参数确定方法、干扰分类识别方法及其装置与流程

本发明涉及通信技术领域，尤其涉及一种参数确定方法、干扰分类识别方法及其装置。

背景技术：

在现有的无线通信技术中，有很多技术都会使用相同的频段，例如在2.4g频段中，基于ieee802.11b标准的无线局域网，如无线保真(wirelessfidelity，wi-fi)；蓝牙(bluetooth)；微波炉(microoven，mwo)；基于ieee802.15.4标准的无线局域网，如紫蜂(zigbee)网络都会使用这一频段工作。

图1a至图1d分别是wi-fi，bluetooth，mwo，zigbee在2.4g频段工作的示意图。如图1a所示，wi-fi网络是宽带系统，具有14个信道(channel)，其信道带宽为22mhz，其最大传输功率为20dbm；如图1b所示，bluetooth网络是跳频窄带系统，其具有79个信道，每个信道带宽为1mhz，其发射功率为0dbm，4dbm或20dbm；mwo网络具有不同的模型，不同的模型都以60hz为周期，具有窄带特性，图1c所示的一种模型；如图1d所示，zigbee网络具有16个信道，每个信道带宽为2mhz，其典型的传输功率为20dbm。因此，wi-fi，bluetooth，mwo，zigbee网络彼此之间会造成干扰，例如，在zigbee网络工作在信道20时，使用信道7-10工作的wi-fi网络会对zigbee网络造成干扰，同样的，mwo网络和使用信道47-49工作的bluetooth网络会对zigbee网络造成干扰。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

技术实现要素：

在现有技术中，提出了一种基于隐马尔可夫(hiddenmarkovmodel，hmm)模 型对干扰进行分类识别的方法(参考文献1)，该方法使用最大期望算法(expectationmaximizationalgorithm，em)训练隐马尔可夫模型中的参数，但是经研究发现，上述构建hmm模型的方法复杂度高，实现难度较高。

参考文献1：zhiyuanweng,philiporlik,andkyeongjinkim,classificationofwirelessinterferenceon2.4ghzspectrum,wcncieee,pp.786-791,6-9april,2014.

本发明实施例提出了一种参数确定方法、干扰分类识别方法及其装置，能够容易地确定隐马尔可夫模型中的参数，其中，基于门限值简化处理参数序列，使得参数序列为有限集合，降低了确定上述隐马尔可夫模型中的参数的复杂度。此外，可以将干扰分类识别问题转换为解码问题，实现难度低。

本发明实施例的上述目的是通过如下技术方案实现的：

根据本发明实施例的第一个方面，提供了一种用于干扰分类识别的参数确定装置，其中，对当前网络造成干扰的干扰源为第一数量m个，该装置包括：

第一确定单元，其用于针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括第二数量n1个参数值，该n1个参数值之和等于1；

其中，该第一确定单元包括：第一检测单元、第一处理单元、第二确定单元，在确定一个干扰状态下的一组参数时，该第一检测单元用于针对第三数量t个时刻，检测每个时刻下的预定的第四数量k个第一网络参数，以获得由该t个时刻的、k个第一网络参数构成的第一参数序列；

该第一处理单元用于对每个时刻下的k个第一网络参数进行优化处理，以获得由该t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

该第二确定单元用于根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值，其中，该参数状态由第五数量l个预设条件对应的l个第二参数确定，n1＝l^k；

其中，在对一个时刻下的k个第一网络参数进行优化处理时，该第一处理单元还用于分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得该一个时刻下的k个第二参数；其中，每个预设条件分别对应一个第二参数， 不同的预设条件，对应的第二参数不同。

根据本发明实施例的第二个方面，提供了一种用于干扰分类识别的参数确定装置，其中，对当前网络造成干扰的干扰源为第一数量m个，该装置包括：

第三确定单元，其用于针对第一数量个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的第一数量个干扰状态，来确定第一数量组参数，每组参数包括第一数量个参数值，该第一数量个参数值之和等于1；

其中，该第三确定单元包括：第四确定单元，在确定一个干扰状态下的一组参数时，该第四确定单元用于在该一个干扰状态下，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的第一数量个转换概率，以获得该第一数量个参数值；其中，该第1时刻的第一干扰源为该一个干扰状态下的主要干扰源，该第2时刻的第二干扰源分别为该主要干扰源、以及该主要干扰源以外的其他第一数量减一个干扰源。

根据本发明实施例的第三个方面，提供了一种干扰分类识别装置，其中，对当前网络造成干扰的干扰源为m个，该装置包括：

第二检测单元，其用于针对第六数量q个时刻，检测每个时刻下的k个的第一网络参数，以获得由所述q个时刻的、、k个第一网络参数构成的第三参数序列；

第五确定单元，其用于根据该第三参数序列和隐马尔可夫模型，分别确定该q个时刻存在的干扰状态类别；

其中，该装置还包括：

第一方面所述的装置，用于确定干扰分类识别的第一参数；该第一参数是该隐马尔可夫模型中的观测状态转移概率矩阵；和/或，

第二方面所述的装置，用于确定干扰分类识别的第二参数；该第二参数是该隐马尔可夫模型中的隐含状态转移概率矩阵。

根据本发明实施例的第四个方面，提供了一种用于干扰分类识别的参数确定方法，其中，对当前网络造成干扰的干扰源为第一数量m个，该方法包括：

针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括第二数量n1个参数值，该n1个参数值之和等于1；

在确定一个干扰状态下的一组参数时，针对第三数量t个时刻，检测每个时刻下 的预定的第四数量k个第一网络参数，以获得由该t个时刻的、k个第一网络参数构成的第一参数序列；

对每个时刻下的k个第一网络参数进行优化处理，以获得由该t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值，其中，该参数状态由第五数量l个预设条件对应的l个第二参数确定，n1＝l^k；

其中，在对一个时刻下的k个第一网络参数进行优化处理时，该方法包括：

分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得该一个时刻下的k个第二参数；其中，每个预设条件分别对应一个第二参数，不同的预设条件，对应的第二参数不同。

根据本发明实施例的第五个方面，提供了一种用于干扰分类识别的参数确定方法，其中，对当前网络造成干扰的干扰源为第一数量m个，该方法包括：

针对第一数量个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的第一数量个干扰状态，来确定第一数量组参数，每组参数包括第一数量个参数值，该第一数量个参数值之和等于1；

在确定一个干扰状态下的一组参数时，该方法包括：

在该一个干扰状态下，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的第一数量个转换概率，以获得该第一数量个参数值；其中，该第1时刻的第一干扰源为该一个干扰状态下的主要干扰源，该第2时刻的第二干扰源分别为该主要干扰源、以及该主要干扰源以外的其他第一数量减一个干扰源。

根据本发明实施例的第六个方面，提供了一种干扰分类识别方法，其中，对当前网络造成干扰的干扰源为m个，该方法包括：

针对第六数量q个时刻，检测每个时刻下的k个的第一网络参数，以获得由所述q个时刻的、k个第一网络参数构成的第三参数序列；

根据该第三参数序列和隐马尔可夫模型，分别确定该q个时刻存在的干扰状态类别；

其中，该方法还包括：

使用第四方面所述的方法确定干扰分类识别的第一参数；该第一参数是该隐马尔可夫模型中的观测状态转移概率矩阵；和/或，

使用第五方面所述的方法确定干扰分类识别的第二参数；该第二参数是该隐马尔可夫模型中的隐含状态转移概率矩阵。

本发明实施例的有益效果在于，通过本实施例的上述方法和装置，可以将干扰分类识别问题转换为解码问题，实现难度低，并且基于门限值简化处理参数序列，使得参数序列为有限集合，降低了确定隐马尔可夫模型中的参数的复杂度。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

参照以下的附图可以更好地理解本发明的很多方面。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大或缩小。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。

在附图中：

图1a-图1d是wi-fi，bluetooth，mwo，zigbee在2.4g频段工作的示意图；

图2是本实施例1中参数确定方法流程图；

图3是本实施例1中步骤202方法流程图；

图4是本实施例1中步骤203方法流程图；

图5是本实施例2中参数确定方法流程图；

图6是本实施例2中步骤501中计算一个转换概率方法流程图；

图7是本实施例中确定m×n1个参数方法流程图；

图8是本实施例中确定m×m个参数方法流程图；

图9是本实施例4中干扰分类识别方法流程图；

图10是本实施例5中参数确定装置示意图；

图11是本实施例5中第二确定单元10013示意图；

图12是本实施例5中参数确定装置硬件构成示意图；

图13是本实施例6中参数确定装置示意图；

图14是本实施例6中第四确定单元13011示意图；

图15是本实施例6中参数确定装置硬件构成示意图；

图16是本实施例7中建模装置硬件构成示意图；

图17是本实施例7中干扰分类识别装置示意图；

图18是本实施例7中干扰分类识别装置硬件构成示意图。

具体实施方式

参照附图，通过下面的说明书，本发明实施例的前述以及其它特征将变得明显。这些实施方式只是示例性的，不是对本发明的限制。为了使本领域的技术人员能够容易地理解本发明的原理和实施方式，本发明实施例以2.4频段网络为例进行说明，但可以理解，本发明实施例并不限于2.4频段网络，例如，本发明实施例提供的方法和装置也适用于其它需要进行干扰分类识别的网络。

hmm模型是一种统计分析模型，该模型可以用λ＝(a,b,π)表示，其中a是隐含状态转移概率矩阵，b是观测状态转移概率矩阵，π是初始概率矩阵。在本实施例中，矩阵a中的每一个元素是指干扰状态之间在相邻时刻的转换概率，矩阵b中的每一个元素是指表征网络状态的网络参数在一个干扰状态下出现的概率。通过本实施例中的方法和装置，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

下面参照附图对本发明的实施方式进行详细说明。

实施例1

本实施例1提供一种参数确定方法，用于确定hmm模型中的用来构建矩阵b的元素。

在本实施例中，分别针对第1至第m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的场景来确定m组参数，以由该m组参数构建hmm模型中的矩阵b。其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

在本实施例中，在对当前网络造成干扰的干扰源为第一数量(m)个时，该方法包括：针对m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的m个干扰状态，确定m组参数，其中，每组参数包括第二数量(n1)个参数值，该n1个参数值之和等于1。这样，该m×n1个参数对应hmm模型中矩阵b的m×n1个构成元素。

其中，在确定一个干扰状态下的一组参数时，可采用图2所示的方法。

图2是一个干扰状态下的一组参数的确定方法流程图，如图2所示，该方法包括：

步骤201，针对t个时刻，检测每个时刻下的预定的第四数量k个第一网络参数，以获得由t个时刻的、k个第一网络参数构成的第一参数序列；

步骤202，对每个时刻下的k个第一网络参数进行优化处理，以获得由t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

步骤203，根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值；

其中，该参数状态由第五数量l个预设条件对应的l个第二参数确定，n1＝l^k。

在本实施例中，m,k,n1,l,t为正整数。

在步骤201中，该第一网络参数作为hmm的观测参数，该第一网络参数可以为一个或一个以上，例如，该第一网络参数可以是rssi,lqi,cca中的一个或一个以上，但本实施例并不以此作为限制，在该第一网络参数是rssi,lqi,cca时，t个时刻构成的第一参数序列为{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1)…(rssit-1,lqit-1,caat-1)}。在步骤202中，由于第一网络参数值的不同，导致第一参数序列不是有限集合，确定参数的复杂度较高，因此，可对每个时刻下的k个第一网络参数进行优化处理，降低参数确定的复杂度。

图3是该步骤202中在对一个时刻下的k个第一网络参数进行优化处理方法流程图，如图3所示，该方法包括：

步骤301，分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；

步骤302，将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得所述一个时刻下的k个第二参数；

其中，每个预设条件分别对应一个第二参数，不同的预设条件，对应的第二参数不同。

在本实施例中，可选的，该方法还可以包括：

步骤300，针对k个第一网络参数中的每个第一网络参数，设置l个预设条件所对应的l个第二参数。

在步骤300中，针对每个第一网络参数，可以基于阈值设置l个预设条件所对应的l个第二参数，即利用l-1个阈值来设置l个预设条件所对应的l个第二参数；具体的，l-1个阈值(如th0,th1,…,thl-2)可以将第一网络参数的值划分为l个区间段(-∞,th0],(th0,th1],(…],(thl-2,+∞]，l个区间段分别对应上述l个预设条件，且分别为每一个区间设置一个第二参数，即共设置l个第二参数，其中，l个预设条件对应的该l个第二参数不同。另外，针对k个第一网络参数，共设置k×(l-1)个阈值，且对于不同的k个第一网络参数，设置的l-1个阈值不同，但第二参数相同。

例如，针对第一网络参数i，基于阈值设置l个预设条件所对应的l个第二参数p0,p1,…,pl-1，阈值th0,th1,…,thl-2将第一网络参数i的值划分为l个区间段，则对第一网络参数i进行优化后，该第一网络参数i等于：

其中，i的取值是1到k。

在步骤301和302中，对于一个时刻下的k个第一网络参数，分别确定每一个第一网络参数所满足的l个预设条件中的一个预设条件，例如，先确定第一网络参数 值属于上述步骤300中的哪一个区间段，然后将该第一网络参数转化为与该区间段对应的第二参数，以获得该一个时刻下的k个第二参数，通过上述方法对t个时刻的k个第一网络参数进行优化，最终可获得由t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列。

例如，对于每个第一网络参数，在l为2时，阈值为1个，如th；该阈值将第一网络参数划分为两个区间段，即小于等于阈值的第一区间，即(-∞,th]；和大于阈值的第二区间，即(thi，+∞]；并且分别为每个区间设置第二参数，例如，第一区间设置第一数值，第二区间设置第二数值；这样，在确定第一网络参数大于该阈值，即确定该第一网络参数满足第二区间时，将该第一网络参数转换为第二数值；在该第一网络参数小于等于该阈值，即确定该第一网络参数满足第一区间时，将该第一网络参数转换为第一数值。如该第一数值为0，该第二数值为1；反之亦然，但本实施例并不以此作为限制。

图4是该步骤203的方法流程图，如图4所示，该方法包括：

步骤401，在该第二参数序列中，统计t个时刻下、n1种参数状态中的每种参数状态出现的次数；

步骤402，将每种参数状态出现的次数除以t，以获得n1种参数状态出现的概率，将该概率作为n1个参数值。

其中，该概率的准确度与t有关，t越大，计算出的概率越准确。

以下，通过举例说明上述参数确定方法，例如，当前网络为zigbee网络，对该zigbee网络造成干扰的干扰源包括m＝3个干扰干扰源，分别是bluetooth，wi-fi，mwo；存在m＝3个干扰状态，分别是：wi-fi是对当前网络造成干扰的主要干扰源(第一干扰状态)，mwo是对当前网络造成干扰的主要干扰源(第二干扰状态)；bluetooth是对当前网络造成干扰的主要干扰源(第三干扰状态)，这样，需确定每一个干扰状态下的一组参数，即共3组参数，每组参数均包括n1个参数值。这样，在该示例中，m＝3，预定的第一网络参数包括3个，即k＝3；预设条件为2个，即l＝2，每组参数包括8个参数值，即n1＝2³＝8。

在步骤201中，获取t的时刻下的第一参数序列，如该第一参数序列为：

{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1)…(rssit-1,lqit-1,caat-1)}，t可任意取值，例如t＝100；这样，在确定第一网络参数大于该阈值，即确定该第一网络参 数满足第二区间时，将该第一网络参数转换为第二数值；在该第一网络参数小于等于该阈值，即确定该第一网络参数满足第一区间时，将该第一网络参数转换为第一数值。如该第一数值为0，该第二数值为1；

在步骤202中，针对rssi，lqi，caa分别设置1个阈值thr，thl，thc，可以将rssi的值划分为2个区间段，即第一区间(-∞,thr]和第二区间(thr,+∞]，分别为每个区间设置第二参数，例如，第一区间设置第一数值0，第二区间设置第二数值1；同样的，将lqi的值划分为2个区间段，即第一区间(-∞,thl]和第二区间(thl,+∞]，分别为每个区间设置第二参数，例如，第一区间设置第一数值0，第二区间设置第二数值1；将caa的值划分为2个区间段，即第一区间(-∞,thc]和第二区间(thc,+∞]，分别为每个区间设置第二参数，例如，第一区间设置第一数值0，第二区间设置第二数值1；即：

这样，在rssi0满足第一区间时，将其转化为0，满足第二区间时，将其转化为1，对lqi0,caa0,rssi1,lqi1,caa1…rssit-1,lqit-1,caat-1的处理方式与rssi0相同，此处不再重复，通过上述简化处理后，第一参数序列转化后的第二参数序列为有限集合，集合中仅存在n1种可能的参数状态，n1＝l^k，即n1＝2³＝8种可能的参数状态，分别是(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)，即进行优化处理后的该第二参数序列可以是：{(0,1,0),(1,0,1),…,(0,0,1)}。

在步骤203中，分别确定第二参数序列中t＝100个观测结果(0,1,0),(1,0,1),…,(0,0,1)出现的概率，将该概率值作为当前干扰状态下的8个参数值。

因此，在wi-fi是对当前网络造成干扰的主要干扰源的干扰状态下的n1个参数值为pw0,pw1,pw2,pw3,pw4,pw5,pw6,pw7，其和为1；在mwo是对当前网络造成干扰的主要干扰源的干扰状态下的n1个参数值为pm0,pm1,pm2,pm3,pm4,pm5,pm6,pm7，其和为1；在bluetooth是对当前网络造成干扰的主要干扰源的干扰状态下的n1个参数值为pb0,pb1,pb2,pb3,pb4,pb5,pb6,pb7，其和为1；

即该3×8个参数对应hmm模型中矩阵b中的3×8个构成元素，该矩阵b如下所示：(其中，第一行至第三行分别对应第一至第三干扰状态；第一列至第八列分别对应n1＝8种参数状态(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1))

以上是以zigbee网络为当前网络的情况进行的说明，但本实施例并不以此作为限制，例如，当前网络可为wi-fi，在这种情况下，造成干扰的干扰源可以是bluetooth，zigbee，mwo中的一个或一个以上，确定参数的方法与上述方法类似，此处不再赘述。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例2

本实施例2提供一种参数确定方法，用于确定hmm模型中的用来构建矩阵a的元素。

在本实施例中，分别针对第1至第m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的场景来确定m组参数，以由该m组参数构建hmm模型中的矩阵a。其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

在本实施例中，在对当前网络造成干扰的干扰源为第一数量(m)个时，该方法包括：针对m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的m个干扰状态，确定m组参数，其中，每组参数包括m个参数值，该m个参数值之和等于1。这样，该m×m个参数对应hmm模型中隐含状态转移矩阵a的m×m个构成元素。

在本实施例中，在确定一个干扰状态下的一组参数时，可采用图5所示的方法。

图5是一个干扰状态下的一组参数的确定方法流程图，如图5所示，该方法包括：

步骤501，在该一个干扰状态下，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的m个转换概率，以获得m个参数值。

其中，该第1时刻的第一干扰源为该一个干扰状态下的主要干扰源，该第2时刻的第二干扰源分别为该主要干扰源、以及该主要干扰源以外的其他m-1个干扰源。

图6是步骤501中计算一个转换概率的方法流程图，如图6所示，该方法包括：

步骤601，根据该第2时刻的第二干扰源占用的信道，确定该第2时刻的第二干扰源存在的第一概率；

步骤602，确定该第二干扰源的信号强度均大于除该第二干扰源外的其他干扰源的信号强度的第二概率；

步骤603，将该第一概率和第二概率的乘积作为该转换概率。

在本实施例中，该信号的强度可以用发射功率来表示，也可以用其他不随时间变化的参数来表示，例如接收功率等。本实施例并不以此作为限制。

以下以当前网络为zigbee网络，造成干扰的干扰源为3个，分别是wi-fi，mwo和bluetooth为例说明如何确定上述参数。其中存在3个干扰状态，分别是：wi-fi是对当前网络造成干扰的主要干扰源(第一干扰状态)，mwo是对当前网络造成干扰的主要干扰源(第二干扰状态)；bluetooth是对当前网络造成干扰的主要干扰源(第三干扰状态)。

在本实施例中，在第1时刻的第一干扰源是wi-fi时，第2时刻的第二干扰源可以是wi-fi、mwo和bluetooth的其中之一；在第1时刻的第一干扰源是mwo时，第2时刻的第二干扰源可以是wi-fi、mwo和bluetooth的其中之一；在第1时刻的第一干扰源是bluetooth时，第2时刻的第二干扰源可以是wi-fi、mwo和bluetooth的其中之一。

即在第1时刻、第一干扰状态下的m个参数分别是：在第2时刻wi-fi是对当前网络造成干扰的主要干扰源的概率pww，在第2时刻mwo是对当前网络造成干扰的主要干扰源的概率pwm，以及在第2时刻bluetooth是对当前网络造成干扰的主要干扰源的概率pwb。

在第1时刻、第二干扰状态下的m个参数分别是：在第2时刻wi-fi是对当前网络造成干扰的主要干扰源的概率pmw，在第2时刻mwo是对当前网络造成干扰的 主要干扰源的概率pmm，以及在第2时刻bluetooth是对当前网络造成干扰的主要干扰源的概率pmb。

在第1时刻、第三干扰状态下的m个参数分别是：在第2时刻wi-fi是对当前网络造成干扰的主要干扰源的概率pbw，在第2时刻mwo是对当前网络造成干扰的主要干扰源的概率pbm，以及在第2时刻bluetooth是对当前网络造成干扰的主要干扰源的概率pbb。

即该3×3个参数对应hmm模型中隐含状态转移矩阵a中的3×3个构成元素，该矩阵a如下所示：(其中，第一行至第三行分别对应第1时刻的三种可能的干扰状态：第一至第三干扰状态；第一列至第三列分别对应第2时刻的三种可能的干扰状态：第一至第三干扰状态)

在步骤601中，确定第一概率p1时，在该主要干扰源为bluetooth，当前网络为zigbee时，将bluetooth与zigbee使用信道重合的跳频概率作为第一概率p1；在主要干扰源为wi-fi，当前网络为zigbee时，将wi-fi使用的信道频率与zigbee使用信道重合的概率作为第一概率p1；在第二干扰源为mwo，当前网络为zigbee时，将mwo使用的频率与zigbee使用信道重合的概率作为第一概率p1。

在步骤602中，确定第二概率p2时，在该第二干扰源为bluetooth，当前网络为zigbee时，将bluetooth的发射功率大于wi-fi的发射功率和mwo的发射功率的概率作为第二概率p2；在第二干扰源为wi-fi，当前网络为zigbee时，将wi-fi的发射功率大于bluetooth的发射功率和mwo的发射功率的概率作为第二概率p2；在第二干扰源为mwo，当前网络为zigbee时，将mwo的发射功率大于wi-fi的发射功率和bluetooth的发射功率的概率作为第二概率p2。

在步骤603中，将p1×p2作为该转换概率。

以下以当前网络zigbee、且使用信道20为例说明如何计算上述参数。

在步骤601中，确定第一概率p1时，在该第二干扰源为bluetooth时，表示bluetooth使用信道47-49，即bluetooth与zigbee使用信道重合的跳频概率为3/79；在第二干扰源为wi-fi时，表示wi-fi使用信道7-10，wi-fi使用的信道频率与zigbee使用信道重合的概率为4/14；在第二干扰源为mwo时，mwo使用的频率与zigbee 使用信道重合的概率为1。

在步骤602中，确定第二概率p2时，在该第二干扰源为bluetooth时，bluetooth的发射功率大于wi-fi的发射功率和mwo的发射功率的概率为pb>w×pb>m；在第二干扰源为wi-fi时，wi-fi的发射功率大于bluetooth的发射功率和mwo的发射功率的概率为pw>b×pw>m；在第二干扰源为mwo时，mwo的发射功率大于wi-fi的发射功率和bluetooth的发射功率的概率为pm>b×pm>w。

其中，pb>w，pb>m，pw>b，pw>m，pm>b，pm>w可以预先获得。

下面以pb>w为例说明如何获得该数值。pb>w表示bluetooth的发射功率大于wifi发射功率的概率，可以将bluetooth和wifi的发射功率设置为典型发射功率来计算pb>w，例如，由于bluetooth的典型发射功率为0dbm,4dbm以及20dbm，如果wifi设置了最大功率20dbm，那么bluetooth大于wifi的发射功率的概率pb>w为0；如果wifi设置的发射功率为0dbm，那么bluetooth的发射功率大于wifi功率的概率为2/3；另外，如果根据实际的发送功率计算pb>w，即bluetooth和wifi的发送功率都已知，那么pb>w的值为1或者为0。

以上仅为示例性的说明如何获得上述pb>w，pb>m，pw>b，pw>m，pm>b，pm>w，但本实施例并不以此作为限制。

在步骤603中，可以确定转换概率为：

即该3×3个转换概率对应hmm模型中矩阵a中的3×3个构成元素。

通过上述实施例，降低了确定上述隐马尔可夫模型中的参数的复杂度，并且，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例3

本实施例3提供一种用于干扰分类识别的建模方法，利用hmm模型λ＝(a,b,π)建立干扰分类识别模型，其中a是隐含状态转移概率矩阵，b是观测状态转移概率矩阵，π是初始概率矩阵，在本实施例中，矩阵a中的每一个元素是指干扰状态之间在相邻时刻的转换概率，矩阵b中的每一个元素是指表征网络状态的网络参数在一个干扰状态下出现的概率。

在本实施例中，在对当前网络造成干扰的干扰源为第一数量(m)个时，该方法包括：

利用实施例1中的参数确定方法确定的m×n1个参数作为该模型中的矩阵b；和/或，利用实施例2中的参数确定方法确定的m×m个参数作为该模型中的矩阵a；

在本实施例中，在根据实施例1中的方法确定矩阵b时，可以使用实施例2中的方法确定矩阵a，也可以使用其他方法确定矩阵a，本实施例并不以此作为限制。

在本实施例中，在根据实施例2中的方法确定矩阵a时，可以使用实施例1中的方法确定矩阵b，也可以使用其他方法确定矩阵b，本实施例并不以此作为限制。

在本实施例中，将每种干扰状态存在的初始概率作为初始概率矩阵π，例如，可以根据实际情况确定，也可以将每种干扰状态存在的初始概率设置为相同的本实施例并不以此作为限制。

图7是本实施例中确定m×n1个参数方法流程图，如图7所示，该方法包括：

步骤701，设置第i个干扰状态场景；

例如，可以将当前网络设置为zigbee网络，造成干扰的干扰源为3个，分别是wi-fi，mwo和bluetooth。其中存在3个干扰状态，包括：wi-fi是对当前网络造成干扰的主要干扰源(第一干扰状态)，mwo是对当前网络造成干扰的主要干扰源(第二干扰状态)；bluetooth是对当前网络造成干扰的主要干扰源(第三干扰状态)，在首次设置时，i＝1。

步骤702，针对t个时刻，检测每个时刻下的预定的k个第一网络参数，以获得由t个时刻的、k个第一网络参数构成的第一参数序列；

步骤703，对每个时刻下的k个第一网络参数进行优化处理，以获得由t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

步骤704，根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值；

其中，步骤702～704的实施方式请参考步骤201～203，此处不再重复。

步骤705，判断i是否小于等于m，如果是，则将i＝i+1，并返回至步骤701，否则执行步骤706；

步骤706，获得m个干扰状态下的n1个参数。

图8是本实施例中确定m×m个参数方法流程图，如图8所示，该方法包括：

步骤801，设置第i个干扰状态场景；

例如，可以将当前网络设置为：zigbee网络，造成干扰的干扰源为3个，分别是wi-fi，mwo和bluetooth。其中存在3个干扰状态，包括：wi-fi是对当前网络造成干扰的主要干扰源(第一干扰状态)，mwo是对当前网络造成干扰的主要干扰源(第二干扰状态)；bluetooth是对当前网络造成干扰的主要干扰源(第三干扰状态)，在首次设置时，i＝1。

步骤802，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的m个转换概率，以获得m个参数值。

其中，步骤802的实施方式请参考步骤501，此处不再重复。

步骤803，判断i是否小于等于m，如果是，则将i＝i+1，并返回至步骤801，否则执行步骤804；

步骤804，获得m个干扰状态下的m个转换概率。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例4

本实施例4提供一种干扰分类识别方法，在本实施例中，对当前网络造成干扰的干扰源为第一数量(m)个，其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

图9是该干扰分类识别方法流程图，如图9所示，该方法包括：

步骤901，针对q个时刻，检测每个时刻的k个第一网络参数，以获得由q个时刻的、k个第一网络参数构成的第三参数序列；

步骤902，根据该第三参数序列和隐马尔可夫模型，分别确定q个时刻存在的干扰状态类别；

在本实施例中，步骤902中的隐马尔可夫模型可以使用实施例3中的方法确定，其内容合并于此，此处不再赘述。

在本实施例中，步骤901与实施例1中的步骤201实施方式相同，该第三参数序列与第一参数序列相同，此处不再赘述。

在步骤902中，基于hmm的干扰分类识别方法将干扰分类识别问题转化为解码问题，因此，据该第三参数序列和隐马尔可夫模型，可以使用维特比算法分别确定q个时刻存在的干扰状态类别。

以下举例说明如何根据维特比算法确定干扰状态类别。在本示例中，例如对当前网络zigbee造成干扰的干扰源为3个(wifi,mwo以及bluetooth)。

在步骤902中，将该第三参数序列转化为第二参数序列，例如：{(0,1,0),(1,0,1),…,(0,0,1)}，其具体转化方法与实施例1中步骤202类似，此处不再重复。例如，设q＝3，将{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1),(rssi2,lqi2,caa2)}转化为{(0,1,0),(1,0,0),(1,1,0)}。

其中，该hmm模型λ＝(a,b,π)为：

根据上述实施例2中的方法预先获得的矩阵a：

根据上述实施例1中的方法预先获得的矩阵b：

其中，矩阵b每一列对应的观测状态分别为(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)；观测初始概率π＝(0.2,0.4,0.4)。

在步骤902中，根据已知观测序列{(0,1,0),(1,0,0),(1,1,0)}，结合上述hmm模型，利用维特比算法求最优状态序列，即最优路径即在所有可能的路径中选择一条最优路径，从而确定对应的干扰状态类别，具体按照以下步骤处理：

(1)在t＝1时，对每一个干扰状态i,i＝1(wifi),2(mwo),3(bluetooth),求干扰状态为i，观测状态为(0,1,0)的概率，记此概率为δ1(i),则

δ1(i)＝πibi{(0,1,0)},i＝1,2,3

其中，bi{(0,1,0)}表示矩阵b中(0,1,0)观测状态对应的元素；

代入实际数据后计算得：

δ1(1)＝0.01,δ1(2)＝0.028,δ1(3)＝0.012

(2)在t＝2时，对每个干扰状态i,i＝1,2,3，求在t＝1时干扰状态为j观测状态为(0,1,0)，并在t＝2时干扰状态为i观测状态为(1,0,0)的路径的最大概率，记此最大概率为δ2(i)，则

其中，aji表示矩阵a中的元素；bi{(1,0,0)}表示矩阵b中(1,0,0)观测状态对应的元素；

同时，对每个干扰状态i,i＝1,2,3，记录最大概率路径的前一个干扰状态j＝ψ2(i)(当前干扰状态为i)：

代入实际数据后计算得：

ψ2(1)＝2；δ2(2)＝0.0014,ψ2(2)＝2；δ2(3)＝0.00048,ψ2(3)＝3；

同样的，在t＝3时，计算代入实际数据后计算得：δ3(1)＝0.0000588,ψ3(1)＝2；δ3(2)＝0.000021,ψ3(2)＝2；δ3(3)＝0.0000196,ψ3(3)＝2；

(3)以p*表示最优路径的概率，则最优路径的终点是

(4)由最优路径的终点逆向找到在t＝2时，

在t＝1时，

因此，最优状态序列即在观测序列为o＝{(0,1,0),(1,0,0),(1,1,0)}时，zigbee分别受到来自mwo，mwo以及wifi的干扰。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例5

本实施例5还提供了一种参数确定装置，由于该装置解决问题的原理与实施例1的方法类似，因此其具体的实施可以参照实施例1的方法的实施，重复之处不再赘述。

在本实施例中，分别针对第1至第m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的场景来确定m组参数，以由该m组参数构建hmm模型中的矩阵b。其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

图10是本实施例中参数确定装置的实施方式示意图，在对当前网络造成干扰的干扰源为m个时，该装置1000包括：

第一确定单元1001，其用于针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括n1个参数值，该n1个参数值之和等于1；

其中，该第一确定单元1001包括第一检测单元10011，第一处理单元10012，第二确定单元10013，在确定一个干扰状态下的一组参数时，

第一检测单元10011用于针对t个时刻、检测每个时刻下的预定的k个第一网络参数，以获得由该t个时刻的、k个第一网络参数构成的第一参数序列；

第一处理单元10012用于对每个时刻下的k个第一网络参数进行优化处理，以获得由该t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

第二确定单元10013用于根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值，其中，该参数状态由l个预设条件对应的l个第二参数确定，n1＝l^k；

其中，在对一个时刻下的第四数量个第一网络参数进行优化处理时，该第一处理单元10012还用于分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得该一个时刻下的k个第二参数；其中，每个预设条件分别对应一个第二参数，不同的预设条件，对应的第二参数不同。

在本实施例中，第一检测单元10011，第一处理单元10012，第二确定单元10013的具体实施方式请参考实施例1中的步骤201～203，此处不再重复。

图11是本实施例中该第二确定单元10013示意图，如图11所示，该第二确定单元10013包括：

第一统计单元1101，其用于在该第二参数序列中，统计t个时刻下、n1种参数状态中的每种参数状态出现的次数；

第一计算单元1102，其用于将该每种参数状态出现的次数除以t，以获得n1种参数状态出现的概率，将该概率作为该第二数量个参数值。

其中，第一统计单元1101，第一计算单元1102的具体实施方式请参考实施例1中步骤401～402，此处不再赘述。

在本实施例中，该第一处理单元10012还包括：第一设置单元(未图示)，其用于针对k个第一网络参数中的每个第一网络参数，设置该l个预设条件所对应的l个第二参数。

其中，该第一设置单元利用l-1个阈值来设置该l个预设条件所对应的l个第二参数。

其中，对于每个第一网络参数，在l为2时，该阈值为1个，第一处理单元10012在该第一网络参数大于该阈值时，将该第一网络参数转换为第一数值，在该第一网络参数小于该阈值时，将该第一网络参数转换为第二数值。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

图12是本发明实施例参数确定装置的硬件构成示意图，如图12所示，装置1200可以包括：一个接口(图中未示出)，中央处理器(cpu)1220和存储器1210；存储器1210耦合到中央处理器1220。其中存储器1210可存储各种数据；此外还存储参数确定的程序，并且在中央处理器1220的控制下执行该程序，并存储各种阈值等。

在一个实施方式中，参数确定装置的功能可以被集成到中央处理器1220中。其中，中央处理器1220可以被配置为：针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括m个参数值，该第二数量个参数值之和等于1；在确定一个干扰状态下的一组参数时，中央处理器1220可以被配置为：针对t个时刻，检测每个时刻下的预定的k个第一 网络参数，以获得由该t个时刻的、k个第一网络参数构成的第一参数序列；对每个时刻下的k个第一网络参数进行优化处理，以获得由该t个时刻的、对该第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；根据该第二参数序列来确定该干扰状态下的n1种参数状态出现的概率，将该概率作为该n1个参数值，其中，该参数状态由l个预设条件对应的l个第二参数确定，n1＝l^k；

其中，在对一个时刻下的第四数量个第一网络参数进行优化处理时，中央处理器1220可以被配置为：分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得该一个时刻下的k个第二参数；其中，每个预设条件分别对应一个第二参数，不同的预设条件，对应的第二参数不同。

其中，中央处理器1220还可以被配置为：在该第二参数序列中，统计t个时刻下、n1种参数状态中的每种参数状态出现的次数；将该每种参数状态出现的次数除以t，以获得n1种参数状态出现的概率，将该概率作为该n1个参数值。

其中，中央处理器1220还可以被配置为：针对k个第一网络参数中的每个第一网络参数，设置该l个预设条件所对应的l个第二参数；利用l-1个阈值来设置该l个预设条件所对应的l个第二参数；对于每个第一网络参数，在l为2时，该阈值为1个，在该第一网络参数大于该阈值时，将该第一网络参数转换为第一数值，在该第一网络参数小于该阈值时，将该第一网络参数转换为第二数值。

在另一个实施方式中，也可以将上述参数确定装置配置在与中央处理器1220连接的芯片(图中未示出)上，通过中央处理器1220的控制来实现参数确定装置的功能。

在本实施例中，该装置1200还可以包括：传感器1201、收发器1204和电源模块1205等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，装置1200也并不是必须要包括图12中所示的所有部件；此外，该装置1200还可以包括图12中没有示出的部件，可以参考现有技术。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例6

本实施例6还提供了一种参数确定装置，由于该装置解决问题的原理与实施例2的方法类似，因此其具体的实施可以参照实施例2的方法的实施，重复之处不再赘述。

在本实施例中，分别针对第1至第m个干扰源中的每一个干扰源是对当前网络造成干扰的主要干扰源的场景来确定m组参数，以由该m组参数构建hmm模型中的矩阵a。其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

图13是本实施例中参数确定装置的实施方式示意图，在对当前网络造成干扰的干扰源为m个时，该装置1300包括：

第三确定单元1301，其用于针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括第二数量n1个参数值，该n1个参数值之和等于1；

其中，该第三确定单元1301包括：第四确定单元13011，在确定一个干扰状态下的一组参数时，

该第四确定单元13011用于在该一个干扰状态下，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的第一数量个转换概率，以获得该第一数量个参数值；

其中，该第1时刻的第一干扰源为该一个干扰状态下的主要干扰源，该第2时刻的第二干扰源分别为该主要干扰源、以及该主要干扰源以外的其他m-1个干扰源。

其中，该第三确定单元1301的具体实施方式请参考实施例2，此处不再赘述。

图14是本实施例中第四确定单元13011的示意图，如图14所示，第四单元13011包括：

第二计算单元1401，其用于根据该第2时刻的第二干扰源占用的信道，确定该第2时刻第二干扰状态存在的第一概率；

第三计算单元1402，其用于确定该第二干扰源的信号强度均大于除该第二干扰源外的其他干扰源的信号强度的第二概率；

第四计算单元1403，其用于将该第一概率和第二概率的乘积作为该转换概率。

在该第二干扰源为bluetooth，当前网络为zigbee时，第二计算单元1401将 bluetooth与zigbee使用信道重合的跳频概率作为该第一概率；

在该第二干扰源为wi-fi，当前网络为zigbee时，第二计算单元1401将wi-fi使用的信道频率与zigbee使用信道重合的概率作为该第一概率；

在该第二干扰源为mwo，当前网络为zigbee时，第二计算单元1401将mwo使用的频率与zigbee使用信道重合的概率作为该第一概率。

其中，第二计算单元1401，第三计算单元1402，第四计算单元1403的具体实施方式请参考实施例2步骤601～603，此处不再赘述。

图15是本发明实施例参数确定装置的硬件构成示意图，如图15所示，装置1500可以包括：一个接口(图中未示出)，中央处理器(cpu)1520和存储器1510；存储器1510耦合到中央处理器1520。其中存储器1510可存储各种数据；此外还存储参数确定的程序，并且在中央处理器1520的控制下执行该程序，并存储各种阈值等。

在一个实施方式中，参数确定装置的功能可以被集成到中央处理器1520中。其中，中央处理器1520可以被配置为：针对m个干扰源中的每一个干扰源分别是对该当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括m个参数值，该m个参数值之和等于1；

其中，在确定一个干扰状态下的一组参数时，中央处理器1520还可以被配置为：其用于在该一个干扰状态下，利用该干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的m个转换概率，以获得该m个参数值；其中，该第1时刻的第一干扰状态为该一个干扰状态下的主要干扰源，该第2时刻的第二干扰源分别为该主要干扰源、以及该主要干扰源以外的其他m减1个干扰源。

其中，在计算一个该转换概率时，中央处理器1520还可以被配置为：根据该第2时刻的第二干扰源占用的信道，确定该第2时刻第二干扰状态存在的第一概率；确定该第二干扰源的信号强度均大于除该第二干扰源外的其他干扰源的信号强度的第二概率；将该第一概率和第二概率的乘积作为该转换概率。

其中，中央处理器1520还可以被配置为：在该第二干扰源为bluetooth，当前网络为zigbee时，将bluetooth与zigbee使用信道重合的跳频概率作为该第一概率；在该第二干扰源为wi-fi，当前网络为zigbee时，将wi-fi使用的信道频率与zigbee使用信道重合的概率作为所述第一概率；在该第二干扰源为mwo，当前网络为zigbee 时，将mwo使用的频率与zigbee使用信道重合的概率作为该第一概率。

在另一个实施方式中，也可以将上述参数确定装置配置在与中央处理器1520连接的芯片(图中未示出)上，通过中央处理器1520的控制来实现参数确定装置的功能。

在本实施例中，该装置1500还可以包括：传感器1501、收发器1504和电源模块1505等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，装置1500也并不是必须要包括图15中所示的所有部件；此外，该装置1500还可以包括图15中没有示出的部件，可以参考现有技术。

通过上述实施例，比较容易确定hmm模型中的参数，此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例7

本实施例7还提供了一种建模装置，由于该装置解决问题的原理与实施例3的方法类似，因此其具体的实施可以参照实施例3的方法的实施，重复之处不再赘述。

利用hmm模型λ＝(a,b,π)建立干扰分类识别模型，其中a是隐含状态转移概率矩阵，b是观测状态转移概率矩阵，π是初始概率矩阵，在本实施例中，在本实施例中，矩阵a中的每一个元素是指干扰状态之间在相邻时刻的转换概率，矩阵b中的每一个元素是指表征网络状态的网络参数在一个干扰状态下出现的概率。

在本实施例中，在对当前网络造成干扰的干扰源为第一数量(m)个时，该装置包括：实施例5中的参数确定装置，和/或实施例6中的参数确定装置，利用实施例5中的参数确定装置确定的m×n1个参数作为该模型中的矩阵b；利用实施例6中的参数确定装置确定的m×m个参数作为该模型中的矩阵a。

在本实施例中，该建模装置将每种干扰状态存在的初始概率作为初始概率矩阵π。

图16是本发明实施例建模装置的硬件构成示意图，如图16所示，装置1600可以包括：一个接口(图中未示出)，中央处理器(cpu)1620和存储器1610；存储器1610耦合到中央处理器1620。其中存储器1610可存储各种数据；此外还存储建模的程序，并且在中央处理器1620的控制下执行该程序等。

在一个实施方式中，该建模装置的功能可以被集成到中央处理器1620中。其中，中央处理器1620可以被配置为：执行实施例5中央处理器1020的功能和/或实施例6中中央处理器1320的功能。

在另一个实施方式中，也可以将上述建模装置配置在与中央处理器1620连接的芯片(图中未示出)上，通过中央处理器1620的控制来实现建模装置的功能。

在本实施例中，该装置1600还可以包括：传感器1601、收发器1604和电源模块1605等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，装置1600也并不是必须要包括图16中所示的所有部件；此外，该装置1600还可以包括图16中没有示出的部件，可以参考现有技术。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

实施例8

本实施例8还提供了一种干扰分类识别装置，由于该装置解决问题的原理与实施例4的方法类似，因此其具体的实施可以参照实施例4的方法的实施，重复之处不再赘述。

在本实施例中，对当前网络造成干扰的干扰源为第一数量(m)个，其中将一个干扰源是主要干扰源的场景作为一个干扰状态，这样，共存在m个干扰状态。

图17是本实施例中干扰分类识别装置的实施方式示意图，在对当前网络造成干扰的干扰源为m个时，该装置1700包括：

第二检测单元1701，其用于针对q个时刻，检测每个时刻的k个的第一网络参数，以获得由该q个时刻的、k个第一网络参数构成的第三参数序列；

第五确定单元1702，其用于根据该第三参数序列和隐马尔可夫模型，分别确定该q个时刻存在的干扰状态类别；

其中，该装置还包括：

用于确定干扰分类识别的第一参数实施例5中的参数确定装置(未图示)；该第一参数是该隐马尔可夫模型中的观测状态转移概率矩阵；和/或，

用于确定干扰分类识别的第二参数实施例6中的参数确定装置(未图示)，该第二参数是该隐马尔可夫模型中的隐含状态转移概率矩阵。

其中，该第二检测单元1701和第五确定单元1702的具体实施方式请参考实施例4中步骤901～902，此处不再赘述。

在本实施例中，该第一参数是第一数量×第二数量个参数构成的矩阵；该第二参数是第一数量×第一数量个参数构成的矩阵。

图18是本发明实施例干扰分类识别装置的硬件构成示意图，如图18所示，装置1800可以包括：一个接口(图中未示出)，中央处理器(cpu)1820和存储器1810；存储器1810耦合到中央处理器1820。其中存储器1810可存储各种数据；此外还存储干扰分类识别的程序，并且在中央处理器1820的控制下执行该程序，并存储各种阈值等。

在一个实施方式中，干扰分类识别装置的功能可以被集成到中央处理器1820中。其中，中央处理器1820可以被配置为：针对q个时刻，检测每个时刻的k个第一网络参数，以获得由q个时刻的、k个第一网络参数构成的第三参数序列；根据该第三参数序列和隐马尔可夫模型，分别确定q个时刻存在的干扰状态类别。

其中，中央处理器1820还可以被配置为：执行实施例7中央处理器1420的功能。

在另一个实施方式中，也可以将上述干扰分类识别装置配置在与中央处理器1820连接的芯片(图中未示出)上，通过中央处理器1820的控制来实现干扰分类识别装置的功能。

在本实施例中，该装置1800还可以包括：传感器1801、收发器1804和电源模块1805等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，装置1800也并不是必须要包括图18中所示的所有部件；此外，该装置1800还可以包括图18中没有示出的部件，可以参考现有技术。

通过上述实施例，比较容易确定hmm模型中的参数，其中，基于门限值简化处理参数序列，降低了构建上述矩阵b的难度；此外，基于确定的hmm模型中的参数并结合已观测出的参数序列，可以将干扰分类识别问题转换为解码问题，实现难度低。

本发明实施例还提供一种计算机可读程序，其中当在参数确定装置中执行该程序 时，该程序使得计算机在该节点中执行如上面实施例1或2所述的参数确定方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中该计算机可读程序使得计算机在参数确定装置中执行上面实施例1或2所述的参数确定方法。

本发明实施例还提供一种计算机可读程序，其中当在建模装置中执行该程序时，该程序使得计算机在该节点中执行如上面实施例3所述的建模方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中该计算机可读程序使得计算机在建模装置中执行上面实施例3所述的建模方法。

本发明实施例还提供一种计算机可读程序，其中当在干扰分类识别装置中执行该程序时，该程序使得计算机在该节点中执行如上面实施例4所述的干扰分类识别方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中该计算机可读程序使得计算机在干扰分类识别装置中执行上面实施例4所述的干扰分类识别方法。

结合本发明实施例描述的在图像形成装置中图像形成的方法可直接体现为硬件、由处理器执行的软件模块或二者组合。例如，图8-18中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图1-7所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(fpga)将这些软件模块固化而实现。

软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于asic中。该软件模块可以存储在图像形成装置的存储器中，也可以存储在可插入图像形成装置的存储卡中。

针对图8-18描述的功能框图中的一个或多个和/或功能框图的一个或多个组合，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。针对图8-18描述的功能 框图中的一个或多个和/或功能框图的一个或多个组合，还可以实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp通信结合的一个或多个微处理器或者任何其它这种配置。

以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范围内。

关于包括以上多个实施例的实施方式，还公开下述的附记。

附记1、一种用于干扰分类识别的参数确定装置，其中，对当前网络造成干扰的干扰源为第一数量m个，所述装置包括：

第一确定单元，其用于针对m个干扰源中的每一个干扰源分别是对所述当前网络造成干扰的主要干扰源的m个干扰状态，来确定m组参数，每组参数包括第二数量n1个参数值，所述n1个参数值之和等于1；

其中，所述第一确定单元包括：第一检测单元、第一处理单元、第二确定单元，在确定一个干扰状态下的一组参数时，所述第一检测单元用于针对第三数量t个时刻，检测每个时刻下的预定的第四数量k个第一网络参数，以获得由所述t个时刻的、k个第一网络参数构成的第一参数序列；

所述第一处理单元用于对每个时刻下的k个第一网络参数进行优化处理，以获得由所述t个时刻的、对所述第一网络参数进行优化处理后所获得的k个第二参数构成的第二参数序列；

所述第二确定单元用于根据所述第二参数序列来确定所述干扰状态下的n1种参数状态出现的概率，将所述概率作为所述n1个参数值，其中，所述参数状态由第五数量l个预设条件对应的l个第二参数确定，n1＝l^k；

其中，在对一个时刻下的k个第一网络参数进行优化处理时，所述第一处理单元还用于分别确定k个第一网络参数中的每个第一网络参数所满足的l个预设条件中的一个预设条件；将每个第一网络参数转换为与所满足的预设条件对应的第二参数，以获得所述一个时刻下的k个第二参数；其中，每个预设条件分别对应一个第二参数，不同的预设条件，对应的第二参数不同。

附记2、根据附记1所述的装置，其中，所述第二确定单元包括：

第一统计单元，其用于在所述第二参数序列中，统计t个时刻下、n1种参数状态中的每种参数状态出现的次数；

第一计算单元，其用于将所述每种参数状态出现的次数除以t，以获得n1种参数状态出现的概率，将所述概率作为所述n1个参数值。

附记3、根据附记1所述的装置，其中，所述第一处理单元还包括：

第一设置单元，其用于针对k个第一网络参数中的每个第一网络参数，设置所述l个预设条件所对应的l个第二参数。

附记4、根据附记3所述的装置，其中，所述第一设置单元利用l-1个阈值来设置所述l个预设条件所对应的l个第二参数。

附记5、根据附记4所述的装置，其中，对于每个第一网络参数，在l为2时，所述阈值为1个，所述第一处理单元在所述第一网络参数大于所述阈值时，将所述第一网络参数转换为第一数值，在所述第一网络参数小于等于所述阈值时，将所述第一网络参数转换为第二数值。

附记6、根据附记5所述的装置，其中，所述第一数值和第二数值为能够用于统计的数值。

附记7、根据附记6所述的装置，其中，所述第一数值为1；第二数值为0；或者，所述第一数值为0，所述第二数值为1。

附记8、根据附记4所述的装置，其中，针对k个第一网络参数中的每个第一网络参数，设置的阈值不同。

附记9、根据附记1所述的装置，其中，所述当前网络为zigbee；

所述干扰源包括以下干扰的一种或一种以上：wifi、mwo、以及bluetooth。

附记10、根据附记1所述的装置，其中，所述第一网络参数包括以下参数的一种或一种以上：rssi、lqi、以及cca。

附记11、一种用于干扰分类识别的参数确定的装置，其中，对当前网络造成干扰的干扰源为m个，所述装置包括：

第三确定单元，其用于针对第一数量个干扰源中的每一个干扰源分别是对所述当前网络造成干扰的主要干扰源的第一数量个干扰状态，来确定第一数量组参数，每组参数包括第一数量个参数值，所述第一数量个参数值之和等于1；

其中，所述第三确定单元包括：第四确定单元，在确定一个干扰状态下的一组参数时，所述第四确定单元用于在所述一个干扰状态下，利用所述干扰源占用的信道、以及干扰源的信号强度来确定第1时刻的第一干扰源在第2时刻分别转换为不同第二干扰源的第一数量个转换概率，以获得所述第一数量个参数值；其中，所述第1时刻的第一干扰源为所述一个干扰状态下的主要干扰源，所述第2时刻的第二干扰源分别为所述主要干扰源、以及所述主要干扰源以外的其他第一数量减一个干扰源。

附记12、根据附记11所述的装置，其中，所述第四确定单元包括：第二计算单元，第三计算单元，第四计算单元，在计算一个所述转换概率时，所述第二计算单元用于根据所述第2时刻的第二干扰源占用的信道，确定所述第2时刻第二干扰源存在的第一概率；

所述第三计算单元用于确定所述第二干扰源的信号强度均大于除所述第二干扰源外的其他干扰源的信号强度的第二概率；

所述第四计算单元用于将所述第一概率和第二概率的乘积作为所述转换概率。

附记13、根据附记12所述的装置，其中，在所述第二干扰源为bluetooth，当前网络为zigbee时，所述第二计算单元将bluetooth与zigbee使用信道重合的跳频概率作为所述第一概率；

在所述第二干扰源为wi-fi，当前网络为zigbee时，所述第二计算单元将wi-fi使用的信道频率与zigbee使用信道重合的概率作为所述第一概率；

在所述第二干扰源为mwo，当前网络为zigbee时，所述第二计算单元将mwo使用的频率与zigbee使用信道重合的概率作为所述第一概率。

附记14、根据附记11所述的装置，其中，所述当前网络是zigbee；所述干扰源是以下干扰网络之一或一个以上：wifi，mwo，bluetooth，

附记15、根据附记11所述的装置，其中，所述信号强度根据不随时间变化的参数确定。

附记16、根据附记15所述的装置，其中，所述不随时间变化的参数是发射功率。

附记17、一种干扰分类识别装置，其中，对当前网络造成干扰的干扰源为m个，将m个干扰源中的一个干扰源是对所述当前网络造成干扰的主要干扰源的场景作为一个干扰状态，所述装置包括：

第二检测单元，其用于针对第六数量q个时刻，检测每个时刻的k个的第一网 络参数，以获得由所述q个时刻的、k个第一网络参数构成的第三参数序列；

第五确定单元，其用于根据所述第三参数序列和隐马尔可夫模型，分别确定所述q个时刻存在的干扰状态类别；

其中，所述装置还包括：附记1所述的装置，用于确定干扰分类识别的第一参数；所述第一参数是所述隐马尔可夫模型中的观测状态转移概率矩阵；

和/或，所述装置还包括：附记11所述的装置，用于确定干扰分类识别的第二参数；所述第二参数是所述隐马尔可夫模型中的隐含状态转移概率矩阵。

附记18、根据附记17所述的装置，其中，所述第一参数是m×n1个参数构成的矩阵；所述第二参数是m×m个参数构成的矩阵。