一种信道质量评估方法以及相关装置与流程

文档序号:30619389发布日期:2022-07-02 02:02阅读:232来源:国知局
一种信道质量评估方法以及相关装置与流程

1.本技术涉及通信技术领域,尤其涉及一种信道质量评估方法以及相关装置。


背景技术:

2.近年来具有短距离无线传输能力的产品越来越丰富,用户数量也日益增长。例如,蓝牙耳机、蓝牙音箱、智能手表等可穿戴产品。这些产品大部分采用蓝牙技术或蓝牙衍生技术进行无线传输。蓝牙技术工作在2.4ghz频段,与wifi技术等共享频谱。导致不同设备之间蓝牙技术进行无线传输时存在严重的干扰,导致通信性能较差,影响用户体验。
3.目前,设备之间采用自适应跳频技术(adaptive frequency hopping,afh)对抗无线环境中的干扰以提高通信传输性能。例如,在蓝牙系统中,蓝牙第一设备定期或不定期更新自适应跳频地图。蓝牙第一设备更新自适应跳频地图的过程可以理解为蓝牙第一设备对信道的信道质量的评估。该自适应跳频地图用于指示可用信道。可用信道为信道质量较高的信道。然后,蓝牙第一设备将自适应跳频地图发送给蓝牙第二设备。蓝牙第一设备与蓝牙第二设备之间采用该自适应跳频地图进行通信传输。
4.因此,如何对信道质量进行评估以提高通信传输性能是当前研究的重要课题。


技术实现要素:

5.本技术实施例提供了一种信道质量评估方法,包括:第一设备确定第一设备使用的神经网络结构对应的第一网络参数;第一设备根据第一网络参数和神经网络结构确定第一神经网络模型;第一设备根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息,第一信道质量评估结果用于指示信道的信道质量。
6.具体的,云设备中配置有一个或多个神经网络模型,这些神经网络模型可以适用于不同的场景。不同的神经网络模型还可以适用于不同的第一设备,不同的神经网络模型还可以适用于不同的用户等级信息。这些神经网络模型可以是采用不同的神经网络结构,这些神经网络模型也可以采用相同的神经网络结构并针对不同场景进行适应性优化训练。
7.本技术实施例中,云设备确定第一设备使用的神经网络结构对应的第一网络参数。然后,第一设备根据第一网络参数和神经网络结构确定第一神经网络模型。第一设备根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果。该第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息。第一信道质量评估结果用于指示信道的信道质量。由此可知,本技术实施例提供了一种对信道质量进行评估的方案。即第一设备通过第一神经网络模型和第一设备测量信道得到的第一干扰信息对信道进行评估,得到第一信道质量评估结果。这样,第一设备与其连接的第二设备之间可以基于第一信道质量评估结果进行通信传输,从而提高通信传输性能。
8.在一种可选的实现方式中,第一设备确定第一设备使用的神经网络结构对应的第一网络参数,包括:第一设备向云设备发送第一请求,第一请求用于请求云设备下发第一网
络参数;第一设备接收来自云设备的第一网络参数。
9.在一种可选的实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络结构对应的网络参数。
10.第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息;能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;结构信息用于指示第一设备使用的神经网络结构;场景信息用于指示第一设备当前所处的第一场景;用户等级信息用于指示第一设备的用户等级。
11.具体的,第一设备通过如下方法确定该能力信息:第一设备根据自身的计算能力(或者硬件参数)确定自身是否支持使用神经网络模型进行信道质量评估。当第一设备支持使用神经网络模型时,第一请求中携带的能力信息指示第一设备支持使用神经网络模型。
12.结构信息指的是该第一设备使用的神经网络结构的相关信息,该结构信息包括但不限于:第一设备支持的神经网络模型中每层神经元的个数、第一设备支持的神经网络模型中神经元的层数、第一设备支持的神经网络模型的层间级联关系,和/或第一设备支持的神经网络模型中每层的网络类型。
13.场景信息用于指示第一设备当前所处的第一场景。第一设备确定自身的位置信息(即第一设备地理位置,例如第一设备的经纬度坐标)后,根据预设的地图信息标记该位置信息对应的场景信息。该场景可以理解为信道环境。
14.用户等级信息用于指示第一设备的用户等级,示例性的,用户等级包括:贵宾(vip)用户与非贵宾用户。第一设备根据该用户等级信息,为不同用户等级的第一设备配置相应的第一网络参数。示例性的,当第一设备的用户等级为贵宾用户,云设备根据该用户等级信息为该第一设备配置用户等级为贵宾用户的第一网络参数。用户等级为贵宾用户的第一网络参数,相较于用户等级为非贵宾用户的第一网络参数具有抗干扰性能更强、通信传输性能更强等特点。
15.该第一请求中还可以包括第一设备的设备类型信息,例如:第一设备的设备类型,和/或,与该第一设备建立蓝牙连接的第二设备的设备类型,此处不作限制。
16.本技术实施例中,第一设备通过向云设备发送第一请求,使得云设备可以获知第一设备的相关信息。以便云设备为第一设备配置更精确的第一网络参数,提升第一设备的通信性能。
17.在一种可选的实现方式中,第一设备向云设备发送第一请求,包括:当满足第一条件时,第一设备向云设备发送第一请求;第一条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行数据传输的情况下,第一设备在时间窗内的丢包率大于或等于预设阈值;第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。
18.在一种可选的实现方式中,第一设备确定第一设备使用的神经网络结构对应的第一网络参数,包括:第一设备评估第二神经网络模型的性能,得到第一性能评估结果,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型;第一设备向云设备发送第一性能评估结果;第一设备接收云设备发送的第一网络参数,第一网络参数为云设备根据第一性能评估结果和第二神经网络模型调整得到的网络
参数。
19.具体的,第一设备评估第二神经网络模型的性能具体如下:第一设备采用第二信道质量评估结果与第二设备进行通信传输时,第一设备统计时间窗内第一设备与第二设备之间通信的丢包率。
20.可选的,当满足第二条件,则第一设备确认当前第二神经网络模型的性能是劣于历史使用的神经网络模型的性能。第二条件为:该丢包率大于历史最小丢包率(第一设备与第二设备之间通信的丢包率)。首先,第一设备确定该历史最小丢包率对应的神经网络模型的参数。其次,第一设备将该历史最小丢包率对应的神经网络模型的参数,和/或第二神经网络模型的性能差的指示,通过消息通知云设备。该消息称为第一性能评估结果。该时间窗的长度可以根据实际需求确定,例如:3-5秒,此处不作限制。
21.本技术实施例中,第一设备可以评估第二神经网络模型的性能,当该第二神经网络模型的性能未达到要求时,可以将该性能评估结果通知云设备。云设备根据该性能评估结果,可以向第一设备下发新的网络参数,为第一设备配置新的神经网络模型,有效提升第一设备的通信性能。
22.在一种可选的实现方式中,第一设备确定第一设备使用的神经网络结构对应的第一网络参数,包括:第一设备接收来自云设备的第二请求,第二请求用于请求第一设备上报测量信道得到的干扰信息;第一设备向云设备发送第三干扰信息,第三干扰信息包括:第一设备测量信道得到的历史干扰信息,和/或,第一设备在接收到第二请求之后测量信道得到的干扰信息;第一设备接收云设备发送的第一网络参数,第一网络参数为云设备根据第三干扰信息更新云设备的第二神经网络模型得到的网络参数。
23.可选的,第三干扰信息可以是信号强度指示(received signal strength indicator,rssi),该干扰信息还可以是信道的其它性能指标,此处不作限定,例如:该干扰信息为丢包率,信噪比(signal-noise ratio,snr),或者,信号与干扰加噪声比(signal to interference plus noise ratio,sinr),也可以是经过处理的rssi。例如:经过压缩处理得到的rssi均值或rssi残差。第三干扰信息还可以第一设备测量得到各个rssi的均值,以及每个rssi与该均值的差,例如:第一设备测量得到的某个信道的rssi为{-88,-89,-85,-93,-95},则均值为-90,每个rssi与该均值的差为{2,1,5,-3,-5}。第一设备向云设备发送的第三干扰信息为:均值{-90},每个rssi与该均值的差{2,1,5,-3,-5}。第三干扰信息可以有多种实现方式,提升本方案的实现灵活性。
24.在一种可选的实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
25.第二方面,本技术实施例还提出一种信道质量评估方法,该第一设备包括手机或平板,第一设备包括显示屏;该方法还包括:第一设备显示第一标识;第一设备检测到针对于第一标识的目标操作;第一设备响应于目标操作,第一设备执行如前述第一方面中任一项的方法。
26.第三方面,本技术实施例还提出一种信道质量评估方法,包括:首先,云设备确定第一设备使用的神经网络结构对应的第一网络参数;其次,云设备向第一设备发送第一网络参数,第一网络参数用于第一设备根据神经网络结构确定第一神经网络模型。
27.本技术实施例中,云设备根据第一设备使用的神经网络结构为第一设备确定第一
网络参数。第一网络参数用于第一设备根据神经网络结构确定第一神经网络模型,以便第一设备使用该第一神经网络模型与第二设备进行通信,提升了通信性能。
28.在一种可选的实现方式中,云设备确定第一设备使用的神经网络结构对应的第一网络参数之前,包括:云设备接收来自第一设备的第一请求,第一请求用于请求神经网络结构对应的第一网络参数。该第一请求与前述第一方面类似,此处不作赘述。
29.本技术实施例中,云设备接收第一设备发送的第一请求,云设备可以获知第一设备的相关信息。以便云设备为第一设备配置更精确的第一网络参数,提升第一设备的通信性能。
30.在一种可选的实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络模型结构对应的网络参数。
31.在一种可选的实现方式中,云设备确定第一设备使用的神经网络结构对应的第一网络参数之前:云设备接收第一设备发送第一性能评估结果,第一性能评估结果为第一设备评估第二神经网络模型的性能得到的第一性能评估结果,第二神经网络模型是云设备根据第二网络参数和神经网络结构确定的神经网络模型;云设备确定第一设备使用的神经网络结构对应的第一网络参数,包括:云设备根据第一性能评估结果更新第二神经网络模型,得到第一神经网络模型;云设备确定第一神经网络模型对应的第一网络参数。
32.本技术实施例中,第一设备可以评估第二神经网络模型的性能,当该第二神经网络模型的性能未达到要求时,可以将该性能评估结果通知云设备。云设备根据该性能评估结果,可以向第一设备下发新的网络参数,为第一设备配置新的神经网络模型,有效提升第一设备的通信性能。
33.在一种可选的实现方式中,云设备确定第一设备使用的神经网络结构对应的第一网络参数之前:云设备向第一设备发送第二请求,第二请求用于请求第一设备上报第一设备上报测量信道得到的干扰信息;云设备接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第二请求之后测量信道得到的干扰信息;云设备确定第一设备使用的神经网络结构对应的第一网络参数,包括:云设备根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型;云设备确定第一神经网络模型对应的第一网络参数。
34.本技术实施例中,云设备还可以根据第一设备的第三干扰信息更新云设备的神经网络模型,以提升云设备中神经网络模型与实际信道的贴合程度,进一步提升神经网络模型的通信性能。
35.在一种可选的实现方式中,云设备获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;云设备根据一个或多个设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
36.可选的,云设备按照第一设备的不同设备类型,对获取的第四干扰信息进行分类。例如:云设备获取一个或多个第一类型设备在n个时刻测量得到的第四干扰信息。
37.可选的,云设备根据一个或多个第一类型设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
38.在一种实现方式中,云设备对于不同类型的设备(第一设备),使用来源不同的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。例如:对于第一类型设
备,云设备使用来自第一类型设备的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。对于第二类型设备,云设备使用来自第二类型设备的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。
39.云设备根据第一设备上报的第一请求中携带的设备类型信息,向该第一设备发送对应的神经网络模型的网络参数。例如:当第一设备上报的第一请求中指示第一设备为第一类型设备,则云设备下发的网络参数对应的神经网络模型,为使用第一类型设备上报的第四干扰信息训练得到的神经网络模型。
40.本技术实施例中,对于不同类型的第一设备,与不同用户等级的第一设备,云设备可以差异化训练神经网络模型。以适应不同业务场景,满足用户的差异化通信性能需求。
41.在一种可选的实现方式中,第一设备为贵宾vip设备,且第一设备为第一类型设备;方法还包括:云设备获取一个或多个第一类型设备在n个时刻测量得到的第四干扰信息;云设备根据一个或多个第一类型设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。第四干扰信息可以是rssi,还可以是信道的其它性能指标,此处不作限定,例如:为丢包率,信噪比,或者,信号与干扰加噪声比(signal to interference plus noise ratio,sinr)。
42.具体的,云设备对于不同用户等级的第一设备,使用来源不同的且样本数量不同的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。例如:对于非vip设备的第一类型设备,云设备使用样本数量为5000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第一类型设备。对于vip设备的第一类型设备,云设备使用样本数量为50000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第一类型设备。对于非vip的第二类型设备,云设备使用样本数量为20000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第二类型设备。
43.第五方面,本技术实施例提出一种信道质量评估方法,包括:
44.第一设备接收来自云设备的第一信道质量评估结果,第一信道质量评估结果是云设备根据第一干扰信息和第一神经网络模型确定的,第一信道质量评估结果用于指示信道的信道质量,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息。
45.本技术实施例中,第一设备不支持使用神经网络模型进行信道质量评估的情况下,云设备根据第一设备上传的第一干扰信息,使用第一神经网络模型进行处理,推理得到第一信道质量评估结果。然后,第一设备接收该第一信道质量评估结果后,使用第一信道质量评估结果与第二设备进行通信。由此可知,本技术实施例提供了一种对信道质量进行评估的方案。即云设备通过第一神经网络模型和第一设备测量信道得到的第一干扰信息对信道进行评估,得到第一信道质量评估结果。云设备向第一设备发送该第一信道质量评估结果。这样,第一设备与其连接的第二设备之间可以基于第一信道质量评估结果进行通信传输,从而提高通信传输性能,提升第一设备的抗干扰性能。
46.在一种实现方式中,第一设备接收来自云设备的第一信道质量评估结果之前:第一设备向云设备发送第三请求,第三请求用于请求信道的信道质量评估结果。
47.在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;能力信息用于指示第一设备不支持使用神经网络模型进行信道
质量评估;下发方式信息用于指示第一信道质量评估结果的下发方式;场景信息用于指示第一设备当前所处的第一场景;用户等级信息用于指示第一设备的用户等级。
48.该第三请求与前述第一方面中的第一请求类似,此处不作赘述。
49.在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
50.在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
51.在一种实现方式中,第一设备接收来自云设备的第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;第一设备向云设备发送第一干扰信息,第一干扰信息为第一设备在接收到第一干扰信息请求之后,在第一时间内测量信道得到的干扰信息。该第一干扰信息与前述第一方面中的第一干扰信息类似,此处不作赘述。
52.在一种实现方式中,第一设备评估第二信道质量评估结果,得到第二评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;第一设备向云设备发送第二评估结果,第二评估结果用于云设备更新第二神经网络模型,得到第一神经网络模型。该第二评估结果与前述第一方面中的第二评估结果类似,此处不作赘述。本技术实施例中,第一设备可以评估第二神经网络模型的性能,当该第二神经网络模型的性能未达到要求时,可以将该性能评估结果通知云设备。云设备根据该性能评估结果,可以向第一设备下发新的网络参数,为第一设备配置新的神经网络模型,有效提升第一设备的通信性能。
53.在一种实现方式中,第一设备接收来自云设备的第四请求,第四请求用于请求第一设备上报第一设备测量得到的干扰信息;第一设备向云设备发送第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息,第三干扰信息用于云设备更新第二神经网络模型,得到第一神经网络模型。该第三干扰信息与前述第一方面中的第三干扰信息类似,此处不作赘述。第三干扰信息可以有多种实现方式,提升本方案的实现灵活性。
54.第五方面,本技术实施例提出一种信道质量评估方法,第一设备包括手机或平板,第一设备包括显示屏;方法还包括:第一设备显示第一标识;第一设备检测到针对于第一标识的目标操作;第一设备响应于目标操作,第一设备执行前述第四方面中任一项的方法。
55.第六方面,本技术实施例提出一种信道质量评估方法,包括:
56.云设备确定第一干扰信息,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息;云设备根据第一干扰信息和第一神经网络模型确定第一信道质量评估结果,第一信道质量评估结果用于指示信道的信道质量;云设备向第一设备发送第一信道质量评估结果。
57.在一种实现方式中,云设备接收来自第一设备的第三请求,第三请求用于请求信道的信道质量评估结果。
58.在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;下发方式信息用于指示第一信道质量评估结果的下发方式;场景信息用于指示第一设备当前所处的第一场景;用户等级信息用于指示第一设备的用户等级。
59.该第三请求与前述第四方面中的第三请求类似,此处不作赘述。
60.在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
61.在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
62.在一种实现方式中,云设备确定第一干扰信息,包括:云设备向第一设备发送第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;云设备接收来自第一设备的第一干扰信息。
63.在一种实现方式中,云设备接收第一设备的第二评估结果,第二评估结果为第一设备评估第二信道质量评估结果得到的评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;云设备根据第二评估结果调整第二神经网络模型,得到第一神经网络模型。
64.本技术实施例中,第一设备可以评估第二神经网络模型的性能,当该第二神经网络模型的性能未达到要求时,可以将该性能评估结果通知云设备。云设备根据该性能评估结果,可以向第一设备下发新的网络参数,为第一设备配置新的神经网络模型,有效提升第一设备的通信性能。
65.在一种实现方式中,云设备向第一设备发送第四请求,第四请求用于请求第一设备测量信道并上报得到的干扰信息;云设备接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息;云设备根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型。
66.本技术实施例中,云设备还可以根据第一设备的第三干扰信息更新云设备的神经网络模型,以提升云设备中神经网络模型与实际信道的贴合程度,进一步提升神经网络模型的通信性能。
67.在一种实现方式中,云设备获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;云设备根据一个或多个设备在n个时刻信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
68.本技术实施例中,对于不同类型的第一设备,与不同用户等级的第一设备,云设备可以差异化训练神经网络模型。以适应不同业务场景,满足用户的差异化通信性能需求。
69.在一种可选的实现方式中,第一设备为贵宾vip设备,且第一设备为第一类型设备;方法还包括:云设备获取一个或多个第一类型设备在n个时刻测量得到的第四干扰信息;云设备根据一个或多个第一类型设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。第四干扰信息可以是rssi,还可以是信道的其它性能指标,此处不作限定,例如:为丢包率,信噪比,或者,信号与干扰加噪声比(signal to interference plus noise ratio,sinr)。
70.第七方面,本技术实施例还提出一种通信装置,通信装置包括处理模块;
71.处理模块,用于确定第一设备使用的神经网络结构对应的第一网络参数;
72.处理模块,还用于根据第一网络参数和神经网络结构确定第一神经网络模型;
73.处理模块,还用于根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息,第一信道质量评估结果用于指示信道的信道质量。
74.在一种实现方式中,通信装置还包括收发模块;
75.收发模块,用于向云设备发送第一请求,第一请求用于请求云设备下发第一网络参数;
76.收发模块,还用于接收来自云设备的第一网络参数。
77.在一种实现方式中,第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息;
78.能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;
79.结构信息用于指示第一设备使用的神经网络结构;
80.场景信息用于指示第一设备当前所处的第一场景;
81.用户等级信息用于指示第一设备的用户等级。
82.在一种实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络结构对应的网络参数。
83.在一种实现方式中,收发模块,还用于当满足第一条件时,收发模块向云设备发送第一请求;
84.第一条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行数据传输的情况下,第一设备在时间窗内的丢包率大于或等于预设阈值;
85.第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。
86.在一种实现方式中,处理模块,还用于评估第二神经网络模型的性能,得到第一性能评估结果,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型;
87.收发模块,还用于向云设备发送第一性能评估结果;
88.收发模块,还用于接收云设备发送的第一网络参数,第一网络参数为云设备根据第一性能评估结果和第二神经网络模型调整得到的网络参数。
89.在一种实现方式中,处理模块,还用于当满足第二条件时,处理模块评估第二神经网络模型的性能,得到第一性能评估结果;
90.第二条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行通信传输情况下,第一设备在时间窗内第一设备的丢包率大于历史最小丢包率,第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的信道质量评估结果。
91.在一种实现方式中,收发模块,还用于接收来自云设备的第二请求,第二请求用于请求第一设备上报测量信道得到的干扰信息;
92.收发模块,还用于向云设备发送第三干扰信息,第三干扰信息包括:第一设备测量信道得到的历史干扰信息,和/或,第一设备在接收到第二请求之后测量信道得到的干扰信息;
93.收发模块,还用于接收云设备发送的第一网络参数,第一网络参数为云设备根据第三干扰信息更新云设备的第二神经网络模型得到的网络参数。
94.在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
95.第八方面,本技术实施例还提出一种通信装置,通信装置包括处理模块和收发模
块:
96.处理模块,用于确定第一设备使用的神经网络结构对应的第一网络参数;
97.收发模块,用于向第一设备发送第一网络参数,第一网络参数用于第一设备根据神经网络结构确定第一神经网络模型。
98.在一种实现方式中,收发模块,还用于接收来自第一设备的第一请求,第一请求用于请求神经网络结构对应的第一网络参数。
99.在一种实现方式中,第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息;
100.能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;
101.结构信息用于指示第一设备使用的神经网络结构;
102.场景信息用于第一设备当前所处的第一场景;
103.用户等级信息用于指示第一设备的用户等级。
104.在一种实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络模型结构对应的网络参数。
105.在一种实现方式中,收发模块,还用于接收第一设备发送第一性能评估结果,第一性能评估结果为第一设备评估第二神经网络模型的性能得到的第一性能评估结果,第二神经网络模型是云设备根据第二网络参数和神经网络结构确定的神经网络模型;
106.处理模块,还用于确定第一设备使用的神经网络结构对应的第一网络参数,包括:
107.处理模块,还用于根据第一性能评估结果更新第二神经网络模型,得到第一神经网络模型;
108.处理模块,还用于确定第一神经网络模型对应的第一网络参数。
109.在一种实现方式中,收发模块,还用于向第一设备发送第二请求,第二请求用于请求第一设备上报第一设备上报测量信道得到的干扰信息;
110.收发模块,还用于接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第二请求之后测量信道得到的干扰信息;
111.处理模块,用于确定第一设备使用的神经网络结构对应的第一网络参数,包括:
112.处理模块根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型;
113.处理模块确定第一神经网络模型对应的第一网络参数。
114.在一种实现方式中,收发模块,还用于获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;
115.处理模块,还用于根据一个或多个设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
116.第九方面,本技术实施例还提出一种通信装置,包括:收发模块,用于接收来自云设备的第一信道质量评估结果,第一信道质量评估结果是云设备根据第一干扰信息和第一神经网络模型确定的,第一信道质量评估结果用于指示信道的信道质量,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息。
117.在一种实现方式中,收发模块,还用于向云设备发送第三请求,第三请求用于请求信道的信道质量评估结果。
118.在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;
119.能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;
120.下发方式信息用于指示第一信道质量评估结果的下发方式;
121.场景信息用于指示第一设备当前所处的第一场景;
122.用户等级信息用于指示第一设备的用户等级。
123.在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
124.在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
125.在一种实现方式中,收发模块,还用于接收来自云设备的第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;
126.收发模块,还用于向云设备发送第一干扰信息,第一干扰信息为第一设备在接收到第一干扰信息请求之后,在第一时间内测量信道得到的干扰信息。
127.在一种实现方式中,处理模块,用于评估第二信道质量评估结果,得到第二评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;
128.收发模块,还用于向云设备发送第二评估结果,第二评估结果用于云设备更新第二神经网络模型,得到第一神经网络模型。
129.在一种实现方式中,收发模块,还用于接收来自云设备的第四请求,第四请求用于请求第一设备上报第一设备测量得到的干扰信息;
130.收发模块,还用于向云设备发送第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息,第三干扰信息用于云设备更新第二神经网络模型,得到第一神经网络模型。
131.第十方面,本技术实施例还提出一种通信装置,包括:处理模块,用于确定第一干扰信息,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息;
132.处理模块,还用于根据第一干扰信息和第一神经网络模型确定第一信道质量评估结果,第一信道质量评估结果用于指示信道的信道质量;
133.收发模块,用于向第一设备发送第一信道质量评估结果。
134.在一种实现方式中,收发模块,还用于接收来自第一设备的第三请求,第三请求用于请求信道的信道质量评估结果。
135.在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;
136.能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;
137.下发方式信息用于指示第一信道质量评估结果的下发方式;
138.场景信息用于指示第一设备当前所处的第一场景;
139.用户等级信息用于指示第一设备的用户等级。
140.在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
141.在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
142.在一种实现方式中,收发模块,还用于向第一设备发送第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;
143.收发模块,还用于接收来自第一设备的第一干扰信息。
144.在一种实现方式中,收发模块,还用于接收第一设备的第二评估结果,第二评估结果为第一设备评估第二信道质量评估结果得到的评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;
145.处理模块,还用于根据第二评估结果调整第二神经网络模型,得到第一神经网络模型。
146.在一种实现方式中,收发模块,还用于向第一设备发送第四请求,第四请求用于请求第一设备测量信道并上报得到的干扰信息;
147.收发模块,还用于接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息;
148.处理模块,还用于根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型。
149.在一种实现方式中,收发模块,还用于获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;
150.处理模块,还用于根据一个或多个设备在n个时刻信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
151.在一种实现方式中,收发模块,还用于获取一个或多个第一类型设备在n个时刻测量信道得到的第四干扰信息;
152.处理模块,还用于根据一个或多个第一类型设备在n个时刻信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
153.本技术实施例第十一方面提供一种通信装置,通信装置包括:处理器、存储器以及与处理器连接的收发器。存储器中存储有计算机程序或计算机指令,处理器还用于调用并运行存储器中存储的计算机程序或计算机指令,使得处理器实现如第一方面至第六方面中的任一方面或第一方面至第六方面中的任一方面中的任意一种实现方式。
154.可选的,处理器用于控制收发器执行如第一方面至第六方面中的任一方面或第一方面至第六方面中的任一方面中的任意一种实现方式。
155.本技术实施例第十二方面提供一种包括计算机指令的计算机程序产品,其特征在于,当其在计算机上运行时,使得计算机执行如第一方面至第六方面中任一方面或第一方面至第六方面中任一方面中任一种的实现方式。
156.本技术实施例第十三方面提供一种计算机可读存储介质,包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行如第一方面至第六方面中任一方面或第一方面至第六方面中任一方面中的任一种实现方式。
157.本技术实施例第十四方面提供一种通信装置,通信装置包括网络设备、终端设备或芯片等实体,通信装置包括处理器,用于调用存储器中的计算机程序或计算机指令,以使得处理器执行上述第一方面至第六方面中任一方面或第一方面至第六方面中任一方面中的任一种实现方式。
158.可选的,处理器通过接口与存储器耦合。
159.本技术实施例第十五方面提供一种通信系统,通信系统包括第七方面的通信装置、第八方面的通信装置、第九方面的通信装置和/或第十方面的通信装置
160.本技术实施例第十六方面还提供一种处理器,用于执行上述各种方法。在执行这些方法的过程中,上述方法中有关发送上述信息和接收上述信息的过程,可以理解为由处理器输出上述信息的过程,以及处理器接收输入的上述信息的过程。在输出上述信息时,处理器将该上述信息输出给收发器,以便由收发器进行发射。该上述信息在由处理器输出之后,还可能需要进行其他的处理,然后才到达收发器。类似的,处理器接收输入的上述信息时,收发器接收该上述信息,并将其输入处理器。更进一步的,在收发器收到该上述信息之后,该上述信息可能需要进行其他的处理,然后才输入处理器。
161.基于上述原理,举例来说,前述方法中提及的接收来自云设备的第一网络参数可以理解为处理器输入第一网络参数。又例如,发送该第一请求可以理解为处理器输出第一请求。
162.对于处理器所涉及的发射、发送和接收等操作,如果没有特殊说明,或者,如果未与其在相关描述中的实际作用或者内在逻辑相抵触,则均可以更加一般性的理解为处理器输出和接收、输入等操作,而不是直接由射频电路和天线所进行的发射、发送和接收操作。
163.在实现过程中,上述处理器可以是专门用于执行这些方法的处理器,也可以是执行存储器中的计算机指令来执行这些方法的处理器,例如通用处理器。上述存储器可以为非瞬时性(non-transitory)存储器,例如只读存储器(read only memory,rom),其可以与处理器集成在同一块芯片上,也可以分别设置在不同的芯片上,本技术实施例对存储器的类型以及存储器与处理器的设置方式不做限定。
164.本技术实施例第十五方面提供了一种芯片系统,该芯片系统包括处理器和接口,接口用于获取程序或指令,处理器用于调用程序或指令以实现或者支持终端设备实现第一方面、第二方面、第三方面、第四方面、第五方面或第六方面所涉及的功能,例如,确定或处理上述方法中所涉及的数据和信息中的至少一种。
165.在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存终端设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
166.本技术实施例第十六方面提供了一种芯片系统,该芯片系统包括处理器和接口,接口用于获取程序或指令,处理器用于调用程序或指令以实现或者支持网络设备实现第一方面、第二方面、第三方面、第四方面、第五方面或第六方面所涉及的功能,例如,确定或处理上述方法中所涉及的数据和信息中的至少一种。
167.在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存网络设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
168.图1a示出的是可以应用于本技术实施例的通信系统的架构示例图;
169.图1b为本技术实施例提供的一种蓝牙耳机的结构示例图;
170.图1c为本技术实施例提供的一种第一设备的结构示意图;
171.图2a为本技术实施例中自适应跳频技术的示意图;
172.图2b为本技术实施例中蓝牙跳频选择机制的示意图;
173.图3为本技术实施例中一种信道质量评估方法的实施例示意图;
174.图4为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
175.图5a为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
176.图5b为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
177.图6为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
178.图7为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
179.图8为本技术实施例中一种信道质量评估方法的又一种实施例示意图;
180.图9为本技术实施例中一种神经网络模型的结构示意图;
181.图10为本技术实施例提出的一种信道质量评估方法的交互实施例示意图;
182.图11为本技术实施例提出的一种界面示意图;
183.图12为本技术实施例提出的又一种界面示意图;
184.图13为本技术实施例提供的一种通信装置示意图;
185.图14为本技术实施例提供的一种通信装置示意图;
186.图15为本技术实施例提供的一种通信装置示意图;
187.图16为本技术实施例提供的一种通信装置示意图。
具体实施方式
188.本技术实施例提供了一种信道质量评估方法以及相关装置,有效提升设备的抗干扰性能,提高通信传输性能。
189.本技术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术语在适当情况下可以互换,这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。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,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,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单元。
190.下面将结合本技术实施例中的附图,对本技术实施例中的技术方案进行清楚地描述。在本技术的描述中,除非另有说明,“/”表示或的意思,例如,a/b可以表示a或b;本技术中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,a和/或b,可以表示:单独存在a,同时存在a和b,单独存在b这三种情况。另外,在本技术的描述中,“至少一项”是指一项或者多项,“多项”是指两项或两项以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
191.图1a示出的是可以应用于本技术实施例的通信系统的架构示例图。如图1a所示,该通信系统包括第二设备(即图1a中的第二设备)和第一设备(即图1a中的第一设备)。第二设备与第一设备之间的通信连接可以采用包括无线保真wifi、蓝牙、zigbee、设备到设备d2d通信、近距离无线通讯nfc或其它无线通信方法中的任意一种。本技术实施例中,以第二设备与第一设备之间建立蓝牙连接为例进行说明。第一设备与第二设备基于建立的蓝牙连接,第二设备与第一设备之间可以实现短距离的数据交互。
192.在一些实施例中,以第二设备为蓝牙耳机为例。蓝牙耳机与第一设备之间可以基于蓝牙连接进行音频数据的传输。如,基于蓝牙连接,蓝牙耳机可以作为第一设备的音频输入/输出设备实现通话。又如,基于蓝牙连接,蓝牙耳机可以作为第一设备的输出设备,如播放音乐等。
193.示例的,如图1b所示,图1b为本技术实施例提供的一种蓝牙耳机的结构示例图。蓝牙耳机可以包括:处理器201、存储器202、传感器203、至少一个受话器204、至少一个麦克风205、电源206和通信模块207。当第二设备为蓝牙耳机时,该第二设备可以通过通信模块207与其它设备(例如第一设备)建立通信连接。当该通信连接为蓝牙连接时,该通信模块207也可以称为蓝牙通信模块。
194.其中,存储器202可以用于存储应用程序代码,如使得蓝牙耳机与上述第一设备进行配对的应用程序代码。处理器201可以控制执行上述应用程序代码,以实现本实施例中蓝牙耳机的功能。
195.存储器202中还可以存储有用于唯一标识该蓝牙耳机的蓝牙地址。另外,该存储器202中还可以存储有与该蓝牙耳机之前成功配对过的第一设备的连接数据。例如,该连接数据可以是与该蓝牙耳机成功配对过的第一设备的蓝牙地址。基于该连接数据,该蓝牙耳机能够与该第一设备自动配对,而不必配置与其之间的连接,如进行合法性验证等。上述蓝牙地址可以为媒体访问控制(media access control,mac)地址。
196.传感器203可以为距离传感器或接近光传感器。蓝牙耳机的处理器201可以通过该传感器203确定是否被用户佩戴。例如,蓝牙耳机的处理器201可以利用接近光传感器来检测蓝牙耳机附近是否有物体,从而确定蓝牙耳机是否被用户佩戴。在确定蓝牙耳机被佩戴时,蓝牙耳机的处理器201可以打开受话器204。在一些实施例中,该蓝牙耳机还可以包括骨传导传感器,结合成骨传导耳机。该骨传导传感器可以获取声部振动骨块的振动信号,处理器201解析出语音信号,实现语音信号对应的控制功能。在另一些实施例中,该蓝牙耳机还可以包括触摸传感器或压力传感器,分别用于检测用户的触摸操作和按压操作。在另一些实施例中,该蓝牙耳机还可以包括指纹传感器,用于检测用户指纹,识别用户身份等。在另一些实施例中,该蓝牙耳机还可以包括环境光传感器,蓝牙耳机的处理器201可以根据该环境光传感器感知的环境光的亮度,自适应调节一些参数,如音量大小。
197.麦克风205,也可以称为“话筒”,“传声器”,用于将声音信号转换为音频电信号。例如,当蓝牙耳机作为上述第一设备的音频输入设备时,在用户说话(如通话或发语音消息)时,麦克风205可以采集用户的声音信号,并将其转换为音频电信号。上述音频电信号即为本实施例中的音频数据。
198.电源206,可以用于向蓝牙耳机包含的各个部件供电。在一些实施例中,该电源206可以是电池,如可充电电池。
199.可以理解的是,本实施例示意的结构并不构成对蓝牙耳机的具体限定。其可以具有比图1b中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。例如,该蓝牙耳机还可以包括指示灯(可以指示电量等状态)、防尘网(可以配合听筒使用)等部件。图1b中所示出的各种部件可以在包括一个或多个信号处理或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
200.需要说明的是,蓝牙耳机可以包括左耳塞和右耳塞。左耳塞和右耳塞的结构可以
相同。例如,蓝牙耳机的左耳塞和右耳塞可以都包括图1b中所示的部件。或者,蓝牙耳机的左耳塞和右耳塞的结构也可以不同。例如,蓝牙耳机的一个耳塞(如右耳塞)可以包括图1b中所示的部件,而另一个耳塞(如左耳塞)可以包括图1b中除麦克风206之外的其他的部件。
201.可选的,第二设备还可以是以下蓝牙设备中的任一种,如:蓝牙音箱,蓝牙手环,蓝牙车载,蓝牙智能眼镜等,本技术实施例对蓝牙设备的具体形态不作限定。
202.在一些实施例中,第一设备可以是手机(如图1a中所示)、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,umpc)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,pda)、增强现实(augmented reality,ar)\虚拟现实(virtual reality,vr)设备、媒体播放器、电视机等设备,本实施例对该设备的具体形态不作特殊限制。
203.在本技术一实施例中,第一设备的结构可以如图1c所示,图1c为本技术实施例提供的一种第一设备的结构示意图。
204.如图1c所示,第一设备可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,usb)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170a,受话器170b,麦克风170c,耳机接口170d,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,sim)卡接口195等。其中传感器模块180可以包括压力传感器180a,陀螺仪传感器180b,气压传感器180c,磁传感器180d,加速度传感器180e,距离传感器180f,接近光传感器180g,指纹传感器180h,温度传感器180j,触摸传感器180k,环境光传感器180l,骨传导传感器180m等。
205.可以理解的是,本实施例示意的结构并不构成对第一设备的具体限定。在另一些实施例中,第一设备可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
206.处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,ap),调制解调处理器,图形处理器(graphics processing unit,gpu),图像信号处理器(image signal processor,isp),控制器,视频编解码器,数字信号处理器(digital signal processor,dsp),基带处理器,和/或神经网络处理器(neural-network processing unit,npu)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
207.处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
208.在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,i2c)接口,集成电路内置音频(inter-integrated circuit sound,i2s)接口,脉冲编码调制(pulse code modulation,pcm)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,uart)接口,移动产业处理器接口(mobile industry processor interface,mipi),通用输入输出(general-purpose input/output,gpio)接口,用户标识模块(subscriber identity module,sim)接口,和/或
通用串行总线(universal serial bus,usb)接口等。
209.可以理解的是,本实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对第一设备的结构限定。在本技术另一些实施例中,第一设备也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
210.充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过usb接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过第一设备的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为第一设备供电。
211.第一设备的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
212.天线1和天线2用于发射和接收电磁波信号。第一设备中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
213.移动通信模块150可以提供应用在第一设备上的包括2g/3g/4g/5g或未来6g等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,lna)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
214.调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170a,受话器170b等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与移动通信模块150或其他功能模块设置在同一个器件中。
215.无线通信模块160可以提供应用在第一设备上的包括无线局域网(wireless local area networks,wlan)(如无线保真(wireless fidelity,wi-fi)网络),蓝牙(blue tooth,bt),全球导航卫星系统(global navigation satellite system,gnss),调频(frequency modulation,fm),近距离无线通信技术(near field communication,nfc),红外技术(infrared,ir)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
216.在一些实施例中,第一设备的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得第一设备可以通过无线通信技术与网络以及其他设备通信。无线通信技术
可以包括长期演进(long term evolution,lte),第5代(5th generation)通信系统,bt,gnss,wlan,nfc,fm,和/或ir技术等。gnss可以包括全球卫星定位系统(global positioning system,gps),全球导航卫星系统(global navigation satellite system,glonass),北斗卫星导航系统(beidou navigation satellite system,bds),准天顶卫星系统(quasi-zenith satellite system,qzss)和/或星基增强系统(satellite based augmentation systems,sbas)。
217.第一设备通过gpu,显示屏194,以及应用处理器等实现显示功能。gpu为图像处理的微处理器,连接显示屏194和应用处理器。gpu用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个gpu,其执行程序指令以生成或改变显示信息。
218.其中,内部存储器121可以用于存储计算机可执行程序代码,可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行第一设备的各种功能应用以及数据处理。例如,在本实施例中,处理器110可以通过执行存储在内部存储器121中的指令,实现蓝牙切换功能。内部存储器121可以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系统,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储第一设备使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121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,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,ufs)等。处理器110通过运行存储在内部存储器121的指令,和/或存储在设置于处理器中的存储器的指令,执行第一设备的各种功能应用以及数据处理。
219.其中,触摸传感器180k,也称“触控器件”。触摸传感器180k可以设置于显示屏194,由触摸传感器180k与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180k用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180k也可以设置于第一设备的表面,与显示屏194所处的位置不同。
220.接下来,介绍本技术实施例涉及的一些背景技术。
221.(1)、跳频。
222.随着技术的发展,越来越多无线设备进入人们的生活,例如:真无线立体声(true wireless stereo,tws)耳机、蓝牙音箱与智能手表等。多个无线设备同时工作的过程中,往往会互相干扰,恶化通信性能,进而影响用户体验。
223.目前,对抗干扰的有效方式是采用跳频技术。以蓝牙技术为例,可以采用自适应跳频技术(adaptive frequency hopping,afh)对抗无线环境中的干扰。为了便于理解,请参阅图2a,图2a为本技术实施例中自适应跳频技术的示意图。第一设备定期或者不定期更新自适应跳频信道地图(afh_channel_map)并发送给第二设备,生效时间(afh_instant)之后,第一设备工作在跳频地图限定的可用信道之中。在本技术实施例中,自适应跳频信道地图可以简称为跳频地图,此处不作限制。蓝牙标准中将通信双方分为第一设备和第二设备,发起连接的设备即为第一设备,例如手机连接蓝牙耳机的场景,一般手机为第一设备,耳机为第二设备。跳频地图由第一设备决定,用于指示当前可用信道,例如蓝牙br/edr版本中规定了79个信道,则跳频地图由79个比特组成,每个比特对应一个信道的分类情况,“1”表示“可用”,“0”表示“不可用”。决定跳频地图的过程一般叫做信道质量评估,信道质量评估方
案的好坏是决定蓝牙抗干扰性能的重要因素之一。需要说明的是,本技术实施例中以蓝牙通信场景为例进行说明,该场景中信道质量评估结果为跳频地图。可以理解的是,该信道质量评估结果并不限定于跳频地图。例如:该信道质量评估结果可以是5g通信场景中的信道质量评估结果,或者,该信道质量评估结果还可以是zigbee通信场景中的信道质量评估结果,或者,该信道质量评估结果还可以是wifi通信场景中的信道质量评估结果,此处不作限定。
224.请参阅图2b,图2b为本技术实施例中蓝牙跳频选择机制的示意图。目前规定的自适应跳频机制如下:从各个输入(例如:“clock”、“uap/lap”、“sequence selection”、“frozen clock”、“n”、“koffset”、“knudge”、“lnterlace_offset”与跳频地图“afh_channel_map”)到信道索引(rf channel index)的映射。目前,并未明确如何确定跳频地图。为了提升通信传输性能,本技术实施例提出一种信道质量评估方法,通过引入神经网络模型参与处理,以获取更准确的信道质量评估结果。
225.下面结合附图对本技术实施例的详细流程进行介绍。本技术实施例中按照第一设备的性能进行区分,可以分为以下两部分:a、第一设备可以运行神经网络模型进行信道质量评估;b、第一设备不能运行神经网络模型进行信道质量评估。首先,介绍第一设备可以运行神经网络模型进行信道质量评估的方案。
226.请参阅图3,图3为本技术实施例中一种信道质量评估方法的实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
227.301、第一设备向云设备发送第一请求。
228.本实施例中,第一设备向云设备发送第一请求(示例性的,该第一请求为“params_req”),该第一请求用于请求云设备下发第一网络参数。
229.该第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息。其中,能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;结构信息用于指示第一设备使用的神经网络结构;场景信息用于指示第一设备当前所处的第一场景;用户等级信息用于指示第一设备的用户等级。
230.具体的,第一设备通过如下方法确定该能力信息:第一设备根据自身的计算能力(或者硬件参数)确定自身是否支持使用神经网络模型进行信道质量评估。当第一设备支持使用神经网络模型时,第一请求中携带的能力信息指示第一设备支持使用神经网络模型。
231.结构信息指的是该第一设备使用的神经网络结构的相关信息,该结构信息包括但不限于:第一设备支持的神经网络模型中每层神经元的个数、第一设备支持的神经网络模型中神经元的层数、第一设备支持的神经网络模型的层间级联关系,和/或第一设备支持的神经网络模型中每层的网络类型。
232.场景信息用于指示第一设备当前所处的第一场景。第一设备确定自身的位置信息(即第一设备地理位置,例如第一设备的经纬度坐标)后,根据预设的地图信息标记该位置信息对应的场景信息。该场景可以理解为信道环境。该场景信息例如表1所示:
233.表1
234.位置信息/{经度,纬度,海拔高度}场景{x1,y1,z1}办公室{x2,y2,z2}地铁站
{x3,y3,z3}公园{x4,y4,z4}街道
235.示例性的,当第一设备确定的位置信息为{x1,y1,z1},则第一设备根据该位置信息确定当前的第一场景为办公室。
236.用户等级信息用于指示第一设备的用户等级,示例性的,用户等级包括:贵宾(vip)用户与非贵宾用户。第一设备根据该用户等级信息,为不同用户等级的第一设备配置相应的第一网络参数。示例性的,当第一设备的用户等级为贵宾用户,云设备根据该用户等级信息为该第一设备配置用户等级为贵宾用户的第一网络参数。用户等级为贵宾用户的第一网络参数,相较于用户等级为非贵宾用户的第一网络参数具有抗干扰性能更强、通信传输性能更强等特点。
237.该第一请求中还可以包括第一设备的设备类型信息,例如:第一设备的设备类型,和/或,与该第一设备建立蓝牙连接的第二设备的设备类型,此处不作限制。
238.可选的,第一设备可以周期性地向云设备发送第一请求,例如:每间隔3-5秒或60秒向云设备发送第一请求。
239.可选的,当满足第一条件时,第一设备向云设备发送第一请求。该第一条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行数据传输的情况下,第一设备在时间窗内的丢包率大于或等于预设阈值。第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。在第一设备通过步骤302接收来自云设备的第一网络参数前,第一设备根据来自云设备的第二网络参数确定第二神经网络模型。
240.在一种可能的实现方式中,该第二神经网络模型与步骤303中第一神经网络模型之间的关系如下:第二神经网络模型在云设备中经过进一步训练得到第一神经网络模型。
241.需要说明的是,步骤301为可选步骤。当步骤301不执行时,云设备根据预设信息(例如协议预先定义的信息)确定第一设备使用的第一神经网络模型,执行步骤302。
242.302、第一设备接收来自云设备的第一网络参数。
243.本实施例中,当云设备接收来自第一设备的第一请求后,云设备根据该第一请求确定第一设备的第一网络参数。
244.具体的,云设备中配置有一个或多个神经网络模型,这些神经网络模型可以适用于不同的场景。不同的神经网络模型还可以适用于不同的第一设备,不同的神经网络模型还可以适用于不同的用户等级信息。这些神经网络模型可以是采用不同的神经网络结构,这些神经网络模型也可以采用相同的神经网络结构并针对不同场景进行适应性优化训练。示例性的,云设备中配置的神经网络模型与如表2所示:
245.表2
[0246][0247]
云设备根据第一请求确定与第一请求相匹配的神经网络模型后,云设备向第一设备发送该神经网络模型的相关参数。该参数称为第一网络参数。该第一网络参数包括但不限于:神经网络模型中每层神经元的个数、神经网络模型中神经元的层数、神经网络模型的层间级联关系,和/或神经网络模型中每层的网络类型。
[0248]
303、第一设备根据第一网络参数和神经网络结构,确定第一神经网络模型。
[0249]
本实施例中,第一设备根据第一网络参数和第一设备使用的神经网络结构,确定第一神经网络模型。
[0250]
结合表2,示例性的,第一网络参数为神经网络模型f的相关参数,且第一设备使用的神经网络结构为神经网络模型f的结构。则第一设备根据该第一网络参数和第一设备使用的神经网络结构,确定第一神经网络模型为神经网络模型f。
[0251]
在另一种可选的实现方式中,第一设备中预先配置了多种神经网络模型。第一设备根据第一网络参数确定与该第一网络参数相匹配的神经网络模型后,第一设备使用该第一网络参数更新本地的神经网络模型。更新后得到的神经网络模型为第一神经网络模型。
[0252]
304、第一设备根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果。
[0253]
本实施例中,第一设备在第一时间内测量信道得到的干扰信息称为第一干扰信息。该干扰信息可以是接收信号强度指示(received signal strength indicator,rssi),该干扰信息还可以是信道的其它性能指标,此处不作限定,例如:该干扰信息为丢包率,信噪比(signal-noise ratio,snr),或者,信号与干扰加噪声比(signal to interference plus noise ratio,sinr)。本技术实施例中以干扰信息是rssi为示例进行说明。该第一干扰信息可以是一个或多个rssi,也可以是多个rssi组成的rssi序列,此处不作限制。
[0254]
该第一时间的时间长度可以根据实际需求进行调节,例如:第一时间为3-5秒。
[0255]
当第一设备得到第一干扰信息后,第一设备使用第一神经网络模型对第一干扰信息进行处理,推理得到第一信道质量评估结果。在蓝牙通信场景中,该第一信道质量评估结果为跳频地图。
[0256]
为了便于理解,下面结合附图说明本技术实施例中用于处理干扰信息的神经网络模型(即第一神经网络模型与后续实施例中的第二神经网络模型)。请参阅图9,图9为本技术实施例中一种神经网络模型的结构示意图。需要说明的是,图9所示的神经网络模型仅是本技术实施例中一种可选实现方案的示例性说明,并不对本技术实施例涉及的神经网络模型的具体结构进行限定。
[0257]
图9所示的神经网络模型中,“conv”表示卷积层(convolutional layer),“fc”表
示全连接层(fully connected layer),“gru”表示门控循环单元(gated recurrent unit)。gru可以是一层、两层或多层,其中,gru可以替换为循环神经网络(recurrent neural network,rnn)、长短期记忆网络(long short-term memory,lstm)或双向长期短期记忆网络(bi-directional long short-term memory,bilstm)等,此处不作限定。
[0258]
具体的,从获取样本数据、样本数据的预处理、神经网络模型的训练,以及神经网络模型的推理这四个方面对该神经网络进行介绍。
[0259]
获取样本数据:以蓝牙通信场景为例,该样本数据为一个或多个第一设备采集得到的rssi。
[0260]
样本数据的预处理:神经网络模型对一个或多个rssi进行预处理,生成连续t个时刻rssi组成的rssi序列,t为大于0的整数。这些rssi序列的集合也称为样本数据集。示例性的,t可以是3-5秒。可选的,还可以对该rssi序列进行归一化处理。示例性的,归一化方程如下:
[0261]
x表示样本数据集中的一个rssi序列,x
min
表示样本数据集中rssi的最小值,x
max
表示样本数据集中rssi的最大值。
[0262]
神经网络模型的训练:神经网络模型输入为归一化后的连续t个时刻的rssi序列,神经网络模型输出为信道质量评估结果(跳频地图)。以蓝牙br/edr版本为例,蓝牙br/edr版本中规定了79个信道,则该神经网络模型的输出结果为79个比特组成的跳频地图。标签为根据干扰信息确定的79个蓝牙信道的信道质量。
[0263]
示例性的,信道i的标签是根据该信道未来连续s个时刻的rssi确定,若这s个rssi大于门限的概率大于等于0.5,则信道i为可用信道,信道i的标签若这s个rssi大于门限的概率小于0.5,则信道i为不可用信道,信道i的标签t、s的时间长度一般为3~5秒,具体使用的rssi样本数由采样率决定。
[0264]
在一种可能的实现方式中,该神经网络模型的损失函数为:
[0265][0266]
其中,w表示分类权重,用于解决样本不均衡问题,表示时刻t信道i的标签,表示时刻t神经网络模型对信道i的评估结果,i表示79个蓝牙信道的信道集合。训练的目标为最小化损失函数,训练的过程为利用随机梯度下降的方法更新神经网络模型参数。
[0267]
神经网络模型的推理:训练好的神经网络模型可以用于信道质量评估。具体的,将历史的t个时刻归一化后的rssi序列,即从t-t+1到t时刻的rssi序列,依次输入到神经网络模型,得到t时刻的神经网络输出y
t

[0268]
以蓝牙br/edr版本为例,然后根据神经网络模型对79个信道的输出结果进行处理,生成信道质量评估结果(即跳频地图)。例如,将输出结果由大到小排序,前20个值对应的信道为可用信道,跳频地图中该信道设为1。或者,当评估结果大过门限值时,对应信道为可用信道,跳频地图中该信道设为1。
[0269]
本技术实施例中,云设备确定第一设备使用的神经网络结构对应的第一网络参数。然后,第一设备根据第一网络参数和神经网络结构确定第一神经网络模型。第一设备根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果。该第一干扰信息为第一
设备在第一时间内测量信道得到的干扰信息。第一信道质量评估结果用于指示信道的信道质量。由此可知,本技术实施例提供了一种对信道质量进行评估的方案。即第一设备通过第一神经网络模型和第一设备测量信道得到的第一干扰信息对信道进行评估,得到第一信道质量评估结果。这样,第一设备与其连接的第二设备之间可以基于第一信道质量评估结果进行通信传输,从而提高通信传输性能。本技术技术方案的一种仿真实验结果如表3所示,相较于现有技术方案平均相对增益达到19.25%,有效提升了第一设备的抗干扰性能。
[0270]
表3
[0271][0272][0273]
在图3所示实施例的基础上,神经网络模型还可以进行训练以获得更优的性能。为了便于说明,将训练前的神经网络模型称为第二神经网络模型,将训练完成的神经网络模型称为第一神经网络模型。具体的,可以使用干扰信息训练该第二神经网络模型,也可以使用信道质量评估结果训练该第二神经网络模型。可以由云设备进行上述训练,也可以由第一设备进行上述训练,还可以由与该云设备或第一设备相互独立的第三设备进行上述训练,此处不做限定。该第三设备可以是网络侧专用于人工智能(artificial intelligence,ai)功能的节点、专用于模型学习功能的节点、移动边缘计算(mobile edge computing)设备、或者云服务器等,不予限制。第三设备学习出的参考信号池可以是离线学习后约定于协议中,或者是通过第三设备和云设备之间的接口发送给第一设备,或者,第三设备直接发送
给第一设备,或者是通过其他网元b转发给第一设备,不予限制。第三设备还可以被称为ai节点、智能节点、模型训练节点或其它名称,不予限制。
[0274]
本技术实施例中为了便于描述,以云设备进行上述训练为例进行说明。首先,介绍云设备基于干扰信息训练第二神经网络模型。请参阅图4,图4为本技术实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0275]
401、第一设备接收来自云设备的第二请求。
[0276]
本实施例中,在云设备向第一设备发送第一网络信息(前述步骤302)之前,第一设备采用第二信道质量评估结果与第二设备进行数据传输。第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。
[0277]
在一种可能的实现方式中,型时,云设备需要更新第二神经网络模云设备向第一设备发送第二请求。该第二请求用于指示第一设备测量得到干扰信息。云设备根据该干扰信息训练第二神经网络模型,训练得到的神经网络模型称为第一神经网络模型。可选的,云设备周期性的向第一设备发送该第二请求,例如:每间隔30或60秒向第一设备发送一次第二请求。
[0278]
在另一种可能的实现方式中,在步骤401前,第一设备主动向云设备发送干扰信息的上报请求,云设备根据该上报请求向第一设备发送第二请求。以实现第一设备的主动上报第二神经网络模型的干扰信息。
[0279]
402、第一设备根据第二请求,测量信道得到干扰信息。
[0280]
本实施例中,第一设备根据第二请求,测量信道得到干扰信息。
[0281]
具体的,干扰信息为rssi(或rssi序列)。需要说明的是,该干扰信息还可以是其它指示信道质量的参数(或指标),此处不作限制。
[0282]
403、第一设备向云设备发送第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息,和/或,第一设备接收到第二请求后测量信道得到的干扰信息。
[0283]
本实施例中,第一设备向云设备发送第三干扰信息,该第三干扰信息包括第一设备测测信道得到的历史干扰信息(即步骤401前测量得到的干扰信息),和/或,第一设备接收到第二请求后测量信道得到的干扰信息。示例性的,该第三干扰信息的格式如表4所示:
[0284]
表4
[0285][0286]
可选的,第三干扰信息可以是rssi,也可以是经过处理的rssi。例如:经过压缩处理得到的rssi均值或rssi残差。第三干扰信息还可以第一设备测量得到各个rssi的均值,以及每个rssi与该均值的差,例如:第一设备测量得到的某个信道的rssi为{-88,-89,-85,-93,-95},则均值为-90,每个rssi与该均值的差为{2,1,5,-3,-5}。第一设备向云设备发送的第三干扰信息为:均值{-90},每个rssi与该均值的差{2,1,5,-3,-5}。
[0287]
404、云设备根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型。
[0288]
本实施例中,云设备根据第三干扰信息更新训练第二神经网络模型,并训练得到第一神经网络模型。该第一神经网络模型的相关参数,通过第一网络信息发送至第一设备。例如,前述步骤302-303所示的内容。
[0289]
本技术实施例中,云设备可以获取来自第一设备的干扰信息。云设备使用该干扰信息训练云端的神经网络模型,以提升神经网络模型的性能。进一步提升通信性能。
[0290]
其次,介绍云设备基于评估结果训练第二神经网络模型。请参阅图5a,图5a为本技术实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0291]
501、第一设备接收来自云设备的第二网络参数。
[0292]
本实施例中,云设备可以根据第一设备的请求消息(与前述步骤301的第一请求类似),为第一设备确定相匹配的神经网络模型。云设备向第一设备发送该神经网络模型的相关参数。该参数称为第二网络参数。该第二网络参数包括但不限于:神经网络模型中每层神经元的个数、神经网络模型中神经元的层数、神经网络模型的层间级联关系,和/或神经网络模型中每层的网络类型。
[0293]
云设备也可以直接向第一设备发送该第二网络参数,以向第一设备配置第二神经网络模型。
[0294]
502、第一设备根据第二网络参数和神经网络结构,确定第二神经网络模型。
[0295]
本实施例中,与前述步骤303类似,此处不再赘述。
[0296]
503、第一设备根据第二神经网络和第一设备在第二时间内测量得到的第二干扰信息,确定第二信道质量评估结果。
[0297]
本实施例中,第一设备在第二时间内测量信道得到的干扰信息称为第二干扰信息。该干扰信息可以是接收信号强度指示(received signal strength indicator,rssi),该干扰信息还可以是信道的其它性能指标,此处不作限定。本技术实施例中以干扰信息是rssi为示例进行说明。该第二干扰信息可以是一个或多个rssi,也可以是多个rssi组成的rssi序列,此处不作限制。
[0298]
该第二时间的时间长度可以根据实际需求进行调节,例如:第二时间为3-5秒。
[0299]
当第一设备得到第二干扰信息后,第一设备使用第二神经网络模型对第二干扰信息进行处理,推理得到第二信道质量评估结果。在蓝牙通信场景中,该第二信道质量评估结果为跳频地图。
[0300]
504、根据第二信道质量评估结果,当满足第二条件时,第一设备评估第二神经网络模型的性能,得到第一性能评估结果。
[0301]
本实施例中,第一设备评估第二神经网络模型的性能具体如下:第一设备采用第二信道质量评估结果与第二设备进行通信传输时,第一设备统计时间窗内第一设备与第二设备之间通信的丢包率。
[0302]
第二条件为:该丢包率大于历史最小丢包率(第一设备与第二设备之间通信的丢包率)。当满足第二条件,则第一设备确认当前第二神经网络模型的性能是劣于历史使用的神经网络模型的性能。首先,第一设备确定该历史最小丢包率对应的神经网络模型的参数。其次,第一设备将该历史最小丢包率对应的神经网络模型的参数,和/或第二神经网络模型的性能差的指示,通过消息通知云设备。该消息称为第一性能评估结果。
[0303]
该时间窗的长度可以根据实际需求确定,例如:3-5秒,此处不作限制。
[0304]
在另一种可选的实现方式中,第一设备周期性(例如每间隔3-5秒)向云设备发送时间窗内丢包率。由云设备检测该丢包率是否大于该第一设备的历史最小丢包率。当该丢包率大于该第一设备的历史最小丢包率时,云设备确定该历史最小丢包率对应的神经网络模型的参数。云设备使用该参数更新云端的第二神经网络模型,训练得到第一神经网络模型。在这种实现方式中,步骤504后,不执行步骤505,执行步骤506。
[0305]
505、第一设备向云设备发送该第一性能评估结果。
[0306]
本实施例中,第一性能评估结果可以通过自适应跳频信道地图表示。
[0307]
506、云设备根据该第一性能评估结果更新第二神经网络模型,得到第一神经网络模型。
[0308]
本实施例中,云设备根据第一性能评估结果确定需要更新第二神经网络模型。云设备使用该第一性能评估结果中携带的该历史最小丢包率对应的神经网络模型的参数,更新第二神经网络模型,得到第一神经网络模型。
[0309]
本技术实施例中,当第一设备确定当前使用的第二神经网络模型性能不佳时,可以向云设备发送第一性能评估结果,该第一性能评估结果中携带第一设备的历史最小丢包率对应的神经网络模型的参数。云设备根据该第一性能评估结果更新第二神经网络模型,并训练得到第一神经网络模型。以提升神经网络模型的性能。进一步提升通信性能。
[0310]
在前述实施例的基础上,云设备还可以统计多个第一设备的干扰信息,并使用这
些干扰信息训练神经网络模型。对于不同用户等级的第一设备,云设备可以提供不同性能的神经网络模型。具体的,请参阅图5b,图5b为本技术实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0311]
s1、云设备获取一个或多个设备在n个时刻测量信道得到的第四干扰信息。
[0312]
步骤s1中,云设备获取一个或多个设备(第一设备)在n个时刻测量信道得到的第四干扰信息,n为正整数。该第四干扰信息可以是rssi。
[0313]
可选的,云设备按照第一设备的不同设备类型,对获取的第四干扰信息进行分类。例如:云设备获取一个或多个第一类型设备在n个时刻测量得到的第四干扰信息。
[0314]
s2、云设备根据该一个或多个设备在n个时刻测量信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型。
[0315]
步骤s2中,云设备根据该一个或多个设备在n个时刻测量信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型。
[0316]
可选的,云设备根据一个或多个第一类型设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
[0317]
在一种实现方式中,云设备对于不同类型的设备(第一设备),使用来源不同的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。例如:对于第一类型设备,云设备使用来自第一类型设备的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。对于第二类型设备,云设备使用来自第二类型设备的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。
[0318]
云设备根据第一设备上报的第一请求中携带的设备类型信息,向该第一设备发送对应的神经网络模型的网络参数。例如:当第一设备上报的第一请求中指示第一设备为第一类型设备,则云设备下发的网络参数对应的神经网络模型,为使用第一类型设备上报的第四干扰信息训练得到的神经网络模型。
[0319]
在另一种实现方式中,云设备对于不同用户等级的第一设备,使用来源不同的且样本数量不同的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型。例如:对于非vip设备的第一类型设备,云设备使用样本数量为5000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第一类型设备。对于vip设备的第一类型设备,云设备使用样本数量为50000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第一类型设备。对于非vip的第二类型设备,云设备使用样本数量为20000的第四干扰信息更新训练第三神经网络模型,得到第二神经网络模型,该第四干扰信息来自第二类型设备。
[0320]
本技术实施例中,对于不同类型的第一设备,与不同用户等级的第一设备,云设备可以差异化训练神经网络模型。以适应不同业务场景,满足用户的差异化通信性能需求。
[0321]
其次,介绍第一设备不能运行神经网络模型进行信道质量评估的方案。请参阅图6,图6为本技术实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0322]
601、第一设备向云设备发送第三请求。
[0323]
本实施例中,第一设备向云设备发送第三请求,第三请求用于请求信道的信道质量评估结果。
[0324]
第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;下发方式信息用于指示第一信道质量评估结果的下发方式;场景信息用于指示第一设备当前所处的第一场景;用户等级信息用于指示第一设备的用户等级。该第三请求与步骤301中第一请求类似,此处不再赘述。
[0325]
602、第一设备接收来自云设备发送的第一干扰信息请求。
[0326]
本实施例中,当云设备接收第三请求后,云设备向第一设备发送第一干扰信息请求。第一设备接收云设备发送的第一干扰信息请求。
[0327]
603、第一设备根据第一干扰信息请求,测量信道得到第一干扰信息。
[0328]
本实施例中,第一设备根据第一干扰信息请求,测量信道得到第一干扰信息。
[0329]
具体的,第一设备在第一时间内测量信道得到的干扰信息称为第一干扰信息。该干扰信息可以是接收信号强度指示(received signal strength indicator,rssi),该干扰信息还可以是信道的其它性能指标,此处不作限定。本技术实施例中以干扰信息是rssi为示例进行说明。该第一干扰信息可以是一个或多个rssi,也可以是多个rssi组成的rssi序列,此处不作限制。
[0330]
该第一时间的时间长度可以根据实际需求进行调节,例如:第一时间为3-5秒。
[0331]
604、第一设备向云设备发送第一干扰信息。
[0332]
本实施例中,第一设备根据第一干扰信息请求,向云设备发送该第一干扰信息。
[0333]
605、云设备根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果。
[0334]
本实施例中,当云设备得到第一干扰信息后,云设备使用第一神经网络模型对第一干扰信息进行处理,推理得到第一信道质量评估结果。在蓝牙通信场景中,该第一信道质量评估结果为跳频地图。
[0335]
606、第一设备接收来自云设备的第一信道质量评估结果。
[0336]
本实施例中,云设备根据第三请求确定该第一设备不支持使用神经网络模型进行信道质量评估,因此,云设备向第一设备发送第一信道质量评估结果。
[0337]
本技术实施例中,第一设备不支持使用神经网络模型进行信道质量评估的情况下,云设备根据第一设备上传的第一干扰信息,使用第一神经网络模型进行处理,推理得到第一信道质量评估结果。然后,第一设备接收该第一信道质量评估结果后,使用第一信道质量评估结果与第二设备进行通信。由此可知,本技术实施例提供了一种对信道质量进行评估的方案。即云设备通过第一神经网络模型和第一设备测量信道得到的第一干扰信息对信道进行评估,得到第一信道质量评估结果。云设备向第一设备发送该第一信道质量评估结果。这样,第一设备与其连接的第二设备之间可以基于第一信道质量评估结果进行通信传输,从而提高通信传输性能,提升第一设备的抗干扰性能。
[0338]
与前述图4-图5b所示实施例类似,神经网络模型还可以进行训练以获得更优的性能。为了便于说明,将训练前的神经网络模型称为第二神经网络模型,将训练完成的神经网络模型称为第一神经网络模型。具体的,可以使用干扰信息训练该第二神经网络模型,也可以使用信道质量评估结果训练该第二神经网络模型。可以由云设备进行上述训练,也可以由第三设备进行上述训练。本技术实施例中为了便于描述,以云设备进行上述训练为例进行说明。首先,介绍云设备基于干扰信息训练第二神经网络模型。请参阅图7,图7为本技术
实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0339]
701、第一设备接收来自云设备的第四请求。
[0340]
本实施例中,在前述步骤606之前(第一设备接收来自云设备的第一信道质量评估结果之前),第一设备采用第二信道质量评估结果与第二设备进行数据传输。第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。
[0341]
在一种可能的实现方式中,云设备需要更新第二神经网络模型时,云设备向第一设备发送第四请求。该第四请求用于指示第一设备测量得到干扰信息。云设备根据该干扰信息训练第二神经网络模型,训练得到的神经网络模型称为第一神经网络模型。可选的,云设备周期性的向第一设备发送该第四请求,例如:每间隔30或60秒向第一设备发送一次第四请求。
[0342]
在另一种可能的实现方式中,在步骤701前,第一设备主动向云设备发送干扰信息的上报请求,云设备根据该上报请求向第一设备发送第四请求。以实现第一设备的主动上报第二神经网络模型的干扰信息。
[0343]
702、第一设备根据第四请求,测量信道得到干扰信息。
[0344]
本实施例中,第一设备根据第四请求,测量信道得到干扰信息。
[0345]
具体的,干扰信息为rssi(或rssi序列)。需要说明的是,该干扰信息还可以是其它指示信道质量的参数(或指标),此处不作限制。
[0346]
703、第一设备向云设备发送第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息,和/或,第一设备接收到第四请求后测量信道得到的干扰信息。
[0347]
704、云设备根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型。
[0348]
步骤703-704与前述步骤403-404类似,此处不再赘述。
[0349]
本技术实施例中,云设备可以获取来自第一设备的干扰信息。云设备使用该干扰信息训练云端的神经网络模型,以提升神经网络模型的性能。进一步提升通信性能。
[0350]
其次,介绍云设备基评估结果训练第二神经网络模型。请参阅图8,图8为本技术实施例中一种信道质量评估方法的又一种实施例示意图。本技术实施例提出的一种信道质量评估方法包括:
[0351]
801、第一设备在第二时间内测量得到第二干扰信息。
[0352]
本实施例中,具体的,第一设备在第二时间内测量信道得到的干扰信息称为第二干扰信息。该干扰信息可以是接收信号强度指示(received signal strength indicator,rssi),该干扰信息还可以是信道的其它性能指标,此处不作限定。本技术实施例中以干扰信息是rssi为示例进行说明。该第二干扰信息可以是一个或多个rssi,也可以是多个rssi组成的rssi序列,此处不作限制。
[0353]
该第二时间的时间长度可以根据实际需求进行调节,例如:第二时间为3-5秒。
[0354]
802、第一设备向云设备发送第二干扰信息。
[0355]
803、云设备根据第二干扰信息和第二神经网络模型确定第二信道质量评估结果。
[0356]
本实施例中,当云设备得到第二干扰信息后,云设备使用第二神经网络模型对第
二干扰信息进行处理,推理得到第二信道质量评估结果。在蓝牙通信场景中,该第二信道质量评估结果为跳频地图。
[0357]
804、第一设备接收来自云设备的第二信道质量评估结果。
[0358]
本实施例中,云设备在获知第一设备不支持使用神经网络模型进行信道质量评估的前提下,云设备向第一设备发送该第二信道质量评估结果。
[0359]
805、第一设备评估第二信道质量评估结果,得到第二评估结果。
[0360]
本实施例中,当第一设备接收第二信道质量评估结果后,第一设备评估该第二信道质量评估结果。
[0361]
可选的,第一设备通过测量一定时间窗内的丢包率,评估第二信道质量评估结果。具体的,第一设备使用该第二信道质量评估结果与第二设备进行通信,并测量一定时间窗内的丢包率。该丢包率即第二评估结果。第一设备可以通过其它通信质量指标,评估第二信道质量评估结果,此处不作限制。
[0362]
在另一种可选的实现方式中,第一设备自身统计历史最小丢包率。第一设备在使用第二信道质量评估结果时,第一设备周期性测量一定时间窗内的丢包率。第一设备检测该丢包与历史最小丢包率,当该丢包率大于历史最小丢包率,则第一设备确定当前使用的第二信道质量评估结果性能不佳,并生成第二评估结果,该第二评估结果指示第二信道质量评估结果性能不佳。云设备根据该第二评估结果,更新第二神经网络模型。
[0363]
806、第一设备向云设备发送该第二评估结果。
[0364]
807、云设备根据该第二性能评估结果更新第二神经网络模型,得到第一神经网络模型。
[0365]
本实施例中,以第二评估结果是丢包率为例。可选的,云设备根据该第二评估结果与历史最小丢包率进行比较,评估当前第二神经网络模型的性能。当该丢包率大于历史最小丢包率(该历史最小丢包率为第一设备历史上传的最小丢包率),则云设备确定历史最小丢包率对应的神经网络模型,并使用该神经网络模型更新训练第二神经网络模型,训练得到第一神经网络模型。
[0366]
或者,当该丢包率大于历史最小丢包率(该历史最小丢包率为第一设备历史上传的最小丢包率),则云设备继续训练该第二神经网络模型,训练得到第一神经网络模型。
[0367]
本技术实施例中,当云设备根据第一设备上报的第二性能评估结果,确定当前使用的第二神经网络模型的性能。当该第二神经网络模型性能不佳时,云设备可以继续训练得到第一神经网络模型。以提升神经网络模型的性能。进一步提升通信性能。
[0368]
结合上述实施例,本技术实施例还提出了一种信道质量评估方法的交互实施例。请参阅图10,图10为本技术实施例提出的一种信道质量评估方法的交互实施例示意图。具体包括:
[0369]
a1、第一设备显示第一标识。
[0370]
本实施例中,示例性的,请参阅图11,图11为本技术实施例提出的一种界面示意图。当用户通过点击或按压一段时间,触发对图11中的“蓝牙耳机”图标的操作指令后,第一设备显示该“蓝牙耳机”的菜单界面,如图12所示,图12为本技术实施例提出的又一种界面示意图。
[0371]
在图12所示界面中,“智能抗干扰”为第一标识。
[0372]
a2、第一设备检测到针对第一标识的目标操作。
[0373]
本实施例中,在一种可选的实现方式中,第一设备通过检测显示屏的传感器,检测是否存在针对第一标识的目标操作。例如:当用户通过点击或按压一段时间,触发对该第一标识(“智能抗干扰”)的操作指令,即第一设备检测到存在针对第一标识的目标操作。
[0374]
a3、第一设备响应于该目标操作,执行前述信道质量评估方法。
[0375]
本实施例中,第一设备响应于该目标操作,执行前述信道质量评估方法,此处不再赘述。
[0376]
请参阅图13,图13为本技术实施例提供的一种通信装置示意图,该通信装置1300包括处理模块1310和收发模块1320,其中:
[0377]
处理模块1310,用于确定第一设备使用的神经网络结构对应的第一网络参数;
[0378]
处理模块1310,还用于根据第一网络参数和神经网络结构确定第一神经网络模型;
[0379]
处理模块1310,还用于根据第一神经网络模型和第一干扰信息确定第一信道质量评估结果,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息,第一信道质量评估结果用于指示信道的信道质量。
[0380]
在一种实现方式中,通信装置还包括收发模块1320;
[0381]
收发模块1320,用于向云设备发送第一请求,第一请求用于请求云设备下发第一网络参数;
[0382]
收发模块1320,还用于接收来自云设备的第一网络参数。
[0383]
在一种实现方式中,第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息;
[0384]
能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;
[0385]
结构信息用于指示第一设备使用的神经网络结构;
[0386]
场景信息用于指示第一设备当前所处的第一场景;
[0387]
用户等级信息用于指示第一设备的用户等级。
[0388]
在一种实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络结构对应的网络参数。
[0389]
在一种实现方式中,收发模块1320,还用于当满足第一条件时,收发模块1320向云设备发送第一请求;
[0390]
第一条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行数据传输的情况下,第一设备在时间窗内的丢包率大于或等于预设阈值;
[0391]
第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型。
[0392]
在一种实现方式中,处理模块1310,还用于评估第二神经网络模型的性能,得到第一性能评估结果,第二神经网络模型是第一设备根据云设备下发的第二网络参数和神经网络结构确定的神经网络模型;
[0393]
收发模块1320,还用于向云设备发送第一性能评估结果;
[0394]
收发模块1320,还用于接收云设备发送的第一网络参数,第一网络参数为云设备
根据第一性能评估结果和第二神经网络模型调整得到的网络参数。
[0395]
在一种实现方式中,处理模块1310,还用于当满足第二条件时,处理模块1310评估第二神经网络模型的性能,得到第一性能评估结果;
[0396]
第二条件包括:在第一设备在采用第二信道质量评估结果与第二设备进行通信传输情况下,第一设备在时间窗内第一设备的丢包率大于历史最小丢包率,第二信道质量评估结果是第一设备根据第二神经网络模型和第一设备在第二时间内测量信道得到的第二干扰信息确定的信道质量评估结果。
[0397]
在一种实现方式中,收发模块1320,还用于接收来自云设备的第二请求,第二请求用于请求第一设备上报测量信道得到的干扰信息;
[0398]
收发模块1320,还用于向云设备发送第三干扰信息,第三干扰信息包括:第一设备测量信道得到的历史干扰信息,和/或,第一设备在接收到第二请求之后测量信道得到的干扰信息;
[0399]
收发模块1320,还用于接收云设备发送的第一网络参数,第一网络参数为云设备根据第三干扰信息更新云设备的第二神经网络模型得到的网络参数。
[0400]
在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
[0401]
请参阅图14,图14为本技术实施例提供的一种通信装置示意图,该通信装置1400包括处理模块1410和收发模块1420,其中:
[0402]
处理模块1410,用于确定第一设备使用的神经网络结构对应的第一网络参数;
[0403]
收发模块1420,用于向第一设备发送第一网络参数,第一网络参数用于第一设备根据神经网络结构确定第一神经网络模型。
[0404]
在一种实现方式中,收发模块1420,还用于接收来自第一设备的第一请求,第一请求用于请求神经网络结构对应的第一网络参数。
[0405]
在一种实现方式中,第一请求包括以下至少一项:能力信息、结构信息、场景信息、或、用户等级信息;
[0406]
能力信息用于指示第一设备支持使用神经网络模型进行信道质量评估;
[0407]
结构信息用于指示第一设备使用的神经网络结构;
[0408]
场景信息用于第一设备当前所处的第一场景;
[0409]
用户等级信息用于指示第一设备的用户等级。
[0410]
在一种实现方式中,第一网络参数为在第一设备处于第一场景下第一设备使用的神经网络模型结构对应的网络参数。
[0411]
在一种实现方式中,收发模块1420,还用于接收第一设备发送第一性能评估结果,第一性能评估结果为第一设备评估第二神经网络模型的性能得到的第一性能评估结果,第二神经网络模型是云设备根据第二网络参数和神经网络结构确定的神经网络模型;
[0412]
处理模块1410,还用于确定第一设备使用的神经网络结构对应的第一网络参数,包括:
[0413]
处理模块1410,还用于根据第一性能评估结果更新第二神经网络模型,得到第一神经网络模型;
[0414]
处理模块1410,还用于确定第一神经网络模型对应的第一网络参数。
[0415]
在一种实现方式中,收发模块1420,还用于向第一设备发送第二请求,第二请求用
于请求第一设备上报第一设备上报测量信道得到的干扰信息;
[0416]
收发模块1420,还用于接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第二请求之后测量信道得到的干扰信息;
[0417]
处理模块1410,用于确定第一设备使用的神经网络结构对应的第一网络参数,包括:
[0418]
处理模块1410根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型;
[0419]
处理模块1410确定第一神经网络模型对应的第一网络参数。
[0420]
在一种实现方式中,收发模块1420,还用于获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;
[0421]
处理模块1410,还用于根据一个或多个设备在n个时刻测量得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
[0422]
请参阅图15,图15为本技术实施例提供的一种通信装置示意图,该通信装置1500包括收发模块1510和处理模块1520,其中:
[0423]
收发模块1510,用于接收来自云设备的第一信道质量评估结果,第一信道质量评估结果是云设备根据第一干扰信息和第一神经网络模型确定的,第一信道质量评估结果用于指示信道的信道质量,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息。
[0424]
在一种实现方式中,收发模块1510,还用于向云设备发送第三请求,第三请求用于请求信道的信道质量评估结果。
[0425]
在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;
[0426]
能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;
[0427]
下发方式信息用于指示第一信道质量评估结果的下发方式;
[0428]
场景信息用于指示第一设备当前所处的第一场景;
[0429]
用户等级信息用于指示第一设备的用户等级。
[0430]
在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
[0431]
在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
[0432]
在一种实现方式中,收发模块1510,还用于接收来自云设备的第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;
[0433]
收发模块1510,还用于向云设备发送第一干扰信息,第一干扰信息为第一设备在接收到第一干扰信息请求之后,在第一时间内测量信道得到的干扰信息。
[0434]
在一种实现方式中,处理模块1520,用于评估第二信道质量评估结果,得到第二评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;
[0435]
收发模块1510,还用于向云设备发送第二评估结果,第二评估结果用于云设备更新第二神经网络模型,得到第一神经网络模型。
[0436]
在一种实现方式中,收发模块1510,还用于接收来自云设备的第四请求,第四请求
用于请求第一设备上报第一设备测量得到的干扰信息;
[0437]
收发模块1510,还用于向云设备发送第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息,第三干扰信息用于云设备更新第二神经网络模型,得到第一神经网络模型。
[0438]
请参阅图16,图16为本技术实施例提供的一种通信装置示意图,该通信装置1600包括处理模块1610和收发模块1620,其中:
[0439]
处理模块1610,用于确定第一干扰信息,第一干扰信息为第一设备在第一时间内测量信道得到的干扰信息;
[0440]
处理模块1610,还用于根据第一干扰信息和第一神经网络模型确定第一信道质量评估结果,第一信道质量评估结果用于指示信道的信道质量;
[0441]
收发模块1620,用于向第一设备发送第一信道质量评估结果。
[0442]
在一种实现方式中,收发模块1620,还用于接收来自第一设备的第三请求,第三请求用于请求信道的信道质量评估结果。
[0443]
在一种实现方式中,第三请求包括以下至少一项:能力信息、下发方式信息、场景信息、或者,用户等级信息;
[0444]
能力信息用于指示第一设备不支持使用神经网络模型进行信道质量评估;
[0445]
下发方式信息用于指示第一信道质量评估结果的下发方式;
[0446]
场景信息用于指示第一设备当前所处的第一场景;
[0447]
用户等级信息用于指示第一设备的用户等级。
[0448]
在一种实现方式中,第一神经网络模型为第一场景对应的神经网络模型。
[0449]
在一种实现方式中,第一信道质量评估结果通过自适应跳频信道地图表示。
[0450]
在一种实现方式中,收发模块1620,还用于向第一设备发送第一干扰信息请求,第一干扰信息请求用于请求第一设备测量信道并上报得到的干扰信息;
[0451]
收发模块1620,还用于接收来自第一设备的第一干扰信息。
[0452]
在一种实现方式中,收发模块1620,还用于接收第一设备的第二评估结果,第二评估结果为第一设备评估第二信道质量评估结果得到的评估结果,第二信道质量评估结果是云设备根据第一设备在第二时间内测量信道得到的第二干扰信息和第二神经网络模型确定的信道质量评估结果;
[0453]
处理模块1610,还用于根据第二评估结果调整第二神经网络模型,得到第一神经网络模型。
[0454]
在一种实现方式中,收发模块1620,还用于向第一设备发送第四请求,第四请求用于请求第一设备测量信道并上报得到的干扰信息;
[0455]
收发模块1620,还用于接收来自第一设备的第三干扰信息,第三干扰信息包括第一设备测量信道得到的历史干扰信息和/或第一设备在接收到第四请求之后测量信道得到的干扰信息;
[0456]
处理模块1610,还用于根据第三干扰信息更新第二神经网络模型,得到第一神经网络模型。
[0457]
在一种实现方式中,收发模块1620,还用于获取一个或多个设备在n个时刻测量信道得到的第四干扰信息;
[0458]
处理模块1610,还用于根据一个或多个设备在n个时刻信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
[0459]
在一种实现方式中,收发模块1620,还用于获取一个或多个第一类型设备在n个时刻测量信道得到的第四干扰信息;
[0460]
处理模块1610,还用于根据一个或多个第一类型设备在n个时刻信道得到的第四干扰信息更新第三神经网络模型,得到第二神经网络模型,n为大于或等于1的整数。
[0461]
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
[0462]
在本技术所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
[0463]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0464]
另外,在本技术各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
[0465]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:u盘、移动硬盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0466]
以上所述,以上实施例仅用以说明本技术的技术方案,而非对其限制;尽管参照前述实施例对本技术进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1