CN110856206B - 干扰识别方法、装置和终端设备 - Google Patents

干扰识别方法、装置和终端设备 Download PDF

Info

Publication number
CN110856206B
CN110856206B CN201810949978.0A CN201810949978A CN110856206B CN 110856206 B CN110856206 B CN 110856206B CN 201810949978 A CN201810949978 A CN 201810949978A CN 110856206 B CN110856206 B CN 110856206B
Authority
CN
China
Prior art keywords
super
interference
window
windows
detection
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
Application number
CN201810949978.0A
Other languages
English (en)
Other versions
CN110856206A (zh
Inventor
易粟
王昊
薛文倩
王乐菲
松仓隆一
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201810949978.0A priority Critical patent/CN110856206B/zh
Publication of CN110856206A publication Critical patent/CN110856206A/zh
Application granted granted Critical
Publication of CN110856206B publication Critical patent/CN110856206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04B17/318—Received signal strength
    • 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
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

一种干扰识别方法、装置和终端设备，该干扰识别方法包括：获取多个超级窗口中每个超级窗口内的信号强度序列样本；使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。本实施例的方法可以避免人工标记浪费的大量时间，提高效率，节约人力成本，为物联网服务提供商解决干扰问题提供参考依据。

Description

干扰识别方法、装置和终端设备
技术领域
本发明涉及通信技术领域，尤其涉及一种干扰识别方法、装置和终端设备。
背景技术
物联网成为业务转型的强大力量，其颠覆性的影响在所有行业和社会的各个领域都能感受到。物联网中的实体通常包括传感器设备、网关、网络、云和应用。
例如在各个行业和领域中(如工厂、学校、医院)等，为了减少劳动力，降低成本，提高生产率等目的，引入了物联网设备(如传感器，照相机等)，以及系统应用(如维护系统、材料产品管理系统、监视系统)。
随着技术的不断增长以及对无线保真(WIFI)、紫蜂(zigbee)，蓝牙(bluetooth)等短距离无线网络的依赖性的增加，用户开始需要从无线网络中得到可靠性、性能、可扩展性和无处不在的覆盖。然而，现有的传感器网络部署提供了不充分的覆盖和不可预测的性能。导致性能恶化的一个原因就是干扰。与有线网络不同，无线链路很容易受到环境改变或者周围无线活动的影响。
此外，与无线网络相关的协议，如IEEE 802.11，802.15.4，802.15.1等，都工作在非授权频段。由于多个无线网络会相互干扰，干扰问题会更加突出。并且，非授权频谱中用户的数量快速增长也加重了这一情况。
应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
发明人发现，干扰是不可预知的，其经常由移动用户、其它非授权频段模块和变化的业务量产生。如果能诊断出不同的干扰，物联网服务提供商就能够提出一些对策来解决干扰问题或者避免潜在的问题。
目前，提出了可以利用深度神经网络识别环境中存在的干扰，为了进行干扰识别，需要预先提供带有干扰标记的训练数据对该深度神经网络进行训练，但发明人发现，在上述环境中(如工厂、学校、医院等)，很难直接获取到带有干扰标记的训练数据，如果使用人工预先对所有训练数据进行标记，又非常浪费时间。
为了解决上述问题中的至少一个，本发明提供了一种干扰识别方法、装置和终端设备。
根据本发明实施例的第一方面，提供了一种干扰识别装置，其中，该装置包括：
获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；
标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。
根据本发明实施例的第二方面，提供了一种干扰识别方法，其中，该方法包括：
获取多个超级窗口中每个超级窗口内的信号强度序列样本；
使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
将大小为所述第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。
根据本发明实施例的第三方面，提供了一种终端设备，其包含前述第一方面所述的干扰识别装置。
本发明的有益效果在于：通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。
参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
在本发明实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是是本发明实施例的一个部署场景的示意图；
图2是实施例1的干扰识别方法示意图；
图3是信号强度序列样本示意图；
图4是步骤202一实施方式示意图；
图5是将RSSI采样值序列作为输入的深度学习的基本原理示意图；
图6是一个卷积神经网络的网络结构示意图；
图7是实施例2的干扰识别方法的示意图；
图8是信号强度序列样本示意图；
图9是实施例3的干扰识别方法的示意图；
图10是实施例3中信号强度序列样本过滤处理后示意图；
图11是实施例4的干扰识别装置的示意图；
图12是标记单元1102的一个实施方式的示意图；
图13是实施例4的干扰识别装置的示意图；
图14是实施例4的干扰识别装置的示意图；
图15是实施例5的终端设备的示意图。
具体实施方式
参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
在本发明实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本发明实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
在无线网络中，反应无线信道条件的一个参数是接收信号强度指示(RSSI)。RSSI是通过在多个符号时间的时间段内进行能量检测测量得到的平均接收信号功率，其是收发机输入端的射频(RF)功率水平的测量。当存在干扰时，RF能量增加，因此RSSI可以用于检测干扰的发生，但本实施例并不以此作为限制，该接收信号强度还可以用能量检测(ED)表示，此处不再一一举例。
在本发明实施例中，以基于IEEE 802.15.4技术的采样器为例，这意味着该采样器在802.15.4信道的其中一个信道上进行RSSI采样，在2.4GHz未授权频段上，IEEE 802.15.4信道或Zigbee信道包括16个2MHz的窄带信道(信道11-16)，但本实施例并不以此作为限制，该采样器也可以基于其他无线技术采样。
在本发明实施例中，采样率被选择为能够在诊断周期内获得足够的RSSI样本。在本发明实施例中，可以使用95us一次的采样率(采样频率为10.5kHz)。采样器捕捉电磁波信号或其他无线通信信号(例如信标帧)，但本实施例并不以此采样率为限制。
在本发明实施例中，以该电磁波信号和无线通信信号作为主要干扰信号进行分析，上述电磁波信号和无线通信信号通常为周期信号，但本实施例并不以此作为限制。电磁波的周期性与产生电磁波的机器设备所用的交流电源、变压器、变频器等相关。
在本发明实施例中，为了以更精细的粒度上报诊断结果，需要选定诊断周期(diagnosis period)的窗口大小，在本发明实施例中称为检测窗口。本发明实施例以20ms作为检测窗口，但本发明实施例并不以此作为限制，在其他实施例中，也可以将检测窗口设定为其他值。
在本发明实施例中，将以更精细的粒度上报诊断结果(干扰识别结果)。终端用户，例如网络管理者或网络管理应用，能够为每个检测窗口生成一个详细的报告，或者生成具有较长周期的窗口大小的统计结果报告。
图1是本发明实施例的一个部署场景的示意图，如图1所示，在工厂环境中，部署有各类设备101、传感器102以及RSSI采样器103，各类设备会产生机器噪音(电磁波信号)，传感器会产生无线通信信号(信标帧脉冲)，RSSI采样器103可以在采样信道采集各类设备以及传感器发出的信号(例如电磁波、信标帧、无线数据包)，通过读取芯片上的RSSI寄存器来读取接收信号强度。图1的部署场景只是举例，类似的部署也可以用于其他户外区域网络(Field Area Network，FAN)，例如智能电网，高级计量基础设施；或者家庭区域网络(HomeArea Network，HAN)，医院，学校等。并且，RSSI采样器103可以仅部署一个，也可以在多个不同的区域部署多个，或者在同一个区域部署多个，以得到各区域的信道信息，本实施例并不以此作为限制。
此外，RSSI采样器103可以是一个单独的设备(例如IEEE 802.15.4无线模块，e.g.TI CC2530)，仅负责RSSI采样，并与支持干扰分析引擎的设备连接，例如无线局域网的网关或其他支持干扰分析引擎的设备，如计算机、笔记本、树莓派(Raspberry Pi)等，将采样结果发送到这些设备进行干扰识别，或者采样结果也可以发送到物联网络的网关进行分析，不同的区域设置有一个或多个采样器，网络管理系统(图形用户界面GUI或者网络服务)可以远程的接入上述设备，远程的进行配置以及读取分析结果。此外，RSSI采样器103也可以是RSSI采样模块，配置于网络节点中，例如传感器节点或网关等，由此，没有专门的节点用于采样，并且，采样功能可以在干扰分析的准备阶段、分析阶段或者全天候监控期间被激活。
这里，网络节点可以支持干扰分析引擎，由此，其既能完成RSSI采样功能又能完成干扰分析功能，但本实施例对此不作限制，网络节点也可以不支持干扰分析引擎，而将RSSI采样模块的采样结果发送到支持干扰分析引擎的设备中。以上说明中的干扰分析引擎即指本发明实施例的干扰识别方法。
在本发明实施例中，可以在实际场景(如图1所示的场景)中建立干扰识别模型，并进行实际的干扰识别。
下面结合附图对本发明实施例的各种实施方式进行说明。这些实施方式只是示例性的，不是对本发明实施例的限制。
实施例1
本发明实施例提供了一种干扰源预测模型建立方法，图2是该方法的一个实施方式的示意图，请参照图2，该方法包括：
步骤201，获取多个超级窗口中每个超级窗口内的信号强度序列样本；
步骤202，使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
步骤203，根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
步骤204，将大小为该第一检测窗口内的测试信号强度序列测试信号强度输入至该干扰识别模型中，得到干扰识别结果。
在本实施例中，可以使用深度学习的方法来建立该干扰识别模型。通过步骤201-202可以得到训练该干扰识别模型的训练数据。
在步骤201中，可以使用上述RSSI采样器在检测环境(例如工厂、医院、学校等)中进行RSSI采样(也即对超级窗口内的接收信号强度进行能量检测采样)，可以得到信号强度序列样本。
在步骤201中，为了能够获得足够多的采样点，使得时频变换后，能够反映出时域特征，该超级窗口的大小可以设置为较长，包含整数个第一检测窗口，例如，采样率可以被预先设定为能够在诊断周期(超级窗口)内获得足够的RSSI样本，例如可以设定为100us左右一次，在本实施例以95us一次为例进行说明，该超级窗口可以设置为500ms，采样点Nf约为5250个，然而，如前所述，但本实施例并不以此作为限制，根据需要，采样率也可以被预先设定为其他值，可以高于200us一次，本实施例对具体的采样方式和采样过程不作限制，具体可以参考现有技术，该多个超级窗口的数量Q可以根据需要确定，本实施例并不以此作为限制。图3是本实施例中获得的信号强度序列样本示意图，如图3所示，该信号可以是环境中的不同发射频率周期的电磁波噪声信号，持续时间较长。
在步骤202中，可以确定步骤201的信号强度序列样本的频域特征中的基频，该基频可以反映出样本信号中包含哪些发射频率周期的电磁波信号，使用该基频对超级窗口进行标记，得到对应每个超级窗口的标签。这里的标记或标签表明了每个超级窗口所对应的干扰信号。
图4是步骤202实施方式流程图，如图4所示，该步骤202包括：
步骤401，对每个超级窗口内的信号强度序列样本作时频变换，如快速傅里叶变换(FFT)，离散傅里叶变换(DFT)等，得到每个超级窗口内的信号强度序列样本的频域特征；
步骤402，确定该频域特征中的基频；根据该基频确定第一数量M1个干扰频率；
步骤403，根据该第一数量个干扰频率，对对应该干扰频率的超级窗口进行标记。
在步骤401中，针对每个超级窗口，例如使用Nf个点快速傅里叶变换(FFT)对时域的信号强度序列样本进行处理，得到该信号强度序列样本的频域特征，该FFT处理可以参考现有技术，此处不再赘述。
在步骤402中，确定该频域特征中的基频，该基频对应频域特征中的峰值，可以将频域特征中峰值对应的频率作为该基频，该基频确定的精度可以预先确定，该基频的提取方法可以参考现有技术本实施例并不以此作为限制。各个超级窗口提取的基频大小相同或不同，统计所有超级窗口内各个基频出现的数量，在该多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将该相同基频确定为干扰频率，以获得该第一数量个干扰频率。
例如，统计Q个超级窗口内各个大小的基频的出现的窗口数，例如Q个超级窗口内有20个超级窗口对应的频域特征都提取到了大小为f1的基频，其他Q-20个超级窗口对应的频域特征中没有提取到大小为f1的基频，该大小为f1的基频对应的超级窗口数为20，下表1是该统计结果示意图，表1以2Hz精度确定基频为例，但本实施例并不以此作为限制。
如表1所示，有11879个超级窗口都提取到了大小为0HZ(直流分量)的基频，有236个超级窗口都提取到了大小为50HZ的基频，有187个超级窗口都提取到了大小为100HZ的基频，例如该第一阈值为80，可以确定基频0Hz，50Hz，100Hz为干扰频率，在本实施例中，该第一阈值的大小可以根据需要确定，例如根据超级窗口数Q的大小比例确定，本实施例并不以此作为限制。
表1
基频(Hz) 超级窗口数 基频(Hz) 超级窗口数
0 11879 42 3
4 63 44 17
6 9 46 15
8 3 48 38
10 3 50 236
12 7 54 1
16 2 80 1
20 2 88 1
22 4 98 8
24 18 100 87
26 4 136 1
30 1 142 1
34 1 150 40
36 1 188 3
38 2 200 18
40 2 250 2
如表1所示，针对其他出现次数较少的基频，例如30Hz只出现在了一个超级窗口内，该基频可能由于FFT分辨率不妥当，或一个超级窗口内的信号强度序列样本是多种干扰信号混合导致，因此，不将出现次数较少的基频确定为干扰频率。该干扰频率表示干扰信号的波形以该干扰频率为频率周期(此处干扰频率指的是干扰源的周期频率，不是电磁频率。干扰源的电磁频率与采样器的载波频率相同或相邻)。
在步骤403中，针对上述Q个超级窗口，如果一个超级窗口的基频是步骤402中确定的干扰频率，则对该超级窗口进行标记，如果一个窗口的基频不是步骤402中确定的干扰频率，则可以不对该超级窗口进行标记，在步骤203中，使用该标记的超级窗口的信号强度进行训练。
在步骤403中，如果一个超级窗口的基频是步骤402中确定的干扰频率，在该干扰频率是直流分量(0Hz)时，表示该超级窗口内的信号强度序列样本是正常的状态，将对应的超级窗口标记为无干扰(正常)，在该干扰频率为大于0Hz的第一值时，表示该超级窗口被发射频率周期为该第一值的电磁波干扰，将对应的超级窗口标记为被发射频率周期为该第一值的电磁波干扰。例如，如果一个超级窗口的基频是50Hz，即将该超级窗口标记为被发射频率周期为50Hz(时间周期为1/50Hz)的电磁波干扰，如果一个超级窗口的基频是100Hz，即将该超级窗口标记为被发射频率周期为100Hz(时间周期为1/100Hz)的电磁波干扰。
在本实施例中，在该基频的精度很高时，例如0.01Hz为精度时，如果一个超级窗口的基频与步骤402中确定的干扰频率相差小于一个预定值，也可以看作该基频等于该干扰频率，可以对该超级窗口进行标记，本实施例并不以此作为限制。
在本实施例中，为了方便后续的步骤203中的训练过程，可以将该超级窗口划分为第二数量M2个第一检测窗口，以第一检测窗口内的信号强度序列样本(时域特征)作为训练数据，以得到干扰识别模型，该每个第一检测窗口的标记与其所属的超级窗口的标记相同。
在步骤203中，根据被标记的第一检测窗口的信号强度序列样本和对应的标记作为一个数据对，对深度神经网络进行训练，得到干扰识别模型(深度神经网络的参数)，包括神经网络的权重和偏差等，作为该干扰识别模型的参数，由此得到了该干扰识别模型，也即分类器。使用该分类器，即可对干扰进行识别。
例如，将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为该深度神经网络的输入，将与该第一检测窗口对应的标记作为该深度神经网络的输出，对该深度神经网络进行训练，得到干扰识别模型，该干扰识别模型的识别类型的数量等于该第一数量M1。
为了使本实施例的方法更加清楚易懂，下面结合一个具体示例对本实施例的方法进行说明。
图5是将RSSI采样值序列作为输入的深度学习的一个基本原理示意图，如图5所示，假设第一检测窗口为20ms，第一检测窗口内的所有RSSI样本形成了N单元的输入向量。如果使用95us一次的采样率，则N＝20ms/95us＝210。该N单元输入向量经过一个深度学习分类模型，生成了M×1输出向量。M代表定义的分类数，该分类数等于第一数量M1，例如，无干扰、被发射频率周期为f的电磁波干扰等。和现有的利用RSSI采样值做干扰分析的方法不同，在本发明实施例的方法中，输入是原始RSSI采样值，而不需要经过特征提取。
在本实施例中，利用获得的第一训练数据(各个第一检测窗口内的RSSI样本及对应的标记)找到深度卷积神经网络(Convolutional Neural Network，简称为CNN或ConvNet)的参数就是深度学习的过程。
图6是本实施例中CNN的网络结构示意图。由于CNN适用于与相邻数据具有相关性的阵列数据，因此本实施例使用了CNN，其减少了用于深度网络的参数的数量。并且，与传统用于图像识别的CNN使用二维输入不同的是，本实施例只使用一维向量作为输入。本实施例使用了具有两个卷积层的CNN，假设输入为210×1单元向量，输出为5×1，也即干扰被分为五类，利用如图6所示的网络结构，通过已有训练方法，比如随机梯度下降法，得到最后的卷积神经网络参数。最终训练好的神经网络就是干扰识别模型，该深度学习的过程可以是离线完成的。
值得注意的是，以上仅对与本发明相关的各步骤或过程进行了说明，但本发明不限于此。该方法还可以包括其他步骤或者过程，或者类似的CNN网络结构，关于这些步骤或者过程的具体内容，可以参考现有技术。
在步骤204中，将测试信号强度序列输入至步骤203得到的干扰识别模型中，得到干扰识别结果，具体识别过程由该深度神经网络实现，本实施例不再赘述。该测试信号强度序列的时间(序列)长度与该第一检测窗口长度相同，通过该深度神经网络可以快速的实时的得到干扰识别结果。
由上述实施例可知，通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。
实施例2
本实施例2提供一种干扰识别方法，与实施例1的不同之处在于，在深度学习时，可以利用步骤202中未标记的超级窗口内的信号强度序列样本作为第二训练数据，对步骤203中得到的干扰识别模型进行半监督训练，由此，可以进一步提高该干扰识别模型识别准确率。
图7是本实施例2中干扰识别方法流程图，如图7所示，该方法包括：
步骤701，获取多个超级窗口中每个超级窗口内的信号强度序列样本；
步骤702，使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量M2个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
步骤703，根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
步骤704，确定该多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口，将该未标记的超级窗口划分为第三数量M3个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记；
步骤705，将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，将与该第二检测窗口对应的标记作为该深度神经网络的输出，对该深度神经网络进行再次训练，得到更新后的干扰识别模型。
步骤706，将大小为该第一检测窗口内的测试信号强度序列输入至该更新后的干扰识别模型中，得到干扰识别结果。
在本实施例中，该步骤701-703的实施方式与实施例1步骤201-203相同，此处不再赘述。
在步骤702中，针对上述Q个超级窗口，如果一个超级窗口的基频是确定的干扰频率，则对该超级窗口进行标记，如果一个窗口的基频不是确定的干扰频率，则可以不对该超级窗口进行标记，在步骤704中，针对上述未被标记的超级窗口，将每个未标记的超级窗口划分为第三数量M3个第二检测窗口，该第二检测窗口的长度与该第一检测窗口的长度相同，将该第二检测窗口的信号强度序列样本作为该步骤703得到的深度神经网络的输入，使用该深度神经网络对该未标记的第二检测窗口进行标记；
在步骤705中，将该第二检测窗口的信号强度序列样本，以及步骤704得到的该第二检测窗口的标记作为一个输入输数据对，对该步骤703中的深度神经网络进行再次训练，得到更新后的干扰识别模型。在步骤706中，使用该更新后的干扰识别模型进行干扰识别，其实施方式与步骤204类似，此处不再赘述。
由上述实施例可知，通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。另外，使用未标记的数据进行半监督的训练，能够进一步提高识别准确率。
实施例3
本实施例3提供一种干扰识别方法，与实施例1和2的不同之处在于，还可以对环境中的无线通信信号，例如信标帧(如蓝牙信标帧或者WIFI信标帧等)进行识别。
图8是本实施例中获得的信号强度序列样本示意图，如图8所示，该信号可以是无线通信信号，例如信标帧(如蓝牙信标帧或者WIFI信标帧等)，呈现一定的周期性(本实施例中约60ms左右)，信号脉冲存在时间非常短，受背景噪声的能量影响，因此，直接使用FFT处理得到的频域特征无法检测出该脉冲的能量，本实施例3通过对被标记为无干扰的超级窗口的信号强度序列样本进行过滤处理后再进行FFT处理，进行标记，由此，可以识别出该信标帧干扰。
图9是本实施例3该干扰识别方法流程图，如图9所示，该方法包括：
步骤901，获取多个超级窗口中每个超级窗口内的信号强度序列样本；
步骤902，使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量M2个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
步骤903，将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度，该预定信号强度通常为噪声基底(noise floor)；
步骤904，将修改后的被标记为无干扰的超级窗口的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
步骤905，根据该步骤904中得到的频域特征中的基频确定第四数量M4个干扰频率，确定该第四数量M4个干扰频率对应的超级窗口；
步骤906，将该第四数量M4个干扰频率对应的超级窗口的中的预定信号强度恢复成修改前的值，然后划分为第五数量M5个第三检测窗口，在该第三检测窗口中存在信号强度大于或等于该第二阈值的信号强度序列样本时，将该第三检测窗口标记为无线通信信号干扰；
步骤907，根据被标记的第一检测窗口的信号强度序列样本和对应的标记，以及被标记的第三检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
步骤908，将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。
在本实施例中，步骤901-902的实施方式可以参考实施例1步骤201-202，此处步骤赘述。
在本实施例中，在步骤902中，针对上述Q个超级窗口，如果一个超级窗口的基频是确定的干扰频率，则对该超级窗口进行标记，如果该干扰频率是直流分量，该超级窗口被标记为无干扰，针对该信标帧引起的脉冲信号，由于出现的时间较短，因此，为了能够更加精确的识别该信标帧引起的脉冲信号，在步骤903中，对被标记为无干扰的超级窗口中的信号强度序列样本先进行过滤处理，即将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度，大于或等于该第二阈值的信号强度序列样本维持不变，例如，可以将该第二阈值设置为-80dbm，将该预定信号强度设置为-108dbm，图10是图8中的信号强度序列样本经过过滤处理后的超级窗口的信号强度序列样本，如图8和10所示，如果信号强度序列样本小于-80dbm，将该信号强度序列样本都修改为-108dbm。
在步骤904-905中，对该过滤后的超级窗口的信号强度序列样本做FFT处理，得到频率特征，根据该频率特征中的基频确定第四数量M4个干扰频率，步骤904-905的实施方式与实施例1中步骤401-402类似，此处不再重复。
在本实施例中，在步骤906中，将包含该步骤905中确定的干扰频率对应的过滤后的超级窗口内的信号强度序列样本恢复为过滤前的原始值，并将恢复后的每个超级窗口划分为第五数量M5个第三检测窗口，在该第三检测窗口中存在信号强度大于或等于该第二阈值的信号强度序列样本时，将该第三检测窗口标记为无线通信信号干扰(信标帧脉冲干扰)；需要说明的是，由于各个信标帧脉冲信号都类似，因此，不需要使用步骤905中确定的该干扰频率来标记区分，仅使用一个标签“无线通信信号干扰”标记上述符合条件的第三检测窗口即可。
在本实施例中，与实施例1中步骤403的不同之处在于，在实施例1中，不同大小的干扰频率对应(该对应表示超级窗口的信号强度序列样本的频域特征中的基频等于该干扰频率)的超级窗口(第一检测窗口)，对应不同的标记，在本实施例的步骤906中，不同大小的第四数量M4个干扰频率对应的超级窗口内的第三检测窗口(存在信号强度大于或等于该第二阈值的信号强度序列样本的第三检测窗口)对应相同的标记，即都标记为无线通信信号干扰，例如，在步骤905中，确定干扰频率为15Hz和31Hz，确定哪些超级窗口的信号强度序列样本的频域特征中的基频等于15Hz和31Hz，将这些超级窗口合并划分为多个第三检测窗口，将存在信号强度大于或等于该第二阈值的信号强度序列样本的第三检测窗口标记为无线通信信号干扰。
在本实施例中，在步骤907中，根据被标记的第一检测窗口的信号强度序列样本和对应的标记，以及被标记的第三检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
在本实施例中，将被标记为无线通信信号干扰的第三检测窗口的信号强度序列样本作为第三训练数据，将第一训练数据和第三训练数据作为该深度神经网络的输入，将该第一检测窗口和第三检测窗口的标记作为该深度神经网络的输出，即将实施例1中的第一检测窗口对应的第一训练数据和改第一检测窗口的标记作为一个输入输出数据对，将该每个第三检测窗口对应的第三训练数据和该第三检测窗口的标记“无线通信信号干扰”作为一个输入输出数据对，对该深度神经网络进行训练，得到干扰识别模型，该干扰识别模型的识别类型的数量等于该第一数量加1。
在本实施例中，该训练方法以及深度学习过程，以及该深度神经网络的具体实施方式可以参考实施例1步骤203，此处不再赘述。
步骤908，将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果，该步骤实施方式与实施例1步骤204类似，此处不再赘述。
在本实施例中，该方法还可以包括：将未标记的超级窗口划分为第三数量M3个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记；将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，将与该第二检测窗口对应的标记作为该深度神经网络的输出，对该深度神经网络进行再次训练，得到更新后的干扰识别模型，其具体实施方式参考实施例2中步骤704-705，此处不再赘述。并且，在步骤908中，将大小为该第一检测窗口内的该测试信号强度序列输入至更新后的干扰识别模型，得到干扰识别结果。
在本实施例中，上述第一数量、第二数量、第三数量、第四数量、第五数量大于等于1，可以根据需要确定，本实施例并不以此作为限制。
由上述实施例可知，通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。
实施例4
本实施例提供了一种干扰识别装置。该装置例如可以是是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，也可以是配置于上述节点或设备的某个或某些部件或者组件。由于该装置解决问题的原理与实施例1的方法类似，因此其具体的实施可以参考实施例1的方法的实施例，内容相同之处，不再重复说明。
图11是该装置1100的示意图，如图11所示，该装置1100包括：
获取单元1101，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；
标记单元1102，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
训练单元1103，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
识别单元1104，其用于将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。
在本实施例中，获取单元1101，标记单元1102，训练单元1103，识别单元1104的实施方式可以参考实施例1中步骤201-204，此处不再赘述。
图12是该标记单元1102一实施方式示意图，如图12所示，该标记单元1102包括：
变换模块1201，其用于对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定模块1202，其用于确定该频域特征中的基频；根据该基频确定第一数量个干扰频率；
标记模块1203，其用于根据该第一数量个干扰频率，对对应该干扰频率的超级窗口进行标记。
在本实施例中，该确定模块1202在该多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将该相同基频确定为干扰频率，以获得该第一数量个干扰频率；
该标记模块1203在该干扰频率是直流分量时，将对应的超级窗口标记为无干扰，在该干扰频率为大于0Hz的第一值时，将对应的超级窗口标记为被发射频率周期为该第一值的电磁波干扰。
在本实施例中，变换模块1201，确定模块1202，标记模块1203的实施方式可以参考实施例1中步骤401-403，此处不再赘述。
在本实施例中，该训练单元1103将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为该深度神经网络的输入，将与该第一检测窗口对应的标记作为该深度神经网络的输出，对该深度神经网络进行训练，得到干扰识别模型，该干扰识别模型的识别类型的数量等于该第一数量。
本实施例还提供了一种干扰识别装置。该装置例如可以是是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，也可以是配置于上述节点或设备的某个或某些部件或者组件。由于该装置解决问题的原理与实施例2的方法类似，因此其具体的实施可以参考实施例2的方法的实施例，内容相同之处，不再重复说明。
图13是该干扰识别装置1300的示意图，如图13所示，该装置1300包括：获取单元1301，标记单元1302，训练单元1303，识别单元1304，其实施方式与前述获取单元1101，标记单元1102，训练单元1103，识别单元1104类似之处不再赘述。
在本实施例中，该装置1300还包括：
确定单元1305，其用于确定该多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口；
并且，该训练单元1303还用于将该未标记的超级窗口划分为第三数量M3个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记。
并且，该训练单元1303还用于将一个第二检测窗口对应的第二训练数据作为该深度神经网络的输入，将与该第二检测窗口对应的标记作为该深度神经网络的输出，对该深度神经网络进行再次训练，得到更新后的干扰识别模型。
并且，该识别单元1304还用于将大小为该第一检测窗口内的测试信号强度序列输入至该更新后的干扰识别模型中，得到干扰识别结果，标记单元1302，训练单元1303，识别单元1304，确定单元1305的实施方式可以参考实施例2步骤702-705，此处不再赘述。
本实施例还提供了一种干扰识别装置。该装置例如可以是是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，也可以是配置于上述节点或设备的某个或某些部件或者组件。由于该装置解决问题的原理与实施例3的方法类似，因此其具体的实施可以参考实施例3的方法的实施例，内容相同之处，不再重复说明。
图14是该干扰识别装置1400的示意图，如图14所示，该装置1400包括：获取单元1401，标记单元1402，训练单元1403，识别单元1404，其实施方式与前述获取单元1101，标记单元1102，训练单元1103，识别单元1104类似之处不再赘述。
在本实施例中，该装置1400还包括：
过滤单元1405，其用于将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度；
并且，该标记单元1402还用于将修改后的被标记为无干扰的超级窗口的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；根据修改后的被标记为无干扰的超级窗口内的信号强度序列样本的频域特征中的基频确定第四数量M4个干扰频率，确定该第四数量M4个干扰频率对应的超级窗口；将该第四数量M4个干扰频率对应的超级窗口的中的预定信号强度恢复成修改前的值，然后划分为第五数量M5个第三检测窗口，在该第三检测窗口中存在信号强度大于或等于该第二阈值的信号强度序列样本时，将该第三检测窗口标记为无线通信信号干扰；
该训练单元1403还用于将被标记为无线通信信号干扰的第三检测窗口的信号强度序列样本作为第三训练数据，将一个第三检测窗口对应的第三训练数据作为该深度神经网络的输入，将该无线通信信号干扰的标记作为该深度神经网络的输出，对该深度神经网络进行训练，得到干扰识别模型，该干扰识别模型的识别类型的数量等于该第一数量加1。
在本实施例中，该装置1400还可以包括确定单元(可选，未图示)，其实施方式与确定单元1305相同，此处不再赘述。标记单元1402，训练单元1403，识别单元1404，过滤单元1405的实施方式可以参考实施例3步骤902-908，此处不再赘述。
值得注意的是，以上仅对与本发明相关的各部件或模块进行了说明，但本发明不限于此。装置1100,1300,1400还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
由上述实施例可知，通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。另外，使用未标记的数据进行半监督的训练，能够进一步提高识别准确率。
实施例5
本发明实施例提供了一种终端设备，该终端设备包括实施例4所述的干扰干扰识别装置1100或1300或1400。该终端设备可以是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，具体如前所述。
图15是本实施例的终端设备的系统构成的示意框图。如图15所示，该终端设备1500可以包括中央处理器1501和存储器1502；存储器1502耦合到中央处理器1501。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一个实施方式中，实施例4所述的干扰识别装置1100或1300或1400的功能可以被集成到中央处理器1501中，实现实施例1～3任一项所述的干扰识别方法。
例如，该中央处理器1501可以被配置为：获取多个超级窗口中每个超级窗口内的信号强度序列样本；使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。
在另一个实施方式中，实施例4所述的干扰识别装置1100或1300或1400可以与中央处理器1501分开配置，例如可以将该干扰识别装置配置为与中央处理器1501连接的芯片，通过中央处理器1501的控制来实现实施例4所述的干扰识别装置1100或1300或1400的功能。
如图15所示，该终端设备1500还可以包括：通信模块1503、输入单元1504、音频处理器1505、显示器1506、电源1507。值得注意的是，终端设备1500也并不是必须要包括图15中所示的所有部件；此外，终端设备1500还可以包括图15中没有示出的部件，可以参考现有技术。
如图15所示，中央处理器1501有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1501接收输入并控制终端设备1500的各个部件的操作。
其中，存储器1502，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存各种信息，此外还可存储执行有关信息的程序。并且中央处理器1501可执行该存储器1502存储的该程序，以实现信息存储或处理等。其他部件的功能与现有类似，此处不再赘述。终端设备1500的各部件可以通过专用硬件、固件、软件或其结合来实现，而不偏离本发明的范围。
本发明实施例还提供一种计算机可读程序，其中当在终端设备中执行所述程序时，所述程序使得所述终端设备执行实施例1或实施例2或实施例3所述的方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得终端设备执行实施例1或实施例2或实施例3所述的方法。
本发明以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本发明实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本发明所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范围内。
附记1.一种干扰识别装置，其中，所述装置包括：
获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；
标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。
附记2.根据附记1所述的装置，其中，所述标记单元包括：
变换模块，其用于对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定模块，其用于确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率；
标记模块，其用于根据所述第一数量个干扰频率，对对应所述干扰频率的超级窗口进行标记。
附记3.根据附记2所述的装置，其中，所述确定模块在所述多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将所述相同基频确定为干扰频率，以获得所述第一数量个干扰频率；
所述标记模块在所述干扰频率是直流分量时，将对应的超级窗口标记为无干扰，在所述干扰频率为大于0Hz的第一值时，将对应的超级窗口标记为被发射频率周期为所述第一值的电磁波干扰。
附记4.根据附记3所述的装置，其中，所述训练单元将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为所述深度神经网络的输入，将与所述第一检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量。
附记5.根据附记1所述的装置，其中，所述装置还包括：
确定单元，其用于确定所述多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口；
并且，所述训练单元还用于将所述未标记的超级窗口划分为第三数量个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记。
附记6.根据附记5所述的装置，其中，所述训练单元还用于
将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，将与所述第二检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行再次训练，得到更新后的干扰识别模型。
附记7.根据附记4所述的装置，其中，所述装置还包括：
过滤单元，其用于将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度；
并且，所述标记单元还用于将修改后的被标记为无干扰的超级窗口的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；根据修改后的被标记为无干扰的超级窗口内的信号强度序列样本的频域特征中的基频确定第四数量个干扰频率，确定所述第四数量个干扰频率对应的超级窗口；将所述第四数量个干扰频率对应的超级窗口的中的预定信号强度恢复成修改前的值，然后划分为第五数量M5个第三检测窗口，在所述第三检测窗口中存在信号强度大于或等于所述第二阈值的信号强度序列样本时，将所述第三检测窗口标记为无线通信信号干扰；
所述训练单元还用于将被标记为无线通信信号干扰的第三检测窗口的信号强度序列样本作为第三训练数据，将一个第三检测窗口对应的第三训练数据作为所述深度神经网络的输入，将所述无线通信信号干扰的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量加1。
附记8.一种干扰识别方法，其中，所述方法包括：
获取多个超级窗口中每个超级窗口内的信号强度序列样本；
使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。
附记9.根据附记8所述的方法，其中，使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记包括：
对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率；
根据所述第一数量个干扰频率，对对应所述干扰频率的超级窗口进行标记。
附记10.根据附记9所述的方法，其中，确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率包括：
在所述多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将所述相同基频确定为干扰频率，以获得所述第一数量个干扰频率；
在所述干扰频率是直流分量时，将对应的超级窗口标记为无干扰，在所述干扰频率为大于0Hz的第一值时，将对应的超级窗口标记为被发射频率周期为所述第一值的电磁波干扰。
附记11.根据附记10所述的方法，其中，根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型包括：
将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为所述深度神经网络的输入，将与所述第一检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量。
附记12.根据附记8所述的方法，其中，所述方法还包括：
确定所述多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口；
并且，将所述未标记的超级窗口划分为第三数量个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记。
附记13.根据附记12所述的方法，其中，所述方法还包括：
将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，将与所述第二检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行再次训练，得到更新后的干扰识别模型。
附记14.根据附记11所述的方法，其中，所述方法还包括：
将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度；
并且，将修改后的被标记为无干扰的超级窗口的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；根据修改后的被标记为无干扰的超级窗口内的信号强度序列样本的频域特征中的基频确定第四数量个干扰频率，确定所述第四数量个干扰频率对应的超级窗口；将所述第四数量个干扰频率对应的超级窗口的中的预定信号强度恢复成修改前的值，然后划分为第五数量个第三检测窗口，在所述第三检测窗口中存在信号强度大于或等于所述第二阈值的信号强度序列样本时，将所述第三检测窗口标记为无线通信信号干扰；
将被标记为无线通信信号干扰的第三检测窗口的信号强度序列样本作为第三训练数据，将一个第三检测窗口对应的第三训练数据作为所述深度神经网络的输入，将所述无线通信信号干扰的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量加1。
附记15.一种终端设备，其中，所述终端设备包括附记1-7任一项所述的装置。

Claims (10)

1.一种干扰识别装置，其中，所述装置包括：
获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；
标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。
2.根据权利要求1所述的装置，其中，所述标记单元包括：
变换模块，其用于对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定模块，其用于确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率；
标记模块，其用于根据所述第一数量个干扰频率，对对应所述干扰频率的超级窗口进行标记。
3.根据权利要求2所述的装置，其中，所述确定模块在所述多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将所述相同基频确定为干扰频率，以获得所述第一数量个干扰频率；
所述标记模块在所述干扰频率是直流分量时，将对应的超级窗口标记为无干扰，在所述干扰频率为大于0Hz的第一值时，将对应的超级窗口标记为被发射频率周期为所述第一值的电磁波干扰。
4.根据权利要求3所述的装置，其中，所述训练单元将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为所述深度神经网络的输入，将与所述第一检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量。
5.根据权利要求1所述的装置，其中，所述装置还包括：
确定单元，其用于确定所述多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口；
并且，所述训练单元还用于将所述未标记的超级窗口划分为第三数量个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记。
6.根据权利要求5所述的装置，其中，所述训练单元还用于
将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，将与所述第二检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行再次训练，得到更新后的干扰识别模型。
7.根据权利要求4所述的装置，其中，所述装置还包括：
过滤单元，其用于将被标记为无干扰的超级窗口的信号强度序列样本中小于第二阈值的信号强度序列样本修改为预定信号强度；
并且，所述标记单元还用于将修改后的被标记为无干扰的超级窗口的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；根据修改后的被标记为无干扰的超级窗口内的信号强度序列样本的频域特征中的基频确定第四数量个干扰频率，确定所述第四数量个干扰频率对应的超级窗口；将所述第四数量个干扰频率对应的超级窗口的中的预定信号强度恢复成修改前的值，然后划分为第五数量个第三检测窗口，在所述第三检测窗口中存在信号强度大于或等于所述第二阈值的信号强度序列样本时，将所述第三检测窗口标记为无线通信信号干扰；
所述训练单元还用于将被标记为无线通信信号干扰的第三检测窗口的信号强度序列样本作为第三训练数据，将一个第三检测窗口对应的第三训练数据作为所述深度神经网络的输入，将所述无线通信信号干扰的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量加1。
8.一种干扰识别方法，其中，所述方法包括：
获取多个超级窗口中每个超级窗口内的信号强度序列样本；
使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。
9.根据权利要求8所述的方法，其中，使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记包括：
对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率；
根据所述第一数量个干扰频率，对对应所述干扰频率的超级窗口进行标记。
10.一种终端设备，其中，所述终端设备包括权利要求1-7任一项所述的装置。
CN201810949978.0A 2018-08-20 2018-08-20 干扰识别方法、装置和终端设备 Active CN110856206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810949978.0A CN110856206B (zh) 2018-08-20 2018-08-20 干扰识别方法、装置和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810949978.0A CN110856206B (zh) 2018-08-20 2018-08-20 干扰识别方法、装置和终端设备

Publications (2)

Publication Number Publication Date
CN110856206A CN110856206A (zh) 2020-02-28
CN110856206B true CN110856206B (zh) 2022-11-01

Family

ID=69595063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810949978.0A Active CN110856206B (zh) 2018-08-20 2018-08-20 干扰识别方法、装置和终端设备

Country Status (1)

Country Link
CN (1) CN110856206B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111643809B (zh) * 2020-05-29 2023-12-05 广州大学 一种基于潜能干预仪的电磁脉冲控制方法及系统
CN112651349B (zh) * 2020-12-30 2022-01-07 西南交通大学 一种无线干扰检测方法、装置、设备及可读存储介质
CN114615145B (zh) * 2022-05-11 2022-07-29 光谷技术有限公司 一种物联网网关控制方法及系统
CN117528606A (zh) * 2022-07-29 2024-02-06 中兴通讯股份有限公司 干扰检测方法、装置、电子设备和存储介质
CN115865238B (zh) * 2023-02-27 2023-05-02 中国人民解放军国防科技大学 一种信号干扰检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6718316B1 (en) * 2000-10-04 2004-04-06 The United States Of America As Represented By The Secretary Of The Navy Neural network noise anomaly recognition system and method
FR2969432B1 (fr) * 2010-12-17 2013-01-04 Thales Sa Procede d'allocation de ressources, dans un reseau de communications mobile et maille, avec limitation des interferences inter-clusters, systeme et reseau mettant en oeuvre le procede
CN102917448B (zh) * 2011-08-03 2017-04-12 中兴通讯股份有限公司 一种小区信息发送方法、装置及系统
CN103995259B (zh) * 2014-06-06 2016-05-18 中国人民解放军海军航空工程学院 密集干扰环境下雷达目标自适应滤波融合检测方法
CN106570439B (zh) * 2015-10-09 2020-06-19 腾讯科技（深圳）有限公司 一种车辆检测方法及装置
CN107306409B (zh) * 2016-04-21 2020-06-12 富士通株式会社 参数确定方法、干扰分类识别方法及其装置

Also Published As

Publication number Publication date
CN110856206A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110856206B (zh) 干扰识别方法、装置和终端设备
Di Domenico et al. Trained-once device-free crowd counting and occupancy estimation using WiFi: A Doppler spectrum based approach
Di Domenico et al. A trained-once crowd counting method using differential wifi channel state information
US9681307B2 (en) System and method for determining and sharing spectrum availability
Al Homssi et al. Machine learning framework for sensing and modeling interference in IoT frequency bands
JP7351082B2 (ja) 干渉源予測モデル生成方法、干渉源認識方法、装置及び端末装置
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN109041099A (zh) 人流量预测方法、装置及终端
Zheleva et al. Txminer: Identifying transmitters in real-world spectrum measurements
CN107113640A (zh) 用于分析wi‑fi节点的无线链路的方法、执行方法的相应电路以及应用
US20170105099A1 (en) Leveraging location data from mobile devices for user classification
Zheleva et al. Enabling a nationwide radio frequency inventory using the spectrum observatory
Al Kalaa et al. Characterizing the 2.4 GHz spectrum in a hospital environment: Modeling and applicability to coexistence testing of medical devices
Longi et al. Semi-supervised convolutional neural networks for identifying wi-fi interference sources
Li et al. COVID-safe spatial occupancy monitoring using OFDM-based features and passive WiFi samples
Lim et al. Passive, privacy-preserving real-time counting of unmodified smartphones via zigbee interference
KR20200038731A (ko) 실내 유동인구 분석 방법 및 장치
CN103905129B (zh) 基于谱型分析的信号检测及信号信息判读方法
Höyhtyä et al. Measurements and analysis of spectrum occupancy with several bandwidths
Virk et al. Spectrum occupancy evaluations at 2.35-2.50 GHz ISM band in a hospital environment
Shi et al. Passive activity classification using just WiFi probe response signals
US20130259110A1 (en) System for spectrum sensing of multi-carrier signals with equidistant sub-carriers
Tran et al. Improving infrastructure-based indoor positioning systems with device motion detection
Al Kalaa et al. Monitoring radiated coexistence testing using GMM-based classifier
US11576188B2 (en) External interference radar

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