干扰识别方法、装置和终端设备制造方法及图纸

一种干扰识别方法、装置和终端设备，该干扰识别方法包括：获取多个超级窗口中每个超级窗口内的信号强度序列样本；使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；将大小为该第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。本实施例的方法可以避免人工标记浪费的大量时间，提高效率，节约人力成本，为物联网服务提供商解决干扰问题提供参考依据。

Interference identification method, device and terminal equipment

【技术实现步骤摘要】
干扰识别方法、装置和终端设备
本专利技术涉及通信
，尤其涉及一种干扰识别方法、装置和终端设备。
技术介绍
物联网成为业务转型的强大力量，其颠覆性的影响在所有行业和社会的各个领域都能感受到。物联网中的实体通常包括传感器设备、网关、网络、云和应用。例如在各个行业和领域中(如工厂、学校、医院)等，为了减少劳动力，降低成本，提高生产率等目的，引入了物联网设备(如传感器，照相机等)，以及系统应用(如维护系统、材料产品管理系统、监视系统)。随着技术的不断增长以及对无线保真(WIFI)、紫蜂(zigbee)，蓝牙(bluetooth)等短距离无线网络的依赖性的增加，用户开始需要从无线网络中得到可靠性、性能、可扩展性和无处不在的覆盖。然而，现有的传感器网络部署提供了不充分的覆盖和不可预测的性能。导致性能恶化的一个原因就是干扰。与有线网络不同，无线链路很容易受到环境改变或者周围无线活动的影响。此外，与无线网络相关的协议，如IEEE802.11，802.15.4，802.15.1等，都工作在非授权频段。由于多个无线网络会相互干扰，干扰问题会更加突出。并且，非授权频谱中用户的数量快速增长也加重了这一情况。应该注意，上面对技术背景的介绍只是为了方便对本专利技术的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本专利技术的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
技术实现思路
专利技术人发现，干扰是不可预知的，其经常由移动用户、其它非授权频段模块和变化的业务量产生。如果能诊断出不同的干扰，物联网服务提供商就能够提出一些对策来解决干扰问题或者避免潜在的问题。目前，提出了可以利用深度神经网络识别环境中存在的干扰，为了进行干扰识别，需要预先提供带有干扰标记的训练数据对该深度神经网络进行训练，但专利技术人发现，在上述环境中(如工厂、学校、医院等)，很难直接获取到带有干扰标记的训练数据，如果使用人工预先对所有训练数据进行标记，又非常浪费时间。为了解决上述问题中的至少一个，本专利技术提供了一种干扰识别方法、装置和终端设备。根据本专利技术实施例的第一方面，提供了一种干扰识别装置，其中，该装置包括：获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。根据本专利技术实施例的第二方面，提供了一种干扰识别方法，其中，该方法包括：获取多个超级窗口中每个超级窗口内的信号强度序列样本；使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对该超级窗口进行标记；其中，每个该超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；将大小为所述第一检测窗口内的测试信号强度序列输入至该干扰识别模型中，得到干扰识别结果。根据本专利技术实施例的第三方面，提供了一种终端设备，其包含前述第一方面所述的干扰识别装置。本专利技术的有益效果在于：通过使用信号强度序列样本的频域特征中的基频，对训练数据进行自动标记，可以避免人工标记浪费的大量时间，提高效率，节约人力成本，并使用深度学习的方法进行干扰分析，为物联网服务提供商解决干扰问题提供参考依据。参照后文的说明和附图，详细公开了本专利技术的特定实施方式，指明了本专利技术的原理可以被采用的方式。应该理解，本专利技术的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本专利技术的实施方式包括许多改变、修改和等同。针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。附图说明在本专利技术实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。所包括的附图用来提供对本专利技术实施例的进一步的理解，其构成了说明书的一部分，用于例示本专利技术的实施方式，并与文字描述一起来阐释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是是本专利技术实施例的一个部署场景的示意图；图2是实施例1的干扰识别方法示意图；图3是信号强度序列样本示意图；图4是步骤202一实施方式示意图；图5是将RSSI采样值序列作为输入的深度学习的基本原理示意图；图6是一个卷积神经网络的网络结构示意图；图7是实施例2的干扰识别方法的示意图；图8是信号强度序列样本示意图；图9是实施例3的干扰识别方法的示意图；图10是实施例3中信号强度序列样本过滤处理后示意图；图11是实施例4的干扰识别装置的示意图；图12是标记单元1102的一个实施方式的示意图；图13是实施例4的干扰识别装置的示意图；图14是实施例4的干扰识别装置的示意图；图15是实施例5的终端设备的示意图。具体实施方式参照附图，通过下面的说明书，本专利技术的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本专利技术的特定实施方式，其表明了其中可以采用本专利技术的原则的部分实施方式，应了解的是，本专利技术不限于所描述的实施方式，相反，本专利技术包括落入所附权利要求的范围内的全部修改、变型以及等同物。在本专利技术实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。在本专利技术实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理本文档来自技高网...

【技术保护点】
1.一种干扰识别装置，其中，所述装置包括：/n获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；/n标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；/n训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；/n识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。/n

【技术特征摘要】
1.一种干扰识别装置，其中，所述装置包括：
获取单元，其用于获取多个超级窗口中每个超级窗口内的信号强度序列样本；
标记单元，其用于使用每个超级窗口内的信号强度序列样本的频域特征中的基频，对所述超级窗口进行标记；其中，每个所述超级窗口划分为第二数量个第一检测窗口，每个第一检测窗口的标记与其所属的超级窗口的标记相同；
训练单元，其用于根据被标记的第一检测窗口的信号强度序列样本和对应的标记对深度神经网络进行训练，得到干扰识别模型；
识别单元，其用于将大小为所述第一检测窗口内的测试信号强度序列输入至所述干扰识别模型中，得到干扰识别结果。


2.根据权利要求1所述的装置，其中，所述标记单元包括：
变换模块，其用于对每个超级窗口内的信号强度序列样本作时频变换，得到每个超级窗口内的信号强度序列样本的频域特征；
确定模块，其用于确定所述频域特征中的基频；根据所述基频确定第一数量个干扰频率；
标记模块，其用于根据所述第一数量个干扰频率，对对应所述干扰频率的超级窗口进行标记。


3.根据权利要求2所述的装置，其中，所述确定模块在所述多个超级窗口对应的频域特征中相同基频的超级窗口数超过第一阈值时，将所述相同基频确定为干扰频率，以获得所述第一数量个干扰频率；
所述标记模块在所述干扰频率是直流分量时，将对应的超级窗口标记为无干扰，在所述干扰频率为大于0Hz的第一值时，将对应的超级窗口标记为被发射频率周期为所述第一值的电磁波干扰。


4.根据权利要求3所述的装置，其中，所述训练单元将每个第一检测窗口对应的信号强度序列样本，作为第一训练数据；将一个第一检测窗口对应的第一训练数据作为所述深度神经网络的输入，将与所述第一检测窗口对应的标记作为所述深度神经网络的输出，对所述深度神经网络进行训练，得到干扰识别模型，所述干扰识别模型的识别类型的数量等于所述第一数量。


5.根据权利要求1所述的装置，其中，所述装置还包括：
确定单元，其用于确定所述多个超级窗口中除被标记的超级窗口外的其他未标记的超级窗口；
并且，所述训练单元还用于将所述未标记的超级窗口划分为第三数量个第二检测窗口，并得到每个第二检测窗口对应的信号强度序列样本，作为第二训练数据；将一个第二检测窗口对应的第二训练数据作为所述深度神经网络的输入，根据训练后得到的干扰识别模型，对第二训练数据对应的第二检测窗口进行预测，根据预测结果对第二检测窗口的第二训练数据进行标记。


6.根据权利要求5所述的装置，其中，所述训练单...

【专利技术属性】
技术研发人员：易粟，王昊，薛文倩，王乐菲，松仓隆一，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP