[发明专利]基于PCA与二维偏度特征的LTE上行干扰分类方法

说明书

本发明公开了一种基于PCA与二维偏度特征的LTE上行干扰分类方法，该方法首先收集并整理现有LTE基站上行干扰分类数据；然后对数据进行预处理后才用PCA降维并提取二维偏度特征；之后设置模型参数搜索范围得到优化后的分类模型；最后对未知小区进行平均干扰电平统计判断是否存在干扰，存在的话提取本方法特征放入训练好的模型进行预测分类。本发明使用AUC分类性能指标进行评价，本方法能较准确快速地判断上行干扰类别，而且随着上行干扰数据量的增大，分类器性能也会不断提高。

技术领域

本发明涉及的是一种LTE上行干扰分类方法，具体是一种基于PCA与二维偏度特征的LTE上行干扰分类方法。

背景技术

LTE上行干扰水平是评估网络质量的重要指标，当网络受到上行干扰时，上行吞吐量、尤其是小区边缘用户的上行吞吐量将受到影响，干扰严重时甚至会影响用户的接入性能。在现今网络测试方案中，人工上行干扰分类排查方法可以分析已经建设小区所受干扰的情况，但是随着基站网络规模越来越大，网络干扰程度也会愈发严重，未来面对上万基站部署规模，此方法将消耗大量资源且效率低下。造成上行干扰的原因有很多，主要的上行干扰类型包括：互调干扰、阻塞干扰、杂散干扰、外部干扰器干扰、其他干扰。

因此如何快速准确地检测出上行干扰的类型，以便采取对应的干扰规避或者消除手段，以保障用户体验，提高服务质量成为LTE上行干扰的重要问题。在很多的通信网络问题中，传统的解法往往存在计算复杂度高或者检测性能不足等弱点，鉴于此，本发明将机器学习技术引入到LTE上行干扰分类检测中。机器学习是人工智能技术的核心，主要研究如何从观测到的数据分析得到一些规律，进而利用这些规律对未知数据或无法观测到的数据进行预测。

发明内容

本发明目的提供基于PCA与二维偏度特征的LTE上行干扰分类方法，该方法可以根据PRB上行干扰电平实现对LTE上行干扰类型的快速准确识别。

本发明针对现有上行干扰分类排查方法消耗大量资源且效率低下的现象，

本发明是通过以下技术方案实现的，本发明包括如下步骤：

步骤一，收集并整理现有LTE基站上行干扰分类数据，得到PRB上行干扰数据矩阵，分别包含PRB干扰电平特征与标签数据；

所述的PRB干扰电平特征就是每个历史上行干扰基站发生干扰期间的各个物理资源块(Physical Resource Block，PRB)的干扰电平值，单位为dBm；

所述的标签数据就是每个历史上行干扰基站发生干扰期间排查确定的干扰类型。

步骤二，对PRB数据矩阵与标签矩阵进行数据预处理；

所述的数据预处理是删除PRB数据矩阵的存在缺失数据的记录，以及将标签矩阵中不同干扰类型依次编码为0、1、2、3、4，分别代表阻塞干扰，互调干扰、外部干扰器干扰、杂散干扰和其他干扰。

步骤三，利用主成分分析(Principal Component Analysis，PCA)对PRB干扰电平特征进行降维处理得到PCA降维特征，同时对PRB干扰电平特征提取二维偏度特征群，组成PCA-二维偏度组合特征；

所述主成分分析即PCA算法是由K.皮尔森(Karl Pearson)提出将一组可能存在相关性的变量变换为一组线性无关的向量，并且尽可能保留原有数据的信息。

所述二维偏度特征是根据偏度特征推导得到，其中偏度特征指的是随机变量统计数据分布偏斜方向和程度的度量，将其计算原理运用到二维PRB干扰电平数据得到相应二维偏度特征，其计算方式如下：