[发明专利]干扰类型识别模型的构建方法和系统

说明书

本发明涉及移动通信领域，特别是涉及一种干扰类型识别模型的构建方法和系统。本方案包括以下步骤：基于DNN技术生成干扰类型识别的神经网络模型；从干扰信号获取干扰波形数据，根据干扰信号的干扰类型对干扰波形数据进行标注，根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本，并形成干扰数据样本集；从干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集，根据干扰数据训练集对神经网络模型进行训练；若训练结果达到预设条件时，保存神经网络模型的模型参数，得到干扰类型识别模型。上述干扰类型识别模型可以对干扰的类型进行快速识别，减少资源的浪费，提高对干扰类型的分类效率。

技术领域

本发明涉及移动通信技术领域，特别是涉及一种干扰类型识别模型的构建方法和系统。

背景技术

随着4G基站的全面建设，目前已形成了2G/3G/4G基站共存的局面，已建设的基站中，已发现大量的4G基站受到干扰。这些干扰主要包括2G/3G小区对4G小区的阻塞干扰、互调干扰和杂散干扰等等，此外还有其他无线电设备，例如手机信号屏蔽器带来的外部同频干扰。

经过对大量上行干扰处理的研究，可以得出几种典型干扰的图形特征，通过干扰的图形特征可以识别干扰类型，但是在进行干扰排查工作的时候，仍然需要专业的网络优化人员到达现场才能对干扰进行分类，对个人知识的依赖性很大，而且由于干扰小区数量庞大，对每个干扰小区的干扰类型逐个分析排查需要耗费大量的资源，效率低。

发明内容

基于此，有必要针对干扰需要人工分类排查，效率低的问题，提供一种干扰类型识别模型的构建方法和系统。

一种干扰类型识别模型的构建方法，包括以下步骤：

基于DNN技术生成干扰类型识别的神经网络模型；

从干扰信号获取干扰波形数据，根据干扰信号的干扰类型对所述干扰波形数据进行标注，根据干扰波形数据及其对应标注的干扰类型获取干扰数据样本，并形成干扰数据样本集；

从所述干扰数据样本集中随机选取若干个干扰数据样本形成干扰数据训练集，根据所述干扰数据训练集对所述神经网络模型进行训练；

若训练结果达到预设条件时，保存所述神经网络模型的模型参数，得到干扰类型识别模型。

上述干扰类型识别模型的构建方法，通过生成基于DNN技术的干扰类型识别的神经网络模型，并利用干扰数据训练集对神经网络模型进行训练得到干扰类型识别模型，在进行干扰排查时将可在后台系统将干扰波形数据输入至干扰类型识别模型，实现对干扰波形信号的类型进行快速识别，减少资源的浪费，提高对干扰类型的分类效率。

在其中一个实施例中，所述神经网络模型的输入层的神经元个数等于所述干扰波形数据量；所述神经网络的输出层的神经元个数等于干扰类型数量。

在其中一个实施例中，所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤，包括以下步骤：

将所述干扰数据训练集中每个干扰波形数据通过所述神经网络模型的输入层输入至所述神经网络模型的隐藏层，其中，所述干扰波形数据经过所述神经网络模型的隐藏层的处理转换后，输出至所述神经网络模型的输出层；

获取所述神经网络模型的输出层的输出结果；

根据所述输出结果以及所述干扰数据训练集中每个干扰波形数据标注的干扰类型利用梯度下降算法优化所述神经网络模型的模型参数。

在其中一个实施例中，所述根据所述干扰数据训练集对所述神经网络模型进行训练的步骤之前，还包括以下步骤：

对所述干扰数据训练集中每个干扰波形数据进行归一化操作。

在其中一个实施例中，所述得到干扰类型识别模型的步骤之后，还包括以下步骤：