CN115001609B - 计及干扰功率测量值的电力无线专网干扰类型识别方法 - Google Patents

计及干扰功率测量值的电力无线专网干扰类型识别方法 Download PDF

Info

Publication number
CN115001609B
CN115001609B CN202210474654.2A CN202210474654A CN115001609B CN 115001609 B CN115001609 B CN 115001609B CN 202210474654 A CN202210474654 A CN 202210474654A CN 115001609 B CN115001609 B CN 115001609B
Authority
CN
China
Prior art keywords
interference
power
vector
private network
interference type
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
CN202210474654.2A
Other languages
English (en)
Other versions
CN115001609A (zh
Inventor
王晓锋
龚波涛
朱琦峰
张猷
龚淼
孙博洋
周孝法
顾万里
黄阮明
孙金
唐春生
施涛
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.)
Nanjing University of Posts and Telecommunications
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Nanjing University of Posts and Telecommunications
State Grid Shanghai Electric Power 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 Nanjing University of Posts and Telecommunications, State Grid Shanghai Electric Power Co Ltd filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210474654.2A priority Critical patent/CN115001609B/zh
Publication of CN115001609A publication Critical patent/CN115001609A/zh
Application granted granted Critical
Publication of CN115001609B publication Critical patent/CN115001609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种计及干扰功率测量值的电力无线专网干扰类型识别方法，包括：步骤1：获取基站干扰功率时频干扰测量矩阵；步骤2：根据干扰测量矩阵计算时间相关性；步骤3：计算干扰测量矩阵的谱特性矩阵；步骤4：基于神经网络构建干扰类型识别模型；步骤5：对干扰类型识别模型进行训练；步骤6：使用训练好的干扰类型识别模型识别电力无线专网干扰类型。与现有技术相比，本发明具有实时性好、准确性高等优点。

Description

计及干扰功率测量值的电力无线专网干扰类型识别方法
技术领域
本发明涉及电力无线专网技术领域，尤其是涉及一种计及干扰功率测量值的电力无线专网干扰类型识别方法。
背景技术
电力无线专网主要基于TD-LTE无线通信技术体制，工作频段为1785MHz-1805MHz。电力无线专网主要以地市公司为单位进行建设，基本网元包括无线通信终端、基站、核心网等设备；传输通道包括无线通信终端与基站间的无线通道和基站与核心网间的有线通道。有线通道使用公司内部网络，即基站通过传输网与核心网连接，所有无线通信终端、基站、核心网等节点都不与互联网连通。数据从核心网出来后，分别经安全接入区接入生产控制大区(边界部署横向单向安全隔离装置)和管理信息大区(边界部署安全接入平台)。目前，电力系统已经在多个地市开展了基于LTE技术的电力无线专网建设工作，有效支撑了电力业务的通信承载需求，实现终端侧业务的灵活泛在接入，促进了业务的智能化发展。
频率资源是影响电力无线专网的网络性能、建设成本等的重要因素，特别是频率干扰对于网络质量、建设成本及日后的网络升级优化等均存在很大影响，快速识别并定位干扰是提高电力无线专网服务质量的核心重点工作之一。由射频特性及频谱关系可知1.8G专网频段可能存在系统外杂散干扰、互调、谐波干扰、阻塞干扰等类型的干扰，而系统内干扰包括帧同步异常、大气波导(越区覆盖)、其他同频异系统、业务重载干扰等。为了保证系统稳定运行，需根据基站网络管理系统的干扰监测数据，快速精准定位干扰类型，并根据干扰产生原因，制订干扰规避解决方案，而后降低乃至排除干扰。
传统干扰分析基于网络优化队伍的路测及定点测试数据开展干扰信号类别、强弱分析，又或者通过人工提取基站网络管理系统后台监测数据，利用网优工程师的经验开展干扰类型的识别，以上方法虽然能够研判干扰类别，但是需要耗费大量人力物力，特别是随着专网基站规模的不断增长，传统网优及后台人工分析方法已经不再适用于规模化无线专网的干扰分析。因此，迫切需要依据干扰在线监测数据，研发智能化分析手段，进行干扰类别分析智能化分析，提高干扰分析的精准与自动化程度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时性好、准确性高的计及干扰功率测量值的电力无线专网干扰类型识别方法。
本发明的目的可以通过以下技术方案来实现：
一种计及干扰功率测量值的电力无线专网干扰类型识别方法，所述的识别方法包括：
步骤1：获取基站干扰功率时频干扰测量矩阵；
步骤2：根据干扰测量矩阵计算时间相关性；
步骤3：计算干扰测量矩阵的谱特性矩阵；
步骤4：基于神经网络构建干扰类型识别模型；
步骤5：对干扰类型识别模型进行训练；
步骤6：使用训练好的干扰类型识别模型识别电力无线专网干扰类型。
优选地，所述的步骤1具体为：
通过基站网管后台获取电力无线专网共计N个资源块的频域干扰功率测量值，N个资源块为RB1、RB2，……，RBN，根据LTE技术协议，每个RB带宽为180KHz，系统总带宽为10MHz；
一天24小时，每小时的频域干扰测量矩阵如下：
其中，M和N分别为一天小时总数和RB总数。
优选地，所述的步骤2具体为：
定义行向量cn＝(I1,n I2,n ... I24,n)T,1≤n≤N为RBn全天24小时采集的干扰功率值向量；行向量1＝(11...1)为一个元素全为1的N维行向量；
为了获得不同RB在全天采集功率值向量之间的相关性，计算所有RB在不同小时采集的干扰功率值向量之间皮尔森相关系数ρn,n+1如下：
其中，·表示向量乘法；T为向量或矩阵的转置操作；
计算平均时间相关系数如下：
其中， 的值越大，则表示不同RB上的干扰功率值随时间变化趋势越相同，基站受业务上行干扰可能性越大。
优选地，所述的步骤3具体为：
定义在小时m采集到的全频段RB干扰值向量为cm＝(Im,1 Im,2 ... Im,N),1≤m≤24，通过离散傅里叶变换得到其谱特征向量为：
dm＝DFT(cm)＝(dm,0 dm,2 … dm,N)
其中，dm,k,k＝0,1,...,N-1为cm＝(Im,1 Im,2 ... Im,N)的离散傅里叶变换计算结果，具体如下：
WN＝e-j(2π/N)
其中，Im,n为RBn在小时m的干扰电平值，单位为dBm
干扰测量矩阵CM×N每个行向量离散傅里叶变换构成的谱特性矩阵如下：
优选地，所述的干扰类型识别模型具体为：
包括输入层、隐含层、输出层和损失加权层四层结构的神经网络模型，层数分别为O、P、Q、R；输入层数据为干扰测量矩阵、时间相关性系数和谱特性矩阵；输出层为出现专类五类干扰的概率。
更加优选地，所述的隐含层为输入层的线性加权：
其中，wp为所有输入层神经元链接到隐含层神经元的加权系数向量，其元素为wpo。
更加优选地，所述的输出层为隐含层线性加权后的激活值：
其中，wqp为隐含层神经元链接到输出层神经元的加权系数，bq为偏移量，f(x)为激活函数，具体为：
更加优选地，所述的损失加权层每个神经元数值φr计算方法如下：
所有φr中取到最大值所都应的干扰类型即为最终识别结果，具体方法如下：
优选地，所述的步骤5具体为：采用代价函数最小化准则训练模型参数，通过误差反向传播原理求得神经元连接系数的最优值
更加优选地，所述的代价函数具体为：
与现有技术相比，本发明具有以下有益效果：
实时性好、准确性高：本发明中的电力无线专网干扰类型识别方法利用基站采集的全频段干扰功率值，并通过计算获得干扰功率值时间相关性与谱特性，作为神经网络输入参数，通过模型自动识别确定干扰类型。利用本发明的干扰识别模型可以有效提高干扰识别实时性与准确性，大大降低电力无线专网运维成本投入。
附图说明
图1为本发明实施例中电力无线专网干扰类型识别模型的示意图；
图2为本发明实施例中电力无线专网干扰类型识别准确率示意图。
具体实施方式
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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种计及干扰功率测量值的电力无线专网干扰类型识别方法，包括：
步骤1：获取基站干扰功率时频干扰测量矩阵；
步骤2：根据干扰测量矩阵计算时间相关性；
步骤3：计算干扰测量矩阵的谱特性矩阵；
步骤4：基于神经网络构建干扰类型识别模型；
步骤5：对干扰类型识别模型进行训练；
步骤6：使用训练好的干扰类型识别模型识别电力无线专网干扰类型。
步骤1具体为：
通过基站网管后台获取电力无线专网共计N个资源块的频域干扰功率测量值，N个资源块为RB1、RB2，……，RBN，根据LTE技术协议，每个RB带宽为180KHz，系统总带宽为10MHz；
一天24小时，每小时的频域干扰测量矩阵如下：
其中，M和N分别为一天小时总数和RB总数。
步骤2具体为：
定义行向量cn＝(I1,n I2,n ... I24,n)T,1≤n≤N为RBn全天24小时采集的干扰功率值向量；行向量1＝(11...1)为一个元素全为1的N维行向量；
为了获得不同RB在全天采集功率值向量之间的相关性，计算所有RB在不同小时采集的干扰功率值向量之间皮尔森相关系数ρn,n+1如下：
其中，·表示向量乘法；T为向量或矩阵的转置操作；
计算平均时间相关系数如下：
其中， 的值越大，则表示不同RB上的干扰功率值随时间变化趋势越相同，基站受业务上行干扰可能性越大。
步骤3具体为：
定义在小时m采集到的全频段RB干扰值向量为cm＝(Im,1 Im,2 ... Im,N),1≤m≤24，通过离散傅里叶变换得到其谱特征向量为：
dm＝DFT(cm)＝(dm,0 dm,2 … dm,N)
其中，dm,k,k＝0,1,...,N-1为cm＝(Im,1 Im,2 ... Im,N)的离散傅里叶变换计算结果，具体如下：
WN＝e-j(2π/N)
干扰测量矩阵CM×N每个行向量离散傅里叶变换构成的谱特性矩阵如下：
干扰类型识别模型具体为：
包括输入层、隐含层、输出层和损失加权层四层结构的神经网络模型，层数分别为O、P、Q、R；输入层数据为干扰测量矩阵、时间相关性系数和谱特性矩阵；输出层为出现专类五类干扰的概率。
隐含层为输入层的线性加权：
其中，wp为所有输入层神经元链接到隐含层神经元的加权系数向量，其元素为wpo。
输出层为隐含层线性加权后的激活值：
其中，wqp为隐含层神经元链接到输出层神经元的加权系数，bq为偏移量，f(x)为激活函数，具体为：
损失加权层每个神经元数值φr计算方法如下：
所有φr中取到最大值所都应的干扰类型即为最终识别结果，具体方法如下：
步骤5具体为：采用代价函数最小化准则训练模型参数，通过误差反向传播原理求得神经元连接系数的最优值
代价函数具体为：
下面提供一个具体应用例：
1、获取基站干扰功率时频测量矩阵。通过基站网管后台获取电力无线专网共计50个资源块(Resource block,RB)的频域干扰功率测量值，50个资源块为RB1,RB1,…,RB50，根据LTE技术协议，每个RB带宽为180KHz，系统总带宽为10MHz。一天24小时、每小时的频域干扰测量矩阵如下：
式中，M、N分别为一天小时总数、RB总数，M＝24、N＝50；且1≤m≤24、1≤n≤50分别为小时、RB的索引变量。定义Im,n为RBn在小时m的干扰电平值，单位为dBm。
2、根据CM×N计算其时间相关性。
基站干扰功率值曲线在不同时间保持相关性的这一特征可以用于区分干扰类型，如上行业务繁忙导致的邻区干扰在特定时间段内较严重，定义行向量cn＝(I1,n I2,n ...I24,n)T,1≤n≤50为RBn全天24小时采集的干扰功率值向量；行向量1＝(1 1 ... 1)的元素全为1的50维行向量；为了获得不同RB在全天采集功率值向量之间的相关性，计算所有RB在不同小时采集的干扰功率值向量之间皮尔森相关系数ρn,n+1如下：
式中符号“·”表示向量乘法，“T”为向量或矩阵的转置操作。
计算平均时间相关系数如下：
其中， 的值越大，则表示不同RB上的干扰功率值随时间变化趋势越相同，基站受业务上行干扰可能性越大。
3、计算干扰测量矩阵CM×N的谱特性矩阵。
某个时刻采集的干扰功率值在不同RB上大小不同，构成特定曲线，可以通过离散傅里叶变换将曲线特征抽取出来。专网频段为1785MHz-1805MHz，易受中国移动DCS 1800下行频段(1805MHz-1820MHz)的杂散干扰，杂散干扰功率值曲线表现为“前低后高”；专网同频干扰的干扰功率值曲线表现为“连续且平坦”；大气波导干扰的干扰功率值曲线表现为“在频段中间的几个RB出现连续干扰”；互调干扰的干扰功率值曲线表现为“在特定RB上出现尖峰”。定义在小时m采集到的全频段RB干扰值向量为cm＝(Im,1 Im,2 ... Im,50),1≤m≤24，通过离散傅里叶变换得到其谱特征向量为：
dm＝DFT(cm)＝(dm,0 dm,2 … dm,49)
上式中dm,k,k＝0,1,...,49为cm＝(Im,1 Im,2 ... Im,50)的离散傅里叶变换计算结果，具体如下：
上式中W50＝e-j(2π/50)，至此可以获得干扰测量矩阵CM×N每个行向量离散傅里叶变换构成的谱特性矩阵如下：
4、利用电力无线专网干扰测量矩阵、时间相关性系数、谱特性矩阵作为神经网络模型输入数据，如图1所示，本发明采用的神经网络模型包含四层，分别是输入层、隐含层、输出层、损失加权层，层数分别为O、P、Q、R。输入层数据为干扰的测量矩阵、时间相关性系数、谱特性矩阵，数据维度为101，即O＝101，输出层为出现专网五类干扰的概率，隐含层层数的选择没有固定方法，一般根据模型训练调整获得，本实施例中P取4，R为损失计算层与输出层层数一致，因此Q＝R＝5。
隐含层为输入层的线性加权：
其中，wp为所有输入层神经元链接到隐含层神经元的加权系数向量，其元素为wpo。
输出层为隐含层线性加权后的激活值：
其中，wqp为隐含层神经元链接到输出层神经元的加权系数，bq为偏移量，f(x)为激活函数，具体为：
损失加权层每个神经元数值φr计算方法如下：
所有φr中取到最大值所都应的干扰类型即为最终识别结果，具体方法如下：
5、模型训练
为了通过训练数据获得最终干扰识别神经网络模型，根据代价函数最小化准则训练模型参数。首先计算获取上行业务干扰、杂散干扰、互调干扰、大气波导干扰、同频干扰的干扰测量矩阵，计算获得时间相关性系数、谱特性矩阵，并将每类干扰数据输入图1所示神经网络模型，然后求得yr,φr,1≤r≤R。根据下式计算识别结果与真实结果的代价函数为：
通过误差反向传播原理求得神经元连接系数的最优值
本实施例还设置了对比实验来验证本发明所提方法的准确率，采用传统人工识别方法和采用干扰采样值的BP神经网络算法作为对照实验，其结果如图2所示，其中，传统人工识别方法的识别准确率为72％，采用干扰采样值的BP神经网络算法的识别准确率为83％，而本发明所提方法的识别准确率高达94％，可以看出本发明所提方法的准确率较高。
以上所述，仅为本发明的具体实施方式，但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。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种计及干扰功率测量值的电力无线专网干扰类型识别方法，其特征在于，所述的识别方法包括：
步骤1：获取基站干扰功率时频干扰测量矩阵；
步骤2：根据干扰测量矩阵计算时间相关性；
步骤3：计算干扰测量矩阵的谱特性矩阵；
步骤4：基于神经网络构建干扰类型识别模型；
步骤5：对干扰类型识别模型进行训练；
步骤6：使用训练好的干扰类型识别模型识别电力无线专网干扰类型；
所述的步骤1具体为：
通过基站网管后台获取电力无线专网共计N个资源块的频域干扰功率测量值，N个资源块为RB1、RB2，……，RBN，根据LTE技术协议，每个RB带宽为180KHz，系统总带宽为10MHz；
一天24小时，每小时的频域干扰测量矩阵如下：
其中，M和N分别为一天小时总数和RB总数；
所述的步骤2具体为：
定义向量cn＝(I1,n I2,n ... I24,n)T,1≤n≤N为RBn全天24小时采集的干扰功率值向量；行向量1＝(1 1 ... 1)为一个元素全为1的N维行向量；
为了获得不同RB在全天采集功率值向量之间的相关性，计算所有RB在不同小时采集的干扰功率值向量之间皮尔森相关系数ρn,n+1如下：
其中，·表示向量乘法；T为向量或矩阵的转置操作；
计算平均时间相关系数如下：
其中，的值越大，则表示不同RB上的干扰功率值随时间变化趋势越相同，基站受业务上行干扰可能性越大；
所述的步骤3具体为：
定义在小时m采集到的全频段RB干扰值向量为cm＝(Im,1 Im,2 ... Im,N),1≤m≤24，通过离散傅里叶变换得到其谱特征向量为：
dm＝DFT(cm)＝(dm,0 dm,2 … dm,N)
其中，dm,k,k＝0,1,...,N-1为cm＝(Im,1 Im,2 ... Im,N)的离散傅里叶变换计算结果，具体如下：
WN＝e-j(2π/N)
其中，Im,n为RBn在小时m的干扰电平值，单位为dBm；
干扰测量矩阵CM×N每个行向量离散傅里叶变换构成的谱特性矩阵如下：
2.根据权利要求1所述的一种计及干扰功率测量值的电力无线专网干扰类型识别方法，其特征在于，所述的干扰类型识别模型具体为：
包括输入层、隐含层、输出层和损失加权层四层结构的神经网络模型，层数分别为O、P、Q、R；输入层数据为干扰测量矩阵、时间相关性系数和谱特性矩阵；输出层为出现专类五类干扰的概率。
3.根据权利要求2所述的一种计及干扰功率测量值的电力无线专网干扰类型识别方法，其特征在于，所述的隐含层为输入层的线性加权：
其中，wp为所有输入层神经元链接到隐含层神经元的加权系数向量，其元素为wpo。
4.根据权利要求3所述的一种计及干扰功率测量值的电力无线专网干扰类型识别方法，其特征在于，所述的输出层为隐含层线性加权后的激活值：
其中，wqp为隐含层神经元链接到输出层神经元的加权系数，bq为偏移量，f(x)为激活函数，具体为：
5.根据权利要求4所述的一种计及干扰功率测量值的电力无线专网干扰类型识别方法，其特征在于，所述的损失加权层每个神经元数值计算方法如下：
所有中取到最大值所都应的干扰类型即为最终识别结果，具体方法如下：
CN202210474654.2A 2022-04-29 2022-04-29 计及干扰功率测量值的电力无线专网干扰类型识别方法 Active CN115001609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210474654.2A CN115001609B (zh) 2022-04-29 2022-04-29 计及干扰功率测量值的电力无线专网干扰类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210474654.2A CN115001609B (zh) 2022-04-29 2022-04-29 计及干扰功率测量值的电力无线专网干扰类型识别方法

Publications (2)

Publication Number Publication Date
CN115001609A CN115001609A (zh) 2022-09-02
CN115001609B true CN115001609B (zh) 2024-06-21

Family

ID=83024650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210474654.2A Active CN115001609B (zh) 2022-04-29 2022-04-29 计及干扰功率测量值的电力无线专网干扰类型识别方法

Country Status (1)

Country Link
CN (1) CN115001609B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN113473514A (zh) * 2021-09-06 2021-10-01 国网江苏省电力有限公司信息通信分公司 电力无线专网故障诊断模型训练方法、诊断方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558484B (zh) * 2013-11-16 2015-12-02 沈阳工业大学 一种变电站电缆受雷击干扰检测装置及方法
WO2020068176A2 (en) * 2018-05-18 2020-04-02 Battelle Energy Alliance, Llc Spectrum monitoring and analysis, and related methods, systems, and devices
CN109982361B (zh) * 2017-12-27 2022-05-13 中国移动通信集团河北有限公司 信号干扰分析方法、装置、设备及介质
CN110139392B (zh) * 2019-05-06 2022-11-25 安徽继远软件有限公司 Lte电力无线专网随机接入信道多重冲突检测方法
CN111562597A (zh) * 2020-06-02 2020-08-21 南京敏智达科技有限公司 一种基于bp神经网络的北斗卫星导航干扰源识别方法
CN114201987B (zh) * 2021-11-09 2024-07-09 北京理工大学 一种基于自适应识别网络的有源干扰识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN113473514A (zh) * 2021-09-06 2021-10-01 国网江苏省电力有限公司信息通信分公司 电力无线专网故障诊断模型训练方法、诊断方法及装置

Also Published As

Publication number Publication date
CN115001609A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN101964985B (zh) 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法
CN113179109B (zh) 一种去蜂窝大规模mimo上行频谱效率优化方法
CN113382477B (zh) 应用于无线网络用户间上行干扰建模的方法
CN107807346A (zh) 基于ott与mr数据的自适应wknn室外定位方法
WO2015032437A1 (en) Method for scheduling and/or muting of radio resources in a wireless communication system
CN113411817B (zh) 基于无线干扰模型的无线系统干扰神经网络预测方法
CN105163344A (zh) 一种td-lte系统内干扰的定位方法
CN115865628B (zh) 基于多基站协作的无线通信传输系统及方法
CN112182961A (zh) 一种换流站无线网络信道大尺度衰落建模预测方法
CN118249936B (zh) 一种基站信号智能单向屏蔽方法及装置
CN115001609B (zh) 计及干扰功率测量值的电力无线专网干扰类型识别方法
CN103118396B (zh) 一种管理小小区网络的方法及基站
KR101571103B1 (ko) 분산 다중 입출력 시스템에서 최적의 선형적 전송 장치 및 방법
US20230047057A1 (en) Automatically using configuration management analytics in cellular networks
CN113068247B (zh) 基于多层感知机的无线接入点功率估计方法
CN116017545A (zh) 基于lora技术的物联网数据传输系统
CN114339962B (zh) 基站节能方法、装置及系统
CN105406906A (zh) 基于位置的预编码方法及系统
CN114501529B (zh) 下行sinr修正方法、装置、电子设备和存储设备
CN115734264A (zh) 5g网络覆盖评估方法、装置、计算机可读介质及电子设备
CN103384374B (zh) 一种语音业务质量的评估方法和设备
CN117412307B (zh) 一种基于大数据的通信信号监测系统及方法
Tong et al. Mining Radio Environment Maps from Measurements in SDR Based Self-Organizing Networks
Franch et al. User mobility inference and clustering through LTE PDCCH data analysis
Wiebusch et al. A multidimensional resource allocation concept for wireless coexistence management

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