移动终端状态显示方法及系统与流程

1.本技术涉及通信质量检测领域，且更为具体地，涉及一种移动终端状态显示方法及系统。


背景技术：

2.目前，随着5g技术的日渐普及，移动终端使用基于5g技术的阵列天线来接收信号，这使得移动终端的接收信号的信号质量直接与5g终端及其对应的基站所使用的阵列天线的天线增益相关。
3.在一些5g应用场景中，例如5g高清直播、5g远程手术等，对于5g终端网络信号质量的稳定有着很高的要求，当无法实时且准确地确定移动终端的信号状态时，则会限制5g在类似场景下的应用。
4.因此，期望一种优化的移动终端状态显示方法及系统。


技术实现要素：

5.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移动终端状态显示方法及其充电功率调整方法，以基于深度神经网络的人工智能技术获取每个天线的接收功率值提取到阵列天线的各个天线的功率值之间的高维关联特征，与获取的各个移动终端的整体无线信号接收功率一起通过应用自由空间内的friis法则获得多个特征向量，并通过编码器得到用以表示移动终端的信号状态的信号质量结果。这样，可相对更为准确地确定移动终端的信号状态，以确保移动终端的通信质量。
6.根据本技术的一个方面，提供了一种移动终端状态显示方法，包括：
7.获取待检测移动终端的阵列天线中每个天线的接收功率值，以获得与所述待检测移动终端的阵列天线对应的第一功率矩阵；
8.获取与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值，以获得所述基站的阵列天线对应的第二功率矩阵；
9.将所述第一功率矩阵和所述第二功率矩阵分别通过卷积神经网络以获得第一特征图和第二特征图；
10.获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量；
11.基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，其中，所述公式为：
[0012][0013]
其中，l是所述功率向量，f
1i
和f
2i
是所述第一特征图和所述第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示所述待检测移动终端距所述基站的距离；
[0014]
将所述多个特征向量按长度方向拼接为全局特征向量；
[0015]
基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果；以及
[0016]
在所述移动终端的显示屏显示所述评估结果。
[0017]
在上述的移动终端状态显示方法中，获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量，包括：从所述各个移动终端与所述基站之间的上行信道传送的信令中，获取所述各个移动终端的接收功率值。
[0018]
在上述的移动终端状态显示方法中，在基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量中，所述特征向量的数量与所述卷积神经网络的通道数目相等。
[0019]
在上述的移动终端状态显示方法中，基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，包括：使用平均值池化和/或中值插值的线性变化对所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵进行处理，以将所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵转化为可进行向量和矩阵相乘的行列尺寸。
[0020]
在上述的移动终端状态显示方法中，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果，包括：将所述全局特征向量通过分类器以获得分类结果作为所述评估结果，其中，所述分类结果用于表示所述待检测移动终端的当前信号状态是否符合标准。
[0021]
在上述的移动终端状态显示方法中，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果，包括：将所述全局特征向量通过由多个全连接层组成的编码器，以获得所述待检测移动终端的接收信号质量的评估值作为所述评估结果。
[0022]
在上述的移动终端状态显示方法中，所述卷积神经网络为深度残差网络。
[0023]
根本本技术的另一方面，提供了一种移动终端状态显示系统，其包括：
[0024]
第一功率矩阵生成单元，用于获取待检测移动终端的阵列天线中每个天线的接收功率值，以获得与所述待检测移动终端的阵列天线对应的第一功率矩阵；
[0025]
第二功率矩阵生成单元，用于获取与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值，以获得所述基站的阵列天线对应的第二功率矩阵；
[0026]
特征图生成单元，用于将所述第一功率矩阵和所述第二功率矩阵分别通过卷积神经网络以获得第一特征图和第二特征图；
[0027]
功率向量生成单元，用于获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量；
[0028]
特征向量生成单元，用于基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，其中，所述公式为：
[0029][0030]
其中，l是所述功率向量，f
1i
和f
2i
是所述第一特征图和所述第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示所述待检测移动终端距所述基站的距离；
[0031]
全局特征向量生成单元，用于将所述多个特征向量按长度方向拼接为全局特征向量；
[0032]
评估结果生成单元，用于基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果；以及
[0033]
评估结果显示单元，用于在所述移动终端的显示屏显示所述评估结果。
[0034]
在上述的移动终端状态显示系统中，所述功率向量生成单元，进一步用于：从所述各个移动终端与所述基站之间的上行信道传送的信令中，获取所述各个移动终端的接收功率值。
[0035]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的移动终端状态显示方法。
[0036]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的移动终端状态显示方法。
[0037]
与现有技术相比，本技术提供的移动终端状态显示方法及系统，以基于深度神经网络的人工智能技术获取每个天线的接收功率值提取到阵列天线的各个天线的功率值之间的高维关联特征，与获取的各个移动终端的整体无线信号接收功率一起通过应用自由空间内的friis法则获得多个特征向量，并通过编码器得到用以表示移动终端的信号状态的信号质量结果。这样，可相对更为准确地确定移动终端的信号状态，以确保移动终端的通信质量。
附图说明
[0038]
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。
[0039]
图1图示了根据本技术实施例的移动终端状态显示方法的场景示意图。
[0040]
图2图示了根据本技术实施例的移动终端状态显示方法的流程图。
[0041]
图3图示了根据本技术实施例的移动终端状态显示方法的架构示意图。
[0042]
图4图示了根据本技术实施例的移动终端状态显示系统的框图。
[0043]
图5图示了根据本技术实施例的电子设备的框图。
具体实施方式
[0044]
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。
[0045]
场景概述
[0046]
如前所述，随着5g技术的日渐普及，移动终端使用基于5g技术的阵列天线来接收信号，这使得移动终端的接收信号的信号质量直接与5g终端及其对应的基站所使用的阵列
天线的天线增益相关，因此，为了准确地确定移动终端的信号状态，期望提供一种基于阵列天线的天线增益的接收信号的信号质量计算方法。
[0047]
这里，在本技术的技术方案中，对于移动终端的阵列天线中的每个天线，获取每个天线的接收功率值，以获得与该阵列天线对应的第一功率矩阵。另外，考虑到移动终端的接收信号的信号质量同样与基站的发射天线的发射信号功率相关，因此获取基站的阵列天线的每个天线的发射功率值，以获得与该阵列天线对应的第二功率矩阵。然后，为了提取到阵列天线的各个天线的功率值之间的高维关联特征，采用卷积神经网络来从第一功率矩阵和第二功率矩阵得到第一特征图和第二特征图。
[0048]
进一步地，考虑到单个移动终端的信号质量实质上也与其基站覆盖范围内的全体移动终端的信号质量有关系，例如，如果全体移动终端的信号质量均在某个范围内，则该移动终端的信号质量也应该在该范围的约束内进行考虑，因此，通过各个移动终端与基站之间的上行信道传送的信令，从基站获得各个移动终端的整体无线信号接收功率，并构造为功率向量。
[0049]
接下来，就可以应用自由空间内的friis法则的原理来结合整体功率信息、阵列天线的功率特征信息以及信号传播环境信息，这在friis法则内具体表现为信号的波长信息和距离信息，以获得用于移动终端处的信号质量计算的特征向量。具体公式为：
[0050][0051]
其中，l是功率向量，f
1i
和f
2i
是第一特征图和第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示移动终端距基站的距离。这里，本领域技术人员可以理解，如果l、f
1i
和f
2i
的行列尺寸不匹配，可以进行使用平均值池化和中值差值的线性变换，以转换为可进行向量和矩阵乘积的行列尺寸。
[0052]
这样，获得了数目为卷积神经网络的通道数目的多个特征向量，然后，可以将该多个特征向量按长度方向拼接为单个特征向量，并通过由多个全连接层组成的编码器得到移动终端的接收信号的信号质量结果。另外，也可以将该特征向量通过包含多个全连接层的分类器，以得到移动终端的当前信号状态是否符合标准的分类结果。
[0053]
图1图示了根据本技术实施例的移动终端状态显示方法的应用场景图。如图1所示，在该应用场景中，获取待检测移动终端(例如，如图1中所示意的t)的阵列天线(例如，如图1中所示意的p1)中每个天线的接收功率值并同时获取与所述待检测移动终端通信的基站(例如，如图1中所示意的b)的阵列天线(例如，如图1中所示意的p2)中每个天线的发射功率值；然后，将待检测移动终端的阵列天线中每个天线的接收功率值和与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值输入到部署有移动终端状态显示算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够基于移动终端状态显示算法对待检测移动终端的阵列天线中每个天线的接收功率值和与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值进行处理，以生成用于表示所述待检测移动终端的接收信号质量的评估结果。并进一步地将所述评估结果显示于移动终端的显示屏。
[0054]
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。
[0055]
示例性方法
[0056]
图2为根据本技术实施例的移动终端状态显示方法的流程图。如图2所示，根据本技术实施例的所述移动终端状态显示方法，包括：s110，获取待检测移动终端的阵列天线中每个天线的接收功率值，以获得与所述待检测移动终端的阵列天线对应的第一功率矩阵；s120，获取与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值，以获得所述基站的阵列天线对应的第二功率矩阵；s130，将所述第一功率矩阵和所述第二功率矩阵分别通过卷积神经网络以获得第一特征图和第二特征图；s140，获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量；s150，基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，其中，所述公式为：
[0057][0058]
其中，l是所述功率向量，f
1i
和f
2i
是所述第一特征图和所述第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示所述待检测移动终端距所述基站的距离；s160，将所述多个特征向量按长度方向拼接为全局特征向量；s170，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果；以及，s180，在所述移动终端的显示屏显示所述评估结果。
[0059]
图3为根据本技术实施例的移动终端状态显示方法的系统架构示意图。如图3所示，在该网络架构中，首先，将获取的待检测移动终端的阵列天线中每个天线的接收功率值(例如，如图3中所示意的n1)进行排列以获得第一功率矩阵(例如，如图3中所示意的m1)，然后，将与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值(例如，如图3中所示意的n2)进行排列以获得第二功率矩阵(例如，如图3中所示意的m2)；然后，将所获得的第一功率矩阵和第二功率矩阵分别通过卷积神经网络(例如，如图3中所示意的cnn)以获得第一特征图(例如，如图3中所示意的f1)和第二特征图(例如，如图3中所示意的f2)；接着，获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值(例如，如图3中所示意的n3)并将所述各个移动终端的接收功率值构造为功率向量(例如，如图3中所示意的v3)，基于friis法则计算用于表示所述待检测移动终端的信号质量的多个特征向量并按长度方向拼接为全局特征向量(例如，如图3中所示意的f4)，然后，通过由多个全连接层(例如，如图3中所示意的dn)组成的编码器得到移动终端的接收信号的信号质量结果，所述信号质量结果用于表示所述移动终端的信号状态。
[0060]
在步骤s110中，获取待检测移动终端的阵列天线中每个天线的接收功率值，以获得与所述待检测移动终端的阵列天线对应的第一功率矩阵。以及，在步骤s120中，获取与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值，以获得所述基站的阵列天线对应的第二功率矩阵。也就是，在本技术实施例中，对于移动终端的阵列天线中的每个天线，获取每个天线的接收功率值，以获得与该阵列天线对应的第一功率矩阵。另外，考虑到移动终端的接收信号的信号质量同样与基站的发射天线的发射信号功率相关，因此获取基站的阵列天线的每个天线的发射功率值，以获得与该阵列天线对应的第二功率矩阵。
[0061]
在步骤s130中，将所述第一功率矩阵和所述第二功率矩阵分别通过卷积神经网络以获得第一特征图和第二特征图。也就是，为了提取到阵列天线的各个天线的功率值之间的高维关联特征，采用卷积神经网络来从第一功率矩阵和第二功率矩阵得到第一特征图和
第二特征图。
[0062]
特别地，在本技术实施例中，所述卷积神经网络可采用深度残差神经网络，例如，resnet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从n
‑
1层的输入层只能给n层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
[0063]
在步骤s140中，获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量。
[0064]
更具体地，在本技术实施例中，获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量，进一步包括：从所述各个移动终端与所述基站之间的上行信道传送的信令中，获取所述各个移动终端的接收功率值。应可以理解，考虑到单个移动终端的信号质量实质上也与其基站覆盖范围内的全体移动终端的信号质量有关系，例如，如果全体移动终端的信号质量均在某个范围内，则该移动终端的信号质量也应该在该范围的约束内进行考虑，因此，通过各个移动终端与基站之间的上行信道传送的信令，从基站获得各个移动终端的整体无线信号接收功率，并构造为功率向量。
[0065]
在步骤s150中，基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，其中，所述公式为：
[0066][0067]
其中，l是所述功率向量，f
1i
和f
2i
是所述第一特征图和所述第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示所述待检测移动终端距所述基站的距离。
[0068]
更具体地，在本技术实施例中，在基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量中，所述特征向量的数量与所述卷积神经网络的通道数目相等。
[0069]
更具体地，在本技术实施例中，基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，进一步包括：使用平均值池化和/或中值插值的线性变化对所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵进行处理，以将所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵转化为可进行向量和矩阵相乘的行列尺寸。应可以理解，应用自由空间内的friis法则的原理来结合整体功率信息、阵列天线的功率特征信息以及信号传播环境信息，这在friis法则内具体表现为信号的波长信息和距离信息，以获得用于移动终端处的信号质量计算的特征向量。这里，本领域技术人员可以理解，如果所述公式中l、f
1i
和f
2i
的行列尺寸不匹配，可以进行使用平均值池化和中值差值的线性变换，以转换为可进行向量和矩阵乘积的行列尺寸。
[0070]
在步骤s160中，将所述多个特征向量按长度方向拼接为全局特征向量。也就是，获得了数目为卷积神经网络的通道数目的多个特征向量后，将该多个特征向量按长度方向拼
接为单个特征向量。
[0071]
在步骤s170，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果。也就是，将所获取的多个特征向量按长度方向拼接为单个特征向量，并通过由多个全连接层组成的编码器得到移动终端的接收信号的信号质量结果。
[0072]
更具体地，在本技术实施例中，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果，进一步包括：将所述全局特征向量通过分类器以获得分类结果作为所述评估结果，其中，所述分类结果用于表示所述待检测移动终端的当前信号状态是否符合标准。
[0073]
更具体地，在本技术实施例中，基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果，进一步包括：将所述全局特征向量通过由多个全连接层组成的编码器，以获得所述待检测移动终端的接收信号质量的评估值作为所述评估结果。
[0074]
在步骤s180中，在所述移动终端的显示屏显示所述评估结果。也就是，可以通过移动终端的显示屏将上述的评估结果显示出来，以便于使用者直观了解即时的移动终端网络状况。
[0075]
综上，基于本技术实施例的移动终端状态显示方法被阐明，其以基于深度神经网络的人工智能技术获取每个天线的接收功率值提取到阵列天线的各个天线的功率值之间的高维关联特征，与获取的各个移动终端的整体无线信号接收功率一起通过应用自由空间内的friis法则获得多个特征向量，并通过编码器得到移动终端的接收信号的信号质量结果，用以表示移动终端的信号状态。
[0076]
示例性系统
[0077]
图4为根据本技术实施例的移动终端状态显示系统的框图。如图4所示，根据本技术实施例的移动终端状态显示系统400，包括：第一功率矩阵生成单元410，用于获取待检测移动终端的阵列天线中每个天线的接收功率值，以获得与所述待检测移动终端的阵列天线对应的第一功率矩阵；第二功率矩阵生成单元420，用于获取与所述待检测移动终端通信的基站的阵列天线中每个天线的发射功率值，以获得所述基站的阵列天线对应的第二功率矩阵；特征图生成单元430，用于将所述第一功率矩阵和所述第二功率矩阵分别通过卷积神经网络以获得第一特征图和第二特征图；功率向量生成单元440，用于获取在所述基站的覆盖范围内与所述基站进行通信的各个移动终端的接收功率值并将所述各个移动终端的接收功率值构造为功率向量；特征向量生成单元450，用于基于friis法则以如下公式计算用于表示所述待检测移动终端的信号质量的多个特征向量，其中，所述公式为：
[0078][0079]
其中，l是所述功率向量，f
1i
和f
2i
是所述第一特征图和所述第二特征图中的特征矩阵，λ表示接收信号的波长，且d表示所述待检测移动终端距所述基站的距离；全局特征向量生成单元460，用于将所述多个特征向量按长度方向拼接为全局特征向量；评估结果生成单元470，用于基于所述全局特征向量，生成用于表示所述待检测移动终端的接收信号质量的评估结果；以及，评估结果显示单元480，用于在所述移动终端的显示屏显示所述评估结果。
[0080]
在一个示例中，在上述移动终端状态显示系统400中，所述功率向量生成单元440，进一步用于：从所述各个移动终端与所述基站之间的上行信道传送的信令中，获取所述各个移动终端的接收功率值。
[0081]
在一个示例中，在上述移动终端状态显示系统400中，所述特征向量生成单元450，进一步用于：使用平均值池化和/或中值插值的线性变化对所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵进行处理，以将所述功率向量、所述第一特征图的特征矩阵和所述第二特征图的特征矩阵转化为可进行向量和矩阵相乘的行列尺寸。
[0082]
在一个示例中，在上述移动终端状态显示系统400中，所述评估结果生成单元470，进一步用于：将所述全局特征向量通过分类器以获得分类结果作为所述评估结果，其中，所述分类结果用于表示所述待检测移动终端的当前信号状态是否符合标准。
[0083]
在一个示例中，在上述移动终端状态显示系统400中，所述评估结果生成单元470，进一步用于：将所述全局特征向量通过由多个全连接层组成的编码器，以获得所述待检测移动终端的接收信号质量的评估值作为所述评估结果。
[0084]
综上，基于本技术实施例的移动终端状态显示系统被阐明，其以基于深度神经网络的人工智能技术获取每个天线的接收功率值提取到阵列天线的各个天线的功率值之间的高维关联特征，与获取的各个移动终端的整体无线信号接收功率一起通过应用自由空间内的friis法则获得多个特征向量，并通过编码器得到移动终端的接收信号的信号质量结果，用以表示移动终端的信号状态。
[0085]
这里，本领域技术人员可以理解，上述移动终端状态显示系统400中的各个单元和模块的具体功能和操作已经在上面参考图2到图3的移动终端状态显示方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0086]
如上所述，根据本技术实施例的移动终端状态显示系统400可以实现在各种终端设备中，例如用于移动终端状态显示系统的服务器等。在一个示例中，根据本技术实施例的移动终端状态显示系统400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，该移动终端状态显示系统400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，该移动终端状态显示系统400同样可以是该终端设备的众多硬件模块之一。
[0087]
替换地，在另一示例中，该移动终端状态显示系统400与该终端设备也可以是分立的设备，并且该移动终端状态显示系统400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。
[0088]
示例性电子设备
[0089]
下面，参考图5来描述根据本技术实施例的电子设备。
[0090]
图5图示了根据本技术实施例的电子设备的框图。
[0091]
如图5所示，电子设备10包括一个或多个处理器11和存储器12。
[0092]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0093]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存
储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的移动终端状态显示方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如接收功率值、发射功率值等各种内容。
[0094]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0095]
该输入装置13可以包括例如键盘、鼠标等等。
[0096]
该输出装置14可以向外部输出各种信息，包括预测结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0097]
当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0098]
示例性计算机程序产品和计算机可读存储介质
[0099]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的移动终端状态显示方法中的功能中的步骤。
[0100]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0101]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的移动终端状态显示方法中的步骤。
[0102]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0103]
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。
[0104]
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。
[0105]
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。
[0106]
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。
[0107]
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。