CN115276851B - 一种外部上行干扰识别方法、装置、电子设备及存储介质 - Google Patents

一种外部上行干扰识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115276851B
CN115276851B CN202210706886.6A CN202210706886A CN115276851B CN 115276851 B CN115276851 B CN 115276851B CN 202210706886 A CN202210706886 A CN 202210706886A CN 115276851 B CN115276851 B CN 115276851B
Authority
CN
China
Prior art keywords
uplink interference
interference noise
cell
identified
influence
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
CN202210706886.6A
Other languages
English (en)
Other versions
CN115276851A (zh
Inventor
李新玥
王伟
张涛
李福昌
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 United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202210706886.6A priority Critical patent/CN115276851B/zh
Publication of CN115276851A publication Critical patent/CN115276851A/zh
Application granted granted Critical
Publication of CN115276851B publication Critical patent/CN115276851B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种外部上行干扰识别方法、装置、电子设备及存储介质，涉及通信领域，解决了现有识别外部上行干扰对相关人员的工作经验要求高，以及人力成本高的问题。方法包括：获取待识别小区的网管数据；网管数据包括待识别小区的上行干扰噪声值、影响参数；上行干扰噪声值包括：在预设历史时间段内，待识别小区中各物理资源块上的接收上行干扰噪声值，影响参数包括对待识别小区的内部上行干扰存在影响的参数；基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数；根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值。

Description

一种外部上行干扰识别方法、装置、电子设备及存储介质
技术领域
本发明涉及通信领域，尤其涉及一种外部上行干扰识别方法、装置、电子设备及存储介质。
背景技术
在低频网络演进过程中，外部上行干扰一直是网络部署和优化中重要的问题。上行干扰会使系统掉话率增加，减少基站的覆盖范围，降低通话质量，使网络指标和用户的通话质量受到严重影响。系统外部上行干扰主要包括杂散干扰、直放站干扰、固定运行的无线电设备故障等。特别是一些用户自行安装的直放站，由于价格低廉，各种器件的性能不好，造成较强的上行干扰问题。系统外部上行干扰需要进行定位排查，以增强系统运行质量。
相关技术中通常采用的识别外部上行干扰源的方法，很大程度地依赖于网络优化人员的经验判断，所以对网络优化人员的专业水平以及工作经验要求较高，同时人力成本也较高。
发明内容
本发明提供了一种外部上行干扰识别方法、装置、电子设备及存储介质，用于解决识别外部上行干扰对相关人员的工作经验要求高，以及人力成本高的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种外部上行干扰识别方法，包括：
获取待识别小区的网管数据；网管数据包括待识别小区的上行干扰噪声值、影响参数；上行干扰噪声值包括：在预设历史时间段内，待识别小区中各物理资源块上的接收上行干扰噪声值，影响参数包括对待识别小区的内部上行干扰存在影响的参数；基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数；根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值。
通过该技术方案，在获取的待识别小区的网管数据中包含了对待识别小区的内部上行干扰存在影响的影响参数，同时利用网管数据中的该待识别小区中各物理资源块上的接收上行干扰噪声值，采用线性回归方法对各影响参数确定对应的第一影响程度系数。小区受到的上行干扰噪声可以划分为外部上行干扰噪声和内部上行干扰噪声，因此，在得到影响到小区内部上行干扰噪声的各项影响参数对应的第一影响程度系数之后，由于影响参数是表示对小区内部上行干扰噪声存在影响的参数，根据各影响参数以及各第一影响程度系数，可以确定待识别小区的内部上行干扰噪声。进而再结合上行干扰噪声值，可以得到较为准确的外部上行干扰噪声值。该方法无需依赖相关人员的经验，且可以降低识别外部上行干扰的人力成本。
在一种可能的实施方式中，在根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值之后，方法还包括：
根据各物理资源块上的接收外部上行干扰噪声值，绘制在预设历史时间段内，各物理资源块上的接收外部上行干扰噪声对应的时频特征图；将时频特征图输入经过训练确定的干扰识别模型，得到待识别小区的外部上行干扰噪声的干扰类型。
通过该技术方案根据计算出的待识别小区的外部上行干扰噪声值之后，可以绘制待识别小区的外部上行干扰噪声的时频特征图。然后利用经过训练确定的干扰识别模型对时频特征图进行处理，得到待识别小区的外部上行干扰的干扰类型。识别外部上行干扰的干扰类型有利于对外部上行干扰源进行定位排查。
在一种可能的实施方式中，根据各物理资源块上的接收外部上行干扰噪声值，绘制在预设历史时间段内，各物理资源块上的接收外部上行干扰噪声对应的时频特征图，包括：将预设历史时间段按照预设周期划分；分别根据每一预设周期内各物理资源块上的接收外部上行干扰噪声值，绘制各预设周期对应的时频特征图；将时频特征图输入经过训练确定的干扰识别模型，得到待识别小区的外部上行干扰噪声的干扰类型，包括：分别将各预设周期对应的时频特征图输入干扰识别模型，得到各预设周期对应的干扰类型；统计各预设周期对应的干扰类型中出现次数最多的目标干扰类型，将目标干扰类型作为待识别小区的外部上行干扰噪声的干扰类型。
通过该技术方案，将预设历史时间段划分为两个以上预设周期，并分别绘制各预设周期内待识别小区外部上行干扰噪声对应的时频特征图。然后基于通过训练确定的干扰识别模型对各预设周期对应的时频特征图进行干扰类型识别，最后统计识别结果中各预设周期中出现次数最多的干扰类型，并将该出现次数最多的干扰类型作为待识别小区的干扰类型。这样，通过划分预设周期分别识别干扰类型，可以降低干扰识别模型的算法难度，提升识别准确性。
在一种可能的实施方式中，上行干扰噪声值还包括：在预设历史时间段内，待识别小区中所有物理资源块上的接收上行干扰噪声平均值；在基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数之前，方法还包括：根据上行干扰噪声平均值确定待识别小区的干扰级别；基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数，包括：若根据干扰级别确定待识别小区的通信受到干扰，则基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数。
通过该技术方案，在获取网管数据之后，根据其中待识别小区中所有物理资源块上的接收上行干扰噪声平均值，首先确定待识别小区的通信是否受到干扰。如果确定该小区的通信受到干扰再进行外部上行干扰识别。这样，可以减少不必要的干扰识别，减少系统的计算量。
在一种可能的实施方式中，上述方法还包括：基于影响参数和上行干扰噪声平均值，采用线性回归方法确定各影响参数对应的第二影响程度系数；根据上行干扰噪声平均值、各影响参数和各第二影响程度系数，确定待识别小区的外部上行干扰噪声平均值。
通过该技术方案，还可以根据网管数据中的所有物理资源块上的接收上行干扰噪声平均值，计算待识别小区的外部上行干扰噪声的平均值。进一步帮助识别外部上行干扰噪声源，提升外部上行干扰识别的准确性。
在一种可能的实施方式中，根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值，包括：利用各第一影响程度系数对各影响参数进行加权求和，得到加权和值；计算上行干扰噪声值与加权和值的差值，得到预设历史时间段内的外部上行干扰噪声值。
在一种可能的实施方式中，影响参数包括以下至少一项：待识别小区的物理资源块利用率，待识别小区的无线资源控制中心的连接用户数，待识别小区的上行业务量，各邻区的物理资源块利用率，各邻区的无线资源控制中心的连接用户数，各邻区的上行业务量；邻区为与待识别小区属于同一基站的小区。
在识别小区受到的外部上行干扰噪声时，考虑了本小区和相邻小区的物理资源块的利用率、无线资源控制中心的连接用户数，以及上行业务量。这些因素都是可能影响到小区内部上行干扰的因素，确定这部分因素对应的干扰噪声，即可在小区的上行干扰噪声中将这部分内部上行干扰噪声去除，从而可以得到较为准确的外部上行干扰噪声值。
第二方面，本发明提供了一种外部上行干扰识别装置，包括：
获取模块，被配置为执行获取待识别小区的网管数据；网管数据包括待识别小区的上行干扰噪声值、影响参数；上行干扰噪声值包括：在预设历史时间段内，待识别小区中各物理资源块上的接收上行干扰噪声值，影响参数包括对待识别小区的内部上行干扰存在影响的参数；系数确定模块，被配置为执行基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的影响程度系数；外部干扰确定模块，被配置为执行分别根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值。
第三方面，本发明提供了一种电子设备，包括：处理器、用于存储处理器可执行的指令的存储器；其中，处理器被配置为执行指令，以实现如第一方面以及第一方面任意一种可能的实施方式中的外部上行干扰识别方法。
第四方面，本发明提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面以及第一方面任意一种可能的实施方式中的外部上行干扰识别方法。
第五方面，本申请中第二方面到第四方面及其各种实现方式的具体描述，可以参考第一方面及其各种实现方式中的详细描述；并且，第二方面到第四方面及其各种实现方式的有益效果，可以参考第一方面及其各种实现方式中的有益效果分析，此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为根据一示例性实施例示出的一种外部上行干扰识别方法的流程示意图；
图2为根据一示例性实施例示出的另一种外部上行干扰识别方法的流程示意图；
图3为根据一示例性实施例示出的另一种外部上行干扰识别方法的流程示意图；
图4为根据一示例性实施例示出的另一种外部上行干扰识别方法的流程示意图；
图5为根据一示例性实施例示出的时频特征图；
图6为根据一示例性实施例示出的另一种外部上行干扰识别方法的流程示意图；
图7为根据一示例性实施例示出的一种外部上行干扰识别装置的框图；
图8为根据一示例性实施例示出的一种电子设备的框图。
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，所描述的实施例仅仅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。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本申请实施例提供的外部上行干扰识别方法的执行主体可以是计算机设备、服务器等具有数据处理能力的电子设备。其中，计算机设备包括但不限于手机、平板电脑、台式电脑、笔记本电脑、车载终端、掌上终端、增强现实(augmented reality，AR)设备、虚拟现实(virtual reality，VR)设备等的设备，本申请实施例对计算机设备的具体形态不作特殊限制。其中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集群。部分实施方式中，服务器集群还可以是分布式集群。本申请对该外部上行干扰识别方法的执行主体不作限制。
在低频网络演进过程中，外部上行干扰一直是网络部署和优化中重要的问题。上行干扰会使系统掉话率增加，减少基站的覆盖范围，降低通话质量，使网络指标和用户的通话质量受到严重影响。系统外部上行干扰需要进行定位排查，以增强系统运行质量。相关技术中通常通过网络优化等相关人员结合自身经验对外部上行干扰源进行识别和排查，然而这样的方法，很大程度地依赖于相关人员的经验，对人员的专业水平以及工作经验要求较高，同时人力成本也较高。
为此，本申请提出一种外部上行干扰识别方法，通过获取小区在预设历史时间段内的上行干扰噪声值，以及对于小区的内部上行干扰存在影响的影响参数，然后利用影响参数和上行干扰噪声值之间存在的关联关系，采用线性回归方法确定各影响参数对应的影响程度系数。最后根据各影响参数及其对应的影响程度系数，从小区的上行干扰噪声值确定内部上行干扰因素的影响，得到小区在预设历史时间段内的外部上行干扰噪声值。这样，利用网管数据中总的上行干扰噪声值和内部上行干扰影响参数，无需依赖相关人员的经验，可以得到小区较为准确的外部上行干扰噪声值；同时还能节省人力成本。
以下对本申请实施例中可能涉及到的技术名词进行解释：
小区，也称蜂窝小区，是指在蜂窝移动通信系统中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域，在这个区域内移动台可以通过无线信道可靠地与基站进行通信。一个基站可以覆盖多个小区，属于同一基站的小区之间互称为邻区(或相邻小区)，同一基站的小区站址相同。
底噪，对于任何一个无线通信接收机能否正常工作，不仅取决于所能获得的输入信号的大小，而且也与其内部噪声以及外部噪声和干扰的大小有关。接收机内部噪声也称热噪声，它是由电子运动所产生的。这个热噪声功率电平也称为接收机的底噪，是计算接收机的噪声的基本参数。
通信系统的干扰，根据干扰源可以划分为内部干扰和外部干扰。其中，内部干扰是指包括无源器件(主要是室分站，包括合路器，功分器，耦合器，天馈干扰)和有源器件干扰。外部干扰主要包括杂散干扰、互调干扰、阻塞干扰。
干扰根据频段可以划分为上行干扰和下行干扰。其中，上行干扰是指干扰信号在移动网络上行频段，移动基站受外界射频干扰源干扰。本申请实施例中主要针对外部的上行干扰进行识别。
物理资源块(Physical Resource Block，PRB)是指是频域上12个连续的载波的资源。
无线资源控制(Radio Resource Control，RRC)，又称为无线资源管理或者无线资源分配，是指通过一定的策略和手段进行无线资源管理、控制和调度，在满足服务质量的要求下，尽可能地充分利用有限的无线网络资源，确保到达规划的覆盖区域，尽可能地提高业务容量和资源利用率。
空间域(spatial domain)也叫空域，即所说的像素域，在空域的处理就是在像素级的处理，如在像素级的图像叠加。通过傅立叶变换后，得到的是图像的频谱。
频率域(frequency domain)也叫频域，任何一个波形都可以分解成多个正弦波之和。每个正弦波都有自己的频率和振幅。所以任意一个波形信号有自己的频率和振幅的集合。频率域就是空间域经过傅立叶变换的信号。
时间域也叫时域，是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号的大小随着时间的变化。
全球移动通信系统(Global System for Mobile Communications,GSM)，是由欧洲电信标准组织(European Telecommunications Standards Institu te，ETSI)制订的一个数字移动通信标准。
分贝毫瓦(decibel relative to one milliwatt，dBm)，计数单位，是一个表示无线功率的绝对值。
兆赫(Mega Hertz,MHz)是波动频率单位之一。1兆赫相当于1000千赫(KHz)，也就是106赫兹。
图1为本申请一实施例示出的一种外部上行干扰识别方法的流程示意图。如图1所示，该方法包括步骤110至步骤130。其中：
步骤110，获取待识别小区的网管数据。
待识别小区表示本申请实施例中进行外部上行干扰分析和识别的小区。待识别小区可以是区域内任意一个小区，也可以是指定的小区。
其中，网管数据包括待识别小区的上行干扰噪声值、影响参数。在一些实施例中，网管数据为基站侧网管数据；网管数据可以从基站侧网管系统获取。网管数据包括一定区域内多个小区的数据；在本实施例中，对待识别小区的外部上行干扰进行分析，可以仅获取待识别小区的上行干扰噪声值。在其他实施例中，获取待识别小区的网管数据，也可以通过其它任意一种方式获取。
上行干扰噪声值包括：在预设历史时间段内，待识别小区中各物理资源块上的接收上行干扰噪声值。其中，预设历史时间段可以根据实际情况进行设置，例如预设历史时间段可以设置为最近一周内，又如预设历史时间段也可以设置为最近一个月内，或者预设历史时间段还可以设置为历史时间中固定的时间段。
在一个具体实施例中，针对任一物理资源块而言，物理资源块上的接收上行干扰噪声值包括：7*24小时内物理资源块上的接收上行干扰噪声值。
应理解，本实施例中获取待识别小区在预设历史时间段内各物理资源块上的接收上行干扰噪声值之后，利用该预设历史时间段内的数据对待识别小区的外部上行干扰噪声进行分析和识别。
影响参数包括对待识别小区的内部上行干扰存在影响的参数。在一些实施例中，影响参数包括以下至少一项：待识别小区的物理资源块的利用率，待识别小区的无线资源控制中心(RRC)的连接用户数，待识别小区的上行业务量，各邻区的物理资源块利用率，各邻区的无线资源控制中心的连接用户数，各邻区的上行业务量；邻区为与待识别小区属于同一基站的小区。
其中，一个小区的物理资源块的利用率，可以根据该小区的物理资源块的总数量和物理资源块的实际使用数量确定。物理资源块的总数量和实际使用数量均可以根据获取的网管数据得到。例如，以GSM900M网络带宽为5MHz为例，小区的物理资源块的总数量为25；又如以GSM900M网络带宽为10MHz为例，小区的物理资源块的总数量为50。在一些实施例中，同一基站覆盖的小区包括3个，即待识别小区和2个邻区。RRC的连接用户数表示小区内有业务数据待发送的用户数量。上行业务量表示小区内待发送的业务数据量。
小区的物理资源块的利用率、无线资源控制中心的连接用户数，以及上行业务量均可能是影响到小区上行干扰的因素。并且，经研究发现各物理资源块的上行干扰噪声的大小与上述影响参数的数值大小呈线性相关的，通常随着上述影响参数的数值增加，所在小区各物理资源块上的接收上行干扰噪声值也会增加。
在识别小区受到的外部上行干扰噪声时，考虑了本小区和相邻小区的物理资源块的利用率、无线资源控制中心的连接用户数，以及上行业务量。这些因素都是可能影响到小区内部上行干扰的因素，确定这部分因素对应的干扰噪声，即可在小区的上行干扰噪声中将这部分内部上行干扰噪声去除，从而可以得到较为准确的外部上行干扰噪声值。
步骤120，基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数。
线性回归是利用数理统计中回归分析，用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。由上述实施例可知，各物理资源块上的接收上行干扰噪声的大小与影响参数的数值大小呈线性相关的。因此，在本实施例中，在获得待识别小区的上行干扰噪声值、影响参数之后，可以使用线性回归的方法计算得到上行干扰噪声值与各影响参数之间的定量关系。
由上述实施例的说明可知，对于小区各物理资源块上的接收上行干扰噪声值产生影响的内部因素可能有多种，每一种因素对应一个影响参数，则影响参数可能包括多个。并且，不同的因素对于上行干扰噪声值的影响程度可能是不相同的,也即不同的影响参数对应不同的影响程度。因此，可以为每一个影响参数设置一个影响程度系数，并结合线性回归方法确定各影响参数对应的影响程度系数。
其中，线性回归的方法可以通过任意一种方式实现。例如在一个具体实施例中，可以采用Python sklearn实现线性回归计算各影响参数对应的影响程度系数。其中，Python是一种计算机编程语言。sklearn是一个Python第三方提供的机器学习库，它包含了从数据预处理到训练模型的各个方面。在从sklearn的数据库导出线性回归(LinearRegression)模型之后，利用待识别小区各物理资源块上的接收上行干扰噪声值和各影响参数对线性回归模型进行训练。然后，训练好的模型输出线性回归函数的截距和每个影响参数对应的影响程度系数。
在其它实施例中，也可以通过其它方式计算得到各影响参数对应的影响程度系数。
在一些实施例中，针对每一物理资源块上的接收上行干扰噪声值，都可以计算得到一组影响参数对应的第一影响程度系数。因此，待识别小区包含N个物理资源块时，通过步骤120可以计算得到N组第一影响程度系数。进一步地，在得到N组第一影响程度系数之后，可以根据各组中同一影响参数(如影响参数x)对应的第一影响程度系数取平均值，作为该影响参数x对应的影响程度系数。或者，在得到N组第一影响程度系数之后，也可以在后续步骤中计算如第n个物理资源块上的接收外部上行干扰噪声值时，使用对应的第n组第一影响程度系数进行计算。
在另一些实施例中，也可以将所有物理资源块上的接收上行干扰噪声值作为一组输入数据，利用线性回归方法计算各影响参数对应的第一影响程度系数。
步骤130，根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值。
在采用线性回归的方法计算得到各影响参数对应的影响程度系数之后，根据各影响参数及其对应的影响程度系数，可以确定待识别小区受到的内部上行干扰噪声。进一步的，结合待识别小区受到的所有上行干扰噪声值，可以去除掉各内部影响因素对系统造成的干扰，即确定各物理资源块受到的外部上行干扰噪声值。
在一些实施例中，如图2所示，步骤130包括步骤131和步骤132。其中：
步骤131，利用各第一影响程度系数对各影响参数进行加权求和，得到加权和值。
其中，利用第一影响程度系数对影响参数进行加权求和具体包括：将第一影响程度系数作为权重，与对应的影响参数计算乘积。将各第一影响程度系数与影响参数的乘积相加，即得到加权和值。例如，各第一影响程度系数可以使用(w1，w2，…，wn)表示，各影响参数用(x1，x2，…，xn)表示，n表示影响参数的数量。则加权和值A可以表示为：A＝w1*x1+w2*x2+…+wn*xn。
步骤132，计算上行干扰噪声值与加权和值的差值，得到预设历史时间段内的外部上行干扰噪声值。
在一些实施例中，上述加权和值表示小区受到的干扰中的内部上行干扰噪声值。因此，在计算得到加权和值之后，将上行干扰噪声值减去内部上行干扰噪声值，得到的即为外部上行干扰噪声值。
通过本申请实施例提供的技术方案，在获取的待识别小区的网管数据中包含了对待识别小区的内部上行干扰存在影响的影响参数，同时利用网管数据中的该待识别小区中各物理资源块上的接收上行干扰噪声值，采用线性回归方法对各影响参数确定对应的第一影响程度系数。小区受到的上行干扰噪声可以划分为外部上行干扰噪声和内部上行干扰噪声，因此，在得到影响到小区内部上行干扰噪声的各项影响参数对应的第一影响程度系数之后，由于影响参数是表示对小区内部上行干扰噪声存在影响的参数，根据各影响参数以及各第一影响程度系数，可以确定待识别小区的内部上行干扰噪声。进而再结合上行干扰噪声值，可以得到较为准确的外部上行干扰噪声值。该方法无需依赖相关人员的经验，且可以降低识别外部上行干扰的人力成本。
在一些实施例中，如图3所示，在根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值之后，上述方法还包括步骤310和步骤320。其中：
步骤310，根据各物理资源块上的接收外部上行干扰噪声值，绘制在预设历史时间段内，各物理资源块上的接收外部上行干扰噪声对应的时频特征图。
噪声对应的时频特征图表示根据噪声的时域特征和频域特征绘制的图像，可以用于描述信号频率随时间的变化关系。在通过上述实施例计算得到各物理资源块上的接收外部上行干扰噪声值之后，可以对该噪声进行分析，得到对应的时域特征和频域特征。然后根据该时域特征和频域特征绘制在预设历史时间段内的时频特征图。需要说明的是，其中，对噪声进行分析得到对应的时域特征和频域特征的具体过程，可以参考相关技术中的描述，在本申请实施例中不予赘述。
为了能得到更加准确的外部上行干扰噪声值，通常会选择比较多的数据来分析外部上行干扰噪声，即预设历史时间段会设置为比较长的一段时间。在一些实施例中，绘制对应的时频特征图时，可以将预设历史时间段划分为多个较短时间的时间段，并分别绘制各较短时间段对应的时频特征图。这样可以提升时频特征图的可读性，也可以便于向用户展示时频特征图。
在一些实施例中，如图4所示，上述步骤310包括步骤311和步骤312。其中：步骤311,将预设历史时间段按照预设周期划分。步骤312,分别根据每一预设周期内各物理资源块上的接收外部上行干扰噪声值，绘制各预设周期对应的时频特征图。
在一个具体实施例中，以预设历史时间段为7天为例，即7*24小时；预设周期可以设置为1天，即24小时。可以理解地，将预设历史时间段按照预设周期划分之后，可以绘制得到7个周期为24小时的时频特征图。应理解，在其它实施例中，预设历史时间段和预设周期可以根据实际情况设置为其它数值。
通常来说，每一物理资源块在相邻的时间接收到的瞬时外部上行干扰噪声值不会有太大的波动。例如2分钟前和2分钟后，同一物理资源块上的接收外部上行干扰噪声值应当是接近的。因此，在绘制时频特征图时，为了简化绘制时频特征图的过程，可以在预设时间段内取噪声平均值进行绘制。例如预设时间段设置为1小时，将24小时划分为24*1小时，以每小时为单位，取该小时内物理资源块上的接收外部上行干扰噪声平均值作为该小时物理资源块上的接收外部上行干扰噪声值。
在一个具体实施例中，以GSM900M频段的网络，带宽为5MHz为例，物理资源块的总数量为25。外部上行干扰噪声值对应的时频特征图具体可以是：以物理资源块数量为横轴，以时间为纵轴，用不同的颜色表示噪声值，具体可以划分噪声区间，每一个噪声区间对应一个颜色。例如(<-110dBm)(含)的噪声区间为蓝色，(-110dBm～-105dBm(含))的噪声区间为黄色、(-105dBm～-100dBm(含))的噪声区间为浅红色、(-100dBm～-95dBm(含))的噪声区间为红色，(>-95dBm)的噪声区间为深红色。在其它实施例中，也可以用颜色的深浅区分噪声数值大小；或者还可以用不同的填充形状区分不同的噪声数值大小。如图5所示为本申请一实施例绘制的24小时的时频特征图，在该示例中，以不同的填充形状区分噪声数值大小；例如，填充内容为表示噪声值<-110dBm，填充内容为竖线表示噪声区间(-110dBm～-105dBm(含))，填充内容为斜线表示噪声区间(-105dBm～-100dBm(含))，无填充表示噪声区间(-100dBm～-95dBm(含))，填充内容为点填充表示噪声值>-95dBm。应理解，上述示例仅为举例，实际情况可能与示例不相同。
步骤320，将时频特征图输入经过训练确定的干扰识别模型，得到待识别小区的外部上行干扰噪声的干扰类型。
其中，干扰识别模型是预先经过训练确定的，用于识别干扰类型。在一些实施例中，可以利用反向传播(back propagation，BP)神经网络进行训练确定干扰识别模型。其中，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。
在一些实施例中，使用BP神经网络作为预设神经网络模型，利用样本时频特征图对该预设神经网络模型进行训练，从而确定干扰识别模型。预设神经网络模型包括输入层、隐含层和输出层。
在一些实施例中，样本时频特征图可以选择现网中采集的已确定干扰类型的干扰特征对应的时频特征图。以预设周围为24小时为例，每一样本时频特征图对应的时间同样对应24小时。其中，与绘制外部上行干扰噪声值对应的时频特征图类似的，样本时频特征图也可以取每小时的噪声平均值作为该小时内的噪声值。
其中，预设神经网络模型的输入层、隐含层和输出层的神经元数量可以根据实际情况进行选择。在一些实施例中，预设神经网络模型的输入层的神经元数量可以与样本时频特征图的像素个数相同；例如，以时频特征图对应24小时，物理资源块的数量为25，以每小时的噪声平均值作为该小时的噪声值为例，该时频特征图包含的像素个数为24*25，即输入层的神经元数量可以设置为24*25。隐含层的神经元数量可以设置为24，训练过程中可以对隐含层的神经元数量进行调整。输出层的神经元数量根据样本时频特征图中包含的已知干扰类型对应。例如已知所有样本时频特征图对应的干扰类型总数量为5种，则输出层的神经元数量设置为5。
利用样本视频特征图对预设神经网络模型(即BP神经网络)进行训练，得到干扰识别模型的具体过程，可以参考相关技术中的描述，在本申请实施例中不予赘述。应理解，在其它实施例中，预设神经网络模型也可以是其它神经网络。
在对预设神经网络模型进行训练得到训练好的干扰识别模型之后，将上述外部上行干扰噪声值对应的时频特征图输入干扰识别模型，即可得到外部上行干扰噪声对应的外部上行干扰的干扰类型。
在将预设历史时间段按照预设周期划分，分别绘制各预设周期对应的时频特征图的实施例中，在利用训练好的干扰识别模型识别对应的干扰类型时，可以分别对各预设周期对应的时频特征图进行识别干扰类型。然后再根据各识别结果确定待识别小区受到的外部上行干扰类型。
请继续参照图4，在本实施例中，上述步骤320包括步骤321和步骤322。其中：步骤321，分别将各预设周期对应的时频特征图输入干扰识别模型，得到各预设周期对应的干扰类型。步骤322，统计各预设周期对应的干扰类型中出现次数最多的目标干扰类型,将目标干扰类型作为待识别小区的外部上行干扰噪声的干扰类型。
经过训练确定的干扰识别模型可以对输入的时频特征图进行干扰识别，确定对应的干扰类型。由上述实施例可知，为了简化绘制时频特征图的过程，以及简化干扰识别模型的算法复杂度，将预设历史时间段划分成为多个预设周期，分别对各预设周期对应的时频特征图进行干扰识别。在得到每一预设周期对应的干扰类型之后，通过分析确定预设历史时间段对应的干扰类型，即待识别小区受到的外部上行干扰噪声的干扰类型。
在本实施例中，在得到每一个预设周期对应的干扰类型之后，对出现的各干扰类型的出现次数进行统计，将出现次数最多的干扰类型确定为待识别小区受到的外部上行干扰噪声的干扰类型。例如，以预设历史时间段为7*24小时，预设周期为24小时为例，利用干扰识别模型识别可以得到7个预设周期对应的干扰类型。假设其中5个预设周期对应的干扰类型为干扰类型A，1个预设周期对应的干扰类型为干扰类型B，1个预设周期对应的干扰类型为干扰类型C；出现次数最多的为干扰类型A。该干扰类型A即为目标干扰类型，也即待识别小区的外部上行干扰噪声的干扰类型。
在一些实施例中，样本时频特征图对应的干扰类型可以是一种外部上行干扰的干扰类型；例如杂散干扰类型、直放站干扰类型或者固定运行的无线电设备故障干扰类型。在另一些实施例中，样本时频特征图对应的干扰类型也可以是两种以上外部上行干扰叠加的干扰类型；例如杂散干扰+直放站干扰类型，杂散干扰+固定运行的无线电设备故障干扰类型，或者杂散干扰+直放站干扰+固定运行的无线电设备故障干扰类型，等等。
本申请实施例提供的技术方案，根据计算出的待识别小区的外部上行干扰噪声值之后，可以绘制待识别小区的外部上行干扰噪声的时频特征图。然后利用经过训练确定的干扰识别模型对时频特征图进行处理，得到待识别小区的外部上行干扰的干扰类型。识别外部上行干扰的干扰类型有利于对外部上行干扰源进行定位排查，提升干扰排查的效率和准确性。定位排查到外部上行干扰源之后，可以由相关人员对外部上行干扰源进行清除，从而提高上行速率，降低掉线率，提高RRC建立成功率。
此外，将预设历史时间段划分为两个以上预设周期，并分别绘制各预设周期内待识别小区外部上行干扰噪声对应的时频特征图。然后基于通过训练确定的干扰识别模型对各预设周期对应的时频特征图进行干扰类型识别，最后统计识别结果中各预设周期中出现次数最多的干扰类型，并将该出现次数最多的干扰类型作为待识别小区的干扰类型。这样，通过划分预设周期分别识别干扰类型，可以降低干扰识别模型的算法难度，提升识别准确性。
在一些实施例中，上行干扰噪声值还包括：在预设历史时间段内，待识别小区中所有物理资源块上的接收上行干扰噪声平均值。如图6所示，在本实施例中，在步骤120之前，上述方法还包括步骤111。其中：
步骤111，根据上行干扰噪声平均值确定待识别小区的干扰级别。
其中，干扰级别用于指示小区的通信受到干扰的严重程度，也可以用于确定小区通信是否受到干扰。在一些实施例中，对于小区的干扰级别，可以根据小区内所有物理资源块上的接收干扰噪声平均值(简称噪声平均值)预先设定。
例如，-110dBm＜噪声平均值≤-100dBm为轻干扰小区；-100dBm＜噪声平均值≤-95dBm为中干扰小区；噪声平均值>-95dBm为高干扰小区；噪声平均值≤-110dBm为无干扰小区。可以理解地，轻干扰小区、中干扰小区和高干扰小区通信表示小区的通信受到了干扰，无干扰小区表示小区的通信没有受到干扰。在其它实施例中，小区的干扰级别也可以设置通过其它方式划分。
在获取到待识别小区各物理资源块上的接收上行干扰噪声平均值之后，根据该上行干扰噪声平均值确定待识别小区的通信是否受到干扰，以及表示干扰级别。在一些实施例中，上述分析上行干扰噪声平均值具体为对干扰进行空域分析。
进一步地，请继续参照图6，在本实施例中，步骤120包括步骤121。其中：
步骤121，若根据干扰级别确定待识别小区受到干扰，则基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数。
在本申请实施例提供的技术方案中，在获取网管数据之后，根据其中待识别小区中所有物理资源块上的接收上行干扰噪声平均值，首先确定待识别小区的通信是否受到干扰。如果确定该小区的通信受到干扰再进行外部上行干扰识别。这样，可以减少不必要的干扰识别，减少系统的计算量。
在一些实施例中，上述方法还包括：基于影响参数和上行干扰噪声平均值，采用线性回归方法确定各影响参数对应的第二影响程度系数；根据上行干扰噪声平均值、各影响参数和各第二影响程度系数，确定待识别小区的外部上行干扰噪声平均值。
根据上述实施例可知，各物理资源块的上行干扰噪声的大小与上述影响参数的数值大小呈线性相关。在本实施例中，认为待识别小区中所有物理资源块上的接收上行干扰噪声平均值与各影响参数也具备线性相关的关系。因此，在本实施例中，还根据影响参数和上行干扰噪声平均值，利用线性回归方法计算各影响参数对应的第二影响程度系数。
与确定各物理资源块上的接收外部上行干扰噪声值类似地，根据各第二影响程度系数、各影响参数以及所有物理资源块上的接收上行干扰噪声平均值，可以确定得到待识别小区所有物理资源块上的接收外部上行干扰噪声平均值。
本申请实施例提供的技术方案中，还根据网管数据中的所有物理资源块上的接收上行干扰噪声平均值，计算待识别小区的外部上行干扰噪声的平均值。进一步帮助识别外部上行干扰噪声源，提升外部上行干扰识别的准确性。
在一个具体实施例中，以利用Python sklearn实现上述步骤120中的线性回归方法为例，线性回归的过程具体可以表示为以下过程。
/>
其中，(X,y)为输入参数，其中的X表示各影响参数，y表示上行干扰噪声值。输出参数为W，表示各影响参数对应的第一影响程度系数。假设X表示为(x1，x2，…，xn)，相应地，第一影响程度系数W可以表示为(w1，w2，…，wn)。
在一些实施例中，y表示上述各物理资源块(PRB)上的接收上行干扰噪声值，在得到输出参数W以后，可以计算各PRB上的接收外部上行干扰噪声值：
某PRB上接收外部上行干扰噪声＝该PRB上的接收上行干扰噪声值-W1×x1-W2×x2-…-Wn×xn。
这样，可以计算得到小区各PRB接收的外部上行干扰噪声值。
在另一些实施例中，y表示上述所有物理资源块(PRB)上的接收上行干扰噪声平均值,在得到输出参数W以后，可以计算小区所有PRB上的接收外部上行干扰噪声平均值：
所有PRB上的接收外部上行干扰噪声平均值＝本小区所有PRB上的接收上行干扰噪声平均值-W1×x1-W2×x2-W3×x3-W4×x4-W5×x5-W6×x6-W7×x7-W8×x8-W9×x9。
这样，可以计算得到小区所有PRB上的接收外部上行干扰噪声的平均值。
通过线性回归方法确定各影响参数对应的影响程度系数，可以分析出不包含内部上行干扰因素在内的小区的外部上行干扰噪声值。无需依赖相关人员的经验，且可以降低识别外部上行干扰的人力成本。识别小区的外部上行干扰有利于对外部上行干扰源进行排查和定位。
本申请实施例提供一种外部上行干扰识别装置，如图7所示，该装置包括：获取模块710、系数确定模块720以及外部干扰确定模块730。其中：
获取模块710，被配置为执行获取待识别小区的网管数据；网管数据包括待识别小区的上行干扰噪声值、影响参数；上行干扰噪声值包括：在预设历史时间段内，待识别小区中各物理资源块上的接收上行干扰噪声值，影响参数包括对待识别小区的内部上行干扰存在影响的参数。例如，获取模块710以用于执行如图1所示的步骤110。
系数确定模块720，被配置为执行基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数。例如，系数确定模块720可以用于执行如图1所示的步骤120。
外部干扰确定模块730，被配置为执行分别根据上行干扰噪声值、各影响参数和各第一影响程度系数，确定在预设历史时间段内，待识别小区中各物理资源块上的接收外部上行干扰噪声值。例如，外部干扰确定模块730可以用于执行如图1所示的步骤130。
本申请实施例提供的技术方案，在获取的待识别小区的网管数据中包含了对待识别小区的内部上行干扰存在影响的影响参数，同时利用网管数据中的该待识别小区中各物理资源块上的接收上行干扰噪声值，采用线性回归方法对各影响参数确定对应的第一影响程度系数。小区受到的上行干扰噪声可以划分为外部上行干扰噪声和内部上行干扰噪声，因此，在得到影响到小区内部上行干扰噪声的各项影响参数对应的第一影响程度系数之后，由于影响参数是表示对小区内部上行干扰噪声存在影响的参数，根据各影响参数以及各第一影响程度系数，可以确定待识别小区的内部上行干扰噪声。进而再结合上行干扰噪声值，可以得到较为准确的外部上行干扰噪声值。这样，无需依赖相关人员的经验，且可以降低识别外部上行干扰的人力成本。
在一些实施例中，如图7所示，上述装置还包括：图像绘制模块740，被配置为执行根据各物理资源块上的接收外部上行干扰噪声值，绘制在预设历史时间段内，各物理资源块上的接收外部上行干扰噪声对应的时频特征图；类型确定模块750，被配置为执行将时频特征图输入经过训练确定的干扰识别模型，得到待识别小区的外部上行干扰噪声的干扰类型。
在一些实施例中，上述装置的图像绘制模块740，包括：周期划分子模块741，被配置为执行将预设历史时间段按照预设周期划分；绘制子模块742，被配置为执行分别根据每一预设周期内各物理资源块上的接收外部上行干扰噪声值，绘制各预设周期对应的时频特征图。在本实施例中，上述装置的类型确定模块750包括：第一类型确定子模块751，被配置为执行分别将各预设周期对应的时频特征图输入干扰识别模型，得到各预设周期对应的干扰类型；统计子模块752，被配置为执行统计各预设周期对应的干扰类型中出现次数最多的目标干扰类型得到待识别小区的外部上行干扰噪声的干扰类型。
在一些实施例中，上述装置还包括：干扰级别确定模块760，被配置为执行根据上行干扰噪声平均值确定待识别小区的干扰级别；在本实施例中，上述装置的系数确定模块720,具体被配置为执行若根据干扰级别确定待识别小区的通信受到干扰，则基于影响参数和上行干扰噪声值，采用线性回归方法确定各影响参数对应的第一影响程度系数。
在一些实施例中，上述装置还包括：第二系数确定模块，被配置为执行基于影响参数和上行干扰噪声平均值，采用线性回归方法确定各影响参数对应的第二影响程度系数；外部干扰平均值确定模块，被配置为执行根据上行干扰噪声平均值、各影响参数和各第二影响程度系数，确定待识别小区的外部上行干扰噪声平均值。
在一些实施例中，上述装置的外部干扰确定模块730包括：第一计算子模块，被配置为执行利用各第一影响程度系数对各影响参数进行加权求和，得到加权和值；第一计算子模块，被配置为执行计算上行干扰噪声值与加权和值的差值，得到预设历史时间段内的外部上行干扰噪声值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备800的框图。如图8，该电子设备800可以包括至少一个处理器801以及用于存储处理器801可执行指令的存储器803。其中，处理器801被配置为执行存储器803中的指令，以实现上述实施例中的通外部上行干扰识别方法。在一些实施例中，存储器803用于存储上述外部上行干扰识别装置的程序代码和数据；处理器801用于执行图1所示的步骤110至步骤130。在一些实施例中，该电子设备800可以是上述实施例中的服务器。
电子设备800还可以包括通信总线802以及至少一个通信接口804。
处理器801可以是一个(central processing units，CPU)，微处理单元，ASIC，或一个或多个用于控制本公开方案程序执行的集成电路。
通信总线802可包括一通路，在上述组件之间传送信息。
通信接口804，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。
存储器803可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrical lyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理单元相连接。存储器也可以和处理单元集成在一起，为CPU中的易失性存储介质。
其中，存储器803用于存储执行本公开方案的计算机程序，并由处理器801来控制执行。处理器801用于执行存储器803中存储的计算机程序，从而实现本公开方法中的功能。
在具体实现中，作为一种实施例，处理器801可以包括一个或多个CPU，例如图8中的CPU0和CPU1。
在具体实现中，作为一种实施例，电子设备800可以包括多个处理器，例如图8中的处理器801和处理器807。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中，作为一种实施例，电子设备800还可以包括输出设备805和输入设备806。输出设备805和处理器801通信，可以以多种方式来显示信息。例如，输出设备805可以是液晶显示器(liquid crystal display，LCD)，发光二级管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备806和处理器801通信，可以以多种方式接受用户的输入。例如，输入设备806可以是鼠标、键盘、触摸屏设备或传感设备等。
本领域技术人员可以理解，图8中示出的结构并不构成对电子设备800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任意一个实施例中所提供的资源请求处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (9)

1.一种外部上行干扰识别方法，其特征在于，包括：
获取待识别小区的网管数据；所述网管数据包括所述待识别小区的上行干扰噪声值、影响参数；所述上行干扰噪声值包括：在预设历史时间段内，所述待识别小区中各物理资源块上的接收上行干扰噪声值，所述影响参数包括对所述待识别小区的内部上行干扰存在影响的参数；
基于所述影响参数和所述上行干扰噪声值，采用线性回归方法确定各所述影响参数对应的第一影响程度系数；
根据所述上行干扰噪声值、各所述影响参数和各所述第一影响程度系数，确定在所述预设历史时间段内，所述待识别小区中各所述物理资源块上的接收外部上行干扰噪声值，包括：
利用各所述第一影响程度系数对各所述影响参数进行加权求和，得到加权和值；
计算所述上行干扰噪声值与所述加权和值的差值，得到所述预设历史时间段内的所述外部上行干扰噪声值。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述上行干扰噪声值、各所述影响参数和各所述第一影响程度系数，确定在所述预设历史时间段内，所述待识别小区中各所述物理资源块上的接收外部上行干扰噪声值之后，所述方法还包括：
根据各所述物理资源块上的接收外部上行干扰噪声值，绘制在所述预设历史时间段内，各所述物理资源块上的接收外部上行干扰噪声对应的时频特征图；
将所述时频特征图输入经过训练确定的干扰识别模型，得到所述待识别小区的外部上行干扰噪声的干扰类型。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述物理资源块上的接收外部上行干扰噪声值，绘制在所述预设历史时间段内，各所述物理资源块上的接收外部上行干扰噪声对应的时频特征图，包括：
将所述预设历史时间段按照预设周期划分；分别根据每一所述预设周期内各所述物理资源块上的接收外部上行干扰噪声值，绘制各所述预设周期对应的时频特征图；
所述将所述时频特征图输入经过训练确定的干扰识别模型，得到所述待识别小区的外部上行干扰噪声的干扰类型，包括：
分别将各所述预设周期对应的时频特征图输入所述干扰识别模型，得到各所述预设周期对应的干扰类型；统计各所述预设周期对应的干扰类型中出现次数最多的目标干扰类型，将所述目标干扰类型作为所述待识别小区的外部上行干扰噪声的干扰类型。
4.根据权利要求1所述的方法，其特征在于，所述上行干扰噪声值还包括：在预设历史时间段内，所述待识别小区中所有物理资源块上的接收上行干扰噪声平均值；
在所述基于所述影响参数和所述上行干扰噪声值，采用线性回归方法确定各所述影响参数对应的第一影响程度系数之前，所述方法还包括：根据所述上行干扰噪声平均值确定所述待识别小区的干扰级别；
所述基于所述影响参数和所述上行干扰噪声值，采用线性回归方法确定各所述影响参数对应的第一影响程度系数，包括：若根据所述干扰级别确定所述待识别小区的通信受到干扰，则基于所述影响参数和所述上行干扰噪声值，采用线性回归方法确定各所述影响参数对应的第一影响程度系数。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
基于所述影响参数和所述上行干扰噪声平均值，采用线性回归方法确定各所述影响参数对应的第二影响程度系数；
根据所述上行干扰噪声平均值、各所述影响参数和各所述第二影响程度系数，确定所述待识别小区的外部上行干扰噪声平均值。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述影响参数包括以下至少一项：所述待识别小区的物理资源块利用率，所述待识别小区的无线资源控制中心的连接用户数，所述待识别小区的上行业务量，各邻区的物理资源块利用率，各所述邻区的无线资源控制中心的连接用户数，各所述邻区的上行业务量；所述邻区为与所述待识别小区属于同一基站的小区。
7.一种外部上行干扰识别装置，其特征在于，包括：
获取模块，被配置为执行获取待识别小区的网管数据；所述网管数据包括所述待识别小区的上行干扰噪声值、影响参数；所述上行干扰噪声值包括：在预设历史时间段内，所述待识别小区中各物理资源块上的接收上行干扰噪声值，所述影响参数包括对所述待识别小区的内部上行干扰存在影响的参数；
系数确定模块，被配置为执行基于所述影响参数和所述上行干扰噪声值，采用线性回归方法确定各所述影响参数对应的第一影响程度系数；
外部干扰确定模块，被配置为执行分别根据所述上行干扰噪声值、各所述影响参数和各所述第一影响程度系数，确定在所述预设历史时间段内，所述待识别小区中各所述物理资源块上的接收外部上行干扰噪声值；
所述外部干扰确定模块，还被配置为执行利用各所述第一影响程度系数对各所述影响参数进行加权求和，得到加权和值；计算所述上行干扰噪声值与所述加权和值的差值，得到所述预设历史时间段内的所述外部上行干扰噪声值。
8.一种电子设备，其特征在于，包括：处理器、用于存储所述处理器可执行的指令的存储器；其中，所述处理器被配置为执行指令，以实现如权利要求1-6中任一项所述的外部上行干扰识别方法。
9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-6中任一项所述的外部上行干扰识别方法。
CN202210706886.6A 2022-06-21 2022-06-21 一种外部上行干扰识别方法、装置、电子设备及存储介质 Active CN115276851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210706886.6A CN115276851B (zh) 2022-06-21 2022-06-21 一种外部上行干扰识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210706886.6A CN115276851B (zh) 2022-06-21 2022-06-21 一种外部上行干扰识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115276851A CN115276851A (zh) 2022-11-01
CN115276851B true CN115276851B (zh) 2023-08-11

Family

ID=83761458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210706886.6A Active CN115276851B (zh) 2022-06-21 2022-06-21 一种外部上行干扰识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115276851B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103369586A (zh) * 2012-03-28 2013-10-23 中兴通讯股份有限公司 一种处理基站上行外部干扰的方法及装置
CN103368588A (zh) * 2012-03-28 2013-10-23 中兴通讯股份有限公司 一种处理基站上行外部干扰的方法、装置及系统
CN103974280A (zh) * 2013-02-05 2014-08-06 中兴通讯股份有限公司 上行外部干扰检测方法、干扰源定位方法及装置
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
CN111683390A (zh) * 2020-06-11 2020-09-18 中国联合网络通信集团有限公司 上行干扰识别的方法、装置及系统
CN112839353A (zh) * 2019-11-22 2021-05-25 中国移动通信集团设计院有限公司 Lte系统内干扰的识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9572055B2 (en) * 2013-04-09 2017-02-14 Spectrum Effect, Inc. Uplink interference detection using transmission matrices
US9648567B2 (en) * 2015-04-17 2017-05-09 Motorola Solutions, Inc. System and method for detection of external uplink interference in cellular network
US10389616B2 (en) * 2016-09-06 2019-08-20 Spectrum Effect Inc. Method and system for detecting interference to wireless networks
US11039398B2 (en) * 2019-05-31 2021-06-15 At&T Intellectual Property I, L.P. Uplink interference avoidance under open loop power control conditions

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103369586A (zh) * 2012-03-28 2013-10-23 中兴通讯股份有限公司 一种处理基站上行外部干扰的方法及装置
CN103368588A (zh) * 2012-03-28 2013-10-23 中兴通讯股份有限公司 一种处理基站上行外部干扰的方法、装置及系统
CN103974280A (zh) * 2013-02-05 2014-08-06 中兴通讯股份有限公司 上行外部干扰检测方法、干扰源定位方法及装置
CN112839353A (zh) * 2019-11-22 2021-05-25 中国移动通信集团设计院有限公司 Lte系统内干扰的识别方法及装置
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
CN111683390A (zh) * 2020-06-11 2020-09-18 中国联合网络通信集团有限公司 上行干扰识别的方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
关于WCDMA基站隐蔽干扰源查找方法的探讨;王锐;《中国无线电》(第2期);62 *

Also Published As

Publication number Publication date
CN115276851A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
US10708803B2 (en) Coexistence reporting based on user equipment (UE) measurements
CN102158879A (zh) 要因失分的数据处理方法及设备
US9848089B2 (en) Methods and apparatus to generate an overall performance index
CN111246564A (zh) 基于mr数据的外部干扰定位方法及装置
CN113365305B (zh) 网络覆盖数据的处理方法、装置、介质及电子设备
CN109981196B (zh) 一种网络结构评估方法及装置
CN112804287B (zh) 一种电力物联网的智能化网络切片模板生成方法及系统
CN110267288A (zh) 移动网络投诉定位方法及装置
CN108243447A (zh) 一种外部干扰的定位方法及装置
CN114286376B (zh) 交叉链路干扰的测量方法、装置、介质及通信基站
CN103974264A (zh) 一种频点优选方法
CN111527717B (zh) 用于无线通信的电子设备、方法和计算机可读存储介质
CN115276851B (zh) 一种外部上行干扰识别方法、装置、电子设备及存储介质
CN113973336B (zh) 一种网络中干扰小区的确定方法、装置、设备和存储介质
CN108243439A (zh) 移动互联网数据业务质量劣化定位的方法及系统
CN112969193B (zh) 无线网络的干扰确定方法、装置及设备
CN103974321B (zh) 一种直放站的监控方法和装置
CN109963304A (zh) 一种基于mr数据确定小区网络干扰分类的方法及装置
CN109246610B (zh) 指纹库建立方法、定位方法、装置、服务器及存储介质
CN113438662B (zh) Ssb波束配置的优化方法、装置、介质及电子设备
CN109963301B (zh) 一种网络结构干扰的分析方法及装置
CN110337118A (zh) 用户投诉快速处理方法及装置
CN105992215B (zh) 一种确定频谱资源使用度的方法及装置
CN111093218A (zh) 一种干扰分析方法和装置
CN114007230A (zh) 基站入网数据处理方法、装置、电子设备及存储介质

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