CN115226125A - 一种nb网络传感器通信质量计算方法、装置及存储介质 - Google Patents
一种nb网络传感器通信质量计算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115226125A CN115226125A CN202210618010.6A CN202210618010A CN115226125A CN 115226125 A CN115226125 A CN 115226125A CN 202210618010 A CN202210618010 A CN 202210618010A CN 115226125 A CN115226125 A CN 115226125A
- Authority
- CN
- China
- Prior art keywords
- signal
- communication quality
- matrix
- data
- influence factor
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种NB网络通信质量计算方法,通过建立NB信号影响因子矩阵,NB信号影响因子权重矩阵,并计算得到NB通信质量指数,建立NB通信质量指数和由丢包率确定的信号优劣状况两者间的关联,得到NB通信质量评估模型,之后,由该模型可以自动分析部署点的网络质量,从而可以为运营商提供网络优化建议,为设备安装人员寻找安装点位提供直观的解决方案,无需专业技术人员去现场检测信号,降低人力成本,提升解决问题的效率。
Description
技术领域
本发明涉及通信技术领域,尤其是指一种NB网络传感器通信质量计算方法、设备、装置及计算机存储介质。
背景技术
随着通信技术的不断变革,万物感知和万物互联成为通信行业中一个崭新的发展增长点,基于蜂窝通信的窄带物联网作为目前应用最广泛的窄带无线电技术具有强覆盖、小功率、低成本、大连接等关键特征。
《一种NB-IoT网络中终端重传次数优化方法》(申请号:CN201910507454.0)该申请实施例涉及一种NB-IoT网络中终端重传次数优化方法,包括:将NB-IoT网络中的信道资源划分为多个资源块并按照时间进行序列化,得到序列化资源块集;通过将用户与序列化资源块集进行匹配,并针对用户的所选信道和重传次数计算得到资源块的功效函数;基于资源块的功效函数结合贪心匹配算法实现资源块与用户的映射关系,以及结合匹配对交叉算法对资源块与用户的映射关系进行稳定优化,确定NB-IoT网络中所述特定用户选择的信道,在信道上的起始时刻和重发次数。该申请提供的方法能同时确定各NB-IoT用户使用的信道及起始时刻与重复发送消息的次数,从而有效提升NB-IoT用户接入网络的概率,提高资源的利用效率。
NB-IoT调度算法的优化设计及性能评估》(学校代码:10730分类号:TN925)本论文介绍了NB-IoT的调度算法,分别对调度的三个过程进行算法优化,目的是提升网络的可靠性;最后使用网络模拟器3仿真模拟器验证算法的可行性。
《NB-IoT网络覆盖性能评估与优化》NB-IoT由于其功率谱密度、重传的技术特点,可实现较GSM系统20dB的覆盖增强能力,但是相应的终端芯片能力弱、单天线设置以及窄带宽设置,导致其抗干扰能力较差。本论文主要阐述NB-IoT网络覆盖性能的评估及优化方法,针对现网发现的弱覆盖、重叠覆盖现象给出功率优化,异频组网以及干扰规避的解决方案。本论文提供了NB-IoT网络覆盖性能的评估,也属于运营商NB-IoT网络基建方面的通信性能评估,也未涉及单终端设备的通信评估。
综上,现有技术主要是NB-IoT网络端即运营商端的网络优化方案,并未涉及NB-IoT使用终端设备的通信质量评估方案。
现有技术主要提供了NB网络调度算法相关的优化,是NB模组提供商端的网络优化方案,现有NB网络算法的优化手段主要是在运营商端提供的解决方案,现有NB网络评估手段需要人为到现场实地勘察信号,费时费力,成本高,现有技术评估网络属于事后评估,且没有自动化评估手段。往往是设备部署之后,出现设备无法联网的情况之后,然后再人为去通过专业设备检查信号,不利于设备的事先部署。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中,没有对终端设备的NB网络信号优化和评估手段。
为解决上述技术问题,本发明提供了一种NB网络传感器通信质量计算方法,包括:
建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵;
将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵;
将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立 NB信号影响因子权重矩阵;
建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
根据所述NB信号影响因子权重矩阵和所述平均矩阵计算得到NB 通信质量指数;
根据所述设备上线时间到评估时点的上报记录数和实际上报记录数计算丢包率;
根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立NB通信质量评估模型。
优选地,所述NB通信质量评估模型的训练过程包括:
利用手工标记预设数量安装点位NB通信质量指数所对应的信号优劣状况,生成对应的NB通信质量指数标签,得到数据样本;
对所述数据样本进行筛选,得到干净数据样本;
对所述干净数据样本进行特征提取后,随机分为训练集和测试集;
采用机器学习算法根据所述训练集训练所述NB通信质量评估模型;
利用所述测试集评价训练后的NB通信质量评估模型性能。
优选地,所述NB通信质量评估模型的训练过程还包括:
利用训练后的NB通信质量评估模型输出新安装点位的NB通信质量指数标签,得到增量数据;
将所述测试集合并到所述训练集中,继续训练所述NB通信质量评估模型,并以所述增量数据作为测试集;
重复上述过程不断迭代优化所述NB通信质量评估模型,直至优化后的NB通信质量评估模型性能达到预期。
优选地,所述将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵包括:
将所述天气类型采用移位有效编码形式表示:Wi∈{0,1} (i={1,2,3…,4,5…w}),其中w为天气类型数量,Wi为第i种天气类型;
将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理:
其中,PSRP为所述参考信号接收功率,min(PSRP)为参考信号接收功率最小值,max(PSRP)为参考信号接收功率最大值,SINR为所述信号与干扰加噪声比,min(SINR)为参考信号接收功率最小值, max(SINR)为参考信号接收功率最大值;
最终得到的NB信号影响因子数据矩阵为:
X’=[psrp,sinr,W1…Wi…W16]。
优选地,所述根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵包括:
此时,将产生的N个NB信号影响因子数据矩阵组合为组合矩阵:
其中,所述NB信号影响因子权重矩阵Y=[Ypsrp,Ysinr,Y1,…,Y16],所述平均矩阵 为参考信号接收功率的均值,为信号与干扰加噪声比的均值,Yl为当前时段内第l种天气类型下对应的NB信号影响因子权重矩阵,为当前时段内第l种天气类型的平均矩阵,n为当前时段内出现的天气类型数量。
本发明还提供了一种NB网络传感器通信质量计算的装置,包括:
NB信号影响因子矩阵构建模块,用于建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵;
NB信号影响因子数据矩阵计算模块,用于将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵;
NB信号影响因子权重矩阵构建模块,用于将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立NB信号影响因子权重矩阵;
多合一传感器上报数据周期获取模块,用于建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
组合矩阵获取模块,用于根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
平均矩阵计算模块,用于根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
NB通信质量指数计算模块,用于根据所述NB信号影响因子权重矩阵和所述平均矩阵计算得到NB通信质量指数;
丢包率计算模块,用于根据所述设备上线时间到评估时点的上报记录数和实际上报记录数计算丢包率;
NB通信质量评估模型构建模块,用于根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立 NB通信质量指数模型。
本发明还提供了一种NB网络传感器通信质量计算的设备,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种NB网络传感器通信质量计算方法的步骤。
本发明还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上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种NB网络传感器通信质量计算方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点:
本发明提供了一种NB网络通信质量计算方法,通过建立NB信号影响因子矩阵,NB信号影响因子权重矩阵,并计算得到NB通信质量指数,建立NB通信质量指数和由丢包率确定的信号优劣状况两者间的关联,得到NB通信质量评估模型,之后,由该模型可以自动分析部署点的网络质量,从而可以为运营商提供网络优化建议,为设备安装人员寻找安装点位提供直观的解决方案,无需专业技术人员去现场检测信号,降低人力成本,提升解决问题的效率。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明NB网络传感器通信质量计算方法的实现流程图;
图2是本发明NB网络质量评估模型的训练实现流程图;
图3是本发明标记NB网络质量指数的实现流程图;
图4为本发明实施例提供的一种NB网络传感器通信质量计算的装置的结构框图。
具体实施方式
本发明的核心是提供一种NB网络传感器通信质量计算方法、装置、设备及计算机存储介质,提供了对终端NB网络传感器通信质量的自动检测与评估,降低了人力成本,提升了解决问题的效率。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的NB网络传感器通信质量计算方法的实现流程图;具体操作步骤如下:
S101:建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵 X=[PSRP,SINR,W1…Wi…W16];
其中:
表1 NB信号标准
RSRP | SINR | |
极好点 | >=-85 | >=25 |
好点 | [-95,-85) | [16,25) |
中点 | [-105,-95) | [11,16) |
差点 | [-115,-105) | [3,10) |
极差点 | <-115 | <3 |
Wi代表16种天气类型种的一种,约定如下对应关系:
表2天气类型
S102:将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB 信号影响因子数据矩阵;
由于,天气是一种类别信息,即某一个时点只能是一种类别信息,所以采用一位有效编码(One-Hot编码)形式来表示天气信息,即:
Wi∈{0,1}(i={1,2,3…,4,5…16})
由于PSRP,SINR为一个实数,不在[0,1]之间,所以需要归一化处理,归一化公式为:
其中,PSRP为所述参考信号接收功率,min(PSRP)为参考信号接收功率最小值,max(PSRP)为参考信号接收功率最大值,SINR为所述信号与干扰加噪声比,min(SINR)为参考信号接收功率最小值, max(SINR)为参考信号接收功率最大值,min(PSRP)、max(PSRP)、 min(SINR)、max(SINR)可通过查表1得知;
最终得到的NB信号影响因子数据矩阵为:
X’=[psrp,sinr,W1…Wi…W16]。
S103:将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立NB信号影响因子权重矩阵;
由于NB信号,主要受到NB基站的部署密度的影响(因此,psrp 和sinr这两个参数跟设备安装的点位是有直接关系的),天气也会对信号产生一定的影响。所以,不同影响因子的权重是不一样的,因此需要给每个影响因子一个权重来表示它们的影响度。权重的确定方式主要根据经验及查相关资料人为动态调节:Y=[Ypsrp,Ysinr,Y1,…,Y16],其中,Ypsrp+Ysinr+Y1+…+Y16=1。
S104:建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
St=[S1,S2,…Si,…Ss],其中,i代表多合一传感器中的某一项环境传感器,s代表具体的传感器数量。取s个传感器中数据上报周期最长的作为多合一传感器上报数据周期T=Max(St)。
S105:根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
此时,将产生的N个NB信号影响因子数据矩阵组合为组合矩阵:
S106:根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
由于天气是随着时间是动态变化的,因此在(T2-T1)时段内,天气可能出现了变化,所以需要根据天气类型分组。对X”进行处理,根据天气类型,按行累加求平均,得到此处的可能是多个,具体数量由(T2-T1)时段内出现的天气种类而定,为参考信号接收功率的均值,为信号与干扰加噪声比的均值。
其中,Nc为所述实际上报记录数;
根据实际的使用场景,不同行业对数据的丢包率的要求不一样,因此,约定几个等级如下:极高、高、中、低、极低。每个等级对应的区间如下:极高:[1,0.5]、高:(0.5,0.3]、中:(0.3,0.1]、低: (0.1,0.05]、极低:(0.05,0]。
注:上述的区间及等级区间的划分,仅为一种典型实例,具体应用中可以根据不同行业地区灵活调节。
S108:根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立NB通信质量评估模型。
有了NB通信质量指数NB-CQI和数据的丢包率f可以建立数据之间的关联,由数据的丢包率f可以标记出NB通信质量指数NB-CQI的优劣状况。
本发明公开了一种NB网络传感器的通信质量计算方法,所述方法综合了影响NB通信的多项因素,并结合实际的安装点位及天气等因素,通过建立NB信号影响因子矩阵,NB信号影响因子权重矩阵,并计算得到NB通信质量指数,建立NB通信质量指数和由丢包率确定的信号优劣状况两者间的关联,得到NB通信质量评估模型,来直观的显示不同安装点位和不同天气情况下的NB设备通信质量;该方法综合了影响NB通信的多项因素,并结合实际的安装点位及天气等因素,通过分析建立模型,来直观的显示不同安装点位和不同天气情况下的NB设备通信质量,分值越高说明通信质量越好;之后,由该模型可以自动分析部署点的网络质量,从而可以为运营商提供网络优化建议,为设备安装人员寻找安装点位提供直观的解决方案,无需专业技术人员去现场检测信号,降低人力成本,提升解决问题的效率。
如图2,基于以上实施例,本实施例对NB通信质量评估模型的训练步骤进行详细描述,具体如下:
S201:利用手工标记预设数量安装点位NB通信质量指数所对应的信号优劣状况,生成对应的NB通信质量指数标签,得到数据样本;
如图3所示,输入NB通信质量指数NB-CQI,输入一个周期内的数据丢包率f,由f确定丢包等级,丢包率越高,说明通信质量越差,反之,通信质量越好,从而来标记当前NB-CQI的标签;预设数量=500。
S202:对所述数据样本进行筛选,得到干净数据样本;
S203:对所述干净数据样本进行特征提取后,随机分为训练集和测试集;
S204:采用机器学习算法根据所述训练集训练所述NB通信质量评估模型;
机器学习方法包括但不限于神经网络、决策树、SVM等。
S205:利用所述测试集评价训练后的NB通信质量评估模型性能。
S206:利用训练后的NB通信质量评估模型输出新安装点位的NB 通信质量指数标签,得到增量数据;
S207:将所述测试集合并到所述训练集中,继续训练所述NB通信质量评估模型,并以所述增量数据作为测试集;
S208:重复S206-S207不断迭代优化所述NB通信质量评估模型,直至优化后的NB通信质量评估模型性能达到预期。
本发明量化了NB通信质量指数NBCQI,可以直观的展示当前设备安装点位的NB-IoT网络通信质量;提供了NB-IoT单终端通信质量的评估手段,有利于提供精准的数据给运营商来有针对性的加强网络,无需运营商指派专业的技术人员去实地勘察信号,提升了工作效率,使得普通用户也可以直观了解到设备信号问题;不仅考虑了地理位置,也考虑了天气因素的影响,使得模型更加具有科学性;不仅定量分析了NB通信质量指数,也定性分析了NB通信质量的优劣状况。
基于以上实施例,本实施例以三个安装点位为例,对上述步骤进一步描述,具体如下:
设备上线时间T1=0点(为了叙述方便,此处采用相对时间,不适用精确时间),NB设备信号评估时间点T2=0点5分(也可以理解为模型运行的时间),约定(T2-T1)时段内天气类型未出现变化。
表3设备安装点位
表4丢包等级划分
等级 | 极高 | 高 | 中 | 低 | 极低 |
区间 | [1,0.5] | (0.5,0.3] | (0.3,0.1] | (0.1,0.05] | (0.05,0] |
表5 NB-CQI等级划分
丢包等级 | 丢包极高 | 丢包高 | 丢包中 | 丢包低 | 丢包极低 |
质量评级 | 信号极差 | 信号差 | 信号中 | 信号好 | 信号极好 |
表6天气类型Wi
W<sub>1</sub> | W<sub>2</sub> | W<sub>3</sub> | W<sub>4</sub> | W<sub>5</sub> | W<sub>6</sub> | W<sub>7</sub> | W<sub>8</sub> | W<sub>9</sub> | W<sub>10</sub> | W<sub>11</sub> | W<sub>12</sub> | W<sub>13</sub> | W<sub>14</sub> | W<sub>15</sub> | W<sub>16</sub> |
0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表7多合一传感器(为了叙述方便,此处约定为三合一传感器),即s=3:
传感器类型 | 温度传感器 | 湿度传感器 | PM2.5 |
数据上报周期 | 200ms | 200ms | 500ms |
由表7,St=[200,200,500],可得多合一传感器上报数据周期T=Max (St)=500(ms);
由表3和表6,知点位1的NB信号影响因子矩阵X:
X=[-90,20,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
min(PSRP)=-115 max(PSPR)=-85 min(SINR)= 3 max(SINR)=25;
归一化后的NB信号影响因子矩阵X’:
X’=[0.83,0.77,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
由表1知实际产生Nc=500条,则(T2-T1)时段内,得X”:
为了举例方便,此处假定每条X’都一样;
建立NB信号影响因子权重矩阵 Y=[0.5,0.3,0,0.2,0,0,0,0,0,0,0,0,0,0,0,0,0,0];
计算NB通信信号质量指数:
查表4和表5可知f丢包率低,标记点位1的NB-CQI为信号好。点位2:
由表3和表6,知点位2的NB信号影响因子矩阵X:
X=[-100,12,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
min(PSRP)=-115 max(PSPR)=-85 min(SINR)= 3 max(SINR)=25;
归一化后的NB信号影响因子矩阵X’:
X’=[0.5,0.41,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
由表1知实际产生Nc=450条,则(T2-T1)时段内,得X”:
为了举例方便,此处假定每条X’都一样的;
建立NB信号影响因子权重矩阵 Y=[0.5,0.3,0,0.2,0,0,0,0,0,0,0,0,0,0,0,0,0,0];
计算NB通信信号质量指数:
查表4和表5可知f丢包率低,标记点位1的NB-CQI为信号中。点位3:
由表3和表6,知点位1的NB信号影响因子矩阵X:
X=[-110,5,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
min(PSRP)=-115 max(PSPR)=-85 min(SINR)= 3 max(SINR)=25;
归一化后的NB信号影响因子矩阵X’:
X’=[0.17,0.09,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
由表1知实际产生Nc=300条,则(T2-T1)时段内,得X”:
为了举例方便,此处假定每条X’都一样;
建立NB信号影响因子权重矩阵 Y=[0.5,0.3,0,0.2,0,0,0,0,0,0,0,0,0,0,0,0,0,0];
计算NB通信信号质量指数:
查表4和表5可知f丢包率低,标记点位1的NB-CQI为信号极差。
本发明提供了一种NB网络传感器的通信质量计算方法,本发明通过分析一组影响NB网络通信质量的影响因子(包括但不限于设备安装点位、天气类型),找到它们之间的相关性(设备安装点位和天气之间具有相关性的,不同类型的天气对NB通信具有影响的,设备的安装点位受NB基站的部署密度影响),以及它们内在的数学关系,建立模型,模型可以直观的量化出NB网络通信质量的指标状况。
请参考图4,图4为本发明实施例提供的一种NB网络传感器通信质量计算的装置的结构框图;具体装置可以包括:
NB信号影响因子矩阵构建模块100,用于建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵;
NB信号影响因子数据矩阵计算模块200,用于将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵;
NB信号影响因子权重矩阵构建模块300,用于将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立NB信号影响因子权重矩阵;
多合一传感器上报数据周期获取模块400,用于建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
组合矩阵获取模块500,用于根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
平均矩阵计算模块600,用于根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
NB通信质量指数计算模块700,用于根据所述NB信号影响因子权重矩阵和所述平均矩阵计算得到NB通信质量指数;
丢包率计算模块800,用于根据所述设备上线时间到评估时点的上报记录数和实际上报记录数计算丢包率;
NB通信质量评估模型构建模块900,用于根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立NB通信质量指数模型。
本实施例的NB网络传感器通信质量计算装置用于实现前述的一种NB网络传感器通信质量计算方法,因此一种NB网络传感器通信质量计算装置中的具体实施方式可见前文一种NB网络传感器通信质量计算方法的实施例部分,例如,NB信号影响因子矩阵构建模块100, NB信号影响因子数据矩阵计算模块200,NB信号影响因子权重矩阵构建模块300,多合一传感器上报数据周期获取模块400,组合矩阵获取模块500,平均矩阵计算模块600,NB通信质量指数计算模块700,丢包率计算模块800,NB通信质量评估模型构建模块900,分别用于实现上述一种NB网络传感器通信质量计算方法中步骤S101,S102, S103,S104,S105,S106,S107,S108和S109,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种NB网络传感器通信质量计算的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种NB网络传感器通信质量计算方法的步骤。
本发明具体实施例还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上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种NB网络传感器通信质量计算方法的步骤。
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、CD-ROM、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。应理解可由计算机程序指令实现流程图和/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。可提供这些计算机程序指令到通用计算机、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。
这些计算机程序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计算机可读存储器中,使得存储在该计算机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。
这些计算机程序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,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种NB网络传感器通信质量计算方法,其特征在于,包括:
建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵;
将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵;
将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立NB信号影响因子权重矩阵;
建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
根据所述NB信号影响因子权重矩阵和所述平均矩阵计算得到NB通信质量指数;
根据所述设备上线时间到评估时点的上报记录数和实际上报记录数计算丢包率;
根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立NB通信质量评估模型。
2.根据权利要求1所述的NB网络传感器通信质量计算方法,其特征在于,所述NB通信质量评估模型的训练过程包括:
利用手工标记预设数量安装点位NB通信质量指数所对应的信号优劣状况,生成对应的NB通信质量指数标签,得到数据样本;
对所述数据样本进行筛选,得到干净数据样本;
对所述干净数据样本进行特征提取后,随机分为训练集和测试集;
采用机器学习算法根据所述训练集训练所述NB通信质量评估模型;
利用所述测试集评价训练后的NB通信质量评估模型性能。
3.根据权利要求1所述的NB网络传感器通信质量计算方法,其特征在于,所述NB通信质量评估模型的训练过程还包括:
利用训练后的NB通信质量评估模型输出新安装点位的NB通信质量指数标签,得到增量数据;
将所述测试集合并到所述训练集中,继续训练所述NB通信质量评估模型,并以所述增量数据作为测试集;
重复上述过程不断迭代优化所述NB通信质量评估模型,直至优化后的NB通信质量评估模型性能达到预期。
4.根据权利要求1所述的NB网络传感器通信质量计算方法,其特征在于,所述将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵包括:
将所述天气类型采用移位有效编码形式表示:Wi∈{0,1}(i={1,2,3…,4,5…w}),其中w为天气类型数量,Wi为第i种天气类型;
将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理:
其中,PSRP为所述参考信号接收功率,min(PSRP)为参考信号接收功率最小值,max(PSRP)为参考信号接收功率最大值,SINR为所述信号与干扰加噪声比,min(SINR)为参考信号接收功率最小值,max(SINR)为参考信号接收功率最大值;
最终得到的NB信号影响因子数据矩阵为:
X’=[psrp,sinr,W1…Wi…W16]。
8.一种NB网络传感器通信质量计算的装置,其特征在于,包括:
NB信号影响因子矩阵构建模块,用于建立包括参考信号接收功率,信号与干扰加噪声比以及天气类型为NB信号影响因子的NB信号影响因子矩阵;
NB信号影响因子数据矩阵计算模块,用于将所述天气类型采用移位有效编码形式表示,将所述参考信号接收功率和所述信号与干扰加噪声比进行归一化处理,得到NB信号影响因子数据矩阵;
NB信号影响因子权重矩阵构建模块,用于将每个NB信号影响因子赋予表示其对NB信号影响的权重,建立NB信号影响因子权重矩阵;
多合一传感器上报数据周期获取模块,用于建立传感器上报数据周期矩阵,取所有传感器中数据上报周期最长的作为多合一传感器上报数据周期;
组合矩阵获取模块,用于根据所述多合一传感器上报数据周期计算设备上线时间到评估时点的上报记录数N,生成N个NB信号影响因子数据矩阵,将其组合为组合矩阵;
平均矩阵计算模块,用于根据天气类型,对所述组合矩阵按行累加求平均,得到多个不同天气类型的平均矩阵;
NB通信质量指数计算模块,用于根据所述NB信号影响因子权重矩阵和所述平均矩阵计算得到NB通信质量指数;
丢包率计算模块,用于根据所述设备上线时间到评估时点的上报记录数和实际上报记录数计算丢包率;
NB通信质量评估模型构建模块,用于根据所述丢包率确定信号优劣状况,以此标记当前NB通信质量指数下对应的信号状况,建立NB通信质量指数模型。
9.一种NB网络传感器通信质量计算的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述一种NB网络传感器通信质量计算方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种NB网络传感器通信质量计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618010.6A CN115226125A (zh) | 2022-06-01 | 2022-06-01 | 一种nb网络传感器通信质量计算方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618010.6A CN115226125A (zh) | 2022-06-01 | 2022-06-01 | 一种nb网络传感器通信质量计算方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115226125A true CN115226125A (zh) | 2022-10-21 |
Family
ID=83608543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210618010.6A Pending CN115226125A (zh) | 2022-06-01 | 2022-06-01 | 一种nb网络传感器通信质量计算方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115226125A (zh) |
-
2022
- 2022-06-01 CN CN202210618010.6A patent/CN115226125A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laiho et al. | Advanced analysis methods for 3G cellular networks | |
Guo et al. | Spatial stochastic models and metrics for the structure of base stations in cellular networks | |
CN107920362B (zh) | 一种基于微区域的lte网络性能评估方法 | |
Kibiłda et al. | Modelling multi-operator base station deployment patterns in cellular networks | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN107807346A (zh) | 基于ott与mr数据的自适应wknn室外定位方法 | |
CN102487523B (zh) | 用户投诉分析方法及装置 | |
US7120432B2 (en) | Method of simulating operating conditions of a telecommunication system requiring a limited amount of computing power | |
CN101222729B (zh) | 基于路测数据的网络优化告警方法和装置 | |
CN108289302B (zh) | 定位td-lte网络大气波导干扰的方法及系统 | |
EP2934037B1 (en) | Technique for Evaluation of a Parameter Adjustment in a Mobile Communications Network | |
EP2259457A2 (en) | Detecting interference in a wireless communication system | |
CN106856608A (zh) | 一种lte网络基站覆盖有效性评估方法和装置 | |
Chou et al. | A REM-enabled diagnostic framework in cellular-based IoT networks | |
Hu et al. | A study of LTE network performance based on data analytics and statistical modeling | |
Suchanski et al. | Radio environment maps for military cognitive networks: construction techniques vs. map quality | |
CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
CN117097369A (zh) | 一种hplc通信检测系统与方法 | |
CN115226125A (zh) | 一种nb网络传感器通信质量计算方法、装置及存储介质 | |
CN109963301A (zh) | 一种网络结构干扰的分析方法及装置 | |
CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
Barreto et al. | Competitive neural networks for fault detection and diagnosis in 3G cellular systems | |
CN114154765A (zh) | 小区预测方法、装置、电子设备及存储介质 | |
CN110233684B (zh) | 信噪比评估方法、装置、设备及存储介质 | |
CN114615693A (zh) | 网络容量预测方法、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 |