554513A (zh) | 2022-05-27 |
Family
ID=81669877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111665598.2A Pending CN114554513A (zh) | 2021-12-30 | 2021-12-30 | 波束赋形参数的确定方法、装置及网络设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114554513A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281110A (zh) * | 2013-04-26 | 2013-09-04 | 大唐移动通信设备有限公司 | 波束赋形方法和设备 |
CN104767555A (zh) * | 2014-01-06 | 2015-07-08 | 北京邮电大学 | 大规模mimo系统下自适应波束赋形模式的选择方法 |
CN105322995A (zh) * | 2014-07-30 | 2016-02-10 | 电信科学技术研究院 | Mimo系统中的导频发送方法、信道测量方法及装置 |
US10200882B1 (en) * | 2017-09-26 | 2019-02-05 | GM Global Technology Operations LLC | Beamforming based on localization module information |
CN109787670A (zh) * | 2019-01-15 | 2019-05-21 | 北京邮电大学 | 一种可绘制方向图的阵列天线波束赋形系统 |
CN110971285A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 适用于共形天线阵的波束赋形方法 |
CN111865447A (zh) * | 2019-04-29 | 2020-10-30 | 深圳市通用测试系统有限公司 | 相控阵天线测试系统及测试方法 |
CN112165348A (zh) * | 2020-09-28 | 2021-01-01 | 贵州航天南海科技有限责任公司 | 一种基于遗传算法的波束赋形仿真设计方法 |
CN113597799A (zh) * | 2019-03-13 | 2021-11-02 | 上海诺基亚贝尔股份有限公司 | 用于调整波束赋形简档的设备、方法和计算机可读介质 |
-
2021
- 2021-12-30 CN CN202111665598.2A patent/CN114554513A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281110A (zh) * | 2013-04-26 | 2013-09-04 | 大唐移动通信设备有限公司 | 波束赋形方法和设备 |
CN104767555A (zh) * | 2014-01-06 | 2015-07-08 | 北京邮电大学 | 大规模mimo系统下自适应波束赋形模式的选择方法 |
CN105322995A (zh) * | 2014-07-30 | 2016-02-10 | 电信科学技术研究院 | Mimo系统中的导频发送方法、信道测量方法及装置 |
US10200882B1 (en) * | 2017-09-26 | 2019-02-05 | GM Global Technology Operations LLC | Beamforming based on localization module information |
CN109587620A (zh) * | 2017-09-26 | 2019-04-05 | 通用汽车环球科技运作有限责任公司 | 基于定位模块信息的波束赋形 |
CN109787670A (zh) * | 2019-01-15 | 2019-05-21 | 北京邮电大学 | 一种可绘制方向图的阵列天线波束赋形系统 |
CN113597799A (zh) * | 2019-03-13 | 2021-11-02 | 上海诺基亚贝尔股份有限公司 | 用于调整波束赋形简档的设备、方法和计算机可读介质 |
CN111865447A (zh) * | 2019-04-29 | 2020-10-30 | 深圳市通用测试系统有限公司 | 相控阵天线测试系统及测试方法 |
CN110971285A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 适用于共形天线阵的波束赋形方法 |
CN112165348A (zh) * | 2020-09-28 | 2021-01-01 | 贵州航天南海科技有限责任公司 | 一种基于遗传算法的波束赋形仿真设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3690704B1 (en) | Distributed and self-validating dense object detection in digital images | |
CN110348297B (zh) | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 | |
Bignone et al. | Automatic extraction of generic house roofs from high resolution aerial imagery | |
WO2018058044A1 (en) | Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis | |
CN112734641A (zh) | 目标检测模型的训练方法、装置、计算机设备及介质 | |
CN114902289A (zh) | 使用源自立体图像对的点云对结构建模的系统和方法 | |
CN110276768B (zh) | 图像分割方法、图像分割装置、图像分割设备及介质 | |
CN114820976B (zh) | 融合遥感影像与拍摄影像的农村建筑建模方法、系统及存储介质 | |
CN112541484A (zh) | 人脸抠图方法、系统、电子装置及存储介质 | |
CN113361499B (zh) | 基于二维纹理和三维姿态融合的局部对象提取方法、装置 | |
JP2015114954A (ja) | 撮影画像解析方法 | |
CN106875408A (zh) | 用于截图的方法、装置及终端设备 | |
CN115375779B (zh) | 相机ar实景标注的方法及系统 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
CN113066112A (zh) | 一种基于三维模型数据的室内外融合方法及装置 | |
CN114880730A (zh) | 确定目标设备的方法、装置及光伏系统 | |
CN116086411A (zh) | 数字地形图生成方法、装置、设备和可读存储介质 | |
CN115187648A (zh) | 输电线路本体逆向建模方法、装置、电子设备及存储介质 | |
KR102432164B1 (ko) | 3dbim 기반 ar 검토 및 형상을 이용한 현장 검증 서비스 제공 시스템 | |
CN115393192A (zh) | 一种基于总平面图的多点位多视角视频融合方法和系统 | |
WO2022217834A1 (en) | Method and system for image processing | |
CN112734630B (zh) | 正射影像处理方法、装置、设备及存储介质 | |
CN114554513A (zh) | 波束赋形参数的确定方法、装置及网络设备 | |
CN112529498A (zh) | 一种仓储物流管理方法及系统 | |
CN110570521A (zh) | 一种城市地面粗糙度计算方法 |
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 |