干扰类型的识别方法和系统技术方案

本发明专利技术涉及移动通信技术领域，特别是涉及一种干扰类型的识别方法和系统。本发明专利技术方案包括以下步骤：利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本；采集待识别的干扰波形数据，并将波形数据输入至干扰类型识别模型进行干扰类型识别；获取干扰类型识别结果，根据干扰类型识别结果获取待识别的干扰波形数据的干扰类型。上述干扰类型的识别方法对待识别的干扰波形数据进行准确分类，在干扰信号类型进行排查时，可以将干扰波形数据输入至干扰信号类型识别模型，实现对干扰的类型进行准确识别，提高对干扰类型的分类的准确率。

【技术实现步骤摘要】
干扰类型的识别方法和系统
本专利技术涉及移动通信
，特别是涉及一种干扰类型的识别方法和系统。
技术介绍
随着4G基站的全面建设，目前已形成了2G/3G/4G基站共存的局面，已建设的基站中，已发现大量的4G基站受到干扰。这些干扰主要包括2G/3G小区对4G小区的阻塞、互调和杂散干扰等等，此外还有其他无线电设备，例如手机信号屏蔽器带来的外部同频干扰。经过对大量上行干扰处理的研究，可以得出几种典型干扰波形的图形特征，通过干扰波形的图形特征可以识别干扰类型。但是这种识别方法是通过直接对干扰波形的图形特征进行识别，在进行干扰排查作业，面对大量的干扰波形数据时，对干扰类型判断往往容易出错，难以对干扰类型进行准确分类，分类准确率低。
技术实现思路
基于此，有必要针对干扰类型进行分类准确率低的问题，提供一种干扰类型的识别方法和系统。一种干扰类型的识别方法，包括以下步骤：利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本；采集待识别的干扰波形数据，并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别；获取干扰类型识别结果，根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。上述干扰类型的识别方法，通过创建干扰信号类型识别模型，对待识别的干扰波形数据进行准确分类，在干扰信号类型进行排查时，可以将干扰波形数据输入至干扰信号类型识别模型，实现对干扰的类型进行准确识别，提高对干扰类型的分类的准确率。在其中一个实施例中，所述利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型的步骤，包括以下步骤：基于DNN技术生成干扰类型识别的神经网络模型；获取干扰数据训练集，根据所述干扰数据训练集对所述神经网络模型进行训练；若训练结果达到预设条件，保存所述神经网络模型的模型参数，获取干扰类型识别模型。在其中一个实施例中，所述获取干扰数据训练集的步骤，包括以下步骤：从干扰信号获取干扰波形数据，根据干扰信号的干扰类型对所述干扰波形数据进行标注；根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本，并形成干扰数据样本集；从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据训练集集。在其中一个实施例中，所述干扰类型识别的神经网络模型包括输入层、多层隐藏层以及输出层；其中，所述输入层用于接收干扰波形数据，所述隐藏层用于对干扰波形数据进行激励以及特征计算，所述输出层用于输出干扰波形数据的干扰类型识别结果。在其中一个实施例中，所述干扰类型识别的神经网络模型的输入层的神经元个数等于所述干扰波形数据量；所述神经网络的输出层的神经元个数等于干扰类型数量。在其中一个实施例中，所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤，包括以下步骤：将所述干扰数据训练集中每个干扰波形数据通过所述神经网络模型的输入层输入至所述神经网络模型的隐藏层，其中，所述干扰波形数据经过所述神经网络模型的隐藏层的处理转换后，输出至所述神经网络模型的输出层；获取所述神经网络模型的输出层的输出结果；根据所述输出结果以及所述干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化所述神经网络模型的模型参数。在其中一个实施例中，所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤之前，还包括以下步骤：对所述干扰数据训练集中每个干扰波形数据进行归一化操作。在其中一个实施例中，所述获取干扰类型识别模型的步骤之后，还包括以下步骤：从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集；将所述干扰数据测试集中每个干扰波形数据输入至所述干扰类型识别模型，得到干扰波形数据的干扰类型；根据得到的干扰波形数据干扰类型以及所述干扰波形数据对应标注的干扰类型获取所述干扰类型识别模型的干扰识别准确率；若所述干扰识别准确率低于预设干扰识别准确率阈值，根据所述干扰数据训练集对所述干扰类型识别模型再次进行训练，直至达到所述干扰识别准确率阈值。在其中一个实施例中，所述干扰数据测试集由所述干扰数据样本集除所述干扰数据训练集以外的干扰数据样本构成。一种干扰类型的识别系统，包括：模型获取模块，用于利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本；数据采集模块，用于采集待识别的干扰波形数据，并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别；干扰识别模块，用于获取干扰类型识别结果，根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。上述干扰类型的识别系统，通过模型获取模块得到的干扰信号类型识别模型，对通过数据采集模块获取待识别的干扰波形数据进行准确分类，在干扰信号类型进行排查时，可以将干扰波形数据输入至干扰信号类型识别模型，实现对干扰的类型进行准确识别，提高对干扰类型的分类的准确率。一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述干扰类型的识别方法。上述计算机设备，通过所述处理器上运行的计算机程序，实现了对干扰的类型进行准确识别，提高对干扰类型的分类的准确率。一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述干扰类型的识别方法。上述计算机存储介质，通过其存储的计算机程序，实现了对干扰的类型进行准确识别，提高对干扰类型的分类的准确率。附图说明图1为本专利技术一个实施例中干扰类型的识别方法的流程图；图2为本专利技术一个实施例中根据干扰数据训练集对神经网络模型进行训练的流程图；图3为本专利技术一个实施例中干扰类型的识别系统的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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仅用以解释本专利技术，并不用于限定本专利技术的保护范围。参见图1，图1为本专利技术一个实施例中干扰类型的识别方法的流程图，该实施例中干扰类型的识别方法，包括以下步骤：步骤S110：利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本。本步骤中，干扰数据训练集包括需要识别的所有类型的干扰波形数据样本，干扰类型识别模型是经过训练的用于干扰类型识别的神经网络模型。进一步的，干扰类型识别的神经网络模型可以包括输入层、多层隐藏层以及输出层；其中，输入层用于接收干扰波形数据，隐藏层用于对输入层获得的干扰波形数据进行特征计算，输出层用于输出干扰波形数据的干扰类型识别结果。其中，输入层的神经元个数等于干扰波形数据量；神经网络的输出层的神经元个数等于干扰类型数量。在其中一个实施例中，步骤S110可以包括：基于DNN(DeepNeuralNetworks，深度神经网络)技术生成干扰类型识别的神经网络模型；获取干扰数据训练集，根据干扰数据训练集对神经网络模型进行训练；若训练结果达到预设条件，保存神经网络模型的模型参数，获取干扰类型识别模型。其中，预设条件可以设置为一定的训练次数，即当训练本文档来自技高网...

【技术保护点】
1.一种干扰类型的识别方法，其特征在于，包括以下步骤：利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本；采集待识别的干扰波形数据，并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别；获取干扰类型识别结果，根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。

【技术特征摘要】
1.一种干扰类型的识别方法，其特征在于，包括以下步骤：利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型；其中，所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本；采集待识别的干扰波形数据，并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别；获取干扰类型识别结果，根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。2.根据权利要求1所述的干扰类型的识别方法，其特征在于，所述利用干扰数据训练集对干扰类型识别的神经网络模型进行训练，获取干扰类型识别模型的步骤，包括以下步骤：基于DNN技术生成干扰类型识别的神经网络模型；获取干扰数据训练集，根据所述干扰数据训练集对所述神经网络模型进行训练；若训练结果达到预设条件，保存所述神经网络模型的模型参数，获取干扰类型识别模型。3.根据权利要求2所述的干扰类型的识别方法，其特征在于，所述获取干扰数据训练集的步骤，包括以下步骤：从干扰信号获取干扰波形数据，根据干扰信号的干扰类型对所述干扰波形数据进行标注；根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本，并形成干扰数据样本集；从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据训练集集。4.根据权利要求1所述的干扰类型的识别方法，其特征在于，所述神经网络模型包括输入层、多层隐藏层以及输出层；其中，所述输入层用于接收干扰波形数据，所述隐藏层用于对输入层获得的干扰波形数据进行特征计算，所述输出层用于输出干扰波形数据的干扰类型识别结果。5.根据权利要求4所述的干扰类型的识别方法，其特征在于，所述神经网络模型的输入层的神经元个数等于所述干扰波形数据量；所述神经网络的输出层的神经元个数等于干扰类型数量。6.根据权利要求2所述的干扰类型的识别方法，其特征在于，所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤，包括以下步骤：将所述干扰数...

【专利技术属性】
技术研发人员：伍洪斌，陈超，
申请(专利权)人：广东海格怡创科技有限公司，
类型：发明
国别省市：广东,44