CN108632868A - 一种干扰源定位方法及装置 - Google Patents

Abstract

本发明提供一种干扰源定位方法及装置，该方法包括：在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同；本发明实施例能够提高干扰排查的效率以及干扰源定位的准确性。

Description

一种干扰源定位方法及装置

技术领域

本发明涉及通信技术领域，特别是指一种干扰源定位方法及装置。

背景技术

随着无线通信市场的快速发展，尤其是近年来数据业务的爆发，对网络的覆盖和容量要求越来越高。为此，运营商投入巨资，部署了大量各种制式的无线网络。网络中会存在一些特别类型的通信设备，例如干扰器，阻断器，直放站等。这些设备在长时间工作后，有可能质量恶化，对网络设备，尤其是时分双工TDD系统的网络造成一定的干扰。

为了提升网络质量，在系统后台侧发现干扰后，需要在现场去定位到干扰源的位置。目前干扰检测主要使用便携式频谱仪以及定向天线结合，在受到干扰的地区进行扫频测试。通过不断的改变天线指向以及天线的物理位置，来确定干扰源的测试。

但是现有技术存在如下缺点：

1、使用扫频仪现场测试，费时费力。且对于较高的站点(灯杆站，塔站)，由于不能直接登到天面上，如果直接在站下面进行扫频测试，由于地面建筑物或者植物的阻挡，很难观测到干扰信号。干扰源定位效率低。

2、同时由于地面环境复杂，多径效应明显。干扰器位置较难定位，定位准确度不高。

发明内容

本发明的目的在于提供一种干扰源定位方法及装置，解决了现有技术中现场定位干扰源的方式导致干扰源定位效率低且定位精度不高的问题。

为了达到上述目的，本发明实施例提供一种干扰源定位方法，包括：

在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；

根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；

根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

其中，所述在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据的步骤，包括：

在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

其中，所述根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数的步骤，包括：

根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

其中，所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。

其中，所述根据所述关系函数以及所述小区数据，确定目标干扰源的位置信息的步骤，包括：

将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

确定所述目标位置信息为所述目标干扰源的位置信息。

本发明实施例还提供一种干扰源定位装置，包括：

数据获取模块，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；

函数构建模块，用于根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；

位置确定模块，用于根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

其中，所述数据获取模块包括：

第一数据获取子模块，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

第二数据获取子模块，用于获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

第三数据获取子模块，用于根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

其中，所述函数构建模块包括：

函数构建子模块，用于根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

其中，所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。

其中，所述位置确定模块包括：

代入子模块，用于将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

位置确定子模块，用于确定所述目标位置信息为所述目标干扰源的位置信息。

本发明的上述技术方案至少具有如下有益效果：

本发明实施例的干扰源定位方法及装置中，通过将路测点的上行发射类比干扰源的发射，通过构建路测点的训练数据与路测点的关系模型，再通过该关系模型预测受干扰小区的干扰源位置；该定位方法无需采用现场定位的方式，提高干扰排查的效率以及干扰源定位的准确性。

附图说明

图1表示本发明的第一实施例提供的干扰源定位方法的步骤流程图；

图2表示本发明的第二实施例提供的干扰源定位装置的组成结构图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

第一实施例

如图1所示，本发明的第一实施提供一种干扰源定位方法，包括：

步骤11，在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据。

本步骤中，干扰源定位装置可以通过后台提取信息的方式发现受到目标干扰源干扰的一个或多个受扰小区。较佳的，本申请中受扰小区具体指高干扰小区，即干扰值大于一预设值的小区为受扰小区。

步骤12，根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数。

本步骤中，路测点的位置信息具体包括：路测点的经度、纬度等。

步骤13，根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

本步骤中，受扰小区的小区数据和路测点的训练数据的数据结构相同，故将受扰小区的小区数据代入步骤12构建的关系函数中可确定一位置信息，并将通过关系函数确定的位置信息确定为目标干扰源的位置信息。

综上，本发明的上述实施例中通过将路测点的上行发射类比干扰源的发射，从而通过路测点的关系函数来估算干扰源的位置；具体为通过构建路测点的训练数据与路测点的关系模型，再通过该关系模型预测受干扰小区的干扰源位置；该定位方法无需采用现场定位的方式，提高干扰排查的效率以及干扰源定位的准确性。

进一步的，本发明的上述实施例中步骤11包括：

步骤111，在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

步骤112，获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

步骤113，根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

本发明的上述实施例中每一个路测点的训练数据至少包括：路测点的上行路损数据、路测点所处的服务小区的工参数据、路测点的邻小区的工参数据；训练数据UE_CDUt＝(Cell1 Info,Cell2 Info,Cell3 Info…)t。

更进一步的，步骤111包括：

在目标干扰源的干扰区域内对受扰小区进行路测，获取路测数据；根据所述路测数据，计算不同时刻的多个路测点的下行路损；将多个路测点的下行路损转换为多个路测点的上行路损。

本发明实施例中在受到干扰器干扰的区域内对受到干扰的受扰小区进行路测可获得路测数据，并根据路测数据计算路测点的上行路损；并利用时分复用TDD系统的上下行路损的互易性，将路测点的下行路损转换为上行路损。

具体的，本发明的上述实施例中步骤12包括：

步骤121，根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

具体的，所述机器学习算法包括：神经网络算法以及支持向量机算法。

本发明实施例中，机器学习算法是用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。下面以神经网络算法举例，即步骤121包括：

通过神经网络算法对多个路测点的训练数据和路测点的位置信息进行学习训练，确定训练数据与位置信息之间的权值参数；根据所述权值参数，确定路测点的位置信息与训练数据之间的关系函数；其中，所述关系函数为激励函数。

具体的，神经网络算法是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。网络的输出则依赖网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近。

进一步的，本发明的上述实施例中路测点的位置信息为UE_Post＝(Lon,Lat)t；则利用机器学习算法训练得到的关系函数为f(UE_CDUt)＝UE_Post。

承接上例，本发明实施例中，所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。设受扰小区的小区信息为CELL_CDU＝(Cell1 Info,Cell2Info,Cell3 Info…)。

需要说明的是，至少需要3个受扰小区的小区信息才能够确定目标干扰源的位置信息。若目标干扰源的干扰区域内的受干扰小区大于或者等于4个，此时需从受扰小区中按照3个受扰小区的排列组合来分别确定目标干扰源的位置，并通过求平均值的方式来最终确定目标干扰源的位置信息。

例如存在4个可能受扰小区Cell1，Cell2，Cell3以及Cell4；则CELL_CDU的构造如下：

进一步的，本发明的上述实施例中步骤13包括：

步骤131，将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

步骤132，确定所述目标位置信息为所述目标干扰源的位置信息。

具体的，利用训练出的f(UE_CDUt)＝UE_Post的关系函数，将CELL_CDU分别代入上述关系函数，从而预测出多个位置f(CELL_CDUi)＝Inter_Posi，进而确定目标干扰源的位置为average(Inter_Posi)，即对4个Inter_Posi求平均来得到目标干扰源的位置。

综上，本发明的上述实施例中通过将路测点的上行发射类比干扰源的发射，从而通过路测点的关系函数来估算干扰源的位置；具体为通过构建路测点的训练数据与路测点的关系模型，再通过该关系模型预测受干扰小区的干扰源位置；该定位方法无需采用现场定位的方式，提高干扰排查的效率以及干扰源定位的准确性。

第二实施例

如图2所示，本发明的第二实施例提供一种干扰源定位装置，包括：

数据获取模块21，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；

函数构建模块22，用于根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；

位置确定模块23，用于根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

具体的，本发明的上述实施例中所述数据获取模块包括：

第一数据获取子模块，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

第二数据获取子模块，用于获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

第三数据获取子模块，用于根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

具体的，本发明的上述实施例中所述第一数据获取子模块包括：

具体的，本发明的上述实施例中所述函数构建模块包括：

函数构建子模块，用于根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

具体的，本发明的上述实施例中所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。

具体的，本发明的上述实施例中所述位置确定模块包括：

代入子模块，用于将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

位置确定子模块，用于确定所述目标位置信息为所述目标干扰源的位置信息。

综上，本发明的第二实施例中通过将路测点的上行发射类比干扰源的发射，从而通过路测点的关系函数来估算干扰源的位置；具体为通过构建路测点的训练数据与路测点的关系模型，再通过该关系模型预测受干扰小区的干扰源位置；该定位方法无需采用现场定位的方式，提高干扰排查的效率以及干扰源定位的准确性。

需要说明的是，本发明的第二实施例提供的干扰源定位装置是能够执行上述干扰源定位方法的定位装置，则上述干扰源定位方法的所有实施例均适用于该干扰源定位装置，且均能达到相同或相似的有益效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种干扰源定位方法，其特征在于，包括：

在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；

根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；

根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

2.根据权利要求1所述的方法，其特征在于，所述在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据的步骤，包括：

在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

3.根据权利要求1所述的方法，其特征在于，所述根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数的步骤，包括：

根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

4.根据权利要求1所述的方法，其特征在于，所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。

5.根据权利要求1所述的方法，其特征在于，所述根据所述关系函数以及所述小区数据，确定目标干扰源的位置信息的步骤，包括：

将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

确定所述目标位置信息为所述目标干扰源的位置信息。

6.一种干扰源定位装置，其特征在于，包括：

数据获取模块，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的训练数据；

函数构建模块，用于根据多个路测点的训练数据以及各个路测点的位置信息，构建路测点的位置信息与训练数据之间的关系函数；

位置确定模块，用于根据所述关系函数以及所述受扰小区的小区数据，确定目标干扰源的位置信息；其中，所述小区数据的数据结构与所述训练数据的数据结构相同。

7.根据权利要求6所述的装置，其特征在于，所述数据获取模块包括：

第一数据获取子模块，用于在目标干扰源的干扰区域内对受扰小区进行路测，获取不同时刻的多个路测点的上行路损数据；

第二数据获取子模块，用于获取不同时刻的多个路测点所处的服务小区的工参数据以及不同时刻的多个路测点的邻小区的工参数据；

第三数据获取子模块，用于根据所述路测点的上行路损数据、所述服务小区的工参数据以及所述邻小区的工参数据，构建所述路测点的训练数据。

8.根据权利要求6所述的装置，其特征在于，所述函数构建模块包括：

函数构建子模块，用于根据多个路测点的训练数据以及各个路测点的位置信息，并通过机器学习算法来构建路测点的位置信息与训练数据之间的关系函数。

9.根据权利要求6所述的装置，其特征在于，所述受扰小区的小区信息包括：受扰小区的底噪数据以及受扰小区的工参数据。

10.根据权利要求6所述的装置，其特征在于，所述位置确定模块包括：

代入子模块，用于将所述受扰小区的小区数据代入所述关系函数中，得到一目标位置信息；

位置确定子模块，用于确定所述目标位置信息为所述目标干扰源的位置信息。