CN115062729A - 分类模型及其训练方法、分类方法、设备及介质 - Google Patents

分类模型及其训练方法、分类方法、设备及介质 Download PDF

Info

Publication number
CN115062729A
CN115062729A CN202210831404.XA CN202210831404A CN115062729A CN 115062729 A CN115062729 A CN 115062729A CN 202210831404 A CN202210831404 A CN 202210831404A CN 115062729 A CN115062729 A CN 115062729A
Authority
CN
China
Prior art keywords
sample set
classification model
fault
training
classifier
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
Application number
CN202210831404.XA
Other languages
English (en)
Inventor
张�杰
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.)
Spreadtrum Communications Shanghai Co Ltd
Original Assignee
Spreadtrum Communications Shanghai 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 Spreadtrum Communications Shanghai Co Ltd filed Critical Spreadtrum Communications Shanghai Co Ltd
Priority to CN202210831404.XA priority Critical patent/CN115062729A/zh
Publication of CN115062729A publication Critical patent/CN115062729A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明提供了一种分类模型及其训练方法、分类方法、设备及介质，所述分类模型的训练方法，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。本发明通过对NR故障类型进行分类，便于快速定位不同频段的故障位置。

Description

分类模型及其训练方法、分类方法、设备及介质
技术领域
本发明涉及通信技术领域，尤其涉及一种分类模型及其训练方法、分类方法、设备及介质。
背景技术
目前，对于手机、智能手表、蜂窝网络、直放站等通讯类产品，由于生产使用的元器件存在个体差异，不能保证严格的一致性，并且受到贴片和印刷电路板装配(printedcircuitboard assembly，PCBA)单板负载的影响。如果不对元器件的工作状态做参数的调整，往往达不到最佳性能，极端情况下可能导致其所装配的终端产品无法使用。在没有明确确定到底是射频收发器发生故障还是射频通路发生故障的情况下，需要针对各个基带通路进行逐一排查。而一旦射频收发器的输出功率发生异常，通常就会认为是射频收发器出现故障，但是实际上很可能射频收发器并未发生故障，而是射频某一通路发生故障。因此，在通过表面贴装技术(Surface Mount Technology，SMT)贴片之后，必须对手机5G(新空口，NewRadio，NR)进行校准、综测。校准就是通过修改软件参数的方法来补偿由于硬件一致性问题导致的射频参数偏差；综测就是利用仪表测试经过校准之后的手机NR指标是否满足相关标准要求。
在SMT贴片过程中往往会出现射频电路的贴片异常，一旦出现射频故障必然影响射频收发器的输出功率大小以及功率输出的稳定性。现有技术主要通过人工的方式分析射频收发器、射频NR通路等各个频段的异常状态，并直接对异常的射频收发器进行维修，或者直接替换当前的射频收发器，通常会提高工作成本、提升维修难度，甚至会造成不必要的浪费。而对手机NR实行分批检测校准信息的方式，无法满足快速量产的要求，因此需要对校准故障类型进行分类，以快速定位不同频段的故障位置。
现有技术局限于通过外接仪器设备进行各个通路测试，需要专业的团队使用不同的仪表进行分析，人工进行分析、维修无法满足一致性的要求。尤其在5G通信过程中产生的通路问题更加复杂，无法进行及时有效地解决。多个故障并存的现象示有发生，需要分层级阶段性的进行维修，分析过程将花费大量的时间，不利于快速解决射频故障问题。例如公开号为CN108599802A的一篇中国专利文件中公开了一种检测射频故障的方法及装置。该方法包括：当射频收发器的输出功率异常时，检测射频通路是否异常；若检测到射频通路未发生异常，则确定射频收发器发生故障，结束检测；或者，若检测到射频通路发生异常时，获取射频收发器输出目标输出功率时第一耦合器耦合的第一功率值；将第一耦合器耦合的第一功率值与预存储的第一功率校准值进行比较，并根据第一比较结果确定射频收发器和射频放大器之间的第一通路是否发生故障；若根据第一比较结果确定第一通路发生故障时，结束检测；否则，确定射频放大器和射频天线之间的第二通路发生故障。
因此，本发明提出了一种分类模型及其训练方法、分类方法、设备及介质，以对NR故障类型进行分类，便于快速定位不同频段的故障位置。
发明内容
本发明提供了一种分类模型及其训练方法、分类方法、设备及介质，以以对NR故障类型进行分类，便于快速定位不同频段的故障位置。
第一方面，本发明提供一种分类模型的训练方法，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。
其有益效果在于：通过对所述校准参数进行特征提取，得到能够代表该校准参数相对应的频段故障的局部特征；又通过构建关于所述校准参数的故障特征向量，在保证分类精确度的前提下，得到易于故障分类的样本集，提高了分类效率。
可选地，所述对所述校准参数进行特征提取，包括：根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；对A个所述数据序列进行所述局部波动特征提取。其有益效果在于：因为NR校准参数是非线性、非平稳时间序列的，因此直接将所述NR校准参数作为样本集去处理的话，会非常繁杂，而且处理结果不一定理想。所以将根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，以达到对所述校准参数平稳化处理的目的。
进一步可选地，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。
又进一步可选地，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；得到训练好的所述分类器。
可选地，所述获取新空口校准参数，包括：获取新空口的不同频段的所述校准参数。其有益效果在于：训练时的数据越多，越有利于提高分类模型识别的准确度。
可选地，所述分类模型的训练方法，还包括：将所述测试样本集输入至所述训练好的所述分类模型中，以得到实际生成对象；计算所述实际生成对象和所述测试样本集的误差，并当所述误差小于或等于所述预设阈值时，所述分类模型符合生产要求；否则重新训练所述分类模型。其有益效果在于：通过对训练好的所述分类模型进行检验，以确定训练好的所述分类模型是否可以投入实际使用中。
第二方面，本发明提供一种分类模型，通过如第一方面中任一项所述的分类模型的训练方法训练得到，包括：输入器、分类器和输出器；所述输入器用于输入所述故障特征向量；所述分类器用于识别所述故障特征向量所对应的故障状态；所述输出器用于输出所述故障状态。
第三方面，本发明提供一种故障状态分类方法，应用于如第二方面所述的分类模型，包括：获取待测产品的新空口校准参数，对所述新空口校准参数进行特征提取；构建关于所述校准参数的故障特征向量；将所述故障特征向量输入至所述输入器中；所述分类器识别出所述故障特征向量所对应的故障状态；所述输出器输出所述故障状态。
其有益效果在于：通过本发明所提供的分类模型对所述故障特征向量进行识别，能够有效识别出相应频段的故障状态。
第四方面，本发明提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得所述电子设备能够实现如上述第一方面或第三方面中任意一种可能的设计的方法。
第五方面，本发明提供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，实现如上述第一方面或第三方面中任意一种可能的设计的方法。
关于上述第二方面至第五方面的有益效果可以参见上述第一方面中的描述。
附图说明
图1为本发明提供的一种分类模型的训练方法实施例流程图；
图2为本发明提供的一种处理校准参数方法的实施例流程图；
图3为本发明提供的一种故障状态分类方法实施例流程图；
图4为本发明提供的一种电子设备实施例示意图。
具体实施方式
下面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描述。其中，在本申请实施例的描述中，以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一种”、“该”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请以下各实施例中，“至少一个”、“一个或多个”是指一个或两个以上(包含两个)。术语“和/或”，用于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的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。术语“连接”包括直接连接和间接连接，除非另外说明。“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
在本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
NR校准的基本原理是利用软件参数的方法来补偿硬件一致性偏差带来的射频参数误差，手机的射频收发器包括接收机、发射机和频率合成器电路，软件校准也是针对这三部分硬件参数进行校准的。为了快速定位射频故障问题的具体位置，保障各个产品射频通信的一致性，本发明提出一种分类模型及其训练方法、分类方法、设备及介质。
NR校准的主要内容包括：自动功率控制(automatic power control，APC)校准，收信机自动增益控制电压(AGC)校准，功率放大器下垂(PowerAmplifier Droop，PADroop)校准，TX(transport，发送)镜像抑制比(Image Rejection Ratio，IRR)校准、射频集成电路接收(receive radio frequency integrated circuit，RX RFIC)校准、终端发送探测参考信号(Sounding Reference Signal，SRS)校准。
APC校准中为使发射功率满足第三代合作伙伴计划(3rd GenerationPartnership Project，3GPP)的精度要求，需要对发送(transport，TX)射频通路进行校准，保证用户设备(User Equipment，UE)在23dBm～43dBm功率范围内能够准确发射功率，APC校准采用固定基带功率对不同射频参数进行功率校准，这些射频参数包括：脉冲模式(PAmode)、平均功率追踪(Average PowerTracking，APT)。
射频AGC增益(gain)包括射频连接器(RF connector)到基带芯片接收信号强度指示(Received Signal Strength Indication，RSSI)检测模块之间的所有射频链路的增益，AGC gain满足如下公式：gain＝rssi-inputpower。四套增益表(Gain table)包括：BW0、BW1、BW2和BW3。其中，各带宽对应的NR BW为，BW0：5MHz、BW1：10～20MHz、BW2：30～50MHz、BW3：60～100MHz。
PADroop校准就是通过得到前端模拟频响后，在基带数字滤波器侧对频响进行补偿。通信信号从基带调制解调器(Basebandmodem，Bb modem)开始，一直到ANT天线发射出去，会经历modem基带信号处理、低电压差分信号(Low-Voltage Differential Signaling，LVDS)传输到射频集成电路(radio frequency integrated circuit，RFIC)，再通过RFIC内部的数字模拟转换器(Digital to analog converter，DAC)、同步(Sync)、混频器(Mixer)、小信号放大，经过RFFE前端器件功率放大器(PowerAmplifier，PA)、双工器(Duplexer)、双工器(Diplexer)、声表面波(surface acoustic wave，SAW)滤波器、匹配电路，最后通过天线把信号发射出去。
TX IRR校准借助外部仪表存在不同步问题会引起相位差的影响，导致校准出来的结果有偏差，所以TX IRR校准只能借助迷你接收器(mini-receiver)。手机通过mini-receiver实现自发自收，然后通过接收端的IQ数据解调出TX端的相位误差(phase error)和幅度误差(amplitude error)。在通过接收数字前端(Digital front end，DFE)对相位幅度进行补偿，实现TX IRR校准。
RX FDIQ校准针对每个band(频带)的中心频点，每个带宽的每个低噪声放大器(LowNoiseAmplifier，LNA)档位进行一组校准。FDIQ校准对于一个band所需要的校准结果组数量＝LNA档位数目*频带宽度(Band Width，BW)数目*声音信号(tone)的数目。
TX SRS校准目前仅对Tx0和Tx1通路进行APC校准，以解决SRS切换天线后可能出现功率不准的问题。为了简化SRS发射通道的校准，当前仅在中心频点校准不同天线件的功率差，提取出该差值用于信令下软件进行SRS发射功率的控制。由于不同PA增益模式对PA阻抗的要求不一致，该校准流程在每个PA增益模式校准一次，因此，一个band进行3次校准测量。
为了快速定位射频故障问题的具体位置，本申请实施例提供一种分类模型的训练方法，其流程如图1所示，包括：
S101：获取新空口校准参数，对所述校准参数进行特征提取；
S102：构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；
S103：对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。
可选地，所述对所述校准参数进行特征提取，包括：根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；对A个所述数据序列进行所述局部波动特征提取。
在S101中，所述获取新空口校准参数，包括：获取新空口的不同频段的所述校准参数。
对于5G NR校准的射频电路故障诊断中，提取有效的故障信息特征是构造训练样本集和测试样本集的前提，对后续诊断结果的可靠性和准确度有着重要的决定作用。经验模态分解(Empirical Mode Decomposition，EMD)是一种自适应的数据处理或挖掘方法，非常适合5G NR校准参数的非线性、非平稳时间序列的处理，而且具有很高的信噪比，其本质上是对所述校准参数的平稳化处理。EMD方法依据参数自身的时间尺度特征对所述校准参数进行分解，无需预先设定基函数，摆脱了傅立叶分解与小波分解的局限性。EMD方法将所述校准参数分解成A个具有不同特征尺度的数据序列，每一个所述数据序列即为一个本征模态函数(Intrinsic Mode Function，IMF)分量。对每个所述IMF分量中的连续两个极值点之间定义了参数局部波动特征。所述参数局部波动特征为所述校准参数在不同尺度上的特征。集合经验模态分解(Ensemble empirical mode decomposition，EEMD)算法通过在所述校准参数中添加白噪声从而避免模态混叠，利用白噪声频谱分布均匀的特性，使所述校准参数的极值的分布相对均匀化，将所述校准参数自适应地分配至相应的参考尺度上；同时白噪声具有零均值特性，通过多次对IMF分量总体进行均值处理，可以将添加的噪声参数相互抵消。
通过EEMD算法对所述校准参数进行处理的具体步骤如下：
S201：输入校准参数x(t)；
S202：确定总试验次数N和白噪声序列的幅值；
S203：在所述校准参数x(t)中加入白噪声序列n(t)，进行第i次试验，得到噪声叠加参数xi(t)＝x(t)+ni(t)；
S204：将所述噪声叠加参数进行EMD分解，得到一系列IMF分量Cij(t)(j＝1，2，L，m)和残差分量ri(t)：xi
Figure BDA0003748544160000091
S205：重复S201-S204，直至完成N次试验，计算每个所述IMF分量经过N次试验后的平均值，可消除添加白噪声对IMF分量的影响，即为EEMD分解后的第j个IMF分量和最终余项：
Figure BDA0003748544160000092
Figure BDA0003748544160000093
最后的分解结果表示为：
Figure BDA0003748544160000094
在一些实施例中，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。
在一些实施例中，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；得到训练好的所述分类器。
示例性地，APC校准，AGC校准(中间信道、补偿信道、带宽补偿)，PA Droop校准，TXIRR校准、RXFDIQ校准、TX SRS校准的校准参数通过特征提取后得到的数据序列作为最小二乘支持向量机(least squares support veotor maohine，LSSVM)的输入样本，LSSVM将标准SVM中目标函数的松弛变量由一范数改为二范数，同时约束条件采用等式约束而非不等式约束，使优化问题从求解凸二次规划转化为求解线性方程组，降低了算法的复杂度，有利于分析射频通信的故障问题。
对于一组待测手机5G校准参数的训练样本集：{(xi，yi)}，i＝1，L，n，xi＝Rn，yi＝±1，LSSVM利用非线性映射
Figure BDA0003748544160000101
将训练样本集映射到一个高维特征空间中，其判别函数为
Figure BDA0003748544160000102
根据结构风险最小化原则，并使样本拟合误差最小化，回归问题变为约束优化问题：
Figure BDA0003748544160000103
其中，w为权重向量，C为正则化因子，εi为样本添加的误差量。
引入Lagrange乘子，导出上式的对偶规划：每个等式约束与拉格朗日乘子αi≥0相乘，再加入训练样本集，建立Lagrange函数：
Figure BDA0003748544160000104
Figure BDA0003748544160000105
令函数对四个变量的偏导为零，由KKT(Karush–Kuhn–Tucker)条件有：
Figure BDA0003748544160000106
可以表示为方程组：
Figure BDA0003748544160000111
式中
Figure BDA0003748544160000112
I＝(1，L，1)T，α＝(α1，1，αn)。
若存在一个核函数
Figure BDA0003748544160000113
满足Mercer定理，则令
Figure BDA0003748544160000114
那么方程组
Figure BDA0003748544160000115
可以改写为如下形式：
Figure BDA0003748544160000116
求解方程
Figure BDA0003748544160000117
得到全局最优解α*和b*，对一个新的输入向量x，得到LSSVM的决策函数表达式：
Figure BDA0003748544160000118
LSSVM优化问题可以解释为，求取训练样本集的最优模型参数，使LSSVM构造的线性决策函数不仅具有良好的拟合性能，而且具有较强的泛化能力。因此，在确定核函数之后，可以将LSSVM模型求解问题简化为超参数(核函数参数，正则化参数)的选择。核参数对映射空间中低维样本数据的分布复杂性有直接影响，而正则化参数与训练样本集的拟合和模型的泛化能力有关。本发明利用改进的粒子群优化算法对LSSVM的核函数参数σ2和正则化参数C进行寻优。
粒子群优化算法(Particle swarm optimization，PSO)参数寻优时，首先要初始化随机粒子，然后采用迭代的策略找到最优解。在每一次迭代中，粒子的飞行过程为此次迭代的搜索路径，粒子的飞行速度表示搜索过程的快慢，粒子的位置表示当前搜索的方向。每一次迭代结束后，粒子通过个体极值和全局极值进行自我更新。在经过反复迭代，不断更新粒子的速度和位置之后，最终得到满足终止条件的最优解。
粒子群优化算法的特点：(1)PSO是一种并行寻优算法，通过个体间的信息交互、竞争与合作实现全局搜索；(2)对目标函数的限制少，寻优时收敛速度快，易于编程实现。
PSO参数寻优的主要步骤如下：
(1)确定初始化粒子群的种群大小、最大进化次数、粒子的初始速度和位置及学习因子；
(2)计算粒子的适应度值作为评价指标，将当前粒子的适应度值与粒子历史最优极值以及种群历史最优极值比较，如果当前粒子的适应度值更优，则当前粒子的位置更新为个体最优和种群最优；
(3)更新粒子的速度和位置；
(4)判断是否满足停止条件，若满足条件，就结束迭代并输出种群历史最优极值，若不满足则回到(2)。
通过综测仪及工具软件对手机等待测产品5G校准参数的采集，将校准参数进行特征提取获得有效反映射频电路通信正常、故障的信息、构建易于故障分类的训练样本集和测试样本集。同时，利用粒子群参数优化的全局搜索特点，获得最优的核函数参数σ2和正则化参数C。将采集的APC校准，AGC校准(中间信道、补偿信道、带宽补偿)，PADroop校准，TXIRR校准、RXFDIQ校准、TX SRS校准参数作为优化模型的训练样本集和测试样本集，通过训练好的分类模型输出5GNR各频段的故障状态。
在一些实施例中，所述分类模型的训练方法，还包括：将所述测试样本集输入至所述训练好的所述分类模型中，以得到实际生成对象；计算所述实际生成对象和所述测试样本集的误差，并当所述误差小于或等于所述预设阈值时，所述分类模型符合生产要求；否则重新训练所述分类模型。
基于上述任一项实施例所述的分类模型的训练方法，本申请提供一种分类模型，所述分类模型包括：输入器、分类器和输出器；所述输入器用于输入所述故障特征向量；所述分类器用于识别所述故障特征向量所对应的故障状态；所述输出器用于输出所述故障状态。
基于所述分类模型，本申请还提供一种故障状态分类方法，其流程如图3所示，包括：
S301：获取待测产品的新空口校准参数，对所述新空口校准参数进行特征提取；
S302：构建关于所述校准参数的故障特征向量；
S303：将所述故障特征向量输入至所述输入器中；
S304：所述分类器识别出所述故障特征向量所对应的故障状态；
S305：所述输出器输出所述故障状态。
上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应单元模块的功能描述，在此不再赘述。
在本申请的另一些实施例中，本申请实施例公开了一种电子设备，如图4所示，该电子设备可以包括：一个或多个处理器401；存储器402；显示器403；一个或多个应用程序(未示出)；以及一个或多个计算机程序404，上述各器件可以通过一个或多个通信总线405连接。其中该一个或多个计算机程序404被存储在上述存储器402中并被配置为被该一个或多个处理器401执行，该一个或多个计算机程序404包括指令，上述指令可以用于执行相应实施例中的各个步骤。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例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。
该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，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实施例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)或处理器执行本申请各个实施例该方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何在本申请实施例揭露的技术范围内的变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以所述的权利要求的保护范围为准。

Claims (10)

1.一种分类模型的训练方法，其特征在于，包括：
获取新空口校准参数，对所述校准参数进行特征提取；
构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；
对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。
2.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述校准参数进行特征提取，包括：
根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；
对A个所述数据序列进行所述局部波动特征提取。
3.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：
将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。
4.根据权利要求3所述的分类模型的训练方法，其特征在于，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：
将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；
在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；
得到训练好的所述分类器。
5.根据权利要求1所述的分类模型的训练方法，其特征在于，所述获取新空口校准参数，包括：获取新空口的不同频段的所述校准参数。
6.根据权利要求1所述的分类模型的训练方法，其特征在于，还包括：
将所述测试样本集输入至所述训练好的所述分类模型中，以得到实际生成对象；
计算所述实际生成对象和所述测试样本集的误差，并当所述误差小于或等于所述预设阈值时，所述分类模型符合生产要求；否则重新训练所述分类模型。
7.一种分类模型，其特征在于，通过如权利要求1至6中任一项所述的分类模型的训练方法训练得到，包括：输入器、分类器和输出器；
所述输入器用于输入所述故障特征向量；
所述分类器用于识别所述故障特征向量所对应的故障状态；
所述输出器用于输出所述故障状态。
8.一种故障状态分类方法，其特征在于，应用于如权利要求7所述的分类模型，包括：
获取待测产品的新空口校准参数，对所述新空口校准参数进行特征提取；
构建关于所述校准参数的故障特征向量；
将所述故障特征向量输入至所述输入器中；
所述分类器识别出所述故障特征向量所对应的故障状态；
所述输出器输出所述故障状态。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至6中任一项所述的分类模型的训练方法或者如权利要求8所述的故障状态分类方法。
10.一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，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的分类模型的训练方法或者如权利要求8所述的故障状态分类方法。
CN202210831404.XA 2022-07-15 2022-07-15 分类模型及其训练方法、分类方法、设备及介质 Pending CN115062729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210831404.XA CN115062729A (zh) 2022-07-15 2022-07-15 分类模型及其训练方法、分类方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210831404.XA CN115062729A (zh) 2022-07-15 2022-07-15 分类模型及其训练方法、分类方法、设备及介质

Publications (1)

Publication Number Publication Date
CN115062729A true CN115062729A (zh) 2022-09-16

Family

ID=83206666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210831404.XA Pending CN115062729A (zh) 2022-07-15 2022-07-15 分类模型及其训练方法、分类方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115062729A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117582222A (zh) * 2024-01-18 2024-02-23 吉林大学 信息化血糖监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117582222A (zh) * 2024-01-18 2024-02-23 吉林大学 信息化血糖监测系统及方法
CN117582222B (zh) * 2024-01-18 2024-03-29 吉林大学 信息化血糖监测系统及方法

Similar Documents

Publication Publication Date Title
CN111478737B (zh) 射频测试方法、装置、电子装置及存储介质
CN107566053A (zh) 射频指标的测试方法、系统及计算机可读存储介质
US20140162628A1 (en) Methods for Validating Radio-Frequency Test Systems Using Statistical Weights
US20210314075A1 (en) Method and system for testing wireless performance of wireless terminal
CN106027170A (zh) 一种数字式小型化信道设备自动测试装置和系统
US11533640B2 (en) Machine learning-assisted use case classification and adaptive antenna tuning
CN108650034A (zh) 一种射频设备的增益校准方法及装置
CN115378518B (zh) 基于深度学习的射频通信设备空间辐射测试系统及方法
CN106291106A (zh) 多通道幅相测试系统
CN115062729A (zh) 分类模型及其训练方法、分类方法、设备及介质
CN110535539A (zh) 针对射频模块的功率补偿方法、装置、设备及介质
CN115494465A (zh) 一种用于雷达抗干扰性能试验的多功能电子载荷
CN109444571B (zh) 一种小卫星通信载荷电磁兼容预测方法
US20200067613A1 (en) Harmonic intermodulation test system and method
CN113591390A (zh) 一种接收机射频链路非线性效应的模型筛选方法、平台
CN113671448A (zh) 一种通用宽带雷达信号监测设备
CN113486617B (zh) 线损值评估模型生成方法、系统、设备及介质
CN114205008B (zh) 低成本的射频收发器批量测试方法、装置及系统
CN108923872A (zh) 一种直放站带内波动校准方法和系统
CN115361272A (zh) 一种基带芯片的通信故障检测方法、系统和电子设备
CN112751627B (zh) 无线模组的功率校准方法及装置
CN114448527A (zh) 一种终端的无线射频干扰测试方法及系统
CN114298265A (zh) 射频电路诊断模型训练、诊断方法、装置、介质及终端
CN108307421A (zh) 无线终端的测量方法、计算机可读存储介质、装置及系统
CN115913421A (zh) 射频指标测量方法、装置、系统、电子设备及存储介质

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