CN115474229A - 一种无线网络的质量确定方法、装置、电子设备及存储介质 - Google Patents
一种无线网络的质量确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115474229A CN115474229A CN202211046717.0A CN202211046717A CN115474229A CN 115474229 A CN115474229 A CN 115474229A CN 202211046717 A CN202211046717 A CN 202211046717A CN 115474229 A CN115474229 A CN 115474229A
- Authority
- CN
- China
- Prior art keywords
- wireless network
- spatial
- network
- characteristic information
- quality
- 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
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
- H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0014—Three-dimensional division
- H04L5/0023—Time-frequency-space
- H04L5/0025—Spatial division following the spatial signature of the channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种无线网络的质量确定方法、装置、电子设备及存储介质,属于通信技术领域,能够解决电子设备判断WiFi网络的质量的准确性较低的问题。该方法包括:获取空间特征信息和网络传输特征信息,该空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征;根据空间特征信息和网络传输特征信息,确定目标无线网络的质量。
Description
技术领域
本申请属于通信技术领域,具体涉及一种无线网络的质量确定方法、装置、电子设备及存储介质。
背景技术
目前,电子设备在通过无线保真(Wireless Fidelity,WiFi)进行无线通信时,可以实时判断WiFi网络的质量,以在WiFi网络的质量不好时,及时地从WiFi网络切换至蜂窝网络,并在WiFi网络的质量恢复正常时再将蜂窝网络切换回WiFi网络,以保证电子设备能够正常通信。
然而,在电子设备实时判断WiFi网络的质量的过程中,可能受到电子设备所处环境的影响(例如电子设备所处位置存在遮挡物、其他设备干扰等),使得电子设备的判断结果出现偏差,如此,电子设备判断WiFi网络的质量的准确性较低。
发明内容
本申请实施例的目的是提供一种无线网络的质量确定方法、装置、电子设备及存储介质,能够解决电子设备判断WiFi网络的质量的准确性较低的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种无线网络的质量确定方法,该无线网络的质量确定方法包括:获取空间特征信息和网络传输特征信息,该空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征;根据空间特征信息和网络传输特征信息,确定目标无线网络的质量。
第二方面,本申请实施例提供了一种无线网络的质量确定装置,该无线网络的质量确定装置包括:获取模块和确定模块;获取模块,用于获取空间特征信息和网络传输特征信息,该空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征。确定模块,用于根据获取模块获取的空间特征信息和网络传输特征信息,确定目标无线网络的质量。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
第六方面,本申请实施例提供一种计算机程序产品,该程序产品被存储在存储介质中,该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
在本申请实施例中,可以获取用于指示目标无线网络所处空间场景的空间特征信息和用于指示目标无线网络的网络传输参数的网络传输特征信息,然后根据该空间特征信息和该网络传输特征信息,确定目标无线网络的质量。本方案中,由于可以获取空间特征信息和网络传输特征信息,因此可以根据获取到的空间特征信息和该网络传输特征信息,得到目标无线网络的质量,即是综合了空间特征信息对目标无线网络的质量进行判断的,使得目标无线网络的质量情况判断更加精准,从而提高了判断无线网络的质量的准确性。
附图说明
图1是本申请实施例提供的一种无线网络的质量确定方法的示意图;
图2是本申请实施例提供的一种空间特征向量提取的流程示意图;
图3是本申请实施例提供的一种网络传输特征向量提取的流程示意图;
图4是本申请实施例提供的一种确定目标无线网络的质量的流程示意图;
图5是本申请实施例提供的一种训练神经网络的流程示意图;
图6是本申请实施例提供的一种无线网络的质量确定装置的结构示意图;
图7是本申请实施例提供的一种电子设备的硬件结构示意图之一;
图8是本申请实施例提供的一种电子设备的硬件结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的无线网络的质量确定方法进行详细地说明。
本申请实施例中的无线网络的质量确定方法可以应用于确定无线网络的质量的场景。
目前,WiFi网络是电子设备主要的无线通信方式之一,电子设备在通过WiFi网络进行无线通信时,可以实时判断WiFi网络的质量,以在WiFi网络的质量不好时,及时地从WiFi网络切换至蜂窝网络,并在WiFi网络的质量恢复正常时再将蜂窝网络切换回WiFi网络,以保证电子设备能够正常通信。然而,在电子设备实时判断WiFi网络的质量的过程中,可能受到电子设备所处环境的影响(例如电子设备所处位置存在遮挡物、其他设备干扰等),使得电子设备的判断结果出现偏差。现有技术中,电子设备判断WiFi网络的质量主要通过以下几种方式:1、设置阈值,电子设备实时监测WiFi网络的多项指标,以在至少一项指标超出预设阈值时,判断WiFi网络的质量出现异常;2、人工智能(ArtificialIntelligence,AI)神经网络技术判断,电子设备将信号强度、链路速率、丢包率、收发包数等WiFi网络的传输信息输入AI模型,模型输出当前WiFi网络的质量得分,得分小于阈值则判断WiFi网络的质量出现异常;3、前台应用程序发生卡顿时,判断WiFi网络的质量出现异常。然而,上述第一种方式,电子设备通过设置阈值判断WiFi网络的质量,其只能适用于一部分场景;第二种方式,电子设备通过AI神经网络技术判断WiFi网络的质量,该方式虽然可以适用于更多的场景,但是只考虑了信号强度、丢包率等信息等,并没有考虑空间特征信息,存在局限性;第三种方式,电子设备通过应用程序是否发生卡顿判断WiFi网络的质量,该方式存在滞后性,并且无法判断WiFi网络的质量是否恢复正常。如此,电子设备判断WiFi网络的质量的准确性较低。
在本申请实施例提供的方案中,可以获取用于指示目标无线网络所处空间场景的空间特征信息和用于指示目标无线网络的网络传输参数的网络传输特征信息,然后根据该空间特征信息和网络传输特征信息,确定目标无线网络的质量。本方案中,由于可以获取空间特征信息和网络传输特征信息,因此可以根据获取到的空间特征信息和该网络传输特征信息,得到目标无线网络的质量,即是综合了空间特征信息对目标无线网络的质量进行判断的,使得目标无线网络的质量情况判断更加精准,从而提高了判断无线网络的质量的准确性。
本申请实施例提供一种无线网络的质量确定方法,图1示出了本申请实施例提供的一种无线网络的质量确定方法的流程图。如图1所示,本申请实施例提供的无线网络的质量确定方法可以包括下述的步骤201至步骤204。
步骤201、获取空间特征信息和网络传输特征信息。
本申请实施例中,上述空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征。
可选地,本申请实施例中,上述空间特征信息可以为通过神经网络输出的空间特征向量,网络传输特征信息可以为通过神经网络输出的网络传输特征向量。
可选地,本申请实施例中,上述步骤201具体可以通过下述的步骤201a和步骤201b实现。
步骤201a、根据目标无线网络的信道状态信息(Channel State Information,CSI),确定空间特征信息。
可选地,本申请实施例中,可以获取目标无线网络的CSI,然后对目标无线网络的CSI进行处理,从而确定空间特征信息。
可选地,本申请实施例中,上述步骤201a具体可以通过下述的步骤201a1和步骤201a2实现。
步骤201a1、对通过目标无线网络接收的信号解调,得到目标无线网络的CSI。
可选地,本申请实施例中,可以采用正交频分复用技术(Orthogonal FrequencyDivision Multiplexing,OFDM)对接收到的信号进行解调。
可选地,本申请实施例中,采用OFDM解调信号时,可以对不同频率的子载波做快速傅里叶变换(Fast Fourier transform,FFT),即将子载波传输的时域信号转换为频域信号,然后由于CSI是对信道频率响应(Channel Frequency Response,CFR)的一个离散采样,因此CFR的采样点可以设定为子载波的中心频率,从而在解调信号的同时获取到目标无线网络的CSI;
具体地,中心频率为fk的子载波的CSI可以表示为:H(fK)=||H(fK)||ej·sin(∠H);
其中,H(f)称为CFR,||H(fk)||表示振幅、∠H表示相位、j表示一个复数;从而得到目标无线网络的CSI为:
CSI=[H(f1),H(f2),…,H(fN)]T
其中,K=1,2,…,N表示OFDM子载波的编号、T表示矩阵转置。
可以理解,若目标无线网络的频宽为20MHz,则包含64个子载波,从而获取到的CSI为一个64维的复数向量。
步骤201a2、通过神经网络,从CSI中提取空间特征信息。
本申请实施例中,可以通过神经网络,从CSI中提取空间特征信息,即获取空间特征向量。
可选地,本申请实施例中,上述神经网络可以为多层感知器(MultilayerPerceptron,MLP)、卷积神经网络(Convolutional Neural Network,CNN)等。
需要说明的是,神经网络的输入层用于接收输入信息,输入的信息称为输入向量;神经网络的输出层用于输出结果,输出的结果称为输出向量。
可选地,本申请实施例中,如图2所示,上述步骤201a2具体可以通过下述的步骤A1至步骤A3实现。
步骤A1、向神经网络输入1024维的CSI。
步骤A2、神经网络对输入的向量进行处理。
步骤A3、神经网络输出32维的空间特征向量。
具体地,上述输入CSI的组织方式如下:由于1024维CSI中前512维为振幅,后512维为相位;则对于20MHz的信号,512维振幅或者相位的前64维为20MHz信道对应的CSI,后448维用0来填充;对于40MHz的信号,512维振幅或者相位的前128维为40Mhz信道对应的CSI,后384维用0来填充;以此类推,80MHz的信号,512维振幅或者相位的前256维为80MHz信道对应的CSI,后256维填充0;160Mhz的信号则不需要填充0。
需要说明的是,对于神经网络输入向量和输出向量的维数,可以根据实际使用需求进行调整,本申请实施例不做限定。
可以理解,在对通过目标无线网络接收到的信号进行解调,得到目标无线网络的CSI(例如:一个64维的复数向量)之后,可以将该64维的复数向量输入神经网络,然后神经网络对输入向量进行处理之后,输出32维的空间特征向量,从而提取到空间特征信息。
步骤201b、根据目标无线网络的网络传输参数,确定网络传输特征信息。
可选地,本申请实施例中,可以获取多个时间段内的目标无线网络的网络传输参数,然后通过神经网络对目标无线网络的网络传输参数进行处理,从而确定网络传输特征信息。
可选地,本申请实施例中,上述目标无线网络的网络传输参数可以包括以下至少一项:信号强度、发送链路速率、接收链路速率、发送数据包个数、发送数据包丢包个数、发送数据包重传次数、接收数据包个数、接收数据包帧检测序列码(Frame Check Sequences,FCS)错误个数、接收beacon帧个数、空闲信道评估(Clear Channel Assessment,CCA)忙碌时间占比、发送数据包时延、传输控制协议(Transmission Control Protocol,TCP)往返时延;可以理解,在目标无线网络的网络传输参数包括以上所有信息时,这些信息可以组合成一个12维的向量。
可选地,本申请实施例中,可以连续获取多个时间段内目标无线网络的网络传输参数作为神经网络的输入信息。
例如:可以连续采样5次,并且在每次采样的网络传输参数包括上述所有信息时,可以将连续5个采样时间获取的网络传输参数组合成一个60维的向量作为神经网络的输入向量。
可选地,本申请实施例中,采样的每个时间段可以为5-10秒的时间段,本申请实施例不做限定。
可选地,本申请实施例中,如图3所示,上述步骤201b具体可以通过下述的步骤B1至步骤B3实现。
步骤B1、向神经网络输入60维的向量。
步骤B2、神经网络对输入的向量进行处理。
步骤B3、神经网络输出16维的网络传输特征向量。
可以理解,在将多个时间段内目标无线网络的网络传输参数(例如:组合成的一个60维的向量)作为神经网络的输入向量之后,神经网络可以对该输入向量进行处理,然后输出一个16维的网络传输特征向量,从而可以得到网络传输特征信息。
步骤202、根据空间特征信息和网络传输特征信息,确定目标无线网络的质量。
可选地,本申请实施例中,在得到空间特征信息和网络传输特征信息之后,可以对空间特征信息和网络传输特征信息进行处理,从而确定目标无线网络的质量。
可选地,本申请实施例中,上述步骤202具体可以通过下述的步骤202a和步骤202b实现。
步骤202a、对空间特征信息和网络传输特征信息进行融合处理,得到目标特征信息。
可选地,本申请实施例中,在得到空间特征信息和网络传输特征信息(例如:32维的空间特征向量和16维的网络传输特征向量)之后,可以采用向量拼接方法对空间特征信息和网络传输特征信息进行处理,从而得到目标特征信息。
示例性地,可以通过Concat函数对空间特征信息和网络传输特征信息进行拼接处理。
步骤202b、通过神经网络对目标特征信息进行训练,得到目标质量分值。
本申请实施例中,上述目标质量分值用于指示目标无线网络的质量。
可选地,本申请实施例中,可以将目标特征信息输入神经网络,以使得神经网络对目标特征信息进行训练,然后在神经网络输出结果信息之后,再通过激活函数(SoftVersion Of Max,Softmax)计算得到目标无线网络的质量分值。
可以理解,在神经网络输出的质量结果为一个2维的向量的情况下,可以通过Softmax进行计算,以得到目标无线网络的质量分值。
可选地,本申请实施例中,上述目标无线网络的质量分值的范围为[0,1],在目标无线网络的质量分值越接近1的情况下,表示目标无线网络的质量越好。
例如:在目标无线网络的质量分值小于或等于0.3时,确定目标无线网络的质量较差;在目标无线网络的质量分值大于0.3且小于等于0.6时,确定目标无线网络的质量处于中等状态;在目标无线网络的质量分值大于0.6时,确定目标无线网络的质量较好。
可选地,本申请实施例中,如图4所示,上述步骤202具体可以通过下述的步骤C1至步骤C5实现。
步骤C1、通过Concat函数对32维的空间特征向量和16维的网络传输特征向量进行拼接处理,得到目标特征向量。
步骤C2、向神经网络输入目标特征向量。
步骤C3、神经网络对目标特征向量进行处理。
步骤C4、神经网络输出结果信息。
步骤C5、通过Softmax对结果信息进行计算,得到目标无线网络的质量分值。
本申请实施例提供一种无线网络的质量确定方法,可以获取用于指示目标无线网络所处空间场景的空间特征信息和用于指示目标无线网络的网络传输参数的网络传输特征信息,然后根据该空间特征信息和该网络传输特征信息,确定目标无线网络的质量。本方案中,由于可以获取空间特征信息和网络传输特征信息,因此可以根据获取到的空间特征信息和该网络传输特征信息,得到目标无线网络的质量,即是综合了空间特征信息对目标无线网络的质量进行判断的,使得目标无线网络的质量情况判断更加精准,从而提高了判断无线网络的质量的准确性。
可选地,本申请实施例中,本申请实施例提供的无线网络的质量确定方法还可以包括下述的步骤301至步骤303。
步骤301、根据第i个训练样本的无线网络质量、第i个训练样本的无线网络出现异常的概率和第i个训练样本的无线网络正常的概率,确定第一损失函数。
本申请实施例中,1≤i≤N,且i为整数,N为训练样本的总数量。
可选地,本申请实施例中,可以采用第一损失函数和第二损失函数对神经网络进行训练,该第一损失函数可以为无线网络质量判断的损失函数。
具体地,上述第一损失函数的计算公式如下:
其中,N表示训练样本的数量、βi表示第i个样本的无线网络质量、Zi1'表示第i个训练样本的无线网络出现异常的概率、Zi2'表示第i个训练样本的无线网络正常的概率。
可以理解,无线网络正常即无线网络处于稳定状态,用户使用电子设备时不会发生卡顿、电子设备传输数据正常等。
步骤302、根据N个训练样本的空间场景数量、第i个训练样本的空间特征信息与第αi个空间场景的相似度、第i个训练样本的空间特征信息与M个空间场景的相似度,确定第二损失函数。
本申请实施例中,第αi个空间场景为第i个训练样本对应的空间场景,α为映射函数,M为空间场景的总数量。
可选地,本申请实施例中,上述第二损失函数可以为空间场景识别的损失函数,该空间场景识别的损失函数可以为以下任一项:softmax loss、triplet loss、cosFace、arcFace等,或者其他可用于分类任务的损失函数,本申请实施例不做限定。
具体地,上述第二损失函数的计算公式如下:
其中,M表示训练样本的空间场景总数量、xi表示第i个训练样本的空间特征信息、W为32×M的权重函数、Wj表示W矩阵的第j列、bj表示第j个空间场景的空间向量、Wαi表示W矩阵的第αi列、bαi表示第αi个空间场景的空间向量、T表示矩阵转置。
其中,W矩阵中的一列代表一个空间场景,因此,W矩阵中的第j列用于指示第j个空间场景,W矩阵的第αi列用于指示第αi个空间场景;
其中,b为与空间场景数量对应的向量,在空间场景数量为M时,b为一个M维的向量;bj则为M维向量中的第j个数字,即bj可以表示为第j个空间场景的空间向量,bαi可以表示为第αi个空间场景的空间向量。
步骤303、根据第一损失函数和第二损失函数,训练得到神经网络。
可选地,本申请实施例中,根据第一损失函数和第二损失函数,训练得到神经网络的计算公式如下:
L=Lquality+α·Lspace
其中,α为映射函数。
可选地,本申请实施例中,如图5所示,上述步骤303具体可以通过下述的步骤S1至步骤S10实现。
步骤S1、向神经网络输入1024维的CSI。
步骤S2、通过神经网络对CSI进行处理。
步骤S3、神经网络输出32维的空间特征向量。
步骤S4、向神经网络输入60维的网络传输信息。
步骤S5、通过神经网络对网络传输信息进行处理。
步骤S6、神经网络输出16维的网络传输特征向量。
步骤S7、通过Concat函数对32维的空间特征向量和16维的网络传输特征向量进行拼接处理。
步骤S8、得到拼接处理后的目标特征向量,并输入神经网络。
步骤S9、通过神经网络对目标特征向量进行处理。
步骤S10、神经网络输出2维向量。
可选地,本申请实施例中,可以将输出的2维向量经过Softmax计算,得到目标无线网络质量分值。
可选地,本申请实施例中,通过损失函数训练神经网络时,在将训练样本输入到神经网络,并通过神经网络对训练样本进行处理,得到预测分值之后,可以通过上述损失函数计算预测分值和真实分值之间的差异值,也就是损失值,然后在得到损失值之后,神经网络通过反向传播去更新神经网络中的各个参数,具体地,神经网络通过反向传播去更新各个参数时,第一损失函数影响的是神经网络中所有的参数,第二损失函数影响的是与空间特征相关的参数;以降低真实分值与预测分值之间的损失,使得预测分值向真实分值方向靠拢,从而达到训练神经网络的目的。
需要说明的是,本申请实施例提供的无线网络的质量确定方法,执行主体可以为电子设备,或者无线网络的质量确定装置,或者无线网络的质量确定装置中的控制模块。本申请实施例中以电子设备执行无线网络的质量确定方法为例,说明本申请实施例提供的无线网络的质量确定装置。
图6示出了本申请实施例中涉及的无线网络的质量确定装置的一种可能的结构示意图。如图6所示,该无线网络的质量确定装置70可以包括:获取模块71和确定模块72。
其中,获取模块71,用于获取空间特征信息和网络传输特征信息,该空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征。确定模块72,用于根据获取模块71获取的空间特征信息和网络传输特征信息,确定目标无线网络的质量。
本申请实施例提供一种无线网络的质量确定装置,由于可以获取空间特征信息和网络传输特征信息,因此可以根据获取到的空间特征信息和该网络传输特征信息,得到目标无线网络的质量,即是综合了空间特征信息对目标无线网络的质量进行判断的,使得目标无线网络的质量情况判断更加精准,从而提高了判断无线网络的质量的准确性。
在一种可能的实现方式中,上述获取模块71,具体用于根据目标无线网络的信道状态信息CSI,确定空间特征信息;并根据目标无线网络的网络传输参数,确定网络传输特征信息。
在一种可能的实现方式中,上述获取模块71,具体用于对通过目标无线网络接收的信号解调,得到目标无线网络的CSI;并通过神经网络,从CSI中提取空间特征信息。
在一种可能的实现方式中,上述确定模块72,具体用于对空间特征信息和网络传输特征信息进行融合处理,得到目标特征信息;并通过神经网络对目标特征信息进行训练,得到目标质量分值,该目标质量分值用于指示目标无线网络的质量。
在一种可能的实现方式中,本申请实施例提供的无线网络的质量确定装置70还包括:训练模块。上述确定模块72,还用于根据第i个训练样本的无线网络质量、第i个训练样本的无线网络出现异常的概率和第i个训练样本的无线网络正常的概率,确定第一损失函数;并根据N个训练样本的空间场景数量、第i个训练样本的空间特征信息与第αi个空间场景的相似度、第i个训练样本的空间特征信息与M个空间场景的相似度,确定第二损失函数,第αi个空间场景为第i个训练样本对应的空间场景,α为映射函数,M为空间场景的总数量。训练模块,用于根据上述确定模块72确定的第一损失函数和第二损失函数,训练得到神经网络;其中,1≤i≤N,且i为整数,N为训练样本的总数量。
本申请实施例中的无线网络的质量确定装置可以是装置,也可以是电子设备中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device,MID)、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,还可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的无线网络的质量确定装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的无线网络的质量确定装置能够实现上述方法实施例实现的各个过程,为避免重复,这里不再赘述。
可选地,如图7所示,本申请实施例还提供一种电子设备900,包括处理器901和存储器902,存储器902上存储有可在所述处理器901上运行的程序或指令,该程序或指令被处理器901执行时实现上述方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图8为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备100包括但不限于:射频单元101、网络模块102、音频输出单元103、输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、以及处理器110等部件。
本领域技术人员可以理解,电子设备100还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
其中,处理器110,用于获取空间特征信息和网络传输特征信息,该空间特征信息用于指示目标无线网络所处空间场景的特征,网络传输特征信息用于指示目标无线网络的网络传输参数的特征;并根据空间特征信息和网络传输特征信息,确定目标无线网络的质量。
本申请实施例提供一种电子设备,由于可以获取空间特征信息和网络传输特征信息,因此可以根据获取到的空间特征信息和该网络传输特征信息,得到目标无线网络的质量,即是综合了空间特征信息对目标无线网络的质量进行判断的,使得目标无线网络的质量情况判断更加精准,从而提高了判断无线网络的质量的准确性。
可选地,处理器110,具体用于根据目标无线网络的信道状态信息CSI,确定空间特征信息;并根据目标无线网络的网络传输参数,确定网络传输特征信息。
可选地,处理器110,具体用于对通过目标无线网络接收的信号解调,得到目标无线网络的CSI;并通过神经网络,从CSI中提取空间特征信息。
可选地,处理器110,具体用于对空间特征信息和网络传输特征信息进行融合处理,得到目标特征信息;并通过神经网络对目标特征信息进行训练,得到目标质量分值,该目标质量分值用于指示目标无线网络的质量。
可选地,处理器110,还用于根据第i个训练样本的无线网络质量、第i个训练样本的无线网络出现异常的概率和第i个训练样本的无线网络正常的概率,确定第一损失函数;并根据N个训练样本的空间场景数量、第i个训练样本的空间特征信息与第αi个空间场景的相似度、第i个训练样本的空间特征信息与M个空间场景的相似度,确定第二损失函数,第αi个空间场景为第i个训练样本对应的空间场景,α为映射函数,M为空间场景的总数量;并根据第一损失函数和第二损失函数,训练得到神经网络;其中,1≤i≤N,且i为整数,N为训练样本的总数量。
本申请实施例提供的电子设备能够实现上述方法实施例实现的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本实施例中各种实现方式具有的有益效果具体可以参见上述方法实施例中相应实现方式所具有的有益效果,为避免重复,此处不再赘述。
应理解的是,本申请实施例中,输入单元104可以包括图形处理器(GraphicsProcessing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元106可包括显示面板1061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板1061。用户输入单元107包括触控面板1071以及其他输入设备1072中的至少一种。触控面板1071,也称为触摸屏。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器109可以包括易失性存储器或非易失性存储器,或者,存储器109可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本申请实施例中的存储器109包括但不限于这些和任意其它适合类型的存储器。
处理器110可包括一个或多个处理单元;可选的,处理器110集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品,该程序产品被存储在存储介质中,该程序产品被至少一个处理器执行以实现如上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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可以以计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种无线网络的质量确定方法,其特征在于,所述方法包括:
获取空间特征信息和网络传输特征信息,所述空间特征信息用于指示目标无线网络所处空间场景的特征,所述网络传输特征信息用于指示所述目标无线网络的网络传输参数的特征;
根据所述空间特征信息和所述网络传输特征信息,确定所述目标无线网络的质量。
2.根据权利要求1所述的方法,其特征在于,所述获取空间特征信息和网络传输特征信息,包括:
根据所述目标无线网络的信道状态信息CSI,确定所述空间特征信息;
根据所述目标无线网络的网络传输参数,确定所述网络传输特征信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述空间特征信息和所述网络传输特征信息,确定所述目标无线网络的质量,包括:
对所述空间特征信息和所述网络传输特征信息进行融合处理,得到目标特征信息;
通过神经网络对所述目标特征信息进行训练,得到目标质量分值,所述目标质量分值用于指示所述目标无线网络的质量。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据第i个训练样本的无线网络质量、所述第i个训练样本的无线网络出现异常的概率和所述第i个训练样本的无线网络正常的概率,确定第一损失函数;
根据N个训练样本的空间场景数量、所述第i个训练样本的空间特征信息与第αi个空间场景的相似度、所述第i个训练样本的空间特征信息与M个空间场景的相似度,确定第二损失函数,所述第αi个空间场景为所述第i个训练样本对应的空间场景,α为映射函数,M为空间场景的总数量;
根据所述第一损失函数和所述第二损失函数,训练得到所述神经网络;
其中,1≤i≤N,且i为整数,N为训练样本的总数量。
5.一种无线网络的质量确定装置,其特征在于,所述无线网络的质量确定装置包括:获取模块和确定模块;
所述获取模块,用于获取空间特征信息和网络传输特征信息,所述空间特征信息用于指示目标无线网络所处空间场景的特征,所述网络传输特征信息用于指示所述目标无线网络的网络传输参数的特征;
所述确定模块,用于根据所述获取模块获取的所述空间特征信息和所述网络传输特征信息,确定所述目标无线网络的质量。
6.根据权利要求5所述的装置,其特征在于,
所述获取模块,具体用于根据所述目标无线网络的信道状态信息CSI,确定所述空间特征信息;并根据所述目标无线网络的网络传输参数,确定所述网络传输特征信息。
7.根据权利要求5所述的装置,其特征在于,
所述确定模块,具体用于对所述空间特征信息和所述网络传输特征信息进行融合处理,得到目标特征信息;并通过神经网络对所述目标特征信息进行训练,得到目标质量分值,所述目标质量分值用于指示所述目标无线网络的质量。
8.根据权利要求7所述的装置,其特征在于,所述无线网络的质量确定装置还包括:训练模块;
所述确定模块,还用于根据第i个训练样本的无线网络质量、所述第i个训练样本的无线网络出现异常的概率和所述第i个训练样本的无线网络正常的概率,确定第一损失函数,N为训练样本的总数量;并根据N个训练样本的空间场景数量、所述第i个训练样本的空间特征信息与第αi个空间场景的相似度、所述第i个训练样本的空间特征信息与M个空间场景的相似度,确定第二损失函数,所述第αi个空间场景为所述第i个训练样本对应的空间场景,α为映射函数,M为空间场景的总数量;
所述训练模块,用于根据所述确定模块确定的所述第一损失函数和所述第二损失函数,训练得到所述神经网络;
其中,1≤i≤N,且i为整数。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至4中任一项所述的无线网络的质量确定方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至4中任一项所述的无线网络的质量确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046717.0A CN115474229A (zh) | 2022-08-30 | 2022-08-30 | 一种无线网络的质量确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046717.0A CN115474229A (zh) | 2022-08-30 | 2022-08-30 | 一种无线网络的质量确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115474229A true CN115474229A (zh) | 2022-12-13 |
Family
ID=84370370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211046717.0A Pending CN115474229A (zh) | 2022-08-30 | 2022-08-30 | 一种无线网络的质量确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115474229A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116232959A (zh) * | 2023-02-21 | 2023-06-06 | 荣耀终端有限公司 | 网络质量检测方法和装置 |
-
2022
- 2022-08-30 CN CN202211046717.0A patent/CN115474229A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116232959A (zh) * | 2023-02-21 | 2023-06-06 | 荣耀终端有限公司 | 网络质量检测方法和装置 |
CN116232959B (zh) * | 2023-02-21 | 2023-11-21 | 荣耀终端有限公司 | 网络质量检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210343041A1 (en) | Method and apparatus for obtaining position of target, computer device, and storage medium | |
US20210110522A1 (en) | Image processing method and apparatus, and storage medium | |
US8463025B2 (en) | Distributed artificial intelligence services on a cell phone | |
CN110909630B (zh) | 一种异常游戏视频检测方法和装置 | |
EP4354343A1 (en) | Data processing method and device | |
CN111814744A (zh) | 一种人脸检测方法、装置、电子设备和计算机存储介质 | |
CN110414593B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
WO2023138549A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115474229A (zh) | 一种无线网络的质量确定方法、装置、电子设备及存储介质 | |
CN111145151B (zh) | 一种运动区域确定方法及电子设备 | |
CN112633218B (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN113515994A (zh) | 视频特征提取方法、装置、设备以及存储介质 | |
CN110288668B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN111626035A (zh) | 一种版面分析方法及电子设备 | |
CN111310595A (zh) | 用于生成信息的方法和装置 | |
CN116342940A (zh) | 图像审批方法、装置、介质及设备 | |
CN114882226A (zh) | 图像处理方法、智能终端及存储介质 | |
CN111898529B (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
CN111414496B (zh) | 基于人工智能的多媒体文件的检测方法和装置 | |
CN114897158A (zh) | 数据处理模型的训练方法、数据处理方法、装置及设备 | |
CN114356568A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN112819079A (zh) | 模型的采样算法匹配方法、装置和电子设备 | |
CN113536876A (zh) | 一种图像识别方法和相关装置 | |
WO2023207360A1 (zh) | 图像分割方法、装置、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 |