CN116938358B - 一种天馈线或天线合路器的驻波比检测数据的处理方法 - Google Patents
一种天馈线或天线合路器的驻波比检测数据的处理方法 Download PDFInfo
- Publication number
- CN116938358B CN116938358B CN202310951763.3A CN202310951763A CN116938358B CN 116938358 B CN116938358 B CN 116938358B CN 202310951763 A CN202310951763 A CN 202310951763A CN 116938358 B CN116938358 B CN 116938358B
- Authority
- CN
- China
- Prior art keywords
- data
- wave ratio
- abnormal
- standing
- abnormal data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 120
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000013450 outlier detection Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 8
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/29—Performance testing
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种天馈线或天线合路器的驻波比检测数据的处理方法,属于通信技术领域,采用离群值检测算法对异常数据进行筛选,构建异常数据集合,提取异常数据的特征,利用机器学习算法识别异常数据,解决了对驻波比数据进行对数据进行归类和异常值检测筛选的技术问题,本发明对获得的SWR数据按时间段进行归类,可以帮助分析系统性能的变化趋势和可能出现的周期性问题,本发明对原始驻波比数据进行异常值测算,可以有效的过滤异常数据,避免对数据的干扰,本发明采用机器学习算法最终对异常值进行识别,简化了批量测试时对异常值进行判断的步骤,提高了测试效率。
Description
技术领域
本发明属于通信技术领域,特别涉及一种天馈线或天线合路器的驻波比检测数据的处理方法。
背景技术
在无线通信系统中,天馈线和天线合路器是关键的组件,它们负责将信号从传输设备传送到天线,并将接收到的信号传递给接收设备。驻波比(Standing Wave Ratio,SWR)是衡量天馈线或天线合路器性能的重要参数之一。SWR是指天线端口的输入阻抗与馈线系统阻抗之间的比值,它反映了信号在天线系统中的匹配程度。
对于天馈线或天线合路器的性能评估和故障检测,SWR的检测和数据处理变得尤为重要。通过使用矢量网络分析仪等测试设备,可以获取大量的SWR检测数据。然而,原始的SWR数据可能存在噪声、误差和异常值,这些因素会影响对天线系统匹配性能的准确评估。
发明内容
本发明的目的是提供一种天馈线或天线合路器的驻波比检测数据的处理方法,解决了对驻波比数据进行对数据进行归类和异常值检测筛选的技术问题。
为实现上述目的,本发明采用以下技术方案:
一种天馈线或天线合路器的驻波比检测数据的处理方法,包括如下步骤:
步骤1:测试前对一个待测试的天馈线或天线合路器预设一个编号,记为天线编号;
将待测试的天馈线或天线合路器连接到矢量网络分析仪的测试端口,矢量网络分析仪用于测量天馈线或天线合路器的驻波比数据,记为原始驻波比数据,并将原始驻波比数据发送给上位机;
步骤2:上位机接收到原始驻波比数据后,利用时间戳和天线编号对原始驻波比数据进行命名,得到原始驻波比数据的原始数据ID号;
步骤3:在上位机中预设一个单位时间段,上位机对所有原始驻波比数据按单位时间段进行归类,得到多组原始驻波比数据集合;
步骤4:在上位机中选取任意一组原始驻波比数据集合,采用离群值检测算法对异常数据进行筛选,得到原始驻波比数据集合中的正常数据和异常数据,将正常数据保留在原始驻波比数据集合中,并对原始驻波比数据集合名字修改为正常数据集合,同时将异常数据放入一个异常数据集合中;
步骤5:根据步骤4的方法对多组原始驻波比数据集合进行筛选,得到多个正常数据集合,将正常数据集合做图表化处理,并通过显示屏进行展示;
步骤6:在经过步骤1到步骤5的数据处理后,会得到待测试的天馈线或天线合路器对应的异常数据集合,上位机对异常数据集合中的数据进行特征提取,得到异常数据的特征;
步骤7:上位机利用机器学习算法来学习异常数据集合中的异常数据的特征,制定对异常数据进行识别的规则;
步骤8:在对与待测试的天馈线或天线合路器同批次的天馈线或天线合路器进行测试时,根据步骤7得到的规则直接对异常数据进行识别。
优选的,在执行步骤4时,离群值检测算法具体包括如下步骤:
步骤4-1:在原始驻波比数据集合中任意选取一个数据点SWR_t_id,其中t表示时间戳,id表示原始数据ID号;
分别采用箱线图法、Z-Score方法和3-Sigma方法对数据点SWR_t_id进行离群值计算,分别得到三个筛选结果;
步骤4-2:对步骤4-1得到的三个筛选结果进行异常值筛选:当有任意两个筛选结果均识别为离群值时,判断数据点SWR_t_id为异常数据,并将数据点SWR_t_id放入一个异常数据集合中,执行步骤4-3;当识别为离群值的筛选结果少于2个时,判断数据点SWR_t_id为正常数据,并保留在原始驻波比数据集合,执行步骤4-3;
步骤4-3:根据步骤4-1和步骤4-2的方法对原始驻波比数据集合中的所有数据点进行异常值筛选,将筛选过后的原始驻波比数据集合标记为正常数据集合。
优选的,在执行步骤6时,对异常数据集合中的数据进行特征提取具体包括对异常值所在的数据集合进行分布建模,提取异常值在分布中的位置或概率密度信息,将位置或概率密度信息作为异常数据的特征。
5.优选的,在执行步骤7时,包括如下步骤:
步骤7-1:初始化聚类中心点,包括随机选择K个异常数据作为初始的K个聚类中心点,K为预先设定的聚类的数量;
步骤7-2:分配异常数据到最近的聚类中心点,包括对于异常数据集合中的任意一个异常数据g,根据异常数据的特征,采用欧式距离算法计算其与每一个聚类中心点的距离;
将异常数据g分配到距离最近的聚类聚类中心点所对应的聚类中;
步骤7-3:根据步骤7-2的方法对异常数据集合中的所有异常数据进行分配;
步骤7-4:对于每一个聚类,计算其包含的所有异常数据的特征的平均值,将该平均值作为新的聚类中心点;
步骤7-5:重复步骤7-2到步骤7-4的方法,直到聚类中心点达到预设的迭代次数,最终得到Km个聚类中心点以及每一个异常数据所属的聚类;
步骤7-6:制定对异常数据进行识别的规则包括:将新获取的原始驻波比数据与异常数据集合的分布进行比较,提取新获取的原始驻波比数据在分布中的位置或概率密度信息,并作为新获取的原始驻波比数据的特征;
将得到的Km个聚类中心点均作为判定点,对于新获取的原始驻波比数据,采用欧式距离计算算法分别计算自身与所有判定点之间的距离:若都超出预设距离阈值,则判断为正常数据;反之,则判断为异常数据。
本发明所述的一种天馈线或天线合路器的驻波比检测数据的处理方法,解决了对驻波比数据进行对数据进行归类和异常值检测筛选的技术问题,本发明对获得的SWR数据按时间段进行归类,可以帮助分析系统性能的变化趋势和可能出现的周期性问题,本发明对原始驻波比数据进行异常值测算,可以有效的过滤异常数据,避免对数据的干扰,本发明采用机器学习算法最终对异常值进行识别,简化了批量测试时对异常值进行判断的步骤,提高了测试效率。
附图说明
图1是本发明的主流程图;
图2是本发明的步骤4的流程图;
图3是本发明的步骤7的流程图。
具体实施方式
如图1-图3所示的一种天馈线或天线合路器的驻波比检测数据的处理方法,包括如下步骤:
步骤1:测试前对一个待测试的天馈线或天线合路器预设一个编号,记为天线编号;
将待测试的天馈线或天线合路器连接到矢量网络分析仪的测试端口,矢量网络分析仪用于测量天馈线或天线合路器的驻波比数据,记为原始驻波比数据,并将原始驻波比数据发送给上位机;
驻波比(Standing Wave Ratio,简称SWR)是用于描述电传输线或天线系统中信号反射和匹配情况的一个无量纲参数。它是衡量信号在传输线上反射和透射的特性,用于评估传输线的匹配性能和天线系统的有效性。
在电传输线或天线系统中,如果信号能够完全传输到目标装置而没有反射,则驻波比为1。如果信号完全反射,没有传输到目标装置,则驻波比为无穷大。驻波比越接近于1,表示传输线或天线系统的匹配性能越好,反射损耗越小。反之,驻波比越大,表示存在更多的信号反射和不匹配,系统的传输效率较低。
驻波比的测量可以通过各种测试设备,例如矢量网络分析仪(Vector NetworkAnalyzer,简称VNA)来实现。对于天线系统,较好的驻波比可以提高信号传输效率,减少信号的反射损耗,从而更好地传输和接收信号。
VNA是一种高频测量仪器,可以测量S参数(散射参数),包括驻波比、回波损耗、插入损耗等。
测试过程中,VNA会输出测试数据,包括驻波比、回波损耗、插入损耗等信息,本实施例中主要处理驻波比的数据。
驻波比的公式如下:
以上两个公式为等效公式,其中г表示反射系数,表示信号的反射情况,Vmax是传输线上的电压幅值的最大值,Vmin是传输线上的电压幅值的最小值。
判断驻波比是否正常是根据测试需求和实际应用,自定义设定合理的驻波比范围。
步骤2:上位机接收到原始驻波比数据后,利用时间戳和天线编号对原始驻波比数据进行命名,得到原始驻波比数据的原始数据ID号;
步骤3:在上位机中预设一个单位时间段,上位机对所有原始驻波比数据按单位时间段进行归类,得到多组原始驻波比数据集合;
步骤4:在上位机中选取任意一组原始驻波比数据集合,采用离群值检测算法对异常数据进行筛选,得到原始驻波比数据集合中的正常数据和异常数据,将正常数据保留在原始驻波比数据集合中,并对原始驻波比数据集合名字修改为正常数据集合,同时将异常数据放入一个异常数据集合中;
在执行步骤4时,离群值检测算法具体包括如下步骤:
步骤4-1:在原始驻波比数据集合中任意选取一个数据点SWR_t_id,其中t表示时间戳,id表示原始数据ID号;
分别采用箱线图法、Z-Score方法和3-Sigma方法对数据点SWR_t_id进行离群值计算,分别得到三个筛选结果;
箱线图法:
首先根据数据计算驻波比的上四分位数据Q3和下四分位数Q1;
然后计算四分位距IQR,即IQR=Q3-Q1;
再然后根据IQR,计算上界和下界:
上界=Q3+1.5×IQR;
下界=Q1-1.5×IQR;
最后据中小于下界或大于上界的值被认为是离群值。
Z-Score方法:
首先计算驻波比数据的均值(mean)和标准差(std);
然后对每个数据点计算Z-Score,即Z=(x-mean)/std,其中x是数据点的;
最后绝对值大于阈值(通常取2或3)的Z-Score被认为是离群值。
3-Sigma方法:
首先计算驻波比数据的均值(mean)和标准差(std);
然后判断每个数据点是否超过了均值加减3倍标准差的范围,即判断|x-mean|>3×std;
最后超出这个范围的数据点被认为是离群值。
步骤4-2:对步骤4-1得到的三个筛选结果进行异常值筛选:当有任意两个筛选结果均识别为离群值时,判断数据点SWR_t_id为异常数据,并将数据点SWR_t_id放入一个异常数据集合中,执行步骤4-3;当识别为离群值的筛选结果少于2个时,判断数据点SWR_t_id为正常数据,并保留在原始驻波比数据集合,执行步骤4-3;
步骤4-3:根据步骤4-1和步骤4-2的方法对原始驻波比数据集合中的所有数据点进行异常值筛选,将筛选过后的原始驻波比数据集合标记为正常数据集合。
步骤5:根据步骤4的方法对多组原始驻波比数据集合进行筛选,得到多个正常数据集合,将正常数据集合做图表化处理,并通过显示屏进行展示;
步骤6:在经过步骤1到步骤5的数据处理后,会得到待测试的天馈线或天线合路器对应的异常数据集合,上位机对异常数据集合中的数据进行特征提取,得到异常数据的特征;
在执行步骤6时,对异常数据集合中的数据进行特征提取具体包括对异常值所在的数据集合进行分布建模,提取异常值在分布中的位置或概率密度信息,将位置或概率密度信息作为异常数据的特征。
步骤7:上位机利用机器学习算法来学习异常数据集合中的异常数据的特征,制定对异常数据进行识别的规则;
本实施例中采用K-Means算法来识别异常数据,在执行步骤7时,包括如下步骤:
步骤7-1:初始化聚类中心点,包括随机选择K个异常数据作为初始的K个聚类中心点,K为预先设定的聚类的数量;
步骤7-2:分配异常数据到最近的聚类中心点,包括对于异常数据集合中的任意一个异常数据g,根据异常数据的特征,采用欧式距离算法计算其与每一个聚类中心点的距离;
将异常数据g分配到距离最近的聚类聚类中心点所对应的聚类中;
步骤7-3:根据步骤7-2的方法对异常数据集合中的所有异常数据进行分配;
步骤7-4:对于每一个聚类,计算其包含的所有异常数据的特征的平均值,将该平均值作为新的聚类中心点;
步骤7-5:重复步骤7-2到步骤7-4的方法,直到聚类中心点达到预设的迭代次数,最终得到Km个聚类中心点以及每一个异常数据所属的聚类;
步骤7-6:制定对异常数据进行识别的规则包括:将新获取的原始驻波比数据与异常数据集合的分布进行比较,提取新获取的原始驻波比数据在分布中的位置或概率密度信息,并作为新获取的原始驻波比数据的特征;
将得到的Km个聚类中心点均作为判定点,对于新获取的原始驻波比数据,采用欧式距离计算算法分别计算自身与所有判定点之间的距离:若都超出预设距离阈值,则判断为正常数据;反之,则判断为异常数据。
本实施例中,异常数据集合通常会形成一个数据分布,例如正态分布或者其他类型的分布。这个数据分布反映了异常数据在不同取值范围内的频率。
将新的数据点放入已有的异常数据集合中,计算新数据在数据集合中的位置。位置可以通过计算新数据点与异常数据集合的均值、中位数等来确定。
将新数据的位置与异常数据集合的分布进行比较。如果新数据的位置落在异常数据集合的高频率区域,意味着新数据的取值在已有异常数据中较为常见,可能是正常的行为。相反,如果新数据的位置落在异常数据集合的低频率区域,意味着新数据的取值在已有异常数据中较为罕见,可能是异常数据。
步骤8:在对与待测试的天馈线或天线合路器同批次的天馈线或天线合路器进行测试时,根据步骤7得到的规则直接对异常数据进行识别。
本发明所述的一种天馈线或天线合路器的驻波比检测数据的处理方法,解决了对驻波比数据进行对数据进行归类和异常值检测筛选的技术问题,本发明对获得的SWR数据按时间段进行归类,可以帮助分析系统性能的变化趋势和可能出现的周期性问题,本发明对原始驻波比数据进行异常值测算,可以有效的过滤异常数据,避免对数据的干扰,本发明采用机器学习算法最终对异常值进行识别,简化了批量测试时对异常值进行判断的步骤,提高了测试效率。
Claims (2)
1.一种天馈线或天线合路器的驻波比检测数据的处理方法,其特征在于:包括如下步骤:
步骤1:测试前对一个待测试的天馈线或天线合路器预设一个编号,记为天线编号;
将待测试的天馈线或天线合路器连接到矢量网络分析仪的测试端口,矢量网络分析仪用于测量天馈线或天线合路器的驻波比数据,记为原始驻波比数据,并将原始驻波比数据发送给上位机;
步骤2:上位机接收到原始驻波比数据后,利用时间戳和天线编号对原始驻波比数据进行命名,得到原始驻波比数据的原始数据ID号;
步骤3:在上位机中预设一个单位时间段,上位机对所有原始驻波比数据按单位时间段进行归类,得到多组原始驻波比数据集合;
步骤4:在上位机中选取任意一组原始驻波比数据集合,采用离群值检测算法对异常数据进行筛选,得到原始驻波比数据集合中的正常数据和异常数据,将正常数据保留在原始驻波比数据集合中,并对原始驻波比数据集合名字修改为正常数据集合,同时将异常数据放入一个异常数据集合中;
在执行步骤4时,离群值检测算法具体包括如下步骤:
步骤4-1:在原始驻波比数据集合中任意选取一个数据点SWR_t_id,其中t表示时间戳,id表示原始数据ID号;
分别采用箱线图法、Z-Score方法和3-Sigma方法对数据点SWR_t_id进行离群值计算,分别得到三个筛选结果;
步骤4-2:对步骤4-1得到的三个筛选结果进行异常值筛选:当有任意两个筛选结果均识别为离群值时,判断数据点SWR_t_id为异常数据,并将数据点SWR_t_id放入一个异常数据集合中,执行步骤4-3;当识别为离群值的筛选结果少于2个时,判断数据点SWR_t_id为正常数据,并保留在原始驻波比数据集合,执行步骤4-3;
步骤4-3:根据步骤4-1和步骤4-2的方法对原始驻波比数据集合中的所有数据点进行异常值筛选,将筛选过后的原始驻波比数据集合标记为正常数据集合;
步骤5:根据步骤4的方法对多组原始驻波比数据集合进行筛选,得到多个正常数据集合,将正常数据集合做图表化处理,并通过显示屏进行展示;
步骤6:在经过步骤1到步骤5的数据处理后,会得到待测试的天馈线或天线合路器对应的异常数据集合,上位机对异常数据集合中的数据进行特征提取,得到异常数据的特征;
步骤7:上位机利用机器学习算法来学习异常数据集合中的异常数据的特征,制定对异常数据进行识别的规则;
在执行步骤7时,包括如下步骤:
步骤7-1:初始化聚类中心点,包括随机选择K个异常数据作为初始的K个聚类中心点,K为预先设定的聚类的数量;
步骤7-2:分配异常数据到最近的聚类中心点,包括对于异常数据集合中的任意一个异常数据g,根据异常数据的特征,采用欧式距离算法计算其与每一个聚类中心点的距离;
将异常数据g分配到距离最近的聚类中心点所对应的聚类中;
步骤7-3:根据步骤7-2的方法对异常数据集合中的所有异常数据进行分配;
步骤7-4:对于每一个聚类,计算其包含的所有异常数据的特征的平均值,将该平均值作为新的聚类中心点;
步骤7-5:重复步骤7-2到步骤7-4的方法,直到聚类中心点达到预设的迭代次数,最终得到Km个聚类中心点以及每一个异常数据所属的聚类;
步骤7-6:制定对异常数据进行识别的规则包括:将新获取的原始驻波比数据与异常数据集合的分布进行比较,提取新获取的原始驻波比数据在分布中的位置或概率密度信息,并作为新获取的原始驻波比数据的特征;
将得到的Km个聚类中心点均作为判定点,对于新获取的原始驻波比数据,采用欧式距离计算算法分别计算自身与所有判定点之间的距离:若都超出预设距离阈值,则判断为正常数据;反之,则判断为异常数据;
步骤8:在对与待测试的天馈线或天线合路器同批次的天馈线或天线合路器进行测试时,根据步骤7得到的规则直接对异常数据进行识别。
2.如权利要求1所述的一种天馈线或天线合路器的驻波比检测数据的处理方法,其特征在于:在执行步骤6时,对异常数据集合中的数据进行特征提取具体包括对异常值所在的数据集合进行分布建模,提取异常值在分布中的位置或概率密度信息,将位置或概率密度信息作为异常数据的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310951763.3A CN116938358B (zh) | 2023-07-31 | 2023-07-31 | 一种天馈线或天线合路器的驻波比检测数据的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310951763.3A CN116938358B (zh) | 2023-07-31 | 2023-07-31 | 一种天馈线或天线合路器的驻波比检测数据的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116938358A CN116938358A (zh) | 2023-10-24 |
CN116938358B true CN116938358B (zh) | 2024-06-14 |
Family
ID=88386034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310951763.3A Active CN116938358B (zh) | 2023-07-31 | 2023-07-31 | 一种天馈线或天线合路器的驻波比检测数据的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116938358B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118033247A (zh) * | 2024-02-02 | 2024-05-14 | 中国南方航空股份有限公司 | 一种飞机天馈线健康状态检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102215075A (zh) * | 2011-06-03 | 2011-10-12 | 大唐移动通信设备有限公司 | 一种对天线进行驻波检测的方法及装置 |
CN106454887A (zh) * | 2015-08-13 | 2017-02-22 | 中兴通讯股份有限公司 | 一种基站天馈设备驻波比位置获取方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912068A (zh) * | 2017-03-17 | 2017-06-30 | 珠海银邮光电技术发展股份有限公司 | 一种基于rfid技术的天馈线驻波比定性监测方法 |
CN107846698B (zh) * | 2017-10-26 | 2021-03-05 | 珠海市联电科技有限公司 | 一种驻波比测量方法和装置 |
CN110851422A (zh) * | 2019-11-06 | 2020-02-28 | 国家计算机网络与信息安全管理中心山西分中心 | 一种基于机器学习的数据异常监测模型构建方法 |
CN113301600A (zh) * | 2021-07-27 | 2021-08-24 | 南京中网卫星通信股份有限公司 | 卫星与无线通信融合网络性能的异常数据检测方法和装置 |
-
2023
- 2023-07-31 CN CN202310951763.3A patent/CN116938358B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102215075A (zh) * | 2011-06-03 | 2011-10-12 | 大唐移动通信设备有限公司 | 一种对天线进行驻波检测的方法及装置 |
CN106454887A (zh) * | 2015-08-13 | 2017-02-22 | 中兴通讯股份有限公司 | 一种基站天馈设备驻波比位置获取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116938358A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116938358B (zh) | 一种天馈线或天线合路器的驻波比检测数据的处理方法 | |
CN110676940B (zh) | 一种提高参数辨识精度的配电网pmu配置方法及系统 | |
CN109444721A (zh) | 检测s参数的方法及终端设备 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN111985684B (zh) | 一种应用于远距离的长波地波传播时延时变特性预测方法 | |
CN113010577B (zh) | 电缆绝缘缺陷检测方法、装置及终端设备 | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN115616374B (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
CN109873286A (zh) | 一种射频电缆组件相位一致性装配方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN118091234B (zh) | 一种用于故障诊断处理的电流互感器 | |
CN114528721A (zh) | 一种电缆中间接头绝缘状态评估方法及系统 | |
CN112101486B (zh) | 芯片筛选方法、装置、电子设备和可读存储介质 | |
CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN117827568A (zh) | 测试设备稳定性的监控方法、装置、电子设备和存储介质 | |
CN110954818B (zh) | 一种中间继电器线圈软故障检测方法 | |
EP3833089A1 (en) | Automated narrow peak interference severity estimation | |
US20220050011A1 (en) | Apparatus and method for performing time domain reflectormetry | |
Zhao et al. | Defect Diagnosis Method of Cable Shielding Layer Based on Frequency Domain Reflection Coefficient Spectrum | |
Cao et al. | DeepFaultNet: Predicting fault severity of communication cable with Hybrid-ResCNN | |
CN115902389B (zh) | 量子比特频率的测量方法、量子测控系统及量子计算机 | |
CN113625125B (zh) | 一种配电网的高阻接地故障检测方法、装置和设备 | |
CN117792526B (zh) | 一种天线射频性能的测试系统及方法 | |
CN112798865B (zh) | 一种阻抗测试分析方法及装置 |
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 |