一种自主定时方法、系统、介质、设备、终端及应用转让专利
申请号 : CN202011465564.4
文献号 : CN112702106B
文献日 : 2022-02-08
发明人 : 杨春刚 , 杨伶俐 , 毛军礼 , 魏东红 , 陈立水 , 王其才
申请人 : 西安电子科技大学 , 中国电子科技集团公司第五十四研究所
摘要 :
权利要求 :
1.一种自主定时方法,其特征在于,所述自主定时方法包括:确定天地融和网络背景中,网络用户设备在使用以卫星基站为代表的空中基站设置定时器参数时,需要重置参数的定时器;所述确定需要重置参数 的定时器的方法为首先考虑由于引入空中基站导致上下行链路往返时延的差异使当前参数值设置不合理的过程中的定时器;
确定定时器参数重置的影响因素,形成定时器参数重置影响因素集;定时器参数重置的影响因素包括用户设备与基站距离、用户设备与基站相对运动速度、用户设备本身特征;
对所有需要参数重置的定时器按照影响因素进行分类,得到不同的分类集;
根据现有定时器设置值,通过机器学习算法,得到各分类集与定时器参数重置值的关系,也就是得到训练模型;
在基站侧,基站通过用户设备发送的数据以及接受数据情况,提取出该用户设备定时器参数重置的影响因素数据,并形成数据库;
将所得到的数据库作为输入数据,利用学得模型得到定时器参数重置值或者偏置值、扩大或缩小值,并且在基站侧衡量该值的有效时间;
基站将定时器重置值或者偏置值、扩大或缩小值以及定时器值有效时间发送给对应的用户设备。
2.如权利要求1所述的自主定时方法,其特征在于,所述基站将定时器重置值或者偏置值、扩大或缩小值以及定时器值有效时间发送给对应的用户设备;若定时器参数值设置正确,用户设备可在有效时间内保持数据的正常传输,该用户设备在有效时间到期后,重新向基站请求定时器参数值重置,并且报告上次重置情况,用于模型的调整;若定时器值设置存在较大误差,导致数据无法正确传输,用户设备重新请求定时器参数重置,并且报告上次情况,用于模型的调整。
3.如权利要求1所述的自主定时方法,其特征在于,所述基站为天地融和网络中位于天基或空基的高空浮空平台、无人机、卫星具有基站功能的网元,基站为其余需要接入地面网络的用户设备提供无线覆盖;
所述得到不同的分类集的方法为通过分析定时器参数重置影响因素集,对所有需参数重置的定时器进行分类,分类标准有以下三种:第一种:与基站距离为主要影响因素,与基站或空中弯管转发平台相对运动速度变化,用户设备本身特征为次要影响因素,用户设备本身特征包括业务需求、传输环境特征、进程数、帧长;
第二种:与基站或空中弯管转发平台的相对运动速度为主要影响因素,与基站距离、用户本身特征为次要影响因素;
第三种:用户设备本身特征为主要影响因素,与基站距离、与基站相对运动速度变化皆为次要影响因素。
4.如权利要求1所述的自主定时方法,其特征在于,所述用户设备与基站距离因素用与基站距离直接衡量,记为D(km);与基站相对运动速度用与基站相对运动速度直接衡量,记为R(km/s);用户设备本身特征用所有影响自身定时器重置的参数加权得到,所有因素的数值需先进行归一化处理,各个定时器值有所不同;设整体加权值为T,T取值目标为:为衡量每个用户设备的差异导致定时器重置值的不同,将所有本用户设备特有的影响因素加权得到用户设备本身特征值T,且T值变化越大,定时器参数重置值波动越大;权重确定的方法为:突发、少见却又对定时器参数重置影响较大的影响因素权重值较大,使得此类影响因素在存在时,对定时器重置产生较大影响,在不存在时,对定时器重置影响为0;除此类影响因素外,其余影响因素的权重由其对定时器重置的影响大小由大到小依次排列;输出定时器重置参数值或者偏置值、扩大/缩小值记为Z。
5.如权利要求1所述的自主定时方法,其特征在于,所述训练模型的获取方法为将已有的经空中基站设置的定时器经过分类得到分类集后,对应分类集中选取部分定时器作为训练集,将该部分定时器影响因素值作为输入数据,使用有监督的机器学习算法,得到此分类集与定时器参数重置值的潜在规律,也就是学得了模型;
所述数据库的获取方法是:由用户设备发送定时器重置请求的同时,发送基站无法通过测量、计算获得的其余数据,距离D、与基站相对运动速度R以及用户设备本身特征值集T的各因素数据由基站通过用户设备发送数据辅助测量、计算所得;最后加权计算用户设备本身特征值集T={T1,T2,T3…Tn},n为该用户设备需要重置的定时器数,Tn为第n个需要重置的定时器的本身特征值;
所述得到分类集 与 定时器参数 重置值的潜在规律 方法为:各定时器找到对应的分类集,将本身数据(D、R、T)作为输入数据,通过学得模型得到定时器参数重置值Z或者偏置值、扩大/缩小值;
所述在基站侧衡量该值的有效时间的含义为:在该时间范围内,定时器重置值有效,超过有效时间,用户设备需要重新申请定时器重置,用户设备再次申请定时器参数重置时,需对上一次重置结果的反馈,补充机器学习所得模型进行不断学习。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:确定天地融和网络背景中,网络用户设备在使用以卫星基站为代表的空中基站设置定时器参数时,需要重置参数的定时器;所述确定需要重置参数 的定时器的方法为首先考虑由于引入空中基站导致上下行链路往返时延的差异使当前参数值设置不合理的过程中的定时器;
确定定时器参数重置的影响因素,形成定时器参数重置影响因素集;定时器参数重置的影响因素包括用户设备与基站距离、用户设备与基站相对运动速度、用户设备本身特征;
对所有需要参数重置的定时器按照影响因素进行分类,得到不同的分类集;
根据现有定时器设置值,通过机器学习算法,得到各分类集与定时器参数重置值的关系,也就是得到训练模型;
在基站侧,基站通过用户设备发送的数据以及接受数据情况,提取出该用户设备定时器参数重置的影响因素数据,并形成数据库;
将所得到的数据库作为输入数据,利用学得模型得到定时器参数重置值或者偏置值、扩大或缩小值,并且在基站侧衡量该值的有效时间;
基站将定时器重置值或者偏置值、扩大或缩小值以及定时器值有效时间发送给对应的用户设备。
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
确定天地融和网络背景中,网络用户设备在使用以卫星基站为代表的空中基站设置定时器参数时,需要重置参数的定时器;所述确定需要重置参数 的定时器的方法为首先考虑由于引入空中基站导致上下行链路往返时延的差异使当前参数值设置不合理的过程中的定时器;
确定定时器参数重置的影响因素,形成定时器参数重置影响因素集;定时器参数重置的影响因素包括用户设备与基站距离、用户设备与基站相对运动速度、用户设备本身特征;
对所有需要参数重置的定时器按照影响因素进行分类,得到不同的分类集;
根据现有定时器设置值,通过机器学习算法,得到各分类集与定时器参数重置值的关系,也就是得到训练模型;
在基站侧,基站通过用户设备发送的数据以及接受数据情况,提取出该用户设备定时器参数重置的影响因素数据,并形成数据库;
将所得到的数据库作为输入数据,利用学得模型得到定时器参数重置值或者偏置值、扩大或缩小值,并且在基站侧衡量该值的有效时间;
基站将定时器重置值或者偏置值、扩大或缩小值以及定时器值有效时间发送给对应的用户设备。
8.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1 5~
任意一项所述的自主定时方法。
9.一种实施权利要求1 5任意一项所述自主定时方法的自主定时系统,其特征在于,所~
述自主定时系统包括:
参数确定模块,用于确定天地融和网络背景中,网络用户设备在使用以卫星基站为代表的空中基站设置定时器参数时,需要重置参数的定时器;所述确定需要重置参数 的定时器的方法为首先考虑由于引入空中基站导致上下行链路往返时延的差异使当前参数值设置不合理的过程中的定时器;
参数重置模块,用于确定定时器参数重置的影响因素,形成定时器参数重置影响因素集;定时器参数重置的影响因素包括用户设备与基站距离、用户设备与基站相对运动速度、用户设备本身特征;
分类集获取模块,用于对所有需要参数重置的定时器按照影响因素进行分类,得到不同的分类集;
训练模型获取模块,用于根据现有定时器设置值,通过机器学习算法,得到各分类集与定时器参数重置值的关系,也就是得到训练模型;
数据库形成模块,用于在基站侧,基站通过用户设备发送的数据以及接受数据情况,提取出该用户设备定时器参数重置的影响因素数据,并形成数据库;
有效时间衡量模块,用于将所得到的数据库作为输入数据,利用学得模型得到定时器参数重置值或者偏置值、扩大/缩小值,并且在基站侧衡量该值的有效时间;
有效时间发送模块,用于实现基站将定时器重置值或者偏置值、扩大/缩小值以及定时器值有效时间发送给对应的用户设备。
10.一种卫星通信终端,其特征在于,所述卫星通信终端用于实现权利要求1 5任意一~
项所述的自主定时方法。
说明书 :
一种自主定时方法、系统、介质、设备、终端及应用
技术领域
背景技术
施。它是利用互联网技术实现互联网、移动通信网络、空间网络的互联互通,将3种网络业务
承载方式打通,采用通用平台承载实现各类信息覆盖的网络系统。
的不同,卫星节点类型呈现多样化的特点。通信卫星除需为地面节点提供服务外,还需要为
非通信卫星、无通信功能的高空移动平台,无人机,飞机等设备提供服务。此外,地面节点除
业务需求不同外,由于移动性的不同,也会有很大差异。例如:无需移动的地面观测站与高
速移动的高铁。
有不同。基站如何根据用户设备特性及需求,自适应的调整各层定时器的值在天地融和网
络中是一个挑战。
方法,在DRX非激活定时器启动后,若在启动该DRX非激活定时器的PDCCH控制信息后对应的
预设时间之前超时,则自动重启DRX非激活定时器,以保证基站与终端对DRX非激活定时器
理解的一致性。与其他专利一样,该方法只局限于一个过程,或者一个定时器进行讨论,不
具有普遍性与扩展性。在2020年公开的专利《基于人工智能技术的基站对终端高效定时调
整方法及系统》中,提出了一种基于人工智能技术的基站对终端高效定时调整方法及系统。
通过对终端的多普勒频移和信噪比进行计算,采用人工智能控制器统计和学习,以预测未
来终端的运动状态和信道资源及条件,进而调整定时反馈的周期,计算输出算法切换相关
参数。具有简化运算复杂度、高实时性强、定时误差精确等优点。该方法虽将人工智能引入
定时器调整中,但是该方法只考虑了终端的多普勒频移和信噪比,不涉及天地融和网络空
中基站的高传输时延、高移动性带来的多普勒频移问题,以及其余可能因素,且未涉及突发
情况的处理。因此,现有的方法无法解决天地融和网络定时器问题。
以及不连续接收(DRX)过程相关定时器的工作原理、RLC层实体建立,重建,释放以及在确认
传输模式(AM),不确认传输模式(UM)和透明传输模式(TM)下数据传输过程相关定时器的工
作原理、以及PDCP实体建立,重建,释放以及在PDCP实体上数据传输过程相关定时器的工作
原理。且指出了MAC层以及RLC层部分定时器参数需要重新配置以及重置原因。在5G NR情况
下,各定时器重配置问题已经被解决,且根据每个定时器的工作原理,对定时器的值进行了
逐个调整。但是,3GPP只是针对5G NR情况,在用户设备、卫星基站(或需要通过卫星中继转
发的地面基站)均为5G网元情况下的定时器的重配置,在未来天地融和网络中具有一定的
局限性。且配置方法为逐一调整,在未来用户设备种类多,业务需求差异大,相对运动速度
差异大且需服务设备数量激增的情况下,这种调整方法工作量大,且不够灵活,所以不再适
用。
driving网络。Self‑driving网络被定义为能够对其环境做出预测性和适应性响应的自治
网络。与自动驾驶汽车类似,Self‑driving网络旨在消除人类的手动干预,同时通过自我发
现、自我配置和自我纠正功能保持网络运行,自动化程度的提高不仅有可能简化网络操作,
还可能实现更细粒度的优化,充分利用可用的网络数据,而不是依赖预定义的模型。Self‑
driving网络的自动化框架需要包括实时遥测、相关分析、决策技术、推荐系统和其他相关
技术,密切依赖于机器学习和数据分析。Self‑driving网络的目标是实现零接触自我管理
网络,而不是基于与单个网络协议或一组特定网络设备相对应的封闭式分析进行管理。
站为代表)对各用户定时器参数有针对性的动态调整,需要一种灵活智能的配置方法。
理,不适用于环境复杂多样性的天地融和网络;在卫星基站定时器参数配置方面3GPP标准
化组织在5G的标准上NR已经有了一定的研究。但是,3GPP只是针对5G NR情况,且配置方法
为逐一调整,在未来用户设备种类多,业务需求差异大,相对运动速度差异大且用户设备数
量激增的情况下,这种调整方法工作量大,且不够灵活,所以不再适用。
对未来可能发展情况做预测性的研究;其次,定时器的参数设置的影响因素较为复杂,要对
所有需要重置的定时器分析其影响因素,进而进行分类是比较困难的。
简洁、易于高效实现的网络体系结构。
发明内容
据的正常传输,该用户设备在有效时间到期后,重新向基站请求定时器参数值重置,并且报
告上次重置情况,用于模型的调整;若定时器值设置存在较大误差,导致数据无法正确传
输,用户设备重新请求定时器参数重置,并且报告上次情况,用于模型的调整。
举出可能影响的定时器,然后根据该定时器设置方法判断是否需要重新设置;
数、帧长影响自身定时器重置的参数;
影响自身定时器重置的参数加权得到,所有因素的数值需先进行归一化处理,各个定时器
值有所不同;设整体加权值为T,T取值目标为:T变化时,受用户设备本身特征影响的定时器
值变化程度最大;权重确定的方法为:突发、少见却又对定时器参数重置影响较大的影响因
素权重值较大,使得此类影响因素在存在时,对定时器重置产生较大影响,在不存在时,对
定时器重置影响为0;除此类影响因素外,其余影响因素的权重由其对定时器重置的影响大
小由大到小依次排列;输出定时器重置参数值或者偏置值、扩大/缩小值记为Z。
为输入数据,使用有监督的机器学习算法,得到此分类集与定时器参数重置值的潜在规律,
也就是学得了模型,所学得模型应对每个分类集泛化能力均较好;
基站通过用户设备发送数据辅助测量、计算所得。最后加权计算用户设备本身特征值集T=
{T1,T2,T3…Tn},n为该用户设备需要重置的定时器数,Tn为第n个需要重置的定时器的本
身特征值;
重置结果的反馈,补充机器学习所得模型,通过不断的学习,使得模型泛化效果更好。
执行如下步骤:
数时,需要重置参数的定时器有哪些;确定定时器参数重置的影响因素,形成定时器参数重
置影响因素集;其次,对所有需要参数重置的定时器按照影响因素进行分类,得到不同的分
类集;根据现有定时器设置值,通过机器学习算法,得到各分类集与定时器参数重置值的关
系,也就是得到训练模型;然后,在基站侧,基站通过用户设备发送的数据以及接受数据情
况,提取出该用户设备定时器参数重置的影响因素数据,并形成数据库;将所得到的数据库
作为输入数据,利用学得模型得到定时器参数重置值(或者偏置值、扩大/缩小值),并且在
基站侧衡量该值的有效时间;最后,基站将定时器重置值(或者偏置值、扩大/缩小值)以及
定时器值有效时间发送给对应的用户设备。若定时器参数值设置正确,用户设备可在有效
时间内保持数据的正常传输,该用户设备在有效时间到期后,重新向基站请求定时器参数
值重置,并且报告上次重置情况,用于模型的调整。若定时器值设置存在较大误差,导致数
据无法正确传输,用户设备重新请求定时器参数重置,并且报告上次情况,用于模型的调
整;
关系,再通过用户设备数据的反馈不断完善模型,使得在定时器参数重置可以实现自发现,
自配置,自纠正的能力。
的定时器重置方法中,针对每一个定时器分被讨论其重置方法带来的工作量大且重复性较
高的问题。基于Self‑Driving网络,使用数据分析与机器学习算法,使得定时器参数重置过
程中,消除了人类的手动干预,把人从繁杂、重复的流程中解放出来,更多发挥人的创造性。
服了3GPP标准化组织中针对NR用户接入NTN网络的定时器重置方法中只针对5G NR用户定
时器参数重置的问题。
为当前状况的实时反馈,以应对其不断变化的需求。并且本发明相较于3GPP标准化组织中
针对NR用户接入NTN网络的定时器重置方法,考虑了突发、少见因素对定时器参数重置的影
响,能够在自我发现、自我配置的同时,保持自我纠正功能,使定时器参数设置对环境做出
适应性响应。
附图说明
本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的
附图。
具体实施方式
限定本发明。
次重置情况,用于模型的调整。若定时器值设置存在较大误差,导致数据无法正确传输,用
户设备重新请求定时器参数重置,并且报告上次情况,用于模型的调整。
提前训练集包括n各训练样本,因为训练样本为同一类型用户,所有需重置定时器值均为m
个。Di表示第i个样本的D值(i=1,2,……n),Di;Ri值表示第i个样本的R值(i=1,2,……
n);Tij值表示第i个样本第j个定时器的T值(i=1,2,……n;j=1,2,……m;);Zij值表示第
i个样本第j个定时器的Z值(i=1,2,……n;j=1,2,……m;)。输入样本共有a个,因用户设
备类型不同,其需重置定时器值分别为m,x,y个。且输入样本不含Z值,Z值为输出数据。
数据传输会产生较大影响)使得当前网络定时器值不再适用。所以,需要对所有需重置定时
器进行汇总。图4中,输入样本中用户设备2、3均为移动通信用户,且需要通过卫星基站与核
心网进行数据传输,所以需要对该移动通信网络相关定时器进行重置。涉及到上下链路数
据交互过程中的定时器应当为重置定时器的主要来源,所以需要对随机接入流程、维护上
行链路时间同步、不连续接收等过程的定时器进行评估。若高传输时延会对定时器值产生
影响,则纳入重置定时器集。其余可能受影响定时器可以通过分析其工作机制进行判断,或
者通过仿真进行判断。
(km/s)不仅会影响定时器参数重置,且会影响定时器重置值的有效保持时间,所以相对运
动差是定时器参数重置的影响因素之一;为衡量每个用户设备的差异导致定时器重置值的
不同,将所有本用户设备特有的影响因素加权得到用户设备本身特征值T,且T值变化越大,
定时器参数重置值波动越大。此类影响因素由步骤一中在确定定时器时统计得到。
的定时器而言,定时器设置值明显不同;用户设备3(高铁用户)与用户设备4(地面静止用
户),传输距离差异不大,但相对运动速度有较大差异,这样的差异不仅会对定时器值有影
响,也会使得用户设备3由于相对运动速度较快,时间的积累导致传输距离的变化,有效时
间小于用户设备4。此外,若用户设备1与用户设备5的业务传输不同,一个只传要求较高的
话音业务,一个传尽力而为的各种业务,也会导致此方面的定时器重置值不同,例如涉及到
HARQ流程的定时器。
组成因素权重一致,不同分类集里的定时器影响因素T值中,各组成因素权重可能不同。为
了统一衡量T中各因素的影响,需要先归一化处理各因素,所以T值无单位。分类集确定的标
准为:通过将影响因素集排列组合,使得需重置定时器分类效果最好。针对图4所示的情况,
因为用户种类较多,分布范围较广,假设将D(km),R(km/s),T作为三个分类集中的主要影响
因素,其余两种因素为次要影响因素时分类效果最好,便可以得到三个分类集。
R的集合R={R1,R2,……,Rn};以及T的集合T={T1={T11,T12……,T1m},T2={T21,
T22……,T2x},……,Tn={Tn1,Tn2……,Tny}},以及其重置结果集Z={Z1={Z11,
Z12……,Z1m},Z2={Z21,Z22……,Z2m},……,Zn={Zn1,Zn2……,Znm}}。不同网络需要重
置的定时器个数可能不同,同一网络需要重置的定时器个数相同。之后,各定时器查找本定
时器所在的分类集,将其定时器重置参数值作为训练集的输入数据,通过有监督的机器学
习算法学得每个分类集中D,R,T与定时器参数重置值Z的模型。需要注意的是定时器参数重
置值也可以用其偏置值,扩大/缩小值来代替。
(运动速度,运动方向)与基站运动信息通过简单的数学模型得到。若基站为卫星基站,则其
运动信息可通过卫星星历直接获得。用户设备的T值的部分组成因素是无法通过测量获得
的,所以需要将此类信息包含到发送的数据中。如图4中的样本:用户设备5(高铁),假设其
对业务的实时需求、进程数等基站无法测得,且对会定时器重置产生影响,则用户设备5需
将此信息发送给基站。基站侧通过提取接收信息中的数据以及测量计算的数据,计算用户
设备5的T集:Tx={T11,T12……,T1m}。T集计算方法与步骤四中计算方法一致。所有向基站
请求定时器重置的用户设备的D值,R值,T值形成样本数据库,数据库即为步骤四中所得模
型的输入数据,此外由于样本类型不同,需重置的定时器个数不同,图3中分别用m,x,y来代
替三种不同的重置定时器个数。
将输出结果发送给用户设备。
则在t ms内该定时器可以正常使用,超过t ms需重新请求定时器重置,并且告诉基站上次
重置值即有效时间均正确,基站可用此类信息完善学得的模型;若该定时器值不正确,在t1
ms时便无法正常使用(0<=t1 ms<=t ms),则用户在发现不正确时,向基站发送定时器重
置请求,并反馈上次重置结果不正确,且在t1 ms时便无法工作,基站可用此类信息补充纠
正学得的模型;若该定时器值正确,但由于突发情况(例如:突发的环境状况等)导致参数不
再适用,则需要向基站发送定时器重置请求,请求更适用于此刻情况的定时器重置值,但需
要告诉基站上次重置值即有效时间均正确,完善学得的模型。可以发现,通过输出数据的反
馈可以对环境做出实时性适应性的调整。
输的SR信号,当该定时器正在运行时,是不能发送SR的,一旦该定时器超时,UE就需要重新
发送SR,直到达到最大发送次数dsr‑TransMax。sr‑ProhibitTimer定时器的值由RRC配置,
在MAC‑MainConfig信元中下发到UE,取值范围是0~7,单位是SR周期,值为0表示不配置该
定时器,如果值为5,则表示UE发送SR后,如果等待了5个SR周期仍然没有收到DCI0的资源授
权,那么将向网侧再次发送SR。对于一个新的传输或者一个具有更高优先级的传输,用户终
端可以使用SR从gNB获取UL‑SCH(传输上行共享信道)。在sr‑ProhibitTimer启动后,最迟将
在128毫秒后到期,并启动SR。
原因主要为RTD,也就是用户设备GEO基站与用户设备之间的距离。其次,用户设备与GEO卫
星之间的相对速度会影响到sr‑ProhibitTimer有效时间,所以相对运动速度也是影响定时
器参数值的影响因素之一。用户本身特征值对定时器参数值无影响。所以sr‑
ProhibitTimer所属分类集为传输距离D(km)为主要影响因素,相对运动速度R(km/s),本身
特征为T为次要影响因素。假设已经通过已有数据得到了此类分类集输入数据与输出数据
的机器学习模型。
为0,原定时器参数为128ms。用户A、B向GEO基站发送定时器重置请求。GEO基站接收到定时
器重置请求,得到用户A的输入数据集D1={D11=6372km},R1={R11=0km/s},T1={T11=
0};用户B的输入数据集D2={D21=6363km},R2={R11=0.25km/s},T2={T21=0}。将两个
用户的输入数据集输入所学的的模型,假设得到用户A的输出数据Z1={10,24h}(用户A在
原定时器值基础上扩大10倍,该定时器重置参数值有效时期为24h);用户B的输出数据Z2=
{8,1h}(用户B在原定时器值基础上扩大8倍,该定时器重置参数值有效时期为1h)。并将此
输出数据下发给用户设备A、B。用户A、B得到输出数据反馈。用户A将定时器值更改为
1280ms,若该值设置正确,在24h后向基站重新发送定时重置命令。用户B将定时器值设置为
1024ms,若该值设置正确,在1h后向基站重新发送定时重置命令。若在用户B收到定时器参
数值30min后,定时器便无法正常工作,用户B需向基站重新发送定时器配置请求命令,进而
完善学习模型。
统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备
和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁
盘、CD或DVD‑ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电
子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模
集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编
程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软
件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。