CN102340799A - 一种gsm上行干扰源判断方法 - Google Patents

Abstract

本发明涉及GSM上行干扰源判断方法，利用底噪滤波算法过滤出测量数据中的底噪，并把测量数据分为线性干扰底噪数据和非线性数据；根据线性干扰底噪数据判断上行干扰源是否为内部直放站干扰和/或强外部干扰，根据减去底噪的非线性数据判断上行干扰源是否为GRRU干扰和/或频点干扰，根据原始测量数据判断上行干扰源是否为CDMA阻塞干扰和/或互调干扰。本发明通过底噪滤波等算法，建立全面的上行干扰原因定位分析方法，大大提高上行干扰定位准确性及排查效率，对频点、直放站、互调、私装放大器、其他运营商网络干扰乃至多种原因同时存在的混合干扰小区做到快速、准确定位，通过清晰明确的排查流程，最终降低网络上行干扰，提高网络质量。

Description

一种GSM上行干扰源判断方法

技术领域

本发明涉及信号检测技术，具体涉及一种GSM上行干扰源判断方法，尤其适用于GSM网络上行干扰排查。

背景技术

GSM网络上行干扰排查现状为：GSM系统的干扰问题是影响网络质量的主要因素之一；网络规模扩大，背景噪声抬升，干扰水平提升；对上行链路造成干扰的原因多样，客户感知受严重影响；上行干扰分析方法有限，较为依赖技术人员经验，准确率不高；受上行干扰分析方法所限，后期现场定位排查效率偏低。上行干扰往往几种干扰类型集中在一起，形成混合干扰，将单一干扰特征掩盖，对于混合干扰，目前缺乏较为有效的方法。

发明内容

为了克服现有技术的不足，本发明提出了一种GSM上行干扰源判断方法，其能提高判断上行干扰源的准确率，从而提高排查效率。

为了达到上述目的，本发明所采用的技术方案如下：

一种GSM上行干扰源判断方法，其包括以下步骤：

A、获取测量数据，所述测量数据为FAS(Frequency Allocation Support)统计结果或上行频点扫描结果；

B、利用底噪滤波算法过滤出测量数据中的底噪，并把测量数据分为两部分数据，一部分数据为含有底噪的线性干扰底噪数据，另一部分数据为减去底噪的非线性数据；

C、根据线性干扰底噪数据判断上行干扰源是否为内部直放站干扰和/或强外部干扰。

优选的，在步骤A和步骤B之间还有步骤A1，根据测量数据，利用CDMA阻塞分析算法，判断上行干扰源是否为CDMA(Code Division MultipleAccess，码多分址)阻塞干扰。

优选的，在步骤A和步骤B之间还有步骤A2，根据测量数据，利用互调干扰分析算法，判断上行干扰源是否为互调干扰。

优选的，步骤C后还有步骤D1，根据非线性数据，利用GRRU干扰分析算法，判断上行干扰源是否为GRRU(GSM Digital Remote RF Units，数字光纤射频拉远)干扰。

优选的，步骤C后还有步骤D2，根据非线性数据，利用频点干扰分析算法，判断上行干扰源是否为频点干扰。

本发明使用底噪滤波算法过滤出测量数据中的底噪，将测量数据分为两部分：线性干扰底噪数据、减去底噪后的非线性数据。通过底噪滤波算法，能将同时受到强外部干扰/内部直放站干扰以及其他干扰的不同干扰类型区分开，为现网大量存在的混合干扰小区提供了行之有效的分析定位途径。

以带白噪声的随机过程描述线性底噪，建立数学模型，并用基于随机逼近的最小二乘法的模型求解，得出系统参数后，再对参数做修正，以使趋势线更符合实际情况。

底噪滤波算法的结果用于判断内部直放站以及外部干扰的依据之一。

本发明具有的有益效果为：通过底噪滤波等算法，建立全面的上行干扰原因定位分析方法，大大提高上行干扰定位准确性及排查效率，对频点、直放站、互调、私装放大器、其他运营商网络干扰乃至多种原因同时存在的混合干扰小区做到快速、准确定位，通过清晰明确的排查流程，最终降低网络上行干扰，提高网络质量。

附图说明

图1为本发明较佳实施例的GSM上行干扰源判断方法的流程图；

图2为FAS测量某个频点得到的干扰电平样本分布曲线；

图3为三层神经网络模型结构。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，以便于更清楚的理解本发明所要求保护的技术思想。

如图1所示，一种GSM上行干扰源判断方法，其包括以下步骤：

S01：获取测量数据，所述测量数据为FAS统计结果或上行频点扫描结果。FAS统计结果是爱立信系统的输出数据，上行频点扫描结果是华为系统的输出数据。

爱立信FAS统计原理：

FAS(Frequency Allocation Support)是爱立信公司在其GSM主设备产品中内置的一种用于无线网络优化的测量工具，通过改变基站载波在空闲时的频率，对设置频段内的所有频点实现上行干扰强度测量统计。

如图3所示，给出了FAS测量某个频点得到的干扰电平样本分布曲线：

横坐标为干扰强度(单位：dBm)，纵坐标为分布于对应干扰强度的测量样本数，所有的样本堆积形成该频点上的上行干扰强度分布曲线。实际的FAS结果输出时，在分布曲线中按定制的比例门限输出干扰强度值，如图3中的两个门限值：

1、AVMEDIAN：测量时间内所有干扰电平样本的中值，如图中50thpercentile标记线，表示所有测量样本中，有50％的样本点其干扰强度在-105dBm以下，另有50％样本点其干扰强度在-105dBm以上。

2、AVPERCENTIE：在FAS结果输出时，需指明门限PERCVAL(单位：0.1％)。上图中，取PERCVAL＝900，AVPERCENTIE＝-75dBm，表示有90％的样本点其干扰强度在-75dBm以下，另有10％的样本点其干扰强度在-75dBm以上。实际中，PERCVAL的取值可变，一般取900或950。

总体来说，FAS结果中的AVMEDIAN和AVPERCENTIE对应的干扰强度值越高，表示对应频点上的上行干扰越强。通过收集测量频段内每个频点的AVMEDIAN和AVPERCENTIE值，能体现测量频段内的总体上行干扰情况。

华为上行频点扫描原理：

小区频点扫描功能是华为公司在其GSM主设备中的一项性能管理功能，其主要是利用统计小区内的一个TCH信道中的IDLE帧进行循环测试，扫描指定频点的上行接收电平。用于测量无线环境中影响GSM系统上行接收信号的干扰电平。

频点扫描结果中有每一个扫描频点的最大电平值和平均电平值，分别表示扫描到对应频点的电平值的最大瞬时值和整个采集时间段内的电平平均值。

下面，主要以FAS数据(即FAS统计结果)为例，详细说明本实施例的方案。

S02：利用底噪滤波算法过滤出测量数据中的底噪，并把测量数据分为两部分数据，一部分数据为含有底噪的线性干扰底噪数据，另一部分数据为减去底噪的非线性数据。

具体的，线性干扰底噪的趋势项可描述为一个带白噪声的随机过程，因此建立其数学模型为：

y(k)＝ay(k-1)+bu(k-1)+ω(k)            (1)

其中u(k)为频点，y(k)为干扰电平，ω(k)为独立、同分布(高斯)零均值白噪声。根据FAS数据得到u(k)和y(k)的测量数据序列{u(k)}，{y(k)}，k＝1，2，…N。同时利用测得的数据，建立观测方程为：

y(N)＝Φ(N)θ+e(N)                     (2)

其中：

$y\left(N\right)=\left[\begin{array}{c}y\left(2\right)\\ y\left(3\right)\\ .\\ .\\ .\\ y\left(N\right)\end{array}\right],$ $\mathrm{\Φ}\left(N\right)=\left[\begin{array}{cc}y\left(1\right)& u\left(1\right)\\ y\left(2\right)& u\left(2\right)\\ .& .\\ .& .\\ .& .\\ y(N-1)& u(N-1)\end{array}\right],$ $\mathrm{\θ}=\left[\begin{array}{c}a\\ b\end{array}\right],$ $e\left(N\right)=\left[\begin{array}{c}e\left(2\right)\\ e\left(3\right)\\ .\\ .\\ .\\ e\left(N\right)\end{array}\right]$

基于随机逼近的最小二乘法的对上述模型求解。

取模型拟合残差ε(k)为：

则取目标函数J为残差平方和的数学期望最小：

J(θ)＝E{[ε(k)]²}                     (4)

根据求极值原理，对J求导数，并令其为零，于是有：

其中r(k)为标量序列，当递推算法收敛时，

与

将十分接近，因而，{r(k)}必定是递减序列，可选

在用随机逼近最小二乘法得出系统的参数后，在实际应用中，为了使趋势线更加符合实际情况，对参数

即(a，b)，按以下两种情况来修正。

令u_mim为最小干扰电平值处的频点，y_mim为最小干扰电平值，u_mid为频点中间值。

情况一：当趋势线的斜率a＞0，且u_mim＞u_mid，或趋势线的斜率a＜0，且u_mim＜u_mid，则修正趋势线，令a＝0，b＝y_mim。

情况二：剔除干扰电平最小的二个点(FAS数据中干扰强度最小二个频率上对应的值)外，并剔除干扰电平y大于FAS数据的点，判断有没有y＜0的点。若有y＜0的点，根据a＞0或a＜0，取到此频段最远点a，最远点底噪为0。并取绝对值最小的斜率作为a，修改参数b的值。

在得到θ的最小二乘估计

后，可作出对y的估计：

公式(6)即为底噪滤波算法。根据公式(6)，可以得到一条以底噪数据的值连成的曲线，把这条曲线放置在FAS数据统计表中，在曲线下方的数据即为线性干扰底噪数据，在曲线上方的数据即为非线性数据。

S03：根据线性干扰底噪数据判断上行干扰源是否为内部直放站干扰和/或强外部干扰。

具体的，将GSM小区分成1-50、51-74、75-95、96-124四个频段，DCS小区在512-636频段内，每个频段取样本数据按公式(5)求的模型参数

，即参数(a，b)。将频点代入公式(6)中，计算得到各频点的干扰值y_i。同时令F_i为频点i处的FAS数据测得的干扰电平值。

计算上行频段内各频点干扰的均值：

${\stackrel{\‾}{y}}_i=\frac{1}{N}\mathrm{\Σ}{y}_i(i=\mathrm{1,2}.\·\·\·124)---\left(7\right)$

1)内部直放站干扰分析

若以下a，b，c三个条件同时成立，则可判断存在内部直放站干扰。

a) ${\stackrel{\‾}{y}}_{1~50}-5>{\stackrel{\‾}{y}}_{96~124}$

b) ${\stackrel{\‾}{y}}_{51~74}-5>{\stackrel{\‾}{y}}_{96~124}$

c) ${\stackrel{\‾}{y}}_{75~94}-5>{\stackrel{\‾}{y}}_{96~124}$

其中

为：1-50频段的干扰均值，

为75-94频段的干扰均值，

为96-124频段的干扰均值。

2)强外部干扰分析

i)影响75-124频段的强外部干扰的分析，

如以下a，b两个条件同时成立，可判断为影响75-124频段的强外部干扰。

a) ${\stackrel{\‾}{y}}_{96~124}>5$

b) ${\stackrel{\‾}{y}}_{75~95}-5>{\stackrel{\‾}{y}}_{51~74}$

ii)影响1-50频段的强外部干扰的分析。

令y′＝y-y_内-y_强外75-124，其中y_内为内部直放站干扰值，y_强外75-124为影响75-124频段的强外部干扰值，y′为去除内部直放站干扰值和影响75-124频段的强外部干扰值的后的干扰值。y′的均值为：

若以下a，b两个条件同时成立，可判断为影响1-50频段的强外部干扰。

a) ${\stackrel{\‾}{y}}_{1-50}^{\′}-5>{\stackrel{\‾}{y}}_{51-74}^{\′}$

b) ${\stackrel{\‾}{y}}_{1-50}^{\′}-5>{\stackrel{\‾}{y}}_{75-94}^{\′}$

iii)影响1-124频段的强外部干扰分析

若：成立，则可判断为影响1-50频段的强外部干扰。

iv)强外部干扰区域分析

以影响1-124频段的强外部干扰小区为中心小区，对其区域半径r内的未被判断为强外部干扰/内部直放站干扰的小区进行分析。

令：d为疑似干扰小区与中心小区的站距，

是各邻区与中心小区距离的平均值，并且

S是FAS数据的个数。为小区平均干扰电平。

如果以下条件同时成立，则可判别为存在强外部干扰小区：

a)S＞80

b)d≤r

c) $\stackrel{\‾}{y}>3.$

S04：根据非线性数据，利用GRRU干扰分析算法，判断上行干扰源是否为GRRU干扰。

具体的，根据测量数据中减去底噪后的非线性数据部分，以配置的频点为基准，令为配置频点邻频的FAS数据干扰电平均值，G_li为非配置频点邻频的干扰电平，则：

G_li＝F_ii∈(非配置频点号)    (12)

如果75％(可配参数)以上的配置频点及非配置频点满足以下条件，则可判别为存在GRRU干扰。

a) ${\stackrel{\‾}{F}}_{\mathrm{li}}>4$

b)G_li＜2。

S05：根据非线性数据，利用频点干扰分析算法，判断上行干扰源是否为频点干扰。

具体的，根据测量数据中减去底噪后的非线性数据部分，以配置频点为基准，令：F_i为配置频点，F_li为邻频的干扰电平。

如果以下条件同时成立，则可判别为频点干扰。

a)F_i＞＝10(可配参数)

b)F_i-F_li≥2。

步骤S06及步骤S07使用的数据都是原始的测量数据，即未经过底噪滤波算法处理的数据。

S06：利用CDMA阻塞分析算法，判断上行干扰源是否为CDMA阻塞干扰。

具体的，非线性干扰趋势项可描述为一个带白噪声的随机过程：其数学模型为

y(k)＝f[y(k-1)，u(k-1)]+ω(k)                    (8)

采用三层神经网络模型来逼近非线性干扰趋势项，三层神经网络结构如图2所示，图中，神经网络的输入量为：u_t1，u_t2…，u_tn，即为频点序列值，输出量为：p_t1，p_t2…，p_tn，是干扰电平的序列值。

神经网络第一层为输入层，它起着将输入值u＝[u_t1，u_t2，…u_tn]直接传送到下一层的作用。第二层为隐含层共有m个结点，每个结点的输入和输出之间的关系是：

$v_j^{\left(2\right)}=g(\underset{i=0}{\overset{n+1}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^{\left(12\right)}{x}_i---\left(8\right)$

$g\left(t\right)=\frac{1}{1+\exp (-t)}---\left(9\right)$

其中，

是隐层的输出，

是第一层第i个结点和第二层第j个结点之间的连接权系数，j＝1，2，…m。

第三层为输出层，它接受来自第二层的输出信号，输出干扰电平的预测值即

$p_{\mathrm{ti}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w_{\mathrm{ji}}}^{23}\left(t\right)v_i---\left(10\right)$

其中

是t时刻第二层第i个结点和输出层第j各结点之间的连接权系数。

神经网络的学习算法：神经网络的学习归结为修改ω以使网络的结构逼近非线性干扰趋势项，采用监督学习方法，每一步都要以实际干扰电平为标准，来修改ω，即

ω(t+1)←ω(t)+Δω                    (11)

定义目标函数： $E_t=\frac{1}{2}{[z-p_t]}^2$

由梯度法：

$\mathrm{\Δ}{\mathrm{\ω}}_t=-\mathrm{\η}\frac{\∂E_t}{\∂\mathrm{\Δ}{\mathrm{\ω}}_t}=\mathrm{\η}[z-p_t]\frac{\∂p_t}{\∂{\mathrm{\ω}}_t}=\mathrm{\η}[z-p_t]{\▿}_{\mathrm{\ω}}{p}_t---\left(12\right)$

其中，η为学习率。

干扰分析：

令F_i为频点i处的FAS数据测得的干扰电平值。

计算X与Y的相关系数r：

$r=\frac{\mathrm{\ΣXY}-\frac{\mathrm{\ΣX\ΣY}}{n}}{\sqrt{[\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}][}\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}]}---\left(13\right)$

计算各FAS数据干扰的均值：

${\stackrel{\‾}{F}}_i=\frac{1}{N}{F}_i(i=\mathrm{1,2}.\·\·\·23;\mathrm{1001,1002},\·\·\·1023)$

将CDMA干扰样本值对神经网络进行训练。使神经网络逼近CDMA干扰趋势线，令F_i为频点i处的FAS数据测得的干扰电平值。神经网络输出p_i为频点i处的CDMA干扰值，在公式(10)中，F_i为X，p_i为Y。

如果以下条件成立，则可判别为存在CDMA阻塞干扰。

a) ${\stackrel{\‾}{F}}_i\≥10$

b)r＞0.3。

S07：利用互调干扰分析算法，判断上行干扰源是否为互调干扰。

具体的，令f_im为互调分量，则五阶互调分量为f_im5。以五阶互调分量为例，从配置的m个下行频率里，取3个下行频率f₁、f₂、f₃进行组合(组合里频率可以相同)，得到数组F₁(f₁、f₂、f₃)。

从配置的m个下行频率里，取2个下行频率f₄、f₅进行组合(组合里频率可以相同)，得到数组F₂(f₄，f₅)。计算f_im5，其计算公式为

f_im5＝(f₁+f₂+f₃)-(f₄+f₅)

如果互调分量f_im落在上行频段里(如：包括EGSM的GPRS上行频段为880.2-914.8)，即下行频率对上行频率产生互调干扰，此上行频点分布密度加1。计算所有可能，得到互调分布密度ρ。

令F_i为频点i处的FAS数据测得的干扰电平值，则上行频段内各频点FAS干扰与互调分布密度ρ的相关系数为r，其计算公式为：

$r=\frac{\mathrm{\Σ}{F}_i\mathrm{\ρ}-\frac{\mathrm{\Σ}{F}_i\mathrm{\Σ\ρ}}{n}}{\sqrt{[\mathrm{\Σ}{F_i}^2-\frac{{\left(\mathrm{\Σ}{F}_i\right)}^2}{n}][\mathrm{\Σ}{\mathrm{\ρ}}^2-\frac{{\left(\mathrm{\Σ\ρ}\right)}^2}{n}]}}$

互调分量的均值为：

N是互调分量的频点个数。

互调干扰分析：

分析互调干扰的方法有三种：相关性分析法、ICMBAND法和实测数据分析法。

1)相关性分析法

相关性分析方法就是利用上行频段内各频点FAS干扰值与互调分布密度相关系数r来判断互调干扰。其判断条件为以下三个条件同时成立，则可判断为存在互调干扰：

a)S＞10

b) ${\stackrel{\‾}{f}}_{\mathrm{im}}>1.5$

c)r＞0.3

注意，计算r时，为避免大数对相关系数的影响，按互调分量、干扰电平排序，从大到小逐个剔除后求相关系数，不会出现陡降。

2)ICMBAND法

ICMBAND法采用闲忙时干扰率及互调分量来判断互调干扰。令α为闲时干扰率，β为忙时干扰率。当以下三个条件同时成立时，可判断为存在互调干扰：

a)f_im∈(所有配置频点或其邻频)

b)β≥20％

c) $\frac{\mathrm{\β}-\mathrm{\α}}{\mathrm{\β}}\≥30\%$

3)实测数据法

采用实测数据的方法分析互调干扰要按照配置小区的数据类型进行判断。

如果配置小区的据来源于爱立信系统，则采用FAS数据干扰值，按忙闲时算法进行互调干扰分析。令，为所有频点的闲时平均干扰电平，

为互调频点闲时干扰电平的均值，

为互调频点忙时干扰电平的均值，则：

${\stackrel{\‾}{F}}_{\mathrm{free}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{F}_{\mathrm{freei}}$

${\stackrel{\‾}{f}}_{\mathrm{imfree}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{imfreei}}$

${\stackrel{\‾}{f}}_{\mathrm{imbusy}}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{imbusyi}}$

如果以下四个条件同时成立，则可判断为存在互调干扰：

a)S＞10。

b) ${\stackrel{\‾}{f}}_{\mathrm{im}}>1.5$

c) ${\stackrel{\‾}{F}}_{\mathrm{free}}\≥10$

d) $\min ({\stackrel{\‾}{f}}_{\mathrm{imfree}}-{\stackrel{\‾}{f}}_{\mathrm{imbusy}})\≥5$

注意：

为互调频点闲忙时干扰电平均值差值下限。

如果配置小区数据来源于华为系统，则采用上行频点扫描结果数据，用主分集算法进行互调干扰分析。令：A为所有频点的主集平均值

的平均值，B为所有频点的分集平均值

的平均值，C为互调频点的主集平均值的平均值，D为互调频点的分集平均值

的平均值。

则：

如果以下条件同时成立，则可判断为存在互调干扰：

a)|C-D|≥5

b)|A-B|＜5

可采用以下条件判断干扰产生的原因。

若小区被判断为互调干扰，则：

a)C-D＞5，则主集有问题；

b)D-C＞5，则分集有问题；

c)|C-D|＜5，则主分集均有问题。

若，|A-B|≥5，则小区干扰是互调和其他上行干扰原因共同造成的。

综上分析结果，可输出一上行干扰原因列表。符合强外部干扰、内部直放站干扰、CDMA阻塞干扰、互调干扰、GRRU干扰、频点干扰中任一干扰类型算法判断条件，则判定为存在相应干扰类型；若同时符合2种或2种以上算法判断条件，则判定为存在混合干扰。

本实施例的方法根据GSM上行干扰各类原因，归纳其呈现特点；根据各类干扰特点，沉淀经验，制定相应的算法；算法实现类型判断，摆脱对人员经验的依赖；根据算法分析小区干扰原因，为后期现场排查指明方向；现场排查更有针对性，提高了排查效率。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种GSM上行干扰源判断方法，其特征在于，包括以下步骤：

A、获取测量数据，所述测量数据为FAS统计结果或上行频点扫描结果；

B、利用底噪滤波算法过滤出测量数据中的底噪，并把测量数据分为两部分数据，一部分数据为含有底噪的线性干扰底噪数据，另一部分数据为减去底噪的非线性数据；

C、根据线性干扰底噪数据判断上行干扰源是否为内部直放站干扰和/或强外部干扰。

2.如权利要求1所述的GSM上行干扰源判断方法，其特征在于，在步骤B中，所述底噪滤波算法为

其中，

为基于随机逼近的最小二乘法的干扰电平值，

$\mathrm{\Φ}\left(N\right)=\left[\begin{array}{cc}y\left(1\right)& u\left(1\right)\\ y\left(2\right)& u\left(2\right)\\ .& .\\ .& .\\ .& .\\ y(N-1)& u(N-1)\end{array}\right],$

为θ的基于随机逼近的最小二乘法的值，

k＝1，2，…N，a为斜率，b为参数；

在步骤C中，

将GSM小区分成1-50、51-74、75-95、96-124四个频段，每个频段取线性干扰底噪数据代入

求参数然后将频点代入

中，计算得到各频点的干扰值y_i，然后计算上行频段内各频点干扰的均值： ${\stackrel{\‾}{y}}_i=\frac{1}{N}\mathrm{\Σ}{y}_i(i=\mathrm{1,2}.\·\·\·124);$

若以下a1、b1、c1三个条件同时成立，则判断为存在内部直放站干扰：

a1) ${\stackrel{\‾}{y}}_{1~50}-5>{\stackrel{\‾}{y}}_{96~124},$

b1) ${\stackrel{\‾}{y}}_{51~74}-5>{\stackrel{\‾}{y}}_{96~124},$

c1) ${\stackrel{\‾}{y}}_{75~94}-5>{\stackrel{\‾}{y}}_{96~124},$

其中，其中为：1-50频段的干扰均值，

为75-94频段的干扰均值，

为96-124频段的干扰均值；

若以下a2、b2两个条件同时成立，则判断为75-124频段存在强外部干扰：

a2) ${\stackrel{\‾}{y}}_{96~124}>5,$

b2) ${\stackrel{\‾}{y}}_{75~95}-5>{\stackrel{\‾}{y}}_{51~74};$

令y′＝y-y_内-y_强外75-124，其中y_内为内部直放站干扰值，y_强外75-124为影响75-124频段的强外部干扰值，y′为去除内部直放站干扰值和影响75-124频段的强外部干扰值的后的干扰值。y′的均值为：

若以下a3、b3两个条件同时成立，则判断为1-50频段存在强外部干扰：

a3) ${\stackrel{\‾}{y}}_{1-50}^{\′}-5>{\stackrel{\‾}{y}}_{51-74}^{\′},$

b3) ${\stackrel{\‾}{y}}_{1-50}^{\′}-5>{\stackrel{\‾}{y}}_{75-94}^{\′};$

若

成立，则可判断为1-50频段存在强外部干扰；

3.如权利要求2所述的GSM上行干扰源判断方法，其特征在于，以影响1-124频段的强外部干扰小区为中心小区，对其区域半径r内的未被判断为强外部干扰和/或内部直放站干扰的小区进行分析判断；

令：d为疑似干扰小区与中心小区的站距，

是各邻区与中心小区距离的平均值，并且S是测量数据个数，

为小区平均干扰电平；

如果以下a4、b4、c4三个条件同时成立，则可判断为存在强外部干扰小区：

a4)S＞80，

b4)d≤r，

c4) $\stackrel{\‾}{y}>3.$

4.如权利要求2所述的GSM上行干扰源判断方法，其特征在于，对参数

按以下两种情况来修正：

令u_mim为最小干扰电平值处的频点，y_mim为最小干扰电平值，u_mid为频点中间值；

情况一：当趋势线的斜率a＞0，且u_mim＞u_mid，或趋势线的斜率a＜0，且u_mim＜u_mid，则修正趋势线，令a＝0，b＝y_mim；

情况二：剔除干扰电平最小的二个点外，并剔除干扰电平y大于测量数据的点，判断有没有y＜0的点，若有y＜0的点，根据a＞0或a＜0，取到此频段最远点a，最远点底噪为0，并取绝对值最小的斜率作为a，修改参数b的值。

5.如权利要求1所述的GSM上行干扰源判断方法，其特征在于，在步骤A和步骤B之间还有步骤A1，根据测量数据，利用CDMA阻塞分析算法，判断上行干扰源是否为CDMA阻塞干扰：

利用三层神经网络对测量数据中的CDMA干扰数据进行训练，使三层神经网络逼近CDMA干扰数据的趋势线；

三层神经网络第一层为输入层，将输入值u＝[u_t1，u_t2，…，u_tn]直接传送到第二层，第二层为隐含层共有m个结点，每个结点的输入和输出之间的关系是：

$v_j^{\left(2\right)}=g(\underset{i=0}{\overset{n+1}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^{\left(12\right)}{x}_i,$ 可简化为， $g\left(t\right)=\frac{1}{1+\exp (-t)},$ 其中，

是隐层的输出，

是第一层第i个结点和第二层第j个结点之间的连接权系数，j＝1，2，…m；

三层神经网络的第三层为输出层，它接受来自第二层的输出信号，输出干扰电平的预测值为

其中

是t时刻第二层第i个结点和输出层第j各结点之间的连接权系数；

令F_i为频点i处的测量数据中测得的干扰电平值，三层神经网络输出p_i为频点i处的CDMA干扰值，其中，p_i为p_ti；

计算X与Y的相关系数r：

$r=\frac{\mathrm{\ΣXY}-\frac{\mathrm{\ΣX\ΣY}}{n}}{\sqrt{[\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}][\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}]}},$ n＝1，2，3……；

计算各测量数据的干扰的均值：

${\stackrel{\‾}{F}}_i=\frac{1}{N}{F}_i,$ i＝1，2.…23；1001，1002，…1023；

其中，F_i为X，p_i为Y；

如果以下a5、b5两个条件同时成立，则可判断为存在CDMA阻塞干扰：

a5) ${\stackrel{\‾}{F}}_i\≥10,$

b5)r＞0.3。

6.如权利要求1所述的GSM上行干扰源判断方法，其特征在于，在步骤A和步骤B之间还有步骤A2，根据测量数据，利用互调干扰分析算法，判断上行干扰源是否为互调干扰：

令f_im为互调分量，令F_i为频点i处的测量数据测得的干扰电平值，则上行频段内各频点测量数据的干扰电平值与互调分布密度ρ的相关系数为r，其计算公式为： $r=\frac{\mathrm{\Σ}{F}_i\mathrm{\ρ}-\frac{\mathrm{\Σ}{F}_i\mathrm{\Σ\ρ}}{n}}{\sqrt{[\mathrm{\Σ}{F_i}^2-\frac{{\left(\mathrm{\Σ}{F}_i\right)}^2}{n}][\mathrm{\Σ}{\mathrm{\ρ}}^2-\frac{{\left(\mathrm{\Σ\ρ}\right)}^2}{n}]}},$ n＝1，2，3……；

互调分量的均值为：

N是互调分量的频点个数；

如果以下a6、b6、c6三个条件同时成立，则判断为存在互调干扰：

a6)N＞10，

b6) ${\stackrel{\‾}{f}}_{\mathrm{im}}>1.5,$

c6)r＞0.3。

7.如权利要求6所述的GSM上行干扰源判断方法，其特征在于，令α为闲时干扰率，β为忙时干扰率，若以下a7、b7、c7三个条件同时成立时，可判断为存在互调干扰：

a7)f_im∈(所有配置频点或其邻频)，

b7)β≥20％，

c7) $\frac{\mathrm{\β}-\mathrm{\α}}{\mathrm{\β}}\≥30\%.$

8.如权利要求6所述的GSM上行干扰源判断方法，其特征在于，若测量数据为FAS统计结果，则采用以下步骤：

令

为所有频点的闲时平均干扰电平，为互调频点闲时干扰电平的均值，

为互调频点忙时干扰电平的均值，则：

${\stackrel{\‾}{F}}_{\mathrm{free}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{F}_{\mathrm{freei}},$

${\stackrel{\‾}{f}}_{\mathrm{imfree}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{imfreei}},$

${\stackrel{\‾}{f}}_{\mathrm{imbusy}}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{imbusyi}},$

如果以下a8、b8、c8、d8四个条件同时成立，则可判断为存在互调干扰：

a8)N＞10，

b8) ${\stackrel{\‾}{f}}_{\mathrm{im}}>1.5,$

c8) ${\stackrel{\‾}{F}}_{\mathrm{free}}\≥10,$

d8) $\min ({\stackrel{\‾}{f}}_{\mathrm{imfree}}-{\stackrel{\‾}{f}}_{\mathrm{imbusy}})\≥5,$

其中，

为互调频点闲忙时干扰电平均值差值下限；

若测量数据为上行频点扫描结果，则采用以下步骤：

令A为所有频点的主集平均值

的平均值，B为所有频点的分集平均值

的平均值，C为互调频点的主集平均值

的平均值，D为互调频点的分集平均值

的平均值，

则：

如果以下a9、b9两个条件同时成立，则可判断为存在互调干扰：

a9)|C-D|≥5，

b9)|A-B|＜5；

若小区被判断为互调干扰，则：

当C-D＞5时，则主集有问题；

当D-C＞5时，则分集有问题；

当|C-D|＜5时，则主分集均有问题；

当|A-B|≥5，则小区干扰是互调干扰和其他干扰源的混合干扰，所述其他干扰源包括内部直放站干扰、强外部干扰、CDMA阻塞干扰、GRRU干扰、频点干扰。

9.如权利要求1所述的GSM上行干扰源判断方法，其特征在于，步骤C后还有步骤D1，根据非线性数据，利用GRRU干扰分析算法，判断上行干扰源是否为GRRU干扰：

以配置的频点为基准，令为配置频点邻频的干扰电平均值，G_li为非配置频点邻频的干扰电平，F_i为频点i处的非线性数据测得的干扰电平值，则：

G_li＝F_ii∈(非配置频点号)，

如果75％以上的配置频点及非配置频点同时满足以下a10、b10两个条件时，则可判断为存在GRRU干扰。

a10) ${\stackrel{\‾}{F}}_{\mathrm{li}}>4,$

b10)G_li＜2。

10.如权利要求1所述的GSM上行干扰源判断方法，其特征在于，步骤C后还有步骤D2，根据非线性数据，利用频点干扰分析算法，判断上行干扰源是否为频点干扰：

以配置频点为基准，令F_i为配置频点，F_li为邻频的干扰电平；

如果以下a11、b11两个条件同时成立，则可判断为频点干扰，

a11)F_i＞＝10，

b11)F_i-F_li≥2。

Images