本技术涉及数据处理，尤其涉及一种设备分类模型的训练方法、装置、设备、存储介质及产品。
背景技术：
1、窄带物联网(narrow band internet of things，nb-iot)是物联网技术中的一个重要分支，其支持低功耗设备在广域网的蜂窝数据连接，能够满足待机时间长、对网络连接要求较高设备的高效连接需求。在nb-iot网络中，由于网络环境的变化和设备状态的变化较为频繁，因此通常会应用动态频点选择技术，根据网络环境和设备状态实时调整频点的选择策略，进行小区的调整。
2、目前，在nb-iot网络的小区选择中，现有技术中的小区选择基于频点评估结果，而如果频点评估存在偏差或不准确，就可能导致小区选择结果的不稳定或不可靠。但是频点评估可能受到多种因素的影响，例如信号强度、干扰水平和设备性能等，可能会频繁发生变化。现有的方法只关注了短期内的小区选择优化效果，难以对网络长期使用的稳定性进行评估。
技术实现思路
1、本技术实施例提供一种设备分类模型的训练方法、装置、设备、存储介质及产品，能够对网络长期使用的稳定性进行评估。
2、第一方面，本技术提供一种设备分类模型的训练方法，包括：
3、获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括设备特征信息和所述设备特征信息对应的设备分类；
4、初始化预设粒子群，所述粒子的位置代表预设的设备分类支持向量机模型可能的超参数值；
5、针对每个训练样本，分别执行以下步骤：将所述设备特征信息输入至设备分类支持向量机模型中，按照各粒子位置对应的设备分类支持向量机模型超参数值，得到所述设备特征信息对应的设备分类的预测结果；
6、根据各个所述训练样本的所述预测结果，确定所述设备分类支持向量机模型的损失函数值；
7、基于预设适应度函数，按照各粒子对应的损失函数值计算各粒子的适应度值；
8、基于所述适应度值最大的粒子的位置，确定总群体最优位置；
9、在所述总群体最优位置满足预设终止条件的情况下，将所述总群体最优位置对应的超参数值作为预设的设备分类支持向量机模型的超参数值。
10、在一些可能的实现方式中，所述方法还包括：
11、在所述总群体最优位置不满足预设终止条件的情况下，根据所述总群体最优位置以及每个粒子对应的所述个体最优位置，更新各个粒子的当前位置并计算各粒子的适应度值以确定总群体最优位置，并返回所述将所述设备特征信息输入至设备分类支持向量机模型中，直至满足所述预设训练停止条件，得到训练后的设备分类支持向量机模型。
12、在一些可能的实现方式中，所述粒子群中的粒子均匀分配在膜结构的各个所述基本膜中，所述基于所述适应度值最大的粒子的位置，确定总群体最优位置，包括：
13、将各个粒子的适应度值与历史适应度值进行比较，确定每个粒子对应的个体最优位置；
14、根据各个基本膜中每个粒子对应的所述个体最优位置，确定各个所述基本膜对应的群体最优位置；
15、基于适应度值最大的所述群体最优位置，确定总群体最优位置。
16、在一些可能的实现方式中，所述根据所述总群体最优位置以及每个粒子对应的所述个体最优位置，更新各个粒子的当前位置并计算各粒子的适应度值以确定总群体最优位置，并返回所述将所述设备特征信息输入至设备分类支持向量机模型中，直至满足所述预设训练停止条件，得到训练后的设备分类支持向量机模型，包括：
17、根据当前的迭代次数减小每个粒子对应的惯性权重；
18、使用预设粒子速度更新公式，根据所述惯性权重、所述总群体最优位置以及每个粒子对应的所述个体最优位置，更新各个粒子的速度；
19、根据更新后的各个粒子的速度，更新各个粒子的当前位置并计算各粒子的适应度值以确定总群体最优位置，直至满足所述预设终止条件。
20、在一些可能的实现方式中，在所述总群体最优位置满足预设终止条件的情况下，将所述总群体最优位置对应的超参数值作为预设的设备分类支持向量机模型的超参数值之后，所述方法还包括：
21、获取目标设备的设备特征信息；
22、基于训练后的设备分类支持向量机模型，根据所述目标设备的设备特征信息对所述目标设备进行分类，得到所述目标设备的分类结果；
23、根据所述分类结果和当前网络环境特征，为所述目标设备分配对应的频点。
24、在一些可能的实现方式中，在所述根据所述分类结果和当前网络环境特征，为所述目标设备分配对应的频点之后，所述方法还包括：
25、监测所述目标设备的设备状态和当前网络环境特征；
26、根据所述设备状态和所述当前网络环境特征对所述目标设备当前连接的频点进行性能评估；
27、在所述性能评估的结果不满足预设条件的情况下，为所述目标设备分配候选频点。
28、在一些可能的实现方式中，在所述根据所述分类结果和当前网络环境特征，为所述目标设备分配对应的频点之后，所述方法还包括：
29、收集所述目标设备的反馈数据，所述反馈数据包括目标设备基于分配的所述频点运行的过程中产生的信息；
30、将所述反馈数据与所述目标设备的历史数据进行对比，得到优化策略；
31、基于所述优化策略，对所述训练后的设备分类支持向量机模型进行优化。
32、在一些可能的实现方式中，在所述获取训练样本集之前，所述方法还包括：
33、收集多个设备在不同场景下的历史频点数据、历史网络信息以及设备对应的设备分类；
34、对所述历史频点数据和所述历史网络信息进行数据清洗；
35、对清洗后的所述历史频点数据和所述历史网络信息进行特征提取，得到设备特征信息。
36、组合所述设备特征信息与所述设备分类，得到训练样本集。
37、第二方面，本技术还提供一种设备分类模型的训练装置，所述装置包括：
38、获取模块，用于获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括设备特征信息和所述设备特征信息对应的设备分类；
39、初始模块，用于初始化预设粒子群，所述粒子的位置代表预设的设备分类支持向量机模型可能的超参数值；
40、输入模块，用于将所述设备特征信息输入至设备分类支持向量机模型中，按照各粒子位置对应的设备分类支持向量机模型超参数值，得到所述设备特征信息对应的设备分类的预测结果；
41、确定模块，用于根据各个所述训练样本的所述预测结果，确定所述设备分类支持向量机模型的损失函数值；
42、计算模块，用于基于预设适应度函数，按照各粒子对应的损失函数值计算各粒子的适应度值；
43、确定模块，还用于基于所述适应度值最大的粒子的位置，确定总群体最优位置；
44、终止模块，用于在所述总群体最优位置满足预设终止条件的情况下，将所述总群体最优位置对应的超参数值作为预设的设备分类支持向量机模型的超参数值。
45、第三方面，本技术提供一种设备分类模型的训练设备，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如上文描述的设备分类模型的训练方法。
46、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上文描述的设备分类模型的训练方法。
47、第五方面，本技术提供一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如上文描述的设备分类模型的训练方法。
48、本技术实施例提供的设备分类模型的训练方法、装置、设备、存储介质及产品，利用粒子群优化算法来优化预设的设备分类支持向量机模型的超参数值，之后通过模型训练，得到训练后的设备分类支持向量机模型。本技术实施例将svm模型的预测准确性作为适应度函数，来进行粒子群优化算法的迭代，通过粒子群优化算法的结果对设备分类支持向量机模型超参数的优化，能够建立更加精确的svm模型，从而可以对网络长期使用的稳定性进行评估。
1.一种设备分类模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的设备分类模型的训练方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的设备分类模型的训练方法，其特征在于，所述粒子群中的粒子均匀分配在膜结构的各个基本膜中，所述基于所述适应度值最大的粒子的位置，确定总群体最优位置，包括：
4.根据权利要求2所述的设备分类模型的训练方法，其特征在于，所述根据所述总群体最优位置以及每个粒子对应的所述个体最优位置，更新各个粒子的当前位置并计算各粒子的适应度值以确定总群体最优位置，并返回所述将所述设备特征信息输入至设备分类支持向量机模型中，直至满足所述预设训练停止条件，得到训练后的设备分类支持向量机模型，包括：
5.根据权利要求1所述的设备分类模型的训练方法，其特征在于，在所述总群体最优位置满足预设终止条件的情况下，将所述总群体最优位置对应的超参数值作为预设的设备分类支持向量机模型的超参数值之后，所述方法还包括：
6.根据权利要求5所述的设备分类模型的训练方法，其特征在于，在所述根据所述分类结果和当前网络环境特征，为所述目标设备分配对应的频点之后，所述方法还包括：
7.根据权利要求5所述的设备分类模型的训练方法，其特征在于，在所述根据所述分类结果和当前网络环境特征，为所述目标设备分配对应的频点之后，所述方法还包括：
8.根据权利要求1至7任一项所述的设备分类模型的训练方法，其特征在于，在所述获取训练样本集之前，所述方法还包括：
9.一种设备分类模型的训练装置，其特征在于，所述装置包括：
10.一种设备分类模型的训练设备，其特征在于，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-8任意一项所述的设备分类模型的训练方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的设备分类模型的训练方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-8任意一项所述的设备分类模型的训练方法。
