一种智能干扰识别定位方法及其系统

技术领域

本发明涉及通讯技术领域，更具体地说，尤其涉及一种智能干扰识别定位方法及其系统。

背景技术

上行干扰的排查和分析历来是网络优化工作的难点，因为上行干扰无法提前预警，往往是单点网络指标严重恶化后，到达现场利用频谱仪、信令仪、八木天线等测试设备逐点排查发掘干扰原因；在这样的排查和定位过程，不仅繁琐复杂，需要优化人员具有丰富的经验和较强的分析能力，而且效率极低、费时费力，成为影响网络质量和性能的重要原因；由此可见上行干扰的发现、勘测、定位、排除整个过程急需科学的方法和有效的设备，实现准确、简易、全方位的上行干扰定位；同时，为了避免无线网络干扰的再次发生，针对不同的干扰源，还需设计出相应的优化方案。

发明内容

本发明针对上述缺点对现有技术进行改进，提供一种智能干扰识别定位方法及其系统，技术方案如下：

一种智能干扰识别系统，包括：

数据处理模块：用于初始数据收集导入后进行预处理、图形化；

异常干扰模型数据库：作为预置标准数据库，其来源包括两类：单一类型干扰源以及混合类型干扰源；

异常干扰信号智能判断算法模型：其包含异常干扰曲线模型、距离模型、定位模型和匹配算法；

服务器：收集由高频信号测向分析仪及无人机高频信号分析仪的上报测量数据，并进行数据分析；

指挥中心：根据输出所有受干扰小区的干扰类型，提出规避建议。

所述基于图像像素灰度值的图像匹配采用模板匹配，其将获取的图像在已知模型中寻找相应模式。

所述指挥中心包括有智能干扰分析系统软件，该智能干扰分析系统软件根据高清地图、干扰地理化分析和干扰智能判断结果得出相应的不同优先级的规避建议。

一种采用上述智能干扰识别系统的定位方法，包括如下步骤；

(1)数据处理：a、通过数据处理模块收集初始数据的导入，初始数据导入包括后台干扰测量数据、现场干扰检测回传数据、基站工参数据，为后续数据分析处理提供数据基础；

b、数据预处理：综合参考受扰小区的干扰电平、速率、接入、切换、掉线等性能指标，筛选出疑似受干扰小区；

c、数据图形化：通过建立数学模型，将数字信息转化为可视化图形；

d、基站工参数据和干扰数据：通过基站后台提取，上报输入到异常干扰模型数据库；

(2)干扰数据库：单一类型干扰源为实验室海量数据统计经典干扰特征图，混合类型干扰源为现网实测案例干扰特征图；

(3)异常干扰信号智能判断算法模型：根据上行干扰独具特性，对干扰图形包含的信息进行挖掘得出不同类型干扰的标准图，利用基于图像像素灰度值的图像匹配算法进行干扰图与标准图的图像匹配，来定位干扰类型，对全网小区上行干扰的实时分析和监控；

(4)排查现场：由高频信号测向分析仪及无人机高频信号分析仪提供上报测量数据到服务器；

(5)智能干扰分析系统软件：系统智能输出所有受干扰小区的干扰类型，并根据干扰类型结合方案实施难度和成本，给出相应的不同优先级的规避建议。

进一步，所述基站工参数据包括小区基本信息及不同运营商的站点信息。

进一步，基于图像像素灰度值的图像匹配，将获取的图像在已知模型中寻找相应模式，图像匹配既可以是图像间像素的对应关系，也可以是图像的表达式匹配，利用图像匹配算法计算两个图像的相似度，将图像转化为数学表达式，使图像匹配变成图像拟合，基于图像像素灰度值的匹配算法中的模板匹配的两个图像，尺寸小的称为模板图像，尺寸大的称为源图像，模板图像在源图像上逐个像素点匹配，直到在源图像中查找到与其相同或相似的区域，并圈出该区域。

进一步，所述模板匹配的算法原理如下：假设源图像s(x,y)大小为M×N，模板图像t(j,k)大小为W×H(W≦M,H≦N)，并且它们的原点都在左上角，两者的模板匹配原理如下：

①通过平移模板，把模板图像t移至源图像s的左上角，模板图像在源图像上覆盖的子图可用s(x+j,y+k)来表示，在源图像上平移子图s(x+j,y+k)；

②计算相似度并分析影响因素，每到一个像素，利用公式计算模板图像与子图計的相似度；

③模板匹配中相似度公式的改进，采用归一化互相关灰度匹配；

④使模板图像与子图达到最佳匹配，随着x值和y值的变换，子图像s(x+j,y+k)在源图像上移动，并利用公式计算出模板图像与源图像子图的相似度，将遍历源图像所有像素点。

进一步，所述模板图像与源图像子图的相似度等于1时，模板图像在源图像上匹配到与其完全一致的子图像。

进一步，所述模板图像与源图像子图的相似度取得最大值时，说明模板图像与子图达到最佳匹配位置。

与现有技术相比，本发明的有益效果为：本发明1、基于人工智能的干扰识别定位系统，能够较为准确定位干扰类型，极大的提高了工作效率；2、首次引入多维度干扰识别共性分析，预计较单独频域共性数据模型分析算法准确性可大幅提升，创造全国领先水平的基于干扰数据库的模型，智能分析系统的研发，并形成系统工具，填补行业空白；3、有效解决长期困扰优化工程师的上行干扰问题，将该问题定性，直观的呈现出来，为网络优化工程师提高网络服务质量给出有价值的参考意见；4、由于智能优化的数据分析，实时监控网络运行状况，及时发现网络问题，大幅降低测试排查干扰的工作量，节省大量优化及工程投资，具有较高的经济效益，随着仿真算法的不断升级与产品化并应用到实际工作中，会成为网络优化工程师的得力工具；5、每一类型干扰源的无线电波中均具备识别度极高的频域特征(干扰信号的频率，带宽，波形)，时域特征(帧结构)，这些特征在原始收集的数据中(后台检测数据，现场干扰排查检测数据)均有相应信息，通过前期已知或项目过程中对各类干扰的数学模型建模，建立无线干扰数据模型库，提炼共性的特征算法，实现输入低成本收集的数据，输入系统，通过算法匹配干扰数据库模型，直接智能分析，快速定性干扰源，直接智能输出干扰源智能分析结果，定性，定位干扰源，并给出解决干扰的建议。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍：

图1为本发明的系统整体架构图；

图2为本发明实施例中的典型CDMA杂散干扰图；

图3为本发明的像素点坐标示意图；

图4为本发明的干扰类型定位流程图；

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，详细如下：

一种智能干扰识别系统，包括：

数据处理模块：用于初始数据收集导入后进行预处理、图形化；

异常干扰模型数据库：作为预置标准数据库，其来源包括两类：单一类型干扰源以及混合类型干扰源；

异常干扰信号智能判断算法模型：其包含异常干扰曲线模型、距离模型、定位模型和匹配算法；

服务器：收集由高频信号测向分析仪及无人机高频信号分析仪的上报测量数据，并进行数据分析；

指挥中心：根据输出所有受干扰小区的干扰类型，提出规避建议。

基于图像像素灰度值的图像匹配采用模板匹配，其将获取的图像在已知模型中寻找相应模式。

指挥中心包括有智能干扰分析系统软件，该智能干扰分析系统软件根据高清地图、干扰地理化分析和干扰智能判断结果得出相应的不同优先级的规避建议。

一种采用上述智能干扰识别系统的定位方法，包括如下步骤；

(1)数据处理：a、通过数据处理模块收集初始数据的导入，初始数据导入包括后台干扰测量数据、现场干扰检测回传数据、基站工参数据，为后续数据分析处理提供数据基础；

b、数据预处理：综合参考受扰小区的干扰电平、速率、接入、切换、掉线等性能指标，筛选出疑似受干扰小区；

c、数据图形化：通过建立数学模型，将数字信息转化为可视化图形；

d、基站工参数据和干扰数据：通过基站后台提取，上报输入到异常干扰模型数据库；

(2)干扰数据库：单一类型干扰源为实验室海量数据统计经典干扰特征图，混合类型干扰源为现网实测案例干扰特征图；

a、如图2所示，以CDMA网络对GSM网络产生的杂散干扰为例，介绍经典干扰特征图分析与设计思路；

b、根据杂散干扰产生的原理分析和理论公式推导，我们可以确定杂散干扰在由统计数据绘制的干扰图的特点：

·在低端频点号的范围内，干扰电平值较高，干扰明显；

·随着频点号增加，干扰电平值减小，干扰强度整体趋势下降；

·话务量忙时和闲时的干扰图均会呈现上述特点。

同样地，我们可以得出各个网络的各种类型干扰特性标准图。

(3)异常干扰信号智能判断算法模型：根据上行干扰独具特性，对干扰图形包含的信息进行挖掘得出不同类型干扰的标准图，利用基于图像像素灰度值的图像匹配算法进行干扰图与标准图的图像匹配，来定位干扰类型，对全网小区上行干扰的实时分析和监控；

模板匹配算法设计：基于图像像素灰度值的图像匹配，将获取的图像在已知模型中寻找相应模式，图像匹配既可以是图像间像素的对应关系，也可以是图像的表达式匹配，利用图像匹配算法计算两个图像的相似度，将图像转化为数学表达式，使图像匹配变成图像拟合，基于图像像素灰度值的匹配算法中的模板匹配的两个图像，尺寸小的称为模板图像，尺寸大的称为源图像，模板图像在源图像上逐个像素点匹配，直到在源图像中查找到与其相同或相似的区域，并圈出该区域；

算法原理：如图3所示，假设源图像s(x,y)大小为M×N，模板图像t(j,k)大小为W×H(W≦M,H≦N)，并且它们的原点都在左上角，两者的模板匹配原理如下：

①通过平移模板，把模板图像t移至源图像s的左上角，模板图像在源图像上覆盖的子图可用s(x+j,y+k)来表示，在源图像上平移子图s(x+j,y+k)；

②计算相似度并分析影响因素，每到一个像素，利用公式计算模板图像与子图計的相似度；

③模板匹配中相似度公式的改进，采用归一化互相关灰度匹配；

④使模板图像与子图达到最佳匹配，随着x值和y值的变换，子图像s(x+j,y+k)在源图像上移动，并利用公式计算出模板图像与源图像子图的相似度，将遍历源图像所有像素点；当相似度＝1时，模板图像在源图像上匹配到与其完全一致的子图像。但是实际应用中会存在噪声等，导致计算产生误差，相似度只能小于1；当相似度取得最大值时，说明模板图像与子图达到最佳匹配位置。

(4)排查现场：由高频信号测向分析仪及无人机高频信号分析仪提供上报测量数据到服务器；

(5)智能干扰分析系统软件：系统智能输出所有受干扰小区的干扰类型，并根据干扰类型结合方案实施难度和成本，给出相应的不同优先级的规避建议。

进一步，基站工参数据包括小区基本信息及不同运营商的站点信息。

本发明：1、基于人工智能的干扰识别定位系统，能够较为准确定位干扰类型，极大的提高了工作效率；2、首次引入多维度干扰识别共性分析，预计较单独频域共性数据模型分析算法准确性可大幅提升，创造全国领先水平的基于干扰数据库的模型，智能分析系统的研发，并形成系统工具，填补行业空白；3、有效解决长期困扰优化工程师的上行干扰问题，将该问题定性，直观的呈现出来，为网络优化工程师提高网络服务质量给出有价值的参考意见；4、由于智能优化的数据分析，实时监控网络运行状况，及时发现网络问题，大幅降低测试排查干扰的工作量，节省大量优化及工程投资，具有较高的经济效益，随着仿真算法的不断升级与产品化并应用到实际工作中，会成为网络优化工程师的得力工具；5、每一类型干扰源的无线电波中均具备识别度极高的频域特征(干扰信号的频率，带宽，波形)，时域特征(帧结构)，这些特征在原始收集的数据中(后台检测数据，现场干扰排查检测数据)均有相应信息，通过前期已知或项目过程中对各类干扰的数学模型建模，建立无线干扰数据模型库，提炼共性的特征算法，实现输入低成本收集的数据，输入系统，通过算法匹配干扰数据库模型，直接智能分析，快速定性干扰源，直接智能输出干扰源智能分析结果，定性，定位干扰源，并给出解决干扰的建议。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同物限定。