CN117880861A - 一种nb-iot设备的信号强度优化方法及相关设备 - Google Patents
一种nb-iot设备的信号强度优化方法及相关设备 Download PDFInfo
- Publication number
- CN117880861A CN117880861A CN202410287643.2A CN202410287643A CN117880861A CN 117880861 A CN117880861 A CN 117880861A CN 202410287643 A CN202410287643 A CN 202410287643A CN 117880861 A CN117880861 A CN 117880861A
- Authority
- CN
- China
- Prior art keywords
- time period
- signal strength
- neural network
- characteristic parameters
- iot
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 83
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种NB‑IOT设备的信号强度优化方法及相关设备，涉及窄带物联网信号优化技术领域。本申请提供的NB‑IOT设备的信号强度优化方法，首先根据预设的步长对时间划分为多个时间段，获取各个时间段的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集，然后基于BP神经网络进行训练以获得各个时间段对应的信号强度预测模型，从而能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
Description
技术领域
本申请涉及窄带物联网信号优化技术领域，具体而言，涉及一种NB-IOT设备的信号强度优化方法及相关设备。
背景技术
NB-IOT技术是一种窄带物联网通信技术，NB-IOT信号覆盖能力比较强，NB-IOT信号具有多种特征参数，由多种特征参数共同影响NB-IOT信号的强度（特征参数是指影响NB-IOT信号的强度的参数，例如PRB级参数（即物理资源块的参数）为例，包括频带、上下行频点、下行频率偏移率等影响频谱资源的参数，再例如，RACH级参数（即随机接入信道的控制参数），包括前导最大传输次数、前导最大尝试次数、PRACH发送周期等）；但是有部分特征参数与信号强度之间并非线性相关，这就导致NB-IOT信号强度无法通过简单的线性关系进行计算和预测，并且多个特征参数的组合在不同时间段中受到外部因素影响（例如：气候因素、障碍物如人体或交通工具、运营商网络质量等）下，对信号强度的影响不同，因此，如何根据NB-IOT信号的多种特征参数以及不同的时间段对信号强度进行预测，从而对不同时间段的信号强度进行优化，是目前亟待解决的技术问题。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种NB-IOT设备的信号强度优化方法及相关设备，能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
第一方面，本申请提供了一种NB-IOT设备的信号强度优化方法，包括以下步骤：
A1.按预设的步长划分多个时间段；
A2.获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；
A3.基于BP神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；
A4.根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。
通过上述设置，能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
可选地，步骤A2包括：
获取各个时间段对应的多组所述特征参数以及相应的所述实测信号强度，并将每个时间段的多组所述特征参数和对应的所述实测信号强度按8:2随机划分为对应时间段的训练集和测试集。
通过上述设置，能有效地保证模型训练效果和测试验证的准确率。
可选地，步骤A3包括分别为各个时间段构建BP神经网络，并依次以各个时间段为目标时间段执行以下步骤：
把所述目标时间段的训练集的所有样本中各组所述特征参数分别输入所述目标时间段的BP神经网络，以得到所述目标时间段的BP神经网络输出的对应样本的预测信号强度；
根据所有所述预测信号强度和对应样本的所述实测信号强度计算误差函数；
判断所述误差函数是否达到预设要求；
若所述误差函数未达到预设要求，则更新所述目标时间段的BP神经网络的网络参数，并利用所述训练集再次执行上述过程；
若所述误差函数达到预设要求，则停止训练；
利用所述测试集测试所述目标时间段的BP神经网络，通过测试后得到所述目标时间段的信号强度预测模型。
通过上述设置，得到目标时间段的信号强度预测模型。
可选地，所述BP神经网络的激活函数为sigmoid函数；
所述BP神经网络的隐含层为：
；
其中，表示所述隐含层的第/>个节点的输出，/>为激活函数，/>表示所述BP神经网络的输入层的节点数，/>表示所述隐含层的第/>个节点，/>为所述输入层的第i个节点到所述隐含层第j个节点的权重，/>表示所述BP神经网络的输入层的第/>个节点输入的所述特征参数，/>表示所述隐含层第/>个节点的第一偏置；
所述BP神经网络的输出层为：
；
其中，表示所述输出层输出的第k个样本的预测信号强度，/>为所述隐含层的节点数，/>表示所述隐含层的第j个节点到所述输出层的权重，/>表示所述隐含层的第j个节点的第二偏置。
可选地，所述误差函数为：
；
其中，表示误差，/>表示所述训练集的样本总数，/>表示所述训练集的第k个样本的所述实测信号强度。
可选地，所述更新所述目标时间段的BP神经网络的网络参数的步骤包括：
利用以下公式更新所述目标时间段的BP神经网络的权重：
；
其中，为预设的学习率。
可选地，步骤A4包括：
在NB-IOT设备工作过程中，实时采集NB-IOT信号的多个所述特征参数；
将实时采集到的多个所述特征参数输入当前时间段对应的所述信号强度预测模型，得到所述信号强度预测模型输出的预测信号强度，记为实时预测信号强度；
判断所述实时预测信号强度是否达到预设期望；
若未达到所述预设期望，则调整至少一个所述特征参数，直到实时预测信号强度达到所述预设期望，则完成优化。
第二方面，本申请还提供了一种NB-IOT设备的信号强度优化装置，包括：
划分模块，用于按预设的步长划分多个时间段；
获取模块，用于获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；
训练模块，用于基于BP神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；
优化模块，用于根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。
第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的一种NB-IOT设备的信号强度优化方法中的步骤。
第四方面，本申请提供一种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运行如上述第一方面提供的一种NB-IOT设备的信号强度优化方法中的步骤。
由上可知，本申请提供的NB-IOT设备的信号强度优化方法及相关设备，首先根据预设的步长对时间划分为多个时间段，获取各个时间段的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集，然后基于BP神经网络进行训练以获得各个时间段对应的信号强度预测模型，从而能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本申请实施例提供的NB-IOT设备的信号强度优化方法的一种流程图。
图2为本申请实施例提供的NB-IOT设备的信号强度优化装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
标号说明：21、划分模块；22、获取模块；23、训练模块；24、优化模块；3、电子设备；301、处理器；302、存储器；303、通信总线。
具体实施方式
下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的NB-IOT设备的信号强度优化方法的流程图。NB-IOT设备的信号强度优化方法包括以下步骤：
A1.按预设的步长划分多个时间段；
A2.获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；训练集和测试集均包括多个样本，每个样本包括一组特征参数与对应的实测信号强度；
A3.基于BP神经网络，根据训练集和测试集训练获取各个时间段的信号强度预测模型；
A4.根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化。
具体地，由于现有技术并未考虑环境和时间的外部因素对于NB-IOT信号强度的干扰，因此，本申请根据预设的步长对时间划分为多个时间段，例如，对一天的24小时划分为多个时间段，预设步长为2小时、3小时或4小时，即可将一天划分的时间段数对应为12个、8个或6个时间段，也可以对一周划分为多个时间段，预设步长为1天，则可将一周划分为7个时间段，但不限于如此，可根据实际需要设置步长和被划分时间段；获取各个时间段的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集，然后基于BP神经网络进行训练以获得各个时间段对应的信号强度预测模型，从而能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
其中，特征参数是指影响NB-IOT信号的强度的参数，例如PRB级参数（即物理资源块的参数）为例，包括频带、上下行频点、下行频率偏移率等影响频谱资源的参数，再例如，RACH级参数（即随机接入信道的控制参数），包括前导最大传输次数、前导最大尝试次数、PRACH发送周期等。在一些实施方式中，每组特征参数包括频带、上下行频点、下行频率偏移、前导最大传输次数、前导最大尝试次数、PRACH发送周期中的多个。
在一些实施方式中，步骤A2包括：
获取各个时间段对应的多组特征参数以及相应的实测信号强度，并将每个时间段的多组特征参数和对应的实测信号强度按8:2随机划分为对应时间段的训练集和测试集。
具体地，为了保证各个时间段的信号强度预测模型的训练效果，本申请将每个时间段的多组特征参数和对应的实测信号强度按8:2随机划分为对应时间段的训练集和测试集，能有效地保证模型训练效果和测试验证的准确率。
在一些实施方式中，步骤A3包括分别为各个时间段构建BP神经网络，并依次以各个时间段为目标时间段执行以下步骤：
把目标时间段的训练集的所有样本中各组特征参数分别输入目标时间段的BP神经网络，以得到目标时间段的BP神经网络输出的对应样本的预测信号强度；
根据所有预测信号强度和对应样本的实测信号强度计算误差函数；
判断误差函数是否达到预设要求；
若误差函数未达到预设要求，则更新目标时间段的BP神经网络的网络参数，并利用训练集再次执行上述过程；
若误差函数达到预设要求，则停止训练；
利用测试集测试目标时间段的BP神经网络，通过测试后得到目标时间段的信号强度预测模型。
具体地，将目标时间段的训练集的所有样本中各组特征参数分别输入目标时间段的BP神经网络，通过获取目标时间段的BP神经网络输出的对应样本的预测信号强度，然后将所有预测信号强度和对应样本的实测信号强度计算误差函数，使误差函数最小化（即预设要求），并利用测试集测试目标时间段的BP神经网络，通过测试后得到目标时间段的信号强度预测模型。
在一些实施方式中，BP神经网络的激活函数为sigmoid函数；
BP神经网络的隐含层为：
；
其中，表示隐含层的第/>个节点的输出，/>为激活函数，/>表示BP神经网络的输入层的节点数（等于一组特征参数中的特征参数数量），/>表示隐含层的第/>个节点，/>为输入层的第i个节点到隐含层第j个节点的权重，/>表示BP神经网络的输入层的第/>个节点输入的特征参数，/>表示隐含层第/>个节点的第一偏置；
BP神经网络的输出层为：
；
其中，表示输出层输出的第k个样本的预测信号强度，/>为隐含层的节点数，/>表示隐含层的第j个节点到输出层的权重，/>表示隐含层的第j个节点的第二偏置。
具体地，根据上述BP神经网络的隐含层和输出层，并以sigmoid函数作为BP神经网络的激活函数，从而由BP神经网络的输出层输出的对应样本的预测信号强度。
在一些实施方式中，误差函数为：
；
其中，表示误差，/>表示训练集的样本总数，/>表示训练集第k个样本的实测信号强度。
具体地，根据所有预测信号强度和对应样本的实测信号强度，通过上述误差函数的计算公式计算得到误差，并在每次更新目标时间段的BP神经网络的网络参数后，继续把同一个训练集的所有样本输入目标时间段的BP神经网络得到对应的预测信号强度，并继续根据所有预测信号强度和对应样本的实测信号强度计算误差函数的误差，如此循环，直到误差函数的误差最小化。例如，可以设置一个偏差阈值（根据实际需要设置），若连续N（N为大于1的正整数，可以根据实际需要设置）次得到的误差与相邻的上一个误差之间的偏差均小于该偏差阈值，则判定误差函数的误差已经最小化；或者，设置一个误差阈值（根据实际需要设置），当误差函数的误差小于该误差阈值，则判定误差函数的误差已经最小化。
在一些实施方式中，更新目标时间段的BP神经网络的网络参数的步骤包括：
利用以下公式更新目标时间段的BP神经网络的权重：
；
其中，为预设的学习率。
具体地，通过上述公式更新目标时间段的BP神经网络的权重。
在一些实施方式中，步骤A4包括：
在NB-IOT设备工作过程中，实时采集NB-IOT信号的多个特征参数（这些特征参数的数量和种类与训练集的样本中每组特征参数的数量和种类相同）；
将实时采集到的多个特征参数输入当前时间段对应的信号强度预测模型，得到信号强度预测模型输出的预测信号强度，记为实时预测信号强度；
判断实时预测信号强度是否达到预设期望；
若未达到预设期望，则调整至少一个特征参数，直到实时预测信号强度达到预设期望，则完成优化。
例如，当未达到预设期望时，调整至少一个特征参数的过程为：若每组特征参数中有t个特征参数，并对t个特征参数的影响率设置有预设值，根据影响率的大小对t个特征参数进行降序排序，先调节排序第一的特征参数，当排序第一的特征参数的调节量已经达到预设值，但是信号强度预测模型输出的预测信号强度还没有达到预设期望，则调节排序第二的特征参数，依次类推，直到达到预设期望，若在t个特征参数的调节量均达到预设值了，此时的预测信号强度还没有达到预设期望，那么可以对各个特征参数的调节量的预设值进行调大，然后重复上述过程，以使最终的预测信号强度达到预设期望。其中，预设期望是根据实际需要设置，此处不作具体限制，每组特征参数中的多个特征参数也是可以根据实际需要设置。
请参照图2，图2是本申请一些实施例中的一种NB-IOT设备的信号强度优化装置，包括：
划分模块21，用于按预设的步长划分多个时间段；
获取模块22，用于获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；训练集和测试集均包括多个样本，每个样本包括一组特征参数与对应的实测信号强度；
训练模块23，用于基于BP神经网络，根据训练集和测试集训练获取各个时间段的信号强度预测模型；
优化模块24，用于根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化。
具体地，由于现有技术并未考虑环境和时间的外部因素对于NB-IOT信号强度的干扰，因此，本申请根据预设的步长对时间划分为多个时间段，例如，对一天的24小时划分为多个时间段，预设步长为2小时、3小时或4小时，即可将一天划分的时间段数对应为12个、8个或6个时间段，也可以对一周划分为多个时间段，预设步长为1天，则可将一周划分为7个时间段，但不限于如此，可根据实际需要设置步长和被划分时间段；获取各个时间段的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集，然后基于BP神经网络进行训练以获得各个时间段对应的信号强度预测模型，从而能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。
其中，特征参数是指影响NB-IOT信号的强度的参数，例如PRB级参数（即物理资源块的参数）为例，包括频带、上下行频点、下行频率偏移率等影响频谱资源的参数，再例如，RACH级参数（即随机接入信道的控制参数），包括前导最大传输次数、前导最大尝试次数、PRACH发送周期等。在一些实施方式中，每组特征参数包括频带、上下行频点、下行频率偏移、前导最大传输次数、前导最大尝试次数、PRACH发送周期中的多个。
在一些实施方式中，获取模块22在执行获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；训练集和测试集均包括多个样本，每个样本包括一组特征参数与对应的实测信号强度的时候，具体执行：
获取各个时间段对应的多组特征参数以及相应的实测信号强度，并将每个时间段的多组特征参数和对应的实测信号强度按8:2随机划分为对应时间段的训练集和测试集。
具体地，为了保证各个时间段的信号强度预测模型的训练效果，本申请将每个时间段的多组特征参数和对应的实测信号强度按8:2随机划分为对应时间段的训练集和测试集，能有效地保证模型训练效果和测试验证的准确率。
在一些实施方式中，训练模块23在执行基于BP神经网络，根据训练集和测试集训练获取各个时间段的信号强度预测模型的时候，先执行：分别为各个时间段构建BP神经网络，并依次以各个时间段为目标时间段；后执行以下步骤：
把目标时间段的训练集的所有样本中各组特征参数分别输入目标时间段的BP神经网络，以得到目标时间段的BP神经网络输出的对应样本的预测信号强度；
根据所有预测信号强度和对应样本的实测信号强度计算误差函数；
判断误差函数是否达到预设要求；
若误差函数未达到预设要求，则更新目标时间段的BP神经网络的网络参数，并利用训练集再次执行上述过程；
若误差函数达到预设要求，则停止训练；
利用测试集测试目标时间段的BP神经网络，通过测试后得到目标时间段的信号强度预测模型。
具体地，将目标时间段的训练集的所有样本中各组特征参数分别输入目标时间段的BP神经网络，通过获取目标时间段的BP神经网络输出的对应样本的预测信号强度，然后将所有预测信号强度和对应样本的实测信号强度计算误差函数，使误差函数最小化（即预设要求），并利用测试集测试目标时间段的BP神经网络，通过测试后得到目标时间段的信号强度预测模型。
在一些实施方式中，BP神经网络的激活函数为sigmoid函数；
BP神经网络的隐含层为：
；
其中，表示隐含层的第/>个节点的输出，/>为激活函数，/>表示BP神经网络的输入层的节点数（等于一组特征参数中的特征参数数量），/>表示隐含层的第/>个节点，/>为输入层的第i个节点到隐含层第j个节点的权重，/>表示BP神经网络的输入层的第/>个节点输入的特征参数，/>表示隐含层第/>个节点的第一偏置；
BP神经网络的输出层为：
；
其中，表示输出层输出的第k个样本的预测信号强度，/>为隐含层的节点数，/>表示隐含层的第j个节点到输出层的权重，/>表示隐含层的第j个节点的第二偏置。
具体地，根据上述BP神经网络的隐含层和输出层，并以sigmoid函数作为BP神经网络的激活函数，从而由BP神经网络的输出层输出的对应样本的预测信号强度。
在一些实施方式中，误差函数为：
；
其中，表示误差，/>表示训练集的样本总数，/>表示训练集第k个样本的实测信号强度。
具体地，根据所有预测信号强度和对应样本的实测信号强度，通过上述误差函数的计算公式计算得到误差，并在每次更新目标时间段的BP神经网络的网络参数后，继续把同一个训练集的所有样本输入目标时间段的BP神经网络得到对应的预测信号强度，并继续根据所有预测信号强度和对应样本的实测信号强度计算误差函数的误差，如此循环，直到误差函数的误差最小化。例如，可以设置一个偏差阈值（根据实际需要设置），若连续N（N为大于1的正整数，可以根据实际需要设置）次得到的误差与相邻的上一个误差之间的偏差均小于该偏差阈值，则判定误差函数的误差已经最小化；或者，设置一个误差阈值（根据实际需要设置），当误差函数的误差小于该误差阈值，则判定误差函数的误差已经最小化。
在一些实施方式中，更新目标时间段的BP神经网络的网络参数的步骤包括：
利用以下公式更新目标时间段的BP神经网络的权重：
；
其中，为预设的学习率。
具体地，通过上述公式更新目标时间段的BP神经网络的权重。
在一些实施方式中，优化模块24在执行根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化的时候，具体执行：
在NB-IOT设备工作过程中，实时采集NB-IOT信号的多个特征参数（这些特征参数的数量和种类与训练集的样本中每组特征参数的数量和种类相同）；
将实时采集到的多个特征参数输入当前时间段对应的信号强度预测模型，得到信号强度预测模型输出的预测信号强度，记为实时预测信号强度；
判断实时预测信号强度是否达到预设期望；
若未达到预设期望，则调整至少一个特征参数，直到实时预测信号强度达到预设期望，则完成优化。
例如，当未达到预设期望时，调整至少一个特征参数的过程为：若每组特征参数中有t个特征参数是影响NB-IOT信号的强度的参数，并对t个特征参数的影响率设置有预设值，根据影响率的大小对t个特征参数进行降序排序，先调节排序第一的特征参数，当排序第一的特征参数的调节量已经达到预设值，但是信号强度预测模型输出的预测信号强度还没有达到预设期望，则调节排序第二的特征参数，依次类推，直到达到预设期望，若在t个特征参数的调节量均达到预设值了，此时的预测信号强度还没有达到预设期望，那么可以对各个特征参数的调节量的预设值进行调大，然后重复上述过程，以使最终的预测信号强度达到预设期望。其中，预设期望是根据实际需要设置，此处不作具体限制，每组特征参数中的多个特征参数也是可以根据实际需要设置。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备3，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机可读取指令，当电子设备运行时，处理器301执行该计算机可读取指令，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：按预设的步长划分多个时间段；获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；训练集和测试集均包括多个样本，每个样本包括一组特征参数与对应的实测信号强度；基于BP神经网络，根据训练集和测试集训练获取各个时间段的信号强度预测模型；根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化。
本申请实施例提供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，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：按预设的步长划分多个时间段；获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；训练集和测试集均包括多个样本，每个样本包括一组特征参数与对应的实测信号强度；基于BP神经网络，根据训练集和测试集训练获取各个时间段的信号强度预测模型；根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化。其中，计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。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。
Claims (10)
1.一种NB-IOT设备的信号强度优化方法，其特征在于，包括以下步骤：
A1.按预设的步长划分多个时间段；
A2.获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；
A3.基于BP神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；
A4.根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。
2.根据权利要求1所述的NB-IOT设备的信号强度优化方法，其特征在于，步骤A2包括：
获取各个时间段对应的多组所述特征参数以及相应的所述实测信号强度，并将每个时间段的多组所述特征参数和对应的所述实测信号强度按8:2随机划分为对应时间段的训练集和测试集。
3.根据权利要求1所述的NB-IOT设备的信号强度优化方法，其特征在于，步骤A3包括分别为各个时间段构建BP神经网络，并依次以各个时间段为目标时间段执行以下步骤：
把所述目标时间段的训练集的所有样本中各组所述特征参数分别输入所述目标时间段的BP神经网络，以得到所述目标时间段的BP神经网络输出的对应样本的预测信号强度；
根据所有所述预测信号强度和对应样本的所述实测信号强度计算误差函数；
判断所述误差函数是否达到预设要求；
若所述误差函数未达到预设要求，则更新所述目标时间段的BP神经网络的网络参数，并利用所述训练集再次执行上述过程；
若所述误差函数达到预设要求，则停止训练；
利用所述测试集测试所述目标时间段的BP神经网络，通过测试后得到所述目标时间段的信号强度预测模型。
4.根据权利要求3所述的NB-IOT设备的信号强度优化方法，其特征在于，所述BP神经网络的激活函数为sigmoid函数；
所述BP神经网络的隐含层为：
；
其中，表示所述隐含层的第/>个节点的输出，/>为激活函数，/>表示所述BP神经网络的输入层的节点数，/>表示所述隐含层的第/>个节点，/>为所述输入层的第i个节点到所述隐含层第j个节点的权重，/>表示所述BP神经网络的输入层的第/>个节点输入的所述特征参数，表示所述隐含层第/>个节点的第一偏置；
所述BP神经网络的输出层为：
；
其中，表示所述输出层输出的第k个样本的预测信号强度，/>为所述隐含层的节点数，表示所述隐含层的第j个节点到所述输出层的权重，/>表示所述隐含层的第j个节点的第二偏置。
5.根据权利要求4所述的NB-IOT设备的信号强度优化方法，其特征在于，所述误差函数为：
；
其中，表示误差，/>表示所述训练集的样本总数，/>表示所述训练集的第k个样本的所述实测信号强度。
6.根据权利要求5所述的NB-IOT设备的信号强度优化方法，其特征在于，所述更新所述目标时间段的BP神经网络的网络参数的步骤包括：
利用以下公式更新所述目标时间段的BP神经网络的权重：
；
其中，为预设的学习率。
7.根据权利要求1所述的NB-IOT设备的信号强度优化方法，其特征在于，步骤A4包括：
在NB-IOT设备工作过程中，实时采集NB-IOT信号的多个所述特征参数；
将实时采集到的多个所述特征参数输入当前时间段对应的所述信号强度预测模型，得到所述信号强度预测模型输出的预测信号强度，记为实时预测信号强度；
判断所述实时预测信号强度是否达到预设期望；
若未达到所述预设期望，则调整至少一个所述特征参数，直到实时预测信号强度达到所述预设期望，则完成优化。
8.一种NB-IOT设备的信号强度优化装置，其特征在于，包括：
划分模块，用于按预设的步长划分多个时间段；
获取模块，用于获取NB-IOT信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；
训练模块，用于基于BP神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；
优化模块，用于根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一项所述的一种NB-IOT设备的信号强度优化方法中的步骤。
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运行如权利要求1-7任一项所述的一种NB-IOT设备的信号强度优化方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410287643.2A CN117880861B (zh) | 2024-03-13 | 2024-03-13 | 一种nb-iot设备的信号强度优化方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410287643.2A CN117880861B (zh) | 2024-03-13 | 2024-03-13 | 一种nb-iot设备的信号强度优化方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117880861A true CN117880861A (zh) | 2024-04-12 |
| CN117880861B CN117880861B (zh) | 2024-05-28 |
Family
ID=90592097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410287643.2A Active CN117880861B (zh) | 2024-03-13 | 2024-03-13 | 一种nb-iot设备的信号强度优化方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117880861B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
| CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
| CN111310894A (zh) * | 2020-02-10 | 2020-06-19 | 烟台持久钟表有限公司 | 一种基于NB-IoT的大钟时源检测方法 |
| CN114611775A (zh) * | 2022-03-03 | 2022-06-10 | 中国计量大学 | 一种混凝土28天抗压强度分级预测模型的构建方法 |
| CN115438589A (zh) * | 2022-10-25 | 2022-12-06 | 哈尔滨工业大学（威海） | 一种基于bp神经网络的钓竿调性预测模型及其优化方法 |
| CN115483991A (zh) * | 2021-05-31 | 2022-12-16 | 中国移动通信集团有限公司 | 基于神经网络的无人机空中信号强度预测方法及装置 |
-
2024
- 2024-03-13 CN CN202410287643.2A patent/CN117880861B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
| CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
| CN111310894A (zh) * | 2020-02-10 | 2020-06-19 | 烟台持久钟表有限公司 | 一种基于NB-IoT的大钟时源检测方法 |
| CN115483991A (zh) * | 2021-05-31 | 2022-12-16 | 中国移动通信集团有限公司 | 基于神经网络的无人机空中信号强度预测方法及装置 |
| CN114611775A (zh) * | 2022-03-03 | 2022-06-10 | 中国计量大学 | 一种混凝土28天抗压强度分级预测模型的构建方法 |
| CN115438589A (zh) * | 2022-10-25 | 2022-12-06 | 哈尔滨工业大学（威海） | 一种基于bp神经网络的钓竿调性预测模型及其优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张会清;李军;吕源;: "一种基于分段拟合估计的WSN定位算法", 计算机测量与控制, no. 01, 25 January 2009 (2009-01-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117880861B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11533115B2 (en) | Systems and methods for wireless signal configuration by a neural network | |
| CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN112037930B (zh) | 一种传染病预测设备、方法、装置及存储介质 | |
| DE112019000340T5 (de) | Epistemische und aleatorische tiefe plastizität auf grundlage vontonrückmeldungen | |
| CN112285664B (zh) | 一种雷达-飞行器体系对抗仿真置信度评估方法 | |
| CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
| Li et al. | Comparison of parameter uncertainty analysis techniques for a TOPMODEL application | |
| CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
| Fawcett et al. | Markov chain models for extreme wind speeds | |
| Fan et al. | A Bayesian predictive analysis of step‐Stress accelerated tests in Gamma degradation‐based processes | |
| CN113497802B (zh) | 一种基于机器学习算法的车载ecu安全风险评估系统 | |
| CN117880861B (zh) | 一种nb-iot设备的信号强度优化方法及相关设备 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
| CN114580087B (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
| CN112616160B (zh) | 一种智能短波频率跨频段实时预测方法及系统 | |
| CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
| CN114298166A (zh) | 一种基于无线通信网络的频谱可用性预测方法和系统 | |
| WO2020247993A1 (de) | Verfahren zur sicherheitsüberprüfung einer technikeinheit | |
| Phipps et al. | Potential of ensemble copula coupling for wind power forecasting | |
| CN115665867B (zh) | 一种车联网的频谱管理方法及系统 | |
| CN116384779B (zh) | 在轨试验关键指标影响因素统筹裁剪方法、装置及服务器 | |
| Guillou et al. | Return level bounds for discrete and continuous random variables | |
| RU2628474C1 (ru) | Способ оценки информации о системе с настройкой на основе адаптивной модели и устройство для его реализации | |
| Hossain | Complete Bayesian analysis of some mixture time series models |
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 |