[發明專利]干擾類型識別模型的構建方法和系統

在審

• 申請號: 201711422031.6
• 申請日: 2017-12-25
• 公開（公告）號: CN108135003A
• 公開（公告）日: 2018-06-08
• 發明（設計）人: 伍洪斌;陳超
• 申請（專利權）人: 廣東海格怡創科技有限公司
• 主分類號: H04W16/14
• 分類號: H04W16/14;G06K9/62;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 余永文

本發明涉及移動通信領域，特別是涉及一種干擾類型識別模型的構建方法和系統。本方案包括以下步驟：基于DNN技術生成干擾類型識別的神經網絡模型；從干擾信號獲取干擾波形數據，根據干擾信號的干擾類型對干擾波形數據進行標注，根據干擾波形數據及其對應標注的干擾類型獲取干擾數據樣本，并形成干擾數據樣本集；從干擾數據樣本集中隨機選取若干個干擾數據樣本形成干擾數據訓練集，根據干擾數據訓練集對神經網絡模型進行訓練；若訓練結果達到預設條件時，保存神經網絡模型的模型參數，得到干擾類型識別模型。上述干擾類型識別模型可以對干擾的類型進行快速識別，減少資源的浪費，提高對干擾類型的分類效率。

技術領域

本發明涉及移動通信技術領域，特別是涉及一種干擾類型識別模型的構建方法和系統。

背景技術

隨著4G基站的全面建設，目前已形成了2G/3G/4G基站共存的局面，已建設的基站中，已發現大量的4G基站受到干擾。這些干擾主要包括2G/3G小區對4G小區的阻塞干擾、互調干擾和雜散干擾等等，此外還有其他無線電設備，例如手機信號屏蔽器帶來的外部同頻干擾。

經過對大量上行干擾處理的研究，可以得出幾種典型干擾的圖形特征，通過干擾的圖形特征可以識別干擾類型，但是在進行干擾排查工作的時候，仍然需要專業的網絡優化人員到達現場才能對干擾進行分類，對個人知識的依賴性很大，而且由于干擾小區數量龐大，對每個干擾小區的干擾類型逐個分析排查需要耗費大量的資源，效率低。

發明內容

基于此，有必要針對干擾需要人工分類排查，效率低的問題，提供一種干擾類型識別模型的構建方法和系統。

一種干擾類型識別模型的構建方法，包括以下步驟：

基于DNN技術生成干擾類型識別的神經網絡模型；

從干擾信號獲取干擾波形數據，根據干擾信號的干擾類型對所述干擾波形數據進行標注，根據干擾波形數據及其對應標注的干擾類型獲取干擾數據樣本，并形成干擾數據樣本集；

從所述干擾數據樣本集中隨機選取若干個干擾數據樣本形成干擾數據訓練集，根據所述干擾數據訓練集對所述神經網絡模型進行訓練；

若訓練結果達到預設條件時，保存所述神經網絡模型的模型參數，得到干擾類型識別模型。

上述干擾類型識別模型的構建方法，通過生成基于DNN技術的干擾類型識別的神經網絡模型，并利用干擾數據訓練集對神經網絡模型進行訓練得到干擾類型識別模型，在進行干擾排查時將可在后臺系統將干擾波形數據輸入至干擾類型識別模型，實現對干擾波形信號的類型進行快速識別，減少資源的浪費，提高對干擾類型的分類效率。

在其中一個實施例中，所述神經網絡模型的輸入層的神經元個數等于所述干擾波形數據量；所述神經網絡的輸出層的神經元個數等于干擾類型數量。

在其中一個實施例中，所述根據所述干擾數據訓練集對所述神經網絡模型進行訓練的步驟，包括以下步驟：

將所述干擾數據訓練集中每個干擾波形數據通過所述神經網絡模型的輸入層輸入至所述神經網絡模型的隱藏層，其中，所述干擾波形數據經過所述神經網絡模型的隱藏層的處理轉換后，輸出至所述神經網絡模型的輸出層；

獲取所述神經網絡模型的輸出層的輸出結果；

根據所述輸出結果以及所述干擾數據訓練集中每個干擾波形數據標注的干擾類型利用梯度下降算法優化所述神經網絡模型的模型參數。

在其中一個實施例中，所述根據所述干擾數據訓練集對所述神經網絡模型進行訓練的步驟之前，還包括以下步驟：

對所述干擾數據訓練集中每個干擾波形數據進行歸一化操作。

在其中一個實施例中，所述得到干擾類型識別模型的步驟之后，還包括以下步驟：