CN117176270B - 一种带信号监测功能的室分天线及其监测方法 - Google Patents

Abstract

本申请涉及智能监测技术领域，其具体地公开了一种带信号监测功能的室分天线，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

Description

一种带信号监测功能的室分天线及其监测方法

技术领域

本申请涉及智能监测技术领域，且更为具体地，涉及一种带信号监测功能的室分天线。

背景技术

在移动通信领域，室内移动信号强度主要靠外部大型基站信号的折射影响，特别是在互联网快速发展的今天，移动终端设备对移动信号强度的需求更加强烈，随时随地能够享受到快速的移动数据服务，是移动用户的基本需求，在某些领域，移动数据服务已经取代了宽带互联网服务的地位。

在移动通信系统中，室内分布天线系统对于保证信号覆盖和传输质量具有关键作用。在大型建筑物、商场等室内空间中，针对信号干扰、信号覆盖不足等问题，通常利用室内分布式天线系统来提高信号强度、解决通信问题。但是由于室内分布系统的复杂结构，使室分天线的故障判断变得困难。

因此，期待一种带信号监测功能的室分天线，能够对天线故障进行判断。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种带信号监测功能的室分天线，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

相应地，根据本申请的一个方面，提供了一种带信号监测功能的室分天线，其包括：

监测模块，用于获取物联网模组采集的预定时间段的监测信号；

时频图转化模块，用于计算所述监测信号的时域增强图、S IFT变换时频图和S变换时频图；

通道聚合模块，用于将所述时域增强图、所述S IFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；

时频特征提取模块，用于将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

时频特征增强模块，用于将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

优化模块，用于对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

监测结果生成模块，用于将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

在上述带信号监测功能的室分天线中，所述时频图转化模块，用于：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。

在上述带信号监测功能的室分天线中，所述时频图转化模块，用于：以如下变换公式将所述监测信号进行S变换以得到所述S变换时频图；

其中，所述变换公式为：

其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述监测信号，f表示频率，t表示时间。

在上述带信号监测功能的室分天线中，所述时频特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述监测信号时频特征图，所述卷积神经网络模型的第一层的输入为所述多通道时频图。

在上述带信号监测功能的室分天线中，所述时频特征增强模块，包括：空间注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元，用于将所述融合注意力图输入Si gmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元，用于计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；残差融合单元，用于融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图。

在上述带信号监测功能的室分天线中，所述空间注意力单元，包括：空间感知子单元，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述监测信号时频特征图进行卷积编码以得到初始卷积特征图；概率化子单元，用于将所述初始卷积特征图通过Softmax函数以得到空间注意力得分图；空间注意力施加子单元，用于将所述空间注意力得分图与所述监测信号时频特征图进行按位置点乘以得到所述空间注意力图。

在上述带信号监测功能的室分天线中，所述通道注意力单元，包括：通道维度池化子单元，用于对所述监测信号时频特征图进行沿通道维度的全局均值池化以得到通道特征向量；非线性激活子单元，用于将所述通道特征向量通过Softmax激活函数以得到通道权重特征向量；通道注意力施加子单元，用于以所述通道权重特征向量中各个位置的特征值作为权重对所述监测信号时频特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力图。

在上述带信号监测功能的室分天线中，所述优化模块，包括：特征展平化单元，用于将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；特征域密度值计算单元，用于针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；映射单元，用于将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Sigmoid激活函数以得到特征域密度映射特征向量；优化单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

根据本申请的另一个方面，提供了一种带信号监测功能的室分天线的监测方法，其包括：

获取物联网模组采集的预定时间段的监测信号；

计算所述监测信号的时域增强图、S IFT变换时频图和S变换时频图；

将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；

将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

在上述带信号监测功能的室分天线的监测方法中，计算所述监测信号的时域增强图，包括：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。

与现有技术相比，本申请提供的带信号监测功能的室分天线，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的带信号监测功能的室分天线的框图。

图2为根据本申请实施例的带信号监测功能的室分天线的架构示意图。

图3为根据本申请实施例的带信号监测功能的室分天线中时频特征增强模块的框图。

图4为根据本申请实施例的带信号监测功能的室分天线中空间注意力单元的框图。

图5为根据本申请实施例的带信号监测功能的室分天线中通道注意力单元的框图。

图6为根据本申请实施例的带信号监测功能的室分天线的监测方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上所述，在大型建筑物、商场等室内空间中，针对信号干扰、信号覆盖不足等问题，通常利用室内分布式天线系统来提高信号强度、解决通信问题。但是由于室内分布系统的复杂结构，使室分天线的故障判断变得困难。因此，期待一种带信号监测功能的室分天线，能够对天线故障进行判断，并且能够独立监测、独立系统回传，与原室分系统完全隔离，互不影响。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为室分天线的故障检测提供了新的解决思路和方案。

相应地，在室分天线正常工作时，其室分信号存在固定的模式特征，而当所述室分天线发生故障时，室分信号特征模式也会发生改变，因此，可以通过对室分信号的分析来进行室分天线的故障判断。基于此，在本申请的技术方案中，通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

具体地，在本申请的技术方案中，首先，通过物联网模组采集监测信号。然后，为了提取监测信号在时域和频域上的特征，进一步计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图。这里，时域增强图是通过对监测信号在时域上进行处理得到的图像表示，能够突出信号的时域特征，例如振幅变化、时序关系等。SIFT(Scale-InvariantFeature Transform)变换是一种常用的图像特征提取方法，可以在不同尺度和旋转下提取出稳定的特征点，其通过对于小段信号采取傅里叶变换，能够捕捉到信号在时频域上的局部特征。而S变换是一种时频分析方法，能够将信号在时域和频域上的特征进行图像表示，从而提供信号在不同频率上的能量分布情况，反映信号的频域特征，进而帮助判断天线故障。

接着，将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合，以融合不同特征图的信息，提供更全面、更丰富的特征表示，从而得到多通道时频图。应可以理解，通过综合利用所述时域增强图、所述SIFT变换时频图和所述S变换时频图的特征信息，可以从不同的角度和特征层面对监测信号进行分析和处理，提取出与天线故障相关的特征信息，以提高后续故障判断的准确性和效果。

进一步地，将所述多通道时频图通过作为特征提取器的卷积神经网络模型，以从所述多通道时频图中提取更具有判别性的特征表示，从而得到监测信号时频特征图。应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种强大的深度学习模型，擅长从图像数据中提取特征。通过将所述多通道时频图输入到卷积神经网络模型中，可以利用卷积层、池化层等操作对特征图进行卷积和下采样，以将原始的多通道时频信息转化为更紧凑、更具有表达能力的特征表示。并且卷积神经网络模型具有自动学习特征的能力，可以通过训练过程自适应地学习到最优的特征表示，从而更好地区分不同的天线故障情况，有助于降低后续故障判断任务的复杂度，并提高故障判断的准确性和效率。

接着，将所述监测信号时频特征图通过残差双注意力机制模型进一步提升特征的表达能力和区分度，以得到增强监测信号时频特征图。残差双注意力机制模型是一种注意力机制的扩展模型，通过引入残差连接和注意力机制，可以增强特征的重要性和上下文信息的利用。通过使用注意力机制，模型可以自动学习到特征图中的重要信息，将更多的注意力集中在对故障判断有贡献的特征上，以增强重要特征的表达能力并过滤无关干扰信息。并且通过残差连接能够保留原始特征的信息中可能包含的关键特征和细微的差异，避免信息的丢失，有助于提高故障判断的准确性和鲁棒性。

特别地，考虑到所述增强监测信号时频特征图通常具有高维度，其中每个特征矩阵代表一个特征。通过进行低维密度域映射，可以将高维特征空间映射到低维空间，从而降低数据的维数。这有助于减少存储和计算成本，并简化后续的数据处理和分析。同时，低维密度域映射可以帮助实现特征的聚类效果。通过将特征映射到低维密度域中，相似的特征将在低维空间中更加接近，从而增强了类内一致性。这有助于提高分类算法的性能和准确性。并且，低维密度域映射可以保持数据的分布结构。通过计算各个分类局部特征向量的特征域密度值，并基于全局分类局部特征之间的特征分布特性构造特征域密度映射，可以保留数据的全局结构和特征之间的关系。这有助于避免数据的分布结构被破坏，同时减少信息丢失。低维密度域映射可以减少数据中的噪声影响。在高维特征空间中，噪声可能会对特征表示造成干扰和影响。通过将特征映射到低维密度域中，可以过滤掉一部分噪声，提高特征的质量和可靠性。

具体地，对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图，包括：将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Si gmoid激活函数以得到特征域密度映射特征向量；将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

在本申请的技术方案中，所述增强监测信号时频特征图为沿通道维度的各个特征矩阵的特征集合，为了提高所述增强监测信号时频特征图的各个分类局部特征间的类内一致性和强化各个分类局部特征之间的类间异质性，在本申请的技术方案中，通过计算所述各个分类局部特征向量的特征域密度值来基于所述增强监测信号时频特征图的全局分类局部特征之间的特征分布特性来构造低维的特征单应映射域(即，所述特征域密度映射特征向量)，进而，将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图，也就是，将所述增强监测信号时频特征图的各个分类局部特征从高维的特征空间映射到低维的密度域以实现数据降维和聚类，这样，可以保证数据的分布结构不被破坏，同时也可以减少数据的维数和噪声。

最后，将所述优化增强监测信号时频特征图通过分类器以判断该天线是否存在故障。应可以理解，分类器是一种机器学习模型，能够学习从输入数据中提取的特征与不同类别之间的关系，并进行分类预测。在本申请的技术方案中，分类器能够根据所述优化增强监测信号时频特征图的特征表示，将其划分为正常天线和存在故障的天线两个类别。这样，可以为维护人员提供准确的故障信息，以便及时采取相应的措施来修复或更换故障天线。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1为根据本申请实施例的带信号监测功能的室分天线的框图。如图1所示，根据本申请实施例的带信号监测功能的室分天线100，包括：监测模块110，用于获取物联网模组采集的预定时间段的监测信号；时频图转化模块120，用于计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图；通道聚合模块130，用于将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；时频特征提取模块140，用于将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；时频特征增强模块150，用于将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；优化模块160，用于对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；监测结果生成模块170，用于将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

图2为根据本申请实施例的带信号监测功能的室分天线的架构示意图。如图2所示，首先，获取物联网模组采集的预定时间段的监测信号。然后，计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图。接着，将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图。其次，将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图。继而，将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图。接着，对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图。最后将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

在上述带信号监测功能的室分天线100中，所述监测模块110，用于获取物联网模组采集的预定时间段的监测信号。如上述背景技术所言，在大型建筑物、商场等室内空间中，针对信号干扰、信号覆盖不足等问题，通常利用室内分布式天线系统来提高信号强度、解决通信问题。但是由于室内分布系统的复杂结构，使室分天线的故障判断变得困难。因此，期望能够对天线故障进行快速判断，并且能够独立监测、独立系统回传，与原室分系统完全隔离，互不影响。

相应地，在室分天线正常工作时，其室分信号存在固定的模式特征，而当所述室分天线发生故障时，室分信号特征模式也会发生改变，因此，可以通过对室分信号的分析来进行室分天线的故障判断。基于此，在本申请的技术方案中，首先，通过物联网模组采集监测信号。

在上述带信号监测功能的室分天线100中，所述时频图转化模块120，用于计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图。为了提取监测信号在时域和频域上的特征，进一步计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图。这里，时域增强图是通过对监测信号在时域上进行处理得到的图像表示，能够突出信号的时域特征，例如振幅变化、时序关系等。SIFT(Scale-Invariant Feature Transform)变换是一种常用的图像特征提取方法，可以在不同尺度和旋转下提取出稳定的特征点，其通过对于小段信号采取傅里叶变换，能够捕捉到信号在时频域上的局部特征。而S变换是一种时频分析方法，能够将信号在时域和频域上的特征进行图像表示，从而提供信号在不同频率上的能量分布情况，反映信号的频域特征，进而帮助判断天线故障。

相应地，在一个具体示例中，所述时频图转化模块120，用于：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。

相应地，在一个具体示例中，所述时频图转化模块120，用于：以如下变换公式将所述监测信号进行S变换以得到所述S变换时频图；

其中，所述变换公式为：

其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述监测信号，f表示频率，t表示时间。

在上述带信号监测功能的室分天线100中，所述通道聚合模块130，用于将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图。应可以理解，通过将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合，能够综合利用三者的特征信息，从不同的角度和特征层面对监测信号进行分析和处理，以提取出与天线故障相关的特征信息，提高后续故障判断的准确性和效果。

在上述带信号监测功能的室分天线100中，所述时频特征提取模块140，用于将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图。应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种强大的深度学习模型，擅长从图像数据中提取特征。通过将所述多通道时频图输入到卷积神经网络模型中，可以利用卷积层、池化层等操作对特征图进行卷积和下采样，以将原始的多通道时频信息转化为更紧凑、更具有表达能力的特征表示。并且卷积神经网络模型具有自动学习特征的能力，可以通过训练过程自适应地学习到最优的特征表示，从而更好地区分不同的天线故障情况，有助于降低后续故障判断任务的复杂度，并提高故障判断的准确性和效率。

相应地，在一个具体示例中，所述时频特征提取模块140，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述监测信号时频特征图，所述卷积神经网络模型的第一层的输入为所述多通道时频图。

在上述带信号监测功能的室分天线100中，所述时频特征增强模块150，用于将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图。应可以理解，残差双注意力机制模型是一种注意力机制的扩展模型，通过引入残差连接和注意力机制，可以增强特征的重要性和上下文信息的利用。通过使用注意力机制，模型可以自动学习到特征图中的重要信息，将更多的注意力集中在对故障判断有贡献的特征上，以增强重要特征的表达能力并过滤无关干扰信息。并且通过残差连接能够保留原始特征的信息中可能包含的关键特征和细微的差异，避免信息的丢失，有助于提高故障判断的准确性和鲁棒性。

图3为根据本申请实施例的带信号监测功能的室分天线中时频特征增强模块的框图。如图3所示，所述时频特征增强模块150，包括：空间注意力单元151，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元152，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元153，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元154，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元155，用于计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；残差融合单元156，用于融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图。

图4为根据本申请实施例的带信号监测功能的室分天线中空间注意力单元的框图。如图4所示，所述空间注意力单元151，包括：空间感知子单元1511，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述监测信号时频特征图进行卷积编码以得到初始卷积特征图；概率化子单元1512，用于将所述初始卷积特征图通过Softmax函数以得到空间注意力得分图；空间注意力施加子单元1513，用于将所述空间注意力得分图与所述监测信号时频特征图进行按位置点乘以得到所述空间注意力图。

图5为根据本申请实施例的带信号监测功能的室分天线中通道注意力单元的框图。如图5所示，所述通道注意力单元152，包括：通道维度池化子单元1521，用于对所述监测信号时频特征图进行沿通道维度的全局均值池化以得到通道特征向量；非线性激活子单元1522，用于将所述通道特征向量通过Softmax激活函数以得到通道权重特征向量；通道注意力施加子单元1523，用于以所述通道权重特征向量中各个位置的特征值作为权重对所述监测信号时频特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力图。

在上述带信号监测功能的室分天线100中，所述优化模块160，用于对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图。特别地，考虑到所述增强监测信号时频特征图通常具有高维度，其中每个特征矩阵代表一个特征。通过进行低维密度域映射，可以将高维特征空间映射到低维空间，从而降低数据的维数。这有助于减少存储和计算成本，并简化后续的数据处理和分析。同时，低维密度域映射可以帮助实现特征的聚类效果。通过将特征映射到低维密度域中，相似的特征将在低维空间中更加接近，从而增强了类内一致性。这有助于提高分类算法的性能和准确性。并且，低维密度域映射可以保持数据的分布结构。通过计算各个分类局部特征向量的特征域密度值，并基于全局分类局部特征之间的特征分布特性构造特征域密度映射，可以保留数据的全局结构和特征之间的关系。这有助于避免数据的分布结构被破坏，同时减少信息丢失。低维密度域映射可以减少数据中的噪声影响。在高维特征空间中，噪声可能会对特征表示造成干扰和影响。通过将特征映射到低维密度域中，可以过滤掉一部分噪声，提高特征的质量和可靠性。

具体地，所述优化模块160，包括：特征展平化单元，用于将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；特征域密度值计算单元，用于针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；映射单元，用于将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Sigmo id激活函数以得到特征域密度映射特征向量；优化单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

在本申请的技术方案中，所述增强监测信号时频特征图为沿通道维度的各个特征矩阵的特征集合，为了提高所述增强监测信号时频特征图的各个分类局部特征间的类内一致性和强化各个分类局部特征之间的类间异质性，在本申请的技术方案中，通过计算所述各个分类局部特征向量的特征域密度值来基于所述增强监测信号时频特征图的全局分类局部特征之间的特征分布特性来构造低维的特征单应映射域(即，所述特征域密度映射特征向量)，进而，将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图，也就是，将所述增强监测信号时频特征图的各个分类局部特征从高维的特征空间映射到低维的密度域以实现数据降维和聚类，这样，可以保证数据的分布结构不被破坏，同时也可以减少数据的维数和噪声。

在上述带信号监测功能的室分天线100中，所述监测结果生成模块170，用于将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。应可以理解，分类器是一种机器学习模型，能够学习从输入数据中提取的特征与不同类别之间的关系，并进行分类预测。在本申请的技术方案中，分类器能够根据所述优化增强监测信号时频特征图的特征表示，将其划分为正常天线和存在故障的天线两个类别。这样，可以为维护人员提供准确的故障信息，以便及时采取相应的措施来修复或更换故障天线。

综上，根据本申请实施例的带信号监测功能的室分天线被阐明，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

示例性方法

图6为根据本申请实施例的带信号监测功能的室分天线的监测方法的流程图。如图6所示，根据本申请实施例的带信号监测功能的室分天线的监测方法，包括步骤：S110，获取物联网模组采集的预定时间段的监测信号；S120，计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图；S130，将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；S140，将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；S150，将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；S160，对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；S170，将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，所述步骤S120，计算所述监测信号的时域增强图，包括：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，所述步骤S120，计算所述监测信号的S变换时频图，包括：以如下变换公式将所述监测信号进行S变换以得到所述S变换时频图；

其中，所述变换公式为：

/>

其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述监测信号，f表示频率，t表示时间。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，所述步骤S140，将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述监测信号时频特征图，所述卷积神经网络模型的第一层的输入为所述多通道时频图。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，所述步骤S150，将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图，包括：将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；融合所述空间注意力图和所述通道注意力图以得到融合注意力图；将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图，包括：使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述监测信号时频特征图进行卷积编码以得到初始卷积特征图；将所述初始卷积特征图通过Softmax函数以得到空间注意力得分图；将所述空间注意力得分图与所述监测信号时频特征图进行按位置点乘以得到所述空间注意力图。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图，包括：对所述监测信号时频特征图进行沿通道维度的全局均值池化以得到通道特征向量；将所述通道特征向量通过Softmax激活函数以得到通道权重特征向量；以所述通道权重特征向量中各个位置的特征值作为权重对所述监测信号时频特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力图。

在一个具体示例中，在上述带信号监测功能的室分天线的监测方法中，所述步骤S160，对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图，包括：将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Sigmoid激活函数以得到特征域密度映射特征向量；将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

这里，本领域技术人员可以理解，上述带信号监测功能的室分天线的监测方法中的各个步骤的具体操作已经在上面参考图1到图5的带信号监测功能的室分天线的描述中得到了详细介绍，并因此，将省略其重复描述。

在本申请的另一个实施例中，还提供有一种室分天线终端监测器，所述室分天线终端监测器能够区分不同信道频段，通过配置需要测试的频段进行频段扫描，获取监测信号，进行大数据分析，判断天线是否出现异常。具体功能包括：1、基于专用的定制化电磁场强度分布检测芯片，精准检测特定频段的天线信号强度，实时监测室分天线，实现故障主动上报；2、配合管理平台的“故障监控机制”实现自动故障告警,远程复检确认,故障锁定生成工单，并且在故障锁定后,依然具备一定的故障自恢复功能；3、配合运维客户端,实现现场运维人员的便捷安装、工单管理等操作。现场安装自动支持室分信号已开通和室分信号未开通两种场景,并在室分信号开通后,无需现场维护即可自动上线；4、监测系统具备“休眠工作模式”、“正常工作模式”、“待命工作模式”、“故障复查工作模式”等多种工作模式，适配室分天线应用的多样化场景，在确保监控性能和效果的前提下，最大限度的节约室分天线监测器的用电量；5、正常检测:间隔一个检测周期(默认为1天,可通过平台批量配置检测周期),室分天线监测器从休眠状态唤醒进行信号检测,检测成功后,上报室分天线的检测信息给管理平台。

除此之外，还包括所述室分天线终端监测器的维护安全，其中，对于监测器硬件维护安全，包括：对于使用硬件USB口、串口进行设备的调试和维护，固件和文件系统均有特殊的加密格式,并且需要制定的解锁工具才能获取和更新固件；以及，日志串口需要特殊的解锁工具才能获取AP及CP的日志。而在补丁维护安全方面，设备具备通过补丁或软件升级消除软件安全漏洞的能力，补丁仅支持差分方式升级,制作时必需要完整固件。设备处在任何网络联通的环境下，可通过心跳及时检测是否有升级包，并及时响应在线升级请求，保证边端设备始终处于最新的系统状态。

Claims (8)

1.一种带信号监测功能的室分天线，其特征在于，包括：

监测模块，用于获取物联网模组采集的预定时间段的监测信号；

时频图转化模块，用于计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图；

通道聚合模块，用于将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；

时频特征提取模块，用于将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

时频特征增强模块，用于将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

优化模块，用于对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

监测结果生成模块，用于将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障；

其中，所述时频特征增强模块，包括：

空间注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；

通道注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；

注意力融合单元，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；

激活单元，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；

注意力施加单元，用于计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；

残差融合单元，用于融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图；

其中，所述优化模块，包括：

特征展平化单元，用于将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；

特征域密度值计算单元，用于针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数；

映射单元，用于将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Sigmoid激活函数以得到特征域密度映射特征向量；

优化单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

2.根据权利要求1所述的带信号监测功能的室分天线，其特征在于，所述时频图转化模块，用于：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。

3.根据权利要求2所述的带信号监测功能的室分天线，其特征在于，所述时频图转化模块，用于：以如下变换公式将所述监测信号进行S变换以得到所述S变换时频图；

其中，所述变换公式为：

其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述监测信号，f表示频率，t表示时间。

4.根据权利要求3所述的带信号监测功能的室分天线，其特征在于，所述时频特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述卷积神经网络模型的最后一层的输出为所述监测信号时频特征图，所述卷积神经网络模型的第一层的输入为所述多通道时频图。

5.根据权利要求4所述的带信号监测功能的室分天线，其特征在于，所述空间注意力单元，包括：

空间感知子单元，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述监测信号时频特征图进行卷积编码以得到初始卷积特征图；

概率化子单元，用于将所述初始卷积特征图通过Softmax函数以得到空间注意力得分图；

空间注意力施加子单元，用于将所述空间注意力得分图与所述监测信号时频特征图进行按位置点乘以得到所述空间注意力图。

6.根据权利要求5所述的带信号监测功能的室分天线，其特征在于，所述通道注意力单元，包括：

通道维度池化子单元，用于对所述监测信号时频特征图进行沿通道维度的全局均值池化以得到通道特征向量；

非线性激活子单元，用于将所述通道特征向量通过Softmax激活函数以得到通道权重特征向量；

通道注意力施加子单元，用于以所述通道权重特征向量中各个位置的特征值作为权重对所述监测信号时频特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力图。

7.一种带信号监测功能的室分天线的监测方法，其特征在于，包括：

获取物联网模组采集的预定时间段的监测信号；

计算所述监测信号的时域增强图、SIFT变换时频图和S变换时频图；

将所述时域增强图、所述SIFT变换时频图和所述S变换时频图沿通道维度进行聚合以得到多通道时频图；

将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障；

其中，将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图，包括：

将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；

将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；

融合所述空间注意力图和所述通道注意力图以得到融合注意力图；

将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；

计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；

融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图；

其中，对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图，包括：

将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；

针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数；

将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过Sigmoid激活函数以得到特征域密度映射特征向量；

将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

8.根据权利要求7所述的带信号监测功能的室分天线的监测方法，其特征在于，计算所述监测信号的时域增强图，包括：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

signalImage＝f(Signal,mapH,mapW)

其中，Signal为原始一维信号，即所述监测信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度，signalImage为所述时域增强图。