CN116340888B - 一种基站滤波器生产方法 - Google Patents

一种基站滤波器生产方法 Download PDF

Info

Publication number
CN116340888B
CN116340888B CN202310613952.XA CN202310613952A CN116340888B CN 116340888 B CN116340888 B CN 116340888B CN 202310613952 A CN202310613952 A CN 202310613952A CN 116340888 B CN116340888 B CN 116340888B
Authority
CN
China
Prior art keywords
optimization
model
sub
data
models
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.)
Active
Application number
CN202310613952.XA
Other languages
English (en)
Other versions
CN116340888A (zh
Inventor
田龙
赵晓东
曹志翔
胡英彪
张永发
戴宝驹
尹小琪
徐萧
魏永林
于伟伟
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.)
Hasselman Shenzhen Technology Co ltd
Original Assignee
Yangzhou Yinan Technology 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 Yangzhou Yinan Technology Co ltd filed Critical Yangzhou Yinan Technology Co ltd
Priority to CN202310613952.XA priority Critical patent/CN116340888B/zh
Publication of CN116340888A publication Critical patent/CN116340888A/zh
Application granted granted Critical
Publication of CN116340888B publication Critical patent/CN116340888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基站滤波器生产方法，涉及数据处理技术领域，该方法包括：构建基站的信号数据集，执行数据集随机聚合，构建P个随机数据集及P个优化子模型；生成P个增强特征；重新分布P个优化子模型的第一优化权重，结合增强特征进行第一次迭代优化；执行多轮迭代优化，直至模型处于预设收敛状态或满足预设迭代次数，分别对P个随机数据集进行数据特征提取，筛选组合所述P个优化子模型，构建耦合矩阵优化模型，进行基站滤波器的生产管理。本发明解决了现有技术中目标基站滤波器的信号频段识别效率准确率不高的技术问题，达到了提高目标基站滤波器的信号频段识别效率和识别准确率的技术效果。

Description

一种基站滤波器生产方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基站滤波器生产方法。
背景技术
在现代无线通信技术中，微波滤波器作为关键的选频器件，其性能的优劣直接影响了通信系统的质量。随之滤波器结构日趋复杂，传统基于电磁仿真软件的设计方法虽然计算精度准确，但计算成本高、耗时长，加大了滤波器的生产难度和成本，制约了滤波器的发展。
发明内容
本申请提供了一种基站滤波器生产方法，用于解决现有技术中目标基站滤波器的信号频段识别效率准确率不高的技术问题。
本申请的第一个方面，提供了一种基站滤波器生产方法，所述方法包括：对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；根据所述耦合矩阵优化模型进行基站滤波器的生产管理。
本申请的第二个方面，提供了一种基站滤波器生产系统，所述系统包括：随机数据集构建模块，所述随机数据集构建模块用于对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；优化子模型构建模块，所述优化子模型构建模块用于分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；增强特征生成模块，所述增强特征生成模块用于读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；第一次迭代优化模块，所述第一次迭代优化模块用于基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；多轮迭代优化模块，所述多轮迭代优化模块用于执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；功能一致性分析模块，所述功能一致性分析模块用于分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；耦合矩阵优化模型构建模块，所述耦合矩阵优化模型构建模块用于基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；基站滤波器生产管理模块，所述基站滤波器生产管理模块用于根据所述耦合矩阵优化模型进行基站滤波器的生产管理。 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的一种基站滤波器生产方法，涉及数据处理技术领域，通过构建基站的信号数据集，构建P个随机数据集及P个优化子模型；生成P个增强特征；重新分布P个优化子模型的优化权重，结合增强特征进行多轮迭代优化，直至模型处于预设收敛状态或满足预设迭代次数，分别对P个随机数据集进行数据特征提取，筛选组合所述P个优化子模型，构建耦合矩阵优化模型，进行基站滤波器的生产管理，解决了现有技术中目标基站滤波器的信号频段识别效率准确率不高的技术问题，实现了提高目标基站滤波器的信号频段识别效率和识别准确率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基站滤波器生产方法流程示意图；
图2为本申请实施例提供的一种基站滤波器生产方法中执行P个优化子模型的多轮迭代优化的流程示意图；
图3为本申请实施例提供的一种基站滤波器生产方法中构建耦合矩阵优化模型的流程示意图；
图4为本申请实施例提供的一种基站滤波器生产系统结构示意图。
附图标记说明：随机数据集构建模块11，优化子模型构建模块12，增强特征生成模块13，第一次迭代优化模块14，多轮迭代优化模块15，功能一致性分析16，耦合矩阵优化模型构建模块17，基站滤波器生产管理模块18。
具体实施方式
本申请提供了一种基站滤波器生产方法，用于解决现有技术中目标基站滤波器的信号频段识别效率准确率不高的技术问题。
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，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的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种基站滤波器生产方法，所述方法包括：
S100：对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；
具体的，采集目标基站过去一段时间内（可以是一个月、半年、一年等，具体时间可以按照实际情况做适应性调整）的信号数据，以此构建目标基站的信号数据集，并根据所述信号数据的数据量大小设置一个数据集约束数量，例如设置数据集的数量为10个以内，以数据集约束数量为基准，将所述信号数据集内的信号数据进行随机聚合，最终得到P个随机数据集，P小于等于所述数据集约束数量，所述P个随机数据集可以作为后续构建优化子模型的基础数据。
S200：分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；
具体而言，将所述P个随机数据集中的一个数据集作为构建数据，结合BP神经网络进行所述优化子模型的训练，直至模型收敛或达到预设准确率，得到一个优化子模型，依次将所述P个随机数据集中的每一个数据集进行以上训练，得到P个优化子模型，所述优化子模型以所述P个随机数据集为输入数据，以所述信号数据的信号频段为输出数据，可以用来提取不同信号频段的信号数据，每一优化子模型均具有初始优化权重，示例性地，P个优化子模型的所述初始优化权重均为1/P，且全部优化子模型的初始优化权重和为1。
S300：读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；
具体的，分别读取所述P个优化子模型中每个优化子模型的模型输出结果，所述模型输出结果也就是所述优化子模型识别出的信号数据的信号频段范围，通过提取每个输出结果中出现频率较高的信号频段，判断每个优化子模型最擅长识别的信号频段范围，以此作为该优化子模型的增强特征，也就是模型的优化方向，以此类推生成与P个优化子模型一一对应的P个增强特征，后续可以不断地强化每个优化子模型的增强特征，也就是根据增强特征缩小所述优化子模型的信号频段识别范围，以此来提高每个所述优化子模型处理数据的精准度。
S400：基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；
具体而言，基于每个优化子模型的信号特征提取结果中的信号处理误差大小，为所述P个优化子模型重新分配相应的优化权重，以此作为所述P个优化子模型的第一优化权重，信号频段识别误差越大，说明该优化子模型的质量越差，分配的优化权重越小，根据所述增强特征确定所述优化子模型的信号频段识别优化方向，根据所述第一优化权重确定所述优化子模型的优化力度，以此来进行P个优化子模型的第一次迭代优化，可以对P个优化子模型处理信号数据的精准度进初次提高。
S500：执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；
具体的，参考步骤S400中P个优化子模型进行第一次迭代优化的方法，提取所述P个优化子模型在每一轮优化后的增强特征和优化权重，进行P个优化子模型的多轮迭代优化，直至模型质量满足预设的信号频段识别准确率或满足预设的迭代次数，例如，若预设的信号频段识别准确率为90%，当某一优化子模型识别特定频段的信号的准确率达到90%时，说明该模型处于预设收敛状态，可以停止该模型的迭代。或者，若某一优化子模型的优化次数达到预设的迭代次数后，模型依旧未达到收敛状态，说明该优化子模型经过多轮迭代优化后依然无法达到使用效果，则停止模型迭代，将该优化子模型淘汰，所述预设迭代次数可根据数据量大小和模型训练速度要求进行设定。多轮迭代优化后的保留下来的优化子模型，可以用作后续进行模型功能一致性分析和构建耦合矩阵优化模型。
进一步的，如图2所示，本申请实施例步骤S500还包括：
S510：设置子模型输出结果的预设判别阈值；
S520：当进行所述P个优化子模型的迭代优化时，当任意优化子模型的输出结果不能满足所述预设判别阈值时，则生成子模型淘汰指令；
S530：根据所述子模型淘汰指令控制所述P个优化子模型的模型淘汰，并重新分布剩余优化子模型的模型权重；
S540：基于重新分配的模型权重和剩余优化子模型完成后续的迭代。
具体而言，根据目标基站的信号数据处理精度要求，设置所述优化子模型输出结果的最低处理精度，以此作为预设判别阈值，用来判断所述优化子模型的信号频段识别能力是否满足最低要求，在进行所述P个优化子模型的迭代优化时，当任意优化子模型的输出结果小于所述预设判别阈值时，说明该优化子模型的信号频段识别能力过低，则生成子模型淘汰指令，根据所述子模型淘汰指令将所述P个优化子模型中的不满足要求的模型淘汰，并为剩余的优化子模型重新分布相应的的模型权重，基于重新分配的模型权重，将剩余优化子模型继续进行下一轮的迭代和淘汰，直至所有剩余优化子模型均处于所述预设收敛状态或满足所述预设迭代次数，完成模型迭代，多轮迭代优化后剩余的优化子模型，可以用作后续进行模型功能一致性分析和构建耦合矩阵优化模型。
进一步的，本申请实施例还包括步骤S550，步骤S550还包括：
S551：设置优化子模型的迭代优化窗口；
S552：对所述P个优化子模型进行对应数据集数据的识别分析，定位异常识别数据；
S553：若在所述迭代优化窗口内，任意优化子模型的异常识别数据的识别准确值不能满足预设基准值时，则生成数据淘汰指令；
S554：通过所述数据淘汰指令控制进行所述异常识别数据的数据淘汰。
具体的，设置优化子模型的迭代优化次数窗口，也就是一个优化子模型使用同一组数据进行优化的次数，例如，使用同一个数据集进行三次优化，将所述P个优化子模型对应的数据集中的数据代入模型中进行识别分析，筛选出异常识别数据，若在所述迭代优化窗口规定的迭代次数内，若任意一个优化子模型的异常识别数据的频段识别准确率始终不能满足预设基准值，则生成数据淘汰指令，通过所述数据淘汰指令，将相应的异常识别数据淘汰，所述预设基准值是指预先设定的异常数据的最小识别准确率阈值，用来筛选出所述优化子模型无法准确识别的数据，保留下来的数据可以用作后续进行优化子模型的数据量等级分析。
S600：分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；
具体而言，分别提取所述P个随机数据集的数据特征，也就是信号频段，根据每个随机数据集内信号的频段范围，将P个随机数据集按照信号频段由高到低进行等级划分，示例性的，将P个随机数据集内信号数据的信号频段由高到低分为A、B、C、D、E五个等级，表示五个信号频段范围。迭代完成的P个优化子模型的模型功能是指每个优化子模型的信号频段识别范围，分别将所述P个随机数据集的信号数据的频段范围与所述P个优化子模型的信号频段识别范围进行对比，筛选出所述P个优化子模型中的信号频段识别范围与P个随机数据集的信号数据的频段范围匹配的模型，作为构建耦合矩阵优化模型的基础数据。
S700：基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
进一步的，如图3所示，本申请实施例步骤S700还包括：
S710：对所述信号数据集进行数据集特征分析，确定数据集中信号的特征集中值；
S720：采集基站的信号处理需求，解析所述信号处理需求，生成功能约束数据；
S730：对所述特征集中值和所述功能约束数据进行功能占比分配 ，并基于功能占比分配结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型。
具体而言，对所述信号数据集内的数据进行数据集特征分析，确定所述信号数据集中信号的特征集中值，也就是目标基站的信号频段集中范围，可以作为目标基站滤波器的滤波范围。采集目标基站的特殊信号处理需求，解析所述信号处理需求，生成功能约束数据，也就是特殊信号频段的频段范围，计算所述功能约束数据相对于特征集中值的功能占比，可以用来筛选出处于特殊信号频段的信号数据需要的优化子模型，结合所述一致性分析结果筛选出模型功能与目标基站的数据特征相匹配的优化子模型，将筛选出的优化子模型进行组合，构建耦合矩阵优化模型，耦合矩阵是滤波器设计中的重要特性参数，它将滤波器的物理特性和电路模型联系起来，耦合矩阵元素与实际滤波器的谐振腔有一一对应关系，因此提取耦合矩阵可用于滤波器设计、优化和调试。所述耦合矩阵优化模型可以用来识别信号数据的信号频段范围。
进一步的，本申请实施例步骤S730还包括：
S731：对于迭代完成的所述P个优化子模型进行数据库内的数据量等级分析，确定数据量弱化系数；
S732：通过所述数据量弱化系数对所述P个优化子模型进行模型关联；
S733：根据模型关联结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型。
具体的，根据迭代完成的所述P个优化子模型中，每个优化子模型剩余数据的多少，分配相应的数据量等级，并为对应的优化子模型设置相应的数据量弱化系数，示例性的，优化子模型内剩余的数据越多，分配的数据量等级越大，相应的数据量弱化系数越小。优化子模型内剩余的数据越多，说明该优化子模型的数据处理能力越强，因此所述数据量弱化系数越大，相应的优化子模型的质量越差。通过所述数据量弱化系数为所述P个优化子模型分配相应的权重，也就是将所述P个优化子模型进行模型关联，示例性的，所述数据量弱化系数越大，相应的优化子模型分配的权重越小。由所述一致性分析结果筛选出模型功能符合要求的优化子模型，然后根据模型关联结果，也就是每个优化子模型的权重，将模型功能符合要求的优化子模型进行组合，构建耦合矩阵优化模型，所述耦合矩阵优化模型可以用来识别信号数据的信号频段范围。
S800：根据所述耦合矩阵优化模型进行基站滤波器的生产管理。
具体的，将所述耦合矩阵优化模型作为基站滤波器的内置处理模块，可以用于目标基站滤波器的设计、优化和调试，提高目标基站滤波器的信号频段识别效率和识别准确率。
进一步的，本申请实施例还包括步骤S900，步骤S900还包括：
S910：对所述信号数据集进行信号聚合，并依据所述耦合矩阵优化模型构建聚合测试集；
S920：通过所述聚合测试集进行所述耦合矩阵优化模型的模型测试，生成模型测试结果；
S930：根据所述模型测试结果确定弱识别数据，并依据所述弱识别数据进行所述耦合矩阵优化模型的模型优化。
具体而言，对所述信号数据集中的数据重新进行信号频段分类，并依据所述耦合矩阵优化模型中各优化子模型的模型功能，构建相应频段的聚合测试数据集，分别将所述聚合测试集输入所述耦合矩阵优化模型的各个优化子模型中，得到所述聚合测试集的数据信号频段识别结果，也就是模型测试结果，筛选出所述模型测试结果中数据信号频段识别效果差的信号数据，作为弱识别数据，并将所述弱识别数据作为训练数据，训练出新的能够识别这些弱识别数据的信号频段的优化子模型，并将这些新的优化子模型融合到所述耦合矩阵优化模型中，以此来达到优化所述耦合矩阵优化模型的目的，可以扩大所述耦合矩阵优化模型的信号频段识别范围。
进一步的，本申请实施例还包括步骤S1000，步骤S1000还包括：
S1010：采集新增基站的新增基站数据集；
S1020：根据所述新增基站数据集与所述信号数据集进行数据比对；
S1030：判断偏离数据区间是否满足所述；
S1040：当所述偏离数据区间可以满足所述预设偏离范围时，则基于区别数据进行所述耦合矩阵优化模型的模型增量训练；
S1050：根据模型增量训练结果构建增量耦合矩阵优化模型；
S1060：通过所述增量耦合矩阵优化模型进行所述新增基站的基站滤波器的生产管理。
具体的，采集新增基站的信号数据，以此作为新增基站数据集，将所述新增基站数据集的数据频段范围与所述信号数据集的数据频段范围进行数据比对，计算出所述新增基站数据集与所述信号数据集的数据频段不一致的数据区间，也就是偏离数据区间，根据所述信号数据集的频段范围大小，预设一个数据区间最大偏离范围，将偏离数据区间与所述预设偏离范围进行比较，若所述偏离数据区间在所述预设偏离范围内，说明新增基站的信号数据频段范围与所述目标基站的信号数据频段范围具有一定的相似性，可以利用所述目标基站的耦合矩阵优化模型来构建新增基站的耦合矩阵优化模型。将所述区别数据作为所述耦合矩阵优化模型的增量数据，训练新的优化子模型，以此作为模型增量训练结果，将模型增量训练结果与所述耦合矩阵优化模型进行融合，生成所述增量耦合矩阵优化模型，可以用来进行所述新增基站的基站滤波器的生产管理。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过构建基站的信号数据集，执行数据集随机聚合，构建P个随机数据集及P个优化子模型；生成P个增强特征；重新分布P个优化子模型的第一优化权重，结合增强特征进行第一次迭代优化；执行多轮迭代优化，直至模型处于预设收敛状态或满足预设迭代次数，分别对P个随机数据集进行数据特征提取，筛选组合所述P个优化子模型，构建耦合矩阵优化模型，进行基站滤波器的生产管理。
达到了提高目标基站滤波器的信号频段识别效率和识别准确率的技术效果。
实施例二
基于与前述实施例中一种基站滤波器生产方法相同的发明构思，如图4所示，本申请提供了一种基站滤波器生产系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
随机数据集构建模块11，所述随机数据集构建模块用于对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；
优化子模型构建模块12，所述优化子模型构建模块用于分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；
增强特征生成模块13，所述增强特征生成模块用于读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；
第一次迭代优化模块14，所述第一次迭代优化模块用于基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；
多轮迭代优化模块15，所述多轮迭代优化模块用于执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；
功能一致性分析模块16，所述功能一致性分析模块用于分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；
耦合矩阵优化模型构建模块17，所述耦合矩阵优化模型构建模块用于基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
基站滤波器生产管理模块18，所述基站滤波器生产管理模块用于根据所述耦合矩阵优化模型进行基站滤波器的生产管理。
进一步的，所述系统还包括：
预设判别阈值设置模块，所述预设判别阈值设置模块用于设置子模型输出结果的预设判别阈值；
子模型淘汰指令生成模块，所述子模型淘汰指令生成模块用于当进行所述P个优化子模型的迭代优化时，当任意优化子模型的输出结果不能满足所述预设判别阈值时，则生成子模型淘汰指令；
模型权重重新分布模块，所述模型权重重新分布模块用于根据所述子模型淘汰指令控制所述P个优化子模型的模型淘汰，并重新分布剩余优化子模型的模型权重；
迭代优化模块，所述迭代优化模块用于基于重新分配的模型权重和剩余优化子模型完成后续的迭代；
进一步的，所述系统还包括：
征集中值确定模块，所述征集中值确定模块用于对所述信号数据集进行数据集特征分析，确定数据集中信号的特征集中值；
功能约束数据生成模块，所述功能约束数据生成模块用于采集基站的信号处理需求，解析所述信号处理需求，生成功能约束数据；
耦合矩阵优化模型构建模块，所述耦合矩阵优化模型构建模块用于对所述特征集中值和所述功能约束数据进行功能占比分配，并基于功能占比分配结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
进一步的，所述系统还包括：
迭代优化窗口设置模块，所述迭代优化窗口设置模块用于设置优化子模型的迭代优化窗口；
异常识别数据定位模块，所述异常识别数据定位模块用于对所述P个优化子模型进行对应数据集数据的识别分析，定位异常识别数据；
数据淘汰指令生成模块，所述数据淘汰指令生成模块用于若在所述迭代优化窗口内，任意优化子模型的异常识别数据的识别准确值不能满足预设基准值时，则生成数据淘汰指令；
数据淘汰模块，所述数据淘汰模块用于通过所述数据淘汰指令控制进行所述异常识别数据的数据淘汰；
进一步的，所述系统还包括：
数据量弱化系数确定模块，所述数据量弱化系数确定模块用于对于迭代完成的所述P个优化子模型进行数据库内的数据量等级分析，确定数据量弱化系数；
模型关联模块，所述模型关联模块用于通过所述数据量弱化系数对所述P个优化子模型进行模型关联；
耦合矩阵优化模型构建模块，所述耦合矩阵优化模型构建模块用于根据模型关联结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
进一步的，所述系统还包括：
聚合测试集构建模块，所述聚合测试集构建模块用于通过所述聚合测试集进行所述耦合矩阵优化模型的模型测试，生成模型测试结果；
模型优化模块，所述模型优化模块用于根据所述模型测试结果确定弱识别数据，并依据所述弱识别数据进行所述耦合矩阵优化模型的模型优化；
进一步的，所述系统还包括：
新增基站数据集采集模块，所述新增基站数据集采集模块用于采集新增基站的新增基站数据集；
数据比对模块，所述数据比对模块用于根据所述新增基站数据集与所述信号数据集进行数据比对；
预设偏离范围判断模块，所述预设偏离范围判断模块用于判断偏离数据区间是否满足预设偏离范围；
模型增量训练模块，所述模型增量训练模块用于当所述偏离数据区间可以满足所述预设偏离范围时，则基于区别数据进行所述耦合矩阵优化模型的模型增量训练；
增量耦合矩阵优化模型构建模块，所述增量耦合矩阵优化模型构建模块用于根据模型增量训练结果构建增量耦合矩阵优化模型；
生产管理模块，所述生产管理模块用于通过所述增量耦合矩阵优化模型进行所述新增基站的基站滤波器的生产管理。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。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范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基站滤波器生产方法，其特征在于，所述方法包括：
对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；
分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；
读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；
基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；
执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；
分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；
基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
根据所述耦合矩阵优化模型进行基站滤波器的生产管理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
设置子模型输出结果的预设判别阈值；
当进行所述P个优化子模型的迭代优化时，当任意优化子模型的输出结果不能满足所述预设判别阈值时，则生成子模型淘汰指令；
根据所述子模型淘汰指令控制所述P个优化子模型的模型淘汰，并重新分布剩余优化子模型的模型权重；
基于重新分配的模型权重和剩余优化子模型完成后续的迭代。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述信号数据集进行数据集特征分析，确定数据集中信号的特征集中值；
采集基站的信号处理需求，解析所述信号处理需求，生成功能约束数据；
对所述特征集中值和所述功能约束数据进行功能占比分配，并基于功能占比分配结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
设置优化子模型的迭代优化窗口；
对所述P个优化子模型进行对应数据集数据的识别分析，定位异常识别数据；
若在所述迭代优化窗口内，任意优化子模型的异常识别数据的识别准确值不能满足预设基准值时，则生成数据淘汰指令；
通过所述数据淘汰指令控制进行所述异常识别数据的数据淘汰。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
对于迭代完成的所述P个优化子模型进行数据库内的数据量等级分析，确定数据量弱化系数；
通过所述数据量弱化系数对所述P个优化子模型进行模型关联；
根据模型关联结果和所述一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述信号数据集进行信号聚合，并依据所述耦合矩阵优化模型构建聚合测试集；
通过所述聚合测试集进行所述耦合矩阵优化模型的模型测试，生成模型测试结果；
根据所述模型测试结果确定弱识别数据，并依据所述弱识别数据进行所述耦合矩阵优化模型的模型优化。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
采集新增基站的新增基站数据集；
根据所述新增基站数据集与所述信号数据集进行数据比对；
判断偏离数据区间是否满足预设偏离范围；
当所述偏离数据区间可以满足所述预设偏离范围时，则基于区别数据进行所述耦合矩阵优化模型的模型增量训练；
根据模型增量训练结果构建增量耦合矩阵优化模型；
通过所述增量耦合矩阵优化模型进行所述新增基站的基站滤波器的生产管理。
8.一种基站滤波器生产系统，其特征在于，所述系统包括：
随机数据集构建模块，所述随机数据集构建模块用于对基站进行信号数据采集，构建基站的信号数据集，并设置数据集约束数量，执行所述信号数据集的数据集随机聚合，构建P个随机数据集；
优化子模型构建模块，所述优化子模型构建模块用于分别对所述P个随机数据集构建P个优化子模型，其中，每一优化子模型均具有初始优化权重，且全部优化子模型的初始优化权重和为1；
增强特征生成模块，所述增强特征生成模块用于读取所述P个优化子模型的模型输出结果，并对所述输出结果进行信号特征提取，生成与P个优化子模型一一对应的增强特征；
第一次迭代优化模块，所述第一次迭代优化模块用于基于信号特征提取结果的信号处理误差重新分布所述P个优化子模型的第一优化权重，根据所述增强特征和所述第一优化权重进行P个优化子模型的第一次迭代优化；
多轮迭代优化模块，所述多轮迭代优化模块用于执行P个优化子模型的多轮迭代优化，当模型处于预设收敛状态或满足预设迭代次数，停止模型迭代；
功能一致性分析模块，所述功能一致性分析模块用于分别对所述P个随机数据集进行数据特征提取，并将数据提取结果与迭代完成的P个优化子模型的模型功能一致性分析；
耦合矩阵优化模型构建模块，所述耦合矩阵优化模型构建模块用于基于一致性分析结果筛选组合所述P个优化子模型，构建耦合矩阵优化模型；
基站滤波器生产管理模块，所述基站滤波器生产管理模块用于根据所述耦合矩阵优化模型进行基站滤波器的生产管理。
CN202310613952.XA 2023-05-29 2023-05-29 一种基站滤波器生产方法 Active CN116340888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310613952.XA CN116340888B (zh) 2023-05-29 2023-05-29 一种基站滤波器生产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310613952.XA CN116340888B (zh) 2023-05-29 2023-05-29 一种基站滤波器生产方法

Publications (2)

Publication Number Publication Date
CN116340888A CN116340888A (zh) 2023-06-27
CN116340888B true CN116340888B (zh) 2023-08-01

Family

ID=86888056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310613952.XA Active CN116340888B (zh) 2023-05-29 2023-05-29 一种基站滤波器生产方法

Country Status (1)

Country Link
CN (1) CN116340888B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106341826A (zh) * 2016-11-03 2017-01-18 国网江苏省电力公司南京供电公司 基于虚拟化技术的面向无线电力专网的资源优化分配方法
CN108306700A (zh) * 2018-03-06 2018-07-20 天津理工大学 一种基于能效博弈的子载波资源分配方法
CN115480212A (zh) * 2022-09-15 2022-12-16 网络通信与安全紫金山实验室 定位方法、装置、基站、存储介质和计算机程序产品

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106341826A (zh) * 2016-11-03 2017-01-18 国网江苏省电力公司南京供电公司 基于虚拟化技术的面向无线电力专网的资源优化分配方法
CN108306700A (zh) * 2018-03-06 2018-07-20 天津理工大学 一种基于能效博弈的子载波资源分配方法
CN115480212A (zh) * 2022-09-15 2022-12-16 网络通信与安全紫金山实验室 定位方法、装置、基站、存储介质和计算机程序产品

Also Published As

Publication number Publication date
CN116340888A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN105786860B (zh) 一种数据建模中的数据处理方法及装置
CN106096727A (zh) 一种基于机器学习的网络模型构造方法及装置
CN109818961B (zh) 一种网络入侵检测方法、装置和设备
CN111695824A (zh) 风险尾端客户分析方法、装置、设备及计算机存储介质
CN105205052A (zh) 一种数据挖掘方法及装置
CN116628451B (zh) 一种待处理信息的高速解析方法
CN114390582B (zh) 基站站址预测方法及装置
CN118037000A (zh) 基于数字经济的城市资源动态调度方法及系统
CN116340888B (zh) 一种基站滤波器生产方法
CN118612260B (zh) 一种基于mesh组网的一站式环境感知治理方法及装置
CN117118689B (zh) 一种不平衡数据物联网入侵检测方法及装置
CN117994665A (zh) 基于轻量级多尺度自适应融合网络模型的岩性识别方法
CN112257332A (zh) 一种仿真模型的评估方法及装置
CN117876018A (zh) 潜在客户识别和预测的方法、装置、电子设备及存储介质
CN113505064B (zh) 一种基于异构信息流的电力大数据业务系统测试方法
CN115169705A (zh) 配送时长预测方法、装置、存储介质及计算机设备
CN115484624A (zh) 数据处理方法、架构、电子设备及存储介质
CN114678114A (zh) 应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统
CN113627585A (zh) 基于长短时记忆神经网络的单井指标预测方法、系统
CN119048811B (zh) 基于玻璃绝缘子的壳体类型智能识别方法及装置
CN117313004B (zh) 一种在物联网中基于深度学习的QoS流分类方法
CN118114754B (zh) 一种基于决策树的混合专家模型的训练方法和装置
CN113570333B (zh) 一种适用于集成的流程设计方法
CN119473634A (zh) 一种基于边缘智能协同的碳计量终端
CN115496323A (zh) 一种基于客户分析和客户预测模型的场景决策方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20250306

Address after: Room 8405C-D, Jiangzao Digital Industrial Park, No. 1195 Liuxian Avenue, Pingshan Community, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province 518055

Patentee after: Hasselman (Shenzhen) Technology Co.,Ltd.

Country or region after: China

Address before: No. 3 Guanxiang Road, Baoying County, Yangzhou City, Jiangsu Province 225000

Patentee before: Yangzhou Yinan Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right