基于堆栈降噪自编码的LTE上行干扰分类方法及系统技术方案

本发明专利技术公开了基于堆栈降噪自编码的LTE上行干扰分类方法及系统，包括：获取待分类的LTE基站上行数据；对待分类的LTE基站上行数据进行预处理；将预处理后的待分类的LET基站上行数据，输入到训练后的基于堆栈降噪自编码的极限学习机中，得到LTE基站上行数据的干扰类别；其中，基于堆栈降噪自编码的极限学习机，包括依次连接的：输入层、隐含层h1、隐含层h2、隐含层h3、分类层和输出层。该模型提高了LTE网络上行干扰分析的效率，同时具有较强的鲁棒性。同时具有较强的鲁棒性。同时具有较强的鲁棒性。

【技术实现步骤摘要】
基于堆栈降噪自编码的LTE上行干扰分类方法及系统


[0001]本专利技术涉及LTE上行干扰分类
，特别是涉及基于堆栈降噪自编码的LTE上行干扰分类方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]当前移动通信网络的规模不断扩大，基站数量也随之增加，2G/3G/4G网络共存，5G网络也大规模商用，频率分配不当或系统间设备隔力度不足等问题日益突出，使得LTE系统上行干扰日益严重。而当前干扰排查工作主要采用人工排查的方式进行识别，通过对比LTE系统带宽内的频域干扰分布特征与常见干扰信号的特征，实现定位干扰源。但网络规模的不断扩大，使得传统人工识别的方法难以满足当前工作需求，因此建立智能化的通信网络干扰识别算法势在必行。为实现自动化的LTE网络上行干扰识别，部分学者将机器学习算法引入到通信网络的优化工作中。
[0004]翁文迪等针对时分双工长期演进(TD
‑
LTE，Time Division Duplexing
‑
Long本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于堆栈降噪自编码的LTE上行干扰分类方法，其特征是，包括：获取待分类的LTE基站上行数据；对待分类的LTE基站上行数据进行预处理；将预处理后的待分类的LET基站上行数据，输入到训练后的基于堆栈降噪自编码的极限学习机中，得到LTE基站上行数据的干扰类别；其中，基于堆栈降噪自编码的极限学习机，包括依次连接的：输入层、隐含层h1、隐含层h2、隐含层h3、分类层和输出层。2.如权利要求1所述的基于堆栈降噪自编码的LTE上行干扰分类方法，其特征是，所述隐含层h1，其获取步骤包括：构建第一降噪自编码模型；所述第一降噪自编码模型，包括依次连接的：输入层c1、加噪层c2、隐含层c3和输出层c4；构建第一训练集，所述第一训练集为无干扰类别标签的LTE基站上行数据；将第一训练集输入到第一降噪自编码模型中，对第一降噪自编码模型进行训练，当训练达到设定迭代次数时，停止训练，得到训练后的第一降噪自编码模型，训练前的第一降噪自编码模型中的隐含层c3经过训练后已经变成隐含层c3
’
，将训练后的第一降噪自编码模型中的隐含层c3
’
作为隐含层h1。3.如权利要求2所述的基于堆栈降噪自编码的LTE上行干扰分类方法，其特征是，所述隐含层h2，其获取步骤包括：构建第二降噪自编码模型；所述第二降噪自编码模型，包括依次连接的：输入层c1、加噪层c2、隐含层c3
’
、隐含层d4和输出层d5；将第一训练集输入到第二降噪自编码模型中，对第二降噪自编码模型进行训练，当训练达到设定迭代次数时，停止训练，得到训练后的第二降噪自编码模型，训练前的第一降噪自编码模型中的隐含层d4经过训练后已经变成隐含层d4
’
，将训练后的第一降噪自编码模型中的隐含层d4
’
作为隐含层h2。4.如权利要求3所述的基于堆栈降噪自编码的LTE上行干扰分类方法，其特征是，所述隐含层h3，其获取步骤包括：构建第三降噪自编码模型；所述第三降噪自编码模型，包括依次连接的：输入层e1、加噪层e2、隐含层e3和输出层e4；其中，输入层e1使用隐含层d4
’
来实现；将第一训练集输入到第三降噪自编码模型中，对第三降噪自编码模型进行训练，当训练达到设定迭代次数时，停止训练，得到训练后的第三降噪自编码模型，训练前的第三降噪自编码模型中的隐含层e3经过训练后已经变成隐含层e3<...

【专利技术属性】
技术研发人员：许鸿奎，李鑫，周俊杰，张子枫，卢江坤，姜彤彤，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：