CN113420623B - 基于自组织映射神经网络的5g基站检测方法及*** - Google Patents
基于自组织映射神经网络的5g基站检测方法及*** Download PDFInfo
- Publication number
- CN113420623B CN113420623B CN202110643438.1A CN202110643438A CN113420623B CN 113420623 B CN113420623 B CN 113420623B CN 202110643438 A CN202110643438 A CN 202110643438A CN 113420623 B CN113420623 B CN 113420623B
- Authority
- CN
- China
- Prior art keywords
- base station
- self
- image
- neural network
- organizing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本公开基于自组织映射神经网络的5G基站检测方法及***,包括:根据基站经纬度确定基站在地图中的位置;根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;利用方向梯度直方图提取图像特征,得到水平和竖直两个方向的特征数量;利用自组织映射神经网络对图像特征进行整合;根据聚类的结果,结合参考信号接收功率、参考信号接收质量和信号与干扰加噪声比指标确定所述基站的覆盖异常区域;提出了EDFSOM模型,用于信息的模糊分类问题,在保证不损失数据特征的前提下,选择采用方向梯度直方图(HOG)对图像提取特征,降低了特征的维度,节省了训练时间。
Description
技术领域
本公开属于通信技术领域,尤其涉及一种基于自组织映射神经网络的5G基站检测方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着5G移动通信基站的铺设进行以及基站的更新换代,移动通信基站的数量越来越多;因为5G网络毫米波的应用和异构网络架构实施,5G基站的数量远大于4G时期的基站数量,显著增大了对基站的维护开销;其中,对于基站的异常检测和定位变的越发重要;现有检测方法主要针对4G网络基站分布较为稀疏环境中的单基站覆盖检测,对多基站,针对区域性覆盖异常的检测较少涉及。
发明内容
本公开为了解决上述问题,提出了一种基于自组织映射神经网络的5G基站检测方法及***,本公开首先,将基站的经纬度坐标与地图结合,基站在地图中的颜色根据参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定,将异常检测问题转换成图像处理的问题;然后,对转化后的图像,利用方向梯度直方图进行特征提取;最后,利用自组织映射神经网络进行聚类,根据不同的检测点对应的不同颜色将基站进行分类,达到信号质量相同检测点被分到一类的目的。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本公开提供了一种基于自组织映射神经网络的5G基站检测方法,包括:
根据基站经纬度确定基站在地图中的位置;
根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;
利用方向梯度直方图提取水平和竖直两个方向的图像特征;
利用自组织映射神经网络对图像特征进行聚类,根据不同基站在地图中对应的标注颜色将基站进行分类。
进一步的,通过最小化路测技术收集到参考信号接收功率、参考信号接收质量和信号与干扰加噪声三个指标。
进一步的,规定基站在地图中的标注颜色随着指标数值的降低变深,信号质量好的颜色贴近图像的背景色。
进一步的,在提取图像特征时,将图像分割成多个小格子,将包含质量检测点特征的小格子赋予监测点的颜色,将同时包含多个监测点的小格子赋予信号质量最差检测点的颜色;对于彩色图像,将RGB分量转化成灰度图像。
进一步的,对图像的水平方向和垂直方向做卷积,得到每个点在水平方向和垂直方向的梯度。
进一步的,对图像特征进行整合时,在自组织神经网络中引入模糊逻辑,采用两个平行自组织神经网络分别处理水平和竖直两个不同纬度的特征;
将平行自组织神经网络收集到的整张图片的特征进行线性拼接。
进一步的,自组织神经网络中引入模糊逻辑的过程为:
随机初始化神经元的权重;
输入所有的样本;
计算每个输入向量与神经元的欧氏距离;
计算每个输入向量与所有神经元的隶属度;
根据计算的隶属度调整每个神经元;
定义整个网络稳定的条件。
第二方面,本公开还提供了一种基于自组织映射神经网络的5G基站检测***,包括:图像特征提取模块、特征整合模块和聚类模块;
所述图像特征提取模块,被配置为:根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;利用方向梯度直方图提取水平和竖直两个方向的图像特征;
所述特征整合模块,被配置为:利用自组织映射神经网络对图像特征进行整合;
所述聚类模块,被配置为:利用自组织映射神经网络对图像特征进行聚类,根据不同基站在地图中对应的标注颜色将基站进行分类。
第三方面,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于自组织映射神经网络的5G基站检测方法。
第四方面,本公开还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于自组织映射神经网络的5G基站检测方法。
与现有技术相比,本公开的有益效果为:
1.本公开提出了EDFSOM模型,用于信息的模糊分类问题,在保证不损失数据特征的前提下,选择采用方向梯度直方图(HOG)对图像提取特征,降低了特征的维度,节省了训练时间;
2.本公开针对基站分类具有不确定性的特点,对原有的SOM层结构做了优化,融入了模糊逻辑,得到FSOM层,不仅提升了分类精度,而且进一步提升了训练速度;
3.本公开采用方向梯度直方图对图像提取特征,降低了特征的维度,节省了训练时间。
4.本公开在原本的参考信号接收功率和参考信号接收质量指标之外,加入了信号与干扰加噪声比来反映覆盖信号的质量,保障了分类准确性。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本公开实施例1的原理图;
图2为本公开实施例1的EDFSOM结构示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
如图1所示,本实施例提供例了一种基于自组织映射神经网络的5G基站检测方法,包括图像生成、提取图像特征、图像特征整合和确定基站覆盖异常区域内容;具体地方在本公开的模型当中,将基站的经纬度坐标与地图结合起来,基站在地图中标注的颜色由检测时的RSRP、RSRQ和SINR三个指标决定,将异常检测问题转换成图像处理的问题,然后用图像处理的方法处理异常检测问题,转化后的图像在提取特征后,利用本公开提出的EDFSOM算法进行聚类,根据信号检测点对应的不同颜色标注,分类算法根据不同的检测点的不同颜色将基站进行分类,并且,实现信号质量相同的检测点分为一类的目的。
如图1所示,本实施例中的模型主要有三个模块,第一个模块负责图像特征的提取,第二个模块负责特征的整合,第三个模块负责聚类,其中,第二个模块又包含两个平行层;模型的每一个模块都会有对应的输入和输出,上一个模块的输出就是下一个模块的输入;模型的每一个模块都会对数据进行降维,来减少计算量,并在第二层完成流量时间序列分类,第三层完成流量预测。
图1中的I、II和III分别对应模型的三层,第一层的图像采样的过程中,滑动窗口中包含两个滑动单元,分别是单元1和单元2,单元1大小是K1*K1,单元2的大小是K2*K2,滑动窗口的大小是L*W,所以,模型第二部分中提到的NL和Nw分别对应的是滑动窗口在垂直和水平方向上特征的个数,S是滑动单元的步长。
图像的生成:
相比较于4G网络,在5G网络对应的KPI指标当中,在RSRP和RSRQ指标的基础上,本实施例加入了SINR指标来反映覆盖信号的质量,为分类准确性提供了保障;在本实施例中,通过最小化路测技术(MDT)收集RSRP、RSRQ、SINR三个指标.
根据***网络测试规范,将信号赋予颜色,并且规定颜色随着数值的降低变深,信号质量好的颜色会贴近图片的背景色,防止对图片分类造成干扰,具体的为:
RSRP>-95dBm;SINR>16;白色;
RSRP=-95~-105dBm;SINR:11-15;灰色;
RSRP=-105~-115dBm;SIN:3-10;橙色;
RSRP<-115dB;SINR<3;红色。
根据规则,将监测点表示在地图上,为了特征提取方便,需要弱化地图对分类带来的影响,同时放大信号质量检测点的特征,本实施例中,在HOG特征提取的时候,在滑动单元外设定了一个滑动窗口来放大特征,滑动窗口将图片分割成多个小格子,如果小格子中包含质量检测点的特征,将小格子赋予监测点的颜色,如果同时包含多个监测点,将信号最差的点的颜色赋予小格子,这样,实现了特征放大上的目的。
提取图像特征:
考虑直接用像素值作为SOM的输入不仅会形成维度灾难,还会影响训练速度的问题,本实施例中采用了方向梯度直方图(HOG)进行图像特征提取,不仅能很好地描述图片特征,还能同时起到降维作用的特征提取;方向梯度直方图可以提取图像有用信息,并且丢弃无关信息来简化图像的表示;每一个滑动单元会得到一个HOG描述,模型将每个HOG描述作为FSOM输入,而不是整合一整张图片的所有HOG描述。
在本实施例中,对于彩色图像,将RGB分量转化成灰度图像,公式为:
Gray=0.3*R+0.59*G+0.11*B (1)
在本实施例中,别求得每个点在水平方向和垂直方向的梯度,根据公式(2)-公式(3)求图像的水平方向的梯度Gx和垂直方向的梯度Gy。
Gx(x,y)=I(x+1,y)-I(x-1,y) (2)
Gy(x,y)=I(x,y+1)-I(x,y-1) (3)
在本实施例中,构造两个滤波器对图像的水平方向和垂直方向做卷积,具体的,水平方向采用[-1 0 1]作为滤波器,垂直方向采用[-1 0 1]T作为滤波器,通过上述两个滤波器分别对图像的水平方向和垂直方向做卷积,得到图像的水平方向的梯度Gx和垂直方向的梯度Gy。
计算该点的方向,首先,计算梯度形成的正切角:
其中,θ取0°-180°,将θ分为K个区间,K取9,每个区间跨度Δ为20°,方向记录的为正切角落入第几区间:
可以得到,本实施例中,方向的取值范围是0-8,对每个像素点的方向做统计即可得到一个HOG。
如图1所示,在本实施例中,采用两个大小不同的滑动单元同时来提取图片不同维度的特征,目的是为了采集更丰富的图片信息;HOG特征提取结束后,模型的第一模块接近结束,提取的HOG特征将会作为第二模块的输入;在此,需要计算一下特征的数量,方便在第二模块的计算;根据滑动窗口的大小L*M、滑动单元的大小K*K和滑动单元的滑动步长S,通过公式(6),计算得到水平和竖直两个方向的特征数量,其中ceil是一个求上界最小整数的函数,再用公式(7)计算总特征数量。
Ni=NL×NW (7)
图像特征整合:
如图1所示,在模型的第一个模块处理完后,将两个不同维度的图像特征转入第二个模块;一张图片在模型的第一层中提取了两个不同维度的特征,分别是X1,1和X1,2,在第二个模块当中,采用两个FSOM平行层分别处理两个不同纬度的特征。
需要说明的是,EDFSOM继续使用了EDSOM的框架,但是EDFSOM在EDSOM的基础上做了两大改进,第一是SOM层的结构,由于很多数据可能处于两个类的边缘,非常容易因为人为的参数设置问题导致分类错误,在此基础上,引入了模糊逻辑,将原本的SOM层改为了FSOM层;模糊逻辑打破了常规的布尔逻辑,不再限制最后的分类结果,而是强调数据对每个类的隶属度;第二,模型不再局限输入的形状必须是正方形,矩形图像同样可以作为输入。
如图1所示,EDSOM的网络架构借鉴了卷积神经网络的思想;网络的输入就是第一层中每个滑动单元提取的特征值,相当于CNN的卷积层;EDSOM将SOM神经网络作为池化层,起到了降维以及提取更高维度特征的作用,同时按顺序收集SOM产生的获胜神经元,平行层的作用是为了提供图片更多的特征,提高分类的准确度;将平行层收集到的整张图片的特征进行线性拼接;为了方便后续计算,拼接后的特征如果不能重新生成正方形,需要在这些特征后补0,重新生成一个形状是正方形的特征矩阵;这个正方形特征X2就是下一个FSOM层的输入,产生的输出即为对图片的分类。
FSOM结构:
如图1和图2所示,FSOM神经网络采用二维网络结构,EDFSOM的所有FSOM结构层均采用FSOM结构;每个神经元节点包含一个权重,权重的初始化是随机的;在训练过程中,按照隶属度公式,计算每个输入与计算神经元节点的隶属度,根据隶属度来确定每个输入对神经元的影响大小,并根据影响的大小来调整神经元的权值;将图片的特征描述看作数据集Xl=[Xl,1,Xl,2,...,Xl,N],l=1,2,...,M.,N代表输入向量的维数,M是输入样本的个数,D是输入向量以及权值的维度,K是神经元的个数。
步骤1)随机初始化神经元的权重;
步骤2)输入所有的样本Xl=[Xl,1,Xl,2,...,Xl,N],l=1,2,...,M.;
步骤3)计算每个输入向量Xl与神经元的欧氏距离:
步骤4)计算每个输入向量与所有神经元的隶属度:
步骤5)根据计算的隶属度调整每个神经元:
步骤6)定义整个网络稳定的条件:
经过上述流程,EDFSOM完成了信息分类,实现了信号质量相似的点被分到一个类中的目的,再根据聚类的结果,结合RSRP、RSRQ、SINR指标确定覆盖异常区域。
在本实施例中,为了有效解决异常检测问题,提出了EDFSOM模型,用于信息的模糊分类问题,在保证不损失数据特征的前提下,选择采用HOG对图像提取特征,降低了特征的维度,节省了训练时间;针对分类具有不确定性的特点,对原有的SOM层结构做了改变,融入了模糊逻辑,变成了FSOM层,不仅提升了分类精度,而且进一步提升了训练速度;由于自组织映射神经网络的竞争学习的特性,距离相近的一组会自动聚集到一起,结合RSRP、RSRQ以及SINR等指标完成了5G移动通信基站覆盖异常检测。
自组织映射神经网络是一种无监督的神经网络,与其他采用误差学习的神经网络不同,自组织映射神经网络采取的是竞争学习,它的整个学习过程是完全是自适应的,不需要有标签的引导;同时,它可以在保持高维数据空间拓扑结构的前提下,将高维数据映射到低维空间,这一特点,让我们清楚地了解数据的分布,并有利于对数据进行可视化处理,自组织映射神经网络趋于稳定的时候,距离最近的几组将会被聚集到一起;这些特点,就是我们采取自组织映射神经网络的原因。
实施例2:
本实施例提供了一种基于自组织映射神经网络的5G基站检测***,包括:图像特征提取模块、特征整合模块和聚类模块;
如图1所示,所述特征整合模块包含两个平行层;模型的每一个模块都会有对应的输入和输出,上一个模块的输出就是下一个模块的输入;模型的每一个模块都会对数据进行降维,来减少计算量,并在第二层完成流量时间序列分类,第三层完成流量预测。图1中,的I、II和III分别对应模型的三层,第一层的图像采样的过程中,滑动窗口中包含两个滑动单元,分别是单元1和单元2,单元1大小是K1*K1,单元2的大小是K2*K2,滑动窗口的大小是L*W,所以,模型第二部分的注意中提到的NL和Nw分别对应的是滑动窗口在垂直和水平方向上特征的个数,S是滑动单元的步长。
所述图像特征提取模块被配置为,根据基站经纬度确定基站在地图中的位置;根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;利用方向梯度直方图提取图像特征,得到水平和竖直两个方向的特征数量;
所述特征整合模块被配置为,利用自组织映射神经网络对图像特征进行整合;
所述聚类模块被配置为,根据聚类的结果,结合参考信号接收功率、参考信号接收质量和信号与干扰加噪声比指标确定所述基站的覆盖异常区域。
实施例三:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一所述的基于自组织映射神经网络的5G基站检测方法。
实施例四:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述的基于自组织映射神经网络的5G基站检测方法。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (7)
1.基于自组织映射神经网络的5G基站检测方法,其特征在于,包括:
根据基站经纬度确定基站在地图中的位置;
根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;
利用方向梯度直方图提取水平和竖直两个方向的图像特征;
利用自组织映射神经网络对图像特征进行聚类,根据不同基站在地图中对应的标注颜色将基站进行分类;
在提取图像特征时,将图像分割成多个小格子,将包含质量检测点特征的小格子赋予监测点的颜色,将同时包含多个监测点的小格子赋予信号质量最差检测点的颜色;对于彩色图像,将RGB分量转化成灰度图像;对图像的水平方向和垂直方向做卷积,得到每个点在水平方向和垂直方向的梯度;对图像特征进行整合,在自组织神经网络中引入模糊逻辑,采用两个平行自组织神经网络分别处理水平和竖直两个不同纬度的特征;将平行自组织神经网络收集到的整张图片的特征进行线性拼接。
2.如权利要求1所述的基于自组织映射神经网络的5G基站检测方法,其特征在于,通过最小化路测技术收集到参考信号接收功率、参考信号接收质量和信号与干扰加噪声三个指标。
3.如权利要求1所述的基于自组织映射神经网络的5G基站检测方法,其特征在于,规定基站在地图中的标注颜色随着指标数值的降低变深,信号质量好的颜色贴近图像的背景色。
4.如权利要求1所述的基于自组织映射神经网络的5G基站检测方法,其特征在于,自组织神经网络中引入模糊逻辑的过程为:
随机初始化神经元的权重;
输入所有的样本;
计算每个输入向量与神经元的欧氏距离;
计算每个输入向量与所有神经元的隶属度;
根据计算的隶属度调整每个神经元;
定义整个网络稳定的条件。
5.基于自组织映射神经网络的5G基站检测***,其特征在于,包括:图像特征提取模块、特征整合模块和聚类模块;
所述图像特征提取模块,被配置为:根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色,得到包含基站颜色属性的图像;利用方向梯度直方图提取水平和竖直两个方向的图像特征;
所述特征整合模块,被配置为:利用自组织映射神经网络对图像特征进行整合;
所述聚类模块,被配置为:利用自组织映射神经网络对图像特征进行聚类,根据不同基站在地图中对应的标注颜色将基站进行分类;
在提取图像特征时,将图像分割成多个小格子,将包含质量检测点特征的小格子赋予监测点的颜色,将同时包含多个监测点的小格子赋予信号质量最差检测点的颜色;对于彩色图像,将RGB分量转化成灰度图像;对图像的水平方向和垂直方向做卷积,得到每个点在水平方向和垂直方向的梯度;对图像特征进行整合,在自组织神经网络中引入模糊逻辑,采用两个平行自组织神经网络分别处理水平和竖直两个不同纬度的特征;将平行自组织神经网络收集到的整张图片的特征进行线性拼接。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于自组织映射神经网络的5G基站检测方法。
7.一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,该程序被处理器执行时实现如权利要求1-4任一项所述的基于自组织映射神经网络的5G基站检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643438.1A CN113420623B (zh) | 2021-06-09 | 2021-06-09 | 基于自组织映射神经网络的5g基站检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643438.1A CN113420623B (zh) | 2021-06-09 | 2021-06-09 | 基于自组织映射神经网络的5g基站检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420623A CN113420623A (zh) | 2021-09-21 |
CN113420623B true CN113420623B (zh) | 2022-07-12 |
Family
ID=77788236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110643438.1A Active CN113420623B (zh) | 2021-06-09 | 2021-06-09 | 基于自组织映射神经网络的5g基站检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420623B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193574B (zh) * | 2023-02-22 | 2023-10-13 | 中电建建筑集团有限公司 | 一种基于5g网络的观测信息融合定位关键技术方法与*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
CN108734272A (zh) * | 2017-04-17 | 2018-11-02 | 英特尔公司 | 卷积神经网络优化机构 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102065432B (zh) * | 2009-11-13 | 2013-10-09 | ***通信集团黑龙江有限公司 | 一种基于传播模型的网络覆盖修正方法及*** |
US8744125B2 (en) * | 2011-12-28 | 2014-06-03 | Pelco, Inc. | Clustering-based object classification |
JP2014030100A (ja) * | 2012-07-31 | 2014-02-13 | Sony Corp | 情報処理装置、通信システム、情報処理方法およびプログラム |
KR102221021B1 (ko) * | 2014-07-21 | 2021-02-26 | 삼성전자주식회사 | 전자 장치 및 인터넷 프로토콜 기반의 네트워크에서 패킷을 처리하는 방법 |
CN106664131A (zh) * | 2014-07-25 | 2017-05-10 | 株式会社Ntt都科摩 | 基站、用户装置以及无线通信网络 |
CN106778786A (zh) * | 2016-12-29 | 2017-05-31 | 西京学院 | 基于对数频域分层梯度方向直方图的苹果病害识别方法 |
CN109921941B (zh) * | 2019-03-18 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 网络业务质量评估和优化方法、装置、介质及电子设备 |
CN111797078A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 数据清洗方法、模型训练方法、装置、存储介质及设备 |
CN112579823B (zh) * | 2020-12-28 | 2022-06-24 | 山东师范大学 | 基于特征融合和增量滑动窗口的视频摘要生成方法及*** |
-
2021
- 2021-06-09 CN CN202110643438.1A patent/CN113420623B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
CN108734272A (zh) * | 2017-04-17 | 2018-11-02 | 英特尔公司 | 卷积神经网络优化机构 |
Also Published As
Publication number | Publication date |
---|---|
CN113420623A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN108681692B (zh) | 一种基于深度学习的遥感图像内新增建筑识别方法 | |
CN107330453B (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN104850836B (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN110363182A (zh) | 基于深度学习的车道线检测方法 | |
CN110414387A (zh) | 一种基于道路分割的车道线多任务学习检测方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及*** | |
CN108875602A (zh) | 监控环境下基于深度学习的人脸识别方法 | |
CN111209892A (zh) | 一种基于卷积神经网络的人群密度及数量估计方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN110363134A (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN115205264A (zh) | 一种基于改进YOLOv4的高分辨率遥感船舶检测方法 | |
CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
CN111832443A (zh) | 一种施工违规行为检测模型的构建方法及其应用 | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN111310662A (zh) | 一种基于集成深度网络的火焰检测识别方法及*** | |
CN111797920A (zh) | 门控特征融合的深度网络不透水面遥感提取方法及*** | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN113420623B (zh) | 基于自组织映射神经网络的5g基站检测方法及*** | |
CN114943893A (zh) | 一种土地覆盖分类的特征增强网络 |
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 |