【技术实现步骤摘要】
本专利技术涉及无线通信，具体涉及一种无线电干扰识别方法和系统。
技术介绍
1、无线电干扰一直是通信领域中一个严重的问题，其广泛存在的多种干扰类型给通信设备和网络带来了巨大的挑战。这些干扰类型包括用户数干扰、广电干扰、干扰器干扰、省外广电干扰等，它们可以影响无线通信的质量和可靠性，导致通信中断、丢包、降低数据传输速率，甚至危害到紧急通信系统的正常运作。因此，无线电干扰识别成为了一项至关重要的任务，对维护通信网络的稳定性和安全性具有重要意义。
2、目前针对无线电干扰识别的主要解决方法有以下3种方式：
3、1、频谱分析：频谱分析是最常见的无线电干扰识别方法之一。它涉及到监测和分析信号的频谱特征，以检测异常频率成分或频谱形状的变化。这可以用于检测广电干扰或其他频谱受限的干扰。
4、2、波形特征提取：在干扰信号的时域波形中，工程师可以手动或自动提取各种特征，如干扰信号的持续时间、脉冲宽度、重复频率等。这些特征可以用于区分不同类型的干扰。
5、3、信号能量分析：通过计算信号的能量、功率谱密度和信噪比等参数，可以确定信号的强度和干扰的影响程度。
6、上述三种方式都存在较大的弊端，虽然传统方法在一定程度上可以解决无线电干扰识别问题，但它们存在以下局限性：对复杂、非线性干扰的适应性有限：传统方法往往难以应对复杂的、非线性的干扰信号，，这使得对新型干扰的识别和处理具有挑战性。并且传统方法通常需要专业人员手动设计和选择特征，这需要大量的时间和经验，并且可能无法适应多样性的干扰类型。而且，传统
7、因此，如何解决现有技术中无线电干扰识别难以应对复杂的、非线性的干扰信号并缺乏自动学习和适应性能力，是本领域技术人员亟待解决的技术问题。
技术实现思路
1、为实现本专利技术目的，本申请提供了一种无线电干扰识别方法，包括：
2、获取小区rb上行平均干扰电平数据；
3、利用多模态特征提取器从小区rb上行平均干扰电平数据中提取无线电干扰识别特征；
4、通过预先训练好的领域自适应算法将多模态下的所述无线电干扰识别特征映射到相同的分布空间；
5、将相同分布空间下的所述无线电干扰识别特征输入到预先训练好的支持向量机模型，对所述无线电干扰识别特征进行干扰类型分类；；
6、其中，所述多模态特征提取器包括如下模态中的至少两种：深度有监督特征提取网络、深度无监督特征提取网络和高斯核映射模块。
7、在其中一些具体实施例中，还包括：对所述小区rb上行平均干扰电平数据进行最大最小归一化以及异常值剔除操作。
8、在其中一些具体实施例中，根据小区rb上行平均干扰电平数据构建多模态特征提取器。
9、在其中一些具体实施例中，所述深度有监督特征提取网络通过自动学习所述小区rb上行平均干扰电平数据中与不同干扰类型相关的频域特征和时域特征，以识别并分类干扰信号。
10、在其中一些具体实施例中，所述深度无监督特征提取网络由多个无监督特征提取网络进行堆叠而成，包含输入层、隐藏层和输出层，，用于通过自动学习数据的内在表示来提取特征。
11、在其中一些具体实施例中，所述高斯核映射模块将所述小区rb上行平均干扰电平数据映射到高维空间，以捕捉数据中的复杂非线性关系。
12、在其中一些具体实施例中，所述领域自适应算法用于确定多模态最大均值差异，将所述多模态特征提取器所提取特征的领域数据分布映射到相同的分布空间。
13、在其中一些具体实施例中，根据所述无线电干扰识别特征建立训练集，利用所述支持向量机模型生成所述训练集与干扰类型之间的映射关系以确定干扰类型。
14、为实现同一专利技术目的，本申请还提供了一种无线电干扰识别系统，包括：
15、数据采集模块：用于获取小区rb上行平均干扰电平数据；
16、特征提取模块：用于利用多模态特征提取器从小区rb上行平均干扰电平数据中提取无线电干扰识别特征；
17、训练集生成模块：用于通过预先训练好的领域自适应算法将多模态下的所述无线电干扰识别特征映射到相同的分布空间；
18、分类模块：用于将相同分布空间下的所述无线电干扰识别特征输入到预先训练好的支持向量机模型，对所述无线电干扰识别特征进行干扰类型分类；
19、其中，所述多模态特征提取器包括如下模态中的至少两种：深度有监督特征提取网络、深度无监督特征提取网络和高斯核映射模块。
20、为实现同一专利技术目的，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的无线电干扰识别方法。
21、为实现同一专利技术目的，本申请还提供了一种终端，包括：：存储器、处理器和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，所述计算机程序被所述处理器执行时实现如上所述的无线电干扰识别方法。
22、上述技术方案的有益效果：
23、(1)多模态信息融合：本申请充分利用了多模态信息融合的思想，从不同小区rb上行平均干扰电平数据获取信息，包括深度有监督特征提取网络、深度无监督特征提取网络和高斯核函数。这样做可以提供更全面、多样性的特征表示，从而提高了干扰信号的识别准确性。
24、(2)有监督与无监督学习：本申请结合了有监督学习和无监督学习的优势。有监督学习用于训练分类模型，无监督学习则用于自动提取和学习特征表示。这种结合可以在没有大量标记数据的情况下提高模型性能，使其更具鲁棒性。
25、(3)领域自适应：本申请使用领域自适应算法可以提高模型的泛化性能。这意味着该方法可以在不同的环境和干扰情况下更好地适应，从而提高了实际应用的效果。
26、(4)可靠的决策：本申请通过综合多个模态的信息，该方法可以使决策更可靠。这对于需要在不同信息源之间进行综合推断的问题非常重要，如无线电干扰识别，因为它可以减少误判的可能性，提高决策的可信度。
本文档来自技高网...【技术保护点】
1.一种无线电干扰识别方法，其特征在于，包括：
2.根据权利要求1所述的无线电干扰识别方法，其特征在于，还包括：对所述小区RB上行平均干扰电平数据进行最大最小归一化以及异常值剔除操作。
3.根据权利要求1所述的无线电干扰识别方法，其特征在于，根据所述小区RB上行平均干扰电平数据构建多模态特征提取器。
4.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述深度有监督特征提取网络通过自动学习所述小区RB上行平均干扰电平数据中与不同干扰类型相关的频域特征和时域特征，以识别并分类干扰信号。
5.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述深度无监督特征提取网络由多个无监督特征提取网络进行堆叠而成，包含输入层、隐藏层和输出层，用于通过自动学习数据的内在表示来提取特征。
6.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述高斯核映射模块将所述小区RB上行平均干扰电平数据映射到高维空间，以捕捉数据中的复杂非线性关系。
7.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述领域自适应算法用于确
8.根据权利要求1所述的无线电干扰识别方法，其特征在于，根据所述无线电干扰识别特征建立训练集，利用所述支持向量机模型生成所述训练集与干扰类型之间的映射关系以确定干扰类型。
9.一种无线电干扰识别系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的无线电干扰识别方法。
11.一种终端，其特征在于，包括：存储器、处理器和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，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的无线电干扰识别方法。
...【技术特征摘要】
1.一种无线电干扰识别方法，其特征在于，包括：
2.根据权利要求1所述的无线电干扰识别方法，其特征在于，还包括：对所述小区rb上行平均干扰电平数据进行最大最小归一化以及异常值剔除操作。
3.根据权利要求1所述的无线电干扰识别方法，其特征在于，根据所述小区rb上行平均干扰电平数据构建多模态特征提取器。
4.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述深度有监督特征提取网络通过自动学习所述小区rb上行平均干扰电平数据中与不同干扰类型相关的频域特征和时域特征，以识别并分类干扰信号。
5.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述深度无监督特征提取网络由多个无监督特征提取网络进行堆叠而成，包含输入层、隐藏层和输出层，用于通过自动学习数据的内在表示来提取特征。
6.根据权利要求1所述的无线电干扰识别方法，其特征在于，所述高斯核映射模块将所述小区rb上行平均干扰电平数据映...
【专利技术属性】
技术研发人员：刘京，
申请(专利权)人：北京东土拓明科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。