预测射频通信设备的辐射性能参数的方法及装置

专利主权项内容

1.一种预测射频通信设备的辐射性能参数的方法，其特征在于，包括：获取训练数据集，其中，所述训练数据集，包括：多个训练数据组，每个训练数据组包含三条关于同一类型的射频通信设备的训练数据，每条训练数据包括射频通信设备的三种数据，分别是工作状态、工作频率和工作功率，每个训练数据组中任意两条训练数据中一种数据不同，另两种数据相同，每个训练数据组中两条训练数据的标签相同，另一条训练数据的标签不同；将各个训练数据组中各条训练数据输入深度学习模型，通过所述深度学习模型的特征提取及处理网络输出各条训练数据的数据特征，通过所述深度学习模型的分类网络输出各条训练数据的辐射性能参数；计算每条训练数据的辐射性能参数和标签之间的预测结果损失，计算每个训练数据组中三条训练数据的数据特征之间的第一特征对比损失；依据每个训练数据组计算得到的预测结果损失和第一特征对比损失优化所述深度学习模型的模型参数，利用优化后的深度学习模型预测各种类型的射频通信设备的辐射性能参数；其中，计算每条训练数据的辐射性能参数和标签之间的预测结果损失，计算每个训练数据组中三条训练数据的数据特征之间的第一特征对比损失，包括：通过交叉熵损失函数计算每条训练数据的辐射性能参数和标签之间的预测结果损失；通过三元组损失函数计算每个训练数据组中三条训练数据的数据特征之间的第一特征对比损失；其中，通过三元组损失函数计算每个训练数据组中三条训练数据的数据特征之间的第一特征对比损失，包括：将每个训练数据组中任意一条训练数据作为目标样本，将该训练数据组中与所述目标样本的标签相同的训练数据作为所述目标样本的正样本，将与所述目标样本的标签不相同的训练数据作为所述目标样本的负样本；通过三元组损失函数计算每个训练数据组中目标样本以及其正样本和负样本的数据特征之间的第一特征对比损失；其中，依据每个训练数据组计算得到的预测结果损失和第一特征对比损失优化所述深度学习模型的模型参数，包括：对每个训练数据组计算得到三个预测结果损失和一个第一特征对比损失进行加权求和，得到每个训练数据组对应的总损失；依据每个训练数据组对应的总损失优化所述深度学习模型的模型参数；其中，利用优化后的深度学习模型预测各种类型的射频通信设备的辐射性能参数，包括：在接收到待预测的目标射频通信设备的类型、工作状态、工作频率和工作功率之后，将所述目标射频通信设备的类型、工作状态、工作频率和工作功率输入优化后的深度学习模型，通过所述深度学习模型的特征提取及处理网络输出所述目标射频通信设备对应的目标数据特征，通过所述深度学习模型的分类网络输出所述目标射频通信设备的目标辐射性能参数；获取所述目标射频通信设备的两条历史数据，其中，两条历史数据均包含所述目标射频通信设备的类型、历史工作状态、历史工作频率和历史工作功率，以及历史辐射性能参数，一条历史数据的历史辐射性能参数和所述目标辐射性能参数的差值处于预设范围内，另一条历史数据的历史辐射性能参数和所述目标辐射性能参数的差值超出所述预设范围；将两条历史数据输入优化后的深度学习模型，通过所述深度学习模型的特征提取及处理网络输出两条历史数据对应的历史数据特征；计算两个历史数据特征和目标数据特征之间的第三特征对比损失；当所述第三特征对比损失大于预设损失，根据所述第三特征对比损失确定目标奖励，依据所述目标奖励优化所述深度学习模型的模型参数。