CN115580371A - 干扰处理方法、装置和计算机可读存储介质 - Google Patents
干扰处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115580371A CN115580371A CN202110683948.1A CN202110683948A CN115580371A CN 115580371 A CN115580371 A CN 115580371A CN 202110683948 A CN202110683948 A CN 202110683948A CN 115580371 A CN115580371 A CN 115580371A
- Authority
- CN
- China
- Prior art keywords
- interference
- information
- sample
- current
- interference information
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000008447 perception Effects 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 25
- 230000015654 memory Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0023—Interference mitigation or co-ordination
- H04J11/005—Interference mitigation or co-ordination of intercell interference
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种干扰处理方法、装置和计算机可读存储介质，其中，该干扰处理方法包括如下步骤：获取异构网络系统的当前干扰信息；将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；采用所述目标干扰处理策略对所述当前干扰信息进行处理。根据本发明实施例的技术方案，本发明实施例采集了样本干扰信息和样本干扰处理策略，并分析得到融合后的目标干扰处理策略对当前干扰信息进行处理，因此能够提高干扰处理策略的准确性。
Description
技术领域
本发明实施例涉及但不限于通信技术领域，尤其涉及一种干扰处理方法、干扰处理装置和计算机可读存储介质。
背景技术
随着无线通信技术的发展，未来的无线通信网络将会是高度智能化、高度融合化的。超密集的异构网络系统可以通过增加无线网络基站布设密度以获得频率复用效率的巨大提升，从而实现系统容量的增加；但对于超密集的异构网络系统，宏蜂窝之间、宏蜂窝与微蜂窝、微微蜂窝、中继传输等之间的相互干扰已成为限制无线通信系统性能的重要因素，因此干扰管理是网络性能提升的关键技术。
对于传统的干扰感知方法，无法实时且多维度地对异构网络系统中的干扰进行分析认识，只能通过单一的干扰处理方法对网络中的干扰进行管理。对于单一组网的场景，其干扰来源单一，因此干扰的处理使用传统方法即可解决处理。但是对于超密集的异构网络系统，由于干扰来源复杂，因此干扰的处理就无法通过传统的方法来解决处理。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种干扰处理方法、干扰处理装置和计算机可读存储介质，能够处理异构网络系统的干扰信息，并且能够提高干扰处理策略的准确性。
第一方面，本发明实施例提供了一种干扰处理方法，包括：
获取异构网络系统的当前干扰信息；
将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；
采用所述目标干扰处理策略对所述当前干扰信息进行处理。
第二方面，本发明实施例还提供了一种干扰处理装置，包括：
干扰信息获取单元，用于获取异构网络系统的当前干扰信息；
目标干扰处理策略生成单元，用于将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；
干扰处理单元，用于采用所述目标干扰处理策略对所述当前干扰信息进行处理。
第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面所述的干扰处理方法。
本发明实施例包括：获取异构网络系统的当前干扰信息；将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；采用所述目标干扰处理策略对所述当前干扰信息进行处理。根据本发明实施例的技术方案，本发明实施例采集了样本干扰信息和样本干扰处理策略，并分析得到融合后的目标干扰处理策略对当前干扰信息进行处理，因此能够提高干扰处理策略的准确性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一个实施例提供的用于执行干扰处理方法的系统架构平台的示意图；
图2是本发明一个实施例提供的干扰处理方法的流程图；
图3是本发明一个实施例提供的修正第二LSTM网络的流程图；
图4是本发明一个实施例提供的异构网络系统的当前干扰信息的获取方式的流程图；
图5是本发明另一个实施例提供的异构网络系统的当前干扰信息的获取方式的流程图；
图6是本发明一个实施例提供的干扰处理方法中对当前干扰信息进行数据清洗的流程图；
图7是本发明一个实施例提供的干扰处理方法中对历史干扰信息进行数据清洗的流程图；
图8是本发明一个实施例提供的将当前干扰信息输入至第二LSTM网络以得到系统干扰特征感知信息的流程图；
图9是本发明一个实施例提供的将历史干扰信息输入至第二LSTM网络以得到系统干扰特征预测信息的流程图；
图10是本发明一个实施例提供的利用系统干扰特征感知信息和系统干扰特征预测信息对第二LSTM网络进行修正的流程图；
图11是本发明一个实施例提供的策略生成模型的训练过程的流程图；
图12是本发明一个实施例提供的对样本干扰信息和样本干扰处理策略进行分类的具体流程图；
图13是本发明一个实施例提供的用于实现干扰感知和预测的系统流程图；
图14是本发明一个实施例提供的用于处理当前干扰信息的干扰处理策略生成流程；
图15是本发明一个实施例提供的异构网络系统中具体的干扰示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等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。
在相关技术中，随着无线通信技术的发展，未来的无线通信网络将会是高度智能化、高度融合化的。超密集的异构网络系统可以通过增加无线网络基站布设密度以获得频率复用效率的巨大提升，从而实现系统容量的增加；但对于超密集的异构网络系统，宏蜂窝之间、宏蜂窝与微蜂窝、微微蜂窝、中继传输等之间的相互干扰已成为限制无线通信系统性能的重要因素，因此干扰管理是网络性能提升的关键技术。
对于传统的干扰感知方法，无法实时且多维度地对异构网络系统中的干扰进行分析认识，只能通过单一的干扰处理方法对网络中的干扰进行管理。对于单一组网的场景，其干扰来源单一，因此干扰的感知和处理使用传统方法即可解决处理。但是对于超密集的异构网络系统，由于干扰来源复杂，因此干扰的识别感知和处理就无法通过传统的方法来解决处理。
基于上述情况，本发明实施例提供了一种干扰处理方法、干扰处理装置和计算机可读存储介质，其中，干扰处理方法包括但不限于如下步骤：获取异构网络系统的当前干扰信息；将当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，策略生成模型由第一LSTM(Long Short Term Memory,长短时记忆网络)网络根据样本干扰信息和与样本干扰信息对应的样本干扰处理策略训练得到；采用目标干扰处理策略对当前干扰信息进行处理。根据本发明实施例的技术方案，本发明实施例还采集了样本干扰信息和样本干扰处理策略，并分析得到融合后的目标干扰处理策略对当前干扰信息进行处理，因此能够提高干扰处理策略的准确性。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，图1是本发明一个实施例提供的用于执行干扰处理方法的系统架构平台100的示意图。
在图1的示例中，该系统架构平台100设置有处理器110和存储器120，其中，处理器110和存储器120可以通过总线或者其他方式连接，图1中以通过总线连接为例。
存储器120作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器120可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器120可选包括相对于处理器110远程设置的存储器120，这些远程存储器可以通过网络连接至该系统架构平台。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解的是，该系统架构平台可以应用于3G通信网络系统、LTE通信网络系统、5G通信网络系统以及后续演进的移动通信网络系统等，本实施例对此并不作具体限定。
本领域技术人员可以理解的是，图1中示出的系统架构平台并不构成对本发明实施例的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在图1所示的系统架构平台中，处理器110可以调用储存在存储器120中的干扰处理程序，从而执行干扰处理方法。
基于上述系统架构平台，下面提出本发明的干扰处理方法的各个实施例。
如图2所示，图2是本发明一个实施例提供的干扰处理方法的流程图，该方法包括但不限于有步骤S100、步骤S200和步骤S300。
步骤S100、获取异构网络系统的当前干扰信息；
步骤S200、将当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，策略生成模型由第一LSTM网络根据样本干扰信息和与样本干扰信息对应的样本干扰处理策略训练得到；
步骤S300、采用目标干扰处理策略对当前干扰信息进行处理。
根据本发明实施例的技术方案，本发明实施例采集了样本干扰信息和样本干扰处理策略，并分析得到融合后的目标干扰处理策略对当前干扰信息进行处理，因此能够提高干扰处理策略的准确性。
可以理解的是，关于上述的LSTM网络，是一种时间循环神经网络，是为了解决一般的RNN存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。
需要说明的是，关于上述的样本干扰信息和样本干扰处理策略，可以是指外场网络中出现过的干扰信息以及与该干扰信息相对应使用过的干扰处理策略。
需要说明的是，关于上述的当前干扰信息和样本干扰信息，包括但不限于上行底噪、N I值、波束方向、用户行为信息、空间位置信息。
另外，需要说明的是，关于上述的样本干扰处理策略和目标干扰处理策略，包括但不限于干扰迁移策略、功率控制策略、频率控制策略。
如图3所示，图3是本发明一个实施例提供的修正第二LSTM网络的流程图，第二LSTM网络的修正步骤包括但不限于步骤S410、步骤S420和步骤S430。
步骤S410、将当前干扰信息输入至第二LSTM网络，得到异构网络系统在当前时刻的系统干扰特征感知信息；
步骤S420、获取历史干扰信息，并将历史干扰信息输入至第二LSTM网络，得到异构网络系统在当前时刻的系统干扰特征预测信息；
步骤S430、采用系统干扰特征感知信息和系统干扰特征预测信息修正第二LSTM网络的权重，得到修正后的第二LSTM网络。
根据本发明实施例的技术方案，由于异构网络系统中的干扰是动态随机且时刻存在的，其中无线网络中的干扰既与网络本身有关，也与干扰管理行为有关系，因此无线通信网络中前后时刻的干扰是有一定关联的，即后一状态的发生与前面的状态是有很大关联的，对此，本发明实施例采用了基于RNN(Recurrent Neural Network，深度学习递归神经网络)算法的LSTM网络，通过反馈神经的连接可以实现不断学习前后位置特征，且拥有一定的存储记忆功能，从而可以很好的对干扰进行学习认识，而且可以通过对前一段时间状态的迭代分析对后面时刻的干扰状态进行估计和预测；其次，本发明实施例还利用真实的干扰特征感知信息和预测的干扰特征预测信息之间的差异，来修正第二LSTM网络的权重，从而能够提高干扰感知的准确性。
需要说明的是，关于上述的历史干扰信息，包括但不限于上行底噪、NI值、波束方向、用户行为信息、空间位置信息。
另外，关于上述步骤S100中的当前干扰信息的获取方式，可以包括但不限于图4和图5两种获取方式。
如图4所示，图4是本发明一个实施例提供的异构网络系统的当前干扰信息的获取方式的流程图，关于上述步骤S100，包括但不限于步骤S510。
步骤S510、获取异构网络系统中各个小区在预设时长内的当前干扰信息。
具体地，本发明实施例中的异构网络系统包括多个小区，因此，需要采集各个小区的当前干扰信息。
另外，可以理解的是，关于上述的预设时长，可以是认为设定的时长。
如图5所示，图5是本发明另一个实施例提供的异构网络系统的当前干扰信息的获取方式的流程图，关于上述步骤S100，包括但不限于步骤S520。
步骤S520、获取异构网络系统中各个小区在同一子帧内的当前干扰信息。
具体地，本发明实施例中的异构网络系统包括多个小区，因此，需要采集各个小区的当前干扰信息。
另外，可以理解的是，除了图4中所提及的采集各个小区在预设时长内的当前干扰信息，还可以是采集各个小区在同一子帧内的当前干扰信息。
如图6所示，图6是本发明一个实施例提供的干扰处理方法中对当前干扰信息进行数据清洗的流程图，在上述步骤S410之前，本发明实施例的干扰处理方法还包括但不限于步骤S610。
步骤S610、对当前干扰信息进行数据清洗，去除当前干扰信息中的空值和异常值，以得到清洗后的当前干扰信息。
具体地，由于所获取的当前干扰信息会可能存在空值和异常值，会对后续的迭代训练造成影响，因此，本发明实施例还会对当前干扰信息进行数据清洗，从当前干扰信息中去除空值和异常值，从而得到需要的当前干扰信息。
如图7所示，图7是本发明一个实施例提供的干扰处理方法中对历史干扰信息进行数据清洗的流程图，在上述步骤S420中的将历史干扰信息输入至第二LSTM网络之前，本发明实施例的干扰处理方法还包括但不限于步骤S620。
步骤S620、对历史干扰信息进行数据清洗，去除历史干扰信息中的空值和异常值，以得到清洗后的历史干扰信息。
具体地，由于所获取的历史干扰信息会可能存在空值和异常值，会对后续的迭代训练造成影响，因此，本发明实施例还会对历史干扰信息进行数据清洗，从历史干扰信息中去除空值和异常值，从而得到需要的历史干扰信息。
如图8所示，图8是本发明一个实施例提供的将当前干扰信息输入至第二LSTM网络以得到系统干扰特征感知信息的流程图，关于上述步骤S410，包括但不限于步骤S710和步骤S720。
步骤S710、对于每个小区，采用第二LSTM网络对小区的当前干扰信息进行特征提取，得到小区在当前时刻的小区干扰特征感知信息，其中，小区干扰特征感知信息包括当前干扰信息在各个通信状态维度的权重；
步骤S720、对所有小区的小区干扰特征感知信息进行合并，得到异构网络系统在当前时刻的系统干扰特征感知信息。
具体地，对于每个小区均对应有一个第二LSTM网络，采用小区对应的第二LSTM网络对小区的当前干扰信息进行信息的映射即特征的提取，即根据当前时刻的干扰信息得到干扰信息在各个通信状态维度上的一个模型权重。当通信状态维度为多个维度，则可以将模型权重为分为N个范围，即权重是一个N维向量，则通过该步骤可以得到用于描述各个小区干扰特征的特征矩阵，即本发明实施例所提到的小区干扰特征感知信息。
当得到各个小区的小区干扰特征感知信息之后，本发明实施例会利用第二LSTM网络完成所有小区的小区干扰特征感知信息的合并，从而得到整个异构网络系统的系统干扰特征感知信息，从而实现对干扰的实时感知。
另外，需要说明的是，关于上述的通信状态维度，包括但不限于功率维度、频率维度、时间维度、空间方向维度、用户行为维度中的一个或多个。
如图9所示，图9是本发明一个实施例提供的将历史干扰信息输入至第二LSTM网络以得到系统干扰特征预测信息的流程图，关于上述步骤S420中的将历史干扰信息输入至第二LSTM网络，得到异构网络系统在当前时刻的系统干扰特征预测信息，包括但不限于步骤S810和步骤S820。
步骤S810、对于每个小区，采用第二LSTM网络对小区的历史干扰信息进行特征提取，得到小区在当前时刻的小区干扰特征预测信息，其中，小区干扰特征预测信息包括历史干扰信息在各个通信状态维度的权重；
步骤S820、对所有小区的小区干扰特征预测信息进行合并，得到异构网络系统在当前时刻的系统干扰特征预测信息。
具体地，对于每个小区均对应有一个第二LSTM网络，采用小区对应的第二LSTM网络对小区的历史干扰信息进行信息的映射即特征的提取，即根据历史时刻的干扰信息得到干扰信息在各个通信状态维度上的一个模型权重。当通信状态维度为多个维度，则可以将模型权重为分为N个范围，即权重是一个N维向量，则通过该步骤可以得到用于描述各个小区干扰特征的特征矩阵，即本发明实施例所提到的小区干扰特征预测信息。
当得到各个小区的小区干扰特征预测信息之后，本发明实施例会利用第二LSTM网络完成所有小区的小区干扰特征预测信息的合并，从而得到整个异构网络系统的系统干扰特征预测信息，从而实现对干扰的实时感知。
另外，需要说明的是，关于上述的通信状态维度，包括但不限于功率维度、频率维度、时间维度、空间方向维度、用户行为维度中的一个或多个。
如图10所示，图10是本发明一个实施例提供的利用系统干扰特征感知信息和系统干扰特征预测信息对第二LSTM网络进行修正的流程图，关于上述步骤S430中采用系统干扰特征感知信息和系统干扰特征预测信息修正第二LSTM网络的权重，包括但不限于步骤S910和步骤S920。
步骤S910、采用系统干扰特征感知信息和系统干扰特征预测信息对所第二述LSTM网络进行迭代训练；
步骤S920、根据系统干扰特征感知信息和系统干扰特征预测信息之间的差异修正第二LSTM网络的权重。
具体地，本发明实施例会将整个异构网络系统的系统干扰特征感知信息和系统干扰特征预测信息的迭代结果反馈到各小区的第二LSTM网络中做迭代训练，通过对前期大量干扰样本的迭代训练即可不断修正第二LSTM网络的权重，从而实现对干扰的准确估计和准确预测。
需要说明的是，所获得的系统干扰特征感知信息是对干扰的实时感知，是真实感知信息，而所获得的系统干扰特征预测信息是根据历史干扰信息所推算出来的对当前干扰的估计和预测，是估算预测信息。对此，本发明实施例会利用真实的系统干扰特征感知信息和预测的系统干扰特征预测信息之间的差异，来修正第二LSTM网络的权重，从而能够提高干扰感知的准确性。
如图11所示，图11是本发明一个实施例提供的策略生成模型的训练过程的流程图，关于上述步骤S200中的策略生成模型由第一LSTM网络根据样本干扰信息和与样本干扰信息对应的样本干扰处理策略训练得到，包括但不限于步骤S1010和步骤S1020。
步骤S1010、获取样本干扰信息和与样本干扰信息对应的样本干扰处理策略；
步骤S1020、采用样本干扰信息和样本干扰处理策略对第一LSTM网络进行迭代训练，并将经过迭代训练后的第一LSTM网络作为策略生成模型。
如图12所示，图12是本发明一个实施例提供的对样本干扰信息和样本干扰处理策略进行分类的具体流程图，关于上述步骤S1020之前，本发明实施例的干扰处理方法包括但不限于步骤S1110、步骤S1120、步骤S1130和步骤S1140。
步骤S1110、从多个样本干扰信息中获取部分干扰信息，以及从多个样本干扰处理策略中获取与部分干扰信息对应的部分干扰处理策略；
步骤S1120、根据干扰特征维度将部分干扰信息和部分干扰处理策略进行分类，得到分类后的训练样本；
步骤S1130、将训练样本输入至分类器，以得到训练后的分类器；
步骤S1140、采用训练后的分类器对未分类的样本干扰信息和样本干扰处理策略进行分类。
具体地，由于样本干扰信息和样本干扰处理策略的数量较多，如果人工对样本逐个进行标注分类是不现实的，因此，本发明实施例提出了可以采用分类器的方法进行标注分类。首先从样本干扰信息中获取少量的部分干扰信息和对应的部分干扰处理策略，利用人工识别的方式按照干扰特征的不同维度进行标记从而分成几个类别，并将这些分类完成的部分干扰信息和对应的部分干扰处理策略作为训练样本并利用SVM(Support VectorMachine，支持向量机)分类器算法训练分类器，最后就能够采用训练后的分类器对未分类的样本干扰信息和样本干扰处理策略进行标注分类。
需要说明的是，本发明实施例采集了样本干扰信息和样本干扰处理策略，来分析得到融合后的目标干扰处理策略来对当前干扰信息进行处理，目标干扰处理策略是经过样本干扰信息和样本干扰处理策略分析后得到的融合的干扰处理策略，因此，该目标干扰处理策略的准确性更高。
基于上述图2至图12的方法步骤，本发明一个实施例提供了用于实现干扰感知和预测的系统流程图，如图13所示，具体包括如下步骤流程：
第一步，采集异构网络系统中各个小区的干扰信息，包括但不限于一定时间内或者一个子帧内的上行底噪、NI值、波束方向、用户行为、空间位置等。若干扰信息有M个描述维度，则可得到一个M维向量：M＝[X1,X2,X3…Xm]，其中Xm对应上行底噪、NI值等描述信息，其中，干扰信息包括当前干扰信息和历史干扰信息。
第二步，对采集到的各个小区的干扰信息进行数据清洗，去除空值和异常值等，得到需要的干扰信息样本，即去除M中的无效值和异常值。
第三步，将上述所得到的每个小区的干扰信息样本分别利用第二LSTM网络进行迭代训练完成信息的映射即特征的提取。即利用前面时刻的干扰的特征信息，根据当前时刻的干扰信息得到干扰模型在各个描述维度上的一个模型权值Nm。若将模型权值分为N个范围，即权值是一个N维向量，则通过此步骤可以得到分别描述各个小区干扰特征的Mi*Ni的特征矩阵，即上述所提及的小区干扰特征预测信息。
第四步，根据每个蜂窝信道中干扰状态特征Mi*Ni利用第二LSTM网络完成所有小区干扰状态特征的合并，从而建立了整个异构网络系统的一个干扰模型M*N，即上述所提及的异构网络系统的系统干扰特征感知信息，并将整个网络的干扰模型的迭代结果反馈到各小区第二LSTM网络中做迭代训练。
第五步，动态重复上述四个步骤即可实现对干扰的实时感知，即干扰感知结果，也即上述所提及的异构网络系统的系统干扰特征感知信息；并且通过对前期大量干扰样本的迭代训练即可实现对干扰的估计和预测M’*N’，即干扰预测结果，也即上述所提及的异构网络系统的系统干扰特征预测信息。利用M’*N’和M*N之间的差异，修正第二LSTM网络模型权重，提高干扰感知的准确性。
根据上面得到的干扰感知结果，本发明实施例就可以利用干扰处理策略对干扰进行处理，目前已经有很多的干扰处理策略得到了实际应用，如基于干扰利用的网络编码、干扰迁移等，也有基于干扰抑制的干扰随机、干扰对齐、干扰协调等等方法。但是随着组网复杂带来的干扰的复杂度提高，再通过人工来判断使用哪种干扰处理策略来处理网络干扰，就会使得干扰不能被全面有效的处理。
基于上述情况，本发明实施例基于目前已有的干扰处理策略，建立干扰处理策略库，采用机器学习算法基于干扰感知结果产生一个融合的干扰处理策略对干扰进行有效的管理。然后再对执行了干扰处理策略的异构网络系统进行干扰识别，如此循环作用对异构网络系统中的干扰进行实时处理。具体地，用于处理当前干扰信息的干扰处理策略生成流程可以参考图14所示，具体包括如下步骤流程：
收集干扰信息及其干扰处理策略；具体地，收集外场网络中出现过的干扰信息及与其相对应使用过的干扰处理策略，即上述所提及的样本干扰信息和与样本干扰信息对应的样本干扰处理策略。
人工方式生成训练样本，并训练分类器；具体地，对不同类型的干扰信息及其对应的干扰处理策略进行标注；由于外场样本数量较多，如果人工对样本挨个进行标注是不现实的，因此本发明实施例采用分类器的方法进行标注分类，具体如下：首先通过对收集到的干扰信息及其干扰处理策略中的少量干扰信息及其干扰处理策略利用人工识别的方式按照干扰特征的不同的维度进行标记从而分成几个类别；对于上一步初始标记的几个类别，每一个类别就是一个子样本的集合，里面又包含了若干个无标记的样本，根据干扰的严重程度将子样本集合中的样本类别按照一个门限进行标记，门限之上记为正样本，门限之下记为负样本，采用这些标记好的样本作为训练样本利用SVM分类器算法训练分类器，其中，一个子样本就是一个分类器。
采用分类器对所有样本进行标注分类；具体地，对收集到的外场网络中出现过的干扰信息及干扰处理策略利用上面的分类器进行标记。把不同于当前的训练样本的其它样本进行标示，并且标记为其他。对于这种其它类别的样本在后续的测量样本的测试中如果频繁出现就需要加入一个新的子样本类别标签。
将标注的干扰信息及其对应的干扰处理策略存储在干扰处理策略库中。
干扰感知；具体地，复用其模型结构和权重相同的第二LSTM网络。
对干扰处理策略库中的干扰信息及其对应的干扰处理策略一同进行迭代训练，生成融合的干扰处理策略，即上述所提及的目标干扰处理策略。具体地，根据干扰感知的异构网络的干扰模型，复用其模型结构和权重相同的第二LSTM网络对干扰处理策略库中的干扰信息及其对应的干扰处理策略一同进行迭代训练，得到和干扰感知结果M*N近似的一个干扰模型M”*N”，与此同时，利用LSTM网络的迭代训练，也得到了一个和此M”*N”对应的干扰处理策略的模型矩阵X*N”，X就是对应于M”的干扰处理策略，即融合后的目标干扰处理策略。
将所得到的融合的干扰处理策略应用到异构网络系统中对干扰信息进行处理。当在对干扰信息进行处理之后，还会再循环识别新的干扰模型和分析得到新的融合的干扰处理策略，不断循环地对干扰信息进行处理。
基于上述图2至图14的方法步骤，本发明一个实施例提供了异构网络系统中具体的干扰示意图，如图15所示，其中，1#、2#、4#和5#为微基站，3#为宏基站，对于图12中的干扰信息，具体的处理方法如下：
首先，通过后台工具和网管工具采集网络中1#至5#基站下各个小区中的干扰信号，包括但不限于一定时间内或同一个帧的时长内的各个小区的上行底噪、NI值、用户行为、空间位置等，即得到M＝[X1,X2,X3......Xm]，Xm就是NI等干扰描述维度。
然后，对采集到的各小区的干扰信息进行数据清洗，如去除空值、异常值等，得到需要的干扰信息样本。
接着，对每个小区中的干扰分别利用LSTM网络提取其特征完成信息映射。即对每个小区中的干扰在功率大小、频率、时间、空间方向、用户行为等维度进行一个模型权重的计算识别，也即识别干扰在各个维度上的一个模型权重Nm，即得到Mi*Ni的多个矩阵。
接着，对各小区中识别到的干扰特征Mi*Ni利用LSTM网络再进行一个小区级合并得到描述整个网络的干扰的特征矩阵M*N，这样就可以在整个异构网络系统的层面刻画整个网络的干扰特征。
接着，将干扰感知结果传递到干扰管理融合策略生成模块，融合策略生成模块根据干扰感知结果，且复用与干扰感知模块相等模型权值的LSTM网络对干扰管理方法库进行迭代自学习，生成融合的干扰管理策略。
示例性地，对于图15中的干扰网络，通过对干扰在频率、功率、空间、时间的识别，就可以识别到此网络中的干扰的空间信息是左侧是重干扰区，右侧是轻干扰区；且左侧同时存在严重的层内同频干扰、层间功率干扰，根据上述干扰信息的特征权值，利用机器学习的方法就可以根据已有的管理方法生成一个对应的干扰迁移和功率控制、频率协调相结合的融合干扰处理策略。而对于通常使用的扫频的干扰识别方式，就只能识别到干扰在频率和功率上的特征，只能用单一的功率控制的方法。
接着，系统自动将上述干扰迁移、功控、频率协调相互融合的干扰处理策略通过网管网优后台发起命令下发到基站进行相应调整，如图15，后台会告知1#至3#基站通过移动热点进行干扰迁移，告知4#和5#基站进行上下行功控调整覆盖范围避免小区边缘重叠干扰，调整1#至2#基站的小区频点避免同频干扰。在后台服务器中保存干扰感知结果和干扰融合策略实施的日志以便需要人工介入时分析使用；然后再通过干扰感知模块识别网络中的干扰特征。
最后，循环重复上述步骤对异构网络系统中的干扰动态的进行干扰识别和干扰处理。
基于上述图2至图14的方法步骤，本发明一个实施例提供了干扰处理装置，该干扰处理装置包括但不限于干扰信息获取单元、目标干扰处理策略生成单元和干扰处理单元。
具体地，干扰信息获取单元用于获取异构网络系统的当前干扰信息；目标干扰处理策略生成单元用于将当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，策略生成模型由第一LSTM网络根据样本干扰信息和与样本干扰信息对应的样本干扰处理策略训练得到；干扰处理单元用于采用目标干扰处理策略对当前干扰信息进行处理。
值得注意的是，本发明实施例的干扰处理装置的具体实施方式和技术效果，可以参照上述实施例的干扰处理方法的具体实施方式和技术效果。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，当计算机可执行指令用于执行上述的干扰处理方法，例如，执行以上描述的图2至图14中的方法步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (15)
1.一种干扰处理方法，包括：
获取异构网络系统的当前干扰信息；
将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；
采用所述目标干扰处理策略对所述当前干扰信息进行处理。
2.根据权利要求1所述的方法，其特征在于，所述第一LSTM网络的权重由所述第一LSTM网络通过复用修正后的第二LSTM网络得到，其中，所述第二LSTM网络的修正步骤如下：
将所述当前干扰信息输入至所述第二LSTM网络，得到所述异构网络系统在当前时刻的系统干扰特征感知信息；
获取历史干扰信息，并将所述历史干扰信息输入至所述第二LSTM网络，得到所述异构网络系统在所述当前时刻的系统干扰特征预测信息；
采用所述系统干扰特征感知信息和所述系统干扰特征预测信息修正所述第二LSTM网络的权重，得到所述修正后的第二LSTM网络。
3.根据权利要求1所述的方法，其特征在于，所述获取异构网络系统的当前干扰信息，包括如下之一：
获取异构网络系统中各个小区在预设时长内的当前干扰信息；
获取异构网络系统中各个小区在同一子帧内的当前干扰信息。
4.根据权利要求2所述的方法，其特征在于，在所述将所述当前干扰信息输入至所述第二LSTM网络之前，所述方法还包括：对所述当前干扰信息进行数据清洗，去除所述当前干扰信息中的空值和异常值，以得到清洗后的当前干扰信息；
在所述将所述历史干扰信息输入至所述第二LSTM网络之前，所述方法还包括：对所述历史干扰信息进行数据清洗，去除所述历史干扰信息中的空值和异常值，以得到清洗后的历史干扰信息。
5.根据权利要求2所述的方法，其特征在于，所述异构网络系统包括多个小区，所述将所述当前干扰信息输入至所述第二LSTM网络，得到所述异构网络系统在当前时刻的系统干扰特征感知信息，包括：
对于每个所述小区，采用所述第二LSTM网络对所述小区的所述当前干扰信息进行特征提取，得到所述小区在所述当前时刻的小区干扰特征感知信息，其中，所述小区干扰特征感知信息包括所述当前干扰信息在各个通信状态维度的权重；
对所有所述小区的所述小区干扰特征感知信息进行合并，得到所述异构网络系统在所述当前时刻的系统干扰特征感知信息。
6.根据权利要求2所述的方法，其特征在于，所述异构网络系统包括多个小区，所述将所述历史干扰信息输入至所述第二LSTM网络，得到所述异构网络系统在所述当前时刻的系统干扰特征预测信息，包括：
对于每个所述小区，采用所述第二LSTM网络对所述小区的所述历史干扰信息进行特征提取，得到所述小区在所述当前时刻的小区干扰特征预测信息，其中，所述小区干扰特征预测信息包括所述历史干扰信息在各个通信状态维度的权重；
对所有所述小区的所述小区干扰特征预测信息进行合并，得到所述异构网络系统在所述当前时刻的系统干扰特征预测信息。
7.根据权利要求2所述的方法，其特征在于，所述采用所述系统干扰特征感知信息和所述系统干扰特征预测信息修正所述第二LSTM网络的权重，包括：
采用所述系统干扰特征感知信息和所述系统干扰特征预测信息对所第二述LSTM网络进行迭代训练；
根据所述系统干扰特征感知信息和所述系统干扰特征预测信息之间的差异修正所述第二LSTM网络的权重。
8.根据权利要求1所述的方法，其特征在于，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到，包括：
获取样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略；
采用所述样本干扰信息和所述样本干扰处理策略对所述第一LSTM网络进行迭代训练，并将经过迭代训练后的所述第一LSTM网络作为所述策略生成模型。
9.根据权利要求8所述的方法，其特征在于，在所述采用所述样本干扰信息和所述样本干扰处理策略对所述第一LSTM网络进行迭代训练之前，所述方法还包括：
从多个所述样本干扰信息中获取部分干扰信息，以及从多个所述样本干扰处理策略中获取与所述部分干扰信息对应的部分干扰处理策略；
根据干扰特征维度将所述部分干扰信息和所述部分干扰处理策略进行分类，得到分类后的训练样本；
将所述训练样本输入至分类器，以得到训练后的分类器；
采用所述训练后的分类器对未分类的样本干扰信息和样本干扰处理策略进行分类。
10.根据权利要求5或6所述的方法，其特征在于，所述通信状态维度包括如下至少之一：功率维度、频率维度、时间维度、空间方向维度、用户行为维度。
11.根据权利要求1至9中任意一项所述的方法，其特征在于，所述当前干扰信息和所述样本干扰信息包括如下至少之一：上行底噪、NI值、波束方向、用户行为信息、空间位置信息。
12.根据权利要求2、4和6中任意一项所述的方法，其特征在于，所述历史干扰信息包括如下至少之一：上行底噪、NI值、波束方向、用户行为信息、空间位置信息。
13.根据权利要求1至9中任意一项所述的方法，其特征在于，所述样本干扰处理策略和所述目标干扰处理策略包括如下至少之一：干扰迁移策略、功率控制策略、频率控制策略。
14.一种干扰处理装置，包括：
干扰信息获取单元，用于获取异构网络系统的当前干扰信息；
目标干扰处理策略生成单元，用于将所述当前干扰信息输入至策略生成模型，得到目标干扰处理策略，其中，所述策略生成模型由第一LSTM网络根据样本干扰信息和与所述样本干扰信息对应的样本干扰处理策略训练得到；
干扰处理单元，用于采用所述目标干扰处理策略对所述当前干扰信息进行处理。
15.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至13中任意一项所述的干扰处理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683948.1A CN115580371A (zh) | 2021-06-21 | 2021-06-21 | 干扰处理方法、装置和计算机可读存储介质 |
| PCT/CN2021/135860 WO2022267360A1 (zh) | 2021-06-21 | 2021-12-06 | 干扰处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683948.1A CN115580371A (zh) | 2021-06-21 | 2021-06-21 | 干扰处理方法、装置和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115580371A true CN115580371A (zh) | 2023-01-06 |
Family
ID=84544051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110683948.1A Pending CN115580371A (zh) | 2021-06-21 | 2021-06-21 | 干扰处理方法、装置和计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115580371A (zh) |
| WO (1) | WO2022267360A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117914378B (zh) * | 2023-12-12 | 2024-06-18 | 深圳市物联微电子有限公司 | 一种5g直放站信号处理方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106941679B (zh) * | 2016-01-04 | 2021-05-11 | 中兴通讯股份有限公司 | 一种基站及其实现信号处理的方法 |
| CN108777872B (zh) * | 2018-05-22 | 2020-01-24 | 中国人民解放军陆军工程大学 | 一种基于深度q神经网络抗干扰模型的智能抗干扰方法及智能抗干扰系统 |
| US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
| CN109828245B (zh) * | 2019-03-21 | 2022-11-11 | 西安电子科技大学 | 雷达干扰策略的确定方法、装置、计算机设备及存储介质 |
-
2021
- 2021-06-21 CN CN202110683948.1A patent/CN115580371A/zh active Pending
- 2021-12-06 WO PCT/CN2021/135860 patent/WO2022267360A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022267360A1 (zh) | 2022-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kulkarni et al. | Deepchannel: Wireless channel quality prediction using deep learning | |
| CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
| CN109104731B (zh) | 小区场景类别划分模型的构建方法、装置和计算机设备 | |
| CN109302719B (zh) | 一种lte小区容量预测分析方法及装置 | |
| EP3972339A1 (en) | Handover success rate prediction and management using machine learning for 5g networks | |
| EP3803694B1 (en) | Methods, apparatus and computer-readable mediums relating to detection of cell conditions in a wireless cellular network | |
| CN108934016B (zh) | 小区场景类别的划分方法、装置、计算机设备和存储介质 | |
| CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
| CN111385128B (zh) | 突发负荷的预测方法及装置、存储介质、电子装置 | |
| CN115470905B (zh) | 一种大数据分析处理方法及系统 | |
| US11716240B2 (en) | Method, device and computer program product for anomaly detection | |
| CN110796366A (zh) | 质差小区识别方法和装置 | |
| CN115580371A (zh) | 干扰处理方法、装置和计算机可读存储介质 | |
| US20220167183A1 (en) | Detecting interference in a wireless network | |
| CN112396070A (zh) | 一种模型训练方法、装置和系统，以及预测方法和装置 | |
| CN115909224A (zh) | 轨迹检测方法及轨迹检测系统 | |
| Chiu et al. | Big data analytics for 4.9 G and 5G mobile network optimization | |
| Slimen et al. | Anomaly prevision in radio access networks using functional data analysis | |
| Pérez-Romero et al. | On learning and exploiting time domain traffic patterns in cellular radio access networks | |
| Santos et al. | An unsupervised learning approach for performance and configuration optimization of 4G networks | |
| EP3997901B1 (en) | Life cycle management | |
| KR102491217B1 (ko) | 인공지능 기반 도메인 적응 주차관제시스템의 차량 인식 최적화 장치 및 그 장치의 구동방법 | |
| KR20200086464A (ko) | 무선 통신 시스템에서 셀 용량의 포화도를 예측하는 방법 및 장치 | |
| CN112423327A (zh) | 一种容量预测方法及设备、存储介质 | |
| CN112511521B (zh) | 基于ddpg算法的ip地址黑灰名单分析方法及服务器 |
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 |