分类模型及其训练方法、分类方法、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115062729A(43)申请公布日2022.09.16(21)申请号202210831404.X(22)申请日2022.07.15(71)申请人展讯通信（上海）有限公司地址201203上海市浦东新区祖冲之路2288弄展讯中心1号楼(72)发明人张杰(74)专利代理机构上海恒锐佳知识产权代理事务所(普通合伙)31286专利代理师黄海霞(51)Int.Cl.G06K9/62(2022.01)G06N3/00(2006.01)权利要求书2页说明书8页附图4页(54)发明名称分类模型及其训练方法、分类方法、设备及介质(57)摘要本发明提供了一种分类模型及其训练方法、分类方法、设备及介质，所述分类模型的训练方法，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。本发明通过对NR故障类型进行分类，便于快速定位不同频段的故障位置。CN115062729ACN115062729A权利要求书1/2页1.一种分类模型的训练方法，其特征在于，包括：获取新空口校准参数，对所述校准参数进行特征提取；构建关于所述校准参数的故障特征向量，将所述故障特征向量随机分为训练样本集和测试样本集；对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型。2.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述校准参数进行特征提取，包括：根据所述校准参数的时间尺度特征，将所述校准参数分解为A个数据序列，所述数据序列为本征模态函数分量，且所述数据序列中的连续两个极值点之间包含了局部波动特征，所述A为正整数；对A个所述数据序列进行所述局部波动特征提取。3.根据权利要求1所述的分类模型的训练方法，其特征在于，所述对所述训练样本集进行处理，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的分类模型，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器。4.根据权利要求3所述的分类模型的训练方法，其特征在于，所述将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象，以得到训练好的所述分类器，包括：将所述训练样本集输入至核函数学习机器的分类器，并以所述训练样本集所对应的故障状态为目标生成对象；在所述分类器输出所述训练样本集的预测结果的过程中，对所述分类器的参数进行寻优处理，以完成所述分类器的调参过程；得到训练好的所述分类器。5.根据权利要求1所述的分类模型的训练方法，其特征在于，所述获取新空口校准参数，包括：获取新空口的不同频段的所述校准参数。6.根据权利要求1所述的分类模型的训练方法，其特征在于，还包括：将所述测试样本集输入至所述训练好的所述分类模型中，以得到实际生成对象；计算所述实际生成对象和所述测试样本集的误差，并当所述误差小于或等于所述预设阈值时，所述分类模型符合生产要求；否则重新训练所述分类模型。7.一种分类模型，其特征在于，通过如权利要求1至6中任一项所述的分类模型的训练方法训练得到，包括：输入器、分类器和输出器；所述输入器用于输入所述故障特征向量；所述分类器用于识别所述故障特征向量所对应的故障状态；所述输出器用于输出所述故障状态。8.一种故障状态分类方法，其特征在于，应用于如权利要求7所述的分类模型，包括：获取待测产品的新空口校准参数，对所述新空口校准参数进行特征提取；构建关于所述校准参数的故障特征向量；2CN115062729A权利要求书2/2页将所述故障特征向量输入至所述输入器中；所述分类器识别出所述故障特征向量所对应的故障状态；所述输出器输出所述故障状态。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至6中任一项所述的分类模型的训练方法或者如权利要求8所述的故障状态分类方法。10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的分类模型的训练方法或者如权利要求8所述的故障状态分类方法。3CN115062729A说明书1/8页分类模型及其训练方法、分类方法、设备及介质技术领域[0001]本发明涉及通信技术领域，尤其涉及一种分类模型及其训练方法、分类方法、设备及介质。背景技术[0002]目前，对于手机、智能手表、蜂窝网络