WO2024022042A1 - 干扰检测方法、装置、电子设备和存储介质 - Google Patents
干扰检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- WO2024022042A1 WO2024022042A1 PCT/CN2023/105549 CN2023105549W WO2024022042A1 WO 2024022042 A1 WO2024022042 A1 WO 2024022042A1 CN 2023105549 W CN2023105549 W CN 2023105549W WO 2024022042 A1 WO2024022042 A1 WO 2024022042A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- signal data
- level
- interference
- interference detection
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 227
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000008447 perception Effects 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 108010001267 Protein Subunits Proteins 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 abstract description 7
- 238000004220 aggregation Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 235000019580 granularity Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011946 reduction process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Abstract
本申请实施例提供了一种干扰检测方法、装置、电子设备和计算机可读存储介质，方法包括：按照预设的时间间隔采集资源块的信号数据；根据所述信号数据进行多级检测处理，得到多级干扰检测结果；根据所述多级干扰检测结果得到综合干扰检测结果；其中，所述多级检测处理包括：根据第一信号数据进行感知处理，得到第一感知数据；根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
Description
相关申请的交叉引用
本申请基于申请号为202210906139.7、申请日为2022年7月29日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
本申请涉及通信技术，特别是涉及一种干扰检测方法、装置、电子设备和计算机可读存储介质。
干扰是无线网络面临的重要问题之一，随着各种无线网络的不断建设，各种潜在干扰源正以惊人的速度不断产生，无线网络面临着复杂的干扰环境。非标产品占用其它网络现有频率资源、运营商网络配置不当、发信机自身问题、频谱资源重叠以及特意干扰等，都是无线网络干扰产生的原因。网络运营者希望通过干扰识别，优化网络性能，提高通信质量。如何提高干扰检测的准确度以适应复杂的网络环境是当前亟需解决的技术问题。
发明内容
本申请实施例提供一种干扰检测方法、装置、电子设备和计算机可读存储介质，用于更灵活、更准确地检测无线环境中的干扰类型。
第一方面，本申请实施例提供了一种干扰检测方法，所述方法包括：
按照预设的时间间隔和第一维度采集资源块RB的信号数据；
根据所述信号数据进行多级检测处理，得到多级干扰检测结果；
根据所述多级干扰检测结果得到综合干扰检测结果；
其中，所述多级检测处理包括：
根据第一信号数据进行感知处理，得到第一感知数据，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；
根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；
根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
第二方面，本申请实施例提供了一种干扰检测装置，包括：
数据采集单元，用于按照预设的时间间隔和第一维度采集资源块RB的信号数据；
多级检测单元，用于根据所述信号数据进行多级检测处理，得到多级干扰检测结果；
综合判决单元，用于根据多级干扰检测结果得到综合干扰检测结果；
其中，所述多级检测单元包括N级检测子单元，所述N为大于1的整数，每级检测子单元具体用于：根据第一信号数据进行感知处理，得到第一感知数据，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
第三方面，本申请实施例提供了本申请实施例提供一种电子设备，包括：
处理器和存储器；
所述存储器上存储有程序指令，所述程序指令当被所述处理器执行时使得所述处理器执行如上第一方面描述的方法。
第四方面，本申请的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存储有程序指令，所述程序指令被计算机执行时，实现如上第一方面描述的方法。
第五方面，本申请的实施例提供了一种计算机程序产品，所述计算机程序产品存储有程序指令，所述程序指令在计算机上运行时，使得所述计算机执行如上第一方面描述的方法。
本申请实施例中，首先按照预设的时间间隔和第一维度采集资源块RB的信号数据，然后根据所述信号数据进行多级检测处理，每一级检测处理包括：根据第一信号数据进行感知处理，得到第一感知数据，其中所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到，根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理以得到所述第二信号数据和第二感知数据，根据所述第二信号数据和所述第二感知数据得到干扰检测结果；经过多级检测处理之后，可以得到多级干扰检测结果，最后根据多级干扰检测结果得到综合干扰检测结果。本申请实施例采用多级检测处理架构，实际应用时可以灵活地配置架构规模，由于每一级检测处理使用的数据基于采集的数据或者前一级降采处理的数据，所以每一级检测处理的结果可以体现不同时间粒度的检测结果，提高了干扰测量结果的准确性。
图1是本申请实施例适用的一种通信系统的架构示意图；
图2是本申请实施例提供的一种干扰检测方法的流程示意图；
图3是本申请实施例提供的每一级检测处理的流程示意图；
图4是本申请实施例提供的一种多级干扰检测处理的框架图；
图5是本申请实施例提供的一种感知处理的流程示意图；
图6是本申请实施例提供的一种RSSI门限值获取流程示意图；
图7是本申请实施例提供的一种干扰检测结果获取流程示意图；
图8是本申请实施例提供的一种在信号数据为RSSI的情况下的干扰检测处理流程示意图；
图9是本申请实施例提供的另一种感知处理的流程示意图；
图10是本申请实施例提供的另一种干扰检测结果获取流程示意图；
图11是本申请实施例提供的一种降采处理流程示意图；
图12是本申请实施例提供的一种在信号数据为协方差矩阵的情况下的干扰检测处理流程示意图；
图13是本申请实施例提供的一种干扰检测装置的结构示意图；
图14是本申请实施例提供的一种检测子单元的结构示意图；
图15是是本申请实施例提供的一种电子设备的结构示意图。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
应了解，在本申请实施例的描述中，如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组，包括单项或复数项的任意组。例如，a、b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c，或者，a和b和c，其中a，b，c可以是
单个，也可以是多个。
此外，下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请描述的实施例提供的干扰检测方法可以应用在各种通信系统中，诸如在以下系统的至少一个中：全球移动通信系统(Global System for Mobile Communications，GSM)或任何其它第二代蜂窝通信系统、基于基本的宽带码分多址(Wideband Code Division Multiple Access，W-CDMA)的通用移动电信系统(Universal Mobile Telecommunications System，UMTS)、高速分组接入(High-Speed Packet Access，HSPA)、长期演进(Long Term Evolution，LTE)、高级LTE、基于IEEE802.11规范的系统、基于IEEE 802.15规范的系统和/或第五代(5G)移动或蜂窝通信系统；以及未来的移动通信系统。然而，实施例不限于上述示例给出的系统，而是本领域技术人员可以将解决方案应用于具有必要属性的其它通信系统。
如图1所示，为本申请实施例适用的一种通信系统的架构示意图。图1的通信系统包括多个通信设备，通信设备间可以利用空口资源进行无线通信。其中，通信设备包括至少一个网络设备和至少一个终端设备。通信设备间的无线通信包括：网络设备和终端设备间的无线通信，网络设备和网络设备间的无线通信，或者终端设备和终端设备间的无线通信。
图1示例中的网络设备也可以称为基站，基站可以是长期演进(Long Term Evolution,LTE)，长期演进增强(Long Term Evolutionadvanced，LTEA)中的演进型基站(Evolutional Node B，eNB或eNodeB)、5G网络中的基站设备、或者未来通信系统中的基站等，基站可以包括各种宏基站、微基站、家庭基站、无线拉远、路由器、可重构智能表面(Reconfigurable Intelligent Surfaces，RISs)、无线保真(Wireless Fidelity，WIFI)设备或者主小区(primary cell)和协作小区(secondary cell)等各种网络侧设备，还可以是定位管理功能(location management function，LMF)设备。本申请实施例对此并不限定。
图1示例中的终端设备是一种具有无线收发功能的设备可以部署在陆地上，包括室内或室外、手持、穿戴或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(比如飞机、气球和卫星上等)。所述终端可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality，VR)终端、增强现实(Augmented Reality，AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。本申请的实施例对应用场景不做限定。终端有时也可以称为用户，用户设备(User Equipment，UE)、接入终端、UE单元、UE站、移动站、移动台、远方站、远程终端、移动设备、UE终端、无线通信设备、UE代理或UE装置等。本申请实施例对此并不限定。
本申请实施例的一种可能的应用场景是终端设备向基站发送信号进行上行传输，终端设备发送的信号包括但不限于解调参考信号(Demodulation Reference Signal，DMRS)，信道状态信息参考信号(Channel-State Information reference signal，CSI-RS)，信道状态信息干扰测量信号(Channel-State Information-Interference Measurement，CSI-IM)，探测参考信号(Sounding reference signal,SRS)，定位参考信号(Positioning Reference Signal，PRS)，同步信号块(Synchronization Signals Block，SSB)，物理广播信道(Physical Broadcast Channel，PBCH)。基站可以通过信令提前为终端设备配置需要发送的参考信号，使得基站在接收到终端设备发送的参考信号后，可以计算得到基站与终端设备进行通信时，通信信道上的信号干扰情况，以便利用计算得到的信号干扰情况消除实际传输数据信号时产生的干扰。值得注意的是，本申请实施例也可以是基站向终端设备发送信号进行下行传输场景中，本申请实施例对此不作限制。本申请实施例下面将以终端设备向基站发送信号的上行传输场景为例进行描述。
上文描述的通信系统是为了更加清楚的说明本申请实施例的技术方案，并不构成对本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的通信系统，同样适用。
如图2所示，为本申请实施例提供的一种干扰检测方法的流程示意图，该方法包括以下步骤：
步骤S110，按照预设的时间间隔和第一维度采集资源块的信号数据。
本申请实施例中，按照预设的时间间隔对资源块(Resource Block，下面简称RB)的信号数据进行采集。在一个示例中，设置每相隔K个符号采集一次信号数据，K为大于等于1的整数。这里描述的符号是指一个子帧或帧或时隙中的时间单位，比如可以为一个正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)符号、单载波频分复用多址接入(Single-Carrier Frequency Division Multiple Access，SC-FDMA)符号、正交多址频分复用接入(Orthogonal Frequency Division Multiple Access，OFDMA)符号。在另一个示例中，设置每相隔M个时隙采集一次信号数据，M为大于等于1的整数。这里描述的时隙是可以是时隙slot或子时隙mini slot。一个时隙或者子时隙包括至少一个符号。本申请实施例描述的时间间隔还可以是秒、分钟等时间单位，本申请实施例对此不作具体限定。
本申请实施例描述的第一维度指每次采集得到的RB的信号数据的维度。举例来说，在5GNR上行系统的100MHz带宽下按照预设的时间间隔在符号i上采集273个RB的信号数据，即得到的RB的信号数据的维度为273*1(即第一维度)。
步骤S120，根据所述信号数据进行多级检测处理，得到多级干扰检测结果。
如图3所示，为本申请实施例提供的每一级检测处理的流程示意图，包括以下步骤：
步骤S121,根据第一信号数据进行感知处理，得到第一感知数据，其中，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；
可以理解的是，第一信号数据表征每一级检测处理的输入数据。对于第一级检测处理，输入数据为步骤S110采集的RB的信号数据；对于第二级至最后一级检测处理，输入数据为上一级检测处理得到的第二信号数据进行降采处理后的数据。
可以理解的是，对于每一级检测处理，获取第一信号数据后，对第一信号数据进行感知处理，得到对应的第一感知数据，该第一感知数据的维度和第一信号数据的维度一致，用于反映第一信号数据中的各个RB的干扰程度。
在一些示例中，感知处理包括聚类感知或者神经网络感知等处理方式，具体处理过程将在下文的具体示例中详细描述。
步骤S122,根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据。
其中，数据窗口长度可理解为第二信号数据和第二感知数据对应的时间粒度。例如，设定数据窗口长度为L，具体操作时，对输入的每一个第一信号数据和每一个第一感知数据进行存储维护，直至存储到L个第一信号数据和L个第一感知数据，则将这L个第一信号数据集合形成第二信号数据，以及将这L个第一感知数据集合形成第二感知数据。第二信号数据的维度相比第一信号数据的维度扩展了L倍，第二感知数据的维度相比第一感知数据的维度扩展了L倍。
举例来说，假设某一级检测处理对应的数据窗口长度L等于96(表示96个符号)，对第1符号上的第一信号数据进行感知处理后得到第1符号对应的第一感知数据，依次类推，可以得到第2符号、第3符号、……、第96符号对应的第一信号数据和第一感知数据，对这96个符号对应第一信号数据和第一感知数据进行集合处理，即可得到相应的第二信号数据和第二感知数据。
应了解的是，各级检测处理对应的数据窗口长度不相同，具体应用时可以根据实际需求调整各级检测处理对应的数据窗口长度，从而灵活地调整每一级检测处理的检测结果对应的时间粒度。
步骤S123,根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
对于每一级检测处理，根据第二信号数据和第二感知数据进行干扰检测，输出对应的干扰检测结果。
如图4所示，为本申请实施例提供的一种多级干扰检测处理的框架图。在图4示例中，设置有N级检测处理，每一级干扰检测处理均包括感知处理、数据处理和干扰检测流程。
下面以第x级检测处理为例进行描述。
当x＝1时，输入第x级检测处理的第一信号数据Rx_t为采集得到的RB信号数据，对Rx_t进行感知处理以获得第一感知数据Flagx_t，然后对Rx_t和Flagx_t进行相同长度的数据存储维护，数据窗口长度为L，得到第二信号数据Rx_l和第二感知数据Flagx_l；根据Rx_l和Flagx_l进行干扰检测以获得第x级检测处理的干扰检测结果，将干扰检测结果输出至综合检测模块，以及将Rx_l进行降采处理后输出至第x+1级检测处理。
当x＝2，3，……，N-1时，输入第x级检测处理的第一信号数据Rx_t为第x-1级检测处理得到的Rx-1_l进行降采处理后的数据，对Rx_t进行感知处理以获得第一感知数据Flagx_t，然后对Rx_t和Flagx_t进行相同长度的数据存储维护，数据窗口长度为L，得到第二信号数据Rx_l和第二感知数据Flagx_l；根据Rx_l和Flagx_l进行干扰检测以获得第x级检测处理的干扰检测结果，将干扰检测结果输出至综合检测模块，以及将Rx_l进行降采处理后输出至第x+1级检测处理。
当x＝N时，输入第x级检测处理的第一信号数据为第x-1级检测处理得到的Rx-1_l进行降采处理后的数据，对Rx_t进行感知处理以获得第一感知数据Flagx_t，然后对Rx_t和Flagx_t进行相同长度的数据存储维护，数据窗口长度为L，得到第二信号数据Rx_l和第二感知数据Flagx_l；根据Rx_l和Flagx_l进行干扰检测以获得第x级检测处理的干扰检测结果，将干扰检测结果输出至综合检测模块。
在一些示例中，每一级的干扰检测结果包括干扰类别信息和干扰位置信息，其中，干扰类别信息指示干扰的类别，干扰位置信息指示发生干扰的位置。
本申请实施例的方案中，各级检测处理均联合信号数据和感知数据进行干扰检测，可以使得每一级干扰检测的结果更加准确。最后，各级检测处理得到的干扰检测结果组成本申请实施例描述的多级干扰检测结果。
步骤S130，根据所述多级干扰检测结果得到综合干扰检测结果。
本申请实施例根据各级检测处理得到的干扰检测结果综合判断是否存在干扰，输出综合干扰检测结果。
具体的，对于每一级干扰检测结果，当所述干扰检测结果包括干扰类别信息和干扰位置信息，则确定在所述干扰检测结果对应的时间粒度上存在干扰。
如果所述干扰检测结果中没有明确的干扰类别信息和干扰位置信息，则需要结合在其它的时域规律和频域位置综合判决。
本申请实施例采用多级检测处理架构，实际应用时可以灵活地配置架构规模，由于每一级检测处理使用的数据基于采集的数据或者前一级降采处理的数据，所以每一级检测处理的结果可以体现不同时间粒度的检测结果，提高了干扰测量结果的准确性。
应了解的是，本申请实施例描述的RB的信号数据包括RB的接收信号强度指示(Received Signal Strength Indicator，RSSI)，或者RB的协方差矩阵。当然，还可以其它RB的数据，本申请实施例对此不作赘述。
下面以信号数据为RSSI为例，对本申请实施例的方案作进一步的介绍。
如图5所示，在信号数据为RSSI的情况下，本申请实施例描述的根据第一信号数据进行感知处理，得到第一感知数据，具体包括以下步骤：
步骤S211，将第一感知数据包括的多个RSSI值分别与RSSI门限值进行比较，得到每个RSSI值对应的比较结果指示值。
可以理解的是，第一感知数据包括多个RB对应的RSSI值，将每个RB对应的RSSI值分
别与预设的RSSI门限值进行比较，得到每个RSSI值对应的比较结果指示值。例如，当RSSI值大于RSSI门限值，则将RSSI值对应的比较结果指示值置为1；当RSSI值小于或等于RSSI门限值，则将RSSI值对应的比较结果指示值置为0。
步骤S212，根据每个RSSI值对应的比较结果指示值得到所述第一感知数据。
在一些示例中，可以将所有RSSI值对应的比较结果指示值形成集合，得到相应的第一感知数据。
如图6所示，在执行将第一感知数据包括的多个RSSI值分别与RSSI门限值进行比较之前，还可以包括以下步骤：
步骤S201,根据所述第一维度获取所述RB的历史RSSI值；
步骤S202,根据所述历史RSSI值进行聚类计算，得到所述RSSI门限值。
具体的，可以获取多个历史时刻上采集的RB的RSSI值，每个历史时刻上的RB的RSSI值满足第一维度的要求，例如，在100MHz带宽下，获取历史符号a1、a2、……上采集273个RB的RSSI值，每个历史符号上的RB的RSSI值的维度均为273*1(第一维度)。然后对采集得到的所有历史RSSI值进行聚类计算得到聚类结果，根据聚类结果确定用于判断是否发生干扰的RSSI门限值，以将该RSSI门限值用于步骤S210中。
如图7所示，在信号数据为RSSI的情况下，本申请实施例描述的所述根据所述第二信号数据和所述第二感知数据得到干扰检测结果，具体包括以下步骤：
步骤S221,将所述第二信号数据和所述第二感知数据进行合并，得到第一检测输入数据；
步骤S222,将所述第一检测输入数据输入至训练好的第一干扰检测模型，通过所述第一干扰检测模型输出干扰检测结果。
可以理解的是，这里描述的第二信号数据是多个第一维度的RSSI通过集合处理形成，第二感知数据是多个第一维度的第一感知数据通过集合处理形成，第二信号数据、第二感知数据均是第二维度，该第二维度由数据窗口长度确定且大于第一维度。
在得到第二信号数据、第二感知数据之后，将二者合并，得到第一检测输入数据。通过预先训练好的第一干扰检测模型对该第一检测输入数据进行检测，输出相应的干扰检测结果。
值得注意的是，本申请实施例采用的第一干扰检测模型可以是神经网络，神经网络可以为卷积神经网络、BP神经网络、深度神经网络中的一种或者多种，还可以是其他神经网络，本发明实施例对第一干扰检测模型的类型不作过多限定。
应了解的是，在信号数据为RSSI的情况下，本申请实施例描述的降采处理可以包括：根据所述数据窗口长度对所述第二信号数据进行均值计算，得到所述第一信号数据。
如图8所示，为本申请实施例提供的一种在信号数据为RSSI的情况下的干扰检测处理流程示意图，包括以下步骤：
步骤S301，采集每个符号上273个RB的RSSI值RSSI1-symbol，RSSI1-symbol,的维度是273*1，其中symbol＝0，1，2，...；
步骤S302，将采集得到的RSSI1-symbol与预设的干扰门限Thr进行比较，以判断RSSI1-symbol中273个RB的RSSI值是否大于Thr，如果成立，则将该RB对应的判决结果置1，否则置0，最终可得到该符号上所有RB的判决结果FLAG1-symbol，FLAG1-symbol的维度是273*1；
步骤S303，对RSSI1-symbol和FLAG1-symbol做相同长度的数据存储维护，维护窗长(即数据敞口长度)为14个符号，对应得到RSSIl1和FLAGl1，RSSIl1的维度是273*14，FLAGl1的维度是273*14；
步骤S304，将RSSIl1和FLAGl1合并为DATAl1，DATAl1的维度是546*14；
步骤S305，将DATAl1输入预训练好的第一YOLOv3模型，使得第一YOLOv3模型输出第一级别检测到的干扰类别和干扰位置，将干扰类别和干扰位置作为第一级干扰检测结果；
步骤S306，对步骤S303得到的RSSIl1进行降采处理才能进入下一级检测处理流程，降采
方式选择窗内平均，即RSSIl1经过平均后得到RSSI2-symbol，RSSI2-symbol的维度是273*1；
步骤S307，将RSSI2-symbol与预设的干扰门限Thr进行比较，以判断RSSI2-symbol中273个RB的RSSI值是否大于Thr，如果成立，则将该RB对应的判决结果置1，否则置0，最终可得到该符号上所有RB的判决结果FLAG2-symbol，FLAG2-symbol的维度是273*1；
步骤S308，对RSSI2-symbol和FLAG2-symbol做相同长度的数据存储维护，数据窗口长度为20(可代表1个子帧)，对应得到RSSIl2和FLAGl2，RSSIl2的维度是273*20，FLAGl2的维度是273*20；
步骤S309，将RSSIl2和FLAGl2合并为DATAl2，DATAl2的维度是546*20；
步骤S310，将DATAl2输入预训练好的第二YOLOv3模型，使得第二YOLOv3模型输出第二级别检测到的干扰类别和干扰位置，将干扰类别和干扰位置作为第二级干扰检测结果；
步骤S311，对步骤S308得到的RSSIl2进行降采处理才能进入下一级检测处理流程，降采方式选择窗内平均，即RSSIl2经过平均后得到RSSI3-symbol，RSSI3-symbol的维度是273*1；
步骤S312，将RSSI3-symbol与预设的干扰门限Thr进行比较，以判断RSSI3-symbol中273个RB的RSSI值是否大于Thr，如果成立，则将该RB对应的判决结果置1，否则置0，最终可得到该符号上所有RB的判决结果FLAG3-symbol，FLAG3-symbol的维度是273*1；
步骤S313，对RSSI3-symbol和FLAG3-symbol做相同长度的数据存储维护，数据窗口长度为10(可代表1个无线帧)，对应得到RSSIl3和FLAGl3，RSSIl3的维度是273*10，FLAGl3的维度是273*10；
步骤S314，将RSSIl3和FLAGl3合并为DATAl3，DATAl3的维度是546*10；
步骤S315，将DATAl3输入预训练好的第三YOLOv3模型，使得第三YOLOv3模型输出第三级别检测到的干扰类别和干扰位置，将干扰类别和干扰位置作为第三级干扰检测结果；
步骤S316，根据第一级、第二级、第三级的干扰检测结果进行综合判决，输出综合干扰检测结果。
在图8示例中，各级检测处理分别采用聚类感知的方式获得感知数据，以及采用YOLOv3模型获得干扰检测结果。
下面再以信号数据为协方差矩阵为例，对本申请实施例的方案作进一步的介绍。
应了解的是，RB的协方差矩阵的公式可以通过以下公式表示：
其中，
上述公式中，N表示接收天线数量；表示在第x个RB、第n个接收天线得到的接收信号；n＝0，1，……，N-1；在带宽为100MHZ时，x＝1，2，……，273；角标T表示矩阵转置。
如图9所示，在信号数据为协方差矩阵的情况下，本申请实施例描述的根据第一信号数据进行感知处理，得到第一感知数据，具体包括以下步骤：
步骤S410，将所述第一信号数据输入训练好的信号感知模型，通过所述信号感知模型输出所述第一感知数据。
值得注意的是，本申请实施例采用的信号感知模型可以是神经网络，神经网络可以为卷积神经网络、BP神经网络、深度神经网络中的一种或者多种，还可以是其他神经网络，本发明实施例对信号感知模型的类型不作过多限定。
可以理解的是，所述第一感知数据包括以下信息中的至少一项：是否有能量、水平角度、俯仰角度。
将第一信号数据输入信号感知模型中，使得信号感知模型对RB中是否有能量、信号的水
平角度和信号的俯仰角度进行预测，输出相应的第一感知数据。
如图10所示，在信号数据为协方差矩阵的情况下，本申请实施例描述的所述根据所述第二信号数据和所述第二感知数据得到干扰检测结果，具体包括以下步骤：
步骤S421，从所述第二信号数据包括的协方差矩阵中提取对角线元素，得到第三信号数据；
步骤S422，将所述第三信号数据和所述第二感知数据进行合并，得到第二检测输入数据；
步骤S423，将所述第二检测输入数据输入至训练好的第二干扰检测模型，通过所述第二干扰检测模型输出干扰检测结果。
可以理解的是，这里描述的第二信号数据是多个第一维度的协方差矩阵通过集合处理形成，第二感知数据是多个第一维度的第一感知数据通过集合处理形成，第二信号数据、第二感知数据均是第二维度，该第二维度由数据窗口长度确定且大于第一维度。
本申请实施例先从第二信号数据包括的协方差矩阵中提取对角线元素，将提取的对角线元素形成第三信号数据，而不是将所有协方差矩阵与第二感知数据进行合并，可以减少第二干扰检测模型的输入数据规模，提高处理效率。
值得注意的是，本申请实施例采用的第二干扰检测模型可以是神经网络，神经网络可以为卷积神经网络、BP神经网络、深度神经网络中的一种或者多种，还可以是其他神经网络，本发明实施例对第二干扰检测模型的类型不作过多限定。
如图11所示，在信号数据为协方差矩阵的情况下，所述降采处理包括：
步骤S431,根据所述第二信号数据进行滤波，得到当前滤波结果；
步骤S432,获取上一级滤波结果，根据所述数据窗口长度、当前滤波结果和上一级滤波结果得到所述第一信号数据。
在一些示例中，数据滤波的方式可以是限幅滤波、中间值滤波等方式。
如图12所示，为本申请实施例提供的一种在信号数据为协方差矩阵的情况下的干扰检测处理流程示意图，包括以下步骤。
步骤S501，采集每15分钟间隔上273个RB的协方差矩阵R1-t，R1-t的维度是273*n*n，其中n表示接收天线数；
步骤S502，R1-t输入预训练好的第一多层感知器神经网络(Multi-layer perceptron,MLP)网络，使得第一MLP网络对输入数据进行感知，输出273个RB上的感知结果，该感知结果包括有无能量、水平角度、俯仰角度，记为FLAG1-t，FLAG1-t的维度是273*3；
步骤S503，对R1-t和FLAG1-t进行相同窗口长度的数据存储维护，这里设定数据窗口长度为96(表示96个符号)，对应得到Rl1和FLAGl1，Rl1的维度是273*96*n*n，FLAGl1的维度是273*96*3；
步骤S504，将Rl1中273*n*n取主对角线元素得到R′l1，R′l1的维度是273*96*1，和FLAGl1合并为DATAl1，DATAl1的维度是546*96*4；
步骤S505，将DATAl1输入预训练好的第一卷积神经网络(Convolutional Neural Networks,CNN)模型中，得到第一级别检测的干扰类别和干扰位置；
步骤S506，对步骤S503得到的Rl1进行降采处理才能进入下一级检测处理流程，降采方式选择选择窗内滤波，滤波方式为R2-t＝0.9*R2-t+0.1*R'2-t，其中R2-t表示当前次滤波后结果，R2'-t表示前一次滤波后的结果。最终Rl1经过滤波后得到R2-t，R2-t的维度是273*n*n；
步骤S507，将R2-t输入预训练好的第二MLP网络，使得第二MLP网络对输入数据进行感知，输出273个RB上的感知结果，该感知结果包括有无能量、水平角度、俯仰角度，记为FLAG2-t，FLAG2-t的维度是273*3；
步骤S508，对R2-t和FLAG2-t进行相同窗口长度的数据存储维护，这里设定数据窗口长度
为7(可代表1天)，对应得到Rl2和FLAGl2，Rl2的维度是273*7*n*n，FLAG2-t的维度是273*7*3；
步骤S509，将Rl2中273*n*n取主对角线元素得到R′l2，R′l2的维度是273*7*1，和FLAG2-t合并为DATAl2，DATAl2的维度是546*7*4；
步骤S510，将DATAl2输入预训练好的第二CNN模型中，得到第二级别检测的干扰类别和干扰位置；
步骤S511，对步骤S508得到的Rl2进行降采处理才能进入下一级检测处理流程，降采方式选择选择窗内滤波，滤波方式为R3-t＝0.9*R3-t+0.1*R'3-t，其中R3-t表示当前次滤波后结果，R3'-t表示前一次滤波后的结果，最终Rl2经过滤波后得到R3-t，R3-t的维度是273*n*n；
步骤S512，将R3-t输入预训练好的第三MLP网络，使得第三MLP网络对输入数据进行感知，输出273个RB上的感知结果，该感知结果包括有无能量、水平角度、俯仰角度，记为FLAG3-t，FLAG3-t的维度是273*3；
步骤S513，对R3-t和FLAG3-t进行相同窗口长度的数据存储维护，这里设定数据窗口长度为4(可代表1周)，对应得到Rl3和FLAGl3，Rl3的维度是273*4*n*n，FLAGl3的维度是273*4*3；
步骤S514，将Rl3中273*n*n取主对角线元素得到R′l3，R′l3的维度是273*4*1，和FLAGl3合并为DATAl3，DATAl3的维度是546*4*4；
步骤S515，将DATAl3输入预训练好的第三CNN模型中，得到第三级别检测的干扰类别和干扰位置；
步骤S516，对步骤S513得到的Rl3进行降采处理才能进入下一级检测处理流程，降采方式选择选择窗内滤波，滤波方式为R4-t＝0.9*R4-t+0.1*R'4-t，其中R4-t表示当前次滤波后结果，R4'-t表示前一次滤波后的结果，最终Rl3经过滤波后得到R4-t，R4-t的维度是273*n*n；
步骤S517，将R4-t输入预训练好的第四MLP网络，使得第四MLP网络对输入数据进行感知，输出273个RB上的感知结果，该感知结果包括有无能量、水平角度、俯仰角度，记为FLAG4-t，FLAG4-t的维度是273*3；
步骤S518，对R4-t和FLAG4-t进行相同窗口长度的数据存储维护，这里设定数据窗口长度为12(可代表1月)，对应得到Rl4和FLAGl4，Rl4的维度是273*12*n*n，FLAGl4的维度是273*12*3；
步骤S519，将Rl4中273*n*n取主对角线元素得到R′l4，R′l4的维度是273*12*1，和FLAGl4合并为DATAl4，DATAl4的维度是546*12*4；
步骤S520，将DATAl4输入预训练好的第四CNN模型中，得到第四级别检测的干扰类别和干扰位置；
步骤S521，根据第一级、第二级、第三级、第四级的干扰检测结果进行综合判决，输出综合干扰检测结果。
在图12示例中，各级检测处理分别采用MLP网络感知的方式获得感知数据，以及采用CNN模型获得干扰检测结果。
可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本申请实施例提出了一种新的多级干扰检测方法，主要目的是更灵活、更准确地检测无线环境中的干扰类型，本申请实施例的主要技术特点包括：可以根据实际需求，灵活地配置
检测单元的架构，包括检测规模、模型选择和多种检测方法；对不同维度上的干扰均可检测，支持空域，时域，频域三个维度；通过部署多级时间粒度模型，采用数据结合判决结果的方法，在不同时间粒度上分别对干扰进行检测，并给出各级的检测结果。
如图13所示，本申请实施例还提供了一种干扰检测装置，包括：
数据采集单元，用于按照预设的时间间隔和第一维度采集资源块RB的信号数据；
多级检测单元，用于根据所述信号数据进行多级检测处理，得到多级干扰检测结果；
综合判决单元，用于根据多级干扰检测结果得到综合干扰检测结果；
其中，所述多级检测单元包括N级检测子单元，所述N为大于1的整数。每级检测子单元具体用于：根据第一信号数据进行感知处理，得到第一感知数据，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
如图14所示，为本申请实施例提供的一种检测子单元的结构示意图，每级检测子单元中包括：
感知处理模块，用于根据第一信号数据进行感知处理，得到第一感知数据；
数据处理模块，用于根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；
干扰检测模块，用于根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
如图15所示，本申请实施例还提供了一种电子设备，该电子设备900包括但不限于：
处理器910和存储器920；
存储器920上存储有程序指令，程序指令当被处理器910执行时使得处理器910执行如上任意实施例描述的干扰检测方法。
上述处理器910和存储器920可以通过总线或者其他方式连接。
应能理解的是，该处理器910可以采用中央处理单元(Central Processing Unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门矩阵(Field Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器910采用一个或多个集成电路，用于执行相关程序，以实现本发明实施例所提供的技术方案。
存储器920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，如本发明任意实施例描述的干扰检测方法。处理器910通过运行存储在存储器920中的非暂态软件程序以及指令，从而实现上述的干扰检测方法。
存储器920可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述的干扰检测方法或者频谱感知模型的训练方法。此外，存储器920可以包括高速随机存取存储器，还可以包括非暂态存储器，
比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920可选包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至该处理器910。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。
实现上述的干扰检测方法所需的非暂态软件程序以及指令存储在存储器920中，当被一个或者多个处理器910执行时，执行本发明任意实施例提供的干扰检测方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有程序指令，程序指令被计算机执行时，实现如上任意实施例描述的干扰检测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例提供一种计算机程序产品，计算机程序产品存储有程序指令，程序指令在由计算机执行时，使得计算机实施如上任意实施例描述的干扰检测方法。
以上是对本发明的一些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范围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 (18)
- 一种干扰检测方法，所述方法包括：按照预设的时间间隔和第一维度采集资源块RB的信号数据；根据所述信号数据进行多级检测处理，得到多级干扰检测结果；根据所述多级干扰检测结果得到综合干扰检测结果；其中，所述多级检测处理包括：根据第一信号数据进行感知处理，得到第一感知数据，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
- 根据权利要求1所述的方法，其中，所述信号数据为所述RB的接收信号强度指示RSSI。
- 根据权利要求2所述的方法，其中，所述根据第一信号数据进行感知处理，得到第一感知数据，包括：将第一感知数据包括的多个RSSI值分别与RSSI门限值进行比较，得到每个RSSI值对应的比较结果指示值；根据每个RSSI值对应的比较结果指示值得到所述第一感知数据。
- 根据权利要求3所述的方法，其中，在所述将第一感知数据包括的多个RSSI值分别与RSSI门限值进行比较之前，所述方法还包括：根据所述第一维度获取所述RB的历史RSSI值；根据所述历史RSSI值进行聚类计算，得到所述RSSI门限值。
- 根据权利要求2所述的方法，其中，所述根据所述第二信号数据和所述第二感知数据得到干扰检测结果，包括：将所述第二信号数据和所述第二感知数据进行合并，得到第一检测输入数据；将所述第一检测输入数据输入至训练好的第一干扰检测模型，通过所述第一干扰检测模型输出干扰检测结果。
- 根据权利要求2所述的方法，其中，所述降采处理包括：根据所述数据窗口长度对所述第二信号数据进行均值计算，得到所述第一信号数据。
- 根据权利要求1所述的方法，其中，所述信号数据为所述RB的协方差矩阵。
- 根据权利要求7所述的方法，其中，所述根据第一信号数据进行感知处理，得到第一感知数据，包括：将所述第一信号数据输入训练好的信号感知模型，通过所述信号感知模型输出所述第一感知数据。
- 根据权利要求8所述的方法，其中，所述第一感知数据包括以下信息中的至少之一：是否有能量、水平角度、俯仰角度。
- 根据权利要求8所述的方法，其中，所述根据所述第二信号数据和所述第二感知数据得到干扰检测结果，包括：从所述第二信号数据包括的协方差矩阵中提取对角线元素，得到第三信号数据；将所述第三信号数据和所述第二感知数据进行合并，得到第二检测输入数据；将所述第二检测输入数据输入至训练好的第二干扰检测模型，通过所述第二干扰检测模型输出干扰检测结果。
- 根据权利要求7所述的方法，其中，所述降采处理包括：根据所述第二信号数据进行滤波，得到当前滤波结果；获取上一级滤波结果，根据所述数据窗口长度、当前滤波结果和上一级滤波结果得到所述第一信号数据。
- 根据权利要求1所述的方法，其中，所述干扰检测结果包括干扰类别信息和干扰位置信息。
- 根据权利要求1所述的方法，其中，各级检测处理分别对应不同的数据窗口长度。
- 根据权利要求1所述的方法，其中，所述根据所述多级干扰检测结果得到综合干扰检测结果，包括：对于每一级干扰检测结果，当所述干扰检测结果包括干扰类别信息和干扰位置信息，则确定在所述干扰检测结果对应的时间粒度上存在干扰。
- 一种干扰检测装置，包括：数据采集单元，用于按照预设的时间间隔和第一维度采集资源块RB的信号数据；多级检测单元，用于根据所述信号数据进行多级检测处理，得到多级干扰检测结果；综合判决单元，用于根据多级干扰检测结果得到综合干扰检测结果；其中，所述多级检测单元包括N级检测子单元，N为大于1的整数，每级检测子单元具体用于：根据第一信号数据进行感知处理，得到第一感知数据，所述第一信号数据根据采集的信号数据或者对上一级检测处理得到的第二信号数据进行降采处理后得到；根据数据窗口长度对多个所述第一信号数据和对应的多个所述第一感知数据进行集合处理，得到所述第二信号数据和第二感知数据；根据所述第二信号数据和所述第二感知数据得到干扰检测结果。
- 一种电子设备，包括：处理器和存储器；其中，所述存储器上存储有程序指令，所述程序指令当被所述处理器执行时使得所述处理器执行：如权利要求1-14任一项所述的方法。
- 一种计算机可读存储介质，存储有程序指令，其中，所述程序指令被计算机执行时，实现：如权利要求1-14任一项所述的方法。
- 一种计算机程序产品，存储有程序指令，其中，所述程序指令在由计算机执行时，使得所述计算机实施：如权利要求1-14任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210906139.7 | 2022-07-29 | ||
| CN202210906139.7A CN117528606A (zh) | 2022-07-29 | 2022-07-29 | 干扰检测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2024022042A1 true WO2024022042A1 (zh) | 2024-02-01 |
Family
ID=89705265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2023/105549 WO2024022042A1 (zh) | 2022-07-29 | 2023-07-03 | 干扰检测方法、装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117528606A (zh) |
| WO (1) | WO2024022042A1 (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104796363A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 多输入多输出系统中的窄带干扰估计方法及装置 |
| CN108200590A (zh) * | 2018-01-30 | 2018-06-22 | 广州海格通信集团股份有限公司 | 无线通信的干扰感知方法、装置及系统 |
| CN110856206A (zh) * | 2018-08-20 | 2020-02-28 | 富士通株式会社 | 干扰识别方法、装置和终端设备 |
| US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
| CN113645700A (zh) * | 2021-07-15 | 2021-11-12 | 中国移动通信集团广东有限公司广州分公司 | 基于深度学习的提升scma系统性能的资源分配方法及装置 |
-
2022
- 2022-07-29 CN CN202210906139.7A patent/CN117528606A/zh active Pending
-
2023
- 2023-07-03 WO PCT/CN2023/105549 patent/WO2024022042A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104796363A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 多输入多输出系统中的窄带干扰估计方法及装置 |
| CN108200590A (zh) * | 2018-01-30 | 2018-06-22 | 广州海格通信集团股份有限公司 | 无线通信的干扰感知方法、装置及系统 |
| CN110856206A (zh) * | 2018-08-20 | 2020-02-28 | 富士通株式会社 | 干扰识别方法、装置和终端设备 |
| US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
| CN113645700A (zh) * | 2021-07-15 | 2021-11-12 | 中国移动通信集团广东有限公司广州分公司 | 基于深度学习的提升scma系统性能的资源分配方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117528606A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI687061B (zh) | 行動通訊中跨鏈路干擾測量方法及設備 | |
| WO2019154333A1 (zh) | 资源选择的方法和终端设备 | |
| US10541903B2 (en) | Methodology to improve the anomaly detection rate | |
| US8614956B2 (en) | Placement of wireless repeaters in a wireless communication network | |
| RU2670605C9 (ru) | Система и способ для обозначения типа ответного кадра | |
| WO2017024950A1 (zh) | 非正交多址接入系统中的上行检测方法及装置和基站 | |
| US10327229B2 (en) | Data reception method, data transmission method and data reception device for device-to-device communication | |
| US10193666B2 (en) | Method, access point, server and station used for coordinated transmission | |
| WO2016000491A1 (zh) | 确定拉远射频单元rru的方法与设备 | |
| WO2017197949A1 (zh) | 一种数据传输的控制方法及相关设备 | |
| WO2018177332A1 (zh) | 下行传输检测方法、基站和终端 | |
| US11108497B2 (en) | Method and system for hierarchical decoding of data packets in cellular communication system | |
| WO2022078276A1 (zh) | Ai网络参数的配置方法和设备 | |
| US20230292355A1 (en) | Information Sending Method and Apparatus | |
| JP2020533902A5 (zh) | ||
| WO2020088362A1 (zh) | 一种指示信息的传输方法和装置 | |
| WO2017193674A1 (zh) | 一种数据传输的控制方法及相关设备 | |
| WO2022117087A1 (zh) | 副链路sl上的定位方法、装置及终端 | |
| CN105264985A (zh) | 传输信息的方法、用户设备和基站 | |
| WO2022057777A1 (zh) | 信号传输方法、装置、接入节点、处理单元、系统及介质 | |
| WO2024022042A1 (zh) | 干扰检测方法、装置、电子设备和存储介质 | |
| WO2017028052A1 (zh) | 一种信息的传输方法和基站以及用户设备 | |
| EP3820191A1 (en) | Interference source identification method, related device and computer storage medium | |
| US10171207B2 (en) | Methods and apparatus for control bit detection | |
| WO2016011632A1 (zh) | 数据传输的控制方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23845255 Country of ref document: EP Kind code of ref document: A1 |