本发明涉及物联网，尤其涉及一种物联网模组的射频性能预测方法、装置、计算机可读存储介质及终端设备。
背景技术：
1、当前，物联网行业作为新兴产业，正处于飞速发展的时期。作为物联网行业的终端产品，物联网模组承载了核心的数据通讯业务，而物联网模组的射频性能很大程度上决定了物联网模组的通讯功能的强弱，因此有必要对物联网模组的射频性能进行长期关注，才能保障物联网业务的持续稳定。
2、传统方法主要通过统计试验的方式对物联网模组的射频性能进行预测，这种方法存在预测精度不高、计算速度慢的问题，并且由于物联网模组的使用场景复杂，温度、湿度、信号质量等外部环境条件差距大，使用传统的方法难以涵盖各种不同的外部条件，缺少针对模组在不同外部条件下的射频性能的相关研究，导致预测方法的适用范围小。
技术实现思路
1、本发明实施例的目的在于，提供一种物联网模组的射频性能预测方法、装置、计算机可读存储介质及终端设备，能够利用深度学习技术预测物联网模组的射频性能，相比于统计试验方法，具有预测精度高、计算速度快、适用范围广的特点。
2、为了实现上述目的，本发明实施例提供了一种物联网模组的射频性能预测方法，包括：
3、获取待预测的物联网模组的历史数据；其中，所述历史数据包括射频部件数据、射频性能数据和环境数据；
4、对所述历史数据进行预处理，获得处理后的历史数据；
5、将所述处理后的历史数据输入射频性能预测模型中进行处理，获得所述待预测的物联网模组的射频性能预测结果。
6、进一步地，所述射频部件数据包括射频开关厂商、滤波器厂商和放大器厂商，所述射频性能数据包括连接功率、连接时间、频率误差、灵敏度和误差向量幅度，所述环境数据包括环境温度、环境湿度、使用时长和信号质量；
7、所述处理后的历史数据包括处理后的射频部件数据、处理后的射频性能数据和处理后的环境数据，所述处理后的射频部件数据包括射频开关厂商、滤波器厂商和放大器厂商对应的处理后的数据，所述处理后的射频性能数据包括连接功率、连接时间和频率误差对应的处理后的数据，所述处理后的环境数据包括环境温度、使用时长和信号质量对应的处理后的数据。
8、进一步地，所述对所述历史数据进行预处理，获得处理后的历史数据，具体包括：
9、对所述历史数据中的异常值和缺失值进行删除处理，获得第一历史数据；
10、对所述第一历史数据进行归一化处理，获得第二历史数据；
11、对所述第二历史数据进行特征筛选处理，获得处理后的历史数据。
12、进一步地，所述对所述第一历史数据进行归一化处理，具体包括：
13、针对所述第一历史数据中的文本类数据，进行one-hot编码处理；
14、针对所述第一历史数据中的数值类数据，进行零-均值归一化处理。
15、进一步地，所述对所述第二历史数据进行特征筛选处理，具体包括：
16、针对所述第二历史数据中的数值类数据，计算数值类数据之间的方差膨胀系数，筛选出方差膨胀系数小于预设阈值的数值类数据。
17、进一步地，所述射频性能预测模型通过以下步骤训练获得：
18、获取多个物联网模组样本的样本数据；其中，所述样本数据包括每一个物联网模组样本的射频部件数据、射频性能数据和环境数据；
19、对所述样本数据进行预处理，获得处理后的样本数据；
20、构建全连接神经网络模型，并设置激活函数、模型初始权重和损失函数；其中，所述全连接神经网络模型包括输入层、隐藏层和输出层；
21、根据所述处理后的样本数据对所述全连接神经网络模型进行训练和验证，获得所述射频性能预测模型。
22、进一步地，所述激活函数为relu激活函数，所述模型初始权重利用正态分布函数进行随机初始化获得，所述损失函数为huber loss损失函数。
23、为了实现上述目的，本发明实施例还提供了一种物联网模组的射频性能预测装置，用于实现上述任一项所述的物联网模组的射频性能预测方法，所述装置包括：
24、数据获取模块，用于获取待预测的物联网模组的历史数据；其中，所述历史数据包括射频部件数据、射频性能数据和环境数据；
25、数据预处理模块，用于对所述历史数据进行预处理，获得处理后的历史数据；
26、射频性能预测模块，用于将所述处理后的历史数据输入射频性能预测模型中进行处理，获得所述待预测的物联网模组的射频性能预测结果。
27、本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的物联网模组的射频性能预测方法。
28、本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的物联网模组的射频性能预测方法。
29、与现有技术相比，本发明实施例提供了一种物联网模组的射频性能预测方法、装置、计算机可读存储介质及终端设备，先获取待预测的物联网模组的历史数据，历史数据包括射频部件数据、射频性能数据和环境数据，并对历史数据进行预处理，获得处理后的历史数据，再将处理后的历史数据输入射频性能预测模型中进行处理，获得待预测的物联网模组的射频性能预测结果，从而能够利用深度学习技术预测物联网模组的射频性能，相比于统计试验方法，具有预测精度高、计算速度快、适用范围广的特点。
1.一种物联网模组的射频性能预测方法，其特征在于，包括：
2.如权利要求1所述的物联网模组的射频性能预测方法，其特征在于，所述射频部件数据包括射频开关厂商、滤波器厂商和放大器厂商，所述射频性能数据包括连接功率、连接时间、频率误差、灵敏度和误差向量幅度，所述环境数据包括环境温度、环境湿度、使用时长和信号质量；
3.如权利要求1所述的物联网模组的射频性能预测方法，其特征在于，所述对所述历史数据进行预处理，获得处理后的历史数据，具体包括：
4.如权利要求3所述的物联网模组的射频性能预测方法，其特征在于，所述对所述第一历史数据进行归一化处理，具体包括：
5.如权利要求3所述的物联网模组的射频性能预测方法，其特征在于，所述对所述第二历史数据进行特征筛选处理，具体包括：
6.如权利要求1所述的物联网模组的射频性能预测方法，其特征在于，所述射频性能预测模型通过以下步骤训练获得：
7.如权利要求6所述的物联网模组的射频性能预测方法，其特征在于，所述激活函数为relu激活函数，所述模型初始权重利用正态分布函数进行随机初始化获得，所述损失函数为huber loss损失函数。
8.一种物联网模组的射频性能预测装置，其特征在于，用于实现如权利要求1～7中任一项所述的物联网模组的射频性能预测方法，所述装置包括：
9.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～7中任一项所述的物联网模组的射频性能预测方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～7中任一项所述的物联网模组的射频性能预测方法。
