CN111683390B - 上行干扰识别的方法、装置及系统 - Google Patents
上行干扰识别的方法、装置及系统 Download PDFInfo
- Publication number
- CN111683390B CN111683390B CN202010529270.7A CN202010529270A CN111683390B CN 111683390 B CN111683390 B CN 111683390B CN 202010529270 A CN202010529270 A CN 202010529270A CN 111683390 B CN111683390 B CN 111683390B
- Authority
- CN
- China
- Prior art keywords
- initial
- reconstruction error
- uplink
- target reconstruction
- interference
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- H04B17/345—Interference values
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供一种上行干扰识别的方法、装置及系统,该方法包括:根据上行物理资源块的PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,根据所述目标重构误差,其中所述预设分类模型包括所述目标重构误差;根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果由于标识所述上行PRB的干扰识别结果。提高了上行干扰类别识别的准确性和有效性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种上行干扰识别的方法、装置及系统。
背景技术
上行干扰水平是评估网络质量的重要指标,当网络受到上行干扰时,上行吞吐量、尤其是小区边缘用户的上行吞吐量将受到影响,干扰严重时甚至会影响用户的接入性能。
例如用户侧有干扰信号时可能导致无法拨打电话、吞字、通话断续,上网慢等网络问题,严重影响用户感知体验。
在现今网络测试方案中,通过人工上行干扰分类排查可以分析已经建设小区所受干扰的情况,但是随着基站网络规模越来越大,网络干扰程度的愈发严重,面对上万基站的部署规模采用传统的方法进行排查,存在计算复杂度高、检测性能不足等弱点,同时存在排查效率低下,甚至将消耗大量资源等问题。
发明内容
本发明提供一种上行干扰识别的方法、装置及系统,以提高上行干扰类别识别的准确性和有效性。
第一方面,本发明实施例提供的一种上行干扰识别的方法,包括:
根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;
根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;
根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,其中所述预设分类模型包括所述目标重构误差;
根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果用于表示所述上行PRB的干扰识别结果。
在一种可选的实施例中,所述分类结果包括第一分类结果以及第二分类结果;
所述第一分类结果用于表示所述上行PRB未被干扰,所述第二分类结果用于表示所述上行PRB被干扰;
其中,当所述分类结果为所述第二分类结果时,所述分类结果还包括所述上行PRB被干扰的干扰类型。
在一种可选的实施例中,在所述根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像之前,还包括:
获取LTE上行干扰过程中的初始干扰电平特征值以及时间粒度标签;
根据所述时间粒度标签,对所述初始干扰电平特征值进行填充,以得到连续干扰电平特征值;
根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵。
在一种可选的实施例中,所述根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵之后,还包括:
根据所述数据矩阵确定初始瀑布噪声图像;
对所述初始瀑布噪声图像进行波形平移或噪声添加,以得到所述瀑布噪声图像。
在一种可选的实施例中,所述根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重,包括:
对所述瀑布噪声图像进行图像特征编码以及图像特征解码,以得到所述初始压缩图像特征,以及,所述初始压缩图像特对应的初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差。
在一种可选的实施例中,所述根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,包括:
获取所述初始压缩图像特征对应的初始化分布;
根据所述初始化分布构造辅助目标分布;
根据所述初始化分布以及所述辅助目标分布,获得所述目标重构误差。
在一种可选的实施例中,所述根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,包括:
根据所述初始压缩图像特征得到所述初始压缩图像特征对应的聚类中心特征;
利用所述聚类中心特征以及所述目标重构误差,对所述初始权重进行迭代,以得到所述最小目标重构误差;
输出所述最小目标重构误差对应的所述分类结果。
在一种可选的实施例中,在所述根据所述初始压缩图像特征得到所述初始压缩图像特征对应的聚类中心特征之前,还包括:
获取多个分类标签;
根据所述分类标签以及所述瀑布噪声图像采用所述预设分类模型对所述瀑布噪声图像进行训练得到所述初始压缩图像特征。
第二方面,本发明实施例提供的一种上行干扰识别的装置,包括:
生成模块,用于根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;
得到模块,用于根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;
确定模块,用于根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,其中所述预设分类模型包括所述目标重构误差;
输出模块,用于根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果用于表示所述上行PRB的干扰识别结果。
在一种可选的实施例中,所述分类结果包括第一分类结果以及第二分类结果;
所述第一分类结果用于表示所述上行PRB未被干扰,所述第二分类结果用于表示所述上行PRB被干扰;
其中,当所述分类结果为所述第二分类结果时,所述分类结果还包括所述上行PRB被干扰的干扰类型。
在一种可选的实施例中,在所述根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像之前,还包括:
获取LTE上行干扰过程中的初始干扰电平特征值以及时间粒度标签;
根据所述时间粒度标签,对所述初始干扰电平特征值进行填充,以得到连续干扰电平特征值;
根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵。
在一种可选的实施例中,所述根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵之后,还包括:
根据所述数据矩阵确定初始瀑布噪声图像;
对所述初始瀑布噪声图像进行波形平移或噪声添加,以得到所述瀑布噪声图像。
在一种可选的实施例中,所述得到模块,具体用于:
对所述瀑布噪声图像进行图像特征编码以及图像特征解码,以得到所述初始压缩图像特征,以及,所述初始压缩图像特对应的初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差。
在一种可选的实施例中,所述确定模块,具体用于:
获取所述初始压缩图像特征对应的初始化分布;
根据所述初始化分布构造辅助目标分布;
根据所述初始化分布以及所述辅助目标分布,获得所述目标重构误差。
在一种可选的实施例中,所述根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,包括:
根据所述初始压缩图像特征得到所述初始压缩图像特征对应的聚类中心特征;
利用所述聚类中心特征以及所述目标重构误差,对所述初始权重进行迭代,以得到所述最小目标重构误差;
输出所述最小目标重构误差对应的所述分类结果。
在一种可选的实施例中,在所述根据所述初始压缩图像特征得到所述初始压缩图像特征对应的聚类中心特征之前,还包括:
获取多个分类标签;
根据所述分类标签以及所述瀑布噪声图像采用所述预设分类模型对所述瀑布噪声图像进行训练得到所述初始压缩图像特征。
第三方面,本发明实施例提供额度一种上行干扰识别的系统,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行第一方面任一项所述的上行干扰识别的方法。
第四方面,本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述的上行干扰识别的方法。
本发明提供一种上行干扰识别的方法、装置及系统,方法包括:根据上行物理资源块的PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,根据所述目标重构误差,其中所述预设分类模型包括所述目标重构误差;根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果由于标识所述上行PRB的干扰识别结果。提高了上行干扰类别识别的准确性和有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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。
图1为本发明实施例提供的一种上行干扰识别的方法流程图;
图2为本发明实施例提供的瀑布噪声图像的示意图一;
图3为本发明实施例提供的瀑布噪声图像的示意图二;
图4为本发明实施例提供的上行干扰识别的预设分类模型示意图;
图5为本发明实施例提供的上行干扰识别分类的示意图;
图6为本发明实施例提供的一种上行干扰识别的装置结构示意图;
图7为本发明实施例提供的一种上行干扰识别的系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
现有技术通过人工上行干扰分类排查可以分析已经建设小区所受干扰的情况,但是随着基站网络规模越来越大,网络干扰程度的愈发严重,面对上万基站的部署规模采用传统的方法进行排查,存在计算复杂度高、检测性能不足等弱点,同时存在排查效率低下,甚至将消耗大量资源等问题。
图1为本发明实施例提供的一种上行干扰识别的方法流程图,如图1所示,本实施例中上行干扰识别的方法可以包括:
S101、根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系。
具体的,根据上行物理资源块PRB(Physical Resource Block)的数据矩阵可以确定瀑布噪声图像,其中干扰电平特征值为上行干扰小区的时间粒度上各PRB的干扰噪声平均值,单位为dBm;时间粒度可以为5分钟、15分钟以及1小时,一般默认设置时间粒度为1小时。
例如参考下表1,表1显示了小区名称为萧山三宏国际_21,时间粒度为1小时,时间范围为2019/8/1日全天24小时第0个PRB至第99个PRB上检测到的干扰噪声的平均值,单位为dBm。从而根据该表1示出的数据矩阵,以根据上行PRB数据矩阵确定瀑布噪声图像,该瀑布噪声图像用来表征干扰电平特征值与时间粒度之间的关系,具体的,图2为本发明实施例提供的瀑布噪声图像的示意图一,如图2分别示出正常小区与异常小区的瀑布噪声图像。
表1
S102、根据预设分类模型以及瀑布噪声图像确定初始压缩图像特征以及初始压缩图像特征对应的初始权重。
具体的利用自编码器(AutoEncoder,AE)等分类模型对上述生成的瀑布噪声图像进行图像特征编码以及图像特征解码的过程,从而可以得到初始压缩图像特征,以及初始压缩图像特征对应的初始权重,其中初始权重包括初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差,其中自编码器包括多层编码层以及解码层,还包括目标重构误差。
S103、根据初始压缩图像特征以及初始权重,确定目标重构误差,其中预设分类模型包括目标重构误差。
具体的,结合上述示例,根据初始压缩图像特征以及初始权重可以确定目标重构误差,进而可以根据该目标重构误差确定最小目标重构误差,并获得分类结果。
S104、根据目标重构误差确定最小目标重构误差,并输出最小目标重构误差对应的分类结果,分类结果用于表示上行PRB的干扰识别结果。
具体的,根据上述确定的目标重构误差,确定最小目标重构误差,且输出该最小目标重构误差对应的分类结果,该分类结构用来标识上行PRB的干扰识别结果,例如可以包括未被干扰或者被干扰,还可以获得被干扰分类结果中的多种干扰类型,例如窄带干扰、互调干扰、阻塞干扰、外部干扰。
在一种可选的实施例中,分类结果包括第一分类结果以及第二分类结果;第一分类结果用于表示上行PRB未被干扰,第二分类结果用于表示上行PRB被干扰;其中,当分类结果为第二分类结果时,分类结果还包括上行PRB被干扰的干扰类型。
具体的分类结果可以包括第一类分类结果和第二类分类结果,其中第一分类结果可以表示上行PRB未被干扰,第二分类结果表示上行PRB被干扰,其中第二分类结果还可以包括上行PRB被干扰的干扰类型,例如窄带干扰、互调干扰、阻塞干扰、外部干扰。
结合图1所示示例,根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像之前还包括:获取LTE上行干扰过程中的初始干扰电平特征值以及时间粒度标签;根据时间粒度标签,对初始干扰电平特征值进行填充,得到连续干扰电平特征值;进而根据该连续干扰电平特征值生成上行PRB的数据矩阵。
例如,根据表1示出的初始干扰电平特征值,基于插值法,通过计算缺失值前后时间粒度对应时刻或相邻PRB处的已知噪声电平值的斜率来进行填充,从而针对PRB数据矩阵中缺失的记录进行填充得到连续干扰电平特征值,进而将时间粒度标签作为横坐标,纵坐标两列纵坐标分别显示频率值和连续干扰电平值,且采用不同的明暗颜色来代表小区所受干扰的强度从而生成瀑布噪声图像电平值越高,颜色越浅,即干扰越大;电平值越低,颜色越深,则干扰越小。例如参考图2。
在一种可选的实施例中,正常小区(无干扰)的LTE网络小区全天全PRB上的干扰电平均值均应低于-110左右,其对应的瀑布噪声图应呈现为深色。若该小区在某时刻或某PRB上受到其他设备的信号干扰,则在对应的时刻或PRB上根据干扰的强度不同,呈现出浅色甚至于白色。
在一种可选的实施例中,在根据连续干扰电平特征值生成上行PRB的数据矩阵之后,还包括:根据数据矩阵确定初始瀑布噪声图像,对该初始瀑布噪声图像进行波形平移或噪声添加,得到瀑布噪声图像。
由实践经验得知,上行干扰的异常小区占比低于全网小区的10%。原始数据对应各分类的样本数量相差较大。为了克服这种类别不均(Class Imbalance)现象,提升算法准确性,通过以下两种方式对初始瀑布噪声图像进行扩充:一、波形平移:将初始瀑布噪声图像整体沿横轴或纵轴进行平移;二、噪声添加:对初始瀑布噪声图像模拟添加随机的黑白点,即椒盐噪音。经由扩充处理后的样本库中各种异常分类的瀑布噪声图像大致相等.
具体的,例如通过波形平移,将PRB的数据矩阵对应的初始瀑布噪声图像整体沿横轴或纵轴进行平移;或者对初始瀑布图像进行噪声添加,即对PRB数据矩阵对应的初始瀑布噪声图像模拟添加随机的黑白点,即加噪。经由扩充处理后的初始瀑布噪声图像使得数据库获得各种异常分类且数量大致相等的瀑布噪声图像。
图3为本发明实施例提供的瀑布噪声图像的示意图二,如图3所示,通过对PRB数据矩阵干扰时序瀑布噪声图平移或者随机噪声添加后与原始图像的对比,可以有效提升干扰分类的准确性。
结合图1的上述示例,据预设分类模型以及瀑布噪声图像,确定初始压缩图像特征以及初始压缩图像特征对应的初始权重进一步可以通过以下方式实现,具体的对瀑布噪声图像进行图像特征编码以及图像特征解码,以得到初始压缩图像特征,以及,初始压缩图像特征对应的初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差。
具体的建立具有七层全连接自编码器(AutoEncoder,AE)模型,并对瀑布噪声图像来进行特征提取与模型预训练,且利用随机梯度算法(SGD)来调整更新目标重构误差。
参考图4,图4为本发明实施例提供的上行干扰识别的预设分类模型示意图,如图4所示,LTE上行干扰识别与分类显示了从PRB数据矩阵对应的瀑布噪声图像中2400个高维度特征,通过自编码器(AutoEncoder,AE)降维到20个初始压缩图像特征。
该瀑布噪声图像维度较高,每小区有24*100个像素点,通过构建七层全连接自编码模型来进行特征提取与模型预训练。以每个小区的时序瀑布噪声图像f(24×100)作为模型的输入,在经由三层编码层后,该图像在隐藏层被映射成为一个压缩后的20维初始压缩特征向量h。以这20个像素作为输入,再经由三层与编码层完全相反的解码层后,可还原生成瀑布噪声图像f的重建图f'(24×100)。公式一、公式二分别表示自编码器的编码与解码的过程。其中s代表激活函数,W和b分别代表编码层权重和偏差,W′和b′则代表解码层权重和偏差。
h=s(Wf)+b 公式一
f’=s(W’f)+b’ 公式二
若还原的重建图f'与瀑布噪声图像越接近,则说明初始压缩特征向量h有效地对瀑布噪声图像进行了压缩。为了更好地压缩并提取瀑布噪声图像中的重要特征,滤去不必要的噪声,需尽可能减小瀑布噪声图像f的重建图f'的误差。如公式三所示,本实施例使用平均方差误差来衡量重构误差L(f′,f)。
L(f′,f)=‖f′-f‖2 公式三
在遍历模型的各个层级过程时,利用随机梯度算法(SGD)来调整更新当前编码层W,编码层偏差b,解码层权重W′,解码层偏差b′值可以使目标重构误差L(f′,f)尽可能地小,则可以获得对应的分类结果。
进而结合上述示例,根据初始压缩图像特征以及初始权重,确定目标重构误差具体的包括获取初始压缩图像特征对应的初始化分布;
根据初始化分布构造辅助目标分布;
根据初始化分布以及辅助目标分布,获得目标重构误差。
获得初始压缩图像特征以及初始权重后,使用DEC(Deep EmbeddedClustering)无监督算法对提取的初始压缩图像特征进行初始聚类预训练,获得n个初始化聚类中心特征Cj及初始权重W,b,W′,b′,其中W为当前编码层,b编码层偏差,W′代表解码层权重,b′代表解码层偏差。
对于每个聚类中心特征,每个经压缩后的特征向量hi距离初聚类中心特征Cj的距离应满足t-分布(Student's t-distribution),如公式四所示,qij代表初始压缩特征向量hi落入聚类中心特征Cj概率,α为t-分布的自由度。由于无监督学习算法无法进行交叉验证,故此处α为1。对每个初始压缩特征向量hi而言,qij最大值所在的聚类中心特征Cj即为其所属的分类。
考虑到置信度越高,初始压缩图像特征向量hi属于聚类中心特征Cj概率越大,为了衡量模型预测出初始化的qij分布的准确性,构造如下公式五辅助目标分布pij来模拟目标分布概率。
其中fj=∑iqij代表qij的分布频率。fj可对每个聚类中心特征进行归一化,以避免某个过大的类别扭曲特征空间的映射。将最终分类结果的概率分布当做目标分布P,设置辅助目标分布Q来进行辅助运算后,使用相对熵L(relative entropy)来衡量则P和Q的概率分布的差异,获得目标重构误差,其中KL为散度,可表示为公式六:
结合上述图1的示例,根据目标重构误差确定最小目标重构误差,并输出最小目标重构误差对应的分类结果可以进一步通过以下方式实现,具体法人根据初始压缩图像特征,得到初始压缩图像特征对应的聚类中心特征;利用聚类中心特征以及目标重构误差,对初始权重进行迭代,得到最小目标重构误差。
具体的以最小化相对熵L为目标重构误差进行迭代运算。由于不对数据集进行划分,将公式七中的α取1可得公式八。根据公式八对图4中自编码器模型里的编码层部分的权重进行迭代更新。
在一种可选的实施例中,在根据初始压缩图像特征得到初始压缩图像特征对应的聚类中心特征之前,还包括:获取多个分类标签;根据分类标签以及瀑布噪声图像采用预设分类模型对瀑布噪声图像进行训练得到初始压缩图像特征。
在一种可选的实施例中根据专家排查结果,分别对LTE上行干扰分类结果进行标签标注,完成干扰精准分类,例如窄带干扰、互调干扰、阻塞干扰、外部干扰。图5为本发明实施例提供的上行干扰识别分类的示意图,如图5所示,模型可判断存在五种不同的分类类别。其中类别0全图深色,即干扰噪声电平值较低,可认为不存在干扰,类别1全图为深色,但部分PRB电平值在全时刻出现浅色,即干扰噪声电平值较高。代表窄带干扰。图5中还示出5种分类标签以提供指导。
本实施例采用上行PRB的数据矩阵,通过计算缺失值前后时刻或相邻PRB处的已知噪声电平值的斜率来进行填充缺失数据后生成瀑布噪声图像,基于具有七层全连接自编码器(AutoEncoder,AE)对PRB数据矩阵对应的瀑布噪声图像来进行特征提取与模型预训练,利用随机梯度算法(SGD)来调整更新重构误差,并输出LTE上行干扰分类结果,还可以结合工程师经验和现场排查结果进行标签标注,准确且快速地判断当前小区受到上行干扰的类型,并可以固化工程师经验于模型当中,识别新型干扰。提高了上行干扰类别识别的准确性和有效性。
通过抽取27500个小区7×24小时上行干扰KPI指标,基于上述方法完成全网上行干扰智能检测和分类试点,并联合资深工程师对于分类结果随机确认。由下表2所示,系统可100%识别出异常小区。对异常小区的分类的准确率与查全率均在97%以上,分类效果良好。系统准确性和查全率整体如表3下:
表2
类别 | 实际样本数量 | 系统分类准确率 | 系统分类查全率 |
正常 | 26262 | 100% | 99.83% |
窄带干扰 | 164 | 93.61% | 97.62% |
互调干扰 | 796 | 96.47% | 98.34% |
阻塞干扰 | 16 | 100% | 100% |
外部干扰 | 262 | 92.42% | 93.25% |
表3
图6为本发明实施例提供的一种上行干扰识别的装置结构示意图,如图6所示,本实施例的上行干扰识别的装置可以包括:
生成模块21,用于根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;
得到模块22,用于根据预设分类模型以及瀑布噪声图像,确定初始压缩图像特征以及初始压缩图像特征对应的初始权重;
确定模块23,用于根据初始压缩图像特征以及初始权重,确定目标重构误差,其中预设分类模型包括目标重构误差;
输出模块24,用于根据目标重构误差确定最小目标重构误差,并输出最小目标重构误差对应的分类结果,分类结果用于表示上行PRB的干扰识别结果。
在一种可选的实施例中,分类结果包括第一分类结果以及第二分类结果;
第一分类结果用于表示上行PRB未被干扰,第二分类结果用于表示上行PRB被干扰;
其中,当分类结果为第二分类结果时,分类结果还包括上行PRB被干扰的干扰类型。
在一种可选的实施例中,在根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像之前,还包括:
获取LTE上行干扰过程中的初始干扰电平特征值以及时间粒度标签;
根据时间粒度标签,对初始干扰电平特征值进行填充,以得到连续干扰电平特征值;
根据连续干扰电平特征值生成上行PRB的数据矩阵。
在一种可选的实施例中,根据连续干扰电平特征值生成上行PRB的数据矩阵之后,还包括:
根据数据矩阵确定初始瀑布噪声图像;
对初始瀑布噪声图像进行波形平移或噪声添加,以得到瀑布噪声图像。
在一种可选的实施例中,得到模块22,具体用于:
对瀑布噪声图像进行图像特征编码以及图像特征解码,以得到初始压缩图像特征,以及,初始压缩图像特对应的初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差。
在一种可选的实施例中,确定模块23,具体用于:
获取初始压缩图像特征对应的初始化分布;
根据初始化分布构造辅助目标分布;
根据初始化分布以及辅助目标分布,获得目标重构误差。
在一种可选的实施例中,根据目标重构误差确定最小目标重构误差,并输出最小目标重构误差对应的分类结果,包括:
根据初始压缩图像特征得到初始压缩图像特征对应的聚类中心特征;
利用聚类中心特征以及目标重构误差,对初始权重进行迭代,以得到最小目标重构误差;
输出最小目标重构误差对应的分类结果。
在一种可选的实施例中,在根据初始压缩图像特征得到初始压缩图像特征对应的聚类中心特征之前,还包括:
获取多个分类标签;
根据分类标签以及瀑布噪声图像采用预设分类模型对瀑布噪声图像进行训练得到初始压缩图像特征。
本实施例的上行干扰识别的装置,可以执行图1所示方法中的技术方案,其具体实现过程和技术原理参见图1所示方法中的相关描述,此处不再赘述。
图7为本发明实施例提供的一种上行干扰识别的系统结构示意图,如图7所示,本实施例的上行干扰识别的系统30可以包括:处理器31和存储器32。
存储器32,用于存储计算机程序(如实现上述上行干扰识别的方法的应用程序、功能模块等)、计算机指令等;
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器32中。并且上述的计算机程序、计算机指令、数据等可以被处理器31调用。
处理器31,用于执行存储器32存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器31和存储器32可以是独立结构,也可以是集成在一起的集成结构。当处理器31和存储器32是独立结构时,存储器32、处理器31可以通过总线33耦合连接。
本实施例的服务器可以执行图1所示方法中的技术方案,其具体实现过程和技术原理参见图1所示方法中的相关描述,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,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。当然,存储介质也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。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本领域普通技术人员可以理解:实现上述各实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种上行干扰识别的方法,其特征在于,包括:
根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;
根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;
根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,其中所述预设分类模型包括所述目标重构误差;
根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果用于表示所述上行PRB的干扰识别结果。
2.根据权利要求1所述的上行干扰识别的方法,其特征在于,所述分类结果包括第一分类结果以及第二分类结果;
所述第一分类结果用于表示所述上行PRB未被干扰,所述第二分类结果用于表示所述上行PRB被干扰;
其中,当所述分类结果为所述第二分类结果时,所述分类结果还包括所述上行PRB被干扰的干扰类型。
3.根据权利要求1所述的方法,其特征在于,在所述根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像之前,还包括:
获取LTE上行干扰过程中的初始干扰电平特征值以及时间粒度标签;
根据所述时间粒度标签,对所述初始干扰电平特征值进行填充,以得到连续干扰电平特征值;
根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵。
4.根据权利要求3所述的方法,其特征在于,所述根据所述连续干扰电平特征值生成所述上行PRB的所述数据矩阵之后,还包括:
根据所述数据矩阵确定初始瀑布噪声图像;
对所述初始瀑布噪声图像进行波形平移或噪声添加,以得到所述瀑布噪声图像。
5.根据权利要求1所述的方法,其特征在于,所述根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重,包括:
对所述瀑布噪声图像进行图像特征编码以及图像特征解码,以得到所述初始压缩图像特征,以及,所述初始压缩图像特征对应的初始编码层权重、初始编码层偏差、初始解码层权重和初始解码层偏差。
6.根据权利要求5所述的方法,其特征在于,所述根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,包括:
获取所述初始压缩图像特征对应的初始化分布;
根据所述初始化分布构造辅助目标分布;
根据所述初始化分布以及所述辅助目标分布,获得所述目标重构误差。
7.根据权利要求6所述的方法,其特征在于,所述根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,包括:
根据所述初始压缩图像特征得到所述初始压缩图像特征对应的聚类中心特征;
利用所述聚类中心特征以及所述目标重构误差,对所述初始权重进行迭代,以得到所述最小目标重构误差;
输出所述最小目标重构误差对应的所述分类结果。
8.根据权利要求1-7中任一项所述的方法,其特征在于,
获取多个分类标签;
根据所述分类标签以及所述瀑布噪声图像采用所述预设分类模型对所述瀑布噪声图像进行训练得到所述初始压缩图像特征。
9.一种上行干扰识别的装置,其特征在于,包括:
生成模块,用于根据上行物理资源块PRB的数据矩阵确定瀑布噪声图像,所述瀑布噪声图像用于表征干扰电平特征值与时间粒度之间的关系;
得到模块,用于根据预设分类模型以及所述瀑布噪声图像,确定初始压缩图像特征以及所述初始压缩图像特征对应的初始权重;
确定模块,用于根据所述初始压缩图像特征以及所述初始权重,确定目标重构误差,其中所述预设分类模型包括所述目标重构误差;
输出模块,用于根据所述目标重构误差确定最小目标重构误差,并输出所述最小目标重构误差对应的分类结果,所述分类结果用于表示所述上行PRB的干扰识别结果。
10.一种上行干扰识别的系统,其特征在于,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的上行干扰识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529270.7A CN111683390B (zh) | 2020-06-11 | 2020-06-11 | 上行干扰识别的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529270.7A CN111683390B (zh) | 2020-06-11 | 2020-06-11 | 上行干扰识别的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111683390A CN111683390A (zh) | 2020-09-18 |
CN111683390B true CN111683390B (zh) | 2022-08-05 |
Family
ID=72454635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529270.7A Active CN111683390B (zh) | 2020-06-11 | 2020-06-11 | 上行干扰识别的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111683390B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818596A (zh) * | 2021-01-29 | 2021-05-18 | 广东振子电子科技有限公司 | 一种智能干扰识别定位方法及其系统 |
CN115276851B (zh) * | 2022-06-21 | 2023-08-11 | 中国联合网络通信集团有限公司 | 一种外部上行干扰识别方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203386A (zh) * | 2016-07-21 | 2016-12-07 | 武汉大学 | 基于语音压缩μ律函数的电力变压器有源噪声控制抗干扰自适应算法 |
CN107250945A (zh) * | 2015-02-12 | 2017-10-13 | 高通股份有限公司 | 用于检测由于rf干扰引起的故障的设备上行为分析 |
CN107852625A (zh) * | 2015-09-18 | 2018-03-27 | 英特尔公司 | 识别全双工通信系统中的受害方和干扰源 |
CN110868759A (zh) * | 2019-11-28 | 2020-03-06 | 中国联合网络通信集团有限公司 | 一种干扰协调方法及装置、基站 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140219117A1 (en) * | 2013-02-07 | 2014-08-07 | Qualcomm Incorporated | Apparatus and method for inter cell interference coordination |
-
2020
- 2020-06-11 CN CN202010529270.7A patent/CN111683390B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107250945A (zh) * | 2015-02-12 | 2017-10-13 | 高通股份有限公司 | 用于检测由于rf干扰引起的故障的设备上行为分析 |
CN107852625A (zh) * | 2015-09-18 | 2018-03-27 | 英特尔公司 | 识别全双工通信系统中的受害方和干扰源 |
CN106203386A (zh) * | 2016-07-21 | 2016-12-07 | 武汉大学 | 基于语音压缩μ律函数的电力变压器有源噪声控制抗干扰自适应算法 |
CN110868759A (zh) * | 2019-11-28 | 2020-03-06 | 中国联合网络通信集团有限公司 | 一种干扰协调方法及装置、基站 |
Non-Patent Citations (2)
Title |
---|
HFC网络噪声干扰的分析;邓陆林 等;《中国有线电视》;20070125(第02期);全文 * |
基于时效性与公平性的动态干扰协调方案研究;陈文强;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111683390A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495920B (zh) | 一种无线通信网络特征画像方法、设备和计算机程序产品 | |
CN112419242B (zh) | 基于自注意力机制gan网络的无参考图像质量评价方法 | |
CN111683390B (zh) | 上行干扰识别的方法、装置及系统 | |
CN111311595B (zh) | 图像质量的无参考质量评价方法及计算机可读存储介质 | |
CN108876756A (zh) | 图像相似性的度量方法和装置 | |
CN113450288A (zh) | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 | |
Zagouras et al. | Clustering the solar resource for grid management in island mode | |
CN118133689B (zh) | 面向教学场景的仿真平台数据处理方法、装置和电子设备 | |
KR20220102329A (ko) | 산불 위험 계절 예보 장치 및 방법 | |
CN114048322A (zh) | 知识图谱的噪声识别方法、装置及计算机可读存储介质 | |
CN117992757B (zh) | 基于多维数据的国土生态环境遥感数据分析方法 | |
CN114757854B (zh) | 基于多光谱分析的夜视图像质量提升方法、装置、设备 | |
US20130084025A1 (en) | Method for Brightness Correction of Defective Pixels of Digital Monochrome Image | |
CN115272213A (zh) | 医学图像质量评价方法及装置 | |
CN118096922A (zh) | 一种基于风格迁移和遥感影像生成地图的方法 | |
CN117473430A (zh) | 一种非侵入式负荷分类方法及装置 | |
CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 | |
CN116663388A (zh) | 粮堆温度预测方法、装置、设备及存储介质 | |
CN105184320A (zh) | 基于结构相似度的非负稀疏编码的图像分类方法 | |
CN104320659A (zh) | 背景建模方法、装置及设备 | |
CN113316185B (zh) | 基于分类器的lte网络上行干扰类别识别方法及系统 | |
CN115063294B (zh) | 一种能够估计结果置信度的超分辨率重建方法 | |
CN117649358B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111553418B (zh) | 神经元重建错误的检测方法、装置和计算机设备 | |
CN118075496A (zh) | 图像优化方法、装置、计算机设备和存储介质 |
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 |