本发明公开了一种基于信道仿真仪的自适应拓扑结构的实现方法，包括：预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比，得到预评估；历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后的历史数据评估；故障率；通过对样本集使用神经网络进行正反向迭代，得到预评估权重值和历史数据评估的权重值；根据预评估、历史数据评估、故障率以及预评估、历史数据评估各自的权重值，得到单端口性能评价；通过得到各端口的评估性能，对各端口的评估性能进行性能排序，根据排序序列完成拓扑结构的连接方式的自适应配置。通过本发明，实现对各端口使用率的平衡。
1.一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，包括如下过程：预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比，得到预评估 ；
所述的当次设备从开机后到准备测试前的端口温度偏差比为 ：其中的 为端口i的当前温度， 为当次设备所有端口的平均温度， ，N为端口数；
所述的自动校准后端口校准数据偏差比 ：其中 为端口i的校准相位值与参考相位值的差值， 为所有端口的校准相位值与参考相位值的差值的平均值；
历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后的历史数据评估 ；
为所有端口的历史单位温度移动均值： ，历史单位温度是，在每一次设备通电过程中，每隔一个时间段对端口温度进行一次测量，得到端口温度的测量值，记录时间段及对应时间段的温度测量值；
表 示在 第k时 间 段的 温度 ，M 表示 端口 i所 运行 的时 间 段数 ，所述的总时长偏差比 为：，
其中 为端口i使用总时长， 为所有端口的使用总时长平均值 ；
历史出错率，历史出错率为设备出厂后端口i的故障率 ；
通过对样本集使用神经网络进行正反向迭代，得到预评估 权重值和历史数据评估的权重值；
预评估 权重值和历史数据评估 的权重值的获取，包括如下过程：所述的神经网络模型由含两层隐含层神经元的神经网络组成，网络分为4层，各层节点数分别为：输入层4个，分别为： ；第一隐含层6个；第二隐含层6个；输出层1个，则:输入层向量：
其中的x1 为当次设备从开机后到准备测试前的端口温度偏差比，x2 为历史单位温度均值偏差比，x3 为总时长偏差比，x4 自动校准后端口校准数据偏差比；by为输出层偏置，b1为第一隐含层偏置，b2为第二隐含层偏置；λ的取值范围为[1,6]；
为 的权重， 为 的权重， 为 的权重，总误差为关于w,b的函数： ，即：m个训练样本
Y（1）、Y（2）、…、Y（m）分别为m个训练样本中的期望值 ；d为对应输入的期望输出；
其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ；
其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ，为学习率；
通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性能选择评价公式： 中，得到端口i的性能评价；
根据预评估 、历史数据评估 、故障率 以及预评估 、历史数据评估 各自的权重值，得到单端口性能评价 ；所述的单端口的性能选择评价采用如下公式：其中的 为端口i的故障率；则端口期望值为 ；所述的端口期望值 为：， 的值域为
其中b为偏置；C为损失函数，H为端口期望值，样本集为， ;
通过端口性能评价 得到各端口的评估性能，对各端口的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适应配置。
2.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，所述的端口i的故障率 采用如下公式:其中， 为设备第i个端口的故障次数，M为出厂设备总数。
3.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，所述的对各端口的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适应配置，包括如下过程，根据 得到各端口的评估性能，根据评估出的值进行降序排列；基站天线和终端天线按性能降序排列轮流顺序选择端口匹配，直到所有基站天线和终端天线均与端口匹配，即完成拓扑结构的连接方式的自适应配置。
4.根据权利要求1所述的一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，端口的校准相位值与参考相位值的差值的平均值获取包括如下过程：
2.对信道仿真仪所有待校准端口进行预检测，获得各端口通路的时延值，将其中最大的时延值作为参考时延值；
3.以参考时延值为基准，对每个端口进行时延调整，调整每个端口的时延值为参考时延值，完成信道仿真仪所有端口的时延调整；
完成端口时延调整后，对端口i的相位进行校准，端口i的相位校准值与参考相位值的差值即为 ；
获取信道仿真仪所有端口的相位校准值与参考相位值的差值，再取平均值即为 。
一种基于信道仿真仪的自适应拓扑结构的实现方法
技术领域
[0001] 本发明涉及通信领域，具体是一种基于信道仿真仪的自适应拓扑结构的实现方法。
背景技术
[0002] 信道仿真仪作为针对MIMO进行无线信道仿真的软硬件一体设备，通过基站终端天线与信道仿真仪进行连接，模拟信道在空间中的传输路径。在实际使用当中，由于不同的模型需求和不同的设备连接方法，会造成在性能上，稳定性上以及使用端口使用寿命上的差异。
[0003] 传统的设备在拓扑结构的端口选择上，通常的做法是使用默认排序与用户自定义结合的方式的进行，但是这里由于人类的使用习惯，都是由上至下，由左至右依次进行。这种习惯会造成对端口的使用率不平衡以此会造成某些端口或板卡使用过度性能下降，更可能在长时间多次使用后出现故障的问题。
发明内容
[0004] 本发明的目的在于克服现有技术的不足，提供一种基于信道仿真仪的自适应拓扑结构的实现方法，其特征在于，包括如下过程：
[0005] 预评估，根据当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比，得到预评估 ；
[0006] 历史数据评估，根据历史单位温度均值偏差比和总时长偏差比，得到设备端口出厂后的历史数据评估 ；
[0007] 历史出错率，历史出错率为设备出厂后端口i的故障率 ；
[0008] 通过对样本集使用神经网络进行正反向迭代，得到预评估 权重值和历史数据评估 的权重值；
[0009] 根据预评估 、历史数据评估 、故障率 以及预评估 、历史数据评估各自的权重值，得到单端口性能评价 ；通过端口性能评价 得到各端口的评估性能，对各端口的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适应配置。
[0010] 进一步的，所述的当次设备从开机后到准备测试前的端口温度偏差比为 ：
[0011]
[0012] 其中的 为端口i的当前温度， 为当次设备所有端口的平均温度，，N为端口数；
[0013] 所述的自动校准后端口校准数据偏差比 ：
[0014]
[0015] 其中 为端口i的校准相位值与参考相位值的差值， 为所有端口的校准相位值与参考相位值的差值的平均值；
[0016] 则预评估 :
[0017]
[0018] 其中， 为 的权重， 为 的权重。
[0019] 进一步的，所述的历史单位温度均值偏差比 为：
[0020]
[0021] 其中 为端口i的历史单位温度移动均值；
[0022] 为所有端口的历史单位温度移动均值： ，历史单位温度是，在每一次设备通电过程中，每隔一个时间段对端口温度进行一次测量，得到端口温度的测量值，记录时间段及对应时间段的温度测量值；
[0023] 历史单位温度移动均值为：
[0024]
[0025] 表示在第k时间段的温度，M表示端口i所运行的时间段数
[0026] 所述的总时长偏差比 为：
[0027] ，
[0028] 其中 为端口i使用总时长， 为所有端口的使用总时长平均值；
[0029] 则历史数据评估 为：
[0030]
[0031] 其中的 为 的权重， 为 的权重。
[0032] 进一步的，所述的单端口的性能选择评价采用如下公式：
[0033]
[0034] 其中的 为端口i的故障率；则端口期望值为 。
[0035] 进一步的，所述的端口i的故障率 采用如下公式:
[0036]
[0037] 其中， 为设备第i个端口的故障次数，M为出厂设备总数。
[0038] 进一步的，所述的端口期望值 为：
[0039] ， 的值域为
[0040] 其中b为偏置；C为损失函数,样本集为 ，;
[0041] 损失函数C为:
[0042]
[0043] 其中的X为样本，n为样本总数。
[0044] 进一步的，所述的通过对样本集使用神经网络模型进行权重值计算，得到预评估权重值和历史数据评估 的权重值，包括如下过程：所述的神经网络模型由含两层隐含层神经元的神经网络组成，网络分为4层，各层节点数分别为：输入层4个，分别为：；第一隐含层6个；第二隐含层6个；输出层1个，则:
[0045] 输入层向量：
[0046] 第一隐含层输出向量：
[0047] 第二隐含层输出向量：
[0048] 期望值输出为d(i)
[0049] 输出函数：
[0050] 为 的权重， 为 的权重， 为 的权重，总误差为关于w,b的函数： ，即：m个训练样本
；d(i)为
对应输入 的期望输出；
[0051]
[0052] 其中，E(i)为单个样本的训练误差：
[0053]
[0054] 因此，
[0055]
[0056] 根据梯度下降法更新权重：
[0057]
[0058] 其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ；
[0059] 根据梯度下降法更新偏置：
[0060]
[0061] 其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ，为学习率；
[0062] 通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性能选择评价公式：中，得到端口i的性能评价。
[0063] 进一步的，所述的对各端口的评估性能进行性能排序，得到排序序列，根据排序序列完成拓扑结构的连接方式的自适应配置，包括如下过程，根据 得到各端口的评估性能，根据评估出的值进行降序排列；基站天线和终端天线按性能降序排列轮流顺序选择端口匹配，直到所有基站天线和终端天线均与端口匹配，即完成拓扑结构的连接方式的自适应配置。
[0064] 进一步的，其特征在于，所述的端口相位差值获取包括如下过程：
[0065] 1.初始化信道仿真仪；
[0066] 2.对信道仿真仪所有待校准端口进行预检测，获得各端口通路的时延值，将其中最大的时延值作为参考时延值；
[0067] 3.以参考时延值为基准，对每个端口进行时延调整，调整每个端口的时延值为参考时延值，完成信道仿真仪所有端口的时延调整；
[0068] 4. 完成端口时延调整后，对端口i的相位进行校准，端口i的相位校准值与参考相位值的差值即为 ；
[0069] 5. 获取信道仿真仪所有端口的相位校准值与参考相位值的差值，再取平均值即为 。
[0070] 本发明的有益效果是：本发明通过对设备的各个端口进行相关的属性的历史数据进行整合，运用神经网络进行属性间相关性评估，通过自适应配置使端口的使用率变平衡，同时对基站天线和终端天线进行均匀分配，使基站天线和终端天线各自匹配的端口性能均衡。
附图说明
[0071] 图1为一种基于信道仿真仪的自适应拓扑结构的实现方法原理示意图；
[0072] 图2为神经网络示意图；
[0073] 图3为神经网络的流程示意图。
具体实施方式
[0074] 下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0075] 如图1所示，本方案要解决的，是针对上诉问题， 针对每个信道仿真仪的物理端口，由于元器件的个体差异，元器件在长期使用中可能存在的损耗，为了能够在每次进行信道仿真时达到最佳的设备状态并且有效增加整台信道仿真仪的使用寿命和降低故障率。系统在每次进行信道模拟测试前，对模型所需使用的拓扑结构的连接方式进行自适应配置。
[0076] 将与端口性能相关的属性的历史数据进行整合，运用神经网络进行属性间相关性评估，并且对仿真结果满意度进行拟合，依次来对后续测试进行性能调优。
[0077] 与端口选择相关的因素有设备端口在当次测试前的预评估 ；
[0078] 预评估使用当次设备从开机后到准备测试前的端口温度偏差比与自动校准后端口校准数据偏差比。
[0079] 设备端口从出厂后的历史数据的评估，记 ；
[0080] 设备出厂后，对每一次测试都会进行记录，每一次测试后，会根据当次测试的结果由使用方进行评分，评分标准为[0-仿真失败，1-性能不满足，2-性能满足，3-性能优秀]，记为历史数据，格式为[Test(N), Port1 x Score, Port2 x Score, ..., Port48 x Score]，其中N为测试的时间顺序，x为分数。
[0081] 以及该端口位置对所有已出厂设备的历史出错率 ，
[0082] 其中， 为设备第i个端口的故障次数，M为出厂设备总数。
[0083] 在每次仿真后，系统会对当次 端口性能给出仿真结果评价，仿真结果评价是在模型正确的情况下，设备的性能表现评级。仿真结果分数为[0-仿真失败，1-性能不满足，2-性能满足，3-性能优秀]
[0084] 每一次仿真后，对当次所有端口的性能评价结果具有同等分数。例如，第N次测试后，测试反馈为该次测试性能优秀，则该次测试后，记录数据集[TestN, Port1 3Score, Port2 3Score, ... Port48 3Score]。用作以后的历史评估数据使用。
[0085] 与端口当次测试前预评估相关的有，当次测试前端口温度与当次自动校准偏差比。 为当次温度偏差比， 为当次校准偏差比。与端口历史数据评估相关的有，历史单位温度均值偏差比和总时长偏差比。其中， 为历史单位温度均值偏差比， 为总时长偏差比。
[0086] 则单端口的性能选择评价模型如下：
[0087] 本方法中，由于端口之间的联系，使用的偏差比的计算方式为：
[0088] 1，求出各端口待比数据，
[0089] 2，求出均值
[0090] 3，以均值作为最优值，算出偏差比：
[0091] 上诉过程中， 表示第n个端口的待测参数。 表示根据第n个端口由待测参数计算而来的偏差比。
[0092] 以下，针对设备上一个端口，依次计算 。这里就是使用上诉公式去计算需要的参数。
[0093] 计算当次温度偏差比为 ：
[0094] ，
[0095] 其中的 为端口i的当前温度，由系统根据上位机软件对主控设备的下发指令后，由主控设备反馈而得； 为当前所有端口的平均温度， (N为端口数)，所有端口采用同样的计算方式。
[0096]
[0097] 其中 为端口i的历史单位温度移动均值， 为所有端口的历史单位温度移动均值。 （N为端口数)。每一次温度测试，都会作为记录，历史单位温度是指，在每一次设备通电过程中，每一小时对温度的测量值，然后根据时间，记录到历史数据中。
[0098] 使用移动均值而不是均值，是为了强调越近的数据越重要。历史单位温度移动均值为：
[0099]
[0100] 表示在第k时间段的温度，M表示端口i所运行的时间段数。
[0101] ，其中 为端口i使用总时长， 为所有端口的使用总时长平均值
[0102]
[0103] 其中 为端口i接收到信号相位值与端口输出相位值的差值， 为所有端口接收到信号相位值与端口输出相位值的差值的平均值。
[0104] 端口期望值为
[0105] ， 的值域为[0,1,2,3]
[0106] 其中b为偏置；C为损失函数,样本集为;
[0107] 损失函数 QUOTE 为:
[0108]
[0109] n为样本总数。
[0110] 如图2所示，网络结构，网络分为4层，各种节点数分别为：输入层4个，分别为：；第一隐含层6个；第二隐含层6个；输出层1个。
[0111] 考虑使用2层隐含层，每层6个节点，是因为该BP网络的计算是在单台设备上独立运行并且没有GPU加速，所以在硬件资源有限的情况下，尽可能的增加感知机数，避免学习过于简单。
[0112] 对于初始权值的选取。由于系统是非线性的，初始值的选择对于学习是否达到局部最小/是否能够收敛以及训练时间的长短都有很大关系。初始值过大或过小都会影响学习速率，因此权值的初始值选为均匀分布的小数经验值。一般取初始权值在（-1，1）之间的随机数。
[0113] 学习速率决定每次循环训练中所产生的权值变化量。高的学习速率可能导致系统的不稳定；但低的学习速率导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值跳出误差表面的低估而最终趋于最小误差值。所以本方法选取0.1作为学习速率。选取0.1是经验值，原因是既能有效的提高收敛速度，又能在收敛过程中保持相对问题不至于偏差过大。
[0114] 期望误差的选取。有与测试结果评分的为[0,1,2,3]。并且1，2，3均能进行仿真。由于设备在出场后，随着时间的推移，性能往往会有所下降，所以。期望误差的选取结合使用时长与测试评分进行综合考虑。选取期望值为3，误差随着时长逐渐可扩大，但不允许取值后，期望值为2以下。由于在评分结果中，[0-仿真失败，1-性能不满足，2-性能满足，3-性能优秀]，所以，对于我们的期望值需要至少满足为2，否则选出的端口并不能满足测试需求。
[0115] BP神经网络的流程：
[0116] 计算步骤，先定义以下变量以及正向传播：
[0117] 输入层向量：
[0118] 第一隐含层输出向量：
[0119] 第二隐含层输出向量：
[0120] 期望值输出为d(i)
[0121] 输出函数：
[0122] 为 的权重， 为 的权重， 为 的权重，总误差为关于w,b的函数： ，即：m个训练样本
；d(i)为
对应输入 的期望输出；
[0123]
[0124] 其中，E(i)为单个样本的训练误差：
[0125]
[0126] 因此，
[0127]
[0128] 根据梯度下降法更新权重：
[0129]
[0130] 其中E为含w,b的函数；在更新w权重的求导中，对函数E中w进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ；
[0131] 根据梯度下降法更新偏置：
[0132]
[0133] 其中E为含w,b的函数，在更新偏置b的求导中，对函数E中b进行求导，将其与 相乘，与当前权重 进行相加，得到新一轮的权重 ，为学习率；
[0134] 通过反复的传播，最后得到满足要求的端口期望值；将期望值对应权重值带入端口性能选择评价公式：中，得到端口i的性能评价。用于指导端口选择使用。
[0135] 具体的实施方式，样本数据的来源为从设备安装进行调试开始，并对每种预设模型进行多次测试后得出基础样本数据，根据这些样本数据进行初次权重确定。
[0136] 在设备出场后，样本会将每次信道仿真仪的测试结果加入到样本集中丰富数据。
[0137] 由上面的过程，确定单端口的当次性能评估。
[0138] 接下来就是根据当次信道测试模型进行端口选择。
[0139] 1.步骤如图3，设备自检，获取当前数据。当前状态中，权重模型已由上次数据计算完毕。
[0140] 2.根据已知权重，对端口进行性能评估并排序。
[0141] 3.基站天线进行按性能排序选择1次，如果有多个基站，则每个基站按照依次选择的方式，例如有2个基站，每个基站8根天线，则有A基站选择1次，B基站选择1次，然后再由A基站选择，以此类推。
[0142] 4.终端天线进行按性能排序选择1次，如果有多个终端，则每个终端按照依次选择的方式，例如有2个终端，每个终端4根天线，则有A终端选择1次，B终端选择1次，然后再有A终端选择，依次类推。这种交替选择的原因，是使对各基站和终端的单体性能达到平均。
[0143] 交替步骤3和步骤4直到选择完成。
[0144] 以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
