买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安乾景防务技术有限公司

摘要：本发明涉及测试技术领域，特别是一种基于python的射频测试网络构建与评估方法及系统。获取射频测试网络的实时测试环境，根据实时测试环境确定出射频测试网络在实时测试环境条件之下工作时的各项标准性能参数；采集射频测试网络在预测试工作过程中的实际性能参数；对所采集到的实际性能参数进行聚类处理；根据各项实际性能参数与标准性能参数对射频测试网络进行评估，得到评估结果；若为第一评估结果，则基于Python脚本控制射频测试网络对测试目标进行实际测试工作；若为第二评估结果，说明射频测试网络的性能不合格，则对射频测试网络进行优化，实现了对测试网络的精确构建和评估，可以确保测试结果的准确性，从而提高射频网络的性能和可靠性。

主权项：1.一种基于python的射频测试网络构建与评估方法，其特征在于，包括以下步骤：确定测试目标、测试需求与测试硬件，根据所述测试目标、测试需求与测试硬件设计测试网络拓扑结构与信号路径；根据所述测试网络拓扑结构与信号路径搭建射频测试网络，并根据所述射频测试网络编写Python脚本；获取射频测试网络的实时测试环境，根据所述实时测试环境确定出射频测试网络在实时测试环境条件之下工作时的各项标准性能参数；基于所述Python脚本控制射频测试网络进行预测试工作，并采集射频测试网络在预测试工作过程中的实际性能参数；对所采集到的实际性能参数进行聚类处理，得到各项实际性能参数；根据各项实际性能参数与标准性能参数对射频测试网络进行评估，得到评估结果；若评估结果为第一评估结果，说明射频测试网络的性能合格，则基于所述Python脚本控制射频测试网络对测试目标进行实际测试工作；若评估结果为第二评估结果，说明射频测试网络的性能不合格，则对射频测试网络进行优化；优化完毕后，再基于所述Python脚本控制射频测试网络对测试目标进行实际测试工作；其中，对所采集到的实际性能参数进行聚类处理，得到各项实际性能参数，具体为：引入模糊聚类算法，并初始化若干个初始模糊聚类中心，以及将各实际性能参数均视为一个数据点；计算各数据点与各初始模糊聚类中心之间的切比雪夫距离，构建排序表，并将各数据点与各初始模糊聚类中心之间的切比雪夫距离导入所述排序表中进行大小排序，得到基于数值大小的排序结果；在所述排序结果中选取最小切比雪夫距离对应的初始模糊聚类中心作为相应数据点的隶属聚类中心，得到各数据点所属的隶属聚类中心；将各数据点分配至其所属的隶属聚类中心内，计算各数据点与其隶属聚类中心之间的隶属度，将各数据点与其隶属聚类中心之间的隶属度和预设隶属度阈值进行比较；若所有数据点与其隶属聚类中心之间的隶属度均大于预设隶属度阈值，则停止迭代，并获取各隶属聚类中心中的数据点，并根据各隶属聚类中心中的数据点输出聚类结果；若存在一个或多个数据点与其隶属聚类中心之间的隶属度不大于预设隶属度阈值的情况，则重新初始化所述初始模糊聚类中心，并根据重新初始化的初始模糊聚类中心进行重新迭代，直至所有数据点与其隶属聚类中心之间的隶属度均大于预设隶属度阈值，则停止迭代，并获取各隶属聚类中心中的数据点，并根据各隶属聚类中心中的数据点输出聚类结果；根据所述聚类结果得到各项实际性能参数；其中，若评估结果为第二评估结果，说明射频测试网络的性能不合格，则对射频测试网络进行优化，具体为：获取射频测试网络中所有测试硬件的功能要素，以及获取射频测试网络的异常性能参数；基于熵权法计算各测试硬件的功能要素与射频测试网络的异常性能参数之间的权重值，根据所述权重值确定出各测试硬件的功能要素与射频测试网络的异常性能参数之间的关联度；获取关联度大于预设关联度对应的测试硬件，定义为可疑测试硬件；并获取所述可疑测试硬件的实时运行数据；构建贝叶斯网络，并将可疑测试硬件的实时运行数据导入所述贝叶斯网络中进行诊断，得到可疑测试硬件的诊断结果；在所述诊断结果中获取可疑测试硬件的异常概率；获取异常概率大于预设异常概率的可疑测试硬件，定义为异常测试硬件；并在所述诊断结果获取异常测试硬件的异常类型；其中，构建贝叶斯网络，并将可疑测试硬件的实时运行数据导入所述贝叶斯网络中进行诊断，得到可疑测试硬件的诊断结果，具体为：基于大数据网络检索得到各测试硬件可能的异常类型，并定义影响各异常类型的特征变量；获取发生各种异常类型时所对应的特征数据，根据所述特征数据确定各特征变量之间的因果关系；根据各特征变量之间的因果关系构建贝叶斯网络，贝叶斯网络的节点代表特征变量，边代表特征变量之间的因果关系；为每个特征变量分配一个先验概率，即在没有任何信息的情况下该变量状态的概率；为贝叶斯网络的每个节点创建条件概率表，条件概率表表示在父节点状态下的条件概率；获取可疑测试硬件的实时运行数据，并将可疑测试硬件的实时运行数据导入所述贝叶斯网络中，使用贝叶斯定理更新网络中各个节点的后验概率；分别将各个节点的后验概率与预设概率阈值进行比较；获取后验概率大于预设概率阈值对应的节点，定义为关联节点；获取关联节点的后验概率，根据关联节点的后验概率确定出可疑测试硬件的异常概率，以及获取关联节点的节点位置，根据关联节点的节点位置确定出可疑测试硬件的异常类型；根据可疑测试硬件的异常概率与异常类型生成诊断结果；其中，根据各项实际性能参数与标准性能参数对射频测试网络进行评估，得到评估结果，具体为：分别计算各项实际性能参数与对应的标准性能参数之间的差值；以及提前预设各项性能参数的偏差阈值，将各项实际性能参数与对应的标准性能参数之间的差值和偏差阈值进行比较；若某一项实际性能参数与对应的标准性能参数之间的差值大于偏差阈值，则将该项实际性能参数标记为异常性能参数；若某一项实际性能参数与对应的标准性能参数之间的差值不大于偏差阈值，则将该项实际性能参数标记为正常性能参数；分析各项实际性能参数的状态情况；若各项实际性能参数均为正常性能参数，则生成第一评估结果；若存在至少一项实际性能参数均为异常性能参数的情况，则生成第二评估结果；还包括以下步骤：提前制定射频测试网络中各测试硬件发生各种异常类型时所对应的优化方案；构建数据库，并将提前制定好的射频测试网络中各测试硬件发生各种异常类型时所对应的优化方案导入所述数据库中，得到特性数据库；获取异常测试硬件的异常类型，根据异常测试硬件的异常类型在所述特性数据库匹配得到相应的优化方案；将所述优化方案发送至控制终端上，基于所述优化方案对射频测试网络进行优化调整；还包括以下步骤：根据所述测试网络拓扑结构与信号路径绘制射频测试网络在实时测试环境条件之下工作时的标准电磁分布图；在对射频测试网络进行预测试过程中，获取若干个预设位置节点的实际电磁强度值，并根据若干个预设位置节点的实际电磁强度值绘制射频测试网络的实际电磁分布图；基于余弦相似度算法计算所述实际电磁分布图与标准电磁分布图之间的余弦相似度；并将所述余弦相似度与预设余弦相似度阈值进行比较；若所述余弦相似度大于预设余弦相似度阈值，则说明测试环境中的电磁强度正常；若所述余弦相似度不大于预设余弦相似度阈值，则说明测试环境中的电磁强度异常，说明测试环境中存在信号干扰源；则将所述实际电磁分布图进行矩阵转换处理，得到第一灰度共生矩阵，以及将所述标准电磁分布图进行矩阵转换处理，得到第二灰度共生矩阵；将所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上的元素进行比较；若某一相同矩阵位置上的元素之间存在差异，则将与该位置相对应的位置标记为奇异点；获取由所有奇异点所连接而成的封闭区域，并将由所有奇异点所连接而成的封闭区域标记为信号干扰源位置；其中，将电磁分布图转化为灰度共生矩阵的步骤为：将电磁分布图中的每个像素点的电磁参数转换为0到255之间的灰度值以表示不同的灰度级别；为每个像素点选择一个角度θ和一个距离d，角度θ和距离d定义了共生矩阵中像素对的范围；角度θ在0°到180°之间，距离d根据图像的特性和所需的分辨率来选择；对于每个像素点，根据选定的角度θ和距离d，找到其对应的共生像素点，然后计算原始像素点和共生像素点的灰度值之间的共生关系，并根据原始像素点和共生像素点的灰度值之间的共生关系生成灰度共生矩阵；还包括以下步骤：获取射频测试网络中的异常测试硬件以及异常测试硬件的异常类型；引入故障树分析算法，并将射频测试网络中的异常测试硬件定义为顶事件，以及将射频测试网络中其余测试硬件定义为子事件，根据所述顶事件与子事件构建故障树；根据异常测试硬件的异常类型，使用布尔逻辑从故障树中的顶事件开始逐步向下分析顶事件与各子事件之间的关联概率；将关联概率大于预设关联概率的子事件定义为关联性测试硬件，并将所有关联性测试硬件标记为可疑测试硬件。

全文数据：

权利要求：

百度查询： 西安乾景防务技术有限公司 一种基于python的射频测试网络构建与评估方法及系统