CN116074876A - 一种基于小波变换的通讯基站异常检测方法 - Google Patents
一种基于小波变换的通讯基站异常检测方法 Download PDFInfo
- Publication number
- CN116074876A CN116074876A CN202310207118.0A CN202310207118A CN116074876A CN 116074876 A CN116074876 A CN 116074876A CN 202310207118 A CN202310207118 A CN 202310207118A CN 116074876 A CN116074876 A CN 116074876A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- sequence
- base station
- wavelet
- average
- 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.)
- Granted
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000004891 communication Methods 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 abstract description 10
- 238000012549 training Methods 0.000 abstract description 3
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于小波变换的通讯基站异常检测方法，所述方法包括：获取需要进行异常值检测的三种基站KPI性能指标：平均用户数、小区PDCP流量、平均激活用户数；将获取的平均用户数、小区PDCP流量、平均激活用户数通过3‑σ准则筛选异常值；然后将新的序列通过小波变换和模极大值法筛选出异常点；最后通过1维滑窗卷积分离出异常孤立点和异常周期。该方法可以普遍应用于适合各地区通讯基站，相对于传统的异常检测方法，该方法不需要历史数据作为参考，并且能高效地找出一定日期内的异常孤立点和异常周期，并且成本低廉，不需要相应的历史数据进行训练。
Description
技术领域
本发明属于基站智能运维异常检测领域，尤其涉及一种基于小波变换的通讯基站异常检测方法。
背景技术
智能运维是保证互联网服务的用户体验、性能、稳定和安全的重要技术体系，万物智联的基础在于移动通讯基站的广泛铺建，而基站的运维是对网络，服务器，服务的生命周期各个阶段的运营与维护，亟待解决的问题就是对基站KPI指标进行异常检测。KPI异常检测是互联网服务智能运维的基础，当 KPI 呈现出异常(如突增、突降、抖动)时，往往意味着与其相关的应用发生了一些潜在的故障，大多数智能运维的关键技术都依赖于KPI异常检测的结果，其对快速故障发现和修复具有重要意义。
目前针对基站KPI异常检测的方法主要有两种，一种基于机器学习聚类算法的监督异常检测，但是该方法需要得到大量的历史数据，然而现实中很难获得如此庞大的数据量，并且该方法将占用大量的硬件资源，在嵌入式设备上无法满足实时的要求。还有一种是基于深度学习分类的有监督异常检测，该方法需要提前对数据划分好正常数据与异常数据，此方法需要很大的工作量，成本较高。
发明内容
发明目的：本发明的目的在于提供一种基于小波变换的基站异常检测方法，可以普遍应用于各种运营商通讯基站的智能运维过程中，相对于传统的异常检测方法，该方法不需要历史数据作为参考，并且能高效地找出周期内的异常点和异常周期，并且成本低廉，不需要相应的正常数据进行训练。
技术方案：本发明的基于小波变换的通讯基站异常检测方法，基于目标通讯基站的时间周期核心指标，通过执行以下步骤，实现对目标通讯基站周期内的异常孤立点和异常周期的检测；
步骤1：提取各个目标通讯基站所分别覆盖目标区域内的周期核心指标，得到初始样本；
步骤2：对初始样本进行统计学异常值筛选，得到筛选后的序列；
步骤3：对筛选后的序列进行小波变换处理，得到更为平滑的序列；
步骤4：对小波变换后的序列计算平均值和相邻元素之间差的绝对值，比较平均值和绝对值之间的误差来确定序列中所有的异常值；
步骤5：通过设定时间周期长度来确定时间周期窗口函数，对小波变换后的序列进行一维卷积，从异常值中筛选出异常孤立点和异常周期。
进一步的，所述周期核心指标包括平均用户数、平均激活用户数和PDCP流量。
进一步的，步骤2具体包括：选择3-σ准则对初始样本中含有粗大误差值的坏值进行剔除，3-σ准则分析判断粗大误差的基本准则是标定99.7%的置信概率，以三倍测量列的标准偏差限为依据，超过此限定的误差即判定为粗大误差数值；
首先计算出等精度测量列 的平均值，其中：
；
然后由贝塞尔公式可得数据值得偏差σ：
；
最后根据定义，对于等精度测量列，每个数据值的残余误差，若满足，则该数据均需要剔除。
进一步的，步骤3中，选择sym3小波函数进行小波变换，进行变换处理后，将数据的高频和低频依次分离，得到更为平滑的序列；
所述sym3小波变换公式为：
；
其中，是小波系数，是信号或者平方可积函数，是伸缩尺度，是平移参数，是小波基函数，表示采样间隔，表示采样总次数，表示采样次数。
进一步的，步骤4具体包括：对于小波变换后的序列进行平均值计算，计算结果作为阈值，其中，，是序列数据的个数，
；
再计算出序列中相邻元素之间的绝对平均误差：
；
其中，是序列中的元素编号，表示第个元素与+1个元素的差值；
创建序列，其中，对于序列进行判断，当时候，说明该数据为异常值，将序列中的对应位置设置0，非异常情况下设置1，对于的数据，将其设置0。
进一步的，步骤5中，统计步骤4中的序列中0的出现次数为，每单独一组0出现的次数为,每一组0的连续长度为，得到异常值平均持续时间的公式为：
；
将异常值平均持续时间作为1维卷积运算的滑窗长度，并且滑窗数组中的元素全部为1，将滑窗数组与序列进行步长为1的卷积运算，根据卷积运算结果的大小确认该周期是否属于异常周期或者异常孤立点。
有益效果：与现有技术相比，本发明具有如下显著优点：
（1）本发明通过小波变换和改进模极大值法，可以极大地优化原始序列的特征变化和可视化程度，并且通过滑窗卷积可以有效地分离异常周期和异常点。
（2）相对于传统的异常检测方法，该方法不需要历史数据作为参考，并且能高效地找出周期内的异常点和异常周期，并且成本低廉，不需要相应的正常数据进行训练。
附图说明
图1为根据本发明所有实施例提供对原始序列进行异常点和异常周期检测的流程图；
图2为根据本发明所有实施例提供的某小区在29天内三种核心指标样本展示图；
图3为根据本发明实施例1提供的某小区PDCP流量通过3-σ准则异常值筛选的可视化图；
图4为根据本发明实施例1提供的所有小区累积统计PDCP流量5次小波变换可视化图；
图5为根据本发明实施例1提供的某2小区PDCP流量小波变化处理结果对比图；
图6为根据本发明所有实施例提供的对小波变换处理后的数据进行模极大值异常检测的流程图；
图7为根据本发明实施例1提供的某小区在29天内PDCP流量的异常值可视化图；
图8为根据本发明所有实施例提供的小区三种核心KPI指标异常检测汇总图；
图9为根据本发明实施例2提供的某小区平均用户数和平均激活人数通过3-σ准则异常值筛选的可视化图；
图10为根据本发明实施例2提供的某小区在29天内平均用户数和平均激活用户数小波变化处理结果对比图；
图11为根据本发明实施例2提供的某小区在29天内平均用户数和平均激活用户数的异常值可视化图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
所有实例选取了2021年8月28日0时至9月25日23时共29天5个基站覆盖的58个小区的3个核心KPI指标进行分析。其中第一个指标：小区内的平均用户数，表示某基站覆盖的小区一定时间内手机在线的人数；第二个指标：小区PDCP流量，通过小区PDCP层所发送的下行数据的总吞吐数（比特）与PDCP所接受的上行数据总吞吐数之和求得；第三个指标：平均激活用户数，表示某基站所覆盖小区在一定时间内曾经注册过无线网络的人数，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。
实施例1：
本实例选取小区PDCP流量进行分析。图1为本发明的一种对该指标原始序列进行异常孤立点和异常周期检测并分离的流程图；
由图1可以看出一种基于小波变换的通讯基站异常值检测方法，包括以下步骤：
步骤1：收集小区内的小区PDCP流量KPI指标，得到初始样本；
具体到本实例中，步骤1细化为：
选取了2021年8月28日0时至9月25日23时共29天5个基站覆盖的58个小区的PDCP流量样本共40387份，汇总成图2所示；
步骤2：将获取的小区PDCP流量进行3-σ准则异常值筛选；
具体到本实例中，步骤2细化为：
计算出等精度测量列的平均值，再计算出偏差σ，随机选取某一小区的PDCP异常值如图3所示；
可明显观察到初始数据存在较多偏差较大的异常值(粗点标记即为初始数据偏差较大的异常值)，对此需要首先将这些数据进行初步剔除，总共剔除小区PDCP流量异常值1378份；
步骤3：根据步骤2得到的序列进行小波变换处理；
具体到本实例中，步骤3细化为：
选取小区PDCP流量作为小波变换的可视化展示，如图4所示，其中原始数据为折线最外面一层部分，最内层的折线为5次变换后的数据展示，其余颜色为中间4次变换的结果。可以看出第5次小波处理后的数据效果最好，呈现出一定规律性；
在此基础上分别对 58 个小区的小区PDCP 流量进行小波变换处理。因为篇幅原因，这里展示随机选取的两个小区的处理结果，图5中的(a)和(b)分别表示26019014号小区和26019015号小区在29天内PDCP流量的变化，其中外层为小波变换前的数据内层为小波变换后的数据，从土中可以明显看出经过小波变换处理后，数据的波形更为清晰，为下一步异常数据的检测提供了基础；
步骤4：对于小波变换后该特征序列，使用改进模极大值法来筛选出异常点，具体方法流程如图6所示；
具体到本实例中，步骤4细化为：
对于输入序列进行平均值计算作为阈值，再计算出序列X中相邻元素之间的绝对平均误差；
创建新的序列，对于输入序列进行判断，当时候，说明该数据为异常值，将序列中的对应位置设置0，非异常情况下设置1，对于的数据，将其设置0，通过上述方法得到了小区PDCP流量异常值可视化如图7所示；
步骤5：通过对序列W进行分析，确定好时间周期，通过设置窗口函数，对时间序列进行 1 维卷积运算，筛选出孤立点和异常周期；
具体到本实例中，步骤5细化为：
计算出异常值平均持续时间P作为滑动窗口函数的大小，然后设置窗口函数为元素全为1的一维数组，将窗口函数与序列W进行步长为数组长度的卷积运算。根据卷积运算结果的大小确定该周期是否属于异常周期，最后统计出小区PDCP流量的异常孤立点和异常周期的个数如图8所示；
实施例2：本实例选取小区平均用户数、平均激活用户数进行分析。图1为本发明的一种对该两种指标原始序列进行异常孤立点和异常周期检测并分离的流程图；
由图1可以看出一种基于小波变换的通讯基站异常值检测方法，包括以下步骤：
步骤1：收集小区平均用户数、平均激活用户数KPI指标，得到初始样本举例如图2所示；
步骤2：将获取的小区平均用户数、平均激活用户数进行3-σ准则异常值筛选，随机选取某一小区的平均用户数、平均激活用户数的异常值分布分别如图9中的(a)和(b)所示；
可明显观察到两种初始数据存在较多偏差较大的异常值(粗点标记即为初始数据偏差较大的异常值)，对此需要首先将这些数据进行初步剔除，总共剔除小区平均用户数异常值1098份，小区平均激活用户数异常值1466份；
步骤3：根据步骤2得到的序列进行小波变换处理；分别对 58 个小区的平均用户数、平均激活用户数进行小波变换处理。因为篇幅原因，这里展示随机选取的某个小区的处理结果，图10中的(a)和 (b)分别表示26019001号小区在29天内平均用户数和平均激活用户数的变化，其中外层折线为小波变换前的数据，内层折线为小波变换后的数据，从土中可以明显看出经过小波变换处理后，数据的波形更为清晰，为下一步异常数据的检测提供了基础；
步骤4：对于小波变换后该特征序列，使用改进模极大值法来筛选出异常点，通过上述方法得到了小区平均用户数、平均激活用户数异常值可视化分别如图11中的(a)和(b)所示，最后统计出小区平均用户数、平均激活用户数的异常孤立点和异常周期的个数如图8所示；
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于小波变换的通讯基站异常检测方法，其特征在于，基于目标通讯基站的时间周期核心指标，通过执行以下步骤，实现对目标通讯基站周期内的异常孤立点和异常周期的检测；
步骤1：提取各个目标通讯基站所分别覆盖目标区域内的周期核心指标，得到初始样本；
步骤2：对初始样本进行统计学异常值筛选，得到筛选后的序列；
步骤3：对筛选后的序列进行小波变换处理，得到小波变换后的序列；
步骤4：对小波变换后的序列计算平均值和相邻元素之间差的绝对值，比较平均值和绝对值之间的误差来确定序列中所有的异常值；
步骤5：通过设定时间周期长度来确定时间周期窗口函数，对小波变换后的序列进行一维卷积，从异常值中筛选出异常孤立点和异常周期。
2.根据权利要求1所述一种基于小波变换的通讯基站异常检测方法，其特征在于，步骤1中，所述周期核心指标包括平均用户数、平均激活用户数和PDCP流量。
3.根据权利要求1所述一种基于小波变换的通讯基站异常检测方法，其特征在于，步骤2具体包括：选择3-σ准则对初始样本中含有粗大误差值的坏值进行剔除，3-σ准则分析判断粗大误差的基本准则是标定99.7%的置信概率，以三倍测量列的标准偏差限为依据，超过此限定的误差即判定为粗大误差数值；
首先计算出等精度测量列 的平均值，其中：
；
然后由贝塞尔公式可得数据值得偏差σ：
；
最后根据定义，对于等精度测量列，每个数据值的残余误差，若满足，则该数据均需要剔除。
4.根据权利要求1所述一种基于小波变换的通讯基站异常检测方法，其特征在于，步骤3中，选择sym3小波函数进行小波变换，进行变换处理后，将数据的高频和低频依次分离，得到更为平滑的序列；
所述sym3小波变换公式为：
；
其中，是小波系数，是信号或者平方可积函数，是伸缩尺度，是平移参数，是小波基函数，表示采样间隔，表示采样总次数，表示采样次数。
5.根据权利要求1所述一种基于小波变换的通讯基站异常检测方法，其特征在于，步骤4具体包括：对于小波变换后的序列进行平均值计算，计算结果作为阈值，其中，，是序列数据的个数，
；
再计算出序列中相邻元素之间的绝对平均误差：
；
其中，是序列中的元素编号，表示第个元素与+1个元素的差值；
创建序列，其中，对于序列进行判断，当时候，说明该数据为异常值，将序列中的对应位置设置0，非异常情况下设置1，对于的数据，将其设置0。
6.根据权利要求5所述一种基于小波变换的通讯基站异常检测方法，其特征在于，步骤5中，统计步骤4中的序列中0的出现次数为，每单独一组0出现的次数为,每一组0的连续长度为，得到异常值平均持续时间的公式为：
；
将异常值平均持续时间作为1维卷积运算的滑窗长度，并且滑窗数组中的元素全部为1，将滑窗数组与序列进行步长为1的卷积运算，根据卷积运算结果的大小确认该周期是否属于异常周期或者异常孤立点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207118.0A CN116074876B (zh) | 2023-03-07 | 2023-03-07 | 一种基于小波变换的通讯基站异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207118.0A CN116074876B (zh) | 2023-03-07 | 2023-03-07 | 一种基于小波变换的通讯基站异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116074876A true CN116074876A (zh) | 2023-05-05 |
| CN116074876B CN116074876B (zh) | 2023-06-20 |
Family
ID=86175042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207118.0A Active CN116074876B (zh) | 2023-03-07 | 2023-03-07 | 一种基于小波变换的通讯基站异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116074876B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110690995A (zh) * | 2019-09-29 | 2020-01-14 | 南京大学 | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 |
| WO2021139253A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 获取kpi异常数据样本的方法、装置和计算机设备 |
| CN114048771A (zh) * | 2021-11-09 | 2022-02-15 | 西安电子科技大学 | 基于自适应门限平稳小波变换的时序数据异常值处理方法 |
| WO2023016380A1 (zh) * | 2021-08-11 | 2023-02-16 | 中兴通讯股份有限公司 | 小区网络异常检测方法、装置及计算机可读存储介质 |
-
2023
- 2023-03-07 CN CN202310207118.0A patent/CN116074876B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110690995A (zh) * | 2019-09-29 | 2020-01-14 | 南京大学 | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 |
| WO2021139253A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 获取kpi异常数据样本的方法、装置和计算机设备 |
| WO2023016380A1 (zh) * | 2021-08-11 | 2023-02-16 | 中兴通讯股份有限公司 | 小区网络异常检测方法、装置及计算机可读存储介质 |
| CN114048771A (zh) * | 2021-11-09 | 2022-02-15 | 西安电子科技大学 | 基于自适应门限平稳小波变换的时序数据异常值处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHEN DU，ET AL.: "Network Traffic Anomaly Detection Based on Wavelet Analysis", IEEE XPLORE * |
| 蔡少峰: "基于小波变换模极大值 识别OCTEM 异常边界", 铁道科学与工程学报 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116074876B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111885059B (zh) | 一种工业网络流量异常检测定位的方法 | |
| JP2008545343A (ja) | 全ネットワークアノマリー診断用の方法及び装置並びにトラフィック特徴分布を使用してネットワークアノマリーを検出及び分類する方法 | |
| CN109936857B (zh) | 一种无线感知度智能识别方法 | |
| CN109871975B (zh) | 基于数据挖掘的故障抢修处理时长预测方法 | |
| CN109784668B (zh) | 一种用于电力监控系统异常行为检测的样本特征降维处理方法 | |
| CN108616900B (zh) | 一种室内外测量报告的区分方法及网络设备 | |
| CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
| CN107071788B (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
| CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
| CN108268901B (zh) | 一种基于动态时间弯曲距离发现环境监测异常数据的方法 | |
| CN113645182B (zh) | 一种基于二次特征筛选的拒绝服务攻击随机森林检测方法 | |
| CN109359234B (zh) | 一种多维度网络安全事件分级装置 | |
| CN111191710A (zh) | 一种基于大数据的异常航班识别方法 | |
| CN116226103A (zh) | 一种基于FPGrowth算法进行政务数据质量检测的方法 | |
| CN116308963A (zh) | 一种政务数据分析方法及系统 | |
| CN109951499B (zh) | 一种基于网络结构特征的异常检测方法 | |
| CN110765329A (zh) | 一种数据的聚类方法和电子设备 | |
| CN116074876B (zh) | 一种基于小波变换的通讯基站异常检测方法 | |
| CN111612054B (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
| CN115510945B (zh) | 基于主成分和Logistic分析地质灾害概率预报方法 | |
| CN116708220A (zh) | 一种基于网络流量的智能业务类型感知方法 | |
| CN116522111A (zh) | 远程停复电故障自动诊断方法 | |
| CN110784887B (zh) | 网格化无线电信号监测系统中异常信号源数量的检测方法 | |
| CN111385116B (zh) | 一种高干扰小区的多维关联特征分析方法和装置 | |
| CN112256982B (zh) | 基于稀疏采样时空数据的目标同行关系分析方法及电子装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240407 Address after: Building 1, Juhuiyuan, No. 108 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province, 210042 Patentee after: Nanjing Wanxin Donglian Intelligent Technology Co.,Ltd. Country or region after: China Address before: 210023 9 Wen Yuan Road, Qixia District, Nanjing, Jiangsu. Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TR01 | Transfer of patent right |