无线网络接入系统及其操作方法与流程

1.本技术涉及无线网络接入的领域，且更为具体地，涉及一种无线网络接入系统及其操作方法。


背景技术：

2.在当今的网络时代，家庭无线已成为主流，但是对于外出逛商场的人来说，花费运营商的流量显得很奢侈，在这种大背景下，商业wi
‑
fi热点成为了一种必要的产物，这样既不用担心话费的巨增，也可以享受到高速网络。
3.但是，一个商场中有多家商户，多家商户以特定的布局分布在商场的各个位置。每家商户都有其自己的wi
‑
fi热点，但其各家wi
‑
fi热点的带宽不同，且路由器设备也不同，因此，对于用户而言，选择哪家wifi热点来保持稳定且通畅的上网功能，是需要解决的问题。
4.传统的仅凭借wifi热点的信号强弱来判断需连接到哪个wifi热点在商场这个应用场景中使用时会出现较多的问题。首先，在应用场景中，虽然wifi热点的信号强，但有可能其所连接的人数较多，导致其能分配到用户的带宽就相对有限，导致通信不畅。其次，各个商户之间所发射的wifi信号相互影响，信号强弱的真实性也存疑。
5.因此，期望一种优化的无线网络接入方案。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种无线网络接入系统及其操作方法，其以各家商户的wifi热点的信号强度计算出各家商户的wifi热点到移动终端的距离，并生成拓扑数据；并且，获得各家商户的wifi热点的预设时间段内的剩余可用带宽，综合这两个方面的要素来选择连接到哪家商户的wifi。通过这样的方式，可以使得用户能够择优选择附件哪家的wifi热点以保持稳定且通畅的上网功能。
7.根据本技术的一个方面，提供了一种无线网络接入系统，其包括：
8.训练模块，包括：
9.第一训练数据构造单元，用于基于以移动终端为中心的拓扑数据来构造第一输入矩阵，其中，所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离；
10.第二训练数据构造单元，用于基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵，其中，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据；
11.第一空间编码单元，用于使用第一卷积神经网络从所述第一输入矩阵获得第一特
征图；
12.第二空间编码单元，用于使用第二卷积神经网络从所述第二输入矩阵获得第二特征图；
13.特征图转换单元，用于将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图；
14.鉴别器单元，用于将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值；
15.训练单元，用于基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练；以及
16.预测模块，包括：
17.检测用数据获取单元，用于获取用于检测的第一输入矩阵和用于检测的第二输入矩阵；
18.高维特征提取单元，用于将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图；
19.融合转换单元，用于将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；
20.特征图融合单元，用于融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图；
21.查询向量构造单元，用于获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量；
22.向量查询单元，用于在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量；以及
23.连接概率单元，用于计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值；和
24.连接模块，用于基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
25.根据本技术的另一方面，提供了一种无线网络接入系统的操作方法，其包括：
26.训练阶段，包括：
27.基于以移动终端为中心的拓扑数据来构造第一输入矩阵，其中，所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离；
28.基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵，其中，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据；使用第一卷积神经网络从所述第一输入矩阵获得第一特征图；
29.使用第二卷积神经网络从所述第二输入矩阵获得第二特征图；
30.将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图；
31.将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值；
32.基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练；以及
33.预测阶段，包括：
34.获取用于检测的第一输入矩阵和用于检测的第二输入矩阵；
35.将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图；
36.将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；
37.融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图；
38.获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量；
39.在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量；以及
40.连接概率单元，用于计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值；和
41.连接模块，用于基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
42.与现有技术相比，本技术提供的无线网络接入系统及其操作方法，其以各家商户的wifi热点的信号强度计算出各家商户的wifi热点到移动终端的距离，并生成拓扑数据；并且，获得各家商户的wifi热点的预设时间段内的剩余可用带宽，综合这两个方面的要素来选择连接到哪家商户的wifi。通过这样的方式，可以使得用户能够择优选择附件哪家的wifi热点以保持稳定且通畅的上网功能。
附图说明
43.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
44.图1为根据本技术实施例的无线网络接入系统的应用场景图。
45.图2为根据本技术实施例的无线网络接入系统的框图。
46.图3a为根据本技术实施例的无线网络接入系统的操作方法中训练阶段的流程图。
47.图3b为根据本技术实施例的无线网络接入系统的操作方法中预测阶段的流程图。
48.图4为根据本技术实施例的无线网络接入系统的操作方法中训练阶段的架构示意图。
49.图5为根据本技术实施例的无线网络接入系统的操作方法中预测阶段的架构示意图。
具体实施方式
50.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
51.场景概述
52.如前所述，一个商场中有多家商户，多家商户以特定的布局分布在商场的各个位置。每家商户都有其自己的wi
‑
fi热点，但其各家wi
‑
fi热点的带宽不同，且路由器设备也不同，因此，对于用户而言，选择哪家wifi热点来保持稳定且通畅的上网功能，是需要解决的问题。
53.传统的仅凭借wifi热点的信号强弱来判断需连接到哪个wifi热点在商场这个应用场景中使用时会出现较多的问题。首先，在应用场景中，虽然wifi热点的信号强，但有可能其所连接的人数较多，导致其能分配到用户的带宽就相对有限，导致通信不畅。其次，各个商户之间所发射的wifi信号相互影响，信号强弱的真实性也存疑。因此，期望一种无线网络接入方案。
54.基于此，在本技术的技术方案中，首先基于以移动终端为中心的拓扑数据来构造输入矩阵，具体地，首先对各个商户进行编号并按照矩阵的行和列排列，然后将每两个商户之间的物理距离填入矩阵的相应位置，此外，矩阵的对角线位置填入移动终端与该商户的物理距离，从而获得第一输入矩阵，也可以被称为物理拓扑矩阵。
55.进一步地，获取在每个商户的位置所接收到的其它商户的wifi信号的信号强度数据，以及在移动终端的位置接收到的每个商户的wifi信号的信号强度数据，并以相同方式填入矩阵以获得第二输入矩阵，也可以被称为信号拓扑矩阵。这里，需要注意的是两个商户彼此接收到的对方的信号强度可能并不相同，因此第二输入矩阵并非对角对称矩阵，因此也更能够准确地表达出信号强度方面的拓扑信息。
56.然后，将第一输入矩阵输入第一卷积神经网络以获得第一特征图，且将第二输入矩阵输入第二卷积神经网络以获得第二特征图，从而挖掘出各个商户在物理拓扑和信号拓扑方面的高维关联特征。
57.但是，如上所述，由于第一输入矩阵与第二输入矩阵的结构并不相同，因此所获取的第一特征图和第二特征图在其内部结构方面也存在差异，从而无法简单地进行融合。基于此，在本技术的技术方案中，进一步训练作为转换器的第三卷积神经网络，以将第一特征图转换为适于与第二特征图融合的特征图。
58.具体地，进一步将第一特征图输入第三卷积神经网络以获得第三特征图，然后将第三特征图和第二特征图通过鉴别器以获得鉴别器损失函数值，并以该鉴别器损失函数值来更新第三卷积神经网络。此外，基于深层神经网络模型的块结构原理，在第二卷积神经网络的特征提取中，由于第二输入矩阵的非对称结构特性，因此在第二卷积神经网络中会存在对角局部矩阵，即全部元素在矩阵对角线的一侧的块结构。因此，为了改进第三卷积神经网络的训练，首先确定第二输入矩阵中对角位置之间差值较大的一对或多对位置，并以这些位置为中心确定第三卷积神经网络中的每层的相应区域，其中区域大小可以与每对对角位置之间的差值成正比。然后，在第三卷积神经网络的训练过程中，可以将这些对角局部矩阵与全局矩阵交替地进行训练，以强化第三卷积神经网络中的块结构。
59.这样，在完成第三卷积神经网络的训练之后，可以从第一特征图获得第三特征图，并将第三特征图与第二特征图进行融合，例如计算加权和，以获得第四特征图，该第四特征图能够包含物理拓扑和信号拓扑两者的高维关联特征。
60.最后，将各家商户在当前时间点的剩余带宽量构造为查询向量，并与第四特征图相乘以获得回归特征向量，再计算回归特征向量中每个点的类softmax函数值，就可以得到连接到每个商户的概率值。
61.基于此，本技术提出了一种无线网络接入系统，其包括训练模块和预测模块。其中，训练模块，包括：第一训练数据构造单元，用于基于以移动终端为中心的拓扑数据来构造第一输入矩阵，其中，所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离；第二训练数据构造单元，用于基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵，其中，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据；第一空间编码单元，用于使用第一卷积神经网络从所述第一输入矩阵获得第一特征图；第二空间编码单元，用于使用第二卷积神经网络从所述第二输入矩阵获得第二特征图；特征图转换单元，用于将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图；鉴别器单元，用于将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值；以及，训练单元，用于基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练。其中，预测模块，包括：检测用数据获取单元，用于获取用于检测的第一输入矩阵和用于检测的第二输入矩阵；高维特征提取单元，用于将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图；融合转换单元，用于将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；特征图融合单元，用于融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图；查询向量构造单元，用于获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量；向量查询单元，用于在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量；以及，连接概率单元，用于计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值；和连接模块，用于基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
62.图1图示了根据本技术实施例的无线网络接入系统的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，获取以移动终端(例如，如图1中所示意的t)为中心的拓扑数据、在各个商户(例如，如图1中所示意的m)的位置所接收到的其他商户的wifi信号的信号强度数据以及在移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据；然后，将所述获得的所述拓扑数据和所述信号强度数据输入至部署有无线网络接入算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够用于无线网络接入算法以所述
拓扑数据和所述信号强度数据对无线网络接入的卷积神经网络进行训练。
63.在训练完成后，在预测模块中，首先，获取以移动终端(例如，如图1中所示意的t)为中心的拓扑数据、在各个商户(例如，如图1中所示意的m)的位置所接收到的其他商户的wifi信号的信号强度数据以及在移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据；然后，将所述获得的所述拓扑数据和所述信号强度数据输入部署有无线网络接入算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以无线网络接入算法对所述拓扑数据和所述信号强度数据进行处理，以生成连接到每个商户的概率值，再基于移动终端连接到每个商户的wifi的概率值来择优选择需要连接的wifi，也就是，将所述移动终端连接到概率值最大者对应的商户的wifi。
64.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
65.示例性系统
66.图2图示了根据本技术实施例的无线网络接入系统的框图。如图2所示，根据本技术实施例的无线网络接入系统200，包括：训练模块210和预测模块220。其中，训练模块210，包括：第一训练数据构造单元211，用于基于以移动终端为中心的拓扑数据来构造第一输入矩阵，其中，所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离；第二训练数据构造单元212，用于基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵，其中，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据；第一空间编码单元213，用于使用第一卷积神经网络从所述第一输入矩阵获得第一特征图；第二空间编码单元214，用于使用第二卷积神经网络从所述第二输入矩阵获得第二特征图；特征图转换单元215，用于将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图；鉴别器单元216，用于将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值；以及，训练单元217，用于基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练。其中，预测模块220，包括：检测用数据获取单元221，用于获取用于检测的第一输入矩阵和用于检测的第二输入矩阵；高维特征提取单元222，用于将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图；融合转换单元223，用于将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；特征图融合单元224，用于融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图；查询向量构造单元225，用于获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量；向量查询单元226，用于在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量；以及，连接概率单元227，用于计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值；和连接模块228，用于基于
移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
67.具体地，在本技术实施例中，在训练模块210中，所述第一训练数据构造单元211，用于基于以移动终端为中心的拓扑数据来构造第一输入矩阵。如上所述，考虑到各个商户之间所发射的wifi信号的相互影响，信号强弱的真实性会存疑。因此，在本技术的技术方案中，首先基于以移动终端为中心的拓扑数据来构造输入矩阵，具体地，首先对各个商户进行编号并按照矩阵的行和列排列，然后将每两个商户之间的物理距离填入矩阵的相应位置，此外，矩阵的对角线位置填入移动终端与该商户的物理距离，从而获得第一输入矩阵，也可以被称为物理拓扑矩阵。值得一提的是，这里所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离。
68.更具体地，在本技术实施例中，所述第一训练数据构造单元，包括：物理矩阵构造子单元，用于对各个所述商户进行编码并按照矩阵的行和列排列以获得物理矩阵；对角线位置填充子单元，用于在所述物理矩阵的对角线的各个位置填充所述移动终端与对应商户之间的物理距离；以及，非对角线位置填充子单元，用于在所述物理矩阵的除对角线外的各个位置填充对应两个商户之间的物理物理以获得所述第一输入矩阵。
69.具体地，在本技术实施例中，在训练模块210中，所述第二训练数据构造单元212，用于基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵。如上所述，考虑到在实际的应用过程中，虽然wifi热点的信号强，但有可能其所连接的人数较多，导致其能分配到用户的带宽就相对有限，导致通信不畅。因此，在本技术的技术方案中，进一步地，获取在每个商户的位置所接收到的其它商户的wifi信号的信号强度数据，以及在移动终端的位置接收到的每个商户的wifi信号的信号强度数据，并以相同方式填入矩阵以获得第二输入矩阵，也可以被称为信号拓扑矩阵。这里，值得一提的是，两个商户彼此接收到的对方的信号强度可能并不相同，因此第二输入矩阵并非对角对称矩阵，因此也更能够准确地表达出信号强度方面的拓扑信息。这里，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据。
70.更具体地，在本技术实施例中，所述第二训练数据构造单元，进一步用于：以构造所述第一输入矩阵的方式将在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造为所述第二输入矩阵。
71.具体地，在本技术实施例中，在训练模块210中，所述第一空间编码单元213和所述第二空间编码单元214，用于使用第一卷积神经网络从所述第一输入矩阵获得第一特征图，并使用第二卷积神经网络从所述第二输入矩阵获得第二特征图。也就是，首先，用所述第一卷积神经网络对所述第一输入矩阵进行处理，以提取出所述第一输入矩阵在高维空间中的特征分布表示，以挖掘出各个商户在物理拓扑方面的高维关联特征，从而获得所述第一特征图。然后，用所述第二卷积神经网络对所述第二输入矩阵进行处理，以提取出所述第二输
入矩阵在高维空间中的特征分布表示，以挖掘出各个商户在信号拓扑方面的高维关联特征，从而获得所述第二特征图。
72.具体地，在本技术实施例中，在训练模块210中，所述特征图转换单元215，用于将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图。应可以理解，由于所述第一输入矩阵与所述第二输入矩阵的结构并不相同，因此所获取的所述第一特征图和所述第二特征图在其内部结构方面也存在差异，从而无法简单地进行融合。因此，在本技术的技术方案中，进一步训练作为转换器的第三卷积神经网络，通过作为转换器的第三卷积神经网络对所述第一特征图进行处理，以将第一特征图转换为适于与第二特征图融合的特征图，从而得到所述第三特征图。
73.具体地，在本技术实施例中，在训练模块210中，所述鉴别器单元216，用于将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值。也就是，通过所述鉴别器对所述第三特征图和所述第二特征图分别进行处理，以生成所述鉴别器损失函数值来对后续作为转换器的所述第三卷积神经网络进行训练。
74.更具体地，在本技术实施例中，所述鉴别器单元，进一步用于：首先，将所述第三特征图输入所述鉴别器神经网络以获得第四特征图；接着，将所述第二特征图输入所述鉴别器神经网络以获得第五特征图；然后，确定所述第四特征图与所述第五特征图中的预定位置的值是否相同；接着，响应于所述第四特征图与所述第五特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；然后，响应于所述第四特征图与所述第五特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及，最后，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
75.具体地，在本技术实施例中，在训练模块210中，所述训练单元217，用于基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练。应可以理解，基于深层神经网络模型的块结构原理，在第二卷积神经网络的特征提取中，由于第二输入矩阵的非对称结构特性，因此在第二卷积神经网络中会存在对角局部矩阵，即全部元素在矩阵对角线的一侧的块结构。因此，为了改进第三卷积神经网络的训练，在本技术的技术方案中，首先确定第二输入矩阵中对角位置之间差值较大的一对或多对位置，并以这些位置为中心确定第三卷积神经网络中的每层的相应区域，其中区域大小可以与每对对角位置之间的差值成正比。然后，在第三卷积神经网络的训练过程中，可以将这些对角局部矩阵与全局矩阵交替地进行训练，以强化第三卷积神经网络中的块结构。
76.更具体地，在本技术实施例中，所述训练单元，进一步包括：位置确定子单元，用于确定所述第二输入矩阵中对角位置之间差值较大的一对或多对位置；块结构确定子单元，用于以这些位置为中心确定第三卷积神经网络中的每层的相应区域作为块结构，所述块结构的大小与每对对角位置之间的差值成正比；以及，交替训练子单元，用于以所述鉴别器损失函数值对所述第三卷积神经网络进行基于对角局部矩阵与全局矩阵的交替训练以强化所述第三卷积神经网络中的块结构。
77.具体地，在本技术实施例中，在预测模块220中，所述检测用数据获取单元221，用于获取用于检测的第一输入矩阵和用于检测的第二输入矩阵。也就是，首先基于以移动终
端为中心的拓扑数据来构造输入矩阵，具体地，首先对各个商户进行编号并按照矩阵的行和列排列，然后将每两个商户之间的物理距离填入矩阵的相应位置，此外，矩阵的对角线位置填入移动终端与该商户的物理距离，从而获得第一输入矩阵，也可以被称为物理拓扑矩阵。然后，获取在每个商户的位置所接收到的其它商户的wifi信号的信号强度数据，以及在移动终端的位置接收到的每个商户的wifi信号的信号强度数据，并以相同方式填入矩阵以获得第二输入矩阵，也可以被称为信号拓扑矩阵。这里，需要注意的是两个商户彼此接收到的对方的信号强度可能并不相同，因此第二输入矩阵并非对角对称矩阵，因此也更能够准确地表达出信号强度方面的拓扑信息。
78.值得一提的是，这里所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离。所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据。
79.具体地，在本技术实施例中，在预测模块220中，所述高维特征提取单元222，用于将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图。也就是，将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络，以通过所述第一卷积神经网络和所述第二卷积神经网络分别对所述第一输入矩阵和所述第二输入矩阵进行处理，以挖掘出各个商户在物理拓扑和信号拓扑方面的高维关联特征，从而获得检测用第一特征图和检测用第二特征图。
80.具体地，在本技术实施例中，在预测模块220中，所述融合转换单元223和所述特征图融合单元224，用于将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图，并且融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图。应可以理解，由于所述检测用第一输入矩阵与所述检测用第二输入矩阵的结构并不相同，因此所获取的所述第一特征图和所述第二特征图在其内部结构方面也存在差异，从而无法简单地进行融合。因此，在本技术的技术方案中，首先，将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；然后，将第三特征图与第二特征图进行融合，在一个具体示例中，可以计算所述检测用第三特征图和所述检测用第二特征图的按位置加权和以获得所述检测用第四特征图。值得一提的是，所述第四特征图能够包含物理拓扑和信号拓扑两者的高维关联特征。
81.具体地，在本技术实施例中，在预测模块220中，所述查询向量构造单元225和所述向量查询单元226，用于获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量，并在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量。也就是，在一个具体示例中，首先，将各个所述商户在当前时间点的剩余带宽量构造为查询向量；然后，将所述查询向量与所述检测用第四特征图进行矩阵相乘以获得回归特征向量，这样，就可以基于所述剩余带宽量构造成的所述查询向量，以从所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量。
82.具体地，在本技术实施例中，在预测模块220中，所述连接概率单元227和所述连接模块228，用于计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值，并基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。值得一提的是，这里，所述类softmax函数为y＝exp(xi)/∑
i exp(xi)，其中xi表示所述回归特征向量中各个位置的特征值。
83.综上，基于本技术实施例的所述无线网络接入系统200被阐明，其以各家商户的wifi热点的信号强度计算出各家商户的wifi热点到移动终端的距离，并生成拓扑数据；并且，获得各家商户的wifi热点的预设时间段内的剩余可用带宽，综合这两个方面的要素来选择连接到哪家商户的wifi。通过这样的方式，可以使得用户能够择优选择附件哪家的wifi热点以保持稳定且通畅的上网功能。
84.如上所述，根据本技术实施例的无线网络接入系统200可以实现在各种终端设备中，例如无线网络接入算法的服务器等。在一个示例中，根据本技术实施例的无线网络接入系统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，该无线网络接入系统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，该无线网络接入系统200同样可以是该终端设备的众多硬件模块之一。
85.替换地，在另一示例中，该无线网络接入系统200与该终端设备也可以是分立的设备，并且该无线网络接入系统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。
86.示例性方法
87.图3a图示了根据本技术实施例的无线网络接入系统的操作方法中训练阶段的流程图。如图3a所示，根据本技术实施例的无线网络接入系统的操作方法，包括：训练阶段，包括步骤：s110，基于以移动终端为中心的拓扑数据来构造第一输入矩阵，其中，所述第一输入矩阵的对角线上各个位置的特征值表示所述移动终端与各个商户之间的物理距离，所述第一输入矩阵的除对角线外各个位置的特征值表示两个商户之间的物理距离；s120，基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据构造第二输入矩阵，其中，所述第二输入矩阵的对角线上各个位置的特征值为在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据，所述第二输入矩阵的除对角线外各个位置的特征值为在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据；s130，使用第一卷积神经网络从所述第一输入矩阵获得第一特征图；s140，使用第二卷积神经网络从所述第二输入矩阵获得第二特征图；s150，将所述第一特征图输入作为转换器的第三卷积神经网络以获得第三特征图；s160，将所述第三特征图和所述第二特征图通过鉴别器以获得鉴别器损失函数值；以及，s170，基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练。
88.图3b图示了根据本技术实施例的无线网络接入系统的操作方法中预测阶段的流程图。图3b所示，根据本技术实施例的无线网络接入系统的操作方法，包括：预测阶段，包括步骤：s210，获取用于检测的第一输入矩阵和用于检测的第二输入矩阵；s220，将用于检测
的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络以获得检测用第一特征图和检测用第二特征图；s230，将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络以获得检测用第三特征图；s240，融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图；s250，获取各个所述商户在当前时间点的剩余带宽量并将各个所述商户在当前时间点的剩余带宽量构造为查询向量；s260，在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量；以及，s270，计算所述回归特征向量中各个位置的特征值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值；和s280，基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
89.图4图示了根据本技术实施例的无线网络接入系统的操作方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，基于以移动终端为中心的拓扑数据(例如，如图4中所示意的in1)来构造第一输入矩阵(例如，如图4中所示意的m1)；接着，基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据(例如，如图4中所示意的p1)和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据(例如，如图4中所示意的q1)构造第二输入矩阵(例如，如图4中所示意的m2)；然后，使用第一卷积神经网络(例如，如图4中所示意的cnn1)从所述第一输入矩阵获得第一特征图(例如，如图4中所示意的f1)；接着，使用第二卷积神经网络(例如，如图4中所示意的cnn2)从所述第二输入矩阵获得第二特征图(例如，如图4中所示意的f2)；然后，将所述第一特征图输入作为转换器的第三卷积神经网络(例如，如图4中所示意的cnn3)以获得第三特征图(例如，如图4中所示意的f3)；接着，将所述第三特征图和所述第二特征图通过鉴别器(例如，如图4中所示意的d)以获得鉴别器损失函数值(例如，如图4中所示意的dl)；以及，最后，基于所述鉴别器损失函数值，对作为转换器的所述第三卷积神经网络进行基于对角局部矩阵和全局矩阵的块结构训练。
90.图5图示了根据本技术实施例的无线网络接入系统的操作方法中预测阶段的架构示意图。如图5所示，在预测阶段中，在该网络架构中，首先，基于以移动终端为中心的拓扑数据(例如，如图5中所示意的in)来构造第一输入矩阵(例如，如图5中所示意的mi1)；接着，基于在各个所述商户的位置所接收到的其他商户的wifi信号的信号强度数据(例如，如图5中所示意的p)和在所述移动终端的位置所接收到的每个所述商户的wifi信号的信号强度数据(例如，如图5中所示意的q)构造第二输入矩阵(例如，如图5中所示意的mi2)；然后，将用于检测的所述第一输入矩阵和所述第二输入矩阵分别通过所述第一卷积神经网络(例如，如图5中所示意的cnn1)和所述第二卷积神经网络(例如，如图5中所示意的cnn2)以获得检测用第一特征图(例如，如图5中所示意的fp)和检测用第二特征图(例如，如图5中所示意的fq)；接着，将所述检测用第一特征图输入经训练阶段训练完成的作为转换器的第三卷积神经网络(例如，如图5中所示意的cnn4)以获得检测用第三特征图(例如，如图5中所示意的f4)；然后，融合所述检测用第三特征图和所述检测用第二特征图以获得检测用第四特征图(例如，如图5中所示意的f5)；接着，获取各个所述商户在当前时间点的剩余带宽量(例如，如图5中所示意的b)并将各个所述商户在当前时间点的剩余带宽量构造为查询向量(例如，如图5中所示意的vq)；然后，在所述检测用第四特征图上查询出与所述查询向量对应的回归特征向量(例如，如图5中所示意的vr)；接着，计算所述回归特征向量中各个位置的特征
值对应的类softmax函数值作为移动终端连接到每个商户的wifi的概率值(例如，如图5中所示意的pv)；最后，基于移动终端连接到每个商户的wifi的概率值，将所述移动终端连接到概率值最大者对应的商户的wifi。
91.综上，基于本技术实施例的所述无线网络接入系统的操作方法被阐明，其以各家商户的wifi热点的信号强度计算出各家商户的wifi热点到移动终端的距离，并生成拓扑数据；并且，获得各家商户的wifi热点的预设时间段内的剩余可用带宽，综合这两个方面的要素来选择连接到哪家商户的wifi。通过这样的方式，可以使得用户能够择优选择附件哪家的wifi热点以保持稳定且通畅的上网功能。
92.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
93.本技术中涉及的器件、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。
94.还需要指出的是，在本技术的装置、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技术的等效方案。
95.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技术。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技术的范围。因此，本技术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。
96.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。