本技術涉及數(shù)據(jù)處理，更具體地，涉及一種針對露天礦5g基站的數(shù)據(jù)檢測方法、數(shù)據(jù)檢測系統(tǒng)及計算機可讀存儲介質。

背景技術：

1、隨著5g技術的快速發(fā)展和廣泛應用，露天礦區(qū)作為重要的工業(yè)生產(chǎn)場所，對5g基站的性能要求日益嚴格。為了確保露天礦區(qū)的通信穩(wěn)定和數(shù)據(jù)傳輸效率，對5g基站進行性能識別與評估顯得尤為重要。然而，傳統(tǒng)的基站性能評估方法往往局限于單一基站的性能分析，忽略了基站之間的相互影響以及性能隨時間的變化趨勢，導致評估結果不夠全面和準確。

技術實現(xiàn)思路

1、為改善相關技術中存在的技術問題，本技術提供了一種針對露天礦5g基站的數(shù)據(jù)檢測方法、數(shù)據(jù)檢測系統(tǒng)及計算機可讀存儲介質。

2、第一方面，本技術實施例提供了一種針對露天礦5g基站的數(shù)據(jù)檢測方法，應用于數(shù)據(jù)檢測系統(tǒng)，所述方法包括：

3、獲取待進行識別的露天礦5g基站性能數(shù)據(jù)集；所述露天礦5g基站性能數(shù)據(jù)集包含x個5g基站運行性能數(shù)據(jù)，x為正整數(shù)；

4、分別對所述x個5g基站運行性能數(shù)據(jù)中的每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量；

5、依據(jù)所述每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量生成5g基站運行性能矢量鏈，并將所述5g基站運行性能矢量鏈傳入性能推演要素挖掘算法；所述5g基站運行性能矢量鏈包含所述x個5g基站運行性能數(shù)據(jù)的級聯(lián)的x個基站運行性能要素矢量，所述x個基站運行性能要素矢量對應所述性能推演要素挖掘算法的x個處理周期，所述x個基站運行性能要素矢量中的第u個基站運行性能要素矢量對應所述x個處理周期中的第u個處理周期，u為正整數(shù)且u不大于x；

6、利用所述性能推演要素挖掘算法在第u個處理周期，基于第u-1個處理周期的性能熱力向量、所述5g基站運行性能矢量鏈中第u-1個基站運行性能要素矢量、及所述5g基站運行性能矢量鏈中第u個基站運行性能要素矢量，集成所述第u個處理周期的性能熱力向量；所述第u-1個處理周期的性能熱力向量是通過所述性能推演要素挖掘算法在第u-1個處理周期集成得到的；

7、當u＝x時，將集成的第x個處理周期的性能熱力向量確定為所述露天礦5g基站性能數(shù)據(jù)集的全局運行性能矢量，并依據(jù)所述全局運行性能矢量確定所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點。

8、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述對所述x個5g基站運行性能數(shù)據(jù)中的每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量，包括：

9、將所述x個5g基站運行性能數(shù)據(jù)傳入基站運行性能數(shù)據(jù)挖掘模型；

10、利用所述基站運行性能數(shù)據(jù)挖掘模型分別對傳入的所述每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量。

11、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述利用所述基站運行性能數(shù)據(jù)挖掘模型分別對傳入的所述每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量，包括：

12、利用所述基站運行性能數(shù)據(jù)挖掘模型分別對傳入的所述每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)的基礎性能要素線性變量；

13、依據(jù)所述x個5g基站運行性能數(shù)據(jù)的基礎性能要素線性變量對任一5g基站運行性能數(shù)據(jù)的基礎性能要素線性變量進行知識向量強化，得到所述任一5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量。

14、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述利用所述性能推演要素挖掘算法在第u個處理周期，基于第u-1個處理周期的性能熱力向量、所述5g基站運行性能矢量鏈中第u-1個基站運行性能要素矢量、及所述5g基站運行性能矢量鏈中第u個基站運行性能要素矢量，集成所述第u個處理周期的性能熱力向量，包括：

15、獲取第u-1個處理周期的前后序關聯(lián)矢量；所述前后序關聯(lián)矢量是通過所述性能推演要素挖掘算法在第u-1個處理周期依據(jù)所述第u-1個基站運行性能要素矢量生成的，所述前后序關聯(lián)矢量包含所述性能推演要素挖掘算法對所述第u-1個基站運行性能要素矢量所緩存的要素向量；

16、依據(jù)所述前后序關聯(lián)矢量、所述第u-1個處理周期的性能熱力向量、及所述第u個基站運行性能要素矢量，集成得到所述第u個處理周期的性能熱力向量。

17、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述依據(jù)所述全局運行性能矢量確定所述露天礦5g基站性能數(shù)據(jù)集中的5g基站運行性能數(shù)據(jù)所屬的性能質量檢測觀點，包括：

18、將所述全局運行性能矢量傳入質檢觀點判別模型，并利用所述質檢觀點判別模型依據(jù)所述全局運行性能矢量，判別所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點是目標性能質量檢測觀點的判別可能性；

19、如果所述判別可能性不小于可能性門限，則確定所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點是所述目標性能質量檢測觀點；

20、如果所述判別可能性小于所述可能性門限，則確定所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點不是所述目標性能質量檢測觀點。

21、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述x個5g基站運行性能數(shù)據(jù)是在目標露天礦基站覆蓋范圍內(nèi)采集到的5g基站運行性能數(shù)據(jù)；所述目標性能質量檢測觀點是目標干擾源范圍關聯(lián)的性能質量檢測觀點；

22、所述方法還包括：

23、如果所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點是所述目標性能質量檢測觀點，則確定所述目標露天礦基站覆蓋范圍的干擾源范圍是所述目標干擾源范圍；

24、如果所述露天礦5g基站性能數(shù)據(jù)集所屬的性能質量檢測觀點不是所述目標性能質量檢測觀點，則確定所述目標露天礦基站覆蓋范圍的干擾源范圍不是所述目標干擾源范圍。

25、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述方法還包括：

26、獲取擬調(diào)試的基站運行性能質檢算法；所述基站運行性能質檢算法包含擬調(diào)試的基站運行性能數(shù)據(jù)挖掘模型、擬調(diào)試的性能推演要素挖掘算法和擬調(diào)試的質檢觀點判別模型；

27、獲取露天礦5g基站性能數(shù)據(jù)集樣例；所述露天礦5g基站性能數(shù)據(jù)集樣例包含多個5g基站運行性能數(shù)據(jù)樣例；所述露天礦5g基站性能數(shù)據(jù)集樣例具有先驗學習注釋，所述露天礦5g基站性能數(shù)據(jù)集樣例的先驗學習注釋用于指示所述露天礦5g基站性能數(shù)據(jù)集樣例所屬的性能質量檢測觀點是目標性能質量檢測觀點或不是所述目標性能質量檢測觀點；

28、利用所述擬調(diào)試的基站運行性能數(shù)據(jù)挖掘模型分別對所述露天礦5g基站性能數(shù)據(jù)集樣例中的每個5g基站運行性能數(shù)據(jù)樣例進行性能要素挖掘，得到所述每個5g基站運行性能數(shù)據(jù)樣例的基站運行性能要素矢量樣例；

29、依據(jù)所述每個5g基站運行性能數(shù)據(jù)樣例的基站運行性能要素矢量樣例生成5g基站運行性能矢量鏈樣例，并利用所述擬調(diào)試的性能推演要素挖掘算法依據(jù)所述5g基站運行性能矢量鏈樣例，集成得到所述露天礦5g基站性能數(shù)據(jù)集樣例的全局運行性能矢量樣例；集成用于提取所述5g基站運行性能矢量鏈樣例中每個基站運行性能要素矢量樣例之間的牽涉特征；

30、利用所述擬調(diào)試的質檢觀點判別模型依據(jù)所述全局運行性能矢量樣例，判別所述露天礦5g基站性能數(shù)據(jù)集樣例所屬的性能質量檢測觀點是所述目標性能質量檢測觀點的判別可能性樣例；

31、依據(jù)所述判別可能性樣例和所述先驗學習注釋改進所述基站運行性能質檢算法的算法參量，得到完成調(diào)試的基站運行性能質檢算法；所述完成調(diào)試的基站運行性能質檢算法包含基站運行性能數(shù)據(jù)挖掘模型、所述性能推演要素挖掘算法和質檢觀點判別模型。

32、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述依據(jù)所述判別可能性樣例和所述先驗學習注釋改進所述基站運行性能質檢算法的算法參量，得到完成調(diào)試的基站運行性能質檢算法，包括：

33、依據(jù)所述判別可能性樣例和所述先驗學習注釋，生成所述基站運行性能質檢算法針對所述露天礦5g基站性能數(shù)據(jù)集樣例的質檢判別損失；

34、依據(jù)所述基站運行性能質檢算法針對所述露天礦5g基站性能數(shù)據(jù)集樣例的質檢判別損失改進所述基站運行性能質檢算法的算法參量，得到所述完成調(diào)試的基站運行性能質檢算法。

35、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述露天礦5g基站性能數(shù)據(jù)集樣例有多個，多個露天礦5g基站性能數(shù)據(jù)集樣例包括5g基站性能數(shù)據(jù)集積極樣例和5g基站性能數(shù)據(jù)集消極樣例，所述5g基站性能數(shù)據(jù)集積極樣例的先驗學習注釋用于指示所述5g基站性能數(shù)據(jù)集積極樣例中的5g基站運行性能數(shù)據(jù)樣例的性能質量檢測觀點是所述目標性能質量檢測觀點，所述5g基站性能數(shù)據(jù)集消極樣例的先驗學習注釋用于指示所述5g基站性能數(shù)據(jù)集消極樣例中的5g基站運行性能數(shù)據(jù)樣例的性能質量檢測觀點不是所述目標性能質量檢測觀點；

36、所述依據(jù)所述判別可能性樣例和所述先驗學習注釋，生成所述基站運行性能質檢算法針對所述露天礦5g基站性能數(shù)據(jù)集樣例中5g基站運行性能數(shù)據(jù)樣例的質檢判別損失，包括：

37、獲取針對所述5g基站性能數(shù)據(jù)集積極樣例的第一判別置信度和針對所述5g基站性能數(shù)據(jù)集消極樣例的第二判別置信度；

38、依據(jù)所述第一判別置信度對所述基站運行性能質檢算法針對所述5g基站性能數(shù)據(jù)集積極樣例的質檢判別損失進行更新，得到第一更新質檢判別損失；

39、依據(jù)所述第二判別置信度對所述基站運行性能質檢算法針對所述5g基站性能數(shù)據(jù)集消極樣例的質檢判別損失進行更新，得到第二更新質檢判別損失；

40、將所述第一更新質檢判別損失與所述第二更新質檢判別損失的求和結果，確定為所述基站運行性能質檢算法針對所述多個露天礦5g基站性能數(shù)據(jù)集樣例的質檢判別損失。

41、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述5g基站性能數(shù)據(jù)集積極樣例有多個，所述第一判別置信度為多個5g基站性能數(shù)據(jù)集積極樣例的個數(shù)的映射變量；所述5g基站性能數(shù)據(jù)集消極樣例有多個，所述第二判別置信度為多個5g基站性能數(shù)據(jù)集消極樣例的個數(shù)的映射變量；其中，所述多個露天礦5g基站性能數(shù)據(jù)集樣例中每個露天礦5g基站性能數(shù)據(jù)集樣例包含的5g基站運行性能數(shù)據(jù)樣例的個數(shù)相同或不同。

42、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述基站運行性能質檢算法中的所述擬調(diào)試的基站運行性能數(shù)據(jù)挖掘模型是完成調(diào)試的網(wǎng)絡，所述擬調(diào)試的基站運行性能數(shù)據(jù)挖掘模型的算法參量在所述基站運行性能質檢算法的調(diào)試過程中被鎖定；其中，所述基站運行性能質檢算法需要改進的算法參量包括所述擬調(diào)試的性能推演要素挖掘算法的算法參量和所述擬調(diào)試的質檢觀點判別模型的算法參量。

43、第二方面，本技術還提供了一種數(shù)據(jù)檢測系統(tǒng)，包括：一個或多個處理器，存儲器，以及一個或多個程序，其中，所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執(zhí)行，所述一個或多個程序包括用于執(zhí)行任意一種所述的針對露天礦5g基站的數(shù)據(jù)檢測方法。

44、第三方面，本技術還提供了一種計算機可讀存儲介質，包含所述計算機可讀存儲介質包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質所在設備執(zhí)行任意一種所述的針對露天礦5g基站的數(shù)據(jù)檢測方法。

45、本技術提出了一種基于數(shù)據(jù)檢測系統(tǒng)的露天礦5g基站性能識別與評估方法。該方法首先獲取包含多個5g基站運行性能數(shù)據(jù)的露天礦5g基站性能數(shù)據(jù)集，確保評估的全面性。然后，通過對每個5g基站運行性能數(shù)據(jù)進行性能要素挖掘，得到基站運行性能要素矢量，從而精確識別出影響基站性能的關鍵因素。

46、進一步地，本技術依據(jù)每個5g基站運行性能數(shù)據(jù)的基站運行性能要素矢量生成5g基站運行性能矢量鏈，并將該鏈傳入性能推演要素挖掘算法。這種方法不僅考慮了單個基站的性能，還考慮了基站之間的相互影響以及性能隨時間的變化趨勢，使得性能評估更加連貫和動態(tài)。

47、在性能推演要素挖掘算法中，本技術利用前一個處理周期的性能熱力向量、當前處理周期的前一個基站運行性能要素矢量和當前基站運行性能要素矢量，集成當前處理周期的性能熱力向量。這種方法能夠高效地處理大量的性能數(shù)據(jù)，并在每個處理周期結束時輸出一個性能熱力向量，為實時性能評估提供了可能。

48、最后，當處理完所有基站的數(shù)據(jù)后，本技術將集成的最后一個處理周期的性能熱力向量確定為全局運行性能矢量，并據(jù)此確定性能質量檢測觀點。這種全局性的評估結果為管理者提供了全面的性能概覽和針對性的優(yōu)化建議，有助于指導礦區(qū)的通信網(wǎng)絡規(guī)劃和維護工作。

49、綜上所述，本技術旨在解決傳統(tǒng)基站性能評估方法存在的問題，通過提出一種基于數(shù)據(jù)檢測系統(tǒng)的露天礦5g基站性能識別與評估方法，為露天礦區(qū)的通信穩(wěn)定和數(shù)據(jù)傳輸效率提供有力保障。