(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110511122.7 (22)申请日 2021.05.11 (65)同一申请的已公布的文献号 申请公布号 CN 113343555 A (43)申请公布日 2021.09.0 3 (73)专利权人 重庆金美通信有限责任公司 地址 400030 重庆市沙坪坝区小场公桥51 号 (72)发明人 赵伟杰　户江民　吕鸿　田焕　 王均春　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 111/02(2020.01)(56)对比文件 CN 10873 3672 A,2018.1 1.02 US 20193252 93 A1,2019.10.24 CN 10890 0262 A,2018.1 1.27 CN 107360580 A,2017.1 1.17 CN 112118038 A,2020.12.2 2 Xinran He et., al. . 《Practical Les sons from Predicti ng Clicks on Ads at Facebook》 . 《ADKD D"14: Proce edings of the Eighth I nternati onal Workshop o n Data Mining for On line Advertisi ng》 .2014, 王斌宇等.基于GBDT+LR分类 器的工业过程 区域控制性能评价. 《石油化工自动化》 .2020, (第03期), 王垚等.GBDT与LR融合模型在加密流 量识别 中的应用. 《计算机与现代化》 .2020,(第0 3期), (续) 审查员 梁晨陇 (54)发明名称 一种基于GBDT与LR集成模型的微波通信效 能评估方法 (57)摘要 本发明公开了一种基于GBDT与LR集成模型 的微波通信效能评估方法， 包括： 获取微波接力 通信系统中R对微波接力机的相关参数； 将相关 参数进行关联预处理后， 输入第一预设模型， 得 到相关数据的稀疏向量； 所述第一预设模型由 GBDT模型训练获得； 合并R对相关数据的稀疏向 量， 生成R对微波接力机的相关参数的特征稀疏 矩阵， 代入第二预设模型， 通过p redict方式评估 R对微波接力机的微波通信效能； 第二预设模型 由LR模型训练获得。 该方法可评估多型微波接力 机在不同工作参数和外部环境下的通信效能， 为 车载微波接力机的智能化部署、 架设提供辅助决 策， 提升复杂战场环境微波通信效能， 保障机动 指控微波通信传输质量。 [转续页] 权利要求书3页 说明书8页 附图3页 CN 113343555 B 2022.10.14 CN 113343555 B (56)对比文件 Weijie Zhao et., al. . 《Evaluati on method of micro wave com munication based on GBDT+LR model》 . 《202 2 3rd Internati onal Conference o n Electro nic Communication and Artificial I ntelligence (I WECAI)》 .2022,2/2 页 2[接上页] CN 113343555 B1.一种基于GBDT与LR集成模型的微波通信效能评估方法， 其特 征在于： 包括 步骤： S10、 获取微波接力通信系统中R对微波接力机的相关参数； 所述相关参数包括： 工作 参 数、 位置、 天线角度、 地形、 天气、 误码率和吞吐量数据； S20、 将所述相关参数进行关联预处理后， 输入第一预设模型， 得到所述相关数据的稀 疏向量； 所述第一预设模型由GBDT模型训练获得； S30、 合并R对所述相关数据的稀疏向量， 生成R对所述微波接力机的相关参数的特征稀 疏矩阵； S40、 将R对所述微波接力机的相关参数的特征稀疏矩阵代入第二预设模型， 通过 pred ict方式 评估R 对微波接 力机的 微波通 信效能 ； 所述 第二预设 模型由 LogisticRegres sion模型训练获得。 2.根据权利要求1所述的方法， 其特征在于： 所述步骤S20中所述第一预设模型由GBDT 模型训练获得， 包括： S201、 获取N对微波接力机的相关参数； 所述相关参数包括： 工作 参数、 位置、 天线角度、 地形、 天气、 误码率和吞吐量数据； 将所述相关参数进行关联预处理， 构建评估模型的训练 数据与输出目标； S202、 将所述训练数据预输出目标输入GBDT模型中进行训练， 采用GridSearchCV搜索 模型最优参数， 构建M个弱学习器迭代更新强学习器， 当模型损失和的平方值最小， 得到最 优模型， 作为第一预设模型。 3.根据权利要求2所述的方法， 其特征在于： 所述步骤S40中所述第二预设模型由 LogisticRegres sion模型训练获得， 包括： S401、 获取所述训练数据在所述第一预设模型中M个弱学习器的叶子结点索引值， 转换 为稀疏向量； S402、 合并N对所述训练数据对应的稀疏向量， 生成训练数据的特 征稀疏矩阵； S403、 将所述训练数据的特征稀疏矩阵和所述输出目标， 代入LogisticRegression模 型进行训练； 采用GridSearchCV调参获取最优参数， 训练模 型收敛， 得到微波效能评估模 型 作为第二预设模型。 4.根据权利要求2所述的方法， 其特 征在于： 所述 步骤S201， 包括： S2011、 导入微波通信数据， 获取N对微波通信接力机中每一对微波通信两端： 微波接力 机A和微波接力机B的经纬度； 计算所述微波接力机A与微波接力机B的水平距离Dis； 获取所 述微波接力机A与微波接力机B工作参数下的理论最远通信距离Dmax； 设定超出先验通信距 离字段Beyo nd， 若Dis>Dmax则Beyo nd置为第一标记， 反 之置为第二标记； S2012、 获取所述微波接力机A天线角度angle1， 所述微波接力机B天线角度angle2； 设 定天线夹角字段Angle＝(angle1+angle2)％180， 并删掉angle1、 angle2字段； S2013、 通过所述微波接力机A、 B的经纬度位置信息关联地形、 天气， 并利用 LabelEncoder编码 将地形、 天气信息中文编码格式转换为数字索引； S2014、 构建微波通信效能评估targets值， 获取所述微波接力机A、 B工作速率Rate、 实 际业务吞吐量Data， 传输时间t， 误码值指标w， 误码量Err； 若Data ÷t<Rate或Err>Data × 10w则将targets置为异常标记， 否则targets置为 正常标记； S2015、 整合步骤S2011 ‑步骤S2013数据， 形成训练数据集train_x； 将步骤S2014所产生权　利　要　求　书 1/3 页 2 CN 113343555 B 3