分类模型及其训练方法、分类方法、设备及介质技术

本发明专利技术提供了一种分类模型及其训练方法、分类方法、设备及介质，所述分类模型的训练方法，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。本发明专利技术通过对NR故障类型进行分类，便于快速定位不同频段的故障位置。段的故障位置。段的故障位置。

【技术实现步骤摘要】
分类模型及其训练方法、分类方法、设备及介质


[0001]本专利技术涉及通信
，尤其涉及一种分类模型及其训练方法、分类方法、设备及介质。

技术介绍

[0002]目前，对于手机、智能手表、蜂窝网络、直放站等通讯类产品，由于生产使用的元器件存在个体差异，不能保证严格的一致性，并且受到贴片和印刷电路板装配(printed circuitboard assembly，PCBA)单板负载的影响。如果不对元器件的工作状态做参数的调整，往往达不到最佳性能，极端情况下可能导致其所装配的终端产品无法使用。在没有明确确定到底是射频收发器发生故障还是射频通路发生故障的情况下，需要针对各个基带通路进行逐一排查。而一旦射频收发器的输出功率发生异常，通常就会认为是射频收发器出现故障，但是实际上很可能射频收发器并未发生故障，而是射频某一通路发生故障。因此，在通过表面贴装技术(Surface Mount Technology，SMT)贴片之后，必须对手机5G(新空口，NewRadio，NR)进行校准、综测。校准就是通过修改软件参数的方法来补偿由于硬件一致性问题导致的射频参数偏差；综测就是利用仪表测试经过校准之后的手机NR指标是否满足相关标准要求。
[0003]在SMT贴片过程中往往会出现射频电路的贴片异常，一旦出现射频故障必然影响射频收发器的输出功率大小以及功率输出的稳定性。现有技术主要通过人工的方式分析射频收发器、射频NR通路等各个频段的异常状态，并直接对异常的射频收发器进行维修，或者直接替换当前的射频收发器，通常会提高工作成本、提升维修难度，甚至会造成不必要的浪费。而对手机NR实行分批检测校准信息的方式，无法满足快速量产的要求，因此需要对校准故障类型进行分类，以快速定位不同频段的故障位置。
[0004]现有技术局限于通过外接仪器设备进行各个通路测试，需要专业的团队使用不同的仪表进行分析，人工进行分析、维修无法满足一致性的要求。尤其在5G通信过程中产生的通路问题更加复杂，无法进行及时有效地解决。多个故障并存的现象示有发生，需要分层级阶段性的进行维修，分析过程将花费大量的时间，不利于快速解决射频故障问题。例如公开号为CN108599802A的一篇中国专利文件中公开了一种检测射频故障的方法及装置。该方法包括：当射频收发器的输出功率异常时，检测射频通路是否异常；若检测到射频通路未发生异常，则确定射频收发器发生故障，结束检测；或者，若检测到射频通路发生异常时，获取射频收发器输出目标输出功率时第一耦合器耦合的第一功率值；将第一耦合器耦合的第一功率值与预存储的第一功率校准值进行比较，并根据第一比较结果确定射频收发器和射频放大器之间的第一通路是否发生故障；若根据第一比较结果确定第一通路发生故障时，结束检测；否则，确定射频放大器和射频天线之间的第二通路发生故障。
[0005]因此，本专利技术提出了一种分类模型及其训练方法、分类方法、设备及介质，以对NR故障类型进行分类，便于快速定位不同频段的故障位置。

技术实现思路

[0006]本专利技术提供了一种分类模型及其训练方法、分类方法、设备及介质，以以对NR故障类型进行分类，便于快速定位不同频段的故障位置。
[0007]第一方面，本专利技术提供一种分类模型的训练方法，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。
[0008]其有益效果在于：通过对所述校准参数进行特征提取，得到能够代表该校准参数相对应的频段故障的局部特征；又通过构建关于所述校准参数的故障特征向量，在保证分类精确度的前提下，得到易于故障分类的样本集，提高了分类效率。
[0009]可选地，所述对所述校准参数进行特征提取，包括：根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；对A个所述数据序列进行所述局部波动特征提取。其有益效果在于：因为NR校准参数是非线性、非平稳时间序列的，因此直接将所述NR校准参数作为样本集去处理的话，会非常繁杂，而且处理结果不一定理想。所以将根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，以达到对所述校准参数平稳化处理的目的。
[0010]进一步可选地，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。
[0011]又进一步可选地，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；得到训练好的所述分类器。
[0012]可选地，所述获取新空口校准参数，包括：获取新空口的不同频段的所述校准参数。其有益效果在于：训练时的数据越多，越有利于提高分类模型识别的准确度。
[0013]可选地，所述分类模型的训练方法，还包括：将所述测试样本集输入至所述训练好的所述分类模型中，以得到实际生成对象；计算所述实际生成对象和所述测试样本集的误差，并当所述误差小于或等于所述预设阈值时，所述分类模型符合生产要求；否则重新训练所述分类模型。其有益效果在于：通过对训练好的所述分类模型进行检验，以确定训练好的所述分类模型是否可以投入实际使用中。
[0014]第二方面，本专利技术提供一种分类模型，通过如第一方面中任一项所述的分类模型的训练方法训练得到，包括：输入器、分类器和输出器；所述输入器用于输入所述故障特征向量；所述分类器用于识别所述故障特征向量所对应的故障状态；所述输出器用于输出所述故障状态。
[0015]第三方面，本专利技术提供一种故障状态分类方法，应用于如第二方面所述的分类模型，包括：获取待测产品的新空口校准参数，对所述新空口校准参数进行特征提取；构建关
于所述校准参数的故障特征向量；将所述故障特征向量输入至所述输入器中；所述分类器识别出所述故障特征向量所对应的故障状态；所述输出器输出所述故障状态。
[0016]其有益效果在于：通过本专利技术所提供的分类模型对所述故障特征向量进行识别，能够有效识别出相应频段的故障状态。
[0017]第四方面，本专利技术提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得所述电子设备能够实现如上述第一方面或第三方面中任意一种可能的设计的方法。
[0018]第五方面，本专利技术提供一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。2.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述校准参数进行特征提取，包括：根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；对A个所述数据序列进行所述局部波动特征提取。3.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。4.根据权利要求3所述的分类模型的训练方法，其特征在于，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；得到训练好的所述分类器。5.根据权利要求1所述的分类模型的训练方法，其特征在于...

【专利技术属性】
技术研发人员：张杰，
申请(专利权)人：展讯通信上海有限公司，
类型：发明
国别省市：