CN108197545A - 干扰类型的识别方法和*** - Google Patents
干扰类型的识别方法和*** Download PDFInfo
- Publication number
- CN108197545A CN108197545A CN201711425496.7A CN201711425496A CN108197545A CN 108197545 A CN108197545 A CN 108197545A CN 201711425496 A CN201711425496 A CN 201711425496A CN 108197545 A CN108197545 A CN 108197545A
- Authority
- CN
- China
- Prior art keywords
- interference
- data
- type
- interference type
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及移动通信技术领域,特别是涉及一种干扰类型的识别方法和***。本发明方案包括以下步骤:利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;采集待识别的干扰波形数据,并将波形数据输入至干扰类型识别模型进行干扰类型识别;获取干扰类型识别结果,根据干扰类型识别结果获取待识别的干扰波形数据的干扰类型。上述干扰类型的识别方法对待识别的干扰波形数据进行准确分类,在干扰信号类型进行排查时,可以将干扰波形数据输入至干扰信号类型识别模型,实现对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
Description
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的识别方法和***。
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、互调和杂散干扰等等,此外还有其他无线电设备,例如手机信***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波形的图形特征,通过干扰波形的图形特征可以识别干扰类型。但是这种识别方法是通过直接对干扰波形的图形特征进行识别,在进行干扰排查作业,面对大量的干扰波形数据时,对干扰类型判断往往容易出错,难以对干扰类型进行准确分类,分类准确率低。
发明内容
基于此,有必要针对干扰类型进行分类准确率低的问题,提供一种干扰类型的识别方法和***。
一种干扰类型的识别方法,包括以下步骤:
利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;
采集待识别的干扰波形数据,并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别;
获取干扰类型识别结果,根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
上述干扰类型的识别方法,通过创建干扰信号类型识别模型,对待识别的干扰波形数据进行准确分类,在干扰信号类型进行排查时,可以将干扰波形数据输入至干扰信号类型识别模型,实现对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
在其中一个实施例中,所述利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型的步骤,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;
获取干扰数据训练集,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,保存所述神经网络模型的模型参数,获取干扰类型识别模型。
在其中一个实施例中,所述获取干扰数据训练集的步骤,包括以下步骤:
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选取若干个干扰数据样本形成干扰数据训练集集。
在其中一个实施例中,所述干扰类型识别的神经网络模型包括输入层、多层隐藏层以及输出层;其中,所述输入层用于接收干扰波形数据,所述隐藏层用于对干扰波形数据进行激励以及特征计算,所述输出层用于输出干扰波形数据的干扰类型识别结果。
在其中一个实施例中,所述干扰类型识别的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,所述获取干扰类型识别模型的步骤之后,还包括以下步骤:
从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;
将所述干扰数据测试集中每个干扰波形数据输入至所述干扰类型识别模型,得到干扰波形数据的干扰类型;
根据得到的干扰波形数据干扰类型以及所述干扰波形数据对应标注的干扰类型获取所述干扰类型识别模型的干扰识别准确率;
若所述干扰识别准确率低于预设干扰识别准确率阈值,根据所述干扰数据训练集对所述干扰类型识别模型再次进行训练,直至达到所述干扰识别准确率阈值。
在其中一个实施例中,所述干扰数据测试集由所述干扰数据样本集除所述干扰数据训练集以外的干扰数据样本构成。
一种干扰类型的识别***,包括:
模型获取模块,用于利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;
数据采集模块,用于采集待识别的干扰波形数据,并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别;
干扰识别模块,用于获取干扰类型识别结果,根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
上述干扰类型的识别***,通过模型获取模块得到的干扰信号类型识别模型,对通过数据采集模块获取待识别的干扰波形数据进行准确分类,在干扰信号类型进行排查时,可以将干扰波形数据输入至干扰信号类型识别模型,实现对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述干扰类型的识别方法。
上述计算机设备,通过所述处理器上运行的计算机程序,实现了对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述干扰类型的识别方法。
上述计算机存储介质,通过其存储的计算机程序,实现了对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
附图说明
图1为本发明一个实施例中干扰类型的识别方法的流程图;
图2为本发明一个实施例中根据干扰数据训练集对神经网络模型进行训练的流程图;
图3为本发明一个实施例中干扰类型的识别***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
参见图1,图1为本发明一个实施例中干扰类型的识别方法的流程图,该实施例中干扰类型的识别方法,包括以下步骤:
步骤S110:利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本。
本步骤中,干扰数据训练集包括需要识别的所有类型的干扰波形数据样本,干扰类型识别模型是经过训练的用于干扰类型识别的神经网络模型。
进一步的,干扰类型识别的神经网络模型可以包括输入层、多层隐藏层以及输出层;其中,输入层用于接收干扰波形数据,隐藏层用于对输入层获得的干扰波形数据进行特征计算,输出层用于输出干扰波形数据的干扰类型识别结果。
其中,输入层的神经元个数等于干扰波形数据量;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,步骤S110可以包括:
基于DNN(Deep Neural Networks,深度神经网络)技术生成干扰类型识别的神经网络模型;获取干扰数据训练集,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,保存神经网络模型的模型参数,获取干扰类型识别模型。
其中,预设条件可以设置为一定的训练次数,即当训练达到一定次数,保存神经网络模型的模型参数;预设条件也可以设置为神经网络模型的干扰类型识别准确率阈值,即当神经网络模型的干扰类型识别准确率达到一定阈值,即保存神经网络模型的模型参数。
具体的,可以利用DNN技术生成神经网络模型并初始化神经网络模型的层次结构、各层的神经元数量以及各层神经元之间的权值、正则项和激活函数。基于DNN技术生成的神经网络模型对一维数据具有良好的处理性能,能够很好的应用于干扰类型识别。当训练结果达到预设条件时结束对神经网络模型的训练,保存当前的模型参数得到干扰类型识别模型。
在其中一个实施例中,获取干扰数据训练集的步骤,具体可以如下:
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选取若干个干扰数据样本形成干扰数据训练集。
具体的,进行干扰类型识别所使用干扰波形数据通常使用的是资源块的信号强度值组成的一维干扰波形数据,能够客观反映移动网络真实情况,根据资源块的信号强度值的分布规律可以对干扰类型进行分类,且其维度低以及量级不高,有利于干扰类型识别模型的构建。通过采集已经经过人工干扰类型分析的资源块的信号强度值组成的干扰波形数据,并根据人工干扰类型分析结果对该干扰波形数据标注干扰类型,获得形如(干扰波形数据,干扰类型)的干扰数据样本,形成干扰数据样本集。从干扰数据样本集中随机筛选若干个的干扰数据样本形成干扰数据训练集。
步骤S120:采集待识别的干扰波形数据,并将波形数据输入至干扰类型识别模型进行干扰类型识别。
本步骤中,在获取干扰类型识别模型后,将待识别的干扰波形数加载至干扰类型识别模型中,利用干扰类型识别模型对干扰进行识别。
步骤S130:获取干扰类型识别结果,根据干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
本步骤中,通过干扰类型识别模型输出的干扰类型识别结果,可以获取待识别的干扰波形数据的干扰类型。
上述干扰类型的识别方法,通过创建干扰信号类型识别模型,对待识别的干扰波形数据进行准确分类,在干扰信号类型进行排查时,可以将干扰波形数据输入至干扰信号类型识别模型,实现对干扰的类型进行准确识别,提高对干扰类型的分类的准确率,实现对干扰的类型进行快速准确的识别,减少资源的浪费,提高对干扰类型的分类效率。
参见图2,图2为本发明一个实施例中根据干扰数据训练集对神经网络模型进行训练的流程图,包括以下步骤:
步骤S210:将干扰数据训练集中每个干扰波形数据通过神经网络模型的输入层输入至神经网络模型的隐藏层,其中,干扰波形数据经过神经网络模型的隐藏层的处理转换后,输出至神经网络模型的输出层;
步骤S220:获取神经网络模型的输出层的输出结果;
步骤S230:根据输出结果以及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神经网络模型的模型参数。
上述干扰类型识别的神经网络模型的训练过程,通过输入干扰数据训练集中每个干扰波形数据,计算获得每个干扰波形数据的输出结果,通过每个干扰波形数据输出结果与每个干扰波形数据实际标注的分类结果,对干扰类型识别的神经网络模型的模型参数不断进行优化,提高干扰类型识别的神经网络模型的输出结果与真实标注结果的一致性,提高干扰类型识别的神经网络模型的干扰识别准确率。
具体的,干扰波形数据进入神经网络模型的输入层,经过输入层后乘以神经元之间的权值,并加上正则项并被激活函数处理后向前传播到隐藏层,每层隐藏层继续对上一层层次输出的干扰波形数据进行相同的处理并向前传播,最终数据到达输出层;利用损失函数计算输出层的输出结果与实际标注的分类结果的损失,通过梯度下降算法反向传播至隐藏层,同时对本层的权值进行优化更新;隐藏层继续通过梯度下降算法反向传播,同时对本层的权值进行优化更新,最终达到输入层;每层神经元之间的权值依次得到优化更新,一次训练完成。
在其中一个实施例中,步骤S210根据干扰数据训练集对神经网络模型进行训练的步骤之前,还可以包括以下步骤:
对干扰数据训练集中每个干扰波形数据进行归一化操作。
一般情况下,考虑到干扰类型识别的神经网络模型对数据的输入具有严格要求,而干扰波形数据又主要分布在-100左右的大区间内,因此,在将干扰数据训练集的干扰波形数据输入至干扰类型识别的神经网络模型之前,通过对干扰波形数据进行归一化处理,可以使得干扰波形数据的浮动区间在-1到1之间,以提高训练效果,使得神经网络模型对干扰类型识别的准确性提高。
进一步的,步骤S210根据干扰数据训练集对神经网络模型进行训练的步骤之前,还可以对干扰数据训练集中每个干扰波形数据对应标注的干扰类型进行独热编码。
进一步地,为了保证干扰类型识别模型的对干扰类型分类的准确性,可以对干扰类型识别模型进行测试。
作为一个实施例,在获取干扰类型识别模型的步骤之后还可以包括:
从干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;将干扰数据测试集中每个干扰波形数据输入至干扰类型识别模型,得到干扰波形数据的干扰类型;根据得到的干扰波形数据干扰类型以及干扰波形数据对应标注的干扰类型获取干扰类型识别模型的干扰识别准确率;若干扰识别准确率低于预设干扰识别准确率阈值,根据干扰数据训练集对干扰类型识别模型再次进行训练,直至达到干扰识别准确率阈值。
其中,干扰类型识别模型重新进行训练的结束条件可以设置为干扰类型识别模型的干扰类型识别准确率阈值,即当干扰类型识别模型的干扰类型识别准确率达到一定阈值,停止对模型的训练,保存当前干扰类型识别模型的模型参数。
可选的,干扰类型识别模型重新进行训练的结束条件还可以设置为一定次数的训练循环,即当训练循环达到一定次数,停止对模型的训练,保存当前干扰类型识别模型的模型参数。
上述干扰类型识别模型的测试方案,通过在准确率达不到预设阈值,对干扰类型识别模型重新进行训练,以保证干扰类型识别模型的对干扰类型分类的准确性。
进一步的,干扰数据测试集可以由干扰数据样本集除干扰数据训练集以外的干扰数据样本构成。
在获取干扰数据样本集以后,按照一定比例将干扰数据样本集随机划分为干扰数据训练集以及干扰数据测试集,使得干扰数据训练集以及测试集具有一定的随机性,避免神经网络模型过拟合训练,降低其准确性。
为了更加清晰本发明技术方案,下面以带宽为20M的4G网络为例,对本发明实施例的干扰类型的识别方法进一步阐述。
(1)生成的干扰类型识别的神经网络模型;
基于DNN技术生成的干扰类型识别的神经网络模型,初始化神经网络模型的层次结构、各层的神经元数量以及各层神经元之间的权值、正则项和激活函数。神经网络模型设置为包括输入层、输出层以及三层隐藏层,将干扰波形数据作为神经网络模型输入层,输入层的神经元数量设置为100个,第一隐藏层的神经元数量设置为64个,第二隐藏层的神经元数量设置为32个,第三隐藏层的神经元数量设置为16个,这样设置隐藏层保证了神经网络模型对干扰类型识别的准确性。输出层的神经元设置为6个,对应4G网络的6种干扰类型。
(2)采集干扰数据样本集;
带宽为20M的4G网络带宽内有100个资源块,通过采集已经经过人工干扰类型分析的100个资源块的信号强度值组成的干扰波形数据,并根据人工干扰类型分析结果对该干扰波形数据标注干扰类型,获得形如(RB1,RB2,…,RB100,label)的干扰数据样本。经过一段时间后可以收集到一定的干扰数据样本量,对于存在明显错误或者不完整的干扰数据样本再次进行筛选,剩下的干扰数据样本作为干扰数据样本集。
(3)划分训练集和测试集;
从干扰数据样本集中随机抽取50%的样本,再按照9:1的比例随机分成训练集和测试集,形成干扰类型识别的神经网络模型的干扰数据训练集和干扰数据测试集。根据神经网络训练的理想状态下干扰数据训练集和干扰数据测试集中各个分类的样本需要趋于均衡,更有利于神经网络模型学习分类规律,基于这一原则,对样本数量太多的分类样本需要随机剔除一部分样本,使每个分类的样本数不至于差距过大,样本数最少的分类保持在样本数最多分类的50%以上。
(4)对干扰数据训练集进行处理;
通过归一化处理,可以将干扰波形数据的浮动区间限制在-1到1之间,并对干扰类型进行独热编码,以适应神经网络模型学习的需要。
(5)对神经网络模型进行训练;
将进行归一化处理后的干扰数据训练集加载到干扰类型识别的神经网络模型中,经过输入层后乘以神经元之间的权值,并加上正则项并被激活函数处理后向前传播到隐藏层,每层隐藏层继续对上一层层次输出的干扰波形数据进行相同的处理并向前传播,最终数据到达输出层;利用损失函数计算输出层的输出结果与实际标注的分类结果的损失,通过梯度下降算法反向传播至隐藏层,同时对本层的权值进行优化更新;隐藏层继续通过梯度下降算法反向传播,同时对本层的权值进行优化更新,最终达到输入层;每层神经元之间的权值依次得到优化更新,一次训练完成。当训练次数达到1000次时,保存神经网络模型的模型参数,得到干扰类型识别模型。
(6)对干扰类型识别模型进行测试;
在获取干扰类型识别模型后,利用干扰数据测试集对干扰类型识别模型的干扰识别准确率进行测试,假如准确率达不到预设阈值95%,需要对干扰类型识别模型再次进行训练,训练结束后保存模型参数,更新干扰类型识别模型,其中,训练结束条件预设为准确率达到95%,同时训练循环达到1000次结束也作为训练结束设置。
(7)识别干扰波形数据的干扰类型;
加载经过训练以及测试的干扰类型识别模型,将采集得到的待识别的干扰波形数据输入至干扰类型识别模型中,自动预测判断待识别的干扰波形数据。
根据上述干扰类型的识别方法,本发明还提供一种干扰类型的识别***,以下就本发明的干扰类型的识别***的实施例进行详细说明。
参见图3,图3为本发明一个实施例中干扰类型的识别***的结构示意图。本实施例中,干扰类型的识别***,包括:
模型获取模块310,用于利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;
数据采集模块320,用于采集待识别的干扰波形数据,并将波形数据输入至干扰类型识别模型进行干扰类型识别;
干扰识别模块330,用于获取干扰类型识别结果,根据干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
上述干扰类型的识别***,通过模型获取模块310创建干扰信号类型识别模型,对通过数据采集模块320采集的待识别的干扰波形数据进行准确分类,在干扰信号类型进行排查时,可以将干扰波形数据输入至干扰信号类型识别模型,实现对干扰的类型进行准确识别,提高对干扰类型的分类的准确率,实现对干扰的类型进行快速准确的识别,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,模型获取模块310包括模型生成单元,模型生成单元基于DNN技术生成干扰类型识别的神经网络模型;获取干扰数据训练集,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,保存神经网络模型的模型参数,获取干扰类型识别模型。
在其中一个实施例中,模型获取模块310包括干扰数据采集单元,干扰数据采集单元用于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选取若干个干扰数据样本形成干扰数据训练集集。
在其中一个实施例中,干扰类型识别的神经网络模型包括输入层、多层隐藏层以及输出层;其中,输入层用于接收干扰波形数据,隐藏层用于对干扰波形数据进行激励以及特征计算,输出层用于输出干扰波形数据的干扰类型识别结果。
在其中一个实施例中,干扰类型识别的神经网络模型的输入层的神经元个数等于干扰波形数据量;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,模型获取模块310包括模型训练单元,模型训练单元将干扰数据训练集中每个干扰波形数据通过神经网络模型的输入层输入至神经网络模型的隐藏层,其中,干扰波形数据经过神经网络模型的隐藏层的处理转换后,输出至神经网络模型的输出层;获取神经网络模型的输出层的输出结果;根据输出结果以及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神经网络模型的模型参数。
在其中一个实施例中,模型训练单元对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,模型获取模块310包括模型测试单元,模型测试单元从干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;将干扰数据测试集中每个干扰波形数据输入至干扰类型识别模型,得到干扰波形数据的干扰类型;根据得到的干扰波形数据干扰类型以及干扰波形数据对应标注的干扰类型获取干扰类型识别模型的干扰识别准确率;若干扰识别准确率低于预设干扰识别准确率阈值,根据干扰数据训练集对干扰类型识别模型再次进行训练,直至达到干扰识别准确率阈值。
在其中一个实施例中,干扰数据测试集由干扰数据样本集除干扰数据训练集以外的干扰数据样本构成。
本发明的干扰类型的识别***与本发明的干扰类型的识别方法一一对应,在上述干扰类型的识别方法的实施例阐述的技术特征及其有益效果均适用于干扰类型的识别***的实施例中,特此声明。
在其中一个实施例中,还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施例中的任意一种干扰类型的识别方法。
该计算机设备,其处理器执行程序时,通过实现如上述各实施例中的任意一种干扰类型的识别方法,从而可以对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
此外,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机***的存储介质中,并被该计算机***中的至少一个处理器执行,以实现包括如上述各干扰类型的识别方法的实施例的流程。
在其中一个实施例中,还提供一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种干扰类型的识别方法。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
该计算机存储介质,其存储的计算机程序,通过实现包括如上述各干扰类型的识别方法的实施例的流程,从而可以对干扰的类型进行准确识别,提高对干扰类型的分类的准确率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种干扰类型的识别方法,其特征在于,包括以下步骤:
利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;
采集待识别的干扰波形数据,并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别;
获取干扰类型识别结果,根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
2.根据权利要求1所述的干扰类型的识别方法,其特征在于,所述利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型的步骤,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;
获取干扰数据训练集,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,保存所述神经网络模型的模型参数,获取干扰类型识别模型。
3.根据权利要求2所述的干扰类型的识别方法,其特征在于,所述获取干扰数据训练集的步骤,包括以下步骤:
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选取若干个干扰数据样本形成干扰数据训练集集。
4.根据权利要求1所述的干扰类型的识别方法,其特征在于,所述神经网络模型包括输入层、多层隐藏层以及输出层;其中,所述输入层用于接收干扰波形数据,所述隐藏层用于对输入层获得的干扰波形数据进行特征计算,所述输出层用于输出干扰波形数据的干扰类型识别结果。
5.根据权利要求4所述的干扰类型的识别方法,其特征在于,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。
6.根据权利要求2所述的干扰类型的识别方法,其特征在于,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。
7.根据权利要求6所述的干扰类型的识别方法,其特征在于,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。
8.根据权利要求2所述的干扰类型的识别方法,其特征在于,所述获取干扰类型识别模型的步骤之后,还包括以下步骤:
从所述干扰数据样本集中选取若干个干扰数据样本形成干扰数据测试集;
将所述干扰数据测试集中每个干扰波形数据输入至所述干扰类型识别模型,得到干扰波形数据的干扰类型;
根据得到的干扰波形数据干扰类型以及所述干扰波形数据对应标注的干扰类型获取所述干扰类型识别模型的干扰识别准确率;
若所述干扰识别准确率低于预设干扰识别准确率阈值,根据所述干扰数据训练集对所述干扰类型识别模型再次进行训练,直至达到所述干扰识别准确率阈值。
9.根据权利要求8所述的干扰类型的识别方法,其特征在于,所述干扰数据测试集由所述干扰数据样本集除所述干扰数据训练集以外的干扰数据样本构成。
10.一种干扰类型的识别***,其特征在于,包括:
模型获取模块,用于利用干扰数据训练集对干扰类型识别的神经网络模型进行训练,获取干扰类型识别模型;其中,所述干扰数据训练集包括由干扰波形数据及其对应标注的干扰类型形成的干扰数据样本;
数据采集模块,用于采集待识别的干扰波形数据,并将所述波形数据输入至所述干扰类型识别模型进行干扰类型识别;
干扰识别模块,用于获取干扰类型识别结果,根据所述干扰类型识别结果获取待识别的干扰波形数据的干扰类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711425496.7A CN108197545A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型的识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711425496.7A CN108197545A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型的识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197545A true CN108197545A (zh) | 2018-06-22 |
Family
ID=62583929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711425496.7A Pending CN108197545A (zh) | 2017-12-25 | 2017-12-25 | 干扰类型的识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197545A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709553A (zh) * | 2019-02-01 | 2019-05-03 | 北京航空航天大学 | 一种基于卷积神经网络的射频压制干扰分类方法 |
CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价*** |
WO2020001311A1 (zh) * | 2018-06-29 | 2020-01-02 | 中兴通讯股份有限公司 | 一种检测干扰的方法、装置、设备及存储介质 |
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030089914A (ko) * | 2002-05-20 | 2003-11-28 | 황인관 | 무선통신시스템에서의 다중 사용자 간섭 제거를 위한실시간 다중 사용자 신호 검출 방법 |
CN104729667A (zh) * | 2015-03-25 | 2015-06-24 | 北京航天控制仪器研究所 | 一种分布式光纤振动传感***中的扰动类型识别方法 |
CN104754597A (zh) * | 2013-12-25 | 2015-07-01 | ***通信集团江苏有限公司 | 一种干扰自动检测的设备、***及方法 |
CN104834941A (zh) * | 2015-05-19 | 2015-08-12 | 重庆大学 | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 |
CN105380643A (zh) * | 2015-12-11 | 2016-03-09 | 浙江铭众科技有限公司 | 一种三导联心电电极的连接判别方法 |
CN105721070A (zh) * | 2014-12-05 | 2016-06-29 | ***通信集团公司 | 一种干扰检测方法及装置 |
CN106162681A (zh) * | 2015-03-24 | 2016-11-23 | ***通信集团公司 | 一种gsm900二次谐波干扰的检测方法及装置 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN106788587A (zh) * | 2015-11-16 | 2017-05-31 | 亿阳信通股份有限公司 | 一种干扰类型的确定方法及装置 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
-
2017
- 2017-12-25 CN CN201711425496.7A patent/CN108197545A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030089914A (ko) * | 2002-05-20 | 2003-11-28 | 황인관 | 무선통신시스템에서의 다중 사용자 간섭 제거를 위한실시간 다중 사용자 신호 검출 방법 |
CN104754597A (zh) * | 2013-12-25 | 2015-07-01 | ***通信集团江苏有限公司 | 一种干扰自动检测的设备、***及方法 |
CN105721070A (zh) * | 2014-12-05 | 2016-06-29 | ***通信集团公司 | 一种干扰检测方法及装置 |
CN106162681A (zh) * | 2015-03-24 | 2016-11-23 | ***通信集团公司 | 一种gsm900二次谐波干扰的检测方法及装置 |
CN104729667A (zh) * | 2015-03-25 | 2015-06-24 | 北京航天控制仪器研究所 | 一种分布式光纤振动传感***中的扰动类型识别方法 |
CN104834941A (zh) * | 2015-05-19 | 2015-08-12 | 重庆大学 | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 |
CN106788587A (zh) * | 2015-11-16 | 2017-05-31 | 亿阳信通股份有限公司 | 一种干扰类型的确定方法及装置 |
CN105380643A (zh) * | 2015-12-11 | 2016-03-09 | 浙江铭众科技有限公司 | 一种三导联心电电极的连接判别方法 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001311A1 (zh) * | 2018-06-29 | 2020-01-02 | 中兴通讯股份有限公司 | 一种检测干扰的方法、装置、设备及存储介质 |
CN109709553A (zh) * | 2019-02-01 | 2019-05-03 | 北京航空航天大学 | 一种基于卷积神经网络的射频压制干扰分类方法 |
CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价*** |
CN109919931B (zh) * | 2019-03-08 | 2020-12-25 | 数坤(北京)网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价*** |
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN110717028B (zh) * | 2019-10-18 | 2022-02-15 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197545A (zh) | 干扰类型的识别方法和*** | |
CN108135003A (zh) | 干扰类型识别模型的构建方法和*** | |
Mason et al. | A guide for using functional diversity indices to reveal changes in assembly processes along ecological gradients | |
CN108282263B (zh) | 基于一维深度残差轻量网络的编码调制联合识别方法 | |
CN108090508A (zh) | 一种分类训练方法、装置及存储介质 | |
CN110427893A (zh) | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 | |
CN106680576B (zh) | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 | |
CN113221781B (zh) | 一种基于多任务深度卷积神经网络的载波信号检测方法 | |
CN108399431A (zh) | 分类模型训练方法以及分类方法 | |
CN106407649A (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
CN109034127A (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN108535648A (zh) | 电机故障诊断方法和*** | |
CN109480835B (zh) | 一种基于长短期记忆神经网络的精神疲劳检测方法 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
US20190246299A1 (en) | Method and test system for mobile network testing as well as a network testing system | |
CN107463879A (zh) | 基于深度学习的人体行为识别方法 | |
CN108009287A (zh) | 一种基于对话***的回答数据生成方法以及相关装置 | |
CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
Zhang et al. | Explainability for regression CNN in fetal head circumference estimation from ultrasound images | |
CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、***及可读存储介质 | |
CN109918444A (zh) | 模型结果的训练/验证/管理方法/***、介质及设备 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN114021458A (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN106610486A (zh) | 一种节点定位的方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |