CN115688569A - 增益调整方法、装置、计算机设备和存储介质 - Google Patents
增益调整方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115688569A CN115688569A CN202211296132.4A CN202211296132A CN115688569A CN 115688569 A CN115688569 A CN 115688569A CN 202211296132 A CN202211296132 A CN 202211296132A CN 115688569 A CN115688569 A CN 115688569A
- Authority
- CN
- China
- Prior art keywords
- gain
- gain value
- signal
- adjusted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Amplification And Gain Control (AREA)
Abstract
本申请涉及一种增益调整方法、装置、计算机设备和存储介质。所述方法包括:获取待调整信号;基于所述待调整信号的功率确定第一增益值;将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到;基于所述第一增益值以及第二增益值得到目标增益值。上述增益调整方法、装置、计算机设备和存储介质,将深度学习模型预测增益和传统功率检测调整增益相结合,根据两种方式得到的增益值确定最终增益值,能够及时响应信号的变化,提供适当的增益,保证了信号的稳定性。
Description
技术领域
本申请涉及通信技术领域,特别是涉及一种增益调整方法、装置、计算机设备和存储介质。
背景技术
传统的信号增益技术,并没有功率预测的能力,一般是根据经验以恒定的速率对信号的增益进行调整。这种方法在信号变化幅度大、变化速度快时,需要更多的滞后时间来调整到合适的增益。
现有的技术是通过快衰减、慢释放的方式来进行增益调整。但这种方式的衰减速度或释放速度是根据经验设计的一个常数值,可能在实际系统中无法及时响应信号的变化。
发明内容
基于此,有必要针对上述技术问题,提供一种增益调整方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种增益调整方法。所述方法包括:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
在其中一个实施例中,所述基于所述第一增益值以及第二增益值得到目标增益值包括:
获取前一时刻的准确度评估结果,所述准确度评估结果基于前一时刻的所述第二增益值以及标准增益值确定;
若所述准确度评估结果满足预设阈值,则将所述第二增益值作为所述目标增益值;
若所述准确度评估结果不满足预设阈值,则将所述第一增益值作为所述目标增益值。
在其中一个实施例中,所述获取前一时刻的准确度评估结果包括:
将当前时刻的所述第一增益值作为标准增益值;
基于前一时刻的所述第二增益值与所述标准增益值的偏差程度确定准确度分数。
在其中一个实施例中,所述基于所述第一增益值以及第二增益值得到目标增益值之后还包括:
基于所述准确度评估结果更新所述增益确定模型的模型参数
在其中一个实施例中,所述获取前一时刻的准确度评估结果之后还包括:
若所述准确度评估结果满足复位阈值,则将所述增益确定模型还原为初始模型。
在其中一个实施例中,所述基于所述待调整信号的功率确定第一增益值包括:
将所述待调整信号的功率与预设功率进行比对;
基于比对结果确定所述第一增益值。
在其中一个实施例中,所述将所述待调整信号输入增益确定模型,得到第二增益值之前还包括:
获取初始模型,所述初始模型为长短期记忆网络;
将参考信号以及参考增益值作为训练集训练所述初始模型,得到所述增益确定模型。
第二方面,本申请还提供了一种增益调整装置。所述装置包括:
获取模块,用于获取待调整信号;
第一确定模块,用于基于所述待调整信号的功率确定第一增益值;
第二确定模块,用于将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到;
增益确定模块,用于基于所述第一增益值以及第二增益值得到目标增益值。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
第四方面,本申请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,其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以下步骤:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
上述增益调整方法、装置、计算机设备和存储介质,通过获取待调整信号;基于所述待调整信号的功率确定第一增益值;将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到;基于所述第一增益值以及第二增益值得到目标增益值的方式,将深度学习模型预测增益和传统功率检测调整增益相结合,根据两种方式得到的增益值确定最终增益值,能够及时响应信号的变化,提供适当的增益,保证了信号的稳定性。
附图说明
图1为本申请一个实施例中增益调整方法的应用环境图;
图2为本申请一个实施例中增益调整方法的流程示意图;
图3为本申请一个实施例中长短期记忆网络的预测原理示意图;
图4为本申请一个实施例中增益调整方法的增益确定模型的结构框图;
图5为本申请一个实施例中增益调整系统的结构框图;
图6为本申请一个实施例中增益调整装置的结构框图;
图7为本申请一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的增益调整方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种增益调整方法,包括以下步骤:
步骤S201,获取待调整信号。
可以理解的,待调整信号为当前获取的实时信号,此时信号的幅度发生变化,需要根据信号情况调整对信号的增益,以保证信号输出的稳定性。
步骤S202,基于所述待调整信号的功率确定第一增益值。
示例性地,第一增益值的确定方式是传统的增益控制方式,即根据信号当前的功率值,判断其对应的增益值,并对信号进行增益。但是当信号变化幅度大、变化速度快时,若是在获取到信号时才确定增益值,再对信号进行增益,此时信号已经保持在当前功率一段时间,前面一段时间的信号并未得到适当的增益,或者下一时刻信号功率就会再次发生变化,当前确定的增益值无法适配下一时刻的信号,容易导致信号输出不稳定,产生失真的情况。
步骤S203,将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值。
示例性地,增益确定模型被训练为用于基于当前时刻的信号确定下一时刻的预测增益值。可以理解的,此处的深度学习模型的初始模型可以采用现有的神经网络模型,此处不做具体限定。
步骤S204,基于所述第一增益值以及第二增益值得到目标增益值。
可以理解的,通过两种方式得到两个增益值后,可以进行比对,并确定更合适的增益值,作为最终的增益值。示例性地,可以分别判断两个增益值与实际需求的匹配程度,并选择更加匹配的增益值对待调整信号进行增益。
上述增益调整方法,通过获取待调整信号;基于所述待调整信号的功率确定第一增益值;将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到;基于所述第一增益值以及第二增益值得到目标增益值的方式,将深度学习模型预测增益和传统功率检测调整增益相结合,根据两种方式得到的增益值确定最终增益值,能够及时响应信号的变化,提供适当的增益,通过对于未来信号情况的预测来满足高精度和收敛速度的要求,保证了信号的稳定性。
在其中一个实施例中,所述基于所述第一增益值以及第二增益值得到目标增益值包括:
步骤1,获取前一时刻的准确度评估结果,所述准确度评估结果基于前一时刻的所述第二增益值以及标准增益值确定;
步骤2,若所述准确度评估结果满足预设阈值,则将所述第二增益值作为所述目标增益值;
步骤3,若所述准确度评估结果不满足预设阈值,则将所述第一增益值作为所述目标增益值。
在本实施例中,通过前一时刻的准确度评估结果决定将第一增益值或第二增益值作为目标增益值。示例性地,准确度评估结果可以是准确度分数。
可以理解的,将前一时刻的第二增益值与标准增益值进行比对,以确定准确度评估结果,实际上是将前一时刻的第二增益值对应的功率值与实际观测到的功率值进行比对,其中,实际观测到的功率值即信号实际需求的输出功率。若所述准确度评估结果满足预设阈值,说明前一时刻的第二增益值与实际观测到的增益值匹配,第二增益值能够满足实际需求,则这一时刻仍然采用第二增益值作为最终输出的增益值;若所述准确度评估结果不满足预设阈值,说明前一时刻的第二增益值与实际观测到的增益值偏离,无法满足信号增益调整的需求,则这一时刻采用传统方式得到的第一增益值作为最终输出的增益值。
上述实施例,以前一时刻对第二增益值的评估结果作为参考标准,判断第二增益值是否能够满足信号增益需求,并在第二增益值无法满足需求的时候采用第一增益值作为最终的输出增益,避免第二增益值偏离实际需求时,信号失真的情况,能够有效保证信号增益的准确性和系统的稳定性。
在其它实施例中,选择第一增益值或第二增益值作为目标增益值的依据还可以为第一增益值与实际需求的匹配程度,或是将第一增益值与第二增益值的评价分数进行比对,选择评价分数较高的一个作为目标增益值;另外,目标增益值还可以为通过对第一增益值和第二增益值进行加权求和等方式,综合考虑两个增益值的情况,确定目标增益值。可以理解的,具体如何根据第一增益值和第二增益值确定目标增益值的方式可以由用户根据实际需求进行确定,此处不再赘述。
在其中一个实施例中,所述获取前一时刻的准确度评估结果包括:
步骤1,将当前时刻的所述第一增益值作为标准增益值;
步骤2,基于前一时刻的所述第二增益值与所述标准增益值的偏差程度确定准确度分数。
可以理解的,第一增益值相对于当前时刻的待调整信号来说是滞后的,它仅能适应当前时刻之前的信号增益的需求,因此,当前时刻的第一增益值对应的是前一时刻的实际观测到的增益值,即前一时刻的标准增益值。
在其它实施例中,准确度评估结果还可以是其它形式,例如准确度等级,此处不做具体限定。
上述实施例,利用传统方式增益控制的滞后性,将当前时刻的第一增益值作为前一时刻的标准增益值,可以准确体现前一时刻的信号增益的实际需求,使准确度评估结果更加可靠。
在其中一个实施例中,所述基于前一时刻的所述第二增益值与所述标准增益值的偏差程度确定准确度分数包括:
根据前一时刻的所述第二增益值对应的功率与所述标准增益值对应的功率的差的反比例函数进行打分,两者越接近,分数越高。
可以理解的,在其它实施例中,可以采用其他计算方式确定准确度分数,只需能够体现前一时刻的所述第二增益值与所述标准增益值的偏差程度的即可,此处不作具体限定。
在其中一个实施例中,所述基于所述第一增益值以及第二增益值得到目标增益值之后还包括:
步骤1,基于所述准确度评估结果更新所述增益确定模型的模型参数。
可以理解的,准确度评估结果可以体现增益确定模型的输出结果与实际需求之间的偏差,根据这一偏差对增益确定模型进行强化学习,更新模型参数,在实时运行中可以根据预测情况进行权重更新来适应线上运行的其他未考虑到的问题,可以有效提高增益确定模型的输出结果的准确性。
在其中一个实施例中,所述获取前一时刻的准确度评估结果之后还包括:
步骤1,若所述准确度评估结果满足复位阈值,则将所述增益确定模型还原为初始模型。
可以理解的,若所述准确度评估结果满足复位阈值,说明增益确定模型输出的增益值远远偏离实际需求的增益值,说明当前的增益确定模型已经到达了奇异点,无法提供准确的预测,因此将增益确定模型进行复位,重新训练。同时,在增益确定模型重新训练完成之前,采用第一增益值作为最终输出的目标增益值。其中,复位阈值可以由用户根据实际需求进行设定,此处不做具体限定。
在另一个实施例中,还可以在准确度评估结果多次小于预设阈值时,对增益确定模型进行复位,具体此处以及阈值可以由用户根据实际需求进行设定,此处不做具体限定。
上述实施例,在判断增益确定模型预测结果不准确时,对增益确定模型进行复位,并采用第一增益值作为最终输出的目标增益值,退化到传统的增益控制方式来规避网络锁死的问题,对系统起到保护作用,使信号输出更稳定。
在另一个实施例中,所述基于所述待调整信号的功率确定第一增益值包括:
步骤1,将所述待调整信号的功率与预设功率进行比对;
步骤2,基于比对结果确定所述第一增益值。
可以理解的,第一增益值的确定采用的是传统的增益控制方式,即根据当前实时信号的功率和预设功率,判断当前信号的功率过大或者过小,以及过大或过小的程度,并根据过大或过小的程度输出对应的增益值,对信号功率值进行调整。
在另一个实施例中,所述将所述待调整信号输入增益确定模型,得到第二增益值之前还包括:
步骤1,获取初始模型,所述初始模型为长短期记忆网络;
步骤2,将参考信号以及参考增益值作为训练集训练所述初始模型,得到所述增益确定模型。
可以理解的,参考信号即为基于历史数据获取的信号信息,参考增益值为基于历史数据获取的,对应的参考信号下一时刻实际需要的增益值,将参考信号以及参考增益值作为训练集训练所述初始模型,通过参数更新迭代,直至满足收敛要求,得到所述增益确定模型。
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。长短期记忆网络在RNN的基础上加入了记忆和遗忘的控制。可以对长序列提供更好的预测。
上述实施例,采用长短期记忆网络进行训练并得到增益确定模型,能够综合考虑当前时刻之前的信号幅度变化情况,以做出下一时刻的信号幅度预测,从而确定增益值,预测效果更好,结果更加准确。
在其它实施例中,增益确定模型还可以为由神经网络和增益调整器组合构成的模型,其中,神经网络用于接收信号输入,并输出下一时刻的信号功率,增益调整器用于根据下一时刻的信号功率确定所需的增益值并输出。
请参阅图3,图3为本申请一实施例的长短期记忆网络的预测原理示意图。可以理解的,长短期记忆网络根据当前时刻以及当前时刻之前的信号幅度变化情况,即历史信息,做一个对于未来信号最大幅度的预测。
请参阅图4,图4为本申请一实施例的增益调整方法的增益确定模型的结构框图。示例性地,A层网络为长短期记忆网络,B层网络为全连接网络,具体地,A1到An为带记忆的循环网络,B1到Bn为不带记忆的网络。A1层和B1层直接相连,最后经过C0求和,得到预测输出。A层网络和B层网络之间的输入输出关系如下:
bt=σ(Wr·[yt-1,xr])
at=σ(Wz·[yt-1,xr])
其中,xt为An的输入,yt为An的输出为yt,W为模型参数权重,σ为超参数,为用户自定义的预测偏向权重。
B层网络和C层网络之间的输入输出关系如下:
mt=ATnt+c
其中,mt为Bn的输入,nt为C0的输出,AT用于将C0的输入进行矩阵转秩,缩减数据维度,以得到预期维度的输出数据,c为模型参数。
可以理解的,神经网络的输出最后是对信号功率的预测,是在-1到1之间的,用于体现信号功率的变化程度,并通过增益调整器来将-1到1映射到真正的增益上去。
请参阅图5,图5为本申请一实施例的增益调整系统的结构框图。
在本实施例中,增益调整系统包括长短期记忆网络、增益调整模块B、功率检测模块、增益调整模块A、打分模块、增益输出模块以及增益控制模块,其中,长短期记忆网络用于根据信号输入提供信号幅度的预测值,增益调整模块B用于根据信号幅度的预测值,输出下一时刻的增益B;功率检测模块为传统的检测模块,用于检测当前信号功率的幅值,增益调整模块A为传统的增益控制,用于根据当前信号幅度输出增益;打分模块用于通过增益调整模块A和增益调整模块B的输出,以及当前信号幅度进行一个打分,判断增益调整模块A和增益调整模块B的输出何者更优,即更好的满足信号调整需求,则给予更大分值,并将其作为最终增益输出,通过增益输出模块传输给增益控制模块,增益控制模块用于根据最终增益输出对信号输入信号进行增益,以得到输出信号。
示例性地,整个系统可以抽象成一个输入输出黑盒子,整体功能是给信号输入增加一个合适的增益然后给到信号的输出。首先输入的信号经过增益计算器会计算出一个当前所需的增益,该增益输出到增益控制模块控制当前信号的增益并输出。在增益计算器内部,信号被分成两个流。功率检测模块和功率调整模块A是传统的增益控制器,长短期记忆网络和增益调整模块B是一个功率预测模型,两者输出各自确定的增益值,并在打分模块中进行打分,综合给定出一个增益给到增益输出模块,同时也将结果返回给长短期记忆网络进行强化学习,优化结果。
在本实施例中,增益调整模块B的输入输出关系具体如下:
z(g)=k*g
其中,增益调整模块B的输入为g,增益调整模块B的输出为f(g),k根据硬件的系统最大输出幅度相关的参数进行设定。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的增益调整方法的增益调整装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个增益调整装置实施例中的具体限定可以参见上文中对于增益调整方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种增益调整装置,包括:获取模块610、第一确定模块620、第二确定模块630和增益确定模块640,其中:
获取模块610,用于获取待调整信号。
第一确定模块620,用于基于所述待调整信号的功率确定第一增益值。
第一确定模块620,还用于:
将所述待调整信号的功率与预设功率进行比对;
基于比对结果确定所述第一增益值。
第二确定模块630,用于将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到。
增益确定模块640,用于基于所述第一增益值以及第二增益值得到目标增益值。
增益确定模块640,还用于:
获取前一时刻的准确度评估结果,所述准确度评估结果基于前一时刻的所述第二增益值以及标准增益值确定;
若所述准确度评估结果满足预设阈值,则将所述第二增益值作为所述目标增益值;
若所述准确度评估结果不满足预设阈值,则将所述第一增益值作为所述目标增益值。
增益确定模块640,还用于:
将当前时刻的所述第一增益值作为标准增益值;
基于前一时刻的所述第二增益值与所述标准增益值的偏差程度确定准确度分数。
增益调整装置,还包括:更新模块。
更新模块,用于基于所述准确度评估结果更新所述增益确定模型的模型参数。
增益调整装置,还包括:复位模块。
复位模块,用于若所述准确度评估结果满足复位阈值,则将所述增益确定模型还原为初始模型。
增益调整装置,还包括:训练模块。
训练模块,用于:
获取初始模型,所述初始模型为长短期记忆网络;
将参考信号以及参考增益值作为训练集训练所述初始模型,得到所述增益确定模型。
上述增益调整装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种增益调整方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory,MRAM)、铁电存储器(Ferroelectric RandomAccess Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种增益调整方法,其特征在于,所述方法包括:
获取待调整信号;
基于所述待调整信号的功率确定第一增益值;
将所述待调整信号输入通过深度学习训练得到的增益确定模型,得到第二增益值,所述第二增益值为下一时刻的预测增益值;
基于所述第一增益值以及第二增益值得到目标增益值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一增益值以及第二增益值得到目标增益值包括:
获取前一时刻的准确度评估结果,所述准确度评估结果基于前一时刻的所述第二增益值以及标准增益值确定;
若所述准确度评估结果满足预设阈值,则将所述第二增益值作为所述目标增益值;
若所述准确度评估结果不满足预设阈值,则将所述第一增益值作为所述目标增益值。
3.根据权利要求2所述的方法,其特征在于,所述获取前一时刻的准确度评估结果包括:
将当前时刻的所述第一增益值作为标准增益值;
基于前一时刻的所述第二增益值与所述标准增益值的偏差程度确定准确度分数。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一增益值以及第二增益值得到目标增益值之后还包括:
基于所述准确度评估结果更新所述增益确定模型的模型参数。
5.根据权利要求2所述的方法,其特征在于,所述获取前一时刻的准确度评估结果之后还包括:
若所述准确度评估结果满足复位阈值,则将所述增益确定模型还原为初始模型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述待调整信号的功率确定第一增益值包括:
将所述待调整信号的功率与预设功率进行比对;
基于比对结果确定所述第一增益值。
7.根据权利要求1所述的方法,其特征在于,所述将所述待调整信号输入增益确定模型,得到第二增益值之前还包括:
获取初始模型,所述初始模型为长短期记忆网络;
将参考信号以及参考增益值作为训练集训练所述初始模型,得到所述增益确定模型。
8.一种增益调整装置,其特征在于,所述装置包括:
获取模块,用于获取待调整信号;
第一确定模块,用于基于所述待调整信号的功率确定第一增益值;
第二确定模块,用于将所述待调整信号输入增益确定模型,得到第二增益值,所述增益确定模型通过深度学习训练得到;
增益确定模块,用于基于所述第一增益值以及第二增益值得到目标增益值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296132.4A CN115688569A (zh) | 2022-10-21 | 2022-10-21 | 增益调整方法、装置、计算机设备和存储介质 |
PCT/CN2023/110153 WO2024082767A1 (zh) | 2022-10-21 | 2023-07-31 | 增益调整方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296132.4A CN115688569A (zh) | 2022-10-21 | 2022-10-21 | 增益调整方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688569A true CN115688569A (zh) | 2023-02-03 |
Family
ID=85065811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296132.4A Pending CN115688569A (zh) | 2022-10-21 | 2022-10-21 | 增益调整方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115688569A (zh) |
WO (1) | WO2024082767A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082767A1 (zh) * | 2022-10-21 | 2024-04-25 | 三维通信股份有限公司 | 增益调整方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710346B (zh) * | 2020-06-18 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 音频处理方法、装置、计算机设备以及存储介质 |
US11475869B2 (en) * | 2021-02-12 | 2022-10-18 | Plantronics, Inc. | Hybrid noise suppression for communication systems |
CN114121032A (zh) * | 2021-12-10 | 2022-03-01 | 思必驰科技股份有限公司 | 语音信号增益补偿方法、电子设备和存储介质 |
CN115688569A (zh) * | 2022-10-21 | 2023-02-03 | 三维通信股份有限公司 | 增益调整方法、装置、计算机设备和存储介质 |
-
2022
- 2022-10-21 CN CN202211296132.4A patent/CN115688569A/zh active Pending
-
2023
- 2023-07-31 WO PCT/CN2023/110153 patent/WO2024082767A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082767A1 (zh) * | 2022-10-21 | 2024-04-25 | 三维通信股份有限公司 | 增益调整方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024082767A1 (zh) | 2024-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544573B2 (en) | Projection neural networks | |
US11928601B2 (en) | Neural network compression | |
US10474950B2 (en) | Training and operation of computational models | |
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
EP3446259A1 (en) | Training machine learning models | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
US20200265317A1 (en) | Neural episodic control | |
CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
Azami et al. | GPS GDOP classification via improved neural network trainings and principal component analysis | |
WO2024082767A1 (zh) | 增益调整方法、装置、计算机设备和存储介质 | |
CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
US20240062042A1 (en) | Hardening a deep neural network against adversarial attacks using a stochastic ensemble | |
CN116608551A (zh) | 冷负荷预测方法和装置、电子设备及存储介质 | |
CN115392594A (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
US11888544B2 (en) | Selection of physics-specific model for determination of characteristics of radio frequency signal propagation | |
US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
CN115564560A (zh) | 风险评估方法、装置和存储介质 | |
CN115907969A (zh) | 账户风险评估方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN116885689A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 | |
CN116258194A (zh) | 用于预测电离层电子浓度的模型训练方法、装置和设备 | |
CN117638882A (zh) | 电力系统的损耗预测方法、装置、设备、介质和产品 | |
CN115619099A (zh) | 变电站安全防护评价方法、装置、计算机设备和存储介质 | |
CN115952358A (zh) | 产品推荐方法、装置、计算机设备和存储介质 |
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 |