CN113591541A - 一种双工器的调试数据的处理方法以及装置 - Google Patents
一种双工器的调试数据的处理方法以及装置 Download PDFInfo
- Publication number
- CN113591541A CN113591541A CN202110616777.0A CN202110616777A CN113591541A CN 113591541 A CN113591541 A CN 113591541A CN 202110616777 A CN202110616777 A CN 202110616777A CN 113591541 A CN113591541 A CN 113591541A
- Authority
- CN
- China
- Prior art keywords
- data
- screw
- model
- task
- duplexer
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01P—WAVEGUIDES; RESONATORS, LINES, OR OTHER DEVICES OF THE WAVEGUIDE TYPE
- H01P1/00—Auxiliary devices
- H01P1/20—Frequency-selective devices, e.g. filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供了一种双工器的调试数据的处理方法以及装置,用于在调节双工器的信号波形时,通过数据处理提供精确的数据支持。方法包括:获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;提取并输出螺钉数据预测模型输出的目标螺钉数据。
Description
技术领域
本申请涉及通信领域,具体涉及一种双工器的调试数据的处理方法以及装置。
背景技术
在通信***中,双工器作为异频双工电台,是中继台的主要配件,用于将发射信号和接收信号相隔离,保证信号的发射和接收都能同时正常工作。
在5G商业化的逐步临近的背景下,涉及的5G基站需要具有传输稳定、高质量的无线通信能力,而在5G基站中,双工器是不可避免的器件,通过配置的双工器,对通信链路中的信号根据频率进行选择和控制,选择特定频率信号通过,同时抑制不需要的频率信号。
而在现有的相关技术的研究过程中,发明人发现,双工器在生产或者部署的过程中,需要由工作人员根据操作经验去调节双工器上的螺钉,以调节信号波形达到生产规定的波形,而该调节过程显然费时费力,效率低下。
发明内容
本申请提供了一种双工器的调试数据的处理方法以及装置,用于在调节双工器的信号波形时,通过数据处理提供精确的数据支持。
第一方面,本申请提供了一种双工器的调试数据的处理方法,方法包括:
获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;
将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;
提取并输出螺钉数据预测模型输出的目标螺钉数据。
结合本申请第一方面,在本申请第一方面第一种可能的实现方式中,获取双工器的调试任务的任务数据之前,方法还包括:
获取标注有对应螺钉样本数据的任务样本数据;
将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第二种可能的实现方式中,初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第三种可能的实现方式中,在模型训练之前,方法还包括:
在min-max标准化方式下,对多个任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
结合本申请第一方面,在本申请第一方面第四种可能的实现方式中,任务数据包括目标波形的波形偏移量、主波形峰值以及辅助波形峰值,目标螺钉数据包括螺钉型号以及螺钉旋入量。
第二方面,本申请提供了一种双工器的调试数据的处理装置,装置包括:
获取单元,用于获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;
预测单元,用于将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;
输出单元,用于提取并输出螺钉数据预测模型输出的目标螺钉数据。
结合本申请第二方面,在本申请第二方面第一种可能的实现方式中,装置还包括训练单元,用于
获取标注有对应螺钉样本数据的任务样本数据;
将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第二种可能的实现方式中,初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第三种可能的实现方式中,训练单元,还用于:
在min-max标准化方式下,对多个任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
结合本申请第二方面,在本申请第二方面第四种可能的实现方式中,任务数据包括目标波形的波形偏移量、主波形峰值以及辅助波形峰值,目标螺钉数据包括螺钉型号以及螺钉旋入量。
第三方面,本申请提供了一种双工器的调试数据的处理设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出,本申请具有以下的有益效果:
针对于双工器的信号波形的调节,本申请提出一种数据处理手段,通过预先配置一螺钉数据预测模型,当确定将双工器的过滤信号的波形调节至目标波形的调节任务时,可将该任务的任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,其中,该过滤信号具体为通过双工器包括的滤波器的滤波处理的信号,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形,在该情况下,由于引入的人工智能手段,更为科学地、精确地通过神经网络模型分析出了本次调节任务所需的目标螺钉数据,从而通过数据处理提供精确的数据支持,可根据该目标螺钉数据精确地进行双工器的信号波形的调节,通过数据处理提供精确的数据支持省时省力,可为调节效率带来明显的提升。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请双工器的调试数据的处理方法的一种流程示意图;
图2为本申请双工器的调试数据的处理装置的一种结构示意图;
图3为本申请双工器的调试数据的处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个***中,或一些特征可以忽略,或不执行,另外,所显示的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接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的双工器的调试数据的处理方法之前,首先介绍本申请所涉及的背景内容。
本申请提供的双工器的调试数据的处理方法、装置以及计算机可读存储介质,可应用于双工器的调试数据的处理设备,用于在调节双工器的信号波形时,通过数据处理提供精确的数据支持。
本申请提及的双工器的调试数据的处理方法,其执行主体可以为双工器的调试数据的处理装置,或者集成了该双工器的调试数据的处理装置的服务器、物理主机或者用户设备(User Equipment,UE)等处理设备。其中,装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(PersonalDigital Assistant,PDA)等终端设备,双工器的调试数据的处理设备可以通过设备集群的方式设置。
进一步的,在实际应用中,该双工器的调试数据的处理设备的设备形式,具体可根据双工器的生产环境或者部署环境而调整,例如可以为生产线上的控制设备,也可以为工作人员手头的笔记本电脑,具体可随实际需要而定。
下面,开始介绍本申请提供的双工器的调试数据的处理方法。
首先,参阅图1,图1示出了本申请双工器的调试数据的处理方法的一种流程示意图,本申请提供的双工器的调试数据的处理方法,具体可包括如下步骤:
步骤S101,获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;
步骤S102,将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;
步骤S103,提取并输出螺钉数据预测模型输出的目标螺钉数据。
从图1所示实施例可看出,针对于双工器的信号波形的调节,本申请提出一种数据处理手段,通过预先配置一螺钉数据预测模型,当确定将双工器的过滤信号的波形调节至目标波形的调节任务时,可将该任务的任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,其中,该过滤信号具体为通过双工器包括的滤波器的滤波处理的信号,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形,在该情况下,由于引入的人工智能手段,更为科学地、精确地通过神经网络模型分析出了本次调节任务所需的目标螺钉数据,从而通过数据处理提供精确的数据支持,可根据该目标螺钉数据精确地进行双工器的信号波形的调节,通过数据处理提供精确的数据支持省时省力,可为调节效率带来明显的提升。
继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
在本申请中,双工器,具体可以为任意通信设备上的器件,例如5G基站上需要配置的双工器。
在双工器中,其功能主要由两个不同的滤波器实现,在信号接收链路以及信号发送链路上各配置一滤波器,将发射信号和接收信号相隔离,保障信号发射工作以及信号接收工作的正常运行。
双工器,一般预留多个的螺钉,这些螺钉与滤波器的谐振腔螺距相关,调节了螺钉,可改变谐振腔螺距,进而改变滤波器的过滤信号,达到调节双工器的过滤信号的效果。
由于调节过程中涉及的影响因素较为复杂,且螺钉一般数量较多,因此若如现有调节方案中由工作人员凭借操作经验进行,存在着费事费力的问题,导致效率低下。
本申请则引入人工智能(Artificial Intelligence,AI),通过神经网络模型来实现螺钉的调节指导。
预先的可进行模型的训练,可获取标注有对应螺钉样本数据的任务样本数据,再将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
涉及的神经网络模型,具体可以为YOLOv3模型、ResNet模型、R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、Mask R-CNN模型、SSD模型等不同类型的模型。
而作为训练集的任务样本数据,其内容包括对应的期望调整也可说调整后达到的目标波形,同时,还标注了螺钉样本数据。
该任务样本数据,具体可以由工作人员配置,或者,也可以在实际调试过程中进行记录,并提取出任务数据作为任务样本数据,甚至的,任务样本数据还可由设备自主经过大量的测量、采集得到。
通俗理解,该螺钉数据预测模型,其根据模型中配置的双工器的螺钉旋入量与输出波形之间的关系,预测当前目标信号波形所对应的螺钉旋入量,即,目标螺钉数据。
此外,应当理解的是,在实际应用过程中,若针对的同一款双工器,显然,其螺钉旋入量与输出波形之间的关系一般是固定不变的,如此,可直接向模型输入目标波形(任务数据),即可精确地得到对应的螺钉旋入量,为过滤信号的调节提供数据指导。
而若考虑到不同型号的双工器或者同一型号的双工器存在不同的滤波器时,可能导致过滤信号的调节效果存在差异,上述的模型训练以及模型应用的过程中,还可考虑双工器型号或者滤波器型号,以达到更为精确的预测效果。
例如,任务数据中不仅可包括具体的目标信号波形,还可指示具体的双工器型号、滤波器型号,甚至其他可涉及到的具体影响元素,以使得螺钉数据预测模型可更为针对性地、精确地预测达到目标信号波形所需的目标螺钉数据。
其中,任务数据中指示的目标波形,可指示该目标波形的波形特征,如波形偏移量、主波形峰值以及辅助波形峰值,例如,在实际应用中,可配置两个辅助波形峰值,即,辅助波形峰值1、辅助波形峰值2。
另一边,模型涉及的螺钉数据可包括螺钉型号以及螺钉旋入量。
可以理解的是,任务数据以及螺钉数据,可以采用文本的方式直接表述内容,或者,也可结合图像、表格等数据形式呈现内容。
举例而言,若螺钉数据预测模型输出的目标螺钉数据,其输出是输出至工作人员的,此时,该目标螺钉数据,具体可以直接为图像形式,以便设备直接加载,进行展示。
当然,具体可以根据实际需要调整,例如,目标螺钉数据的输出,可以根据输出对象的不同调整输出方式,或者,也可采用统一的数据形式,由输出对象进行数据形式的转换。
例如,若配置一显示设备或者通过显示设备来展示目标螺钉数据,显然,该显示设备在获得双工器的调试数据的处理设备传输过来的目标螺钉数据后,可根据自身配置的显示策略,对目标螺钉数据进行数据的转换,以适配的展示方式进行展示。
当然,该显示设备甚至显示屏,也可属于双工器的调试数据的处理设备本身。
此外,本申请针对于模型的训练,还提出一种训练机制,以进一步提高训练效果,进而保障模型的高预测精度。
初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含 m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
具体的,随机森林模型由决策树组成,由若干个弱分类器的分类结果进行投票选择,从而组成一个强分类器,通过提取多个样本数据,每个样本中含有多个特征,采用随机且有放回(即Bootstrap抽样方法)地从训练集中的抽取N 个训练样本,通过模型学习得到相应的螺钉调节指导参数。
上述的随机森林模型原理是以输入为样本集D={(x1,y1), (x2,y2),....(xm,ym)},(x为波形特征数据,y为螺母数据)进行弱分类器迭代次数T,输出为最终的强分类器H(x):
随机森林模型调用的主循环过程(t=1,2,…,T),对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
在上述方案中随机森林模型主要用于预测样本螺钉的型号和样本螺钉的旋入量。
此外,考虑到任务样本数据中不同属性特征的量纲可能存在不一致性,数据之间的差异可能较大,为避免该情况对模型的训练效果、训练精度带来影响,还可进行预处理,通过数据的预处理,消除数据之间的差异性。
举例而言,在模型训练之前,方法还可包括:
在min-max标准化方式下,对多个任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
其中,min-max标准化方式,是对序列x1,x2,....,xn进行变换:
则新序列y1,y2,....,yn∈{0,1}且无量纲。
以上是本申请提供双工器的调试数据的处理方法的介绍,为便于更好的实施本申请提供的双工器的调试数据的处理方法,本申请还提供了双工器的调试数据的处理装置。
参阅图2,图2为本申请双工器的调试数据的处理装置的一种结构示意图,在本申请中,双工器的调试数据的处理装置200具体可包括如下结构:
获取单元201,用于获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;
预测单元202,用于将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;
输出单元203,用于提取并输出螺钉数据预测模型输出的目标螺钉数据。
在一种示例性的实现方式中,装置还包括训练单元204,用于
获取标注有对应螺钉样本数据的任务样本数据;
将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
在又一种示例性的实现方式中,初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t 次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t 个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
在又一种示例性的实现方式中,训练单元204,还用于:
在min-max标准化方式下,对多个任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
在又一种示例性的实现方式中,任务数据包括目标波形的波形偏移量、主波形峰值以及辅助波形峰值,目标螺钉数据包括螺钉型号以及螺钉旋入量。
本申请还提供了双工器的调试数据的处理设备,参阅图3,图3示出了本申请双工器的调试数据的处理设备的一种结构示意图,具体的,本申请双工器的调试数据的处理设备可包括处理器301、存储器302以及输入输出设备303,处理器301用于执行存储器302中存储的计算机程序时实现如图1对应实施例中双工器的调试数据的处理方法的各步骤;或者,处理器301用于执行存储器302 中存储的计算机程序时实现如图2对应实施例中各单元的功能,存储器302用于存储处理器301执行上述图1对应实施例中双工器的调试数据的处理方法所需的计算机程序。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
双工器的调试数据的处理设备可包括,但不仅限于处理器301、存储器302、输入输出设备303。本领域技术人员可以理解,示意仅仅是双工器的调试数据的处理设备的示例,并不构成对双工器的调试数据的处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如双工器的调试数据的处理设备还可以包括网络接入设备、总线等,处理器301、存储器302、输入输出设备303等通过总线相连。
处理器301可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是双工器的调试数据的处理设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器302可用于存储计算机程序和/或模块,处理器301通过运行或执行存储在存储器302内的计算机程序和/或模块,以及调用存储在存储器302内的数据,实现计算机装置的各种功能。存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据双工器的调试数据的处理设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器301用于执行存储器302中存储的计算机程序时,具体可实现以下功能:
获取双工器的调试任务的任务数据,调试任务用于将双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过双工器包括的滤波器的滤波处理的信号;
将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节双工器的过滤信号的波形;
提取并输出螺钉数据预测模型输出的目标螺钉数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的双工器的调试数据的处理装置、设备及其相应单元的具体工作过程,可以参考如图1对应实施例中方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1对应实施例中双工器的调试数据的处理方法中的步骤,具体操作可参考如图1对应实施例中双工器的调试数据的处理方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory, ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1对应实施例中双工器的调试数据的处理方法的步骤,因此,可以实现本申请如图1 对应实施例中双工器的调试数据的处理方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的双工器的调试数据的处理方法、装置、设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种双工器的调试数据的处理方法,其特征在于,所述方法包括:
获取双工器的调试任务的任务数据,所述调试任务用于将所述双工器的过滤信号的波形调节至目标波形,所述过滤信号具体为通过所述双工器包括的滤波器的滤波处理的信号;
将所述任务数据输入螺钉数据预测模型,使得所述螺钉数据预测模型根据所述任务数据预测所述目标波形匹配的目标螺钉数据,所述螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,所述目标螺钉数据为描述所述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,所述螺钉用于调节所述双工器的过滤信号的波形;
提取并输出所述螺钉数据预测模型输出的所述目标螺钉数据。
2.根据权利要求1所述的方法,其特征在于,所述获取双工器的调试任务的任务数据之前,所述方法还包括:
获取标注有对应所述螺钉样本数据的所述任务样本数据;
将每个所述任务样本数据依次输入所述初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为所述螺钉数据预测模型。
3.根据权利要求2所述的方法,其特征在于,所述初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个所述任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用所述采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在所述部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
4.根据权利要求2所述的方法,其特征在于,在模型训练之前,所述方法还包括:
在min-max标准化方式下,对多个所述任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
5.根据权利要求1所述的方法,其特征在于,所述任务数据包括所述目标波形的波形偏移量、主波形峰值以及辅助波形峰值,所述目标螺钉数据包括螺钉型号以及螺钉旋入量。
6.一种双工器的调试数据的处理装置,其特征在于,所述装置包括:
获取单元,用于获取双工器的调试任务的任务数据,所述调试任务用于将所述双工器的过滤信号的波形调节至目标波形,所述过滤信号具体为通过所述双工器包括的滤波器的滤波处理的信号;
预测单元,用于将所述任务数据输入螺钉数据预测模型,使得所述螺钉数据预测模型根据所述任务数据预测所述目标波形匹配的目标螺钉数据,所述螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,所述目标螺钉数据为描述所述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,所述螺钉用于调节所述双工器的过滤信号的波形;
输出单元,用于提取并输出所述螺钉数据预测模型输出的所述目标螺钉数据。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括训练单元,用于
获取标注有对应所述螺钉样本数据的所述任务样本数据;
将每个所述任务样本数据依次输入所述初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为所述螺钉数据预测模型。
8.根据权利要求7所述的装置,其特征在于,所述初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个所述任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用所述采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在所述部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
9.根据权利要求7所述的装置,其特征在于,所述训练单元,还用于:
在min-max标准化方式下,对多个所述任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
10.根据权利要求6所述的装置,其特征在于,所述任务数据包括所述目标波形的波形偏移量、主波形峰值以及辅助波形峰值,所述目标螺钉数据包括螺钉型号以及螺钉旋入量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616777.0A CN113591541A (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试数据的处理方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616777.0A CN113591541A (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试数据的处理方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591541A true CN113591541A (zh) | 2021-11-02 |
Family
ID=78243330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616777.0A Pending CN113591541A (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试数据的处理方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591541A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN106814307A (zh) * | 2017-01-10 | 2017-06-09 | 深圳鼎缘电子科技有限公司 | 一种腔体滤波器自动调试方法及*** |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
-
2021
- 2021-06-02 CN CN202110616777.0A patent/CN113591541A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN106814307A (zh) * | 2017-01-10 | 2017-06-09 | 深圳鼎缘电子科技有限公司 | 一种腔体滤波器自动调试方法及*** |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
Non-Patent Citations (1)
Title |
---|
张秀华;雷建华;: "微波滤波器计算机辅助调试的发展现状及趋势", 信息与电子工程, no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107102941B (zh) | 一种测试用例的生成方法及装置 | |
CN110399420B (zh) | 一种可配置化Excel格式的导出方法、电子设备和介质 | |
CN102521218B (zh) | 文件合成方法及装置 | |
CN113360554B (zh) | 一种数据抽取、转换和加载etl的方法和设备 | |
CN108733639A (zh) | 一种配置参数调整方法、装置、终端设备及存储介质 | |
CN107301214A (zh) | 在hive中数据迁移方法、装置及终端设备 | |
CN108304322B (zh) | 一种压力测试方法及终端设备 | |
CN104391879A (zh) | 层次聚类的方法及装置 | |
CN103810197A (zh) | 一种基于Hadoop的数据处理方法及其*** | |
CN110968592A (zh) | 元数据采集方法、装置、计算机设备及计算机可读存储介质 | |
CN107491484A (zh) | 一种数据匹配方法、装置及设备 | |
CN117332374A (zh) | 一种ai芯片的计算和通信的融合方法、装置及ai芯片 | |
CN113591541A (zh) | 一种双工器的调试数据的处理方法以及装置 | |
CN108171417B (zh) | 种植任务调整方法、电子设备及存储介质 | |
CN116009889A (zh) | 深度学习模型的部署方法、装置、电子设备及存储介质 | |
CN113238911B (zh) | 告警处理方法及装置 | |
CN114167292A (zh) | 一种电池包的电池参数确定方法及装置、电子设备 | |
CN113761043A (zh) | 数据提取方法、装置、计算机设备和存储介质 | |
CN113392131A (zh) | 数据处理方法、装置及计算机设备 | |
CN111062004A (zh) | 一种预测模型调整方法、装置、预测模拟器以及存储介质 | |
CN113760489B (zh) | 一种资源配置方法和装置 | |
CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
CN112015398A (zh) | 数据融合方法及装置 | |
JP6366522B2 (ja) | 電波環境解析装置、通信装置および電波環境解析方法 | |
CN107219841A (zh) | 属性访问控制方法和装置 |
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 |