信噪比评估方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种信噪比评估方法、装置、设备及存储介质，该方法包括：获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。本申请实施例提供的方法能够解决现有技术中无法有效地获取网络信噪比指标，进而导致维护优化成本高、效率低下的问题。

Signal-to-Noise Ratio Assessment Method, Device, Equipment and Storage Media

【技术实现步骤摘要】
信噪比评估方法、装置、设备及存储介质
本申请实施例涉及物联网
，尤其涉及一种信噪比评估方法、装置、设备及存储介质。
技术介绍
伴随通信技术的快速发展，物联网作为新时代产物也得到广泛关注和应用。窄带物联网(NarrowBandInternetofThings,简称NB-IoT)目前成为各大运营商物联网采用的主流技术。与传统通信技术相比，窄带物联网技术具有低成本、低功耗的特点，应用范围更加广泛。目前，在技术路径的选择上，窄带物联网技术对传统通信技术做了极大的简化，但是不支持终端的测量上报，在现有的技术手段中，普遍采用人工现场测试的方法获取窄带物联网网络信噪比指标，维护优化成本高、效率低下。因此，现有技术中无法有效地获取网络信噪比指标，以克服维护优化成本高、效率低下的问题。
技术实现思路
本申请实施例提供一种信噪比评估方法、装置、设备及存储介质，以克服现有技术中无法有效地获取网络信噪比指标，进而导致维护优化成本高、效率低下的问题。第一方面，本申请实施例提供一种信噪比评估方法，包括：获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。在一种可能的设计中，在所述获取待测窄带物联网终端点位的特征值之前，所述方法还包括：获取各个预设窄带物联网终端点位的特征值和信噪比值；根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；将所述多棵决策树作为所述信噪比评估模型。在一种可能的设计中，所述特征值的个数为多个；所述根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集，包括：将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；根据所有初始样本，生成初始样本集；对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。在一种可能的设计中，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。在一种可能的设计中，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：多次从所述初始样本集中有放回的随机选取至少两个初始样本；针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。在一种可能的设计中，所述根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树，包括：针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树，将每棵决策树的根节点对应的信噪比值作为每棵决策树的信噪比值。在一种可能的设计中，所述基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，包括：将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。第二方面，本申请实施例提供一种信噪比评估装置，包括：第一获取模块，用于获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；信噪比值确定模块，用于基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。在一种可能的设计中，所述装置还包括：所述装置还包括：第二获取模块，用于在所述获取待测窄带物联网终端点位的特征值之前，获取各个预设窄带物联网终端点位的特征值和信噪比值；训练样本集生成模块，用于根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；决策树生成模块，用于根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；信噪比模型生成模块，用于将所述多棵决策树作为所述信噪比评估模型。在一种可能的设计中，所述特征值的个数为多个；所述训练样本集生成模块包括：初始样本生成单元，用于将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；初始样本集生成单元，用于根据所有初始样本，生成初始样本集；训练样本集生成单元，用于对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。在一种可能的设计中，所述训练样本集生成单元，具体用于：针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。在一种可能的设计中，所述训练样本集生成单元，具体用于：多次从所述初始样本集中有放回的随机选取至少两个初始样本；针对每次从所述初始样本本文档来自技高网...

【技术保护点】
1.一种信噪比评估方法，其特征在于，包括：获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。

【技术特征摘要】
1.一种信噪比评估方法，其特征在于，包括：获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，所述信噪比评估模型是以多个预设窄带物联网终端点位中每个预设窄带物联网终端点位的特征值和信噪比值为训练样本采用最小二乘偏差模型训练获得的。2.根据权利要求1所述的方法，其特征在于，在所述获取待测窄带物联网终端点位的特征值之前，所述方法还包括：获取各个预设窄带物联网终端点位的特征值和信噪比值；根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集；根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树；将所述多棵决策树作为所述信噪比评估模型。3.根据权利要求2所述的方法，其特征在于，所述特征值的个数为多个；所述根据所有所述预设窄带物联网终端点位的特征值和信噪比值，生成多个训练样本集，包括：将每个所述预设窄带物联网终端点位的特征值和信噪比值作为一个初始样本；根据所有初始样本，生成初始样本集；对所述初始样本集进行训练样本采集，生成多个训练样本集，每个训练样本集中的训练样本的个数相同；其中，所述训练样本包括所述初始样本中的所有特征值和对应的所述初始样本中的信噪比值；或，所述训练样本包括从所述初始样本中随机选取的特征值和对应的所述初始样本中的信噪比值。4.根据权利要求3所述的方法，其特征在于，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：针对所述初始样本集中的每个初始样本，对所述初始样本进行采样，得到所述训练样本；将所述初始样本集中的所有初始样本对应的所有训练样本进行划分，生成所述多个训练样本集。5.根据权利要求3所述的方法，其特征在于，所述对所述初始样本集进行训练样本采集，生成多个训练样本集，包括：多次从所述初始样本集中有放回的随机选取至少两个初始样本；针对每次从所述初始样本集中有放回的随机选取的所述至少两个初始样本，对所述至少两个初始样本分别进行采样，得到所述至少两个初始样本中每个初始样本对应的训练样本；将所述至少两个初始样本对应的所有训练样本作为一个训练样本集。6.根据权利要求2-5任一项所述的方法，其特征在于，所述根据所述多个训练样本集，通过最小二乘偏差模型，生成多棵决策树，包括：针对所述多个训练样本集中的每个训练样本集，将所述训练样本集中每个训练样本的所有特征值作为所述最小二乘偏差模型的输入量，将所述训练样本集中每个训练样本的信噪比值作为所述最小二乘偏差模型的输出量；遍历所述训练样本集中每个训练样本，将所述输入量和所述输出量输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值；将所述使得最小二乘偏差达到最小值时对应的训练样本的一个特征和所述特征对应的特征值作为根节点，所述特征为根节点的分裂特征，所述特征对应的特征值为根节点的分裂点；根据所述根节点的分裂特征和所述根节点的分裂点，对所述训练样本集中的所有训练样本进行划分，得到所述根节点的两个分支节点，所述根节点的每个分支节点包括至少一个训练样本；针对所述根节点的每个分支节点，遍历所述分支节点中的每个训练样本，将所述分支节点中的每个训练样本的所有特征值和信噪比值输入到所述最小二乘偏差模型中，确定使得最小二乘偏差达到最小值时对应的多个分裂特征和多个分裂点，生成一棵决策树，其中，分裂特征和分裂点一一对应，一个分裂点对应两个分支节点；若存在一个分裂点的预设邻域范围内的任一分支节点对应的训练样本数目小于预设倍数的所述多个训练样本集中所有的训练样本的数目，则停止生成所述决策树，所述多个训练样本集对应多棵决策树。7.根据权利要求6所述的方法，其特征在于，所述基于信噪比评估模型，对所述待测窄带物联网终端点位的信噪比进行评估，得到所述待测窄带物联网终端点位的信噪比值，包括：将所述待测窄带物联网终端点位的特征值输入到所述信噪比评估模型中，得到每棵所述决策树对应的信噪比值；对所有决策树对应的信噪比值取平均，得到所有决策树对应的信噪比值的平均值；将所有决策树对应的信噪比值的平均值作为所述待测窄带物联网终端点位的信噪比值。8.一种信噪比评估装置，其特征在于，包括：第一获取模块，用于获取待测窄带物联网终端点位的特征值，所述特征值对应的特征用于表示终端点位处的窄带物联网的特性；信噪比值确定模块，用于基于信噪比评估模型，对所述待测窄带...

【专利技术属性】
技术研发人员：刘哲，曾伟，蔡凯，钟检荣，张玮，耿仁杰，孟宁，李菲，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京,11