CN108135003A - 干扰类型识别模型的构建方法和系统 - Google Patents
干扰类型识别模型的构建方法和系统 Download PDFInfo
- Publication number
- CN108135003A CN108135003A CN201711422031.6A CN201711422031A CN108135003A CN 108135003 A CN108135003 A CN 108135003A CN 201711422031 A CN201711422031 A CN 201711422031A CN 108135003 A CN108135003 A CN 108135003A
- Authority
- CN
- China
- Prior art keywords
- interference
- data
- neural network
- model
- type identification
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及移动通信领域,特别是涉及一种干扰类型识别模型的构建方法和系统。本方案包括以下步骤:基于DNN技术生成干扰类型识别的神经网络模型;从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;从干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据干扰数据训练集对神经网络模型进行训练;若训练结果达到预设条件时,保存神经网络模型的模型参数,得到干扰类型识别模型。上述干扰类型识别模型可以对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
Description
技术领域
本发明涉及移动通信技术领域,特别是涉及一种干扰类型识别模型的构建方法和系统。
背景技术
随着4G基站的全面建设,目前已形成了2G/3G/4G基站共存的局面,已建设的基站中,已发现大量的4G基站受到干扰。这些干扰主要包括2G/3G小区对4G小区的阻塞干扰、互调干扰和杂散干扰等等,此外还有其他无线电设备,例如手机信号屏蔽器带来的外部同频干扰。
经过对大量上行干扰处理的研究,可以得出几种典型干扰的图形特征,通过干扰的图形特征可以识别干扰类型,但是在进行干扰排查工作的时候,仍然需要专业的网络优化人员到达现场才能对干扰进行分类,对个人知识的依赖性很大,而且由于干扰小区数量庞大,对每个干扰小区的干扰类型逐个分析排查需要耗费大量的资源,效率低。
发明内容
基于此,有必要针对干扰需要人工分类排查,效率低的问题,提供一种干扰类型识别模型的构建方法和系统。
一种干扰类型识别模型的构建方法,包括以下步骤:
基于DNN技术生成干扰类型识别的神经网络模型;
从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对所述干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;
从所述干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据所述干扰数据训练集对所述神经网络模型进行训练;
若训练结果达到预设条件时,保存所述神经网络模型的模型参数,得到干扰类型识别模型。
上述干扰类型识别模型的构建方法,通过生成基于DNN技术的干扰类型识别的神经网络模型,并利用干扰数据训练集对神经网络模型进行训练得到干扰类型识别模型,在进行干扰排查时将可在后台系统将干扰波形数据输入至干扰类型识别模型,实现对干扰波形信号的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
在其中一个实施例中,所述神经网络模型的输入层的神经元个数等于所述干扰波形数据量;所述神经网络的输出层的神经元个数等于干扰类型数量。
在其中一个实施例中,所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤,包括以下步骤:
将所述干扰数据训练集中每个干扰波形数据通过所述神经网络模型的输入层输入至所述神经网络模型的隐藏层,其中,所述干扰波形数据经过所述神经网络模型的隐藏层的处理转换后,输出至所述神经网络模型的输出层;
获取所述神经网络模型的输出层的输出结果;
根据所述输出结果以及所述干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化所述神经网络模型的模型参数。
在其中一个实施例中,所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤之前,还包括以下步骤:
对所述干扰数据训练集中每个干扰波形数据进行归一化操作。
在其中一个实施例中,所述得到干扰类型识别模型的步骤之后,还包括以下步骤:
从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;
将所述干扰数据测试集中每个干扰波形数据输入至所述干扰类型识别模型,得到干扰波形数据的干扰类型;
根据得到的干扰波形数据干扰类型以及所述干扰波形数据对应标注的干扰类型获取所述干扰类型识别模型的干扰识别准确率;
若所述干扰识别准确率低于预设干扰识别准确率阈值,根据所述干扰数据训练集对所述干扰类型识别模型再次进行训练,直至达到所述干扰识别准确率阈值。
在其中一个实施例中,所述干扰数据测试集由所述干扰数据样本集除所述干扰数据训练集的干扰数据样本构成。
一种干扰类型识别模型的构建系统,包括:
模型生成模块,用于基于DNN技术生成干扰类型识别的神经网络模型;
样本收集模块,用于从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对所述干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;
模型训练模块,用于从所述干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据所述干扰数据训练集对所述神经网络模型进行训练;
模型获取模块,用于若训练结果达到预设条件时,保存所述神经网络模型的模型参数,得到干扰类型识别模型。
上述干扰类型识别模型的构建系统,通过模型生成模块生成基于DNN技术的干扰类型识别的神经网络模型,模型训练模块利用干扰数据训练集对神经网络模型进行训练得到干扰类型识别模型,在进行干扰排查工作时可在后台系统将干扰信号的干扰波形数据输入至干扰类型识别模型,对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述的干扰类型识别模型的构建方法。
上述计算机设备,通过所述处理器上运行的计算机程序,实现了对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的干扰类型识别模型的构建方法。
上述计算机存储介质,通过其存储的计算机程序,实现了对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
附图说明
图1为本发明一个实施例中干扰类型识别模型的构建方法的流程图;
图2为本发明一个实施例中根据干扰数据训练集对神经网络模型进行训练的流程图;
图3为本发明一个实施例中干扰类型识别模型的构建系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
参见图1,图1为本发明一个实施例中干扰类型识别模型的构建方法的流程图,该实施例中干扰类型识别模型的构建方法,包括以下步骤:
步骤S110:基于DNN技术生成干扰类型识别的神经网络模型。
本步骤中,DNN(Deep Neural Networks,深度神经网络)技术是机械学习技术的一种,在干扰类型识别时通常使用的是资源块的信号强度值组成的一维干扰波形数据,基于DNN技术生成的神经网络模型对一维数据具有良好的处理性。
步骤S120:从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集。
本步骤中,干扰波形数据是由移动通信网络中一组资源块的信号强度值组成,能够客观反映移动网络真实情况,根据资源块的信号强度值的分布规律可以对干扰类型进行分类,且其维度低以及量级不高,有利于干扰类型识别模型的构建。
步骤S130:从干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据干扰数据训练集对神经网络模型进行训练。
步骤S140:若训练结果达到预设条件时,保存神经网络模型的模型参数,得到干扰类型识别模型。
本步骤中,预设条件可以设置为一定的训练次数,即当训练达到一定次数,保存神经网络模型的模型参数;预设条件也可以设置为神经网络模型的干扰类型识别准确率阈值,即当神经网络模型的干扰类型识别准确率达到一定阈值,即保存神经网络模型的模型参数。
上述干扰类型识别模型的构建方法,通过生成基于DNN技术的干扰类型识别的神经网络模型,并利用干扰数据训练集对神经网络模型进行训练得到干扰类型识别模型,在进行干扰排查时无需人工到达现场,可在后台系统将干扰波形数据输入至干扰类型识别模型,实现对干扰波形信号的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
具体的,生成神经网络模型,初始化神经网络模型的层次结构、各层的神经元数量以及各层神经元之间的权值、正则项和激活函数。通过采集已经经过人工干扰类型分析的资源块的信号强度值组成的干扰波形数据,并根据人工干扰类型分析结果对该干扰波形数据标注干扰类型,获得形如(干扰波形数据,干扰类型)的干扰数据样本,形成干扰数据样本集。从干扰数据样本集中随机筛选若干个的干扰数据样本形成干扰数据训练集。利用干扰数据训练集对干扰类型识别神经网络模型进行训练,当训练结果满足预设条件时,结束对干扰类型识别神经网络模型的训练,保存当前的神经网络模型的模型参数,得到干扰类型识别模型。
对于基于DNN技术生成的干扰类型识别的神经网络模型,该神经网络模型包括输入层、输出层以及多层隐藏层,其中,神经网络模型的输入层的神经元数量可以根据待输入的干扰波形数据量进行设置,输出层可以根据干扰类型数量设置。
参见图2,图2为本发明一个实施例中根据干扰数据训练集对神经网络模型进行训练的流程图。本实施例中,根据干扰数据训练集对神经网络模型进行训练的步骤,包括以下步骤:
步骤S131:将干扰数据训练集中每个干扰波形数据通过神经网络模型的输入层输入至神经网络模型的隐藏层,其中,干扰波形数据经过神经网络模型的隐藏层的处理转换后,输出至神经网络模型的输出层;
步骤S132:获取神经网络模型的输出层的输出结果;
步骤S133:根据输出结果以及干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化神经网络模型的模型参数。
上述干扰类型识别的神经网络模型的训练过程,通过输入干扰数据训练集中每个干扰波形数据,计算获得每个干扰波形数据的输出结果,通过每个干扰波形数据输出结果与每个干扰波形数据实际标注的分类结果,对干扰类型识别的神经网络模型的模型参数不断进行优化,提高干扰类型识别的神经网络模型的输出结果与真实标注结果的一致性。
具体的,干扰波形数据进入神经网络模型的输入层,经过输入层后乘以神经元之间的权值,并加上正则项并被激活函数处理后向前传播到隐藏层,每层隐藏层继续对上一层层次输出的干扰波形数据进行相同的处理并向前传播,最终数据到达输出层;利用损失函数计算输出层的输出结果与实际标注的分类结果的损失,通过梯度下降算法反向传播至隐藏层,同时对本层的权值进行优化更新;隐藏层继续通过梯度下降算法反向传播,同时对本层的权值进行优化更新,最终达到输入层;每层神经元之间的权值依次得到优化更新,一次训练完成。
在其中一个实施例中,根据干扰数据训练集对神经网络模型进行训练的步骤之前,还包括以下步骤:
对干扰数据训练集中每个干扰波形数据进行归一化操作。
一般情况下,考虑到干扰类型识别的神经网络模型对数据的输入具有严格要求,而干扰波形数据分布在-100左右的大区间内,因此,在将干扰数据训练集的干扰波形数据输入至干扰类型识别的神经网络模型之前,通过对干扰波形数据进行归一化处理,可以使得干扰波形数据的浮动区间在-1到1之间,适应干扰类型识别的神经网络模型的训练要求,以提高训练效果。
进一步的,可以对干扰数据训练集中每个干扰波形数据对应标注的干扰类型进行独热编码。
在其中一个实施例中,得到干扰类型识别模型的步骤之后,还包括以下步骤:
从干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;
将干扰数据测试集中每个干扰波形数据输入至干扰类型识别模型,得到干扰波形数据的干扰类型;
根据得到的干扰波形数据干扰类型以及干扰波形数据对应标注的干扰类型获取干扰类型识别模型的干扰识别准确率;
若干扰识别准确率低于预设干扰识别准确率阈值,根据干扰数据训练集对干扰类型识别模型再次进行训练,直至达到干扰识别准确率阈值。
上述干扰类型识别模型的测试过程,通过输入干扰数据测试集中每个干扰波形数据,计算获得每个干扰波形数据的输出结果,通过每个干扰波形数据输出结果与每个干扰波形数据实际标注的分类结果进行对比,计算获得对干扰类型识别模型的输出结果的准确率,假如准确率达不到预设阈值,需要对干扰类型识别模型重新进行训练,以保证干扰类型识别模型的对干扰类型分类的性能。其中,干扰类型识别模型重新进行训练的结束条件设置为干扰类型识别模型的干扰类型识别准确率阈值,即当干扰类型识别模型的干扰类型识别准确率达到一定阈值,停止对模型的训练,保存当前干扰类型识别模型的模型参数。
可选的,干扰类型识别模型重新进行训练的结束条件还可以设置为一定次数的训练循环,即当训练循环达到一定次数,停止对模型的训练,保存当前干扰类型识别模型的模型参数。
在其中一个实施例中,干扰数据测试集由干扰数据样本集除干扰数据训练集以外的干扰数据样本构成。
在获取干扰数据样本集以后,按照一定比例将干扰数据样本集随机划分为干扰数据训练集以及干扰数据测试集,使得干扰数据训练集以及测试集具有一定的随机性,避免神经网络模型过拟合训练,降低其准确性。
在其中一个实施例中,在获取干扰类型识别模型后,可以采集待识别干扰波形数据,并将待识别干扰波形数据输入至干扰类型识别模型进行干扰类型识别;获取干扰类型识别结果,根据干扰类型识别结果得到待识别干扰数据的干扰类型。
本实施例中,通过将待识别干扰波形数据输入至干扰类型识别模型,根据干扰类型识别模型输出的结果,能够快速判断待识别干扰波形数据的干扰类型,实现对干扰波形信号的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
为了更加清晰本发明技术方案,下面以带宽为20M的4G网络为例,对本发明实施例的干扰类型识别模型的构建方法进一步阐述。
基于DNN技术生成的干扰类型识别的神经网络模型,初始化神经网络模型的层次结构、各层的神经元数量以及各层神经元之间的权值、正则项和激活函数。神经网络模型包括输入层、输出层以及三层隐藏层,其中,干扰波形数据作为神经网络模型输入层,即输入层的神经元数量设置为100个,第一隐藏层的神经元数量设置为64个,第二隐藏层的神经元数量设置为32个,第三隐藏层的神经元数量设置为16个,这样设置隐藏层保证了神经网络模型对干扰类型识别的良好性能;输出层的神经元设置为6个,对应4G网络下的6中干扰类型。
通过采集已经经过人工干扰类型分析的100个资源块的信号强度值组成的干扰波形数据,并根据人工干扰类型分析结果对该干扰波形数据标注干扰类型,获得形如(RB1,RB2,…,RB100,label)的干扰数据样本。经过一段时间后可以收集到一定的干扰数据样本量,对于存在明显错误或者不完整的干扰数据样本再次进行筛选,剩下的干扰数据样本作为干扰数据样本集。
从干扰数据样本集中随机抽取50%的样本,再按照9:1的比例随机分成训练集和测试集,形成干扰类型识别的神经网络模型的干扰数据训练集和干扰数据测试集。根据神经网络训练的理想状态下干扰数据训练集和干扰数据测试集中各个分类的样本需要趋于均衡,更有利于神经网络模型学习分类规律,基于这一原则,对样本数量太多的分类样本需要随机剔除一部分样本,使每个分类的样本数不至于差距过大,样本数最少的分类保持在样本数最多分类的50%以上。
对干扰数据训练集的干扰波形数据进行归一化处理,将干扰波形数据的浮动区间限制在-1到1之间,并对干扰类型进行独热编码,以适应神经网络模型学习的需要。
将干扰数据训练集加载到干扰类型识别的神经网络模型中,经过输入层后乘以神经元之间的权值,并加上正则项并被激活函数处理后向前传播到隐藏层,每层隐藏层继续对上一层层次输出的干扰波形数据进行相同的处理并向前传播,最终数据到达输出层;利用损失函数计算输出层的输出结果与实际标注的分类结果的损失,通过梯度下降算法反向传播至隐藏层,同时对本层的权值进行优化更新;隐藏层继续通过梯度下降算法反向传播,同时对本层的权值进行优化更新,最终达到输入层;每层神经元之间的权值依次得到优化更新,一次训练完成。当训练次数达到1000次时,保存神经网络模型的模型参数,得到干扰类型识别模型。
在获取干扰类型识别模型后,利用干扰数据测试集对干扰类型识别模型的干扰识别准确率进行测试,假如准确率达不到预设阈值95%,需要对干扰类型识别模型再次进行训练,训练结束后保存模型参数,更新干扰类型识别模型,其中,训练结束条件预设为准确率达到95%,同时训练循环达到1000次结束也作为训练结束设置。
根据上述干扰类型识别模型的构建方法,本发明还提供一种干扰类型识别模型的构建系统,以下就本发明的干扰类型识别模型的构建系统的实施例进行详细说明。
参见图3,图3为本发明一个实施例中干扰类型识别模型的构建系统的结构示意图。本实施例中,干扰类型识别模型的构建系统,包括:
模型生成模块210,用于基于DNN技术生成干扰类型识别的神经网络模型;
样本收集模块220,用于从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;
模型训练模块230,用于从干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据干扰数据训练集对神经网络模型进行训练;
模型获取模块240,用于若训练结果达到预设条件时,保存神经网络模型的模型参数,得到干扰类型识别模型。
本实施例中,通过模型生成模块210生成基于DNN神经网络技术的干扰类型识别的神经网络模型,模型训练模块230利用干扰数据训练集对神经网络模型进行训练得到干扰类型识别模型,在进行干扰排查工作时可以将干扰信号的干扰波形数据输入至干扰类型识别模型,对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
在其中一个实施例中,神经网络模型的输入层的神经元个数等于干扰波形数据量;神经网络的输出层的神经元个数等于干扰类型数量。
在其中一个实施例中,模型训练模块230将干扰数据训练集中每个干扰波形数据通过神经网络模型的输入层输入至神经网络模型的隐藏层,其中,干扰波形数据经过神经网络模型的隐藏层的处理转换后,输出至神经网络模型的输出层;获取神经网络模型的输出层的输出结果;根据输出结果以及干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化神经网络模型的模型参数。
在其中一个实施例中,样本收集模块220对干扰数据训练集中每个干扰波形数据进行归一化操作。
在其中一个实施例中,模型获取模块240从干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;将干扰数据测试集中每个干扰波形数据输入至干扰类型识别模型,得到干扰波形数据的干扰类型;根据得到的干扰波形数据干扰类型以及干扰波形数据对应标注的干扰类型获取干扰类型识别模型的干扰识别准确率;若干扰识别准确率低于预设干扰识别准确率阈值,根据干扰数据训练集对干扰类型识别模型再次进行训练,直至达到干扰识别准确率阈值。
在其中一个实施例中,干扰数据测试集由干扰数据样本集除干扰数据训练集以外的干扰数据样本构成。
本发明的干扰类型识别模型的构建系统与本发明的干扰类型识别模型的构建方法一一对应,在上述干扰类型识别模型的构建方法的实施例阐述的技术特征及其有益效果均适用于干扰类型识别模型的构建系统的实施例中,特此声明。
在一个实施例中,还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现如上述各实施例中的任意一种干扰类型识别模型的构建方法。
该计算机设备,其处理器执行程序时,通过实现如上述各实施例中的任意一种干扰类型识别模型的构建方法,构建干扰类型识别模型实现对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
此外,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各干扰类型识别模型的构建方法的实施例的流程。
在一个实施例中,还提供一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种干扰类型识别模型的构建方法。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
该计算机存储介质,其存储的计算机程序,通过实现包括如上述各干扰类型识别模型的构建方法的实施例的流程,构建干扰类型识别模型实现对干扰的类型进行快速识别,减少资源的浪费,提高对干扰类型的分类效率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种干扰类型识别模型的构建方法,其特征在于,包括以下步骤:
基于DNN技术生成干扰类型识别的神经网络模型;
从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对所述干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;
从所述干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据所述干扰数据训练集对所述神经网络模型进行训练;
若训练结果达到预设条件时,保存所述神经网络模型的模型参数,得到干扰类型识别模型。
2.根据权利要求1所述的干扰类型识别模型的构建方法,其特征在于,所述神经网络模型的输入层的神经元个数等于所述干扰波形数据中数据量;所述神经网络的输出层的神经元个数等于干扰类型数量。
3.根据权利要求1所述的干扰类型识别模型的构建方法,其特征在于,所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤,包括以下步骤:
将所述干扰数据训练集中每个干扰波形数据通过所述神经网络模型的输入层输入至所述神经网络模型的隐藏层,其中,所述干扰波形数据经过所述神经网络模型的隐藏层的处理转换后,输出至所述神经网络模型的输出层;
获取所述神经网络模型的输出层的输出结果;
根据所述输出结果以及所述干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化所述神经网络模型的模型参数。
4.根据权利要求3所述的干扰类型识别模型的构建方法,其特征在于,所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤之前,还包括以下步骤:
对所述干扰数据训练集中每个干扰波形数据进行归一化操作。
5.根据权利要求1所述的干扰类型识别模型的构建方法,其特征在于,所述得到干扰类型识别模型的步骤之后,还包括以下步骤:
从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;
将所述干扰数据测试集中每个干扰波形数据输入至所述干扰类型识别模型,得到干扰波形数据的干扰类型;
根据得到的干扰波形数据干扰类型以及所述干扰波形数据对应标注的干扰类型获取所述干扰类型识别模型的干扰识别准确率;
若所述干扰识别准确率低于预设干扰识别准确率阈值,根据所述干扰数据训练集对所述干扰类型识别模型再次进行训练,直至达到所述干扰识别准确率阈值。
6.根据权利要求5所述的干扰类型识别模型的构建方法,其特征在于,所述干扰数据测试集由所述干扰数据样本集除所述干扰数据训练集的干扰数据样本构成。
7.一种干扰类型识别模型的构建系统,其特征在于,包括:
模型生成模块,用于基于DNN技术生成干扰类型识别的神经网络模型;
样本收集模块,用于从干扰信号获取干扰波形数据,根据干扰信号的干扰类型对所述干扰波形数据进行标注,根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本,并形成干扰数据样本集;
模型训练模块,用于从所述干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集,根据所述干扰数据训练集对所述神经网络模型进行训练;
模型获取模块,用于若训练结果达到预设条件时,保存所述神经网络模型的模型参数,得到干扰类型识别模型。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的干扰类型识别模型的构建方法。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任意一项所述的干扰类型识别模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422031.6A CN108135003A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型识别模型的构建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422031.6A CN108135003A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型识别模型的构建方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108135003A true CN108135003A (zh) | 2018-06-08 |
Family
ID=62392460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711422031.6A Pending CN108135003A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型识别模型的构建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108135003A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价系统 |
CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
WO2020001311A1 (zh) * | 2018-06-29 | 2020-01-02 | 中兴通讯股份有限公司 | 一种检测干扰的方法、装置、设备及存储介质 |
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及系统 |
CN111060755A (zh) * | 2019-11-28 | 2020-04-24 | 北京济松科技有限公司 | 一种电磁干扰诊断方法和装置 |
CN111212435A (zh) * | 2018-11-22 | 2020-05-29 | 大唐移动通信设备有限公司 | 一种抗干扰实现方法及装置 |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111835443A (zh) * | 2020-07-23 | 2020-10-27 | 中国联合网络通信集团有限公司 | 大气波导干扰的抑制方法及装置 |
CN111934796A (zh) * | 2020-07-15 | 2020-11-13 | 山东建筑大学 | 一种lte上行干扰自动标注方法及系统 |
CN112465019A (zh) * | 2020-11-26 | 2021-03-09 | 重庆邮电大学 | 一种基于扰动的对抗样本生成与对抗性防御方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149123A1 (en) * | 2012-03-30 | 2013-10-03 | The Ohio State University | Monaural speech filter |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104866868A (zh) * | 2015-05-22 | 2015-08-26 | 杭州朗和科技有限公司 | 基于深度神经网络的金属币识别方法和装置 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
-
2017
- 2017-12-25 CN CN201711422031.6A patent/CN108135003A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149123A1 (en) * | 2012-03-30 | 2013-10-03 | The Ohio State University | Monaural speech filter |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104866868A (zh) * | 2015-05-22 | 2015-08-26 | 杭州朗和科技有限公司 | 基于深度神经网络的金属币识别方法和装置 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001311A1 (zh) * | 2018-06-29 | 2020-01-02 | 中兴通讯股份有限公司 | 一种检测干扰的方法、装置、设备及存储介质 |
CN111212435A (zh) * | 2018-11-22 | 2020-05-29 | 大唐移动通信设备有限公司 | 一种抗干扰实现方法及装置 |
CN111212435B (zh) * | 2018-11-22 | 2021-03-12 | 大唐移动通信设备有限公司 | 一种抗干扰实现方法及装置 |
CN109919931B (zh) * | 2019-03-08 | 2020-12-25 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价系统 |
CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价系统 |
CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
CN110084126B (zh) * | 2019-03-29 | 2022-01-28 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及系统 |
CN110717028B (zh) * | 2019-10-18 | 2022-02-15 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及系统 |
CN111060755A (zh) * | 2019-11-28 | 2020-04-24 | 北京济松科技有限公司 | 一种电磁干扰诊断方法和装置 |
CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111585671B (zh) * | 2020-04-15 | 2022-06-10 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN111934796A (zh) * | 2020-07-15 | 2020-11-13 | 山东建筑大学 | 一种lte上行干扰自动标注方法及系统 |
CN111934796B (zh) * | 2020-07-15 | 2022-06-17 | 山东建筑大学 | 一种lte上行干扰自动标注方法及系统 |
CN111835443A (zh) * | 2020-07-23 | 2020-10-27 | 中国联合网络通信集团有限公司 | 大气波导干扰的抑制方法及装置 |
CN111835443B (zh) * | 2020-07-23 | 2023-03-24 | 中国联合网络通信集团有限公司 | 大气波导干扰的抑制方法及装置 |
CN112465019A (zh) * | 2020-11-26 | 2021-03-09 | 重庆邮电大学 | 一种基于扰动的对抗样本生成与对抗性防御方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108135003A (zh) | 干扰类型识别模型的构建方法和系统 | |
CN108197545A (zh) | 干扰类型的识别方法和系统 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN104463359A (zh) | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 | |
CN109376933A (zh) | 基于神经网络的锂离子电池负极材料能量密度预测方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN112614552B (zh) | 基于bp神经网络的土壤重金属含量预测方法及系统 | |
CN111709477A (zh) | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 | |
CN104809230A (zh) | 一种基于多分类器集成的卷烟感官质量评估方法 | |
CN108304674A (zh) | 一种基于bp神经网络的铁路软土路基沉降预测方法 | |
CN107255647A (zh) | 基于x射线荧光光谱和深度对抗学习的土壤微量元素含量分析预测方法 | |
CN106971241A (zh) | 基于模糊神经网络预测污水水质数据的方法 | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN108694474A (zh) | 基于粒子群的模糊神经网络池塘溶解氧预测 | |
CN108241662A (zh) | 数据标注的优化方法及装置 | |
CN107194469A (zh) | 基于时间序列数据和随机梯度下降法的网络重构方法 | |
CN105515857B (zh) | 一种基于rbf的城域数据网流量测算方法 | |
CN109358185A (zh) | 基于极限学习机的橡胶配方性能预测模型及预测方法 | |
CN103268391A (zh) | 基于朴素贝叶斯的自适应雷电灾害风险预估方法 | |
CN112381667A (zh) | 一种基于深度学习的配网电气拓扑识别方法 | |
CN108491958A (zh) | 一种短时公交客流弦不变量预测方法 | |
Estes et al. | Classifying Wi-Fi from raw power measurements using a neural network adapted from WaveNet |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180608 |
|
RJ01 | Rejection of invention patent application after publication |