CN107770813B - 基于pca与二维偏度特征的lte上行干扰分类方法 - Google Patents
基于pca与二维偏度特征的lte上行干扰分类方法 Download PDFInfo
- Publication number
- CN107770813B CN107770813B CN201710924058.9A CN201710924058A CN107770813B CN 107770813 B CN107770813 B CN 107770813B CN 201710924058 A CN201710924058 A CN 201710924058A CN 107770813 B CN107770813 B CN 107770813B
- Authority
- CN
- China
- Prior art keywords
- interference
- pca
- prb
- interference level
- classification
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于PCA与二维偏度特征的LTE上行干扰分类方法,该方法首先收集并整理现有LTE基站上行干扰分类数据;然后对数据进行预处理后才用PCA降维并提取二维偏度特征;之后设置模型参数搜索范围得到优化后的分类模型;最后对未知小区进行平均干扰电平统计判断是否存在干扰,存在的话提取本方法特征放入训练好的模型进行预测分类。本发明使用AUC分类性能指标进行评价,本方法能较准确快速地判断上行干扰类别,而且随着上行干扰数据量的增大,分类器性能也会不断提高。
Description
技术领域
本发明涉及的是一种LTE上行干扰分类方法,具体是一种基于PCA与二维偏度特征的LTE上行干扰分类方法。
背景技术
LTE上行干扰水平是评估网络质量的重要指标,当网络受到上行干扰时,上行吞吐量、尤其是小区边缘用户的上行吞吐量将受到影响,干扰严重时甚至会影响用户的接入性能。在现今网络测试方案中,人工上行干扰分类排查方法可以分析已经建设小区所受干扰的情况,但是随着基站网络规模越来越大,网络干扰程度也会愈发严重,未来面对上万基站部署规模,此方法将消耗大量资源且效率低下。造成上行干扰的原因有很多,主要的上行干扰类型包括:互调干扰、阻塞干扰、杂散干扰、外部干扰器干扰、其他干扰。
因此如何快速准确地检测出上行干扰的类型,以便采取对应的干扰规避或者消除手段,以保障用户体验,提高服务质量成为LTE上行干扰的重要问题。在很多的通信网络问题中,传统的解法往往存在计算复杂度高或者检测性能不足等弱点,鉴于此,本发明将机器学习技术引入到LTE上行干扰分类检测中。机器学习是人工智能技术的核心,主要研究如何从观测到的数据分析得到一些规律,进而利用这些规律对未知数据或无法观测到的数据进行预测。
发明内容
本发明目的提供基于PCA与二维偏度特征的LTE上行干扰分类方法,该方法可以根据PRB上行干扰电平实现对LTE上行干扰类型的快速准确识别。
本发明针对现有上行干扰分类排查方法消耗大量资源且效率低下的现象,
本发明是通过以下技术方案实现的,本发明包括如下步骤:
步骤一,收集并整理现有LTE基站上行干扰分类数据,得到PRB上行干扰数据矩阵,分别包含PRB干扰电平特征与标签数据;
所述的PRB干扰电平特征就是每个历史上行干扰基站发生干扰期间的各个物理资源块(Physical Resource Block,PRB)的干扰电平值,单位为dBm;
所述的标签数据就是每个历史上行干扰基站发生干扰期间排查确定的干扰类型。
步骤二,对PRB数据矩阵与标签矩阵进行数据预处理;
所述的数据预处理是删除PRB数据矩阵的存在缺失数据的记录,以及将标签矩阵中不同干扰类型依次编码为0、1、2、3、4,分别代表阻塞干扰,互调干扰、外部干扰器干扰、杂散干扰和其他干扰。
步骤三,利用主成分分析(Principal Component Analysis,PCA)对PRB干扰电平特征进行降维处理得到PCA降维特征,同时对PRB干扰电平特征提取二维偏度特征群,组成PCA-二维偏度组合特征;
所述主成分分析即PCA算法是由K.皮尔森(Karl Pearson)提出将一组可能存在相关性的变量变换为一组线性无关的向量,并且尽可能保留原有数据的信息。
所述二维偏度特征是根据偏度特征推导得到,其中偏度特征指的是随机变量统计数据分布偏斜方向和程度的度量,将其计算原理运用到二维PRB干扰电平数据得到相应二维偏度特征,其计算方式如下:
其中x,y分别表示某一个干扰电平点x轴和y轴的值,xi=1,2,3,…,n,n为基站端配置的RB(Resource Block,RB)数,yi为各个RB对应干扰电平平移修正值,yi=-min(y′)+1+y′i,min(y′)表示所有RB对应干扰电平的最小值,y′为原始干扰电平值,y′i为原始干扰电平值中第i个干扰电平值;
所述二维偏度特征群是对干扰电平数据x轴和y轴进行变换后得到的二维偏度特征组合{xs1,xs2,xs3,xs4},其计算方式如下:
xs1=skewness2d(x,y)
xs2=skewness2d(x,yreverse)
xs3=skewness2d(log(x),y)
xs4=skewness2d(log(x),yreverse)
其中yreverse表示对y进行逆序处理,log(x)表示对x取对数;
步骤四,采用机器学习方法进行LTE上行干扰分类,设置不同机器学习模型各个参数范围及其变化步长,根据各个干扰类型分类性能指标ROC曲线下面积估算值AUC值及模型综合性能指标Macro-Average AUC值选择最优参数和模型,并保存模型运用于应用模块;
所述的不同机器学习模型包括:逻辑回归,决策树,随机森林,梯度提升决策树等;
所述参数类型根据模型不同而不同:例如对于决策树而言有决策树深度,最小分类样本数等。
所述的ROC曲线是对一个二分类问题以预测的假阳性概率(False PositiveRate)为横轴,真阳性(True Positive Rate)为纵轴绘制出来的曲线,ROC曲线下面积估算值记为AUC(Area Under Curve),Macro-Average AUC是对数据集中各个类别AUC指标进行统计计算平均AUC值。
步骤五,应用阶段不断扫描获得小区PRB干扰数据,移除存在缺失数据的记录,统计小区PRB干扰电平平均值Ravg,对Ravg大于阈值的小区判断是否为无干扰小区;
所述的小区PRB干扰电平平均值Ravg计算方式如下:
其中n为基站端配置的RB数,yi为各个RB对应干扰电平平移修正值,yi=-min(y′)+1+y′i,min(y′)表示所有RB对应干扰电平的最小值,y′为原始干扰电平值,yi′为原始干扰电平值中第i个干扰电平值;
步骤六,若步骤五中确定为有干扰小区,则重复步骤三提取干扰特征,并导入步骤四得到的模型进行分类预测,预测概率最大的干扰类型即为分类结果。
进一步地,所述的LTE基站上行干扰分类数据是指PRB上行干扰电平数据及排查后分类结果。
进一步地,步骤三中,对PRB干扰电平特征进行PCA降维后保留方差占比为99%。
进一步地,步骤三中,对PRB干扰电平特征提取二维偏度特征群和PCA降维特征,组成PCA-二维偏度组合特征。
进一步地,步骤四中,参数搜索采用线性固定步长搜索。
进一步地,步骤四中进行模型训练,可在线下进行,模型应用可应用于线上或线下场景。
进一步地,所述的无干扰小区是指PRB干扰电平平均值Ravg小于等于阈值的小区。
与现有技术相比,本发明具有如下有益效果:采用PRB干扰电平作为模型输入,提取PCA降维特征和二维偏度混合特征进行模型训练与干扰识别,能够较准确且快速地判断当前小区受到上行干扰的类型。
附图说明
图1为本发明的流程图。
图2为实施例中PRB干扰电平特征分类器ROC性能曲线(单次测试)。
图3为实施例中本专利特征分类器ROC性能曲线(单次测试)。
具体实施方式
下面对本发明的实施实例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例中LTE上行干扰数据分布如表1所示,分别使用本发明所述方特征和原始PRB干扰电平特征进行多次测试,最终得到各干扰类型AUC指标对比表和分类器AUC指标对比表,分别如表5、表6所示,其中单次测试ROC性能曲线分别如图2、图3所示。
表1 LTE上行干扰数据分布表
本实施例流程图如图1所示,包括如下步骤:
步骤一,收集并整理现有LTE基站上行干扰分类数据,得到PRB干扰数据矩阵,分别包含PRB干扰电平特征与标签数据,具体的PRB干扰电平特征样本如表2所示;
表2 PRB干扰电平特征
步骤二,对PRB数据矩阵与标签矩阵进行数据预处理;
所述的数据预处理是删除PRB数据矩阵的存在缺失数据的记录,以及将标签矩阵中不同干扰类型依次编码,具体的干扰类型编码表如表3所示。
表3干扰类型编码表
步骤三,利用主成分分析(Principal Component Analysis,PCA)对PRB数据矩阵进行降维处理得到PCA降维特征,同时对PRB数据矩阵提取二维偏度特征群,组成PCA-二维偏度组合特征;
主成分分析即PCA算法是由K.皮尔森(Karl Pearson)提出将一组可能存在相关性的变量变换为一组线性无关的向量,并且尽可能保留原有数据的信息,本实施例中保留99%的方差信息。
二维偏度特征具体的计算方式如下:
其中x,y分别表示某一个干扰电平点x轴和y轴的值,xi=1,2,3,…,n,n为基站端配置的RB数,本实施例中n=100,yi为各个RB对应干扰电平平移修正值,yi=-min(y′)+1+y′i,min(y′)表示所有RB对应干扰电平的最小值,y′为原始干扰电平值,y′i为原始干扰电平值中第i个干扰电平值;
所述二维偏度特征群是对干扰电平数据x轴和y轴进行变换后得到的二维偏度特征组合{xs1,xs2,xs3,xs4},其计算方式如下:
xs1=skewness2d(x,y)
xs2=skewness2d(x,yreverse)
xs3=skewness2d(log(x),y)
xs4=skewness2d(log(x),yreverse)
其中yreverse表示对y进行逆序处理,log(x)表示对x取对数;
步骤四,采用机器学习方法进行LTE上行干扰分类,设置不同机器学习模型各个参数范围及其变化步长,根据各个干扰类型分类性能指标ROC曲线下面积估算值AUC值及模型综合性能指标Macro-Average AUC值选择最优参数和模型,并保存模型运用于应用模块;
本实施例采用随机森林模型进行预测,决策树个数搜索范围为:10-500,步长为10,决策树深度范围为1-20,步长为1,叶子节点最小样本数范围为1-10,步长为1,搜索后参数设置如表4所示;
表4实施例中的实验参数设置
步骤五,应用阶段不断扫描获得小区PRB干扰数据,移除存在缺失数据的记录,统计小区PRB干扰电平平均值Ravg,对Ravg大于阈值的小区判断是否为无干扰小区,本实施例中阈值为-110dbm;
所述的小区PRB干扰电平平均值Ravg计算方式如下:
其中n为基站端配置的RB数,yi为各个RB对应干扰电平平移修正值,yi=-min(y′)+1+y′i,min(y′)表示所有RB对应干扰电平的最小值,y′为原始干扰电平值,y′i为原始干扰电平值中第i个干扰电平值;
步骤六,若步骤五中确定为有干扰小区,则重复步骤三提取干扰特征,并导入步骤四得到的模型进行分类预测,预测概率最大的干扰类型即为分类结果。
实验参数设置如表4所示,按照以上步骤得到的实验结果如表5、表6、图2、图3所示。表5为实施例中PRB干扰电平特征与本专利特征各干扰类型AUC指标对比表(多次测试平均值);表6为实施例中PRB干扰电平特征与本专利特征分类器AUC指标对比表(多次测试平均值)。
表5
表6
表5所示的是200个决策树构成的随机森林模型,每个决策树深度为9,叶子节点最小样本数为5,PCA保留方差占比为99%,在表2所示的上行干扰分类数据在100次测试过程中得到PRB干扰电平特征与本专利特征的各干扰类型AUC分类指标对比表。
表6所示的是200个决策树构成的随机森林模型,每个决策树深度为9,叶子节点最小样本数为5,PCA保留方差占比为99%,在表2所示的上行干扰分类数据在100次测试过程中得到PRB干扰电平特征与本专利特征的分类器Macro-average AUC分类指标对比表。
图2所示的是200个决策树构成的随机森林模型,每个决策树深度为9,叶子节点最小样本数为5,PCA保留方差占比为99%,在表2所示的上行干扰分类数据在100次测试其中一次测试过程中得到PRB干扰电平特征ROC分类性能曲线。
图3所示的是200个决策树构成的随机森林模型,每个决策树深度为9,叶子节点最小样本数为5,PCA保留方差占比为99%,在表2所示的上行干扰分类数据在100次测试其中一次测试过程中得到本专利特征ROC分类性能曲线。
Claims (7)
1.一种基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,包括如下步骤:
步骤一、收集并整理LTE基站上行干扰分类数据,得到PRB干扰电平数据矩阵,PRB干扰电平数据矩阵包含PRB干扰电平特征与标签数据;
步骤二、对PRB干扰电平特征与标签数据进行数据预处理;
步骤三、利用主成分分析PCA对PRB干扰电平特征进行降维处理得到PCA降维特征,同时对PRB干扰电平特征提取二维偏度特征群;
所述二维偏度特征计算方式如下:
步骤四,采用机器学习方法进行LTE上行干扰分类,设置不同机器学习模型各个参数范围及其搜索步长,根据各个干扰类型分类性能指标ROC曲线下面积估算值AUC值及模型综合性能指标Macro-Average AUC值选择最优参数和模型,并保存模型运用于应用模块;
步骤六,若步骤五中确定为有干扰小区,则重复步骤三提取干扰特征,并导入步骤四得到的模型进行分类预测,预测概率最大的干扰类型即为分类结果。
2.根据权利要求1所述的基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,所述的LTE基站上行干扰分类数据是指PRB上行干扰电平数据及排查后分类结果。
3.根据权利要求1所述的基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,步骤三中,对PRB干扰电平特征进行PCA降维后保留方差占比为99%。
4.根据权利要求1所述的基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,步骤三中,对PRB干扰电平特征提取二维偏度特征群和PCA降维特征,组成PCA-二维偏度组合特征。
5.根据权利要求1所述的基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,步骤四中,参数搜索采用线性固定步长搜索。
6.根据权利要求1所述的基于PCA与二维偏度特征的LTE上行干扰分类方法,其特征是,步骤四中进行模型训练,能在线下进行,模型应用能应用于线上或线下场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924058.9A CN107770813B (zh) | 2017-09-30 | 2017-09-30 | 基于pca与二维偏度特征的lte上行干扰分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924058.9A CN107770813B (zh) | 2017-09-30 | 2017-09-30 | 基于pca与二维偏度特征的lte上行干扰分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107770813A CN107770813A (zh) | 2018-03-06 |
CN107770813B true CN107770813B (zh) | 2021-03-30 |
Family
ID=61266873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710924058.9A Active CN107770813B (zh) | 2017-09-30 | 2017-09-30 | 基于pca与二维偏度特征的lte上行干扰分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107770813B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112311486B (zh) * | 2019-07-29 | 2021-08-03 | 北京邮电大学 | 一种加速无线网络干扰预测收敛的方法和装置 |
CN111132211B (zh) * | 2019-11-28 | 2023-03-24 | 中国联合网络通信集团有限公司 | 上行干扰类型的检测方法及装置 |
CN113316185B (zh) * | 2021-05-26 | 2023-09-12 | 山东建筑大学 | 基于分类器的lte网络上行干扰类别识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015006940A1 (en) * | 2013-07-17 | 2015-01-22 | Nokia Siemens Networks Oy | Subframe configuration for performing ul-dl interference measurement in guard period of special subframe for wireless networks |
CN104902495A (zh) * | 2014-03-07 | 2015-09-09 | 中国移动通信集团设计院有限公司 | 一种评估td-lte系统干扰的方法和td-lte系统 |
CN105657727A (zh) * | 2014-12-03 | 2016-06-08 | 中国移动通信集团江苏有限公司 | 干扰信号干扰类型的确定方法及其装置 |
CN105703871A (zh) * | 2016-04-19 | 2016-06-22 | 广州逸信电子科技有限公司 | 一种lte上行干扰检测方法 |
CN106788587A (zh) * | 2015-11-16 | 2017-05-31 | 亿阳信通股份有限公司 | 一种干扰类型的确定方法及装置 |
-
2017
- 2017-09-30 CN CN201710924058.9A patent/CN107770813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015006940A1 (en) * | 2013-07-17 | 2015-01-22 | Nokia Siemens Networks Oy | Subframe configuration for performing ul-dl interference measurement in guard period of special subframe for wireless networks |
CN104902495A (zh) * | 2014-03-07 | 2015-09-09 | 中国移动通信集团设计院有限公司 | 一种评估td-lte系统干扰的方法和td-lte系统 |
CN105657727A (zh) * | 2014-12-03 | 2016-06-08 | 中国移动通信集团江苏有限公司 | 干扰信号干扰类型的确定方法及其装置 |
CN106788587A (zh) * | 2015-11-16 | 2017-05-31 | 亿阳信通股份有限公司 | 一种干扰类型的确定方法及装置 |
CN105703871A (zh) * | 2016-04-19 | 2016-06-22 | 广州逸信电子科技有限公司 | 一种lte上行干扰检测方法 |
Non-Patent Citations (3)
Title |
---|
Fast and Accurate Performance Analysis of LTE Radio Access Networks;Anand Padmanabha Iyer等;《arxiv.org》;20160517;全文 * |
Learning-Based Uplink Interference Management in 4G LTE Cellular Systems;Supratim Deb等;《IEEE/ACM TRANSACTIONS ON NETWORKING》;20140215;全文 * |
Resource Management and Inter-Cell-Interference Coordination in LTE Uplink System Using Random Neural Network and Optimization;AHSAN ADEEL等;《IEEE Access》;20151028;第3卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107770813A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860533A (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
CN107770813B (zh) | 基于pca与二维偏度特征的lte上行干扰分类方法 | |
CN111181939A (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
US7725413B2 (en) | Generating two-class classification model for predicting chemical toxicity | |
CN106612511B (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN114386514B (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
CN112163636B (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
Barreto et al. | Condition monitoring of 3G cellular networks through competitive neural models | |
CN112036476A (zh) | 基于二分类业务的数据特征选择方法、装置及计算机设备 | |
CN112817954A (zh) | 一种基于多种方法集成学习的缺失值插补方法 | |
Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
CN116402117A (zh) | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 | |
CN110097120B (zh) | 网络流量数据分类方法、设备及计算机存储介质 | |
CN110111311B (zh) | 一种图像质量评价方法和装置 | |
CN114118460A (zh) | 基于变分自编码器的低压台区线损率异常检测方法及装置 | |
CN105959685B (zh) | 一种基于视频内容及聚类分析的压缩码率预测方法 | |
CN110321930B (zh) | 一种基于循环神经网络的非法广播信号分类方法 | |
CN112199388A (zh) | 陌电识别方法、装置、电子设备及存储介质 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN106372655A (zh) | 一种非平衡iptv数据集上的少数类样本的合成方法 | |
CN109740692A (zh) | 一种基于主成分分析的逻辑斯蒂回归的目标归类方法 | |
CN115660730A (zh) | 基于分类算法的流失用户分析方法及系统 | |
CN111144430A (zh) | 基于遗传算法的养卡号码识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |