网络自动切换的电子设备及其操作方法与流程

本技术涉及智能网络切换的领域，且更为具体地，涉及一种网络自动切换的电子设备、网络自动切换的电子设备的操作方法。

背景技术：

1、网络由多个节点和连接这些节点的链路组成，表示许多对象及其相互联系。其会借助文本阅读、图片观看、视频播放、下载传输、游戏、聊天等软件工具，将从文字、图片、声音、视频等方面给人们带来极其丰富的生活和美好的享受。例如，当移动用户处于呼叫状态时，如果用户从一个小区移动到另一个小区，为了保证呼叫的连续性，系统需要将移动台的连接控制从一个小区移动到另一个小区。这种将处于呼叫状态的移动台转移到新业务信道的过程称为“切换”。

2、随着能够连接多种网络的电子设备的数目增多，如何在能够连接的多种网络之间进行网络切换，从而提高通信质量便是值得研究的问题。

3、目前，大多数的网络自动切换方法都是简单地基于网络下的信号强度进行切换，这里，信号强度基本上仅与发射基站的发射功率相关，这并没有能够考虑其它更加复杂的网络环境因素。并且由于发射基站的网络环境因素本身比较难以获取，这样就会导致电子设备切换后的网络效果和通信质量较差，从而影响用户的使用体验。

4、因此，期待一种能够自动切换网络的电子设备。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种网络自动切换的电子设备、网络自动切换的电子设备的操作方法，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本技术中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。

2、根据本技术的一个方面，提供了一种网络自动切换的电子设备，其包括：

3、训练模块，包括：

4、训练数据单元，用于获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

5、编码单元，用于将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；

6、下行参数计算单元，用于计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；

7、调整单元，用于以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；

8、分类损失函数值计算单元，用于将所述训练分类特征向量输入分类器以获得分类损失函数值；

9、第一交叉熵损失函数值计算单元，用于使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；

10、训练单元，用于基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练；以及

11、预测模块，包括：

12、待处理数据获取单元，用于获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

13、功率特征向量生成单元，用于将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；

14、下行参数确定单元，用于计算所述发射基站与各个所述终端设备之间的下行参数；

15、分类特征向量生成单元，用于以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及

16、分类结果生成单元，用于将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

17、在上述网络自动切换的电子设备中，所述下行参数计算单元，进一步用于：以如下公式计算所述发射基站与各个所述终端设备之间的下行参数；其中，所述公式为：

18、

19、其中，wi表示每个所述终端设备的下行带宽，pt表示所述发射基站的发射功率，表示每个所述终端设备的接收功率，σ2表示加性白高斯噪声的功率，ri表示每个所述终端设备到所述发射基站的距离，是所述发射基站到每个所述终端设备的小规模衰减效应参数且是所述发射基站到每个所述终端设备的小规模衰减功率分量。

20、在上述网络自动切换的电子设备中，所述小规模衰减效应参数包括路径损失和遮挡损失，且所述小规模衰减功率分量与所述发射基站的发射频率有关。

21、在上述网络自动切换的电子设备中，所述分类损失函数值计算单元，进一步用于：将所述训练分类特征向量输入softmax分类函数以获得分类结果，以及，计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。

22、在上述网络自动切换的电子设备中，所述训练模块，还包括：第二交叉熵损失函数值计算单元，用于使用待切换网络的电子设备的当前接收功率值作为标签值并计算其与所述分类特征向量之间的第二交叉熵损失函数值。

23、在上述网络自动切换的电子设备中，所述训练单元，进一步用于：基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。

24、在上述网络自动切换的电子设备中，所述深度神经网络为深度全连接网络。

25、根据本技术的另一方面，提供了一种网络自动切换的电子设备的操作方法，其包括：

26、训练阶段，包括：

27、获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

28、将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；

29、计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；

30、以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；

31、将所述训练分类特征向量输入分类器以获得分类损失函数值；

32、使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；

33、基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练；以及

34、预测阶段，包括：

35、获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

36、将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；

37、计算所述发射基站与各个所述终端设备之间的下行参数；

38、以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及

39、将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

40、与现有技术相比，本技术提供的网络自动切换的电子设备、网络自动切换的电子设备的操作方法，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本技术中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。