基于露天矿5G网络的数据仿真方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于露天矿5g网络的数据仿真方法及系统。

背景技术：

1、露天矿可以使用5g网络进行通信和数据传输。5g网络具有较高的速度、低延迟和大容量，这使得在露天矿场实现高效的无线通信成为可能。通过5g网络，矿工可以实时监控设备和数据，进行远程操作和调整，提高生产效率和安全性。同时，5g网络还可以支持物联网设备的连接，实现智能化管理和自动化控制，进一步优化矿山运营。总之，5g网络对于露天矿来说是一个重要的技术支持，可以带来许多好处。在现有技术中，一般是通过确定出网络的性能指标，如网络容量、吞吐量、时延、连通性等，然后，基于性能指标生成相应的网络布局，即网络拓扑数据(包括确定基站的位置、天线方向、传输链路等)，之后，再基于网络拓扑数据进行建模和仿真，得到仿真结果，若仿真结果与前面的网络的性能指标匹配，可以得到最终的网络拓扑数据，不再继续仿真，若仿真结果与前面的网络的性能指标不匹配，需要对网络拓扑数据进行调整，以再次进行仿真。

2、在现有技术中，为了提高网络布局确定的可靠性，一般会生成多个网络拓扑数据，以分别进行仿真，在有多个(两个)网络拓扑数据的仿真结果都满足网络的性能指标需求的时候，就可以在其中选择出一个网络拓扑数据，作为最终的网络拓扑数据，但是，如果是基于任意性的选择(不同的网络拓扑数据可能侧重点不同，如一个侧重于工程量小、一个侧重于设备成本小等)，就容易导致最终的网络拓扑数据的可靠度相对不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于露天矿5g网络的数据仿真方法及系统，使得数据仿真过程中确定的网络拓扑数据的可靠度可以提高。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于露天矿5g网络的数据仿真方法，包括：获取到针对露天矿5g网络进行的网络仿真的仿真结果满足预设仿真需求的两个网络拓扑数据，所述网络拓扑数据用于表征所述露天矿5g网络中的网络布局，所述仿真结果用于表征所述露天矿5g网络的性能指标；构建出所述两个网络拓扑数据中的第一个网络拓扑数据的第一拓扑数据片段集和所述两个网络拓扑数据中的第二个网络拓扑数据的第二拓扑数据片段集，所述第一拓扑数据片段集中的每一个第一拓扑数据片段属于所述第一个网络拓扑数据，所述第二拓扑数据片段集中的每一个第二拓扑数据片段属于所述第二个网络拓扑数据；利用目标拓扑数据分析网络，基于所述第一个网络拓扑数据的第一拓扑数据片段集和所述第二个网络拓扑数据的第二拓扑数据片段集，确定所述第一个网络拓扑数据的特征向量和所述第二个网络拓扑数据的特征向量；利用所述目标拓扑数据分析网络，基于所述第一个网络拓扑数据的特征向量和所述第二个网络拓扑数据的特征向量的聚合结果，生成新的网络拓扑数据，以及，在所述新的网络拓扑数据的仿真结果满足预设仿真需求时，确定仿真结束，并将所述新的网络拓扑数据作为目标网络拓扑数据。

4、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述利用目标拓扑数据分析网络，基于所述第一个网络拓扑数据的第一拓扑数据片段集和所述第二个网络拓扑数据的第二拓扑数据片段集，确定所述第一个网络拓扑数据的特征向量和所述第二个网络拓扑数据的特征向量的步骤，包括：将所述第一拓扑数据片段集加载到目标拓扑数据分析网络中，利用所述目标拓扑数据分析网络中的共享聚焦单元和第一特征挖掘单元，挖掘出对应的第一候选拓扑向量；将所述第二拓扑数据片段集加载到所述目标拓扑数据分析网络中，利用所述目标拓扑数据分析网络中的共享聚焦单元和第二特征挖掘单元，挖掘出对应的第二候选拓扑向量；将所述第一候选拓扑向量和所述第二候选拓扑向量加载到所述目标拓扑数据分析网络包括的共享聚焦单元和联合特征挖掘单元中，利用所述联合特征挖掘单元，将所述第一候选拓扑向量的聚焦特征挖掘结果和所述第二候选拓扑向量的聚焦特征挖掘结果进行聚合，形成对应的聚合特征向量，所述聚合特征向量包括所述第一个网络拓扑数据的特征向量和所述第二个网络拓扑数据的特征向量；其中，所述共享聚焦单元用于对加载到的数据进行聚焦特征挖掘，所述第一特征挖掘单元、所述第二特征挖掘单元和所述联合特征挖掘单元分别用于对相应的聚焦特征挖掘结果进行挖掘，形成对应的特征向量。

5、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述基于露天矿5g网络的数据仿真方法还包括：确定出训练第一网络拓扑数据的训练第一数据，所述训练第一数据用于指示训练第一拓扑数据片段集，所述训练第一拓扑数据片段集包括训练第一网络拓扑数据中的多个训练第一拓扑数据片段；将所述训练第一数据加载到目标教师模型中，输出对应的第一特征向量；将所述训练第一数据指示的训练第一拓扑数据片段集中的至少一个训练第一拓扑数据片段进行覆盖，形成对应的训练第二数据；将所述训练第二数据加载到目标拓扑数据分析网络中，输出对应的第二特征向量，所述目标拓扑数据分析网络属于模型迁移中相对于所述目标教师模型的目标模型，通过从所述目标教师模型中进行知识迁移的方式来提高自身的性能，所述目标拓扑数据分析网络用于挖掘出特征向量；依据所述第一特征向量和所述第二特征向量，计算出第一误差指标，所述第一误差指标用于反映所述第一特征向量和所述第二特征向量之间的区别；依据所述第一误差指标，将所述目标教师模型和所述目标拓扑数据分析网络进行更新优化，形成更新后的目标教师模型和更新后的目标拓扑数据分析网络。

6、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述训练第一数据包括训练第一拓扑数据片段集和拓扑数据片段融合数据，所述确定出训练第一网络拓扑数据的训练第一数据的步骤，包括：将所述训练第一网络拓扑数据进行数据扰动，形成所述训练第一网络拓扑数据的扰动第一网络拓扑数据；将所述扰动第一网络拓扑数据进行数据分段，形成所述扰动第一网络拓扑数据的训练第一拓扑数据片段集；依据所述扰动第一网络拓扑数据的训练第一拓扑数据片段集，确定出所述扰动第一网络拓扑数据的拓扑数据片段融合数据，形成所述扰动第一网络拓扑数据的拓扑数据片段融合数据，所述训练第一拓扑数据片段集包括对应的多个训练第一拓扑数据片段分别具有的嵌入向量，所述拓扑数据片段融合数据通过融合所述多个训练第一拓扑数据片段分别具有的嵌入向量得到。

7、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述第一特征向量包括训练第一拓扑数据片段集对应的第一拓扑数据向量和拓扑数据片段融合数据对应的第二拓扑数据向量，所述第二特征向量包括训练第一拓扑数据片段集对应的第三拓扑数据向量和拓扑数据片段融合数据对应的第四拓扑数据向量，所述依据所述第一特征向量和所述第二特征向量，计算出第一误差指标的步骤，包括：依据所述第一拓扑数据向量和所述第三拓扑数据向量，计算出第一局部误差指标，所述第一局部误差指标用于反映所述第一拓扑数据向量和所述第三拓扑数据向量之间的区别；依据所述第二拓扑数据向量和所述第四拓扑数据向量，计算出第二局部误差指标，所述第二局部误差指标用于反映所述第二拓扑数据向量和所述第四拓扑数据向量之间的区别；依据所述第一局部误差指标和所述第二局部误差指标，计算出第一误差指标。

8、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述依据所述第一拓扑数据向量和所述第三拓扑数据向量，计算出第一局部误差指标的步骤，包括：依据被覆盖的所述至少一个训练第一拓扑数据片段在所述训练第一拓扑数据片段集中的集合坐标，提取到所述第一拓扑数据向量中与所述集合坐标对应的局部第一拓扑数据向量，并提取到所述第三拓扑数据向量中与所述集合坐标对应的局部第三拓扑数据向量；依据所述局部第一拓扑数据向量和所述局部第三拓扑数据向量，计算出对应的第一局部误差指标。

9、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述目标拓扑数据分析网络包括共享聚焦单元、第一特征挖掘单元、第二特征挖掘单元和联合特征挖掘单元，所述共享聚焦单元用于对加载到的数据进行聚焦特征挖掘，所述第一特征挖掘单元、所述第二特征挖掘单元和所述联合特征挖掘单元分别用于对相应的聚焦特征挖掘结果进行挖掘，形成对应的特征向量，所述基于露天矿5g网络的数据仿真方法还包括：利用拓扑数据分割模型，将训练第二网络拓扑数据进行分割，形成对应的第三特征向量，所述第三特征向量包括对所述训练第二网络拓扑数据进行分割形成中的多个训练第二拓扑数据片段各自的特征向量；将所述第三特征向量对应的训练第二拓扑数据片段集中的至少一个训练第二拓扑数据片段进行覆盖，形成对应的第四特征向量；将所述第四特征向量加载到所述目标拓扑数据分析网络中，挖掘出对应的第五特征向量；依据被覆盖的所述至少一个训练第二拓扑数据片段在所述训练第二拓扑数据片段集中的集合坐标，提取到所述第五特征向量中与所述集合坐标对应的局部第二拓扑数据向量；依据所述局部第二拓扑数据向量和局部第四拓扑数据向量，计算出第二误差指标，所述局部第四拓扑数据向量为所述第四特征向量包括的所述至少一个训练第二拓扑数据片段的特征向量，所述第二误差指标用于反映所述局部第二拓扑数据向量和所述局部第四拓扑数据向量之间的区别；依据所述第二误差指标，将所述目标拓扑数据分析网络中的第二特征挖掘单元进行更新优化。

10、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述目标拓扑数据分析网络包括共享聚焦单元、第一特征挖掘单元、第二特征挖掘单元和联合特征挖掘单元，所述共享聚焦单元用于对加载到的数据进行聚焦特征挖掘，所述第一特征挖掘单元、所述第二特征挖掘单元和所述联合特征挖掘单元分别用于对相应的聚焦特征挖掘结果进行挖掘，形成对应的特征向量，所述基于露天矿5g网络的数据仿真方法还包括：确定出训练网络拓扑数据组合，所述训练网络拓扑数据组合包括对应的仿真结果满足预设仿真需求的两个网络拓扑数据；利用目标教师模型，确定出第六特征向量，并利用拓扑数据分割模型，确定出第七特征向量，所述第六特征向量为所述训练网络拓扑数据组合中的第一个训练网络拓扑数据的特征向量，所述第七特征向量为所述训练网络拓扑数据组合中的第二个训练网络拓扑数据的特征向量；将所述第六特征向量对应的训练第一拓扑数据片段集中的至少一个训练第一拓扑数据片段进行覆盖，并挖掘出对应的第八特征向量；将所述第七特征向量对应的训练第二拓扑数据片段集中的至少一个训练第二拓扑数据片段进行覆盖，并挖掘出对应的第九特征向量；分别将所述第八特征向量和所述第九特征向量加载到所述目标拓扑数据分析网络，形成所述训练网络拓扑数据组合对应的训练聚合特征向量；依据所述训练聚合特征向量、所述第六特征向量和所述第七特征向量，计算出第三误差指标，所述第三误差指标用于反映所述训练聚合特征向量中的第一个训练网络拓扑数据的特征向量和所述第六特征向量之间的差异、所述训练聚合特征向量中的第二个训练网络拓扑数据的特征向量和所述第七特征向量之间的差异；依据所述第三误差指标，将所述目标拓扑数据分析网络进行更新优化。

11、在一些优选的实施例中，在上述基于露天矿5g网络的数据仿真方法中，所述目标拓扑数据分析网络包括多个网络层级结构，所述多个网络层级结构中的第一个网络层级结构包括共享聚焦单元、第二特征挖掘单元和第一特征挖掘单元，所述多个网络层级结构中的第二个网络层级结构包括共享聚焦单元、第二特征挖掘单元、第一特征挖掘单元和联合特征挖掘单元；所述分别将所述第八特征向量和所述第九特征向量加载到所述目标拓扑数据分析网络，形成所述训练网络拓扑数据组合对应的训练聚合特征向量的步骤，包括：依次将所述第八特征向量加载到所述第一个网络层级结构中的共享聚焦单元和第一特征挖掘单元中，输出对应的训练第一候选拓扑向量；依次将所述第九特征向量加载到所述第一个网络层级结构中的共享聚焦单元和第二特征挖掘单元中，输出对应的训练第二候选拓扑向量；依次将所述训练第一候选拓扑向量加载到所述第二个网络层级结构中的共享聚焦单元和联合特征挖掘单元、依次将所述训练第二候选拓扑向量加载到所述第二个网络层级结构中的共享聚焦单元和联合特征挖掘单元，利用所述联合特征挖掘单元，将所述训练第一候选拓扑向量和所述训练第二候选拓扑向量进行聚合，形成所述训练网络拓扑数据组合对应的训练聚合特征向量。

12、本发明实施例还提供一种基于露天矿5g网络的数据仿真系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于露天矿5g网络的数据仿真方法。

13、本发明实施例提供的基于露天矿5g网络的数据仿真方法及系统，可以获取两个网络拓扑数据；构建出两个网络拓扑数据的第一拓扑数据片段集和第二拓扑数据片段集；基于第一拓扑数据片段集和第二拓扑数据片段集，确定第一个网络拓扑数据的特征向量和第二个网络拓扑数据的特征向量；基于第一个网络拓扑数据的特征向量和第二个网络拓扑数据的特征向量的聚合结果，生成新的网络拓扑数据，以及，在新的网络拓扑数据的仿真结果满足预设仿真需求时，确定仿真结束，并将新的网络拓扑数据作为目标网络拓扑数据。基于前述的内容，由于在获取到针对露天矿5g网络进行的网络仿真的仿真结果满足预设仿真需求的两个网络拓扑数据之后，并不是简单的在两个网络拓扑数据中确定出一个网络拓扑数据，而是会对两个拓扑数据进行挖掘，然后，将挖掘得到的特征向量进行融合，从而可以基于融合的结果来生成新的网络拓扑数据，如此，可以使得新的网络拓扑数据能够兼顾获取到的两个网络拓扑数据，因此，在新的网络拓扑数据的仿真结果满足预设仿真需求时，就可以保障新的网络拓扑数据作为目标网络拓扑数据的可靠性，使得数据仿真过程中确定的网络拓扑数据的可靠度可以提高，从而改善现有技术中存在的可靠度相对不高的问题。

14、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。