【技术实现步骤摘要】
数据的干扰类型的确定方法、装置及设备
本专利技术涉及通信
，尤其涉及一种数据的干扰类型的确定方法、装置及设备。
技术介绍
现有技术中，进行数据的干扰类型判别时，收集测试数据、依靠具有丰富经验的网络专家经验进行识别。耗费人力、且在网络数据繁杂的情况下难以支撑。基于自定义的干扰类型判别规则，进行逐项剔除判断。无法利用大量的现网干扰数据知识库，不具备自学习自适应能力。无线通信网络的干扰环境复杂多样，提高通信网络的抗干扰能力对提升网络性能至关重要，现有技术中，无法快速判别数据的干扰类型。
技术实现思路
本专利技术实施例提供了一种数据的干扰类型的确定方法、装置及设备。可以快速、准确的判别数据的干扰类型。为解决上述技术问题，本专利技术的实施例提供如下技术方案：一种数据的干扰类型的确定方法，包括：获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。其中，获取干扰测试数据的特征值，包括：确定所述干扰测试数据的采样频率范围中的各采样频率；确定所述采样频率范围内的各采样频率对应的接收干扰功率；获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的...
【技术保护点】
1.一种数据的干扰类型的确定方法，其特征在于，包括：/n获取干扰测试数据以及干扰测试数据的特征值；/n根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；/n根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；/n将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。/n
【技术特征摘要】
1.一种数据的干扰类型的确定方法，其特征在于，包括：
获取干扰测试数据以及干扰测试数据的特征值；
根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；
根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；
将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。
2.根据权利要求1所述的数据的干扰类型的确定方法，其特征在于，获取干扰测试数据的特征值，包括：
确定所述干扰测试数据的采样频率范围中的各采样频率；
确定所述采样频率范围内的各采样频率对应的接收干扰功率；
获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，以及各采样频率对应的接收干扰功率与干扰功率门限相比得到的结果；
根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数。
3.根据权利要求2所述的数据的干扰类型的确定方法，其特征在于，确定采样频率范围内的各采样频率对应的接收干扰功率，包括：
确定采样频率范围内的各采样频率为：
{BasicFL，BasicFL+ΔF，BasicFL+2*ΔF，......，BasicFL+(N-1)*ΔF；BasicFR为频率范围的最大值，BasicFL为频率范围的最小值，ΔF为采样频率步长，
确定各采样频率对应的接收干扰功率为：{RecI1，RecI2，......，RecIN}。
4.根据权利要求3所述的数据的干扰类型的确定方法，其特征在于，获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，包括：
通过：获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值；
其中，E(X)为所述均值；Xi为各个采样频率相对于第一个采样频率的相对值；Xi＝RecIi-RecI1；RecI1为第一个采样频率的接收干扰功率，RecIi为第i个采样频率的接收干扰功率；i为{1，2，...，N}。
5.根据权利要求4所述的数据的干扰类型的确定方法，其特征在于，所述结果包括：
RecImin、RecImax、KRecI、RecIsum、MinkRecI、MaxkRecI、和其中，
RecImin为{RecI1，RecI1，RecI3，......，RecIN}的最小值；
RecImax为{RecI1，RecI1，RecI3，......，RecIN}的最大值；
KRecI为{RecI1，RecI1，RecI3，......，RecIN}中高于所述干扰功率门限ThRecI的元素个数；
RecIsum为{RecI1，RecI1，RecI3，......，RecIN}中，高于所述干扰功率门限ThRecI的元素之和；
MinkRecI为{RecI1，RecI1，RecI3，......，RecIN}中高于所述干扰功率门限ThRecI的元素最小值的编号；
MaxkRecI为{RecI1，RecI1，RecI3，......，RecIN}中高于所述干扰功率门限ThRecI的元素最大值的编号；
为{RecI1，RecI1，RecI3，......，RecIN}中连续高于所述干扰功率门限ThRecI的元素组合的数目；
为{RecI1，RecI1，RecI3，......，RecIN}中连续高于所述干扰功率门限ThRecI的元素组合中的最大元素个数。
6.根据权利要求5所述的数据的干扰类型的确定方法，其特征在于，根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数，包括：
通过确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数
其中，Ym为第m种干扰类型的数据的接收干扰功率；Ymi为第m种干扰类型的数据的第i个采样频率对应的接收干扰功率。
7.根据权利要求6所述的数据的干扰类型的确定方法，其特征在于，根据所述特征值，确定反向网络的输入配置和输出配置，包括：
根据所述特征值，确定所述反向网络的输入配置，所述输入配置包括：
其中，
依次为：
ERecI、factorKRecI、factorLengRecI、factorK_ContRecI、factorN_ContNetRecI；
其中，
根据所述输入配置，确定反向网络的输出配置，所述输出配置包括：{InterD1，InterD2，......，InterDP}，分别对应P种干扰类型。
8.根据权利要求7所述的数据的干扰类型的确定方法，其特征在于，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络，包括：
根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络。
9.根据权利要求8所述的数据的干扰类型的确定方法，其特征在于，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络，包括：
从所述反向网络的第一层到第Q层，计算每层中的各节点的输入值和输出值；
根据所述第Q层的输出值，更新所述反向网络的权重因子，直到配置的所述预设干扰类型的输入数据计算完毕，得到具有用于确定干扰数据的干扰类型的权重因子的反向学习网络；其中，所述反向网络共Q层，第1层到第[Q-1]层的各层节点数目为R，第Q层的节点数目为P。
10.根据权利要求9所述的数据的干扰类型的确定方法，其特征在于，从所述反向网络的第一层到第Q层，计算每层中的各节点的输入值和输出值，包括：
所述反向网络的第一层节点数目为R，针对i＝1，2，......，R，分别计算所述第一层中的各节点的输入值Levi1_input；Levi1_input＝faci1*RecI_Input1+faci2*RecI_Input2+…+faciL*RecI_InputL；
权重因子为：{faci1，faci2，faci3，......，faciL}，如果d＝1且k＝1，则权重因子{faci1，faci2，faci3，......，faciL}中各个元素置为(-1，1)之间均匀分布的随机数；
输入数据为RecI_Input1、RecI_Input2、......、RecI_InputL，分别为该组输入数据计算ERecI、factorKRecI、factorK_ContRecI；
分别计算所述第一层中的各节点的输出值Levi1_output；
针对所述反向网络的第2、3、......、Q-1层，分别计算第m层第i个节点输入值：
Levim_input＝facim_1*Lev1j_output+facim_2*Lev2j_output+...+facim_R*LevRj_output；
其中，j＝m-1；权重因子{facim_1，facim_2，facim_3，......，facim_R}，如果d＝1、k＝1，{facim_1，facim_2，facim_3，......，facim_R}中各个元素分别为服从(-1，1)之间均匀分布的随机数；
针对所述反向网络的第2、3、......、Q-1层，分别计算第m层第i个节点输出值：
针对所述反向网络的第Q层，分别计算第i个节点输入值为：
LeviQ_input＝faciQ_1*Lev1j_output+faciQ_2*Lev2j_output+...+faciQ_R*LevRj_output；j＝Q-1；
权重因子为{faciQ_1，faciQ_2，faciQ_3，......，faciQ_R}，如果d＝1且k＝1，{faciQ_1，faciQ_2，faciQ_3，......，faciQ_R}中各个元素分别为服从(-1，1)之间均匀分布的随机数；
针对所述反向网络的第Q层，分别计算第i个节点输出值为：
11.根据权利要求10所述的数据的干扰类型的确定方法，其特征在于，根据所述第Q层的输出值，更新所述反向网络的权重因子，包括：
计算误差
InterDi为该输入数据对应的干扰类型，对应干扰类型位取1，其余位为0；
所述反向网络的第一层，各个层节点数目为R，针对i＝1，2，......，R；节点权重因子{faci1，faci2，faci3，......，faciL}；
所述反向网络的第2，3，......，Q-1层，各个层节点数目为R，针对i＝1，2，......，R；节点权重因子{facim_1，facim_2，facim_3，......，facim_R}；
所述反向网络的第Q层，节点数为P，针对i＝1，2，......，P；节点权重因子{faciQ_1，faciQ_2，faciQ_3，......，faciQ_R}；
将各个权重因子设为变量fac，针对各个变量，通过更新所述反向网络的权重因子，将更新后的该反向网络的权重因子作为所述反向学习网络的权重因子；其中，ε为调节速率，取值范围为(0，1)。
12.根据权利要求11所述的数据的干扰类型的确定方法，其特征在于，将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型，包括：
根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据，通过所述反向学习网络进行运算，输出所述干扰数据的干扰类型。
13.一种数据的干扰类型的确定装置，其特征在于，包括：
处理模块，用于获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰...
【专利技术属性】
技术研发人员：卢树颖，刘刚，
申请(专利权)人：电信科学技术研究院有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。