CN108375363A - 天线方位角偏转核查方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例提供了一种天线方位角偏转核查方法、装置、设备及介质，其中，所述方法包括：获取小区接收电平的地理位置分布数据；将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。本发明实施例能够解决现有技术中在天线方位角核查时人力成本较大且准确率较低的技术问题。

Description

天线方位角偏转核查方法、装置、设备及介质

技术领域

本发明涉及无线网技术领域，尤其涉及一种天线方位角偏转核查方法、装置、设备及介质。

背景技术

天线方位角作为日常网络优化的基础数据，其准确性直接影响后续网络优化的质量和效率。

现有天线方位角核查主要有两种方法：1、通过派塔工和优化工程师现场测量记录，排查天馈线，以便得到准确的小区天线方位角。2、通过分析邻区切换分析，判断天线是否接反。

现有技术的方法1需要有登高资质的人员，且人工投入较大，核查周期较长，只能通过实际测量才能发现天线方向与工参记录是否一致(或存在较大偏转)。现有技术的方法2只能检出天线接反(天线偏转的一种特殊情况)的问题，数据呈现不直观，并且检出率和准确率都较低。

综上所述，现有技术在天线方位角核查时，人力成本较大，且准确率较低。

发明内容

本发明实施例提供了天线方位角偏转核查方法、装置、设备及介质，能够解决天线方位角核查时人力成本较大且准确率较低的技术问题。

第一方面，本发明实施例提供了一种天线方位角偏转核查方法，述方法包括：获取小区接收电平的地理位置分布数据；将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

第二方面，本发明实施例提供了一种天线方位角偏转核查装置，所述装置包括：获取模块，用于获取小区接收电平的地理位置分布数据；识别模块，用于将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

第三方面，本发明实施例提供了一种天线方位角偏转核查设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

本发明实施例提供的天线方位角偏转核查方法、装置、设备及介质，通过引入神经网络模型，能够解决现有技术中在天线方位角核查时人力成本较大且准确率较低的技术问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了本发明一个实施例的天线方位角偏转核查方法的流程图；

图2是本发明一个实施例的识别矩阵创建和数据训练流程图；

图3是本发明一个实施例的小区覆盖等值线图；

图4是本发明一个实施例的小区覆盖识别矩阵示意图；

图5是本发明一个实施例的加噪后的识别矩阵示意图；

图6(a)-图6(d)是本发明一个实施例的对识别矩阵进行不同角度偏转后的样本数据示意图；

图7是本发明一个实施例的无法识别的样本数据示意图；

图8是本发明一个实施例的方位角偏转预测的流程图；

图9(a)-图9(b)是本发明一个实施例的栅格化处理等值线图对比；

图10是本实施例中生成的小区覆盖等值线图的一个示例；

图11是本实施例生成的主覆盖区域图的一个示例；

图12是本发明实施例的天线方位角偏转核查装置结构图；

图13示出了本发明一个实施例提供的天线方位角偏转核查设备的硬件结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，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描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

图1示出了本发明一个实施例的天线方位角偏转核查方法的流程图，所述方法包括：

S102，获取小区接收电平的地理位置分布数据；

S104，将地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

可选的，获取小区接收电平的地理位置分布数据包括：接收蜂窝网络终端的测量报告和用户OTT(Over The Top)终端的经纬度信息；根据测量报告和经纬度信息得到小区接收电平的地理位置分布信息。

可选的，将地理位置分布数据输入到神经网络模型中包括：将地理位置分布数据栅格化后生成识别矩阵；对矩阵进行列归一化生成一个包含N维的待预测数据，将N维的待预测数据输入到神经网络模型中，其中，N为正整数。优选的，N为16。

可选的，将地理位置分布数据栅格化后生成小区覆盖等值线图和主覆盖区域图，供现场验证参考。

可选的，在将地理位置分布数据输入到神经网络模型中之前，还包括：使用小区信号强度和天线方位角的偏转角度作为样本数据训练神经网络模型。可选的，神经网络模型包括：支持向量机SVM神经网络模型和/或学习向量量化LVQ神经网络模型。

使用小区信号强度和天线方位角的偏转角度作为样本数据训练SVM神经网络模型的步骤包括：针对M个偏转角度分别生成角度偏转的样本矩阵与无法识别的偏转矩阵，组成M对二分训练样本，其中，M为大于1的正整数；使用M对二分训练样本训练SVM神经网络模型。M越大精确度越高，可根据设备计算能力和天线可偏转的最大值选择。

可选的，在使用M对二分训练样本训练SVM神经网络模型之前，方法还包括：对M对二分训练样本中的每对进行随机加噪处理，生成多个识别矩阵；对识别矩阵进行归一化处理生成包含多维的训练数据。

使用小区信号强度和天线方位角的偏转角度作为样本数据训练LVQ神经网络模型包括：针对K个偏转角度分别生成角度偏转的样本矩阵与无法识别的偏转矩阵，组成K对二分训练样本，其中，K为大于1的正整数；使用K对二分训练样本训练LVQ神经网络模型。K越大精确度越高，可根据设备计算能力和天线可偏转的最大值选择。

可选的，在使用K对二分训练样本训练LVQ神经网络模型之前，方法还包括：对K对二分训练样本中的每对进行随机加噪处理，生成多个识别矩阵；对识别矩阵进行归一化处理生成包含多维的训练数据。

可选的，将地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度，包括：将地理位置分布数据输入SVM神经网络模型和LVQ神经网络模型中，分别识别出第一小区天线方位角偏转角度和第二小区天线方位角偏转角度。

可选的，可以使用交叉验证的方式得到结果，在分别识别出第一小区天线方位角偏转角度和第二小区天线方位角偏转角度之后，该方法还包括：在第一小区天线方位角偏转角度和第二小区天线方位角偏转角度一致时，输出第一小区天线方位角偏转角度或第二小区天线方位角偏转角度，作为识别出的小区天线方位角偏转角度。在一个实施例中，在不一致时，输出为无法识别。

下面结合具体的示例性实施方式进行详细说明。

本发明基于大数据应用背景，利用LTE小区用户的测量报告和用户OTT上报的经纬度信息，实现小区接收电平的地理位置分布。通过小区信号强度分布和天线方位角关系的数学模型建模，输入到神经网络进行训练学习，并利用神经网络(例如，SVM、LVQ)的二元分类算法交叉验证，预测小区天线覆盖方向与工参记录方位角的偏转角度。

本申请通过筛选天线方位角记录与实际天线方位角一致的小区覆盖采样数据，通过人为对方位角偏转，生成方位角偏转识别矩阵数据。分别用SVM和LVQ两种神经网络的分类算法进行数据训练。利用训练对全网其他小区的天线方向角进行偏转角度识别，并预测系统记录的天线方位角与实际天线方位角的偏转角度。同时利用生成的覆盖等值线图指导现场核查。下面利用流程图说明本申请的实现方法。

图2是本发明一个实施例的识别矩阵创建和数据训练流程图，识别矩阵创建和数据训练流程包括：

Step1：以小区方位角为Y轴方向(第一视角图)对经纬度数据进行偏转，并映射到直角坐标系中。

Step2：以30*30栅格计算覆盖平均电平前30％的栅格最小区值为小区覆盖重心电平门限值。通过matlab griddata函数进行“natural”插值，形成电平等值线矩阵(500*500)，汇聚成16*16栅格，其中10％的原始栅格电平值大于门限值，则置1，否则置0。利用已核实天线方位角记录与实际天线方位角一致的小区覆盖数据，生成识别矩阵数据。图3是本发明一个实施例的小区覆盖等值线图，图4是本发明一个实施例的小区覆盖识别矩阵示意图。

Step3：数据加噪

通过随机函数对16*16的矩阵单元进行数值翻转，对天线识别矩阵进行加噪，加噪门限例如为10％。图5是本发明一个实施例的加噪后的识别矩阵示意图：

Step4：生成角度偏转的样本

根据角度核查的精度要求(以90度间隔为例)，对识别矩阵进行角度偏转，生成偏转后的样本数据。图6(a)-图6(d)是本发明一个实施例的对识别矩阵进行不同角度偏转后的样本数据示意图，分别为：偏转0度，偏转-90度，偏转180度，偏转90度。

Step5：生成无法识别的样本

利用随机函数生成16*16的(0,1)矩阵，作为无法识别的样本数据。图7是本发明一个实施例的无法识别的样本数据示意图。

Step6：训练样本生成

利用Step4、5步骤分别对每种偏转随机加噪生成N(N尽量大，如100)个识别矩阵，并对矩阵进行列归一化(将列看成16位二进制数，并归一化到0～1之间)，生成一个包含16维的训练数据。依次按照每个偏转角度的训练数据与无法识别的训练数据配对进行二元分类训练。在进行SVM神经网络训练时，将角度偏转的标签置为1，无法识别的标签置为0。在进行LVQ神经网络训练时，将角度偏转的标签置为2，无法识别的标签置为1。最终分别训练出偏转角度的SVM和LVQ神经网络。

Step7：神经网络SVM和LVQ训练

作为一个示例性实施例，本申请将天线方位角偏转分为24种，如下：

Rot＝[0；-15；15；-30；30；-45；45；-60；60；-75；75；90；90；-105；105；-120；120；-135；135；-150；150；-165；165；180]。

针对24种偏转角度分别生成角度偏转的样本矩阵，然后和无法识别偏转矩阵分别组成24对二分训练样本，每对二分训练样本，还可进行随机加噪进行不同样本训练。

在一个示例性实施例中，神经网络SVM训练可以根据如下步骤实现：

for i＝1:srot％srot代表24种偏转角度

r＝[r1；r2]％r代表二分标签，r1＝0代表无法识别r2＝1代表可识别

g＝[gall(index1,:)；gall(index2,:)]％gall代表二分训练样本

Net＝svmtrain(r,g)；％神经网络SVM分类器训练学习24对二分样本

SVMNet[SVMNet；Net]；％神经网络SVM分类器组合24种训练模型。

在一个示例性实施例中，神经网络LVQ训练可以通过如下步骤实现：

for i＝1:srot％srot代表24种偏转角度

r＝[r1；r2]％r代表二分标签，r1＝0代表无法识别r2＝1代表可识别

g＝[gall(index1,:)；gall(index2,:)]％gall代表二分训练样本

P_train＝g’；

Tc_train＝[r+1]’；

T_train＝ind2vec(Tc_train)；

Net＝newlvq(minmax(P_train),20,[rate_B rate_M],0,01,’learnlv1’)

％Net为创建学习向量量化网络

％minmax(P_train)为二分训练样本取值范围的矩阵[Pmin Pmax]

％20表示隐含层神经元的数目

％[rate_B rate_M]表示在第二层的权值中列所属类别的百分比

％0.01表示学习速率

％learnlv1表示学习函数

Net＝train(Net,P_train,T_train)％Net网络训练学习24对二分样本

LVQNet{i,1}＝New；％神经网络LVQ分类器组合24种学习模型。

本发明实施例的方位角偏转预测(SVM和LVQ交叉验证)将待核查小区的用户覆盖地理位置分布数据进行栅格化后，生成识别矩阵，并对矩阵进行列归一化生成一个包含16维的待预测数据。分别输入到SVM和LVQ两种神经网络中，并识别出小区天线方位角偏转角度，经过两者同时确认的小区输出为问题小区。

图8是本发明一个实施例的方位角偏转预测的流程图，一个具体的示例性实施例中的实现方法如下：

Step1：数据处理

获取小区用户GPS和RSRP数据，转换为以小区天线方位角方向为Y轴的直角坐标系，进行原始数据栅格平均，获得30*30米栅格RSRP均值。

Step2：RSRP插值

利用MATLAB插值函数meshgrid和griddata函数，生成RSRP栅格插值，插值类型为“natural”。

栅格化前后等值线图比较，栅格化后区域分布较为连续，规律性强。图9(a)-图9(b)是本发明一个实施例的栅格化处理等值线图对比，图9(a)为栅格化前等值线图，图9(b)为栅格化后等值线图。

Step3：生成天线覆盖识别矩阵

RSRP插值后，在【-140，-43】之间以1dB为粒度，按从大到小排序，计算每个粒度的栅格占比，并获取top N％时的RSRP值，定义为RSRP阈值(RSRPThreshold)。遍历所有栅格，将栅格RSRP值大于RSRPThreshold的栅格置1，其他栅格置0。按一定百分比门限聚合栅格到16*16，再进行列归一化生成一个包含16维的待预测数据，如表1所示为16*16聚合栅格矩阵。

表1

表2所示为归一化后16维待预测数据。

表2

1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16
																0.470466	0.724498	0.991165	0.494575	0.969192	0.97261	0.988174	0.999771	0.999283	0.970962	0.93751	0	0	0	0.000244	0

在生成矩阵的同时，还可以生成小区覆盖等值线和主覆盖区域图，供现场验证参考。例如，图10是本实施例中生成的小区覆盖等值线图的一个示例，图11是本实施例生成的主覆盖区域图的一个示例。

Step4：交叉验证

将矩阵进行列归一化生成一个包含16维的训练数据。按照每个偏转角度依次输入到SVM和LVQ两种神经网络中进行预测，相同偏转角度的两种预测同时满足时则输出为该偏转角度，否则输出为无法识别。

在一个示例性实施例中，将上述天线方位角偏转角度输出以Matlab代码实现如下。

本实施例以0度、-90度、90度、180度和无法识别五种类型为例，通过两种神经网络识别验证对比情况，重合度较高，如表3所示。

表3

本次验证使用样本数225个，经过两种神经网络识别，SVM输出问题数15个，LVQ输出问题数13个。问题检出率5.33％，经现场确认10个问题准确，问题准确率83.33％，如表4所示。

表4

传统的天线核查需要依靠人工遍历所有基站，登上天面进行测量和记录，判断工参是否准确，需要投入较大人力物力进行天线工参资料的维护。本发明实施例的基于神经网络的天线方位角核查优势在于：通过用户测量报告和经纬度，判断天线覆盖是否与记录的一致，仅针对有问题的小区进行现场测量确认，减少遍历的人工投入。

此外，传统方式无法提供小区天线覆盖图，本发明实施例的技术方案通过生成小区覆盖等值线图，提供给优化人员，形成直观的天线覆盖图，辅助进行覆盖优化。

此外，将天线覆盖分析工作数学化和矩阵化，便于跨专业算法的引入。

此外，采用神经网络自学习，降低算法复杂度。

另外，通过不同神经网络交叉验证，准确率更高，该方法也可适用于其他分类的神经网络。

图12是本发明实施例的天线方位角偏转核查装置结构图。该装置包括：获取模块60，用于获取小区接收电平的地理位置分布数据；识别模块62，用于将地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

本实施例的获取模块60还包括：接收单元，用于接收蜂窝网络终端的测量报告和OTT终端的经纬度信息；处理单元，用于根据测量报告和经纬度信息得到小区接收电平的地理位置分布信息。

可选的，识别模块62将地理位置分布数据输入到神经网络模型中包括：将地理位置分布数据栅格化后生成识别矩阵；对矩阵进行列归一化生成一个包含N维的待预测数据，其中，N为正整数；将N维的待测数据输入到神经网络模型中。

可选的，该装置还用于：将地理位置分布数据栅格化后生成小区覆盖等值线图和主覆盖区域图。

该装置还包括：训练模块，用于使用小区信号强度和天线方位角的偏转角度作为样本数据训练神经网络模型。

可选的，神经网络模型可以选择支持向量机SVM神经网络模型和学习向量量化LVQ神经网络模型。当然，也可以根据需要，选择其它神经网络模型作为训练模型。

可选的，识别模块62还用于：将地理位置分布数据输入SVM神经网络模型和LVQ神经网络模型中，分别识别出第一小区天线方位角偏转角度和第二小区天线方位角偏转角度。

可选的，装置还包括输出模块，用于在第一小区天线方位角偏转角度和第二小区天线方位角偏转角度一致时，输出第一小区天线方位角偏转角度或第二小区天线方位角偏转角度，作为识别出的小区天线方位角偏转角度。在一个示例中，在第一小区天线方位角偏转角度和第二小区天线方位角偏转角度不一致时，输出模块输出为无法识别。

另外，结合图1的本发明实施例的天线方位角偏转核查法可以由天线方位角偏转核查设备来实现。图13示出了本发明一个实施例提供的天线方位角偏转核查设备的硬件结构示意图。

天线方位角偏转核查设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种天线方位角偏转核查方法。

在一个示例中，天线方位角偏转核查设备还可包括通信接口403和总线410。其中，如图13所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将天线方位角偏转核查设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

该天线方位角偏转核查设备可以基于获取到待测小区的网管性能指标，执行本发明实施例中的天线方位角偏转核查方法，从而实现结合图1描述的天线方位角偏转核查方法。

另外，结合上述实施例中的天线方位角偏转核查方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种天线方位角偏转核查方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (15)

1.一种天线方位角偏转核查方法，其特征在于，所述方法包括：

获取小区接收电平的地理位置分布数据；

将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

2.根据权利要求1所述的方法，其特征在于，获取小区接收电平的地理位置分布数据包括：

接收蜂窝网络终端的测量报告和OTT终端的经纬度信息；

根据所述测量报告和所述经纬度信息得到所述小区接收电平的地理位置分布信息。

3.根据权利要求1所述的方法，其特征在于，将所述地理位置分布数据输入到神经网络模型中包括：

将所述地理位置分布数据栅格化后生成识别矩阵；

对所述识别矩阵进行列归一化生成一个包含N维的待预测数据，其中，N为正整数；

将所述N维的待预测数据输入到神经网络模型中。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述地理位置分布数据栅格化后生成小区覆盖等值线图和主覆盖区域图。

5.根据权利要求1所述的方法，其特征在于，在将所述地理位置分布数据输入到神经网络模型中之前，所述方法还包括：

使用小区信号强度和天线方位角的偏转角度作为样本数据训练所述神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型包括：支持向量机SVM神经网络模型，和/或，学习向量量化LVQ神经网络模型。

7.根据权利要求6所述的方法，其特征在于，使用小区信号强度和天线方位角的偏转角度作为样本数据训练所述SVM神经网络模型包括：

针对M个偏转角度分别生成角度偏转的样本矩阵与无法识别的偏转矩阵，组成M对二分训练样本，其中，M为大于1的正整数；

使用所述M对二分训练样本训练所述SVM神经网络模型。

8.根据权利要求7所述的方法，其特征在于，在使用所述M对二分训练样本训练所述SVM神经网络模型之前，所述方法还包括：

对所述M对二分训练样本中的每对进行随机加噪处理，生成多个识别矩阵；

对所述识别矩阵进行归一化处理生成包含多维的训练数据。

9.根据权利要求6所述的方法，其特征在于，使用小区信号强度和天线方位角的偏转角度作为样本数据训练所述LVQ神经网络模型包括：

针对K个偏转角度分别生成角度偏转的样本矩阵与无法识别的偏转矩阵，组成K对二分训练样本，其中，K为大于1的正整数；

使用所述K对二分训练样本训练所述LVQ神经网络模型。

10.根据权利要求9所述的方法，其特征在于，在使用所述K对二分训练样本训练所述LVQ神经网络模型之前，所述方法还包括：

对所述K对二分训练样本中的每对进行随机加噪处理，生成多个识别矩阵；

对所述识别矩阵进行归一化处理生成包含多维的训练数据。

11.根据权利要求6所述的方法，其特征在于，将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度，包括：

将所述地理位置分布数据输入所述SVM神经网络模型和所述LVQ神经网络模型中，分别识别出第一小区天线方位角偏转角度和第二小区天线方位角偏转角度。

12.根据权利要求11所述的方法，其特征在于，在分别识别出第一小区天线方位角偏转角度和第二小区天线方位角偏转角度之后，所述方法还包括：

在所述第一小区天线方位角偏转角度和所述第二小区天线方位角偏转角度一致时，输出所述第一小区天线方位角偏转角度或所述第二小区天线方位角偏转角度，作为识别出的小区天线方位角偏转角度。

13.一种天线方位角偏转核查装置，其特征在于，所述装置包括：

获取模块，用于获取小区接收电平的地理位置分布数据；

识别模块，用于将所述地理位置分布数据输入到神经网络模型中，并识别出小区天线方位角偏转角度。

14.一种天线方位角偏转核查设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-12中任一项所述的方法。

15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-12中任一项所述的方法。