CN116827459B - 一种无线通信网络设备性能测试方法 - Google Patents
一种无线通信网络设备性能测试方法 Download PDFInfo
- Publication number
- CN116827459B CN116827459B CN202311103326.2A CN202311103326A CN116827459B CN 116827459 B CN116827459 B CN 116827459B CN 202311103326 A CN202311103326 A CN 202311103326A CN 116827459 B CN116827459 B CN 116827459B
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- performance
- test
- data
- equipment
- 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
Links
- 230000006854 communication Effects 0.000 title claims abstract description 88
- 238000004891 communication Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011056 performance test Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 120
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 56
- 238000005562 fading Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/364—Delay profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信网络技术领域，公开了一种无线通信网络设备性能测试方法，设置自适应阵列，该阵列由多个无线接收和发送节点组成，每个节点都能够独立接收和发送数据，使用该自适应阵列进行无线通信设备的性能测试，测试包括但不限于数据传输速率、延迟、误码率或信号质量方面的性能，采集测试数据，包括但不限于接收和发送的数据量、传输时间、误码数量和信号质量，使用马尔可夫链蒙特卡洛方法和神经网络智能算法对采集的测试数据进行分析，建立传输信道模型，得出设备的性能偏差及优化方向，输出无线通信设备的性能评估结果。该方法通过自适应阵列与自动分析算法进行无线通信设备的性能测试，能够准确、快速地评估无线通信设备的性能。
Description
技术领域
本发明涉及无线通信网络技术领域，具体为一种无线通信网络设备性能测试方法。
背景技术
随着移动通信的快速发展，各类无线通信网络设备被广泛使用。这些设备的性能直接影响网络的传输速率、可靠性和稳定性。因此，对无线通信网络设备进行全面和准确的性能测试非常必要。
现有的无线通信网络设备测试方法主要采用laboratory测试和field测试。Laboratory测试可以在可控环境下进行，但难以模拟各种复杂环境对设备性能的影响。Field测试虽然是在实际环境下进行，但是测试条件难以重复，结果稳定性差。另外，现有测试设备只能对某一项指标进行被动测试，不能主动根据环境变化调整测试信号。测试数据的后处理主要依赖简单统计分析，不能深入挖掘结果价值。
因此，现有无线通信网络设备性能测试方法存在测试环境不足、测试手段局限、测试数据处理不充分等问题。为此，需要设计相应的技术方案给予解决。
发明内容
针对现有技术的不足，本发明提供了一种无线通信网络设备性能测试方法，解决了测试环境不足、测试手段局限、测试数据处理不充分的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种无线通信网络设备性能测试方法，方法步骤包括如下：
S1、设置自适应阵列，该阵列由多个无线接收和发送节点组成，每个节点都能够独立接收和发送数据，自适应阵列中的节点采用智能天线阵列，可以根据环境变化自动调整每个天线单元的相位、振幅和频率参数，从而实时优化天线阵列的方向；
S2、使用该自适应阵列进行无线通信设备的性能测试，使用自适应阵列进行设备性能测试时，采用最小均方差MMSE算法adaptive filters（自适应滤波器）来实时优化阵列权重系数，其中：
Wiener filter solution（滤波解）：
W = R^-1 * P；
R = E[X X^H]；
P = E[X * Y]；
式中，X表示接收信号，Y表示期望参考信号，W是Wiener filter（滤波器）权重，R为输入信号的自相关矩阵，P为输入信号和期望信号的互相关矩阵，通过Wiener filter可以估计信道的频率响应；
测试包括但不限于数据传输速率、延迟、误码率或信号质量方面的性能，测试过程中，自适应阵列可以模拟不同的多径环境，通过调整每个节点的相位、振幅和频率参数，人为地在测试信道上引入衰落和多径效应，对被测试设备的抗多径能力进行全面的测试；
S3、采集测试数据，包括但不限于接收和发送的数据量、传输时间、误码数量和信号质量，并使用自相关分析或小波分析算法，分析测试信号的时域特征、频域特征，获得信道的传输函数、频率响应和时延扩展参数；
S4、使用马尔可夫链蒙特卡洛方法和神经网络智能算法对采集的测试数据进行分析，建立传输信道模型，
使用支持向量机SVM模型对测试数据进行分类与回归分析，建立设备性能评估模型，其中：
SVM 目标函数：
；
其中w是分界超平面法向量，C为惩罚系数，xi表示输入样本，yi为样本标签，通过求解最优化目标函数可以得到性能评估模型，
获得无线通信设备在该信道下的理论传输上限，并与测试结果进行对比，得出设备的性能偏差及优化方向，输出无线通信设备的性能评估结果。
优选的，所述无线通信设备的性能测试可以在不同的环境条件下进行，包括但不限于不同的信号强度、网络拥堵程度、干扰强度、多种移动速度、复杂多路径场景、极端天气环境、空中立体化测试、太空环境模拟、生物组织传输测试、长时间可靠性和功率自适应测试。
优选的，所述无线通信设备的性能测试可以在设备的不同工作模式下进行，包括但不限于待机模式、数据传输模式、低功耗模式、天线工作模式、网络协议模式、加密传输模式、多用户场景模式、分组丢失模式、载波聚合模式、基站协作模式和自组网模式。
优选的，所述采集的测试数据还包括设备的工作状态数据，如设备的电池电量、CPU使用率、设备的能量消耗、设备的热量排放、设备的无线信号质量、设备的移动性或设备的故障记录。
优选的，无线通信设备的性能测试可以对设备的所有无线通信接口进行，包括但不限于蓝牙、Wi-Fi、4G、5G、量子通信或生物电磁通信接口。
进一步改进地，无线通信设备的性能评估结果还包括设备的工作效率指标，如功耗效率、CPU效率、能量效率、通信能效、任务执行效率、热效率或无线资源利用率。
优选的，步骤S1中，根据环境变化自动调整每个天线单元其他参数，还包括有天线极化方式、辐射方向图、信道带宽、维度、距离、工作频带、阵列收缩、测向校准、功率分配或测量模式。
优选的，步骤S2中，还可以人为地在测试信道上引入长时延时变效应、空间非关联效应、密集多径效应、闪烁衰落效应、相对运动效应、毫米波大尺度衰落、细致多普勒效应、极端干扰效应、频谱拥塞效应或空间非平稳效应。
优选的，步骤S3中，通过测试采集获得的信道参数还包括有时变衰落统计特性、多径衰落Profile、角度扩展、时变干扰、流形状测量、多普勒效应、分集指数、相长或密集多径分布。
优选的，步骤S4中，所述输出无线通信设备的性能评估结果包括有生成评估报告、建立性能数据库、数据可视化、仿真展示、AR/VR场景、开放API接口、移动端应用或自动报告生成。
与现有技术相比，本发明的有益效果：该方法通过自适应阵列与自动分析算法进行无线通信设备的性能测试，能够准确、快速地评估无线通信设备的性能，包括数据传输速率、延迟、信号质量等方面的性能；
相比传统方法，该技术通过调控阵列权重自适应测试信道效应，运用高级算法分析测试数据，可以准确获取设备在复杂环境下的性能参数，与现有技术采用的测试手段和分析方法完全不同，可实现更准确和智能化的无线网络设备测试；相比简单的统计分析，这两种方法可以更好地分析测试数据中包含的综合信息，建立起信道效应与设备性能之间的关系模型，实现从数据到设备性能评估的有效映射，使结果更准确可靠，这与现有测试方法的简单数据统计分析有显著区别；
马尔可夫链蒙特卡洛方法和神经网络这两种智能算法相比传统的统计分析，在分析测试数据和评估设备性能方面有以下几个优势：建模能力强，可以处理更为复杂的非线性关系，无线信道效应和设备性能之间存在复杂的非线性关系，而传统统计分析多基于线性假设，难以描述这种复杂关系；考虑更多影响因素，智能算法可以同时考量多个影响因素及其交互作用对目标的影响，而不仅仅是简单地对某一统计量进行分析；更好地发掘数据内在规律，智能算法通过训练可以自动学习数据中的内在规律，而传统计分析依赖人工特征工程；分析效率更高，相比遍历统计，智能算法可以更快地从海量数据中提取有效信息；提高结果准确度，建立的模型更贴近真实情况，使得从数据到性能评估的映射更加准确；适应更广泛的问题，智能算法拥有更强的扩展性和通用性，适用于不同类型设备的性能评估；更新模型更方便，获取新数据后可以增量训练模型进行更新，而传统方法需要重新建模；综上，智能算法可以让测试分析自动化、智能化，更好地实现从测试数据到设备性能评估的高效映射，给出更准确和可靠的结果。
具体实施方式
下面将结合本发明实施例，对本发明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。
本发明实施例提供一种技术方案：一种无线通信网络设备性能测试方法，方法步骤包括如下：
S1、设置自适应阵列，该阵列由多个无线接收和发送节点组成，每个节点都能够独立接收和发送数据，自适应阵列中的节点采用智能天线阵列，可以根据环境变化自动调整每个天线单元的相位、振幅和频率参数，从而实时优化天线阵列的方向；
S2、使用该自适应阵列进行无线通信设备的性能测试，使用自适应阵列进行设备性能测试时，采用最小均方差MMSE算法adaptive filters来实时优化阵列权重系数，其中：
Wiener filter solution：
W = R^-1 * P；
R = E[X X^H]；
P = E[X * Y]；
式中，X表示接收信号，Y表示期望参考信号，W是Wiener filter 权重，R为输入信号的自相关矩阵，P为输入信号和期望信号的互相关矩阵，通过Wiener filter可以估计信道的频率响应；
测试包括但不限于数据传输速率、延迟、误码率或信号质量方面的性能，测试过程中，自适应阵列可以模拟不同的多径环境，通过调整每个节点的相位、振幅和频率参数，人为地在测试信道上引入衰落和多径效应，对被测试设备的抗多径能力进行全面的测试；
S3、采集测试数据，包括但不限于接收和发送的数据量、传输时间、误码数量和信号质量，并使用自相关分析或小波分析算法，分析测试信号的时域特征、频域特征，获得信道的传输函数、频率响应和时延扩展参数；
S4、使用马尔可夫链蒙特卡洛方法和神经网络智能算法对采集的测试数据进行分析，建立传输信道模型，
使用支持向量机SVM模型对测试数据进行分类与回归分析，建立设备性能评估模型，其中：
SVM 目标函数：
；
其中w是分界超平面法向量，C为惩罚系数，xi表示输入样本，yi为样本标签，通过求解最优化目标函数可以得到性能评估模型，
获得无线通信设备在该信道下的理论传输上限，并与测试结果进行对比，得出设备的性能偏差及优化方向，输出无线通信设备的性能评估结果。
进一步改进地，所述无线通信设备的性能测试可以在不同的环境条件下进行，包括但不限于不同的信号强度、网络拥堵程度、干扰强度、多种移动速度、复杂多路径场景、极端天气环境、空中立体化测试、太空环境模拟、生物组织传输测试、长时间可靠性和功率自适应测试。
进一步改进地，所述无线通信设备的性能测试可以在设备的不同工作模式下进行，包括但不限于待机模式、数据传输模式、低功耗模式、天线工作模式、网络协议模式、加密传输模式、多用户场景模式、分组丢失模式、载波聚合模式、基站协作模式和自组网模式。
进一步改进地，所述采集的测试数据还包括设备的工作状态数据，如设备的电池电量、CPU使用率、设备的能量消耗、设备的热量排放、设备的无线信号质量、设备的移动性或设备的故障记录。
进一步改进地，无线通信设备的性能测试可以对设备的所有无线通信接口进行，包括但不限于蓝牙、Wi-Fi、4G、5G、量子通信或生物电磁通信接口。
进一步改进地，无线通信设备的性能评估结果还包括设备的工作效率指标，如功耗效率、CPU效率、能量效率、通信能效、任务执行效率、热效率或无线资源利用率。
进一步改进地，步骤S1中，根据环境变化自动调整每个天线单元其他参数，还包括有天线极化方式、辐射方向图、信道带宽、维度、距离、工作频带、阵列收缩、测向校准、功率分配或测量模式。
进一步改进地，步骤S2中，还可以人为地在测试信道上引入长时延时变效应、空间非关联效应、密集多径效应、闪烁衰落效应、相对运动效应、毫米波大尺度衰落、细致多普勒效应、极端干扰效应、频谱拥塞效应或空间非平稳效应。
进一步改进地，步骤S3中，通过测试采集获得的信道参数还包括有时变衰落统计特性、多径衰落Profile、角度扩展、时变干扰、流形状测量、多普勒效应、分集指数、相长或密集多径分布。
具体改进地，步骤S4中，所述输出无线通信设备的性能评估结果包括有生成评估报告、建立性能数据库、数据可视化、仿真展示、AR/VR场景、开放API接口、移动端应用或自动报告生成。
多种移动速度，使用高速公路移动平台，模拟设备在不同移动速度下的性能，如高铁、飞机、汽车；复杂多路径场景，在城市高楼大厦区域构建复杂多径环境，测试设备的多径识别与抗干扰能力；极端天气环境，在雷雨、大雾、沙尘暴等极端天气中测试设备的适应性；空中立体化测试，使用无人机航向不同高度和距离，构建空中立体化无线环境；太空环境模拟，在近地空间环境模拟器内模拟各种层面上的无线散射和衰落；生物组织传输测试，在生物组织样本中进行无线射频测试，评估组织对信号的影响；长时间可靠性，长周期测试，评估设备在数年内的性能衰减程度；功率自适应测试，测试设备基于环境的发射功率自适应与优化功能；可以从更多维度对设备进行全面性能评估，结果更具参考价值，其中涉及到先进的测试平台建设和多学科融合。
天线工作模式测试，测试设备在不同天线模式(MIMO、Beamforming、智能天线)下的性能指标；
网络协议测试，在不同网络协议栈(5G NR、LTE、WiFi6)下进行数据吞吐量、延迟等指标评估；
加密传输测试，测试不同加密算法(AES、RSA)对数据传输性能的影响；
多用户场景测试，在多个用户并发访问的场景下，测试资源调度和服务质量保证的能力；
分组丢失模式测试，在高丢包环境下，评估数据重传与恢复的性能；
载波聚合模式测试，评估同时使用多种无线接入技术的增益效果；
基站协作模式测试，测试不同基站协同工作的性能提升效果；
自组网测试，在去中心化自组网环境下，测试路由选择和网络构建的能力；这些测试场景覆盖了更多设备的工作模式，可以从不同方面全面评估性能，结果更有指导意义，其中也融合了多种前沿的网络技术与场景。
设备的能量消耗：测量设备在运行过程中的能量消耗，这不仅包括电池电量，还包括由其他电源提供的电能。通过测量能量消耗，可以更全面地了解设备的能源效率；设备的热量排放：设备在工作过程中会产生热量。通过测量设备表面温度或散热器的工作状态，可以评估设备的热效率以及散热系统的性能；设备的无线信号质量：除了测量设备的通信性能，如吞吐量和延迟，还可以评估设备的无线信号质量，包括信号强度、信号稳定性、干扰等。这有助于发现设备在信号覆盖、稳定性和抗干扰方面的性能问题；设备的移动性：对于移动设备，如手机和笔记本电脑，测量其移动性能，包括在不同网络环境下的信号覆盖范围、移动速度、切换延迟等，可以评估设备的移动性能和网络适应性；设备的故障记录：收集设备在运行过程中的故障记录，包括错误日志、复位记录、异常事件等，有助于分析设备在各种条件下的稳定性和可靠性；这些数据采集方法超越了现有技术，能够更全面地评估无线通信网络设备的性能，提高设备的能源效率、信号质量和移动性能，同时增强设备的稳定性和可靠性。
量子通信接口：虽然量子通信目前已经在有线通信中得到了实验性的应用，但在无线通信中的应用还处于初级阶段，量子通信的理论基础是量子纠缠，利用这一现象可以实现无需传播介质、瞬间传输信息的通信方式，这种接口可能会对无线通信设备的性能测试带来全新的挑战；生物电磁通信接口：这是一种完全假设性的通信接口，其原理是利用生物体内存在的微弱电磁场进行通信。理论上，如果能够准确地控制和读取这些电磁场，就可能实现无需任何传统无线电设备的通信方式，这种接口的性能测试可能需要引入全新的测试设备和方法。
能量效率是单位时间内设备完成的通信任务所需的能量，通过测量设备的能量消耗和通信任务完成时间，可以计算能量效率，该指标可以用于评估设备的能源管理策略和优化设计；通信能效是指设备在通信过程中消耗的能量与传输的数据量或传输距离的比例，通过测量设备的能量消耗和通信数据量或传输距离，可以计算通信能效，该指标可以用于评估设备的通信效率和能源效率；任务执行效率是指设备在执行特定任务时所需的时间与消耗的能量之比，通过测量设备在执行特定任务时的时间和能量消耗，可以计算任务执行效率，该指标可以用于评估设备的执行性能和能源管理策略；热效率是指设备在工作过程中产生的热量与功耗的比例，通过测量设备的工作温度和功耗，可以计算热效率，该指标可以用于评估设备的散热设计和能源管理策略；无线资源利用率是指设备在无线通信过程中占用的无线资源的使用率，通过测量设备在无线通信过程中占用的频谱、带宽和信道等无线资源的使用情况，可以计算无线资源利用率，该指标可以用于评估设备的无线资源管理和调度策略；这些工作效率指标超越了现有技术，能够更全面地评估无线通信设备的性能和能源管理策略，提高设备的能源利用效率和通信能效，同时降低设备的热量排放和无线资源占用率，具有重要的实用价值和潜在应用前景。
天线极化方式，根据环境中信号的极化状态，自动选择最佳的极化方式，如线性极化、圆极化等；辐射方向图，根据环境和网络需求，调整天线的辐射方向图，实现直辐射、扇区辐射等；信道带宽，根据工作频段环境，调整天线单元的工作带宽；维度，根据测试的等效幅度或者相位，对线阵添加附加维度，实现二维/三维结构；距离，适当调整阵列天线单元之间的距离，以减小阵列的相关性；工作频带，根据环境，在子6GHz、毫米波等不同频带进行切换；阵列收缩，根据测量结果，选择阵列中部分天线单元参与工作；测向校准，基于信号分析结果修正各天线测向偏差；功率分配，动态优化各天线单元的发射功率分配方案；测量模式，根据测试需求，配置各向同性或定向性测量模式；这些调整参数可以实现更智能化和动态化的自适应测试。
长时延时变效应，时变增益和时延特性的测试；空间非关联效应，不同位置信道统计特性不相关；密集多径效应，微反射体造成的极密集多径；闪烁衰落效应，信道衰落具有突发性随机变化；相对运动效应，考虑移动端和基站的相对运动影响；毫米波大尺度衰落，毫米波下信号衰落的大尺度特性；细致多普勒效应，精细化频移，呈高斯或非高斯分布；极端干扰效应，引入针对性极强干扰信号；频谱拥塞效应，考虑不同系统之间的频谱拥塞情况；空间非平稳效应，不同位置信道统计特性随时间变化；这些都是现有技术中不常见但具创新意义的测试效应，可以使测试更贴近实际情况，全面考察设备抗干扰能力。
时变衰落统计特性，获得信道时变衰落的概率分布、相关函数等统计特性；多径衰落 Profile，获取不同多径分量的衰落曲线和功率延迟 Profile；角度扩展，测量信道在空间维度上的角扩展参数；时变干扰，监测信道时变的干扰功率谱分布；流形状测量，借助流形学理论分析信号漫反射效应；多普勒效应，获取信道引起的多普勒频移和扩展效应；分集指数，计算MIMO信道的空间分集指数；相长，测量多个发射/接收路径的相位关系；时延链路，绘制端到端信号的时延链路图；密集多径分布，获得密集多径引起的碎点散射特征；这些参数可以更全面地描述复杂信道，是现有测试手段所欠缺的，同时结合新理论可以获得全新视角。
生成评估报告，可以生成包含设备各项性能指标的数据表、统计图表、评语总结等的详细评估报告，直观展示结果；建立性能数据库，将设备的评估结果存入数据库中，以方便查询和对比不同设备或不同测试时间的性能数据；数据可视化，通过各种可视化的方式呈现结果，如雷达图、热力图、多维图表等，进行交互式的性能分析；仿真展示，使用3D仿真的方式，模拟设备在不同环境下的工作状况，形象展示性能评估结果；AR/VR场景，使用增强现实或虚拟现实，将结果置入实际场景中，进行沉浸式的呈现；开放API接口，提供开放的API接口，以供其他系统或平台调用和获取评估结果数据；移动端应用，开发移动App，使结果可以在移动端进行浏览和展示；自动报告生成，根据结果自动生成评估报告，并以邮件、打印等形式发送给用户；这些多样的呈现方式，可以使评估结果更直观、形象和易于分析，为用户提供便利。
马尔可夫链蒙特卡洛方法：可以使用马尔可夫链来建模无线信道中的路径衰落和多径效应，描绘信道的状态转移概率，然后借助蒙特卡洛方法生成大量的随机状态序列，模拟信道在不同状态下的特征，通过统计分析，可以得出该信道模型下设备的理论性能指标。
神经网络：可以使用神经网络对采集到的原始测试数据进行特征提取，获得影响设备性能的关键特征参数，然后训练网络模型，学习测试数据中的内在规律，建立输入特征参数与设备性能指标之间的映射关系，这样可以从海量的测试数据中提取有用信息，评估设备的性能。
相比简单的统计分析，这两种方法可以更好地分析测试数据中包含的综合信息，建立起信道效应与设备性能之间的关系模型，实现从数据到设备性能评估的有效映射，使结果更准确可靠，这与现有测试方法的简单数据统计分析有显著区别。
马尔可夫链蒙特卡洛方法和神经网络这两种智能算法相比传统的统计分析，在分析测试数据和评估设备性能方面有以下几个优势：
建模能力强，可以处理更为复杂的非线性关系，无线信道效应和设备性能之间存在复杂的非线性关系，而传统统计分析多基于线性假设，难以描述这种复杂关系；
考虑更多影响因素，智能算法可以同时考量多个影响因素及其交互作用对目标的影响，而不仅仅是简单地对某一统计量进行分析；
更好地发掘数据内在规律，智能算法通过训练可以自动学习数据中的内在规律，而传统计分析依赖人工特征工程；
分析效率更高，相比遍历统计，智能算法可以更快地从海量数据中提取有效信息；
提高结果准确度，建立的模型更贴近真实情况，使得从数据到性能评估的映射更加准确；
适应更广泛的问题，智能算法拥有更强的扩展性和通用性，适用于不同类型设备的性能评估；
更新模型更方便，获取新数据后可以增量训练模型进行更新，而传统方法需要重新建模；
综上，智能算法可以让测试分析自动化、智能化，更好地实现从测试数据到设备性能评估的高效映射，给出更准确和可靠的结果。
智能算法相比传统统计分析确实需要更多的计算资源来运行，数据规模更大，智能算法可以处理更多维度、更大规模的数据，这需要更强大的计算能力；计算更密集，模型训练和预测推理需要大量矩阵运算等复杂计算，对硬件有更高要求；存储开销更大，需要存储大量训练数据、模型参数等内容，需要更大的存储空间；并行处理需求更强，为提高效率，智能算法如深度学习常需使用GPU等并行硬件进行加速；能耗更高，相比简单统计，智能算法计算更为复杂，会消耗更多能源；算法调试难度更大，智能算法的结构设计、超参数调试都需要更多时间和精力；随着算力技术的进步，基于云计算和AI芯片等手段，可以提供足够的计算能力来支持智能算法，与此同时，算法和模型压缩技术也在降低智能算法的计算和存储需求，通过硬件和算法上的优化，智能算法的计算需求问题可以得到较好的解决。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种无线通信网络设备性能测试方法，其特征在于，方法步骤包括如下：
S1、设置自适应阵列，该阵列由多个无线接收和发送节点组成，每个节点都能够独立接收和发送数据，自适应阵列中的节点采用智能天线阵列，可以根据环境变化自动调整每个天线单元的相位、振幅和频率参数，从而实时优化天线阵列的方向；
S2、使用该自适应阵列进行无线通信设备的性能测试，使用自适应阵列进行设备性能测试时，采用最小均方差MMSE算法adaptive filters来实时优化阵列权重系数，其中，
Wiener filter solution：
W = R^-1 * P；
R = E[X X^H]；
P = E[X * Y]；
式中，X表示接收信号，Y表示期望参考信号，W是Wiener filter 权重，R为输入信号的自相关矩阵，P为输入信号和期望信号的互相关矩阵，通过Wiener filter可以估计信道的频率响应；
测试包括但不限于数据传输速率、延迟、误码率或信号质量方面的性能，测试过程中，自适应阵列可以模拟不同的多径环境，通过调整每个节点的相位、振幅和频率参数，人为地在测试信道上引入衰落和多径效应，对被测试设备的抗多径能力进行全面的测试；
S3、采集测试数据，包括但不限于接收和发送的数据量、传输时间、误码数量和信号质量，并使用自相关分析或小波分析算法，分析测试信号的时域特征、频域特征，获得信道的传输函数、频率响应和时延扩展参数；
S4、使用马尔可夫链蒙特卡洛方法和神经网络智能算法对采集的测试数据进行分析，建立传输信道模型，
使用支持向量机SVM模型对测试数据进行分类与回归分析，建立设备性能评估模型，其中：
SVM 目标函数：
；
其中w是分界超平面法向量，C为惩罚系数，xi表示输入样本，yi为样本标签，通过求解最优化目标函数可以得到性能评估模型，
获得无线通信设备在该信道下的理论传输上限，并与测试结果进行对比，得出设备的性能偏差及优化方向，输出无线通信设备的性能评估结果。
2.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：所述无线通信设备的性能测试可以在不同的环境条件下进行，包括但不限于不同的信号强度、网络拥堵程度、干扰强度、多种移动速度、复杂多路径场景、极端天气环境、空中立体化测试、太空环境模拟、生物组织传输测试、长时间可靠性和功率自适应测试。
3.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：所述无线通信设备的性能测试可以在设备的不同工作模式下进行，包括但不限于待机模式、数据传输模式、低功耗模式、天线工作模式、网络协议模式、加密传输模式、多用户场景模式、分组丢失模式、载波聚合模式、基站协作模式和自组网模式。
4.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：所述采集的测试数据还包括设备的工作状态数据，设备的工作状态数据包括但不限于设备的电池电量、CPU使用率、设备的能量消耗、设备的热量排放、设备的无线信号质量、设备的移动性或设备的故障记录。
5.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：所述无线通信设备的性能测试可以对设备的所有无线通信接口进行，包括但不限于蓝牙、Wi-Fi、4G、5G、量子通信或生物电磁通信接口。
6.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：所述无线通信设备的性能评估结果还包括设备的工作效率指标，设备的工作效率包括但不限于指标功耗效率、CPU效率、能量效率、通信能效、任务执行效率、热效率或无线资源利用率。
7.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：步骤S1中，根据环境变化自动调整每个天线单元其他参数，还包括有天线极化方式、辐射方向图、信道带宽、维度、距离、工作频带、阵列收缩、测向校准、功率分配或测量模式。
8.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：步骤S2中，还可以人为地在测试信道上引入长时延时变效应、空间非关联效应、密集多径效应、闪烁衰落效应、相对运动效应、毫米波大尺度衰落、细致多普勒效应、极端干扰效应、频谱拥塞效应或空间非平稳效应。
9.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：步骤S3中，通过测试采集获得的信道参数还包括有时变衰落统计特性、多径衰落Profile、角度扩展、时变干扰、流形状测量、多普勒效应、分集指数、相长或密集多径分布。
10.根据权利要求1所述的一种无线通信网络设备性能测试方法，其特征在于：步骤S4中，所述输出无线通信设备的性能评估结果包括有生成评估报告、建立性能数据库、数据可视化、仿真展示、AR/VR场景、开放API接口、移动端应用或自动报告生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311103326.2A CN116827459B (zh) | 2023-08-30 | 2023-08-30 | 一种无线通信网络设备性能测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311103326.2A CN116827459B (zh) | 2023-08-30 | 2023-08-30 | 一种无线通信网络设备性能测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116827459A CN116827459A (zh) | 2023-09-29 |
| CN116827459B true CN116827459B (zh) | 2023-11-07 |
Family
ID=88117054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311103326.2A Active CN116827459B (zh) | 2023-08-30 | 2023-08-30 | 一种无线通信网络设备性能测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116827459B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117240380B (zh) * | 2023-11-10 | 2024-01-09 | 广东技术师范大学 | 基于无线信息质量评估的电磁波调控方法及系统 |
| CN117336195B (zh) * | 2023-12-01 | 2024-02-06 | 中国西安卫星测控中心 | 一种基于雷达图法的入侵检测模型综合性能评估方法 |
| CN117354838B (zh) * | 2023-12-04 | 2024-02-23 | 贝优特技术有限公司 | 一种无线移动通信网络性能测试装置、系统及方法 |
| CN118569202A (zh) * | 2024-07-31 | 2024-08-30 | 深圳中科系统集成技术有限公司 | 堆叠芯片的信号仿真测试方法及装置 |
| CN118624998A (zh) * | 2024-08-13 | 2024-09-10 | 上海中铁通信信号测试有限公司 | 一种绿色机房电磁辐射的检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1324520A (zh) * | 1998-10-19 | 2001-11-28 | 摩托罗拉公司 | 综合无线通信系统中正交发送分集和自适应阵列技术的方法和系统 |
| CN1357975A (zh) * | 2000-12-14 | 2002-07-10 | 华为技术有限公司 | 用于无线通信系统上行接收自适应阵列的方法及其接收机 |
| CN1672345A (zh) * | 2002-07-30 | 2005-09-21 | 拉瓦尔大学 | 具有子阵列选择的阵列接收机、其使用方法及包含其的接收机系统 |
| CN114125871A (zh) * | 2021-11-25 | 2022-03-01 | 湖南智领通信科技有限公司 | 无线自组织网络性能评估方法及装置 |
| CN116155412A (zh) * | 2023-02-02 | 2023-05-23 | 深圳市大数据研究院 | 无线信道评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2571385C (en) * | 2006-12-18 | 2015-11-24 | University Of Waterloo | Adaptive channel prediction system and method |
-
2023
- 2023-08-30 CN CN202311103326.2A patent/CN116827459B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1324520A (zh) * | 1998-10-19 | 2001-11-28 | 摩托罗拉公司 | 综合无线通信系统中正交发送分集和自适应阵列技术的方法和系统 |
| CN1357975A (zh) * | 2000-12-14 | 2002-07-10 | 华为技术有限公司 | 用于无线通信系统上行接收自适应阵列的方法及其接收机 |
| CN1672345A (zh) * | 2002-07-30 | 2005-09-21 | 拉瓦尔大学 | 具有子阵列选择的阵列接收机、其使用方法及包含其的接收机系统 |
| CN114125871A (zh) * | 2021-11-25 | 2022-03-01 | 湖南智领通信科技有限公司 | 无线自组织网络性能评估方法及装置 |
| CN116155412A (zh) * | 2023-02-02 | 2023-05-23 | 深圳市大数据研究院 | 无线信道评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116827459A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116827459B (zh) | 一种无线通信网络设备性能测试方法 | |
| Han et al. | Propagation modeling for wireless communications in the terahertz band | |
| Jiang et al. | Channel modeling and characteristics for 6G wireless communications | |
| Wu et al. | A general 3-D non-stationary 5G wireless channel model | |
| Lecci et al. | Accuracy versus complexity for mmWave ray-tracing: A full stack perspective | |
| Mostofi et al. | Characterization and modeling of wireless channels for networked robotic and control systems-a comprehensive overview | |
| Zhang et al. | COSMO: CO-simulation with MATLAB and OMNeT++ for indoor wireless networks | |
| Van Eenennaam | A survey of propagation models used in vehicular ad hoc network (vanet) research | |
| Jiang et al. | Channel Modeling in 5G Wireless Communication Systems | |
| Kihero et al. | Wireless channel and interference | |
| Gao et al. | Digital twin enabled 6G radio testing: Concepts, challenges and solutions | |
| He et al. | Wireless Channel Measurement and Modeling in Mobile Communication Scenario: Theory and Application | |
| Börner et al. | On the requirements for quasi-deterministic radio channel models for heterogeneous networks | |
| Paschalidis et al. | Investigation of MPC correlation and angular characteristics in the vehicular urban intersection channel using channel sounding and ray tracing | |
| CN114189302B (zh) | 一种面向用户分散场景的智能电网传输的无线通信信道建模方法 | |
| Dreyer et al. | A comparison of stochastic and deterministic channel models for V2V applications | |
| Aslam et al. | Massive MIMO channel performance analysis considering separation of simultaneous users | |
| Mao et al. | Wireless channel modeling methods: Classification, comparison and application | |
| Mi et al. | Implementation and evaluation of ray-tracing acceleration methods in wireless communication | |
| Liu et al. | Analyzing V2I Channel and Spatial Consistency through Simulation | |
| Fu et al. | Channel simulation and validation by QuaDRiGa for suburban microcells under 6 GHz | |
| Lecci et al. | Accuracy vs. complexity for mmWave ray-tracing: A full stack perspective | |
| Michelson et al. | Measurement and modeling of wireless channels | |
| Wang et al. | Improving the accuracy of environment-specific channel modeling | |
| Idowu-Bismark et al. | Effect of UE height on 3D angular spread of correlated MIMO channel |
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 |