一种NB-IOT设备的信号强度优化方法及相关设备与流程

本技术涉及窄带物联网信号优化，具体而言，涉及一种nb-iot设备的信号强度优化方法及相关设备。

背景技术：

1、nb-iot技术是一种窄带物联网通信技术，nb-iot信号覆盖能力比较强，nb-iot信号具有多种特征参数，由多种特征参数共同影响nb-iot信号的强度（特征参数是指影响nb-iot信号的强度的参数，例如prb级参数（即物理资源块的参数）为例，包括频带、上下行频点、下行频率偏移率等影响频谱资源的参数，再例如，rach级参数（即随机接入信道的控制参数），包括前导最大传输次数、前导最大尝试次数、prach发送周期等）；但是有部分特征参数与信号强度之间并非线性相关，这就导致nb-iot信号强度无法通过简单的线性关系进行计算和预测，并且多个特征参数的组合在不同时间段中受到外部因素影响（例如：气候因素、障碍物如人体或交通工具、运营商网络质量等）下，对信号强度的影响不同，因此，如何根据nb-iot信号的多种特征参数以及不同的时间段对信号强度进行预测，从而对不同时间段的信号强度进行优化，是目前亟待解决的技术问题。

2、针对上述问题，目前尚未有有效的技术解决方案。

技术实现思路

1、本技术的目的在于提供一种nb-iot设备的信号强度优化方法及相关设备，能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。

2、第一方面，本技术提供了一种nb-iot设备的信号强度优化方法，包括以下步骤：

3、a1.按预设的步长划分多个时间段；

4、a2.获取nb-iot信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；

5、a3.基于bp神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；

6、a4.根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。

7、通过上述设置，能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。

8、可选地，步骤a2包括：

9、获取各个时间段对应的多组所述特征参数以及相应的所述实测信号强度，并将每个时间段的多组所述特征参数和对应的所述实测信号强度按8:2随机划分为对应时间段的训练集和测试集。

10、通过上述设置，能有效地保证模型训练效果和测试验证的准确率。

11、可选地，步骤a3包括分别为各个时间段构建bp神经网络，并依次以各个时间段为目标时间段执行以下步骤：

12、把所述目标时间段的训练集的所有样本中各组所述特征参数分别输入所述目标时间段的bp神经网络，以得到所述目标时间段的bp神经网络输出的对应样本的预测信号强度；

13、根据所有所述预测信号强度和对应样本的所述实测信号强度计算误差函数；

14、判断所述误差函数是否达到预设要求；

15、若所述误差函数未达到预设要求，则更新所述目标时间段的bp神经网络的网络参数，并利用所述训练集再次执行上述过程；

16、若所述误差函数达到预设要求，则停止训练；

17、利用所述测试集测试所述目标时间段的bp神经网络，通过测试后得到所述目标时间段的信号强度预测模型。

18、通过上述设置，得到目标时间段的信号强度预测模型。

19、可选地，所述bp神经网络的激活函数为sigmoid函数；

20、所述bp神经网络的隐含层为：

21、；

22、其中，表示所述隐含层的第个节点的输出，为激活函数，表示所述bp神经网络的输入层的节点数，表示所述隐含层的第个节点，为所述输入层的第i个节点到所述隐含层第j个节点的权重，表示所述bp神经网络的输入层的第个节点输入的所述特征参数，表示所述隐含层第个节点的第一偏置；

23、所述bp神经网络的输出层为：

24、；

25、其中，表示所述输出层输出的第k个样本的预测信号强度，为所述隐含层的节点数，表示所述隐含层的第j个节点到所述输出层的权重，表示所述隐含层的第j个节点的第二偏置。

26、可选地，所述误差函数为：

27、；

28、其中，表示误差，表示所述训练集的样本总数，表示所述训练集的第k个样本的所述实测信号强度。

29、可选地，所述更新所述目标时间段的bp神经网络的网络参数的步骤包括：

30、利用以下公式更新所述目标时间段的bp神经网络的权重：

31、；

32、其中，为预设的学习率。

33、可选地，步骤a4包括：

34、在nb-iot设备工作过程中，实时采集nb-iot信号的多个所述特征参数；

35、将实时采集到的多个所述特征参数输入当前时间段对应的所述信号强度预测模型，得到所述信号强度预测模型输出的预测信号强度，记为实时预测信号强度；

36、判断所述实时预测信号强度是否达到预设期望；

37、若未达到所述预设期望，则调整至少一个所述特征参数，直到实时预测信号强度达到所述预设期望，则完成优化。

38、第二方面，本技术还提供了一种nb-iot设备的信号强度优化装置，包括：

39、划分模块，用于按预设的步长划分多个时间段；

40、获取模块，用于获取nb-iot信号在各个时间段对应的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集；每组特征参数包括多个特征参数；所述训练集和所述测试集均包括多个样本，每个所述样本包括一组所述特征参数与对应的所述实测信号强度；

41、训练模块，用于基于bp神经网络，根据所述训练集和所述测试集训练获取各个时间段的信号强度预测模型；

42、优化模块，用于根据各个时间段对应的所述信号强度预测模型对各个时间段的信号强度进行优化。

43、第三方面，本技术提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的一种nb-iot设备的信号强度优化方法中的步骤。

44、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的一种nb-iot设备的信号强度优化方法中的步骤。

45、由上可知，本技术提供的nb-iot设备的信号强度优化方法及相关设备，首先根据预设的步长对时间划分为多个时间段，获取各个时间段的多组特征参数以及相应的实测信号强度，用以构建各个时间段的训练集和测试集，然后基于bp神经网络进行训练以获得各个时间段对应的信号强度预测模型，从而能够直接根据各个时间段对应的信号强度预测模型对各个时间段的信号强度进行优化，以得到对应时间段内的最佳信号强度。

46、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。