[发明专利]影响MIMO数据传输占比的检测方法、装置及存储介质有效
| 申请号: | 202210327648.4 | 申请日: | 2022-03-31 |
| 公开(公告)号: | CN114422003B | 公开(公告)日: | 2022-06-14 |
| 发明(设计)人: | 寇红侠;卢军;闫兴秀;黄聿辰 | 申请(专利权)人: | 桔帧科技(江苏)有限公司 |
| 主分类号: | H04B7/0413 | 分类号: | H04B7/0413;H04W24/08;G06N3/04;G06N3/08 |
| 代理公司: | 南京材智汇知识产权代理事务所(特殊普通合伙) 32449 | 代理人: | 冯昌恒 |
| 地址: | 210019 江苏省南京市建*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 影响 mimo 数据传输 检测 方法 装置 存储 介质 | ||
1.一种影响MIMO数据传输占比的检测方法,
基于建筑的室分安装为错层覆盖的多个楼层,其中,采用Keras框架搭建Resnet50残差结构的卷积神经网络,所述卷积神经网络加入8块残差块结,即Residual block结构,其特征在于包括以下步骤:
步骤一、采集训练数据:
采集多个楼层的多个天线端口的线损值,采集多个楼层的每个楼层的一小时内的分钟粒度的MIMO数据传输占比;
步骤二、处理训练数据:
将多个楼层中的任意连续三个楼层作为一个基础样本,将任意连续三个楼层的所有天线端口的线损值排列形成的张量作为样本数据,将任意连续三个楼层的每个楼层的一小时内的分钟粒度的MIMO数据传输占比取众数作为样本标签;
步骤三、建模:
将步骤二得到的样本数据输入到所述卷积神经网络,采用的卷积核为3*3,所述卷积神经网络的输出的是任意连续三个楼层的中间楼层的MIMO数据传输占比;
步骤四、训练:
采用K折交叉验证,根据步骤一中采集的样本数据,按照训练集和验证集8:2的方式,将样本数据输入到所述卷积神经网络进行训练,完成训练后,将训练结果模型进行加和平均,得到最终模型;最终模型输出得到标准MIMO数据传输占比;
步骤五、计算:
若需计算某一建筑的某一楼层的MIMO数据传输占比;
将某一楼层作为中间楼层采集连续三个楼层的所有天线端口的线损值,并排列形成张量作为计算数据;
将计算数据输入到步骤四中训练好的卷积神经网络中,得到某一楼层的MIMO数据传输占比;
步骤六、评价:
根据所述步骤五中得到的中间楼层的MIMO数据传输占比进行评价:
所述中间楼层的MIMO数据传输占的值越高,则所述楼层的网络效果越高好;
所述中间楼层的MIMO数据传输占的值越低,则所述楼层的网络效果越差;
当所述楼层的MIMO数据传输占比低于所述步骤四中的标准MIMO数据传输占比时,则需要对某一楼层作为中间楼层的连续三个楼层的天线端口进行调整;
步骤七、调整:
对某一楼层作为中间楼层的连续三个楼层的所有线损值取平均数,对所有线损值中相对平均数相差较大的线损值做标记,并对标记线损值对应的天线端口进行整改,然后再次将整改后的计算数据输入所述卷积神经网络进行验证,直到得到的中间楼层的MIMO数据传输占比接近所述标准MIMO数据传输占比。
2.根据权利要求1所述的影响MIMO数据传输占比的检测方法,其特征在于:所述线损值通过RFID或者蓝牙获取;所述MIMO数据传输占比通过DPI数据获取。
3.一种影响MIMO数据传输占比的检测装置,其特征在于,包括:
数据采集模块,用于采集多个楼层的多个天线端口的线损值和采集多个楼层的每个楼层的一小时内的分钟粒度的MIMO数据传输占比;
神经网络构建模块,用于搭建Resnet50残差结构的卷积神经网络;
模型训练模块,用于按照训练集和验证集8:2的方式,将样本数据输入到所述卷积神经网络进行训练;
以实现如权利要求1和2中任意一项所述的影响MIMO数据传输占比的检测方法的步骤。
4.一种电子装置,其特征在于,包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序;
以实现如权利要求1和2中任意一项所述的影响MIMO数据传输占比的检测方法的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行;
以实现如权利要求1和2中任意一项所述的影响MIMO数据传输占比的检测方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于桔帧科技(江苏)有限公司,未经桔帧科技(江苏)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210327648.4/1.html,转载请声明来源钻瓜专利网。





