本申请涉及通信
技术领域：
，具体而言，涉及一种无线网络质量的评估方法及评估装置。
背景技术：
：随着无线网络的快速发展和移动互联网应用的日益丰富，智能移动设备在校园内使用量剧增，为了无法满足学校师生随时随地共享教育网络的需要，越来越多的学校已经开始逐步建立覆盖校园的校园无线网络。校园无线网络具有覆盖范围广、信息需求高、用户数量庞大和网络应用丰富等特点，这就对网络性能提出了很高的要求。校园无线网络性能主要表现在网络资源利用率高低及用户体验上。通常，校园无线网络使用时间相对比较集中，当网络并发用户快速增加时，容易出现网络拥堵，部分网络资源会达到上限而造成一些网络的请求被暂缓或者终端，网络响应时间会明显增长，用户体验会受到严重影响。为了提高用户的体验，在校园无线网络使用过程中，需要对用户的无线网络质量进行评价，以便根据用户的无线网络质量进行网络优化。现有技术中，一般是通过吞吐量或与其相关的效用函数值来判断用户的无线网络质量，识别方法较为单一，无法有效反应用户的无线网络质量的真实情况。技术实现要素：有鉴于此，本申请的目的在于提供一种无线网络质量的评估方法及评估装置，以提高对无线网络质量的评估准确度。第一方面，本申请实施例提供了一种无线网络质量的评估方法，包括：基于若干用户的历史网络数据，由所述历史网络数据中确定影响用户的无线网络质量的特征数据，所述特征数据包括多个特征参数对应的所述历史网络数据；根据所述特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数；根据当前用户的多个所述特征参数对应的网络数据和训练后的所述神经网络模型，确定当前用户的无线网络质量。第二方面，本申请实施例提供了一种无线网络质量的评估装置，包括：数据获取单元，用于基于若干用户的历史网络数据，由所述历史网络数据中确定影响用户的无线网络质量的特征数据，所述特征数据包括多个特征参数对应的所述历史网络数据；模型训练单元，用于根据所述特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数；评估单元，用于根据当前用户的多个所述特征参数对应的网络数据和训练后的所述神经网络模型，确定当前用户的无线网络质量。第三方面，本申请实施例提供了一种无线网络质量的评估装置，包括：处理器、存储器和总线，存储器存储执行指令，当装置运行时，处理器与存储器之间通过总线通信，处理器执行存储器中存储的如下执行指令：基于若干用户的历史网络数据，由所述历史网络数据中确定影响用户的无线网络质量的特征数据，所述特征数据包括多个特征参数对应的所述历史网络数据；根据所述特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数；根据当前用户的多个所述特征参数对应的网络数据和训练后的所述神经网络模型，确定当前用户的无线网络质量。本申请实施例从若干用户的历史网络数据中确定影响用户的无线网络质量的特征数据，该特征数据包括多个特征参数对应的历史网络数据；然后根据这些特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数得到训练后的神经网络模型，因为该训练后的神经网络模型是通过多个特征参数对应的历史网络数据训练得到的，所以在评估当前用户的无线网络质量时，根据当前用户的特征数据和训练后的神经网络模型，就能够确定当前用户的无线网络质量，这样比起现有技术能够更加有效地反应无线网络状态的真实情况。为使本申请的上述目的、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。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。图1示出了本申请实施例所提供的一种无线网络质量的评估方法流程示意图；图2示出了本申请实施例所提供的确定特征数据的方法流程示意图；图3示出了本申请实施例所提供的对神经网络模型进行训练的方法流程示意图；图4示出了本申请实施例所提供的对神经网络模型进行初始化的方法流程示意图；图5示出了本申请实施例所提供的在训练神经网络模型时当前次的训练误差的方法流程示意图；图6示出了本申请实施例所提供的对连接权值和阈值的修正方法流程图；图7示出了本申请实施例所提供的神经网络模型的训练流程示意图；图8示出了本申请实施例所提供的一种无线网络质量的评估装置结构示意图；图9示出了本申请实施例所提供的另一种无线网络质量的评估装置结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。如图1所示，本申请实施例涉及一种无线网络质量的评估方法，包括步骤101～103，如下：101，基于若干用户的历史网络数据，由历史网络数据中确定影响用户的无线网络质量的特征数据，该特征数据包括多个特征参数对应的历史网络数据。以校园无线网络为例，当校园无线网络内的用户的无线网络质量进行评估时，可以采集该校园无线网络的无线网关系统的历史网络数据，历史网络数据中可以包括多个网络参数，网络参数可以是用户终端的MAC地址、IP地址、AP序列号、AP名称、AC序列号、终端协商模式、认证模式，信号强度、漫游次数、信道利用率、接收速率、发送速率、时延、丢包率、错包率、重传率、最大协商速率、时间、协议类型、AP发往终端报文数、AP接收终端报文数和AP的状态等状态信息等等参数。可以取全部网络参数中的一部分网络参数作为特征参数，这部分特征参数对应的历史网络数据作为特征数据。S102，根据特征数据对预设的神经网络模型进行训练，直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数。S103，根据当前用户的多个特征参数对应的网络数据和训练后的神经网络模型，确定当前用户的无线网络质量。本申请实施例中，从对应同一无线网管系统的若干用户的历史网络数据中确定影响用户的无线网络质量的特征数据，然后根据这些特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数得到训练后的神经网络模型，因为该训练后的神经网络模型是通过多个网络参数对应的历史网络数据训练得到的，所以在评估当前用户的无线网络质量时，根据当前用户的特征数据和训练后的神经网络模型，就能够较准确的确定当前用户的无线网络质量。需要说明的是，本申请实施例提供的无线网络质量的评估方法可以应用于校园无线网络的服务器、终端或其他具有处理能力的设备，在此不作限制。历史网络数据的获取可以通过在线的方式由校园无线网络的无线网管系统直接获取，也可以使用预存保存的数据作为历史网络数据。当然，为了评估具有针对性和准确性，历史网络数据应该是对应同一无线网管系统的，否则评估结果可能无法反应接入该无线网管系统的用户的无线网络质量。步骤101中，由历史网络数据中确定影响用户的无线网络质量的特征数据，即以数据探索分析的方式由历史网络数据中确定特征数据。本实施例以多元线性回归分析进行说明，如图2所示，为确定影响用户的无线网络质量的特征数据的方法流程图，包括：201，通过对历史网络数据进行多元线性回归分析，由历史网络数据中的全部网络参数中确定多个影响用户的无线网络质量的权重值高于设定权重值的网络参数作为特征参数。通过对历史网络数据进行分析，最终会确定对无线网络质量影响较大的若干个网络参数，由于不同的网络参数对网络质量的影响程度不同，利用多元线性回归方法，确定出历史网络数据中的全部网络参数对无线网络质量的影响权重值，将影响权重高于设定权重值的网络参数作为特征参数，之后将通过这些特征参数的网络数据对无线网络质量进行评估。特征参数的个数可以根据实际需要进行调整，在此不作限制。例如，可以确定10个网络参数作为特征参数：信号强度、漫游次数、信道利用率、接收速率、发送速率、时延、丢包率、错包率、重传率和最大协商速率。202，对特征参数对应的历史网络数据进行数据清洗和标准化处理，得到特征数据。由于特征参数对应的历史网络数据有些为错误数据无法使用，最终会对无线网络质量的正确评估产生影响，因而需要将这些错误数据剔除；另外，由于各个特征参数之间的单位不同，对应的历史网络数据之间的差别可能很大，因而也需要对特征参数对应的历史网络数据进行标准化处理。具体地，步骤202中，对所述特征参数对应的所述历史网络数据进行数据清洗和标准化处理，包括：将特征参数对应的历史网络数据中的非相关数据、重复数据、含有缺失值的数据和含有异常值的数据去除，完成数据清洗。将完成数据清洗的特征参数对应的历史网络数据的数据类型进行格式化，完成标准化处理。以步骤201中确定的10个特征参数为例进行说明，标准化处理后的特征参数及对应的特征字段以及其对应的网络数据类型如表1所示：特征字段数据类型特征参数RSSI数值型信号强度ReUpTimes数值型漫游次数channelBusy数值型信道利用率clientTxRate数值型终端发送速率clientRxRate数值型终端接收速率dropRate数值型丢包率retry数值型重传率delayTime数值型时间延迟ErrPacketRatio数值型错包率NegoMaxRate数值型最大协商速率表1步骤102中，根据特征数据对预设的神经网络模型进行训练，参考如图3所示的对神经网络模型进行训练的方法流程示意图，说明如下：301，对预设的神经网络模型进行初始化。302，每一次对神经网络模型进行训练时，由特征数据中随机选择多个用户的数据作为输入样本，基于神经网络模型和上一次训练的训练误差，得到当前次训练的训练误差。303，直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数时，结束对神经网络模型的训练。以该神经网络可以包括输入层、隐含层和输出层为例，对步骤301进行说明。如下：如图4所示，示出对预设的神经网络模型进行初始化的方法流程图，包括：401，设置神经网络模型的网络结构和网络结构的每一层的节点数，网络结构包括输入层、隐含层和输出层。其中输入层和输出层一般为只有一层，隐含层可以设置一层也可以设置多层，视具体情况而定。402，确定隐含层对应的第一激活函数和输出层对应的第二激活函数，对输入层至隐含层的第一连接权值和隐含层至输出层的第二连接权值进行初始化。其中，第一激活函数可以选择修正线性单元ReLU函数、双曲正切tanh函数和S型生长曲线sigmoid函数中的任意一种，第二激活函数可以选择回归模型softmax函数。403，对隐含层的各节点的第一阈值和输出层的各节点的第二阈值进行初始化。404，设定神经网络模型的误差函数和期望输出值，误差函数表征期望输出和输出层输出的实际输出值之间的关系。下面以一种具体实施例来对上述步骤401～404进行说明：设置网络结构包括三层即一个输入层、一个隐含层和一个输出层，输入层的节点数为10，隐含层的节点数为256，输出层的节点数为3，确定相关参数如下：(1)输入特征：x＝{x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，x中每个特征均表示一个特征参数。(2)隐含层输入向量：hi；隐含层输出向量：ho，输出层输入向量：yi。(3)实际输出向量：y；期望输出向量：d。(4)输入层至隐含层的第一连接权值Wih＝{wi1,wi2,...wip},i＝1,2,...,n，n表示输入层的节点数，h＝1,2…p,p表示隐含层的节点数。(5)隐含层至输出层的第二连接权值Who＝{wh1,wh2,...whq},o＝1,2,...,q，q表示输出层的节点数。(6)隐含层各节点的阈值bh；输出层各节点的阈值bo。(7)选取训练样本个数为k，随机选取第k个输入样本及对应的期望输出为：x(k)＝{x1(k),x2(k),...,xn(k)}；d(k)＝{d1(k),d2(k),...,dq(k)}；k＝1,2，…m。其中，m为样本总数。(8)设定预设阈值ε和最大训练次数M。本实施例中，以修正线性单元ReLU(x)＝max(0,x)进行说明，当ReLU函数的输入特征小于0时，输出都是0，反之，输出等于输入。ReLU函数的收敛速度快，且当x<0时，ReLU硬饱和，当x>0时，则不存在饱和问题，并保持梯度不衰减，从而缓解梯度消失问题。输出层的激活函数选择Softmax(x)＝exp(xi)/∑jexp(xj)，i,j＝0,1,2...N。其中，x为引入的数组，该数组包括N个数据，xi表示该数组中第i个数据，xj表示该数组中第j个数据。Softmax函数常常用于多分类神经网络的输出。设置Wih,Who,bh,bo的值为区间(-1,1)内的随机数，并设定误差函数通过以下公式(1)表示：其中，k为训练样本的个数，d(k)为第k个训练样本时的期望输出值，y(k)为第k个训练样本时的实际输出值。每个样本对应的期望输出值均一样，均为提前设定的。结合图4和步骤401～404，步骤302中由特征数据中随机选择多个用户的数据作为输入样本，基于神经网络模型和上一次训练的训练误差，得到当前次训练的训练误差，具体方法流程图如图5所示，包括以下步骤501～502：501，根据输入样本、第一连接权值和第一阈值，确定隐含层的各节点的第一输入值。502，根据第一输入值和第一激活函数确定隐含层的各节点的第一输出值。503，根据第一输出值、第二连接权值和第二阈值，确定输出层的各节点的第二输入值。504，根据第二输入值和第二激活函数确定输出层的各节点的实际输出值。505，根据期望输出值、实际输出值和输出层的节点数，确定当前次训练的训练误差。这里多个用户的数据为同一个历史时间段对应的数据，具体引入一个具体的实施例进行说明，可以设置有k个用户，即得到k个输入样本，具体如下：引入公式(2)，将输入样本、第一连接权值和第一阈值输入公式(2)确定隐含层的各节点的第一输入值：在根据公式(2)确定了隐含层的各节点的第一输入值后，再将第一输入值和第一激活函数输入公式(3)，由公式(3)来确定隐含层的各节点的第一输出值：ho(k)＝f(hih(k))；(3)接下来引入公式(4)，将根据第一输出值、第二连接权值和第二阈值输入公式(4)确定输出层的各节点的第二输入值：然后，将第二输入值和第二激活函数输入公式(5)来确定输出层的各节点的实际输出值：yo(k)＝f(yio(k))；(5)最后，根据期望输出值、实际输出值和输出层的节点数，确定当前次训练的训练误差，如公式(6)至此，就确定了当前次训练神经网络模型的训练误差。为了得到用于更加准确的评估无线网络质量的神经网络模型，在每次训练结束后，还需要对第一连接权值、第一阈值、第二连接权值和第二阈值进行修正，以便下次训练使用，本申请实施例中，如图6所示，是在训练神经网络模型过程中对连接权值和阈值的修正方法流程图，包括步骤601～605：601，根据期望输出值和实际输出值确定误差函数对输出层的各节点的偏导数。602，根据第二连接权值、实际输出值和输出层的各节点的偏导数，确定误差函数对隐含层的各节点的偏导数。603，根据输出层的各节点的偏导数和第一输出值修正第二连接权值和第二阈值。604，根据隐含层的各节点的偏导数和输入样本修正第一连接权值和第一阈值。605，将修正后的第一连接权值、第一阈值、第二连接权值和第二阈值用于下一次训练。针对上述步骤601～605，下面以一个具体的实施例进行说明，具体如下：引入公式(7)，来确定误差函数对输出层的各节点的偏导数：δo(k)＝(d(k)-y(k))y(k)(1-y(k))；(7)在确定出误差函数对输出层的各节点的偏导数后，根据第二连接权值和实际输出值，并引入公式(8)，确定误差函数对隐含层的各节点的偏导数：接下来，根据输出层的各节点的偏导数和第一输出值修正第二连接权值和第二阈值，具体引入公式(9)和公式(10)来分别修正第二连接权值和第二阈值：其中，WhoN表示当前的第二连接权值，WhoN+1表示修正后的第二连接权值，b0N表示当前的第二阈值，b0N+1表示修正后的第二阈值，η为学习率，范围为(0,1)，这里学习率是为了调整训练误差设定的参数。最后，根据隐含层的各节点的偏导数和输入样本修正所述第一连接权值和所述第一阈值，具体引入公式(11)和公式(12)来分别修正第一连接权值和所述第一阈值：其中，WihN表示当前的第一连接权值，WihN+1表示修正后的第一连接权值，bhN表示当前的第一阈值，bhN+1表示修正后的第一阈值，η为学习率，范围为(0,1)。下面以一个完整的流程图来说明整个训练神经网络模型的过程，流程图如图7所示，整个训练过程以网络初始化开始，针对一个样本数据依次是隐含层输入输出计算、输出层输入输出计算、各层个单元误差计算、连接权值和预置的更新，然后判断全局误差是否小于预设阈值，若是，结束训练，若否判断参加训练的样本数据是否为最后一个训练的样本，若是，结束训练，以上都否的话，继续从下一个样本数据开始进行隐含层输入输出计算以及之后的过程。在步骤S103中，在训练好神经网络模型后，将当前用户的特征数据输入该训练好的神经网络模型，即得到当前用户的无线网络质量，本申请实施例中通过无线网络速度来衡量无线网络质量，这里输出的可以是代表无线网络速度的分数值，然后根据预存的无线网络分数值与无线网络质量等级的对应关系，确定当前的无线网络质量等级，即无线网络质量。如下，表2是测得的10个终端的无线网络质量结果：序号终端MAC地址终端AP序列号时间结果1c4f0-81be-b560172.168.0.194219801A14K9175Q000352018/3/177:50normal2c0a5-3e27-6497172.168.0.169219801A14K9175Q000352018/3/177:55bad34c49-e33d-03dd172.168.0.7210235A1PRC15B0000592018/3/177:50good46cab-31e1-6bf8172.168.0.197219801A17C8172A000062018/3/178:10normal54c49-e3fd-82a9172.168.0.24219801A17C8172A000062018/3/177:55bad6f4b7-b394-bf7a172.168.0.19219801A17C8172A000082018/3/178:25normal7e8bb-a897-76ce172.16.100.6219801A14K9175Q000352018/3/178:20good86cb7-4954-35c2172.16.100.8219801A14K9175Q000352018/3/178:35normal900b3-6266-2cee172.16.100.5219801A14K9175Q000352018/3/178:40normal1060a4-d0ac-dfc1172.16.100.18210235A1GQC1490018142018/3/178:30bad表2基于训练好的神经网络模型能够准确地诊断出用户的无线网络质量状况，并给出相应的评定等级，通过对不同用户的分类结果进行分析，能够更好地识别出体验比较差的用户，记录其网络运行状态的相关信息，并上报给网络管理中心，从而使得网络管理中心能够及时响应和处理网络故障。如图8所示，为本申请实施例提供的一种无线网络质量的评估装置800，包括：数据获取单元81，用于基于若干用户的历史网络数据，由历史网络数据中确定影响用户的无线网络质量的特征数据，特征数据包括多个特征参数对应的历史网络数据。模型训练单元82，用于根据特征数据对预设的神经网络模型进行训练，直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数。评估单元83，根据当前用户的多个特征参数对应的网络数据和训练后的神经网络模型，确定当前用户的无线网络质量。可选地，数据获取单元81，具体用于：通过对历史网络数据进行多元线性回归分析，由历史网络数据中的全部网络参数中确定多个影响用户的无线网络质量的权重值高于设定权重值的网络参数作为特征参数。对特征参数对应的历史网络数据进行数据清洗和标准化处理，得到特征数据。可选地，数据获取单元81，具体用于：将特征参数对应的历史网络数据中的非相关数据、重复数据、含有缺失值的数据和含有异常值的数据去除，完成数据清洗。将完成数据清洗的特征参数对应的历史网络数据的数据类型进行格式化，完成标准化处理。可选地，模型训练单元82，具体用于：对预设的神经网络模型进行初始化。每一次对神经网络模型进行训练时，由特征数据中随机选择多个用户的数据作为输入样本，基于神经网络模型和上一次训练的训练误差，得到当前次训练的训练误差。直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数时，结束对神经网络模型的训练。可选地，模型训练单元82，具体用于：设置神经网络模型的网络结构和网络结构的每一层的节点数，网络结构包括输入层、隐含层和输出层。确定隐含层对应的第一激活函数和输出层对应的第二激活函数，对输入层至隐含层的第一连接权值和隐含层至输出层的第二连接权值进行初始化；对隐含层的各节点的第一阈值和输出层的各节点的第二阈值进行初始化。设定神经网络模型的误差函数和期望输出值，误差函数表征期望输出和输出层输出的实际输出值之间的关系。可选地，模型训练单元82，具体用于：根据输入样本、第一连接权值和第一阈值，确定隐含层的各节点的第一输入值。根据第一输入值和第一激活函数确定隐含层的各节点的第一输出值。根据第一输出值、第二连接权值和第二阈值，确定输出层的各节点的第二输入值。根据第二输入值和第二激活函数确定输出层的各节点的实际输出值。根据期望输出值、实际输出值和输出层的节点数，确定当前次训练的训练误差。可选地，模型训练单元82，还用于：根据期望输出值和实际输出值确定误差函数对输出层的各节点的偏导数。根据第二连接权值、实际输出值和输出层的各节点的偏导数，确定误差函数对隐含层的各节点的偏导数。根据输出层的各节点的偏导数和第一输出值修正第二连接权值和第二阈值。根据隐含层的各节点的偏导数和输入样本修正第一连接权值和第一阈值。将修正后的第一连接权值、第一阈值、第二连接权值和第二阈值用于下一次训练。可选地，第一激活函数包括修正线性单元ReLU函数、双曲正切tanh函数和S型生长曲线sigmoid函数。第二激活函数包括回归模型softmax函数。如图9所示，本申请实施例提供了另一种无线网络质量的评估装置900，包括：处理器91、存储器92和总线93，存储器92存储执行指令，当装置运行时，处理器91与存储器92之间通过总线通信，处理器91执行存储器92中存储的如下执行指令：基于若干用户的历史网络数据，由历史网络数据中确定影响用户的无线网络质量的特征数据，特征数据包括多个特征参数对应的历史网络数据。根据特征数据对预设的神经网络模型进行训练，直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数。根据当前用户的多个特征参数对应的网络数据和训练后的神经网络模型，确定当前用户的无线网络质量。可选地，处理器91执行的执行指令中，由历史网络数据中确定影响用户的无线网络质量的特征数据，包括：通过对历史网络数据进行多元线性回归分析，由历史网络数据中的全部网络参数中确定多个影响用户的无线网络质量的权重值高于设定权重值的网络参数作为特征参数。对特征参数对应的历史网络数据进行数据清洗和标准化处理，得到特征数据。可选地，处理器91执行的执行指令中，对特征参数对应的历史网络数据进行数据清洗和标准化处理，包括：将特征参数对应的历史网络数据中的非相关数据、重复数据、含有缺失值的数据和含有异常值的数据去除，完成数据清洗。将完成数据清洗的特征参数对应的历史网络数据的数据类型进行格式化，完成标准化处理。可选地，处理器91执行的执行指令中，根据所述特征数据对预设的所述神经网络模型进行训练，直到所述神经网络模型的所述训练误差小于所述预设阈值或训练次数达到所述预设次数，包括：对预设的神经网络模型进行初始化。每一次对神经网络模型进行训练时，由特征数据中随机选择多个用户的数据作为输入样本，基于神经网络模型和上一次训练的训练误差，得到当前次训练的训练误差。直到神经网络模型的训练误差小于预设阈值或训练次数达到预设次数时，结束对神经网络模型的训练。可选地，处理器91执行的执行指令中，对预设的神经网络模型进行初始化，包括：设置神经网络模型的网络结构和网络结构的每一层的节点数，网络结构包括输入层、隐含层和输出层。确定隐含层对应的第一激活函数和输出层对应的第二激活函数，对输入层至隐含层的第一连接权值和隐含层至所述输出层的第二连接权值进行初始化。对隐含层的各节点的第一阈值和输出层的各节点的第二阈值进行初始化。设定神经网络模型的误差函数和期望输出值，误差函数表征期望输出和输出层输出的实际输出值之间的关系。可选地，处理器91执行的执行指令中，由特征数据中随机选择多个用户的数据作为输入样本，基于神经网络模型和上一次训练的训练误差，得到当前次训练的训练误差，包括：根据输入样本、第一连接权值和所述第一阈值，确定隐含层的各节点的第一输入值。根据第一输入值和所述第一激活函数确定所述隐含层的各节点的第一输出值。根据第一输出值、第二连接权值和所述第二阈值，确定输出层的各节点的第二输入值。根据第二输入值和第二激活函数确定所述输出层的各节点的实际输出值。根据期望输出值、实际输出值和输出层的节点数，确定当前次训练的训练误差。可选地，处理器91执行的执行指令中，还包括：根据期望输出值和实际输出值确定误差函数对输出层的各节点的偏导数。根据第二连接权值、实际输出值和输出层的各节点的偏导数，确定误差函数对隐含层的各节点的偏导数。根据输出层的各节点的偏导数和第一输出值修正第二连接权值和第二阈值。根据隐含层的各节点的偏导数和输入样本修正第一连接权值和第一阈值。将修正后的第一连接权值、第一阈值、第二连接权值和第二阈值用于下一次训练。可选地，第一激活函数包括修正线性单元ReLU函数、双曲正切tanh函数和S型生长曲线sigmoid函数。第二激活函数包括回归模型softmax函数。本申请实施例从若干用户的历史网络数据中确定影响用户的无线网络质量的特征数据，该特征数据包括多个特征参数对应的历史网络数据；然后根据这些特征数据对预设的神经网络模型进行训练，直到所述神经网络模型的训练误差小于预设阈值或训练次数达到预设次数得到训练后的神经网络模型，因为该训练后的神经网络模型是通过多个特征参数对应的历史网络数据训练得到的，所以在评估当前用户的无线网络质量时，根据当前用户的特征数据和训练后的神经网络模型，就能够确定当前用户的无线网络质量，这样比起现有技术能够更加有效地反应无线网络状态的真实情况。本申请实施例所提供的进行无线网络质量的评估方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。本申请实施例所提供的无线网络质量的评估装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。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。另外，在本申请提供的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。所述功能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，本申请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)执行本申请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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本
技术领域：
的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。当前第1页1 2 3