[发明专利]基于PCA与二维偏度特征的LTE上行干扰分类方法

摘要

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。

主权项

一种基于PCA与二维偏度特征的LTE上行干扰分类方法，其特征是，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干扰电平数据矩阵，分别包含PRB干扰电平特征与标签数据；步骤二、对PRB数据矩阵与标签矩阵进行数据预处理；步骤三、利用主成分分析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；所述二维偏度特征计算方式如下：skewness2d(x,y)=1mΣi=1n((xi-μ)3*yi)(1mΣi=1n((xi-μ)2*yi))32]]>μ=1mΣi=1n(xiyi),m=Σi=1nyi]]>其中x,y分别表示某一个干扰电平点x轴和y轴的值，xi＝1～n，n为基站端配置的RB数，yi为第i个RB对应干扰电平平移修正值，yi＝‑min(y′)+1+y′i，min(y′)表示所有RB对应干扰电平的最小值，y′为原始干扰电平值，y′i为原始干扰电平值中第i个干扰电平值；所述二维偏度特征群是对干扰电平数据x轴和y轴进行变换后得到的二维偏度特征组合{xs1,xs2,xs3,xs4}，其计算方式如下：xs1＝skewness2d(x,y)xs2＝skewness2d(x,yreverse)xs3＝skewness2d(log(x),y)xs4＝skewness2d(log(x),yreverse)其中yreverse表示对y进行逆序处理，log(x)表示对x取对数；步骤四，采用机器学习方法进行LTE上行干扰分类，设置不同机器学习模型各个参数范围及其搜索步长，根据各个干扰类型分类性能指标ROC曲线下面积估算值AUC值及模型综合性能指标Macro‑Average AUC值选择最优参数和模型，并保存模型运用于应用模块；步骤五，应用阶段调用基站后台接口获得小区PRB干扰数据，移除存在缺失数据的记录，统计小区PRB干扰电平平均值Ravg，对Ravg大于阈值的小区判断是否为无干扰小区；所述的小区PRB干扰电平平均值Ravg计算方式如下：Ravg=10*log10(1nΣi=1n(10yi10));]]>步骤六，若步骤五中确定为有干扰小区，则重复步骤三提取干扰特征，并导入步骤四得到的模型进行分类预测，预测概率最大的干扰类型即为分类结果。