针对露天矿5G基站的数据检测方法及数据检测系统与流程

本技术涉及数据处理，更具体地，涉及一种针对露天矿5g基站的数据检测方法、数据检测系统及计算机可读存储介质。

背景技术：

1、随着5g技术的快速发展和广泛应用，露天矿区作为重要的工业生产场所，对5g基站的性能要求日益严格。为了确保露天矿区的通信稳定和数据传输效率，对5g基站进行性能识别与评估显得尤为重要。然而，传统的基站性能评估方法往往局限于单一基站的性能分析，忽略了基站之间的相互影响以及性能随时间的变化趋势，导致评估结果不够全面和准确。

技术实现思路

1、为改善相关技术中存在的技术问题，本技术提供了一种针对露天矿5g基站的数据检测方法、数据检测系统及计算机可读存储介质。

2、第一方面，本技术实施例提供了一种针对露天矿5g基站的数据检测方法，应用于数据检测系统，所述方法包括：

3、获取待进行识别的露天矿5g基站性能数据集；所述露天矿5g基站性能数据集包含x个5g基站运行性能数据，x为正整数；

4、分别对所述x个5g基站运行性能数据中的每个5g基站运行性能数据进行性能要素挖掘，得到所述每个5g基站运行性能数据的基站运行性能要素矢量；

5、依据所述每个5g基站运行性能数据的基站运行性能要素矢量生成5g基站运行性能矢量链，并将所述5g基站运行性能矢量链传入性能推演要素挖掘算法；所述5g基站运行性能矢量链包含所述x个5g基站运行性能数据的级联的x个基站运行性能要素矢量，所述x个基站运行性能要素矢量对应所述性能推演要素挖掘算法的x个处理周期，所述x个基站运行性能要素矢量中的第u个基站运行性能要素矢量对应所述x个处理周期中的第u个处理周期，u为正整数且u不大于x；

6、利用所述性能推演要素挖掘算法在第u个处理周期，基于第u-1个处理周期的性能热力向量、所述5g基站运行性能矢量链中第u-1个基站运行性能要素矢量、及所述5g基站运行性能矢量链中第u个基站运行性能要素矢量，集成所述第u个处理周期的性能热力向量；所述第u-1个处理周期的性能热力向量是通过所述性能推演要素挖掘算法在第u-1个处理周期集成得到的；

7、当u＝x时，将集成的第x个处理周期的性能热力向量确定为所述露天矿5g基站性能数据集的全局运行性能矢量，并依据所述全局运行性能矢量确定所述露天矿5g基站性能数据集所属的性能质量检测观点。

8、结合第一方面，在第一方面的一种可能的实现方式中，所述对所述x个5g基站运行性能数据中的每个5g基站运行性能数据进行性能要素挖掘，得到所述每个5g基站运行性能数据的基站运行性能要素矢量，包括：

9、将所述x个5g基站运行性能数据传入基站运行性能数据挖掘模型；

10、利用所述基站运行性能数据挖掘模型分别对传入的所述每个5g基站运行性能数据进行性能要素挖掘，得到所述每个5g基站运行性能数据的基站运行性能要素矢量。

11、结合第一方面，在第一方面的一种可能的实现方式中，所述利用所述基站运行性能数据挖掘模型分别对传入的所述每个5g基站运行性能数据进行性能要素挖掘，得到所述每个5g基站运行性能数据的基站运行性能要素矢量，包括：

12、利用所述基站运行性能数据挖掘模型分别对传入的所述每个5g基站运行性能数据进行性能要素挖掘，得到所述每个5g基站运行性能数据的基础性能要素线性变量；

13、依据所述x个5g基站运行性能数据的基础性能要素线性变量对任一5g基站运行性能数据的基础性能要素线性变量进行知识向量强化，得到所述任一5g基站运行性能数据的基站运行性能要素矢量。

14、结合第一方面，在第一方面的一种可能的实现方式中，所述利用所述性能推演要素挖掘算法在第u个处理周期，基于第u-1个处理周期的性能热力向量、所述5g基站运行性能矢量链中第u-1个基站运行性能要素矢量、及所述5g基站运行性能矢量链中第u个基站运行性能要素矢量，集成所述第u个处理周期的性能热力向量，包括：

15、获取第u-1个处理周期的前后序关联矢量；所述前后序关联矢量是通过所述性能推演要素挖掘算法在第u-1个处理周期依据所述第u-1个基站运行性能要素矢量生成的，所述前后序关联矢量包含所述性能推演要素挖掘算法对所述第u-1个基站运行性能要素矢量所缓存的要素向量；

16、依据所述前后序关联矢量、所述第u-1个处理周期的性能热力向量、及所述第u个基站运行性能要素矢量，集成得到所述第u个处理周期的性能热力向量。

17、结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述全局运行性能矢量确定所述露天矿5g基站性能数据集中的5g基站运行性能数据所属的性能质量检测观点，包括：

18、将所述全局运行性能矢量传入质检观点判别模型，并利用所述质检观点判别模型依据所述全局运行性能矢量，判别所述露天矿5g基站性能数据集所属的性能质量检测观点是目标性能质量检测观点的判别可能性；

19、如果所述判别可能性不小于可能性门限，则确定所述露天矿5g基站性能数据集所属的性能质量检测观点是所述目标性能质量检测观点；

20、如果所述判别可能性小于所述可能性门限，则确定所述露天矿5g基站性能数据集所属的性能质量检测观点不是所述目标性能质量检测观点。

21、结合第一方面，在第一方面的一种可能的实现方式中，所述x个5g基站运行性能数据是在目标露天矿基站覆盖范围内采集到的5g基站运行性能数据；所述目标性能质量检测观点是目标干扰源范围关联的性能质量检测观点；

22、所述方法还包括：

23、如果所述露天矿5g基站性能数据集所属的性能质量检测观点是所述目标性能质量检测观点，则确定所述目标露天矿基站覆盖范围的干扰源范围是所述目标干扰源范围；

24、如果所述露天矿5g基站性能数据集所属的性能质量检测观点不是所述目标性能质量检测观点，则确定所述目标露天矿基站覆盖范围的干扰源范围不是所述目标干扰源范围。

25、结合第一方面，在第一方面的一种可能的实现方式中，所述方法还包括：

26、获取拟调试的基站运行性能质检算法；所述基站运行性能质检算法包含拟调试的基站运行性能数据挖掘模型、拟调试的性能推演要素挖掘算法和拟调试的质检观点判别模型；

27、获取露天矿5g基站性能数据集样例；所述露天矿5g基站性能数据集样例包含多个5g基站运行性能数据样例；所述露天矿5g基站性能数据集样例具有先验学习注释，所述露天矿5g基站性能数据集样例的先验学习注释用于指示所述露天矿5g基站性能数据集样例所属的性能质量检测观点是目标性能质量检测观点或不是所述目标性能质量检测观点；

28、利用所述拟调试的基站运行性能数据挖掘模型分别对所述露天矿5g基站性能数据集样例中的每个5g基站运行性能数据样例进行性能要素挖掘，得到所述每个5g基站运行性能数据样例的基站运行性能要素矢量样例；

29、依据所述每个5g基站运行性能数据样例的基站运行性能要素矢量样例生成5g基站运行性能矢量链样例，并利用所述拟调试的性能推演要素挖掘算法依据所述5g基站运行性能矢量链样例，集成得到所述露天矿5g基站性能数据集样例的全局运行性能矢量样例；集成用于提取所述5g基站运行性能矢量链样例中每个基站运行性能要素矢量样例之间的牵涉特征；

30、利用所述拟调试的质检观点判别模型依据所述全局运行性能矢量样例，判别所述露天矿5g基站性能数据集样例所属的性能质量检测观点是所述目标性能质量检测观点的判别可能性样例；

31、依据所述判别可能性样例和所述先验学习注释改进所述基站运行性能质检算法的算法参量，得到完成调试的基站运行性能质检算法；所述完成调试的基站运行性能质检算法包含基站运行性能数据挖掘模型、所述性能推演要素挖掘算法和质检观点判别模型。

32、结合第一方面，在第一方面的一种可能的实现方式中，所述依据所述判别可能性样例和所述先验学习注释改进所述基站运行性能质检算法的算法参量，得到完成调试的基站运行性能质检算法，包括：

33、依据所述判别可能性样例和所述先验学习注释，生成所述基站运行性能质检算法针对所述露天矿5g基站性能数据集样例的质检判别损失；

34、依据所述基站运行性能质检算法针对所述露天矿5g基站性能数据集样例的质检判别损失改进所述基站运行性能质检算法的算法参量，得到所述完成调试的基站运行性能质检算法。

35、结合第一方面，在第一方面的一种可能的实现方式中，所述露天矿5g基站性能数据集样例有多个，多个露天矿5g基站性能数据集样例包括5g基站性能数据集积极样例和5g基站性能数据集消极样例，所述5g基站性能数据集积极样例的先验学习注释用于指示所述5g基站性能数据集积极样例中的5g基站运行性能数据样例的性能质量检测观点是所述目标性能质量检测观点，所述5g基站性能数据集消极样例的先验学习注释用于指示所述5g基站性能数据集消极样例中的5g基站运行性能数据样例的性能质量检测观点不是所述目标性能质量检测观点；

36、所述依据所述判别可能性样例和所述先验学习注释，生成所述基站运行性能质检算法针对所述露天矿5g基站性能数据集样例中5g基站运行性能数据样例的质检判别损失，包括：

37、获取针对所述5g基站性能数据集积极样例的第一判别置信度和针对所述5g基站性能数据集消极样例的第二判别置信度；

38、依据所述第一判别置信度对所述基站运行性能质检算法针对所述5g基站性能数据集积极样例的质检判别损失进行更新，得到第一更新质检判别损失；

39、依据所述第二判别置信度对所述基站运行性能质检算法针对所述5g基站性能数据集消极样例的质检判别损失进行更新，得到第二更新质检判别损失；

40、将所述第一更新质检判别损失与所述第二更新质检判别损失的求和结果，确定为所述基站运行性能质检算法针对所述多个露天矿5g基站性能数据集样例的质检判别损失。

41、结合第一方面，在第一方面的一种可能的实现方式中，所述5g基站性能数据集积极样例有多个，所述第一判别置信度为多个5g基站性能数据集积极样例的个数的映射变量；所述5g基站性能数据集消极样例有多个，所述第二判别置信度为多个5g基站性能数据集消极样例的个数的映射变量；其中，所述多个露天矿5g基站性能数据集样例中每个露天矿5g基站性能数据集样例包含的5g基站运行性能数据样例的个数相同或不同。

42、结合第一方面，在第一方面的一种可能的实现方式中，所述基站运行性能质检算法中的所述拟调试的基站运行性能数据挖掘模型是完成调试的网络，所述拟调试的基站运行性能数据挖掘模型的算法参量在所述基站运行性能质检算法的调试过程中被锁定；其中，所述基站运行性能质检算法需要改进的算法参量包括所述拟调试的性能推演要素挖掘算法的算法参量和所述拟调试的质检观点判别模型的算法参量。

43、第二方面，本技术还提供了一种数据检测系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的针对露天矿5g基站的数据检测方法。

44、第三方面，本技术还提供了一种计算机可读存储介质，包含所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的针对露天矿5g基站的数据检测方法。

45、本技术提出了一种基于数据检测系统的露天矿5g基站性能识别与评估方法。该方法首先获取包含多个5g基站运行性能数据的露天矿5g基站性能数据集，确保评估的全面性。然后，通过对每个5g基站运行性能数据进行性能要素挖掘，得到基站运行性能要素矢量，从而精确识别出影响基站性能的关键因素。

46、进一步地，本技术依据每个5g基站运行性能数据的基站运行性能要素矢量生成5g基站运行性能矢量链，并将该链传入性能推演要素挖掘算法。这种方法不仅考虑了单个基站的性能，还考虑了基站之间的相互影响以及性能随时间的变化趋势，使得性能评估更加连贯和动态。

47、在性能推演要素挖掘算法中，本技术利用前一个处理周期的性能热力向量、当前处理周期的前一个基站运行性能要素矢量和当前基站运行性能要素矢量，集成当前处理周期的性能热力向量。这种方法能够高效地处理大量的性能数据，并在每个处理周期结束时输出一个性能热力向量，为实时性能评估提供了可能。

48、最后，当处理完所有基站的数据后，本技术将集成的最后一个处理周期的性能热力向量确定为全局运行性能矢量，并据此确定性能质量检测观点。这种全局性的评估结果为管理者提供了全面的性能概览和针对性的优化建议，有助于指导矿区的通信网络规划和维护工作。

49、综上所述，本技术旨在解决传统基站性能评估方法存在的问题，通过提出一种基于数据检测系统的露天矿5g基站性能识别与评估方法，为露天矿区的通信稳定和数据传输效率提供有力保障。