CN109995447A - 干扰类型识别方法、装置、设备以及介质 - Google Patents

干扰类型识别方法、装置、设备以及介质 Download PDF

Info

Publication number
CN109995447A
CN109995447A CN201711494353.1A CN201711494353A CN109995447A CN 109995447 A CN109995447 A CN 109995447A CN 201711494353 A CN201711494353 A CN 201711494353A CN 109995447 A CN109995447 A CN 109995447A
Authority
CN
China
Prior art keywords
interference
decision
value
level
decision point
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
Application number
CN201711494353.1A
Other languages
English (en)
Inventor
赵曼
何枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Hubei Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Hubei Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Hubei Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201711494353.1A priority Critical patent/CN109995447A/zh
Publication of CN109995447A publication Critical patent/CN109995447A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明实施例提供了一种干扰类型识别方法、装置、设备以及计算机可读存储介质，方法包括收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系；根据所述干扰源的干扰能量和资源块数量关系提取表征所述干扰源的特征；计算所述干扰源的特征值；根据不同类型的干扰源和所述干扰源的特征值构建决策树；根据所述决策树模型判断干扰类型。本发明算法简单明了，算法实现简单，运行效率高，可以满足大量数据处理的及时性。并且能快速定位干扰源，对人员要求不高，大大节省了人力成本。

Description

干扰类型识别方法、装置、设备以及介质
技术领域
本发明属于通信技术领域，具体而言，尤其涉及一种干扰类型识别方法、装置、设备以及计算机可读存储介质。
背景技术
对于移动通信网络，保证业务质量的前提是使用干净的频谱，即该频段没有被其他系统使用或干扰。否则，会使受干扰系统的性能以及终端用户感受都会产生较大的负面影响。
随着4G LTE基站的逐步建设，目前已形成了2/3/4G基站共存的局面，系统间干扰的概率也大幅提升，在目前已建设的基站中，已发现大量的TD-LTE基站受到干扰。这些干扰主要包括2/3G小区对TD-LTE小区的互调干扰和杂散干扰，此外还有其他无线电设备，如手机信号屏蔽器带来的外部同频干扰。通常LTE超过-110dBm/PRB即达到中度干扰等级认为存在干扰，目前无线网络优化工作中，无法提前预警干扰何时出现，一般是发现网络指标恶化后，通过系统后台分析发现干扰才进行干扰的分析和定位，该过程需要对干扰产生的来源逐一进行排除，才能有针对性的开展处理工作。排查过程中可能多个基站均受一种来源干扰，也存在一个基站多种干扰同时出现的可能，因此定位过程复杂，需要对各种类型干扰进行排查，造成排查过程繁杂，耗费时间长，不能实现对干扰源的快速定位。另外，上述传统干扰定位方法对网优工程师技能、经验要求也较高，相应的人力成本会较高。
发明内容
本发明实施例提供了一种干扰类型识别方法、装置、设备以及计算机可读存储介质，通过收集不同的干扰类型，计算干扰类型波形的特征值，形成特征值分布与干扰类型一一对应的关系。根据算法计算干扰类型的特征值，反过来利用特征值判断干扰的类型。本发明算法简单明了，算法实现简单，运行效率高，可以满足大量数据处理的及时性。并且能快速定位干扰源，对人员要求不高，大大节省了人力成本。
第一方面，本发明实施例提供一种干扰类型识别方法包括：收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系；
根据所述干扰源的干扰能量和资源块数量关系提取表征所述干扰源的特征；
计算所述干扰源的特征值；
根据不同类型的干扰源和所述干扰源的特征值构建决策树；
根据所述决策树模型判断干扰类型。
第二方面，本发明实施例提供一种干扰类型识别装置，其特征在于，所述装置包括：
收集模块，收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系；
分析模块，根据所述干扰源的干扰能量和资源块数量关系提取表征所述干扰源的特征；
计算模块，计算所述干扰源的特征值；
决策树构建模块，根据不同类型的干扰源和所述不同干扰源的特征值构建决策树；
决策模块，根据所述决策树模型判断干扰类型。
第三方面，本发明实施例提供了一种干扰类型识别设备，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上述方法。
第四方面，本发明实施例还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，当所述计算机程序指令被处理器执行时实现上述方法。
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为本发明一个实施例提供的一种干扰类型识别方法的流程示意图；
图2为本发明一个实施例提供的阻塞干扰波形图；
图3为本发明一个实施例提供的杂散干扰波形图；
图4为本发明一个实施例提供的网外干扰波形图；
图5为本发明一个实施例提供的同频干扰波形图；
图6为本发明一个实施例提供的互调干扰波形图；
图7为本发明一个实施例提供的广电干扰波形图；
图8为本发明一个实施例提供的PHS干扰波形图；
图9为本发明一个实施例提供的GPS干扰波形图；
图10是本发明一个实施例提供的一种决策树模型的示意图；
图11为本发明一个实施例提供的干扰类型识别装置的结构示意图；
图12示出了本发明一个实施例提供的干扰类型识别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为本发明实施例提供的一种干扰类型识别方法的流程示意图，如图1所示，干扰类型识别方法包括：
S1：收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系波形；
S2：根据所述干扰源的干扰能量和资源块数量关系波形提取表征所述干扰源的特征；
S3：计算所述干扰源的特征值；
S4：根据不同类型的干扰源和所述不同干扰源的特征值构建决策树；
S5：根据所述决策树模型判断干扰类型。
在进行识别干扰类型之前，本发明实施例首先对现有TD-LTE(Time DivisionLong Term Evolution)的外部干扰类型进行收集分析，构建每个干扰源的干扰能量(单位：dbm)和资源块数量关系波形，根据干扰能量和资源块数量关系波形来提取能够表征不同干扰源的特征，采用数学方法对每个干扰源的一个或者多个特征进行计算，获得不同干扰源的特征值范围，因此能够建立特征值范围和干扰源类型的一一对应关系，根据特征值范围和干扰源类型的一一对应关系建立决策树模型，当环境中有干扰发生，将干扰的样本输入到决策树即可判断出是何种类型的干扰。
干扰类型包括以下几种：阻塞干扰、杂散干扰、网外干扰、同频干扰、互调干扰、广电干扰、PHS干扰以及GPS干扰中的任意几种。
阻塞干扰：
阻塞干扰一般为附近的无线电设备发射的较强信号被TD-LTE设备接收导致的，现阶段发现的阻塞干扰主要为中国移动GSM900/1800及距离较近的友商基站系统带来的。
互调干扰：
互调干扰一般为附近的无线电设备发射的互调信号落在TD-LTE基站接收频段内造成的，现阶段发现的互调干扰主要为中国移动GSM900系统下行产生的二阶互调干扰了TD-LTE F频段。此外在北上广深等地，由于GSM1800系统使用的频段到达1870MHz，其产生三阶或五阶互调干扰也会落在TD-LTE F频段。
杂散干扰：
杂散干扰是一个系统的发射频段外的杂散发射落入到另外一个系统接收频段内造成的干扰。杂散干扰直接影响了系统的接收灵敏度。若杂散落入某个系统接收频段内的幅度较高，被干扰系统接收机系统是无法滤除该杂散信号的，因此必须在发信机的输出口加滤波器来控制杂散干扰，或者增加系统间隔离度以满足对受扰系统灵敏度的要求。LTE现网中F频段临近DCS1800下行频段(包括移动及联通的DCS1800)和PHS频段。
DCS1800基站发射滤波器的非理想性，在工作频段发射有用信号的同时，还将在邻频的1880-1920MHz频段产生一定程度的带外辐射，造成TD-LTE基站接收机灵敏度损失。现网中出现DCS杂散干扰的主要原因为部分厂家DCS1800双工器带宽为75MHz(覆盖DCS1800下行1805-1880MHz频段)，对F频段杂散抑制不足。
在现网实际排查过程中发现，杂散干扰主要来源于三个个方面：一是来源于中国移动GSM1800MHz基站的杂散干扰，尤其是国外品牌的GSM1800MHz基站由于使用宽带滤波器，下行频段一直到1870MHz，很容易对F频段的TD-LTE基站形成杂散干扰；二是目前中国电信的FDD-LTE基站，其下行频段或者到1870MHz，甚至到1880MHz，其杂散也很容易对F频段TD-LTE基站形成干扰；三是E频段(2300～2400MHz)TD-LTE基站容易受到WLAN AP的杂散干扰。
外部干扰
外部干扰一般指当前网络制式之外的干扰源引起的干扰。为了与以上干扰分类加以区分，特将移动通信系统之外的干扰源引起的干扰统称为外部干扰。外部干扰源由于非法或不当使用引起对TD-LTE频段的干扰。常见的外部干扰包括：军区的通信系统、学校及社会考点的信号屏蔽装置、银行ATM机内警用信号干扰装置等。
对上述不同类型的干扰建立干扰能量和资源块数量关系的波形，图2～图9分别为本发明实施例提供的不同干扰类型的干扰能量和资源块数量关系图。
图2为本发明实施例提供的阻塞干扰波形图，参考图2，横坐标为资源块(RB，resource block)数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。阻塞干扰一般为附近的无线电设备发射的较强信号被TD-LTE设备接收导致的，现阶段发现的阻塞干扰主要为中国移动GSM900/1800及距离较近的友商基站系统带来的。
最大值出现在前10个RB上，后续RB呈长尾衰减状。
这类干扰需要关注的特征值及特征值的特点是：
1)斜率：明显偏离0值，负数
2)平滑度：较高
3)均值：高于底噪
4)最大值：高于底噪，位于前10个RB
5)峰值指示向量：最大值所处位置为峰值
图3为本发明实施例提供的杂散干扰波形图，参考图3，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
在现网实际排查过程中发现，杂散干扰主要来源于三个个方面：一是来源于中国移动GSM1800MHz基站的杂散干扰，尤其是国外品牌的GSM1800MHz基站由于使用宽带滤波器，下行频段一直到1870MHz，很容易对F频段的TD-LTE基站形成杂散干扰；二是目前中国电信的FDD-LTE基站，其下行频段或者到1870MHz，甚至到1880MHz，其杂散也很容易对F频段TD-LTE基站形成干扰；三是E频段(2300～2400MHz)TD-LTE基站容易受到WLAN AP的杂散干扰。
干扰从低频到高频能量逐渐降低，呈斜坡状，线条较平滑。
这类干扰需要关注的特征值及特征值的特点是：
1)斜率：明显偏离0值，负数
2)平滑度：较高
3)均值：高于底噪
4)最大值：高于底噪
图4为本发明实施例提供的网外干扰波形图，参考图4，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
外部干扰源由于非法或不当使用引起对TD-LTE频段的干扰。常见的外部干扰包括：军区的通信系统、学校及社会考点的信号屏蔽装置、银行ATM机内警用信号干扰装置等。
干扰能量从低频到高频分布均匀，呈水平状，所有RB频率电平有所抬升，线条比较平滑。(两边低是爱立信特有的，测不到控制信道，其他厂家为拉通直线)
这类干扰需要关注的特征值及特征值的特点是：
1)斜率：接近0
2)平滑度：较高(若取全部带宽，爱立信设备应会偏低)
3)均值：高于底噪(某一设定电平，用于判断是否存在干扰)
4)最大值：高于底噪(某一设定电平，用于判断是否存在干扰)
5)标准差：较低(若取全部带宽，爱立信设备应会偏高)
图5为本发明实施例提供的同频干扰波形图，参考图5，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
通过低空大气波导效应，空间传播远，相同频率之间的小区互相干扰造成同频干扰。
中央有2个明显的峰值，两边的峰值可能存在也可能不存在。
这类干扰需要关注的特征值及特征值的特点是：
1)斜率：接近0
2)平滑度：较高
3)均值：高于底噪
4)最大值：高于底噪
5)峰值指示向量：RB编号49,50存在峰值
图6为本发明实施例提供的互调干扰波形图，参考图6，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
互调干扰一般为附近的无线电设备发射的互调信号落在TD-LTE基站接收频段内造成的，现阶段发现的互调干扰主要为中国移动GSM900系统下行产生的二阶互调干扰了TD-LTE F频段。此外在北上广深等地，由于GSM1800系统使用的频段到达1870MHz，其产生三阶或五阶互调干扰也会落在TD-LTE F频段。
峰值数量大于等于4，且不属于GPS干扰；
这类干扰需要关注的特征值及特征值的特点是：
1)峰值数量大于3
2)8、9、10、18、19、20时段干扰较强
3)聚类突变top数量值较少
图7为本发明实施例提供的广电干扰波形图，参考图7，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
有40个RB的干扰电平显著高于其他RB，且这40个RB分布在连续的1段或2段索引上。
这类干扰需要关注的特征值及特征值的特点是：
1)平滑度：较高
2)均值：高于底噪
3)最大值：高于底噪
4)TOP40索引聚集度：极高
5)TOP40与LAST60的最小差异：大于0，有显著差异
图8为本发明实施例提供的PHS干扰波形图，参考图8，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
LTE系统与PHS(个人手持式电话系统，PHS是固定网络的补充和延伸，也被称为无线市话，俗称“小灵通”。)系统存在互相干扰的情况。
高频部分15个RB干扰值显著高于其他部分。
这类干扰需要关注的特征值及特征值的特点是：
1)斜率：明显偏离0值，正数
2)平滑度：较高
3)均值：大于底噪
4)最大值：大于底噪
5)TAIL15余HEAD85最小差异：大于0，有显著差异
6)TOP15余TAIL15索引重叠度：非常高
图9为本发明实施例提供的GPS干扰波形图，参考图9，横坐标为资源块数目，单位为个，纵坐标为干扰能量，单位为分贝毫瓦dbm。
对于LTE TDD系统，因为是时分双工，这对系统的时钟同步要求很高。如同一个网络中的某基站A与周围其他基站的时钟不同步，这就造成基站A的DL信号被周围的基站接收到，故而干扰到了周围基站的上行接收。GSP时钟不同步造成的干扰，通常影响范围比较严重，且范围很广。可能在GPS失步基站周围的一大片基站都受到干扰，导致这些基站覆盖范围内的UE无法做业务，严重的甚至在基站下RSRP很好的情况下，UE都无法入网。
主要特征跟同频干扰相似，并且周边存在GPS干扰小区；
1)斜率：接近0
2)平滑度：较高
3)均值：高于底噪
4)最大值：高于底噪
通过上述对不同类型的干扰进行分析，获得能够表征不同类型干扰的特征，下面将详细介绍对于每种特征进行特征值计算的方法：
(1)斜率：PHY_ULMEANNL_PRB 0-99的斜率。
最小二乘法拟合斜率K(K∈R)表征某个载波上的干扰数据所呈现出的坡度，这是对数据进行线性拟合得到直线函数的斜率。K＞0，表示数据左低右高；K＜0，表示数据左高右低；当数据均匀分布在水平线附近时，K＝0。
(2)9-49RB干扰值斜率：PHY_ULMEANNL_PRB 9-49的斜率。
最小二乘法拟合斜率K(K∈R)表征某个载波上的干扰数据所呈现出的坡度，这是对数据进行线性拟合得到直线函数的斜率。K＞0，表示数据左低右高；K＜0，表示数据左高右低；当数据均匀分布在水平线附近时，K＝0。
(3)50-89RB干扰值斜率:PHY_ULMEANNL_PRB 50-89的斜率。
最小二乘法拟合斜率K(K∈R)表征某个载波上的干扰数据所呈现出的坡度，这是对数据进行线性拟合得到直线函数的斜率。K＞0，表示数据左低右高；K＜0，表示数据左高右低；当数据均匀分布在水平线附近时，K＝0。
(4)平滑度：PHY_ULMEANNL_PRB 10-89的平滑度。
平滑度S定义为某个载波上RB干扰值数据的平滑度，用百分比表示{S∈R|0≤S≤1}，有一个门限参数ΔPRX(Interference-recognition-parameter)，意为相邻RB干扰值的功率差异小于等于ΔPRX(2)的占比。
设，yk＝|xk+1-xk|，yk为RB干扰值xk的一阶差分的绝对值，即在评估平滑度的时候为简单起见，并不区分数据的波动方向。
实现参考：该指标的意义是，若假设某段信号是平滑的，则允许相邻RB测量到的电平的绝对值变化范围是0～ΔPRX。如果相邻RB测量值平滑，则min(1,max(0,ceil(yi-ΔPRX)))值为0，反之为1。计算出来的平滑度是一个介于0～1之间的数，越接近1，曲线越平滑。
(5)均值:计算相应小区、日期、时间的PHY_ULMEANNL_PRB 0-99的均值；
(6)标准差：PHY_ULMEANNL_PRB 10-89的标准差；
标准差σ表征某载波RB干扰值的离散度，定义如下。
(7)峰值指示向量：PHY_ULMEANNL_PRB 0-99的峰值指示向量i；
某载波的干扰峰值指示向量Iis_peak长度为100，用于指示该载波峰出现的位置。若Iis_peak(i)＝1，则说明xi为一个波峰。此时i值就是峰值相应的位置。
其中{q|q＞0}为灵敏度，q越大，灵敏度越低，q取2.5～3可能比较合理。
(8)TOP40索引聚集度：PHY_ULMEANNL_PRB 0-99的TOP40索引聚集度；
TOP40索引聚集度表征某载波TOP 40的干扰RB索引值的聚集度，广电干扰集中出现在1段或2段连续的RB上，其TOP40索引聚集度较高。
设TOP40索引向量为ITOP40，其一阶差分可表示为：
DITOP40(k)＝ITOP40(k+1)-ITOP40(k)
注意：DITOP40的长度为39。
设函数IS_ONE返回一个向量，与输入向量等长，多个元素一一对应，用以1表示输入向量值为1的元素，0表示输入向量值为非1的元素。
则，TOP40索引聚集度ATOP40可表示为：
实现参考：取出测量值TOP40的RB编号，从小到大排列，用第2个减去第1个、第3个减去第2个，以此类推得到一个新序列L1，长度39。通过判断新序列的元素值，若为1则返回1，否则返回0，生成一个新序列L2，对L2的元素求和并除以39就得到TOP40索引聚集度。该指标范围0～1，值越大聚集度越高。
(9)TOP40与LAST60的最小差异：计算相应小区、日期、时间的PHY_ULMEANNL_PRB0-99；
TOP40与LAST60的最小差异表征TOP 40的RB最小干扰值与其余RB最大干扰值的差异。
ΔPBroadcast＝min(XTOP40)-max(XLAST60)
(10)TAIL15与HEAD85的最小差异：计算PHY_ULMEANNL_PRB0-99；
TAIL15与HEAD85的最小差异表征85-91个RB最小干扰值与9-80RB的最大干扰值的差异。
ΔPPHS＝min(XTAIL15)-max(XHEAD85)
(11)TOP15与TAIL15索引重叠度：计算相应小区、日期、时间的PHY_ULMEANNL_PRB0-99索引重叠度；
TOP15与TAIL15索引重叠度O指示TOP 15的RB干扰值对应索引ITOP15与TAIL 15索引ITAIL15(即85～99)的重叠度。
实现参考：取出干扰值TOP15的RB编号，存为序列L1，取出最后15个RB的编号，存为L2，计算L1与L2的交集长度(元素个数)并除以15便得到该指标。该指标范围0～1，值越大重叠度越高。
(12)聚类突变top数量值：计算相应小区、日期、时间的PHY_ULMEANNL_PRB 12-89聚类突变top数量值
对P HY_ULMEANNL_PRB 12-89进行升序排序，然后计算向量组
DI(k)＝I(k+1)-I(k)
判断DI中是否存在>门限(1.8)，如果存在，则计算突变门限后的P HY_ULMEANNL_PRB数量，这个数量就是聚类突变top数量值，如果不存在这个门限，则聚类突变top数量值＝0.
(13)流量相关性系数计算：
计算全天0-23平均干扰prb与数据流量之间的相关性系数。
根据上述计算方法可以对不同类型的干扰进行特征值的计算，从而使用特征值对不同的干扰进行区分。获得特征值之后，使用特征值和不同类型的干扰源样本进行决策树构建，决策树学习是应用最广泛的归纳推理算法之一，是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，机器学习算法最终将使用这些从数据集中创造的规则。决策树的优点为：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点为：可能产生过度匹配的问题。决策树适于处理离散型和连续型的数据。
决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子节点即为实例所属的分类。树上的每个节点指定了对实例的某个属性(特征)的测试，并且该节点的每个后继分支对应该属性的一个可能值。分类实例的方法是从这棵树的根节点开始，测试这个节点指定的属性，然后按照给定实例的该属性值对应的数值向下移动。然后这个过程在一以新节点为跟的子树上重复。
本发明实施例构建决策树的方法包括：步骤1：将所有已知类型的干扰源作为一个节点；
步骤2：遍历多个决策树变量的每种分割方式，寻找最优分割点；
步骤3：设定分割节点数目；
对每个分割节点重复执行步骤2和3，直至不同类型的干扰源能够区分，形成决策树模型。
其中决策树变量包括：
1)数字型(Numeric)：变量类型是整数或浮点数。用“>＝”，“>”,“<”或“<＝”作为分割条件(排序后，利用已有的分割情况，可以优化分割算法的时间复杂度)。
2)名称型(Nominal)：类似编程语言中的枚举类型，变量只能重有限的选项中选取。
在步骤3中，分割节点的数目设置为两个，每个分割后的节点作为一个决策点。
本发明实施例中，形成决策树模型的步骤还包括：对所述决策树模型进行修剪，形成稳定决策树，选取已知的干扰源作为验证样本，使用交叉验证方法对所述决策树模型进行剪裁。
对交叉验证(K-Fold Validataion)方法的说明如下：
决策树过渡拟合往往是因为太过“茂盛”，也就是节点过多，所以需要裁剪(PruneTree)枝叶。
首先计算出整体的决策树T，叶节点个数记作8，设i属于[1,8]。对每个i，使用K-Fold Validataion方法计算决策树，并裁剪到i个节点，计算错误率，最后求出平均错误率。这样可以用具有最小错误率对应的i作为最终决策树的大小，对原始决策树进行裁剪，得到最优决策树。
K-Fold Validataion：K次交叉检验的大致思想是将数据大致分为K个子样本，每次取一个样本作为验证数据，取余下的K-1个样本作为训练数据。模型构建后作用于验证数据上，计算出当前错误率。重复K次，将K次错误率平均，得到一个总体的错误率。可以通过整体错误率，估计当前整体数据用于建模的错误率。
形成稳定决策树之后，待识别干扰的样本数据可以输入稳定决策树，进行干扰类型的识别。
图10是本发明实施例提供的一种决策树模型的示意图，如图10所示，决策树模型包括一个一级决策点A、一个二级决策点B、两个三级决策点C1和C2、三个四级决策点D1、D2和D3以及五个五级决策点E1、E2、E3、E4和E5；
使用决策树模型进行判断干扰类型的过程中，从所述一级决策点A开始做出决策；
在一级决策点至所述五级决策点通过所述特征值进行决策。
下面将对本发明实施例提供的决策树模型，以及干扰识别过程进行具体说明，继续参考图10：
决策树的一级决策点A为：判断基站周边是否有GPS故障，如果有，则决策为GPS干扰，如果没有则进入二级决策点B。
二级决策点B为斜率值，当斜率小于-0.1，进入三级决策点一C1进行进一步决策过程，当斜率大于等于-0.1，进入三级决策点二C2进行进一步决策。
三级决策点一C1为聚类突变TOP值，当聚类突变TOP值小于10，则决策为网外干扰，当聚类突变TOP值大于等于10，进入四级决策一D1；
三级决策点二C2为平滑度，当平滑度小于0.86进入四级决策二D2，当平滑度大于等于0.86进入四级决策三D3。
四级决策点一D1为峰值指示向量，当所述峰值指示向量大于3，决策为互调干扰，当峰值指示向量小于2，进入五级决策点一E1；
所述四级决策点二D2为标准差，当标准差大于2.8，进入五级决策点二E2，当标准差小于等于2.8，进入五级决策点三E3；
所述四级决策点三D3为均值，当均值小于等于-97，进入五级决策点四E4，当所述均值大于-97，进入五级决策点五E5。
五级决策点一E1为聚类突变TOP数量值，当聚类突变TOP数量值大于20，则决策为广电干扰；
所述五级决策点二E2为9-49资源块干扰值斜率，当9-49资源块干扰值斜率小于0.1，则决策为同频干扰；
所述五级决策点三E3为TOP15与TAIL15索引重叠度，当TOP15与TAIL15索引重叠度大于0.81，决策为PSH干扰；
所述五级决策点四E4为50-89资源块干扰值斜率，当50-89资源块干扰值斜率大于0.1，则决策为杂散干扰；
所述五级决策点五E5为流量相关性系数，当所述流量相关性系数大于0.6，则决策为阻塞干扰。
本发明实施例所提供的干扰类型识别方法，通过收集不同的干扰类型，计算干扰类型波形的特征值，形成特征值分布与干扰类型一一对应的关系。根据算法计算干扰类型的特征值，反过来利用特征值判断干扰的类型。本发明算法简单明了，算法实现简单，运行效率高，可以满足大量数据处理的及时性。并且能快速定位干扰源，对人员要求不高，大大节省了人力成本。
本发明实施例还提供了一种干扰类型识别装置，图11为本发明实施例提供的干扰类型识别装置的结构示意图，如图11所示，包括：
收集模块M1，收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系波形；
分析模块M2，根据所述干扰源的干扰能量和资源块数量关系波形提取表征所述干扰源的特征；
计算模块M3，计算所述干扰源的特征值；
决策树构建模块M4，根据不同类型的干扰源和所述不同干扰源的特征值构建决策树；
决策模块M5，根据所述决策树模型判断干扰类型。
另外，结合图1描述的本发明实施例的干扰类型识别方法可以由干扰类型识别设备来实现。图12示出了本发明实施例提供的干扰类型识别设备的硬件结构示意图。
干扰类型识别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干扰类型识别方法。
在一个示例中，干扰类型识别设备还可包括通信接口403和总线410。其中，如图4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，将干扰类型识别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。
另外，结合上述实施例中的干扰类型识别方法，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干扰类型识别方法。
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 (14)

1.一种干扰类型识别方法，其特征在于，所述方法包括：
收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系；
根据所述干扰源的干扰能量和资源块数量关系提取表征所述干扰源的特征；
计算所述干扰源的特征值；
根据不同类型的干扰源和所述干扰源的特征值构建决策树模型；
根据所述决策树模型判断干扰类型。
2.根据权利要求1所述的方法，其特征在于，
所述干扰源包括：阻塞干扰、杂散干扰、网外干扰、同频干扰、互调干扰、广电干扰、PHS干扰以及GPS干扰中的一种或多种。
3.根据权利要求2所述的方法，其特征在于，
所述干扰源的特征包括：斜率、平滑度、均值、最大值、峰值指向向量、标准值、聚类突变top数量值、TOP40索引聚集度、TOP40与LAST60的最小差异、TAIL15与HEAD85最小差异、TOP15与TAIL15索引重叠度中的一种或多种。
4.根据权利要求1所述的方法，其特征在于，所述构建决策树模型的步骤包括：
步骤1：将所有已知类型的干扰源作为一个节点；
步骤2：遍历多个决策树变量的每种分割方式，寻找最优分割点；
步骤3：设定分割节点数目；
对每个分割节点重复执行步骤2和3，直至不同类型的干扰源能够区分，形成决策树模型。
5.根据权利要求4所述的方法，其特征在于，构建决策树模型的步骤还包括：
选取已知的干扰源作为验证样本，使用交叉验证方法对所述决策树模型进行剪裁，形成稳定决策树模型。
6.根据权利要求3所述的方法，其特征在于，所述决策树模型包括一个一级决策点、一个二级决策点、两个三级决策点、三个四级决策点以及五个五级决策点；
使用所述决策树进行判断干扰类型的过程中，从所述一级决策点开始做出决策；
在所述一级决策点至所述五级决策点通过所述特征值进行决策。
7.根据权利要求6所述的方法，其特征在于，所述决策树模型的一级决策点为：判断基站周边是否有GPS故障，如果有，则决策为GPS干扰，如果没有则进入二级决策点。
8.根据权利要求7所述的方法，其特征在于，所述二级决策点为斜率值，当所述斜率小于-0.1，进入三级决策点一，当所述斜率大于等于-0.1，进入三级决策点二。
9.根据权利要求8所述方法，其特征在于，所述三级决策点一为聚类突变TOP值，当所述聚类突变TOP值小于10，则决策为网外干扰，当所述聚类突变TOP值大于等于10，进入四级决策一；
所述三级决策点二为平滑度，当所述平滑度小于0.86进入四级决策二，当所述平滑度大于等于0.86进入四级决策三。
10.根据权利要求9所述的方法，其特征在于，所述四级决策点一为峰值指示向量，当所述峰值指示向量大于3，决策为互调干扰，当所述峰值指示向量小于2，进入五级决策点一；
所述四级决策点二为标准差，当所述标准差大于2.8，进入五级决策点二，当所述标准差小于等于2.8，进入五级决策点三；
所述四级决策点三为均值，当所述均值小于等于-97，进入五级决策点四，当所述均值大于-97，进入五级决策点五。
11.根据权利要求10所述的方法，其特征在于，所述五级决策点一为聚类突变TOP数量值，当所述聚类突变TOP数量值大于20，则决策为广电干扰；
所述五级决策点二为9-49资源块干扰值斜率，当所述9-49资源块干扰值斜率小于0.1，则决策为同频干扰；
所述五级决策点三为TOP15与TAIL15索引重叠度，当所述TOP15与TAIL15索引重叠度大于0.81，决策为PSH干扰；
所述五级决策点四为50-89资源块干扰值斜率，当所述50-89资源块干扰值斜率大于0.1，则决策为杂散干扰；
所述五级决策点五为流量相关性系数，当所述流量相关性系数大于0.6，则决策为阻塞干扰。
12.一种干扰类型识别装置，其特征在于，所述装置包括：
收集模块，收集多种不同类型的干扰源，构建干扰源的干扰能量和资源块数量关系波形；
分析模块，根据所述干扰源的干扰能量和资源块数量关系波形提取表征所述干扰源的特征；
计算模块，计算所述干扰源的特征值；
决策树构建模块，根据不同类型的干扰源和所述不同干扰源的特征值构建决策树；
决策模块，根据所述决策树模型判断干扰类型。
13.一种干扰类型识别设备，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1-11中任一项所述的方法。
14.一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1-11中任一项所述的方法。
CN201711494353.1A 2017-12-31 2017-12-31 干扰类型识别方法、装置、设备以及介质 Pending CN109995447A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711494353.1A CN109995447A (zh) 2017-12-31 2017-12-31 干扰类型识别方法、装置、设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711494353.1A CN109995447A (zh) 2017-12-31 2017-12-31 干扰类型识别方法、装置、设备以及介质

Publications (1)

Publication Number Publication Date
CN109995447A true CN109995447A (zh) 2019-07-09

Family

ID=67111567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711494353.1A Pending CN109995447A (zh) 2017-12-31 2017-12-31 干扰类型识别方法、装置、设备以及介质

Country Status (1)

Country Link
CN (1) CN109995447A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111132211A (zh) * 2019-11-28 2020-05-08 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
CN113950094A (zh) * 2020-07-15 2022-01-18 中国电信股份有限公司 上行干扰定位装置、方法及计算机可读存储介质
CN115379476A (zh) * 2022-08-10 2022-11-22 中国联合网络通信集团有限公司 确定小区干扰类型的方法、装置、设备及存储介质
WO2023045926A1 (zh) * 2021-09-23 2023-03-30 中兴通讯股份有限公司 一种干扰信号的规避方法、装置、基站和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105744551A (zh) * 2016-03-01 2016-07-06 浪潮通信信息系统有限公司 一种基于模式识别的无线网络干扰自动排查方法
CN106330385A (zh) * 2016-08-29 2017-01-11 电子科技大学 一种干扰类型识别方法
WO2017025146A1 (en) * 2015-08-13 2017-02-16 Huawei Technologies Co., Ltd. Interference detector for a wireless communication system
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2017025146A1 (en) * 2015-08-13 2017-02-16 Huawei Technologies Co., Ltd. Interference detector for a wireless communication system
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
CN105744551A (zh) * 2016-03-01 2016-07-06 浪潮通信信息系统有限公司 一种基于模式识别的无线网络干扰自动排查方法
CN106330385A (zh) * 2016-08-29 2017-01-11 电子科技大学 一种干扰类型识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111132211A (zh) * 2019-11-28 2020-05-08 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
CN113950094A (zh) * 2020-07-15 2022-01-18 中国电信股份有限公司 上行干扰定位装置、方法及计算机可读存储介质
WO2023045926A1 (zh) * 2021-09-23 2023-03-30 中兴通讯股份有限公司 一种干扰信号的规避方法、装置、基站和存储介质
CN115379476A (zh) * 2022-08-10 2022-11-22 中国联合网络通信集团有限公司 确定小区干扰类型的方法、装置、设备及存储介质
CN115379476B (zh) * 2022-08-10 2024-03-19 中国联合网络通信集团有限公司 确定小区干扰类型的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109995447A (zh) 干扰类型识别方法、装置、设备以及介质
CN103874072B (zh) 通信干扰处理方法及无线路由器
CN104661244B (zh) 一种评估pci模三干扰的方法及装置
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN103067098B (zh) 一种干扰源位置的查找方法和系统
CN109996181A (zh) 基于大数据的立体室内定位方法、装置、设备及介质
CN103051370B (zh) 一种用户设备的工作拉远射频单元选择方法和基站
CN114095856B (zh) 用于基站节能的处理方法和处理装置
CN102256256A (zh) 一种频率和扰码规划方法及装置
CN103581928A (zh) 一种小区合并方法及装置
CN111934810A (zh) 小区干扰类型和干扰小区的确定方法及装置
CN107679289B (zh) 一种降低多馈入直流换相失败风险的动态无功补偿配置方法
CN105163344A (zh) 一种td-lte系统内干扰的定位方法
CN109982343A (zh) 异频切换门限值确定方法、装置、设备及介质
CN104486772A (zh) 一种端到端多维度归一化的lte网络评估优化系统
CN103385020B (zh) 一种异制式邻区优化方法、设备和系统
CN112235821B (zh) 一种基于ai模型的异频信号强度预测方法
CN104168586A (zh) 一种lte网间干扰排查方法及装置
CN103200625A (zh) 一种非理想感知认知无线网络中能效优先的信道聚合方法
CN109982349A (zh) Lte异系统邻区的配置方法、配置装置、设备及介质
CN109993185A (zh) 无线信令分析方法、装置、计算设备及存储介质
CN103686748A (zh) 一种下行链路中边缘用户划分的方法
CN103763728A (zh) 分析CommonBCCH覆盖差异的方法
CN113938937B (zh) 一种异频测量频点的配置方法、装置及存储介质
Xu et al. A novel mathematical morphology based antenna deployment scheme for indoor wireless coverage

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709