CN103679681B - 一种无线网络干扰的分析方法及装置 - Google Patents
一种无线网络干扰的分析方法及装置 Download PDFInfo
- Publication number
- CN103679681B CN103679681B CN201210326060.3A CN201210326060A CN103679681B CN 103679681 B CN103679681 B CN 103679681B CN 201210326060 A CN201210326060 A CN 201210326060A CN 103679681 B CN103679681 B CN 103679681B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- support system
- interference
- frequency distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种无线网络干扰分析的方法，包括以下步骤：获取原始频率分配支撑系统频率分配支撑系统分析图像；分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数；通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图；将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果；根据所述匹配后的结果确定干扰类型。采用本发明公开的方法，实现干扰类型快速、自动定位。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种无线网络干扰的分析方法及装置。
背景技术
GSM（Global System For Mobile Communications 全球移动通信系统）系统的干扰问题一直是影响GSM网络质量的主要因素之一，随着网络规模的不断扩大，网络干扰水平随之出现不同程度的上升，特别是大型城市的网络上行干扰噪声强度提升较为明显。在某些上行干扰较为严重的区域，上行干扰强度、上行通话质量等网络指标出现了较为明显的恶化，对用户感知造成了严重影响。因此，对GSM网络小区进行上行干扰排查整治，成为网络质量提升工作的一项重要内容。按照产生上行干扰的原因划分，当前成熟网络中小区所受的上行干扰如图1所述，主要来自：频率干扰、主设备隐性故障造成的干扰、覆盖延伸设备的干扰、互调干扰、其他通信系统（如CDMA、联通）干扰以及私装放大器干扰等。
对于天馈互调干扰排查，现有的排查定位流程是：首先准备排查数据，包括连续24小时的ICMBAND与话务量等方面KPI数据、收集已明确为外部干扰或直放站干扰等的小区记录信息、整理现网的频率配置信息等，之后通过几个必要条件（早或晚忙时ICM4-5级比例≥30%、根据外部干扰（包括成片区）或直放站干扰等记录信息，排除掉外部干扰及直放站干扰小区、一天24小时话务量与ICM干扰的相关系数>=0.7等条件）初步筛选出疑似互调干扰小区。
对于直放站干扰排查，现有的排查手段是通过比对ICM干扰分析结果和直放站施主信源情况，将干扰小区与直放站关联并分析得出直放站原因造成的网络干扰的站点列表，并将此批点用公式验证核算,筛选出系统上行噪声不满足－120dB的直放站站，初步定位为直放站干扰。
对于码分多址CDMA阻塞干扰，现有的排查手段最直接有效的方法是直接用仪器连接GSM天馈，测试接收到的CDMA带内信号功率，然后与GSM 本身的允许的阻塞电平进行对比，以确认是否产生阻塞干扰；对于CD MA杂散干扰，在天线和测试仪器之间串接一个带通滤波器，如果测试结果中885MHz与GSM带内（889～915MHz）的值是基本一致的并且大于仪器的底噪，或者885MHz开始有平缓的下降，则可能为CDMA杂散干扰；如果现场条件允许，也可以在GSM天馈连接测试仪表情况下，闭塞所怀疑CDMA相应扇区。闭塞后先观察CDMA发射带内功率变化，如果闭塞正确，则所接收的CDMA信号强度明显下降。
从以上举例可以发现，对于干扰排查的传统手段，还是主要依赖人力前往每个干扰站点现场排查，这样不但消耗巨大的人力成本，而且实效性差，效率低下，并对多种原因混杂的干扰缺乏行之有效的分类判断排查手段，缺乏较为全面、系统的干扰原因定位及排查体系，对已有的各类判断及定位排查方法准确性、排查效率不一。另外，当前网络中排查上行干扰一般从干扰最严重的小区入手，对于不同类型的干扰，受限于技术人员的水平、排查效率、后续验证方法等影响，难以对全网所有被认为存在上行干扰的小区做全面分析，对典型小区的定位准确率有限。
目前与本发明技术原理最接近的是基于频率分配支撑系统分析的干扰分析定位方法。所述频率分配支撑系统分析是一种用于频率优化的辅助分析工具，频率分配支撑系统分析图像是指频率分配支撑系统输出的分析图像，频率分配支撑系统分析图像是从这个软件系统上获取的。爱立信与华为均有该类型的工具，但命名有差异，如爱立信称之为 FAS图像。现有技术的方法通过爱立信频率分配支撑系统分析、华为频点扫描话务统计分析，联动相关指标，建立上行干扰原因定位及排查系统。但是目前网络干扰分析存在的突出问题：
1.对多种原因混杂的干扰缺乏行之有效的分类判断排查手段；
2.缺乏较为全面、系统的干扰原因定位、排查体系；
3.已有的各类判断及定位排查方法准确性、排查效率不一。
发明内容
本发明实施例提供一种无线网络干扰的分析方法及装置，本方案基于频率分配支撑系统分析图像的干扰分析算法，建立了各种上行干扰的滤波模型、建立了基于边缘检测算法的图像边缘提取及匹配算法，最终通过以上算法建立了一个全面的、高效的、自动化的干扰分析定位系统。
本发明提供一种无线网络干扰分析的方法，包括以下步骤：
获取原始频率分配支撑系统频率分配支撑系统分析图像；
分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数；
通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图；
将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果；
根据所述匹配后的结果确定干扰类型。
所述进行干扰特征突出处理包括：锐化或平滑所述原始频率分配支撑系统分析图像。
所述通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘包括：分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图象；通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值和梯度方向；通过所述梯度方向对所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像；通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线。
所述分别平滑所述每一个处理后的频率分配支撑系统分析图像包括：通过平滑算法进行平滑。
所述平滑算法为：通过高斯平滑函数进行平滑，算法如下： G(x,y)= f(x,y)*H(x,y)；其中，G(x，y)为平滑后图像，f（x，y）为原始图像，H（x，y）为二维高斯平滑函数。
所述通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值和梯度方向包括：
计算阵列中向量（x，y）的偏导阵列m与n，算法如下：
通过所述偏导阵列m与n计算坐标点（m，n）的偏导数梯度幅值与算法如下：
通过所述偏导数梯度幅值与计算图像边缘强度算法如下：
通过所述图像边缘强度计算边缘方向角算法如下：
所述通过所述梯度方向对所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像包括如下算法：
N[i,j]=NMS(M[i,j],ξ[i,j])；
其中，N[i，j]为非极大值抑制处理后的梯度幅值，NMS为非极大值抑制函数，M[i，j]为邻域的中心像素的梯度幅值，ξ[i,j]为沿着中心像素梯度方向上相邻的两个像素。
所述通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线包括：通过双阈值算法对所述非极大值抑制处理后对应的频率分配支撑系统分析图像的梯度幅值使用低阈值τ1和高阈值τ2，且2τ1≈τ2，获得到两个阈值边缘图象N1［i，j］和N2［i，j］，通过双阈值算法将所述N2［i，j］的边缘连接为轮廓线，具体为：当所述N2［i，j］轮廓为断开状态时，从所述N1［i，j ］的对应的位置寻找可以连接到轮廓上的边缘，直至所述N2［i，j］的边缘连接为轮廓线。
所述N个标准干扰图包括：根据各种频率分配支撑系统分析上行干扰图，分别建立一个与所述频率分配支撑系统分析上行干扰数据匹配的标准干扰图。
所述将所述线性图与N个标准干扰图分别进行匹配包括：基于所述线性图与标准干扰图的图像矩阵进行匹配。
所述基于图像矩阵进行匹配运算具体包括：将所述线性图与标准干扰图中的像素进行分割生成图像矩阵，通过所述图像矩阵获得图像矩阵的隶属度函数；
所述图像矩阵的定义包括：
Sij=S(ri,θj)/‖P‖；
其中S(ri,θj)为分布在图像矩阵维数划分的每一网格内的像素数目，‖P‖为整个图像区域的像素总数，Sij为图像描述矩阵的元素；
将所述线性图与标准干扰图中的像素进行分割生成图像矩阵集合T：
其中，SX与所述SY分别为维数相同的线性图与标准干扰图的图像矩阵，所述和所述分别为所述SX和SY的元素；
通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数为：
其中，R为图像矩阵匹配度，R∈F(T)，μR(x,y)∈[0,1]为图像矩阵元素匹配关系R的隶属函数，x，y分别表示所述SX与所述SY中相对应的矩阵数据，M为通过上述算法获得的矩阵，Mij为所述M中的元素。
所述基于图像矩阵进行匹配运算还包括：根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；
所述图像矩阵的向量为：
其中，所述向量Mr与所述向量Ma分别为所述M中的元素。
所述图像矩阵的径向隶属度与角向隶属度包括：
fr=min{Mr},fa=min{Ma}；
其中，fr为径向隶属度，fa为角向隶属度，分别为所述向量Mr与所述向量Ma中最小元素的值，分别表示所述图像矩阵SX与SY在径向和角向的匹配度R。
所述基于图像矩阵进行匹配运算进一步包括：
根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果；
所述计算所述图像矩阵的隶属度包括：
所述和所述的取值范围为[0，1），通过高斯型隶属函数，计算所述图像矩阵元素匹配关系的隶属函数μR（x，y），
其中，e为自然对数的底，对上述公式进行计算可以得出，
当时，当时，所述匹配结果为所述方向隶属度和所述角度隶属度的平均值，当匹配度Ro≥0.80则被判定为干扰，具体为：
其中，所述Rr为所述径向隶属度的匹配度，所述Ra为所述角向隶属度的匹配度。
本发明实施例提供一种无线网络干扰分析的装置，包括：
图像获取单元，用于获取原始频率分配支撑系统频率分配支撑系统分析图像；
滤波器单元，分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数；
运算单元，用于通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图；
图像匹配单元，用于将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果；
类型确定单元，用于根据所述匹配后的结果确定干扰类型。
所述滤波器单元包括：码分多址CDMA干扰低通滤波器、数字光纤射频拉远单元GRRU干扰锐化滤波器、直放站干扰选频滤波器、强外部干扰平滑滤波器与互调干扰高通滤波器中至少两个以上进行并联。
所述运算单元包括：边缘检测算法子单元与线性图生成子单元。
所述边缘检测算法子单元包括：高斯滤波器子模块，用于分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图象；计算子模块，用于通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值和梯度方向；通过所述对应的平滑后的频率分配支撑系统分析图象的梯度的方向对梯度的幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像；通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线。
所述图像匹配单元包括：图像矩阵生成子单元，用于将所述线性图与标准干扰图中的像素进行分割生成图像矩阵集合T，通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数；计算子单元，用于根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；匹配子单元，用于根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果。
根据本发明的实施方式，通过设计各种干扰类型的特征并形成特征库，由滤波方法对频率分配支撑系统分析图的一些外部干扰滤除，对固有特征进行捕获及放大，从而提升了原始频率分配支撑系统分析图像的真实性，再基于图像边缘提取及匹配算法的干扰定位方法，对采集生成的频率分配支撑系统分析图像与系统特征库图像进行匹配，大大提高了判断定位的准确性及工作效率。如表1所示，分别使用传统判别方法与图像匹配法，统计各干扰类型个20个小区，进行实地排查，然后将排查结果与评估结果对比：
表1、传统判别方法与图像匹配法准确率对比
由表1可以明显看出，经分析图像识别算法较传统算法识别率至少提升 15%。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为上行干扰类型示意图；
图2为本发明实施例一所提供的一种无线网络干扰分析的方法的流程图；
图3为本发明实施例一所提供的一种对平滑后的频率分配支撑系统分析图象梯度幅值进行非极大值抑制的示意图；
图4为本发明实施例二所提供的码分多址CDMA干扰的特征图；
图5a为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5b为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5c为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5d为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5e为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5f为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5g为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5h为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5i为本发明实施例二所提供的CDMA干扰的标准干扰图；
图5j为本发明实施例二所提供的CDMA干扰的标准干扰图；
图6为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的特征图；
图7a为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7b为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7c为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7d为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7e为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7f为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7g为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7h为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图7i为本明实施例二所提供的数字光纤射频拉远单元GRRU干扰的标准干扰图；
图8a为本发明实施例二所提供的直放站干扰的特征图；
图8b为本发明实施例二所提供的直放站干扰的特征图；
图9为本发明实施例二所提供的直放站干扰的标准干扰图；
图10为本发明实施例二所提供的强外部干扰的特征图；
图11为本发明实施例二所提供的强外部干扰的标准干扰图；
图12为本发明实施例二所提供的互调干扰的特征图；
图13为本发明实施例二所提供的互调干扰的标准干扰图；
图14为本发明实施例三所提供的一种无线网络干扰分析的装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然所描述的实施例仅是本发明的一部分实施例，不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图2为本发明实施例一所提供的一种无线网络干扰分析的方法的流程图，如图2所示，该方法包括以下步骤：
S101、获取原始频率分配支撑系统频率分配支撑系统分析图像。所述频率分配支撑系统分析图像全称：频率分配支撑系统分析图像，是爱立信提供的一种用于频率优化的辅助分析工具，频率分配支撑系统分析图像就是从这个软件系统上获取的。本发明通过此工具测量上行工作频段内的各频点的上行干扰均值，并生成干扰图像用于后续的分析。华为也具有同种类型工具，但命名有差异。频率分配支撑系统分析图像就是从这个软件系统上获取的。
S102、分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N 为正整数，所述进行干扰特征突出处理包括：锐化或平滑所述原始频率分配支撑系统分析图像，具体的：通过码分多址CDMA干扰低通滤波器、数字光纤射频拉远单元GRRU干扰锐化滤波器、直放站干扰选频滤波器、强外部干扰平滑滤波器及互调干扰高通滤波器进行干扰特征突出处理，获得对应的处理后的频率分配支撑系统分析图像。
S103、通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图。
所述通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘包括：
分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图象，
具体通过高斯平滑函数进行平滑，算法如下：
G(x,y)=f(x,y)*H(x,y)；
其中，x，y为平面坐标，σ是平滑度，也就是滤波器的频带宽度，值越大平滑程度越好，G(x，y)为平滑后图像，f（x，y）为原始图像， H（x，y）为二维高斯平滑函数。
通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值和梯度方向，具体的：
计算阵列中向量（x，y）的偏导阵列m与n，一阶差分卷积模板算法如下：
通过所述偏导阵列H1与H2计算坐标点（m，n）的偏导数梯度幅值与算法如下：
通过所述偏导数梯度幅值与计算图像边缘强度算法如下：
通过所述图像边缘强度计算边缘方向角算法如下：
如图3所示，一个像素点的周围只有8个像素，如正方形图像所示，而将这八个区域拆分成八个方向就有了圆形图像，由于圆形的对称性，因此只需要考虑4个方向了，以0-3区分。四个扇区的标号为0到3，对应3*3邻域的四种可能组合，通过所述边缘方向角计算出扇区，然后将扇区组合用于求非极大梯度值。
通过上个步骤仅仅得到全局的梯度的幅值和方向并不足以确定边缘，因此为了确定边缘，必须保留局部梯度最大的点。因此，通过所述对应的平滑后的频率分配支撑系统分析图象的梯度的方向对梯度的幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像。如图3所示的，一个像素点它的周围只有8个像素，所以如正方形图像所示，而将这八个区域拆分成八个方向就有了圆形图像，由于圆形的对称性，因此只需要考虑4个方向了，以0-3区分。四个扇区的标号为0到3，对应3*3邻域的四种可能组合。在每一点上，邻域的中心象素M与沿着梯度线相邻的两个象素相比。如果M的梯度值比沿梯度线的两个相邻象素梯度值小，则令M=0，得到如下算法：
N[i,j]=NMS(M[i,j],ξ[i,j])；
其中，i，j表示平面像素的坐标；N[i，j]为非极大值抑制处理后的梯度幅值；NMS为非极大值抑制函数；M[i，j]为邻域的中心像素的梯度幅值，所述中心像素为当前被选中进行要边缘计算的点，如果属于边缘，则有值，否则为0；ξ[i,j]为沿着中心像素梯度方向上相邻的两个像素，所述沿着中心像素梯度方向上相邻的两个像素为利用离散的原型，寻觅当前像素点的梯度方向上相邻的有效像素点，梯度为图像边缘方向的向外垂直方向。
通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线，具体包括：通过双阈值算法对所述非极大值抑制处理后对应的频率分配支撑系统分析图像的梯度幅值使用低阈值τ1和高阈值τ2，且2τ1≈τ2，所述低阈值τ1和高阈值τ2应用于所述高斯平滑函数的平滑度σ中。获得到两个阈值边缘图象N1［i，j ］和N2［i，j］，通过双阈值算法将所述N2［i，j］的边缘连接为轮廓线，具体为：当所述N2［i，j］轮廓为断开状态时，从所述N1［i， j］的对应的位置寻找可以连接到轮廓上的边缘，直至所述N2［i，j］的边缘连接为轮廓线。
S104、将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果。
所述将所述线性图与N个标准干扰图分别进行匹配包括：基于所述线性图与标准干扰图的图像矩阵进行匹配，具体包括：
将所述线性图与标准干扰图中的像素进行分割生成图像矩阵，通过所述图像矩阵获得图像矩阵的隶属度函数；
所述图像矩阵的定义包括：
Sij=S(ri,θj)/‖P‖；
其中S(ri,θj)为分布在图像矩阵维数划分的每一网格内的像素数目，具体的：使用矩阵描述一个图像时，将使用极坐标方式描述，以单位长度的r倍，以及平面坐标系8个方向（0,45,90,135…360）进行描述，例如：3倍单位长度，0-45度之间区域的像素点数量，那么i=3，j= 0；‖P‖为整个图像区域的像素总数，Sij为图像描述矩阵的元素；
将所述线性图与标准干扰图中的像素分别进行匹配运算时形成图像矩阵集合T：
其中，所述SX与所述SY分别为维数相同的线性图与标准干扰图的图像矩阵，所述和所述分别为所述SX和SY的元素；
定义模糊匹配关系，R∈F(T)，F(T)为T的模糊子集的集合。设μR(x, y)∈[0,1]为模糊匹配关系R的隶属度函数，x，y分别表示所述SX与所述SY中相对应的矩阵数据，μR为模糊匹配程度M为通过上述算法获得的矩阵，Mij为所述M中的元素：
表示两图像矩阵SX和SY的对应元素和具有模糊匹配关系R的程度。即当时，表示元素和完全具有模糊匹配关系；而当时，则表示元素和完全不具有模糊匹配关系R；当取0和1之间的某个数值r时，表示元素和具有模糊匹配关系的程度为r。
通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数为：
其中，R为图像矩阵匹配度，R∈F(T)，μR(x,y)∈[0,1]为图像矩阵元素匹配关系R的隶属函数，x，y分别表示所述SX与所述SY中相对应的矩阵数据，M为通过上述算法获得的矩阵，Mij为所述M中的元素。
根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；
所述定义图像矩阵的向量为：
其中，所述向量Mr与所述向量Ma分别为所述M中的元素。
所述图像矩阵的径向隶属度与角向隶属度包括：
fr=min{Mr},fa=min{Ma}；
其中，fr为径向隶属度，fa为角向隶属度，分别为所述向量Mr与所述向量Ma中最小元素的值，分别表示所述图像矩阵SX与SY在径向和角向的匹配度R。
根据所述图像矩阵的隶属函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果；
根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果；
所述计算所述图像矩阵的隶属度包括：
所述和所述的取值范围为[0，1），通过高斯型隶属函数，计算所述图像矩阵元素匹配关系的隶属函数μR（x，y），
其中，e为自然对数的底，对上述公式进行计算可以得出，
当时，当时，所述匹配结果为方向隶属度和角度隶属度的平均值，若干扰测量图与某类干扰基础图像匹配度Ro≥0.80则被判定为干扰，计算公式为：
S105、根据所述匹配后的结果确定干扰类型。当某个处理后的频率分配支撑系统分析图像边缘对应的线性图与其中一个标准干扰图匹配运算的结果Ro≥0.80时，则判定为当前标准干扰图对应的干扰类型。
本发明实施例的技术方案中，通过设计各种干扰类型的滤波器，通过滤波锐化或者平滑，对原始频率分配支撑系统分析图像进行特征捕捉及放大，对无关信息进行滤波处理，处理后的频率分配支撑系统分析图像干扰特征更明显。同时本方案的基于图像边缘提取及匹配算法，将处理后的频率分配支撑系统分析图像与特征库的图像进行匹配，实现干扰类型快速、自动定位。
实施例二
图4-图13为本发明实施例二中各种干扰滤波器及标准干扰图的制作方法。
图4-图5i为码分多址CDMA干扰的特征图及标准干扰图，包括：
如图4所示，码分多址CDMA功放滤波器性能较差的时候将有杂散干扰落入GSM上行工作频段，也就是俗称的拖尾现象，其特点为杂散干扰主要落在GSM上行890-896M左右上行频段内，即落于GSM上行0-30号频点内，因此采用下述低通滤波算法，将无关信号去除：
其中，S、f表示某频点干扰均值，i表示是频点号。
如图5a-图5j所示，根据CDMA干扰滤波后的各种图像，从中抽取了13张具有典型特征的图像作为标准干扰图，图像必然是直角梯形或者三角形，因此，与图5a-图5j相似的频率分配支撑系统分析干扰图即为 C DMA干扰。
图6-图7i为数字光纤射频拉远单元GRRU干扰特征图及标准干扰图，包括：
如图6所示，GRRU干扰为离散的柱状干扰，干扰柱与频点配置相关，为使干扰类型更为直观，对干扰信号进行锐化处理，提升或者降低邻频的干扰电平，使主干扰频点电平与其上下邻频干扰电平相等，使之达到直观锐化的效果，采用下述边缘锐化滤波算法：
设小区配置频点为：n1、n2、n3……nn
其中，S、f表示某频点干扰均值，i、n表示频点号。
根据频率分配支撑系统分析上行干扰数据，建立一个与之匹配的GRRU 干扰原型，GRRU标准干扰图如图7a-图7i所示，为一系列的矩形波，在一定范围内，与GRRU干扰原型相似较高的频率分配支撑系统分析上行干扰波型图，即为GRRU干扰。
图8-图9为直放站干扰特征图及标准干扰图，包括：
如图8所示，直放站干扰特点是频带宽，占据整个上行，且幅度不稳定，移动自有源直放站都带有一个滤波器，该滤波器设置在与联通GSM频段交界处（909M）处，干扰信号在处有一个快衰落，因此采用选频滤波器，选取中一段有直放站干扰特性的频段进行分析，选频滤波器如下所示：
其中，S、f表示某频点干扰均值，i表示频点号。
根据频率分配支撑系统分析上行干扰数据，建立一个与之匹配的直放站干扰原型，直放站干扰的标准干扰图，如图9所示，为一个较大的方波。
图10-图11为强外部干扰特征图及标准干扰图，包括：
如图10所示，强外部干扰为全频段干扰，干扰幅度不稳定，可能为平滑线，也可能呈现锯齿状，为使干扰类型更为直观，对干扰信号进行平滑处理，使之呈现线性平滑线，以便于后续图片匹配，边缘平滑算法如下：
其中，S、f表示某频点干扰均值，i表示频点号。
根据频率分配支撑系统分析上行干扰数据，建立一个与之匹配的强外部干扰原型，强外部干扰原型如图11所示，为一个大型的方波。
图12-图13为互调干扰特征图及标准干扰图，包括：
如图12所示互调干扰的特点是，频率越高，互调干扰电平越大，频率越低，互调干扰越小，在上行频率前半段，基本上不发生互调干扰，由此为去除多余信号，保留互调干扰波型特征，因此采用高通滤波器，保留高频段互调特征信号，高通滤波算法如下：
其中，S、f表示某频点干扰均值，i表示频点号。
如图13所示，为根据频率分配支撑系统分析上行干扰数据，建立一个与之匹配的互调干扰标准干扰图。
本实施例的技术方案通过原始频率分配支撑系统分析图像，设计了各种干扰类型的特征并形成特征库，通过滤波方法对频率分配支撑系统分析图的一些外部干扰滤除，对固有特征进行捕获及放大，从而提升了原始频率分配支撑系统分析图像的真实性，提高了后期匹配的精准度。
实施例三
图14为本发明实施例三提供一种无线网络干扰分析的装置。
如图14所示，该装置包括：
图像获取单元，用于获取原始频率分配支撑系统频率分配支撑系统分析图像。
滤波器单元，用于分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数。所述滤波器单元包括：码分多址CDMA干扰低通滤波器、数字光纤射频拉远单元GRRU干扰锐化滤波器、直放站干扰选频滤波器、强外部干扰平滑滤波器及互调干扰高通滤波器中至少两个以上进行并联。
运算单元，用于通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图，所述运算单元包括：边缘检测算法子单元与线性图生成子单元。所述边缘检测算法子单元具体包括：高斯滤波器子模块，用于分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图象；计算子模块，用于通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图象的梯度幅值和梯度方向；通过所述对应的平滑后的频率分配支撑系统分析图象的梯度的方向对梯度的幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像；通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线。
图像匹配单元，用于将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果。所述图像匹配单元包括：图像矩阵生成子单元，用于将所述线性图与标准干扰图中的像素进行分割生成图像矩阵集合T，通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数；计算子单元，用于根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；匹配子单元，用于根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果。
类型确定单元，用于根据所述匹配后的结果确定干扰类型。
该装置工作过程具体为：图像获取单元获取原始频率分配支撑系统频率分配支撑系统分析图像，并将该图像发送至滤波器单元；所述滤波器单元中的至少两个以上进行并联的滤波器分别对所述频率分配支撑系统分析图像进行干扰特征突出处理，并将处理后的至少两个频率分配支撑系统分析图像发送至运算单元；所述运算单元中的边缘检测算法子单元分别提取所述处理后的至少两个频率分配支撑系统分析图像边缘的轮廓线，通过运算单元中的线性图生成子单元分别生成至少两个线性图，并将所述至少两个线性图发送至图像匹配单元，所述图像匹配单元将至少两个线性图分别与标准干扰图进行匹配，并将匹配结果发送至类型确定单元；所述类型确定单元根据匹配结果确定干扰类型。
本发明实施例的技术方案中，通过设计各种干扰类型的滤波器，通过滤波锐化或者平滑，对原始频率分配支撑系统分析图像进行特征捕捉及放大，对无关信息进行滤波处理，处理后的频率分配支撑系统分析图像干扰特征更明显。同时本方案的基于图像边缘提取及匹配算法，将处理后的频率分配支撑系统分析图像与特征库的图像进行匹配，实现干扰类型快速、自动定位。
以上所述，仅为本发明的具体实施例，但本发明的特征并不局限于此，任何熟悉该项技术的人在本发明领域内，可轻易想到的变化或修饰，都应涵盖在以下本发明的申请专利范围中。
Claims (18)
1.一种无线网络干扰分析的方法，其特征在于，包括以下步骤：
获取原始频率分配支撑系统分析图像；
分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数；
通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图；
将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果；
根据所述匹配后的结果确定干扰类型。
2.根据权利要求1所述的方法，其特征在于，所述进行干扰特征突出处理包括：锐化或平滑所述原始频率分配支撑系统分析图像。
3.根据权利要求1所述的方法，其特征在于，所述通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘包括：
分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图像；
通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图像的梯度幅值和梯度方向；
通过所述梯度方向对所述对应的平滑后的频率分配支撑系统分析图像的梯度幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像；
通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线。
4.根据权利要求3所述的方法，其特征在于，所述分别平滑所述每一个处理后的频率分配支撑系统分析图像包括：通过平滑算法进行平滑。
5.根据权利要求4所述的方法，其特征在于，所述平滑算法为：通过高斯平滑函数进行平滑，算法如下：
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>;</mo>
</mrow>
G(x,y)＝f(x,y)*H(x,y)；
其中，G(x，y)为平滑后图像，f(x，y)为原始图像，H(x，y)为二维高斯平滑函数。
6.根据权利要求3所述的方法，其特征在于，所述通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图像的梯度幅值和梯度方向包括：
计算阵列中向量(x，y)的偏导阵列m与n，算法如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "|" close = "|">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfenced open = "|" close = "|">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
通过所述偏导阵列m与n计算坐标点(m，n)的偏导数梯度幅值与算法如下：
通过所述偏导数梯度幅值与计算图像边缘强度算法如下：
通过所述图像边缘强度计算边缘方向角算法如下：
7.根据权利要求3所述的方法，其特征在于，所述通过所述梯度方向对所述对应的平滑后的频率分配支撑系统分析图像的梯度幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像包括如下算法：
N[i，j]＝NMS(M[i，j]，ξ[i，j])；
其中，N[i，j]为非极大值抑制处理后的梯度幅值，NMS为非极大值抑制函数，M[i，j]为邻域的中心像素的梯度幅值，ξ[i，j]为沿着中心像素梯度方向上相邻的两个像素。
8.根据权利要求3所述的方法，其特征在于，所述通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线包括：
通过双阈值算法对所述非极大值抑制处理后对应的频率分配支撑系统分析图像的梯度幅值使用低阈值τ1和高阈值τ2，且2τ1≈τ2，获得到两个阈值边缘图像N1[i，j]和N2[i，j]，通过双阈值算法将所述N2[i，j]的边缘连接为轮廓线，具体为：当所述N2[i，j]轮廓为断开状态时，从所述N1[i，j]的对应的位置寻找可以连接到轮廓上的边缘，直至所述N2[i，j]的边缘连接为轮廓线。
9.根据权利要求1所述的方法，其特征在于，所述N个标准干扰图包括：根据各种频率分配支撑系统分析上行干扰图，分别建立一个与所述频率分配支撑系统分析上行干扰数据匹配的标准干扰图。
10.根据权利要求1所述的方法，其特征在于，所述将所述线性图与N个标准干扰图分别进行匹配包括：基于所述线性图与标准干扰图的图像矩阵进行匹配。
11.根据权利要求10所述的方法，其特征在于，所述基于图像矩阵进行匹配运算具体包括：
将所述线性图与标准干扰图中的像素进行分割生成图像矩阵，通过所述图像矩阵获得图像矩阵的隶属度函数；
所述图像矩阵的定义包括：
Sij＝S(ri,θj)/||P||；
其中S(ri,θj)为分布在图像矩阵维数划分的每一网格内的像素数目，||P||为整个图像区域的像素总数，Sij为图像描述矩阵的元素；
将所述线性图与标准干扰图中的像素进行分割生成图像矩阵集合T：
<mrow>
<mi>T</mi>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>X</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>Y</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>X</mi>
</msubsup>
<mo>&Element;</mo>
<msup>
<mi>S</mi>
<mi>X</mi>
</msup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>Y</mi>
</msubsup>
<mo>&Element;</mo>
<msup>
<mi>S</mi>
<mi>Y</mi>
</msup>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中，SX与所述SY分别为维数相同的线性图与标准干扰图的图像矩阵，所述和所述分别为所述SX和SY的元素；
通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数为：
<mrow>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&mu;</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>X</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>Y</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>m</mi>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>;</mo>
</mrow>
其中，R为图像矩阵匹配度，R∈F(T)，μR(x,y)∈[0,1]为图像矩阵元素匹配关系R的隶属函数，x，y分别表示所述SX与所述SY中相对应的矩阵数据，M为通过上述算法获得的矩阵，Mij为所述M中的元素。
12.根据权利要求11所述的方法，其特征在于，所述基于图像矩阵进行匹配运算还包括：
根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；
所述图像矩阵的向量为：
<mrow>
<msub>
<mi>M</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>M</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
<mo>;</mo>
</mrow>
其中，所述向量Mr与所述向量Ma分别为所述M中的元素；
所述图像矩阵的径向隶属度与角向隶属度包括：
fr＝min{Mr},fa＝min{Ma}；
其中，fr为径向隶属度，fa为角向隶属度，分别为所述向量Mr与所述向量Ma中最小元素的值，分别表示所述图像矩阵SX与SY在径向和角向的匹配度R。
13.根据权利要求12所述的方法，其特征在于，所述基于图像矩阵进行匹配运算进一步包括：
根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果；
所述计算所述图像矩阵的隶属度包括：
所述和所述的取值范围为[0，1)，通过高斯型隶属函数，计算所述图像矩阵元素匹配关系的隶属函数μR(x，y)，
<mrow>
<msub>
<mi>&mu;</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>e</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mi>e</mi>
<mrow>
<mi>e</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，e为自然对数的底，对上述公式进行计算可以得出，
<mrow>
<msub>
<mi>&mu;</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>X</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>Y</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
当时，当时，
<mrow>
<msub>
<mi>&mu;</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>X</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>Y</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&RightArrow;</mo>
<mn>0</mn>
<mo>;</mo>
</mrow>
所述匹配结果为所述径向隶属度和所述角向隶属度的平均值，当匹配度Ro≥0.80则被判定为干扰，具体为：
<mrow>
<msub>
<mi>R</mi>
<mi>o</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>r</mi>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
其中，所述Rr为所述径向隶属度的匹配度，所述Ra为所述角向隶属度的匹配度。
14.一种无线网络干扰分析的装置，其特征在于，包括：
图像获取单元，用于获取原始频率分配支撑系统频率分配支撑系统分析图像；
滤波器单元，分别对所述原始频率分配支撑系统分析图像进行N次干扰特征突出处理，获得对应的N个处理后的频率分配支撑系统分析图像，所述N为正整数；
运算单元，用于通过边缘检测算法分别提取每一个处理后的频率分配支撑系统分析图像边缘，生成每一个处理后的频率分配支撑系统分析图像边缘对应的线性图；
图像匹配单元，用于将生成的所述每一个处理后的频率分配支撑系统分析图像边缘对应的线性图与N个标准干扰图分别进行匹配运算，获得匹配后的结果；
类型确定单元，用于根据所述匹配后的结果确定干扰类型。
15.根据权利要求14所述的装置，其特征在于，所述滤波器单元包括：
码分多址CDMA干扰低通滤波器、数字光纤射频拉远单元GRRU干扰锐化滤波器、直放站干扰选频滤波器、强外部干扰平滑滤波器与互调干扰高通滤波器中至少两个以上进行并联。
16.根据权利要求15所述的装置，其特征在于，所述运算单元包括：边缘检测算法子单元与线性图生成子单元。
17.根据权利要求16所述的装置，其特征在于，所述边缘检测算法子单元包括：
高斯滤波器子模块，用于分别平滑所述每一个处理后的频率分配支撑系统分析图像，获得对应的平滑后的频率分配支撑系统分析图像；
计算子模块，用于通过一阶偏导的有限差分计算所述对应的平滑后的频率分配支撑系统分析图像的梯度幅值和梯度方向；通过所述对应的平滑后的频率分配支撑系统分析图像的梯度的方向对梯度的幅值进行非极大值抑制，获得非极大值抑制处理后对应的频率分配支撑系统分析图像；通过双阈值算法提取所述非极大值抑制处理后对应的频率分配支撑系统分析图像边缘的轮廓线。
18.根据权利要求14所述的装置，其特征在于，所述图像匹配单元包括：
图像矩阵生成子单元，用于将所述线性图与标准干扰图中的像素进行分割生成图像矩阵集合T，通过所述图像矩阵集合T可以得出所述图像矩阵的隶属度函数；
计算子单元，用于根据所述图像矩阵集合T及图像矩阵的隶属度函数获得所述图像矩阵的向量、径向隶属度与角向隶属度；
匹配子单元，用于根据所述图像矩阵的隶属度函数、径向隶属度与角向隶属度，计算所述图像矩阵的隶属度，获得匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210326060.3A CN103679681B (zh) | 2012-09-06 | 2012-09-06 | 一种无线网络干扰的分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210326060.3A CN103679681B (zh) | 2012-09-06 | 2012-09-06 | 一种无线网络干扰的分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103679681A CN103679681A (zh) | 2014-03-26 |
| CN103679681B true CN103679681B (zh) | 2017-12-19 |
Family
ID=50317136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210326060.3A Active CN103679681B (zh) | 2012-09-06 | 2012-09-06 | 一种无线网络干扰的分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103679681B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375046B (zh) * | 2016-08-31 | 2019-03-26 | 成都九华圆通科技发展有限公司 | 一种运用k线图进行无线电信号精确干扰分析的方法 |
| CN110460399A (zh) * | 2018-05-07 | 2019-11-15 | 中国移动通信集团山西有限公司 | 波形图像处理方法、识别处理器、系统、设备和介质 |
| CN110378918B (zh) * | 2019-03-22 | 2020-05-08 | 城云科技（中国）有限公司 | 图像检测报警系统 |
| CN110488101A (zh) * | 2019-08-26 | 2019-11-22 | 广东电网有限责任公司 | 一种天线辐射性能分析方法、装置及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1798414A (zh) * | 2004-12-23 | 2006-07-05 | 华为技术有限公司 | 一种定位上行干扰源的方法 |
| CN102340799A (zh) * | 2011-11-09 | 2012-02-01 | 广州逸信电子科技有限公司 | 一种gsm上行干扰源判断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1501234A1 (de) * | 2003-07-25 | 2005-01-26 | Com-Research GmbH Solutions for Communication Systems | Verfahren und Vorrichtung zur Bestimmung des dominanten Störtyps |
-
2012
- 2012-09-06 CN CN201210326060.3A patent/CN103679681B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1798414A (zh) * | 2004-12-23 | 2006-07-05 | 华为技术有限公司 | 一种定位上行干扰源的方法 |
| CN102340799A (zh) * | 2011-11-09 | 2012-02-01 | 广州逸信电子科技有限公司 | 一种gsm上行干扰源判断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103679681A (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105825238B (zh) | 一种视觉显著性目标的检测方法 | |
| CN103679681B (zh) | 一种无线网络干扰的分析方法及装置 | |
| CN102930296B (zh) | 一种图像识别方法及装置 | |
| CN106899935A (zh) | 一种基于无线接收设备和摄像头的室内定位方法及系统 | |
| CN107567035B (zh) | 一种网络覆盖评估方法和装置 | |
| CN104429113B (zh) | 网络覆盖的检测方法及装置 | |
| CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
| CN105976392B (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
| US20130150074A1 (en) | Crime Investigation Methods, Evidence Generation Methods, And Wireless Communications System Analysis Methods | |
| CN105872481B (zh) | 结合视觉信号与无线信号的跟踪定位装置、方法与系统 | |
| CN107484240A (zh) | 一种基于指纹进行定位的方法及装置 | |
| CN104715127A (zh) | 一种投诉热点区域识别方法及系统 | |
| CN107886507A (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
| CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
| CN108446637B (zh) | 基于立体图模型的sar图像变化检测方法 | |
| CN104809735B (zh) | 基于傅里叶变换实现图像雾霾评价的系统及方法 | |
| CN104602271B (zh) | 一种覆盖优化中问题区域的生成方法及装置 | |
| CN103415035A (zh) | 基于mr测量报告建立td-s干扰矩阵的系统及其实现方法 | |
| CN108271244A (zh) | 移动终端的定位方法及装置 | |
| CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 | |
| CN118113919A (zh) | Gdp空间化的方法 | |
| CN103402211B (zh) | 一种量化得到td-s频率扰码干扰程度的算法 | |
| CN106131953A (zh) | 一种基于时段内小区频次加权实现移动用户定位的方法 | |
| CN116300908A (zh) | 清洁地图中任务区域的生成方法、装置及设备 | |
| CN113747477B (zh) | 实现针对共建5g网络基站进行核查处理的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |