网络自动切换的电子设备及其操作方法

技术领域

本申请涉及智能网络切换的领域，且更为具体地，涉及一种网络自动切换的电子设备、网络自动切换的电子设备的操作方法。

背景技术

网络由多个节点和连接这些节点的链路组成，表示许多对象及其相互联系。其会借助文本阅读、图片观看、视频播放、下载传输、游戏、聊天等软件工具，将从文字、图片、声音、视频等方面给人们带来极其丰富的生活和美好的享受。例如，当移动用户处于呼叫状态时，如果用户从一个小区移动到另一个小区，为了保证呼叫的连续性，系统需要将移动台的连接控制从一个小区移动到另一个小区。这种将处于呼叫状态的移动台转移到新业务信道的过程称为“切换”。

随着能够连接多种网络的电子设备的数目增多，如何在能够连接的多种网络之间进行网络切换，从而提高通信质量便是值得研究的问题。

目前，大多数的网络自动切换方法都是简单地基于网络下的信号强度进行切换，这里，信号强度基本上仅与发射基站的发射功率相关，这并没有能够考虑其它更加复杂的网络环境因素。并且由于发射基站的网络环境因素本身比较难以获取，这样就会导致电子设备切换后的网络效果和通信质量较差，从而影响用户的使用体验。

因此，期待一种能够自动切换网络的电子设备。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种网络自动切换的电子设备、网络自动切换的电子设备的操作方法，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本申请中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。

根据本申请的一个方面，提供了一种网络自动切换的电子设备，其包括：

训练模块，包括：

训练数据单元，用于获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

编码单元，用于将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；

下行参数计算单元，用于计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；

调整单元，用于以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；

分类损失函数值计算单元，用于将所述训练分类特征向量输入分类器以获得分类损失函数值；

第一交叉熵损失函数值计算单元，用于使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；

训练单元，用于基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练；以及

预测模块，包括：

待处理数据获取单元，用于获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

功率特征向量生成单元，用于将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；

下行参数确定单元，用于计算所述发射基站与各个所述终端设备之间的下行参数；

分类特征向量生成单元，用于以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及

分类结果生成单元，用于将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

在上述网络自动切换的电子设备中，所述下行参数计算单元，进一步用于：以如下公式计算所述发射基站与各个所述终端设备之间的下行参数；其中，所述公式为：

其中，W

在上述网络自动切换的电子设备中，所述小规模衰减效应参数包括路径损失和遮挡损失，且所述小规模衰减功率分量与所述发射基站的发射频率有关。

在上述网络自动切换的电子设备中，所述分类损失函数值计算单元，进一步用于：将所述训练分类特征向量输入Softmax分类函数以获得分类结果，以及，计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。

在上述网络自动切换的电子设备中，所述训练模块，还包括：第二交叉熵损失函数值计算单元，用于使用待切换网络的电子设备的当前接收功率值作为标签值并计算其与所述分类特征向量之间的第二交叉熵损失函数值。

在上述网络自动切换的电子设备中，所述训练单元，进一步用于：基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。

在上述网络自动切换的电子设备中，所述深度神经网络为深度全连接网络。

根据本申请的另一方面，提供了一种网络自动切换的电子设备的操作方法，其包括：

训练阶段，包括：

获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；

计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；

以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；

将所述训练分类特征向量输入分类器以获得分类损失函数值；

使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；

基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练；以及

预测阶段，包括：

获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；

将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；

计算所述发射基站与各个所述终端设备之间的下行参数；

以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及

将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

与现有技术相比，本申请提供的网络自动切换的电子设备、网络自动切换的电子设备的操作方法，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本申请中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的网络自动切换的电子设备的应用场景图。

图2为根据本申请实施例的网络自动切换的电子设备的框图。

图3为根据本申请实施例的网络自动切换的电子设备的操作方法的流程图。

图4为根据本申请实施例的网络自动切换的电子设备中训练模块的操作方法的架构示意图。

图5为根据本申请实施例的网络自动切换的电子设备中预测模块的操作方法的架构示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，网络由多个节点和连接这些节点的链路组成，表示许多对象及其相互联系。其会借助文本阅读、图片观看、视频播放、下载传输、游戏、聊天等软件工具，将从文字、图片、声音、视频等方面给人们带来极其丰富的生活和美好的享受。例如，当移动用户处于呼叫状态时，如果用户从一个小区移动到另一个小区，为了保证呼叫的连续性，系统需要将移动台的连接控制从一个小区移动到另一个小区。这种将处于呼叫状态的移动台转移到新业务信道的过程称为“切换”。

随着能够连接多种网络的电子设备的数目增多，如何在能够连接的多种网络之间进行网络切换，从而提高通信质量便是值得研究的问题。

目前，大多数的网络自动切换方法都是简单地基于网络下的信号强度进行切换，这里，信号强度基本上仅与发射基站的发射功率相关，这并没有能够考虑其它更加复杂的网络环境因素。并且由于发射基站的网络环境因素本身比较难以获取，这样就会导致电子设备切换后的网络效果和通信质量较差，从而影响用户的使用体验。因此，期待一种能够自动切换网络的电子设备。

基于此，本申请人考虑到，由于发射基站的网络环境因素本身比较难以获取，因此可以从其它间接数据，比如该发射基站所覆盖的区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，从而对于是否切换到该网络进行判断。

具体地，在本申请的技术方案中，首先获取属于待切换到的网络的发射基站所连接的所有终端设备的网络信号数据，比如终端设备通过上行信令通知给发射基站的接收功率，然后将该接收功率排列为输入向量之后输入深度神经网络以获得功率特征向量，以挖掘出各个接收功率的高维特征，这里，功率特征向量的长度与输入向量相等。

这里，考虑到功率特征向量并没有能够体现出各个终端设备与发射基站之间的信号传输的物理性质，因此利用下行信号的物理模型对功率特征向量进行进一步的修整，该下行信号的物理模型得到的下行参数表示为：

其中，W

这样，将该下行参数对功率特征向量的每个位置的特征值加权，以得到分类特征向量，然后将分类特征向量输入分类器，就可以得到是否切换到该发射基站所属的网络的分类结果。这里，在深度神经网络和分类器的训练过程中，除分类损失函数值之后，还使用发射基站的发射功率作为标签值，计算其与分类特征向量之间的第一交叉熵损失函数值，并与分类损失函数值加权后进行训练。

基于此，本申请提出了一种网络自动切换的电子设备，其包括训练模块和预测模块。其中，训练模块，包括：训练数据单元，用于获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；编码单元，用于将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；下行参数计算单元，用于计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；调整单元，用于以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；分类损失函数值计算单元，用于将所述训练分类特征向量输入分类器以获得分类损失函数值；第一交叉熵损失函数值计算单元，用于使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；以及，训练单元，用于基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。其中，预测模块，包括：待处理数据获取单元，用于获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；功率特征向量生成单元，用于将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；下行参数确定单元，用于计算所述发射基站与各个所述终端设备之间的下行参数；分类特征向量生成单元，用于以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及，分类结果生成单元，用于将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

图1图示了根据本申请实施例的网络自动切换的电子设备的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，获取属于待切换到的网络的发射基站(例如，如图1中所示意的T)所连接的所有终端设备(例如，如图1中所示意的C)的网络信号数据，应可以理解，在本申请的一个具体示例中，所述网络信号数据可以为终端设备通过上行信令通知给发射基站的接收功率，当然，在其他示例中，所述网络信号数据还可以为频率、波长等数据的结合等，对此并不为本申请所局限。然后，将所述获得的终端设备的网络信号数据输入至部署有网络自动切换算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够用于网络自动切换算法以所述获得的终端设备的网络信号数据对网络自动切换的卷积神经网络进行训练。

在训练完成后，在预测模块中，首先，获取属于待切换到的网络的发射基站(例如，如图1中所示意的T)所连接的所有终端设备(例如，如图1中所示意的C)的网络信号数据；然后，将所述获得的终端设备的网络信号数据输入部署有网络自动切换算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以网络自动切换算法对所述获得的终端设备的网络信号数据进行处理，以生成用于表示是否切换到所述发射基站所属的网络的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的网络自动切换的电子设备的框图。如图2所示，根据本申请实施例的网络自动切换的电子设备200，包括：训练模块210和预测模块220。其中，训练模块210，包括：训练数据单元211，用于获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；编码单元212，用于将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；下行参数计算单元213，用于计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；调整单元214，用于以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；分类损失函数值计算单元215，用于将所述训练分类特征向量输入分类器以获得分类损失函数值；第一交叉熵损失函数值计算单元216，用于使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；以及，训练单元217，用于基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。其中，预测模块220，包括：待处理数据获取单元221，用于获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；功率特征向量生成单元222，用于将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；下行参数确定单元223，用于计算所述发射基站与各个所述终端设备之间的下行参数；分类特征向量生成单元224，用于以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及，分类结果生成单元225，用于将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

具体地，在本申请实施例中，在训练模块210中，所述训练数据单元211，用于获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率。应可以理解，由于发射基站的网络环境因素本身比较难以获取，因此，在本申请的技术方案中，选择从其它间接数据，比如该发射基站所覆盖的区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，从而对于是否切换到该网络进行判断。也就是，获取属于待切换到的网络的发射基站所连接的所有终端设备的网络信号数据，在本申请的一个具体示例中，所述网络信号数据可以为终端设备通过上行信令通知给发射基站的接收功率，当然，在其他示例中，所述网络信号数据还可以为频率、波长等数据的结合等，对此并不为本申请所局限。

具体地，在本申请实施例中，在训练模块210中，所述编码单元212，用于将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等。也就是，首先，将所述属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率排列为训练输入向量；然后，再以所述深度神经网络对所述训练输入向量进行处理，以提取出所述训练输入向量中的局部特征在高维空间中的特征分布表示，从而得到训练功率特征向量。这里，所述功率特征向量的长度与所述输入向量相等。

更具体地，在本申请实施例中，所述深度神经网络为深度全连接网络，例如，多层感知机模型。本领域普通技术人员应知晓，多层感知机模型其能够充分地利用输入向量中各个位置的信息和各个位置之间的关联信息，以提取出能够表达各个接收功率的高维特征。

具体地，在本申请实施例中，在训练模块210中，所述下行参数计算单元213和所述调整单元214，用于计算所述发射基站与各个所述终端设备之间的下行参数，并以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量。应可以理解，考虑到功率特征向量并没有能够体现出各个终端设备与发射基站之间的信号传输的物理性质，也就是，当各个终端设备与发射基站之间进行信号传输时难免会有损耗，并且这些损耗在不同的终端设备和发射基站传输之间各不相同。因此，在本申请的技术方案中，利用下行信号的物理模型对所述训练功率特征向量进行进一步的修整，以融合了这些不同损耗在不同终端设备中对于传输功率的影响，以使得对于电子设备是否切换到该网络进行更加准确地判断。这里，所述训练分类特征向量表示多个终端设备的传输功率特征向量与各个对应的所述终端设备的传输损耗进行融合关联。

更具体地，在本申请的一个示例中，所述下行参数计算单元213，进一步用于：以如下公式计算所述发射基站与各个所述终端设备之间的下行参数；其中，所述公式为：

其中，W

具体地，在本申请实施例中，在训练模块210中，所述分类损失函数值计算单元215，用于将所述训练分类特征向量输入分类器以获得分类损失函数值。在本申请的一个具体示例中，所述分类损失函数值计算单元，进一步用于：将所述训练分类特征向量输入Softmax分类函数以获得分类结果。也就是，首先，将所述训练分类特征向量输入Softmax分类函数以获得所述训练分类特征向量归属于分类标签的概率值，具体地，将所述分类特征向量输入Softmax分类函数以获得电子设备切换到该发射基站所属的网络的第一概率和电子设备不切换到该发射基站所属的网络的第二概率；接着，再基于第一概率和第二概率的比较，确定所述分类结果，具体地，当所述第一概率大于第二概率时，所述分类结果为电子设备切换到该发射基站所属的网络，当第一概率小于第二概率时，所述分类结果为电子设备不切换到该发射基站所属的网络。最后，计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。

具体地，在本申请实施例中，在训练模块210中，第一交叉熵损失函数值计算单元216和训练单元217，用于使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值，并基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。也就是，在本申请的技术方案中，在进行深度神经网络和分类器的训练过程中，除所述分类损失函数值之外，还使用发射基站的发射功率作为标签值，计算其与分类特征向量之间的第一交叉熵损失函数值，并与分类损失函数值加权后进行训练。

值得一提的是，不仅如此，在本申请的一个具体示例中，所述训练模块210，还包括：第二交叉熵损失函数值计算单元，用于使用待切换网络的电子设备的当前接收功率值作为标签值并计算其与所述分类特征向量之间的第二交叉熵损失函数值。并且基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。这样，就会使得所得到的最终的分类结果融合了发射基站的发射功率、电子设备当前的接收功率、传输功率损耗以及传输功率特征向量之间的关联性特征，从而可以使得所获得的用于表示是否切换到所述发射基站所属的网络的分类结果更加准确。

具体地，在本申请实施例中，在预测模块220中，所述待处理数据获取单元221，用于获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率。也就是，获取属于待切换到的网络的发射基站所连接的所有终端设备的网络信号数据，在本申请的一个具体示例中，所述网络信号数据可以为终端设备通过上行信令通知给发射基站的接收功率，当然，在其他示例中，所述网络信号数据还可以为频率、波长等数据的结合等，对此并不为本申请所局限。

具体地，在本申请实施例中，在预测模块220中，所述功率特征向量生成单元222，用于将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量。也就是，首先，将所述属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率排列为输入向量；然后，再以经训练模块训练完成的所述深度神经网络对所述输入向量进行处理，以提取出所述输入向量中的局部特征在高维空间中的特征分布表示，从而得到功率特征向量。这里，所述功率特征向量的长度与所述输入向量相等。

具体地，在本申请实施例中，在预测模块220中，所述下行参数确定单元223和所述分类特征向量生成单元224，用于计算所述发射基站与各个所述终端设备之间的下行参数，并且以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量。也就是，考虑到各个终端设备与发射基站之间进行信号传输时难免会有损耗，并且这些损耗在不同的终端设备和发射基站传输之间各不相同。因此，在本申请的技术方案中，利用下行信号的物理模型对所述功率特征向量进行进一步的修整，以融合了这些不同损耗在不同终端设备中对于传输功率的影响，以使得对于电子设备是否切换到该网络进行更加准确地判断。

具体地，在本申请实施例中，在预测模块220中，所述分类结果生成单元225，用于将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。也就是，首先，将所述训练分类特征向量输入Softmax分类函数以获得所述训练分类特征向量归属于分类标签的概率值，具体地，将所述分类特征向量输入Softmax分类函数以获得电子设备切换到该发射基站所属的网络的第一概率和电子设备不切换到该发射基站所属的网络的第二概率；接着，再基于第一概率和第二概率的比较，确定所述分类结果，具体地，当所述第一概率大于第二概率时，所述分类结果为电子设备切换到该发射基站所属的网络，当第一概率小于第二概率时，所述分类结果为电子设备不切换到该发射基站所属的网络。

综上，基于本申请实施例的所述网络自动切换的电子设备200被阐明，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本申请中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。

如上所述，根据本申请实施例的网络自动切换的电子设备200可以实现在各种终端设备中，例如网络自动切换算法的服务器等。在一个示例中，根据本申请实施例的网络自动切换的电子设备200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该网络自动切换的电子设备200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该网络自动切换的电子设备200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该网络自动切换的电子设备200与该终端设备也可以是分立的设备，并且该网络自动切换的电子设备200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图3图示了根据本申请实施例的网络自动切换的电子设备的操作方法的流程图。如图3所示，根据本申请实施例的网络自动切换的电子设备的操作方法，包括训练阶段和预测阶段。其中，训练阶段，包括步骤：S110，获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；S120，将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等；S130，计算所述发射基站与各个所述终端设备之间的下行参数，其中，所述下行参数基于所述终端设备的下行带宽、所述发射基站的发射功率、所述终端设备的接收功率、所述终端设备到所述发射基站的距离、所述发射基站到所述终端设备的小规模衰减效应参数和所述发射基站到所述终端设备的小规模衰减功率分量确定；S140，以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量；S150，将所述训练分类特征向量输入分类器以获得分类损失函数值；S160，使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值；以及，S170，基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。其中，预测阶段，包括步骤：S210，获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；S220，将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；S230，计算所述发射基站与各个所述终端设备之间的下行参数；S240，以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；以及，S250，将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

图4图示了根据本申请实施例的网络自动切换的电子设备中训练模块的操作方法的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获取的属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率作为所述训练数据(例如，如图4中所示意的IN1)排列为训练输入向量(例如，如图4中所示意的VIT)后通过深度神经网络(例如，如图4中所示意的DNN1)以获得训练功率特征向量(例如，如图4中所示意的EPT)；接着，计算所述发射基站与各个所述终端设备之间的下行参数(例如，如图4中所示意的DP)；然后，以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量(例如，如图4中所示意的FCT)；接着，将所述训练分类特征向量输入分类器(例如，如图4中所示意的分类器)以获得分类损失函数值(例如，如图4中所示意的VC)；然后，使用所述发射基站的发射功率(例如，如图4中所示意的P)作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值(例如，如图4中所示意的CE1)；以及，最后，基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。

图5图示了根据本申请实施例的网络自动切换的电子设备中预测模块的操作方法的架构示意图。如图5所示，在预测阶段中，在该网络架构中，首先，将所述获得的属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率(例如，如图5中所示意的IN)排列为输入向量(例如，如图5中所示意的VI)后通过经训练模块训练完成的所述深度神经网络(例如，如图5中所示意的DNN2)以获得功率特征向量(例如，如图5中所示意的EP)；接着，计算所述发射基站与各个所述终端设备之间的下行参数(例如，如图5中所示意的D)；然后，以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量(例如，如图5中所示意的FC)；以及，最后，将所述训练分类特征向量输入分类器(例如，如图5中所示意的分类器)以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

更具体地，在训练阶段中，在步骤S110和步骤S120中，获取训练数据，所述训练数据为属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率，并将所述训练数据排列为训练输入向量后通过深度神经网络以获得训练功率特征向量，其中，所述训练功率特征向量与所述训练输入向量的长度相等。应可以理解，由于发射基站的网络环境因素本身比较难以获取，因此，在本申请的技术方案中，选择从其它间接数据，比如该发射基站所覆盖的区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，从而对于是否切换到该网络进行判断。

更具体地，在训练阶段中，在步骤S130和步骤S140中，计算所述发射基站与各个所述终端设备之间的下行参数，并以所述下行参数对所述训练功率特征向量的每个位置的特征值进行加权以获得训练分类特征向量。也就是，考虑到当各个终端设备与发射基站之间进行信号传输时难免会有损耗，并且这些损耗在不同的终端设备和发射基站传输之间各不相同。因此，在本申请的技术方案中，利用下行信号的物理模型对所述训练功率特征向量进行进一步的修整，以融合了这些不同损耗在不同终端设备中对于传输功率的影响，以使得对于电子设备是否切换到该网络进行更加准确地判断。

更具体地，在训练阶段中，在步骤S150中，将所述训练分类特征向量输入分类器以获得分类损失函数值。也就是，首先，将所述训练分类特征向量输入Softmax分类函数以获得分类结果，然后，再计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。

更具体地，在训练阶段中，在步骤S160和S170中，使用所述发射基站的发射功率作为标签值并计算其与所述分类特征向量之间的第一交叉熵损失函数值，并基于所述第一交叉熵损失函数值和所述分类损失函数值的加权和，对所述深度神经网络进行训练。也就是，在本申请的技术方案中，在进行深度神经网络和分类器的训练过程中，除所述分类损失函数值之外，还使用发射基站的发射功率作为标签值，计算其与分类特征向量之间的第一交叉熵损失函数值，并与分类损失函数值加权后进行训练。

更具体地，在预测阶段中，首先，获取属于待切换的网络的发射基站所连接的所有终端设备通过上行信令通知给所述发射基站的接收功率；接着，将所述接收功率排列为输入向量后通过经训练模块训练完成的所述深度神经网络以获得功率特征向量；然后，计算所述发射基站与各个所述终端设备之间的下行参数；接着，以所述下行参数对所述功率特征向量的每个位置的特征值进行加权以获得分类特征向量；最后，将所述训练分类特征向量输入分类器以获得分类结果，其中，所述分类结果用于表示是否切换到所述发射基站所属的网络。

综上，基于本申请实施例的所述网络自动切换的电子设备的操作方法被阐明，其考虑到发射基站的网络环境因素本身比较难以获取，因此，在本申请中采用基于深度学习技术的深度卷积神经网络模型来挖掘出各个接收功率的高维特征，从而可以从该发射基站所覆盖区域内的其它电子设备的信号状况来推断出该发射基站的网络环境的状况，以对于是否切换到该网络进行判断。通过这样的方式，可以使得电子设备能够在多种网络之间进行智能的切换，以提高通信的质量。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。