CN115278749A - 干扰源定位方法及干扰源定位装置 - Google Patents

Abstract

本发明实施例提供一种干扰源定位方法及干扰源定位装置，该干扰源定位方法包括：获取受干扰的至少一个第一目标小区；根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

Description

干扰源定位方法及干扰源定位装置

技术领域

本申请涉及无线技术领域，具体涉及一种干扰源定位方法及干扰源定位装置。

背景技术

目前，无线网络系统极易受到外部各种设备的干扰，比如信号放大器、屏蔽器以及各种无线电发射器都会对无线网络系统产生干扰。

当前所采用干扰源定位方法主要依托经验或辅助系统对干扰源进行定位，对人工依赖性大，且辅助系统对干扰源的定位也不够精确。

发明内容

本发明实施例的目的是提供一种干扰源定位方法及干扰源定位装置，能够解决干扰源定位不够精确的问题。

为解决上述技术问题，本申请实施例是通过以下各方面实现的。

第一方面，本发明实施例提供了一种干扰源定位方法，包括：获取受干扰的至少一个第一目标小区；根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

第二方面，本发明实施例提供了一种干扰源定位装置，包括：获取模块，用于获取受干扰的至少一个第一目标小区；分簇模块，用于根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；定位模块330，用于根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

第三方面，本发明实施例提供了一种终端设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上述第一方面所述的第一干扰源定位方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上述第一方面所述的扰源定位方法的步骤。

在本申请实施例中，通过获取受干扰的至少一个第一目标小区；根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇；根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，能够使干扰源的定位更加精确，且适用于排查不同网络制式下的受干扰小区的干扰源，另外还可以用于移动性干扰源的排查。

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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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是本申请实施例公开的干扰源定位方法的一种流程示意图；

图2是本申请实施例公开的确定第一干扰源疑似位置的一种方法示意图；

图3是本申请实施例公开的干扰定位装置的一种结构示意图；

图4是本申请实施例公开的电子设备的一种结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的干扰源定位方法进行详细地说明。

图1是本申请实施例提供的干扰源定位方法的一种流程示意图，该方法 100可以由通信设备执行。换言之，所述方法可以由安装在通信设备上的软件或硬件来执行。在本申请实施例中，通信设备可以为终端也可以为网络侧设备。如图1所示，该方法可以包括以下步骤。

S110，获取受干扰的至少一个第一目标小区。

在本步骤中，可根据当前设备网管所保存的干扰数据获取受干扰的第一目标小区，第一目标小区受到的干扰电平强度大于预设干扰门限(比如-100dBm) 或其相对未受干扰时的电平增幅大于预设干扰门限(比如10dB)。在本申请实施例中，干扰门限可根据具体情况设定，本申请实施例对此不做具体限定。

S120，根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇。

其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值。

实际情况中，受同一干扰源干扰的小区受到干扰的时间起始、结束、变化规律具有高度的一致性，因此，可根据时域划分方式对第一目标小区进行分簇。在一种可选的方案中，根据第一目标小区受到干扰的时间的一致程度大于第一预设阈值对第一目标小区进行分簇。具体的，将各第一目标小区受到干扰的时间按照时间粒度(例如5秒、1分钟、15分钟、30分钟、60分钟、1小时、1天等) 划分，用布尔值表示各第一目标小区在每个时间粒度上受到的干扰值，1代表第一目标小区受到的干扰强度大于预设干扰门限，0代表第一目标小区受到的干扰强度不大于预设干扰门限。之后计算各第一目标小区的干扰时间数据序列两两之间的相似性(如相关系数、或相同时间粒度具有相同布尔值的时间占比)，若相似性大于第一预设阈值即可将对应的第一目标小区归为同一干扰簇。该可选的方案适用于各种网络制式，比如2G、3G、4G TDD、4G FDD、NB以及5G 等，这些不同制式的网络小区因此可以划分到同一个干扰簇。

表1为按照2小时粒度统计和表征各第一干扰小区一天24小时的干扰数据，如表1所示，第一目标小区包括8个，根据8个第一目标小区受到的干扰数据，计算8个第一目标小区的干扰时间数据序列彼此之间的相似性，若相似性大于第一预设阈值，比如90％，则将对应的第一目标小区归为同一干扰簇，如表1 所示，第一目标小区1与第一目标小区2归为第一干扰簇，第一目标小区3为第二干扰簇，第一目标小区4归为第三干扰簇，第一目标小区5、第一目标小区6、第一目标小区7和第一目标小区8归为第四干扰簇。相似性的计算可以是两个干扰时间布尔值序列的相关系数，也可以是两个干扰时间布尔值序列之间、同一时间具有相同布尔值的时间占比等。

当根据某一时间粒度(如2小时)不足以区分干扰簇时，可以以更小的时间粒度对第一目标小区划分，比如1小时，30分钟直至可以获得准确的干扰簇。实际工作中，如果省内干扰簇的天粒度碰撞率很低，那么甚至通过天粒度加地市区县已经能足够区分生成干扰簇。

表1.

另外，在同一网络制式下，受同一干扰源干扰的第一目标小区的干扰波形具有高度的相似性，因此，也可根据频域划分方式对第一目标小区进行分簇。在一种可选的方案中，根据第一目标小区受到干扰的干扰波形的相似度大于第二预设阈值(如90％)对第一目标小区进行分簇。具体的，先分别以2G、3G、 4G TDD、4G FDD、NB、5G等不同网络制式为各自划分范围，对每一个单一网络制式内的第一目标小区的干扰波形进行两两比对，将干扰波形相似度大于第二预设阈值的第一目标小区分离出来独立为若干个干扰簇。

以5G为例进行说明，干扰簇内的各第一目标小区的全部物理资源块 (PhysicalResource Block，PRB)干扰波形的相似度大于第二预设阈值。如表 2所示，小区PRB干扰波形特征数据可以是每个PRB在同一时段接收到的实际干扰电平强度取值(方式1)，可以是根据干扰电平强度取值映射后的阶梯取值(方式2)，也可以是根据干扰门限得出的布尔值(方式3)。

表2.

按照表2的三种赋值方式，表征同一网络制式下各第一干扰小区PRB的干扰波形数据，如表3所示，第一目标小区包括8个，根据8个第一目标小区受到的干扰数据，计算8个第一目标小区的PRB干扰波形数据序列彼此之间的相似性，若相似性大于第二预设阈值，比如90％，则将对应的第一目标小区归为同一干扰簇，如表3所示，第一目标小区11、第一目标小区12与第一目标小区13 归为第六干扰簇，第一目标小区14和第一目标小区15归为第七干扰簇，第一目标小区16、第一目标小区17与第一目标小区18归为第八干扰簇。相似性的计算可以是两个PRB干扰波形数据序列的相关系数，也可以是两个PRB干扰波形数据序列之间、同一PRB具有相同干扰数值(如布尔值)的PRB数量占比等。

表3.

在一种可能实现的方式中，S120可以包括：将所述至少一个第一目标小区中的第一小区划分为第一个干扰簇，将第二小区划分到第一个干扰簇中，其中，所述第一小区为所述至少一个第一目标小区中受到的干扰电平最强的小区，所述第二小区为所述第一小区的周边小区，且所述第二小区与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值；在所述第一小区的周边与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第一个干扰簇的情况下，或者在所述第一小区周边的、除所述第二小区以外的小区与所述第一小区之间的距离超出了预设距离的情况下，停止所述第一个干扰簇的划分；将第三小区划分为第二个干扰簇，将第四小区划分到第二个干扰簇中，其中，所述第三小区为所述至少一个第一目标小区中除所述第一个干扰簇中的小区以外的小区中受到的干扰电平最强的小区，所述第四小区为所述第三小区的周边小区，且所述第四小区与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值；在所述第三小区的周边与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第二个干扰簇的情况下，或者在所述第三小区周边的、除所述第四小区以外的小区与所述第三小区之间的距离超出了预设距离的情况下，停止所述第二个干扰簇的划分；如此循环，直到所述至少一个第一目标小区均被划分到一个干扰簇中，或者，直到划分出n 个干扰簇，其中，n为大于等于1的整数。

在具体应用中，无论是时域分簇还是频域分簇，均可以将第一目标小区中干扰电平最强的那个小区划分为第一个干扰簇，并从它开始，从近到远，逐个分析其与周边小区在时域上干扰时间的一致性，或频域干扰波形特征的相似性，从而不断地将与其干扰时间的一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的周边小区划分到该第一个干扰簇中，如此不断扩大该簇的范围，直到出现一个或多个周边小区与干扰电平最强的那个小区之间不再具有时域或频域上的干扰特征相似性时，或者所分析的小区与最强小区之间的距离超出了预设距离(如5km)时，停止该簇的划分，此时第一个完整的干扰簇就此生成，该簇内所有小区的时域或频域干扰特征均相似。

接下来，将上述第一个完整的干扰簇所包含的小区从第一目标小区中剔除，将剩下的第一目标小区中干扰电平最强的那个小区划分为第二个干扰簇,再按照上述方法，直至生成第二个和更多完整的干扰簇。

可选的，还可以以时域划分和频域划分相结合的方式，对第一目标小区进行分簇，这里不再赘述。

在本申请实施例中，通过第一目标小区之间时域或频域或时频域干扰特征数据的两两一致性或相似性比对实现分簇。时域划分可以无差别的适用于任意制式无线网络，而频域划分在单一制式网络内部各自进行波形比对。在时域上，本方案提出干扰时域数据二进制“开关化”，其基本原理在于无论制式、远近，一个干扰源的出现和影响是具有时间特征的，它的有无变化给每个被干扰的第一目标小区打上了相同的“时间戳”。在时域或频域上，干扰值归一化，比如被干扰小区的干扰值各不相同，但只要超过了干扰门限，就可以被定义为布尔值“1”，否则为“0”，这给小区间干扰特征的相似性计算提供了便利。因此，本方案通用性强，适合于各种网络制式、不同设备厂家，完全适合全网络、全制式、全地域的干扰源排查工作，提高了干扰簇的划分效果。

S130，根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位。

其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

在一个可能实现的方式中，S130可以包括：根据所述第一干扰簇中的各个第二目标小区的第一参数，确定各个所述第二目标小区的权重，基于各个所述第二目标小区的权重，对各个所述第二目标小区的位置信息进行加权平均，得到所述第一干扰源的疑似位置，所述第二目标小区为所述第一干扰簇中的第一目标小区。其中，所述第一参数包括：天线高度、天线下倾角、以及干扰电平等，该方法记为算法一。以第一干扰簇包括3个第一目标小区为例，它们对应的经度分别为a，b，c，若以干扰电平强度为权重，当3个第一目标小区对应的干扰电平强度分别为-90dBm，-99dBm，-100dBm时，则加权平均后的经度为(a/90+b/99+c/100)/(1/90+1/99+1/100)，纬度进行类似的处理即可得到该3 个第一目标小区加权平均后的纬度。将加权平均后的经度和纬度作为第一干扰簇的第一干扰源的经纬度，将该经纬度作为第一干扰簇的第一干扰源的疑似位置。

另外，各第一目标小区的权重还可以为天线高度h、天线下倾角θ、小区干扰电平相对未受干扰时的抬升幅度Δ、以及它们的组合运算结果等。

在一个可能实现的方式中，S130还可以包括：将所述第一干扰簇中的各个第二目标小区进行聚类或以其他方式进行划分，以将所述第一干扰簇划分为一到多个第一干扰子簇，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置。

在该可能的实现方式中，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置可以包括：获取第二干扰子簇的定位点，将所述第二干扰子簇的定位点作为所述第一干扰源的疑似位置，其中，所述第二干扰子簇中包括第一干扰簇中受干扰最强的小区，或者包括干扰电平前三强小区中的多数个小区，该方法记为算法二。在该步骤中，获取第二干扰子簇的定位点包括：根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定各个所述第三目标小区的权重，基于各个所述部分或全部第三目标小区的权重，对各个所述部分或全部第三目标小区的位置信息进行加权平均，得到所述第二干扰子簇的定位点。例如，第二干扰子簇中包括3个第三目标小区，其中一个第三目标小区为受干扰最强的小区，这三个第三目标小区的第一参数确定各个第三目标小区的权重，例如，第一参数为干扰电平，以干扰电平强度作为各个第三目标小区的权重，对该三个第三目标小区的经纬度进行加权平均，得到第二干扰子簇的定位点，将第二干扰子簇的定位点作为第一干扰源的疑似位置。

可选的，在该可能的实现方式中，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置还可以包括：获取第二干扰子簇的定位点和定位角，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，其中，所述第二干扰子簇为多个所述第一干扰子簇中的一个，该方法记为算法三。

在该方案中，获取第二干扰子簇的定位点与上述定位点的获取方法一样。获取第二干扰子簇的定位角可以包括：根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定所述部分或全部第三目标小区中各个第三目标小区的权重，基于所述各个第三目标小区的权重，对所述部分或全部第三目标小区的方位角进行加权合并运算(如类似平均的方式)，得到所述干扰子簇的定位角，所述第三目标小区为所述第一干扰簇中的第一目标小区。

例如，先统计分析第二干扰子簇所包含的第三目标小区的方位角，对各相同度数方位角对应所属的第三目标小区的数量进行计数(其中计数最大值记为M)，保留第三目标小区中相同方位角计数数量最多(即为M) 的方位角，以及第三目标小区数中相同方位角计数数量大于设定门限(如 M/5)的方位角，舍弃其余方位角。然后分别计算保留的各相同方位角对应所属的各第三目标小区受到的干扰电平强度之平均值，保留其中与最强干扰电平强度均值对应的第三目标小区方位角，以及干扰电平强度平均值与最强干扰电平强度均值之差小于设定门限(如5dB)的方位角，舍弃其余方位角。之后根据第一参数，确定最终保留的方位角对应所属的第三目标小区中各个第三目标小区的权重，基于各个第三目标小区的权重(权重可以均为1，即不加权)，对最终保留的方位角对应所属的第三目标小区的方位角进行加权合并运算，得到第二干扰子簇的定位角。

在一种可能的实现方式中，对所述第二干扰子簇中的部分或全部第三目标小区的方位角进行加权合并运算，可以包括：将所述部分或全部第三目标小区的方位角按照从0度到360度的顺序排列；计算排列后的相邻方位角之间的角度差值；将第四目标小区的方位角与360度之间的差值更新为所述第四目标小区的方位角，其中，所述第四目标小区为第一角度差值对应的两个第三目标小区中方位角较大的第三目标小区，所述第一角度差值大于或等于180度；将第五目标小区的方位角与360度之间的差值更新为所述第五目标小区的方位角，其中，所述第五目标小区为更新前的方位角大于所述第四目标小区更新前的方位角的第三目标小区；所述部分或全部第三目标小区的所有的方位角求平均值，如果所述平均值不小于零，则将所述平均值作为所述第二干扰子簇的定位角，如果所述均值小于零，则将所述平均值加上360度作为所述第二干扰子簇的定位角。

例如，可以将第二干扰子簇中的部分或全部第三目标小区的方位角按照从0度到360度的顺序排列，从最小的方位角度数开始，往最大的方位角度数方向，计算相邻方位角之间的角度差值，当角度差值首次出现大于或等于180度时，将该差值对应的较大的方位角的角度度数减去360度后作为对应的第三目标小区的新角度，而比该较大的方位角初始角度数更小的所有方位角直到最小0度，均保持初始角度值即老角度，并将比该较大的方位角初始角度数更大的方位角直到最大360度，均减去360度作为对应第三目标小区的新角度，之后将第二干扰子簇中的上述部分或全部第三目标小区的所有新角度及老角度求均值，如果角度均值不小于零，则将该角度均值作为第二干扰子簇的定位角，如果角度均值小于零，则将该角度均值加上360度作为第二干扰子簇的定位角。上述运算过程中，还可以对各第三目标小区的方位角老角度和新角度加权后再平均。

在一个可能实现的方式中，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，可以包括：在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线至少有一个交点的情况下，基于所述至少一个交点确定所述第一干扰源的疑似位置。以第二干扰子簇包括第二干扰子簇A和第二干扰子簇B为例，根据上述计算第二干扰子簇定位角和定位点的方法计算第二干扰子簇A和第二干扰子簇B的定位角和定位点，以各自的定位点为起点，根据各自的定位角确定各自的定位射线，当第二干扰子簇 A和第二干扰子簇B的定位射线有交点时，将该交点作为第一干扰源的疑似位置。当第二干扰子簇包括多个时，可以将多个第二干扰子簇的定位射线两两相交的交点经纬度进行平均或者择优作为第一干扰源的疑似位置，还可以选择以交点为顶点所构成的多边形区域作为第一干扰源的疑似位置。

可选的，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，还可以包括：在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线没有交点的情况下，将至少两个所述第二干扰子簇中各个第二干扰子簇的定位点的位置信息进行平均，得到所述第一干扰源的疑似位置。

如图2所示，以第二干扰子簇包括第二干扰子簇A和第二干扰子簇B为例，当第二干扰子簇A和第二干扰子簇B的定位射线不相交时，可以引入偏转射线根据以下步骤确定第一干扰源的疑似位置。

步骤1，以第二干扰子簇A的定位射线为中心线，在定位角的基础上, 以+/-θ₁度为偏移角，发出第一射线和第二射线(即偏转射线)，第一射线和第二射线与第二干扰子簇B的定位射线可能存在0个、一个或两个交点，执行步骤2；

步骤2，以第二干扰子簇B的定位射线为中心线，在定位角的基础上, 以+/-θ₂度为偏移角，发出第三射线和第四射线，第三射线和第四射线与第二干扰子簇A的定位射线可能存在0个、一个或两个交点，执行步骤3；

步骤3，取步骤1和步骤2所得到的交点的均值或择优为所述第一干扰源的疑似位置，如果步骤1和步骤2所得到的交点为0个，则执行步骤4；

步骤4，取第一射线、第二射线、第三射线和第四射线两两相交的交点的均值或择优为所述第一干扰源的疑似位置，如果第一射线、第二射线、第三射线和第四射线互不相交，则执行步骤5；

步骤5，以偏移角为+/-θ₃度，返回执行步骤1，之后以偏移角为+/-θ₄度，执行步骤2，进而执行步骤3；如果以偏移角为+/-θ₃度和+/-θ₄，均未得到交点，可以偏移角为+/-θ₅度和+/-θ₆，再次返回执行步骤1、2、3，直到在步骤3能将得到的交点的均值或择优为所述第一干扰源的疑似位置，才停止使用新的偏移角重复返回运算，也可以根据达到返回执行次数门限 (如3次)而停止新的返回执行，若停止返回执行时，所得到的交点为0 个，则执行步骤6；

步骤6，取第二干扰子簇A和第二干扰子簇B的定位点的均值作为第一干扰源的疑似位置。

在一种可能的实现方式中，在根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还可以包括：计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；在d1＞d2的情况下，确定所述第一干扰源的预测高度为零，其中，d2＝h/tanθ，h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角；在d1≤d2的情况下，将参数L1以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，作为所述第一干扰源的预测高度，其中，L1＝h*(d2-d1)/d2。

可选的，在根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还可以包括：计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；通过以下公式确定参数L2和L3：

L2＝h*(d2-(d1+t))/d2，L3＝h*(d2-(d1-t))/d2，或者，

L2＝h*(d3-d1)/d3，L3＝h*(d4-d1)/d4，其中，d2＝h/tanθ，d3＝h/tan(θ+i),d4＝h/tan(θ-i)，t≥0，i≥0，h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角， t为距离调整量，i为角度调整量；

之后确定所述第一干扰源的预测高度的范围为(x，y)，其中，x为M以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，y为N以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，M为所述L2和L3中的较小值，N为所述L2和L3中的较大值。

特殊地，当t大于等于d1时，L2和L3中的较大值等于h；当t大于等于 d2-d1时，L2和L3中的较小值等于0。

上述对第一干扰源疑似位置的确定方法中，当第一干扰簇中各第二目标小区的经纬度均相同时，优选算法一；当算法三所定的第一干扰源的疑似位置位于第一干扰簇边缘或外部时(如第一干扰源的疑似位置到第一干扰簇中心的距离超出第一干扰簇半径2倍时)，优选算法三，其次算法二，最后算法一；当算法三所定的第一干扰源的疑似位置位于第一干扰簇内部位置时(如第一干扰源的疑似位置到第一干扰簇中心的距离不超出干扰簇半径2倍时)，优选算法二，其次算法一，最后算法三。其中，干扰簇半径是指能包含簇内所有干扰小区的最小圆的半径或最小矩形的对角线长度的一半，干扰簇中心是指所述最小圆的圆心或最小矩形的中心。

在本申请实施例中，通过优选上述几种算法对第一干扰源进行定位，能够使第一干扰源的定位更加快速准确，无论第一干扰源位于第一干扰簇内部或边缘，还是外部区域，均可有效定位。目前城区的干扰源排查时间最快2-3天，农村干扰源排查时间一到两周。运用本方案能提升效率和成功率，1天甚至半天内实际定位出干扰源。

需要说明的是，对于第一干扰源疑似位置的确定方法包括但不限于上述描述的各种算法，可以根据实际情况灵活择优选择第一干扰源疑似位置的确定方法。

在一个可能实现的方式中，根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还包括：根据所述第一干扰簇的干扰相关信息以及所述第一干扰源的相关信息，生成相应的干扰解决方案。

在该可能的实现方式中，可以建立历史干扰库(含干扰解决方案)，将第一干扰簇的干扰相关信息以及第一干扰源的相关信息，对应的干扰解决方案保存至历史干扰库中。其中，所述第一干扰簇的干扰相关信息包括以下至少之一：干扰范围、干扰簇大小、干扰子簇的数量、干扰子簇的大小、干扰小区数量、干扰电平前三强小区名称及编码、干扰强度、干扰的时域及频域特征、变化规律，所述第一干扰源的相关信息包括：第一干扰源的经纬度位置、地点名称、干扰源类型以及第一干扰源的环境信息；记录所述干扰相关信息与所述第一干扰源的相关信息以及对应的所述干扰解决方案，所述干扰解决方案包括处理建议、干扰源单位/地址名称、联系人、联系电话等。表4中记录了不同干扰类型及对应的处理建议。

表4.

在一个可能实现的方式中，在对所述至少一个第一目标小区进行分簇得到多个干扰簇之后，所述方法还可以包括：判断是否记录有与所述多个干扰簇中的各个干扰簇的干扰相关信息相匹配的历史干扰簇信息，如果是，则获取与匹配的所述历史干扰簇信息对应的第一干扰源的相关信息以及干扰解决方案。

实际工作中，还会出现部分移动性干扰源，比如公交干预设备可能导致 FDD 900M强干扰。实时干扰秒级监控发现，FDD小区不定时出现20s左右的强干扰(干扰电平强度为-80dBm)，经排查证实为沿着城区主干道移动的干扰源。分析可知移动干扰源出现后，大量小区的全天平均抬升幅度并不大，最大约4dB，比如从日常的-117dBm抬升到-113dBm。干扰为间歇性突发强干扰，只在秒级别上有明显抬升，且不同时刻，最强干扰基站并不一样。同时可观察到受干扰的目标小区分布均靠近城区的主干道沿线。移动干扰源最终确定为公交车驾驶室内部安装的“驾驶员行为干预装置”，是为了防止驾驶员使用手机安装的，其功能存在电磁干扰能力。

总之，该干扰属于间歇性(秒级)+移动性+多干扰源的疑难杂症，其典型特征：间歇性出现，不定期产生强干扰，约20秒后突然消失。移动性出现，仅在问题公交车车辆产生，问题区域集中在主干道，大量公交车路线均在此。

因此，在一个可能实现的方式中，在S130之后，所述方法还可以包括：判断不同时间单元出现的干扰对应的干扰源的位置组合，是否与交通线路走向重叠或邻近，如果是，则确定所述不同时间单元出现的干扰对应的干扰源为移动性干扰源，其中，所述时间单元包括秒。

具体的，对移动性干扰源的定位，可以将时域上干扰同时出现和消失的第一目标小区作为第一干扰簇，所述干扰同时出现和消失是指第一目标小区干扰电平在某个时间粒度上的统计值(如秒级的绝对值或电平抬升幅度)，具有随时间变化上的高度一致性，其一致程度大于第一预设阈值。类似地，也可以结合干扰的频域波形相似性进行第一干扰簇的第一目标小区的分辨筛选。然后分析找出不同时间单元出现的第一干扰簇，计算每个第一干扰簇的干扰源疑似位置，再运用DBSCAN等聚类算法，对所有第一干扰簇的干扰源疑似位置进行聚类，得到不同时间单元出现的干扰对应的干扰源的位置组合，将干扰源的位置组合与交通路线进行比对，判断是否与交通线路走向重叠或邻近，如果是，则确定该不同时间单元出现的干扰的干扰源为移动性干扰源。

本申请通过同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或第一目标小区在频域上干扰波形的相似度大于第二预设阈值，在时域和/或频域上对第一目标小区进行分簇，适合全网络、全制式、全地域的干扰源排查工作，有效提高了工作效率。通过优选三种算法中的一个，对第一干扰源进行定位，计算高效，定位准确。另外，历史干扰库(含干扰解决方案)的建立，使得干扰簇得以快速与历史干扰数据进行比对，从而更快找到再次出现的干扰簇的解决方案，大大减少了人工重复参与度，提高了干扰源的排查解决效率。

基于上文所述的干扰源定位方法，本申请实施例公开一种干扰源定位装置300，如图3所示，该装置300主要包括：

获取模块310，用于获取受干扰的至少一个第一目标小区；

分簇模块320，用于根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；

定位模块330，用于根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

在一个可能的实现方式中，所述分簇模块320还用于将所述至少一个第一目标小区中的第一小区划分为第一个干扰簇，将第二小区划分到第一个干扰簇中，其中，所述第一小区为所述至少一个第一目标小区中受到的干扰电平最强的小区，所述第二小区为所述第一小区的周边小区，且所述第二小区与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/ 或干扰波形的相似度大于第二预设阈值；在所述第一小区的周边与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第一个干扰簇的情况下，或者在所述第一小区周边的、除所述第二小区以外的小区与所述第一小区之间的距离超出了预设距离的情况下，停止所述第一个干扰簇的划分；将第三小区划分为第二个干扰簇，将第四小区划分到第二个干扰簇中，其中，所述第三小区为所述至少一个第一目标小区中除所述第一个干扰簇中的小区以外的小区中受到的干扰电平最强的小区，所述第四小区为所述第三小区的周边小区，且所述第四小区与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值；在所述第三小区的周边与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第二个干扰簇的情况下，或者在所述第三小区周边的、除所述第四小区以外的小区与所述第三小区之间的距离超出了预设距离的情况下，停止所述第二个干扰簇的划分；如此循环，直到所述至少一个第一目标小区均被划分到一个干扰簇中，或者，直到划分出n个干扰簇，其中，n为大于等于1的整数。

在一个可能的实现方式中，所述定位模块330还用于根据所述第一干扰簇中的各个第二目标小区的第一参数，确定各个所述第二目标小区的权重，基于各个所述第二目标小区的权重，对各个所述第二目标小区的位置信息进行加权平均，得到所述第一干扰源的疑似位置，其中，所述第一参数包括：天线高度、天线下倾角、以及干扰电平，所述第二目标小区为所述第一干扰簇中的第一目标小区；或者，将所述第一干扰簇中的各个第二目标小区进行聚类，或以其他方式进行划分，以将所述第一干扰簇划分多个第一干扰子簇，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置。

在一个可能的实现方式中，所述定位模块330还用于获取第二干扰子簇的定位点，将所述第二干扰子簇的定位点作为所述第一干扰源的疑似位置，其中，所述第二干扰子簇中包括受干扰最强的小区，或者包括干扰电平前三强小区中的多数个小区；或者，获取第二干扰子簇的定位点和定位角，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，其中，所述第二干扰子簇为多个所述第一干扰子簇中的一个。

在一个可能的实现方式中，所述定位模块330还用于根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定所述部分或全部第三目标小区中各个第三目标小区的权重，基于所述各个第三目标小区的权重，对所述部分或全部第三目标小区的方位角进行加权合并运算(如类似平均的方式)，得到所述干扰子簇的定位角，所述第三目标小区为所述第一干扰簇中的第一目标小区。

在一个可能的实现方式中，所述定位模块330还用于将所述部分或全部第三目标小区的方位角按照从0度到360度的顺序排列；计算排列后的相邻方位角之间的角度差值；将第四目标小区的方位角与360度之间的差值更新为所述第四目标小区的方位角，其中，所述第四目标小区为第一角度差值对应的两个第三目标小区中方位角较大的第三目标小区，所述第一角度差值大于或等于180 度；将第五目标小区的方位角与360度之间的差值更新为所述第五目标小区的方位角，其中，所述第五目标小区为更新前的方位角大于所述第四目标小区更新前的方位角的第三目标小区；所述部分或全部第三目标小区的所有的方位角求平均值，如果所述平均值不小于零，则将所述平均值作为所述第二干扰子簇的定位角，如果所述均值小于零，则将所述平均值加上360度作为所述第二干扰子簇的定位角。

在一个可能的实现方式中，所述定位模块330还用于根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定各个所述第三目标小区的权重，基于各个所述部分或全部第三目标小区的权重，对各个所述第三目标小区的位置信息进行加权平均，得到所述第二干扰子簇的定位点。

在一个可能的实现方式中，所述定位模块330还用于在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线至少有一个交点的情况下，基于所述至少一个交点确定所述第一干扰源的疑似位置；或者，在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线没有交点的情况下，将至少两个所述第二干扰子簇中各个第二干扰子簇的定位点的位置信息进行平均，得到所述第一干扰源的疑似位置。

在一个可能的实现方式中，所述定位模块330还用于根据所述第一干扰簇的干扰相关信息以及所述第一干扰源的相关信息，生成相应的干扰解决方案，其中，所述干扰相关信息包括以下至少之一：干扰范围、干扰簇大小、干扰子簇的数量、干扰子簇的大小、干扰小区数量、干扰电平前三强小区名称及编码、干扰强度、干扰的时域及频域特征、变化规律，所述第一干扰源的相关信息包括：第一干扰源的经纬度位置、地点名称、干扰源类型以及第一干扰源的环境信息；记录所述干扰相关信息与所述第一干扰源的相关信息以及对应的所述干扰解决方案。

在一个可能的实现方式中，所述分簇模块320还用于判断是否记录有与所述多个干扰簇中的各个干扰簇的干扰相关信息相匹配的干扰相关信息，如果是，则获取与匹配的所述干扰相关信息对应的第一干扰源的相关信息以及干扰解决方案。

在一个可能的实现方式中，所述定位模块330还用于计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；在d1＞d2的情况下，确定所述第一干扰源的预测高度为零，其中，d2＝h/tanθ， h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角；在d1≤d2的情况下，将L1以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，作为所述第一干扰源的预测高度，其中，L1＝h*(d2-d1)/d2。

在一个可能的实现方式中，所述定位模块330还用于计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；通过以下公式确定参数L2和L3：

L2＝h*(d2-(d1+t))/d2，L3＝h*(d2-(d1-t))/d2，或者，

L2＝h*(d3-d1)/d3，L3＝h*(d4-d1)/d4，其中，d2＝h/tanθ，d3＝h/tan(θ +i),d4＝h/tan(θ-i)，t≥0，i≥0，h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角， t为距离调整量，i为角度调整量；

确定所述第一干扰源的预测高度的范围为(x，y)，其中，x为M以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，y为N以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，M为所述L2和L3 中的较小值，N为所述L2和L3中的较大值。

在一个可能的实现方式中，所述定位模块330还用于判断不同时间单元出现的干扰对应的干扰源的位置组合，是否与预定的交通线路走向重叠或邻近，如果是，则确定所述不同时间单元出现的干扰的干扰源为移动性干扰源，其中，所述时间单元包括秒。

可选的，如图4所示，本申请实施例还提供一种电子设备400，包括处理器401、存储器402和存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述干扰源定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述干扰源定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，处理器401为上述实施例中所述的电子设备400中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory， ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

本申请实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行网络侧设备程序或指令，实现上述干扰源定位方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现上述干扰源定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (13)

1.一种干扰源定位方法，其特征在于，包括：

获取受干扰的至少一个第一目标小区；

根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；

根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

2.根据权利要求1所述的方法，其特征在于，根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，包括：

将所述至少一个第一目标小区中的第一小区划分为第一个干扰簇，将第二小区划分到第一个干扰簇中，其中，所述第一小区为所述至少一个第一目标小区中受到的干扰电平最强的小区，所述第二小区为所述第一小区的周边小区，且所述第二小区与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值；

在所述第一小区的周边与所述第一小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第一个干扰簇的情况下，或者在所述第一小区周边的、除所述第二小区以外的小区与所述第一小区之间的距离超出了预设距离的情况下，停止所述第一个干扰簇的划分；

将第三小区划分为第二个干扰簇，将第四小区划分到第二个干扰簇中，其中，所述第三小区为所述至少一个第一目标小区中除所述第一个干扰簇中的小区以外的小区中受到的干扰电平最强的小区，所述第四小区为所述第三小区的周边小区，且所述第四小区与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值；

在所述第三小区的周边与所述第三小区受到的干扰时间一致程度大于第一预设阈值和/或干扰波形的相似度大于第二预设阈值的小区均划分到所述第二个干扰簇的情况下，或者在所述第三小区周边的、除所述第四小区以外的小区与所述第三小区之间的距离超出了预设距离的情况下，停止所述第二个干扰簇的划分；

如此循环，直到所述至少一个第一目标小区均被划分到一个干扰簇中，或者，直到划分出n个干扰簇，其中，n为大于等于1的整数。

3.根据权利要求1所述的方法，其特征在于，根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，包括：

根据所述第一干扰簇中的各个第二目标小区的第一参数，确定各个所述第二目标小区的权重，基于各个所述第二目标小区的权重，对各个所述第二目标小区的位置信息进行加权平均，得到所述第一干扰源的疑似位置，其中，所述第一参数包括：天线高度、天线下倾角、以及干扰电平，所述第二目标小区为所述第一干扰簇中的第一目标小区；或者，

将所述第一干扰簇中的各个第二目标小区进行聚类，或以其他方式进行划分，以将所述第一干扰簇划分一到多个第一干扰子簇，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置。

4.根据权利要求3所述的方法，其特征在于，根据至少一个第一干扰子簇确定所述第一干扰源的疑似位置，包括：

获取第二干扰子簇的定位点，将所述第二干扰子簇的定位点作为所述第一干扰源的疑似位置，其中，所述第二干扰子簇中包括受干扰最强的小区，或者包括干扰电平前三强小区中的多数个小区；或者，

获取第二干扰子簇的定位点和定位角，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，其中，所述第二干扰子簇为多个所述第一干扰子簇中的一个。

5.根据权利要求4所述的方法，其特征在于，

获取第二干扰子簇的定位角，包括：根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定所述部分或全部第三目标小区中各个第三目标小区的权重，基于所述各个第三目标小区的权重，对所述部分或全部第三目标小区的方位角进行加权合并运算，得到所述干扰子簇的定位角，所述第三目标小区为所述第一干扰簇中的第一目标小区；

获取第二干扰子簇的定位点，包括：根据所述第二干扰子簇的部分或全部第三目标小区的所述第一参数，确定各个所述第三目标小区的权重，基于各个所述部分或全部第三目标小区的权重，对各个所述部分或全部第三目标小区的位置信息进行加权平均，得到所述第二干扰子簇的定位点。

6.根据权利要求5所述的方法，其特征在于，对所述第二干扰子簇中的部分或全部第三目标小区的方位角进行加权合并运算，包括：

将所述部分或全部第三目标小区的方位角按照从0度到360度的顺序排列；

计算排列后的相邻方位角之间的角度差值；

将第四目标小区的方位角与360度之间的差值更新为所述第四目标小区的方位角，其中，所述第四目标小区为第一角度差值对应的两个第三目标小区中方位角较大的第三目标小区，所述第一角度差值大于或等于180度；

将第五目标小区的方位角与360度之间的差值更新为所述第五目标小区的方位角，其中，所述第五目标小区为更新前的方位角大于所述第四目标小区更新前的方位角的第三目标小区；

将所述部分或全部第三目标小区的所有的方位角求平均值，如果所述平均值不小于零，则将所述平均值作为所述第二干扰子簇的定位角，如果所述均值小于零，则将所述平均值加上360度作为所述第二干扰子簇的定位角。

7.根据权利要求4所述的方法，其特征在于，根据至少两个所述第二干扰子簇的定位角和定位点，确定所述第一干扰源的疑似位置，包括：

在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线至少有一个交点的情况下，基于所述至少一个交点确定所述第一干扰源的疑似位置；或者，

在所述至少两个第二干扰子簇中各个第二干扰子簇的定位射线和/或偏转射线没有交点的情况下，将至少两个所述第二干扰子簇中各个第二干扰子簇的定位点的位置信息进行平均，得到所述第一干扰源的疑似位置。

8.根据权利要求1至7任一项所述的方法，其特征在于，在根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还包括：

根据所述第一干扰簇的干扰相关信息以及所述第一干扰源的相关信息，生成相应的干扰解决方案，其中，所述第一干扰簇的干扰相关信息包括以下至少之一：干扰范围、干扰簇大小、干扰子簇的数量、干扰子簇的大小、干扰小区数量、干扰电平前三强小区名称及编码、干扰强度、干扰的时域及频域特征、变化规律，所述第一干扰源的相关信息包括：第一干扰源的经纬度位置、地点名称、干扰源类型以及第一干扰源的环境信息；

记录所述干扰相关信息与所述第一干扰源的相关信息以及对应的所述干扰解决方案。

9.根据权利要求8所述的方法，其特征在于，在对所述至少一个第一目标小区进行分簇得到多个干扰簇之后，所述方法还包括：

判断是否记录有与所述多个干扰簇中的各个干扰簇的干扰相关信息相匹配的干扰相关信息，如果是，则获取与匹配的所述干扰相关信息对应的第一干扰源的相关信息以及干扰解决方案。

10.根据权利要求1至7任一项所述的方法，其特征在于，根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还包括：

计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；

在d1＞d2的情况下，确定所述第一干扰源的预测高度为零，其中，d2＝h/tanθ，h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角；在d1≤d2的情况下，将L1以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，作为所述第一干扰源的预测高度，其中，L1＝h*(d2-d1)/d2。

11.根据权利要求1至7任一项所述的方法，其特征在于，根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还包括：

计算所述第一干扰簇中受到的干扰电平最强的第一目标小区到所述第一干扰源位置的第一距离d1；

通过以下公式确定参数L2和L3：

L2＝h*(d2-(d1+t))/d2，L3＝h*(d2-(d1-t))/d2，或者，

L2＝h*(d3-d1)/d3，L3＝h*(d4-d1)/d4，其中，d2＝h/tanθ，d3＝h/tan(θ+i),d4＝h/tan(θ-i)，t≥0，i≥0，h为所述受到的干扰电平最强的第一目标小区的天线高度，θ为所述受到的干扰电平最强的第一目标小区的天线下倾角，t为距离调整量，i为角度调整量；

确定所述第一干扰源的预测高度的范围为(x，y)，其中，x为M以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，y为N以及所述第一干扰簇中各个所述第一目标小区的天线高度中的最小值，M为所述L2和L3中的较小值，N为所述L2和L3中的较大值。

12.根据权利要求1至7任一项所述的方法，其特征在于，在根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位之后，所述方法还包括：

判断不同时间单元出现的干扰对应的干扰源的位置组合，是否与交通线路走向重叠或邻近，如果是，则确定所述不同时间单元出现的干扰的干扰源为移动性干扰源，其中，所述时间单元包括秒。

13.一种干扰源定位装置，其特征在于，包括：

获取模块，用于获取受干扰的至少一个第一目标小区；

分簇模块，用于根据所述至少一个第一目标小区受到干扰的时间信息和/或频率信息，对所述至少一个第一目标小区进行分簇得到多个干扰簇，其中，同一干扰簇中的第一目标小区受到干扰的时间的一致程度大于第一预设阈值，和/或干扰波形的相似度大于第二预设阈值；

定位模块，用于根据第一干扰簇中的第一目标小区的信息，对所述第一干扰簇的第一干扰源进行定位，其中，所述第一干扰簇为所述多个干扰簇中的一个干扰簇。

Images