数据的干扰类型的确定方法、装置及设备与流程

本发明涉及通信技术领域，尤其涉及一种数据的干扰类型的确定方法、装置及设备。

背景技术：

现有技术中，进行数据的干扰类型判别时，收集测试数据、依靠具有丰富经验的网络专家经验进行识别。耗费人力、且在网络数据繁杂的情况下难以支撑。

基于自定义的干扰类型判别规则，进行逐项剔除判断。无法利用大量的现网干扰数据知识库，不具备自学习自适应能力。

无线通信网络的干扰环境复杂多样，提高通信网络的抗干扰能力对提升网络性能至关重要，现有技术中，无法快速判别数据的干扰类型。

技术实现要素：

本发明实施例提供了一种数据的干扰类型的确定方法、装置及设备。可以快速、准确的判别数据的干扰类型。

为解决上述技术问题，本发明的实施例提供如下技术方案：

一种数据的干扰类型的确定方法，包括：

获取干扰测试数据以及干扰测试数据的特征值；

根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；

根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；

将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

其中，获取干扰测试数据的特征值，包括：

确定所述干扰测试数据的采样频率范围中的各采样频率；

确定所述采样频率范围内的各采样频率对应的接收干扰功率；

获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，以及各采样频率对应的接收干扰功率与干扰功率门限相比得到的结果；

根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数。

其中，确定采样频率范围内的各采样频率对应的接收干扰功率，包括：

确定采样频率范围内的各采样频率为：

{basicfl，basicfl+δf，basicfl+2*δf，……，basicfl+(n-1)*δf；basicfr为频率范围的最大值，basicfl为频率范围的最小值，δf为采样频率步长，

确定各采样频率对应的接收干扰功率为：{reci1，reci2，……，recin}。

其中，获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，包括：

通过：获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值；

其中，e(x)为所述均值；xi为各个采样频率相对于第一个采样频率的相对值；xi＝recii-reci1；reci1为第一个采样频率的接收干扰功率，recii为第i个采样频率的接收干扰功率；i为{1，2，…，n}。

其中，所述结果包括：

recimin、recimax、kreci、recisum、minkreci、maxkreci、和其中，

recimin为{reci1，reci1，reci3，……，recin}的最小值；

recimax为{reci1，reci1，reci3，……，recin}的最大值；

kreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素个数；

recisum为{reci1，reci1，reci3，……，recin}中，高于所述干扰功率门限threci的元素之和；

minkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最小值的编号；

maxkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最大值的编号；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合的数目；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合中的最大元素个数。

其中，根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数，包括：

通过确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数

其中，ym为第m种干扰类型的数据的接收干扰功率；ymi为第m种干扰类型的数据的第i个采样频率对应的接收干扰功率。

其中，根据所述特征值，确定反向网络的输入配置和输出配置，包括：

根据所述特征值，确定所述反向网络的输入配置，所述输入配置包括：其中，

依次为：

ereci、factorkreci、factorlengreci、factork_contreci、factorn_contnetreci；

其中，

根据所述输入配置，确定反向网络的输出配置，所述输出配置包括：{interd1，interd2，……，interdp}，分别对应p种干扰类型。

其中，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络，包括：

根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络。

其中，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络，包括：

从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值；

根据所述第q层的输出值，更新所述反向网络的权重因子，直到配置的所述预设干扰类型的输入数据计算完毕，得到具有用于确定干扰数据的干扰类型的权重因子的反向学习网络；其中，所述反向网络共q层，第1层到第[q-1]层的各层节点数目为r，第q层的节点数目为p。

其中，从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值，包括：

所述反向网络的第一层节点数目为r，针对i＝1,2,……，r，分别计算所述第一层中的各节点的输入值levi1_input；levi1_input＝faci1*reci_input1+faci2*reci_input2+…+facil*reci_inputl；

权重因子为：{faci1,faci2,faci3,……,facil}，如果d＝1且k＝1，则权重因子{faci1,faci2,faci3,……,facil}中各个元素置为(-1,1)之间均匀分布的随机数；

输入数据为reci_input1、reci_input2、……、reci_inputl，分别为该组输入数据计算ereci、factorkreci、factork_contreci；

分别计算所述第一层中的各节点的输出值levi1_output；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输入值：

levim_input＝facim_1*lev1j_output+facim_2*lev2j_output+…+facim_r*levrj_output；

其中，j＝m-1；权重因子{facim_1,facim_2,facim_3,……,facim_r}，如果d＝1、k＝1，{facim_1,facim_2,facim_3,……,facim_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输出值：

针对所述反向网络的第q层，分别计算第i个节点输入值为：

leviq_input＝faciq_1*lev1j_output+faciq_2*lev2j_output+…+faciq_r*levrj_output；j＝q-1；

权重因子为{faciq_1,faciq_2,faciq_3,……,faciq_r}，如果d＝1且k＝1，{faciq_1,faciq_2,faciq_3,……,faciq_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第q层，分别计算第i个节点输出值为：

其中，根据所述第q层的输出值，更新所述反向网络的权重因子，包括：

计算误差

interdi为该输入数据对应的干扰类型，对应干扰类型位取1，其余位为0；

所述反向网络的第一层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{faci1,faci2,faci3,……,facil}；

所述反向网络的第2,3,……，q-1层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{facim_1,facim_2,facim_3,……,facim_r}；

所述反向网络的第q层，节点数为p，针对i＝1,2,……，p；节点权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}；

将各个权重因子设为变量fac，针对各个变量，通过更新所述反向网络的权重因子，将更新后的该反向网络的权重因子作为所述反向学习网络的权重因子；其中，ε为调节速率，取值范围为(0,1)。

其中，将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型，包括：

根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据，通过所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

本发明的实施例还提供一种数据的干扰类型的确定装置，包括：

处理模块，用于获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

本发明的实施例还提供一种数据的干扰类型的确定设备，包括：处理器，被配置为执行如下功能：获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

其中，所述处理器获取干扰测试数据的特征值时，具体用于：

确定所述干扰测试数据的采样频率范围中的各采样频率；

确定所述采样频率范围内的各采样频率对应的接收干扰功率；

获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，以及各采样频率对应的接收干扰功率与干扰功率门限相比得到的结果；

根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数。

其中，所述处理器确定采样频率范围内的各采样频率对应的接收干扰功率时，具体用于：确定采样频率范围内的各采样频率为：

{basicfl，basicfl+δf，basicfl+2*δf，……，basicfl+(n-1)*δf；basicfr为频率范围的最大值，basicfl为频率范围的最小值，δf为采样频率步长，

确定各采样频率对应的接收干扰功率为：{reci1，reci2，……，recin}。

其中，所述处理器获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值时，具体用于：

通过：获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值；

其中，e(x)为所述均值；xi为各个采样频率相对于第一个采样频率的相对值；xi＝recii-reci1；reci1为第一个采样频率的接收干扰功率，recii为第i个采样频率的接收干扰功率；i为{1，2，…，n}。

其中，所述结果包括：

recimin、recimax、kreci、recisum、minkreci、maxkreci、和其中，

recimin为{reci1，reci1，reci3，……，recin}的最小值；

recimax为{reci1，reci1，reci3，……，recin}的最大值；

kreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素个数；

recisum为{reci1，reci1，reci3，……，recin}中，高于所述干扰功率门限threci的元素之和；

minkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最小值的编号；

maxkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最大值的编号；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合的数目；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合中的最大元素个数。

其中，所述处理器根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数时，具体用于：

通过确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数

其中，ym为第m种干扰类型的数据的接收干扰功率；ymi为第m种干扰类型的数据的第i个采样频率对应的接收干扰功率。

其中，所述处理器根据所述特征值，确定反向网络的输入配置和输出配置时，具体用于：根据所述特征值，确定所述反向网络的输入配置，所述输入配置包括：其中，

依次为：

ereci、factorkreci、factorlengreci、factork_contreci、factorn_contnetreci；

其中，

根据所述输入配置，确定反向网络的输出配置，所述输出配置包括：{interd1，interd2，……，interdp}，分别对应p种干扰类型。

其中，所述处理器根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络时，具体用于：根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络。

其中，所述处理器根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络时，具体用于：

从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值；

根据所述第q层的输出值，更新所述反向网络的权重因子，直到配置的所述预设干扰类型的输入数据计算完毕，得到具有用于确定干扰数据的干扰类型的权重因子的反向学习网络；其中，所述反向网络共q层，第1层到第[q-1]层的各层节点数目为r，第q层的节点数目为p。

其中，所述处理器从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值时，具体用于：

所述反向网络的第一层节点数目为r，针对i＝1,2,……，r，分别计算所述第一层中的各节点的输入值levi1_input；levi1_input＝faci1*reci_input1+faci2*reci_input2+…+facil*reci_inputl；

权重因子为：{faci1,faci2,faci3,……,facil}，如果d＝1且k＝1，则权重因子{faci1,faci2,faci3,……,facil}中各个元素置为(-1,1)之间均匀分布的随机数；

输入数据为reci_input1、reci_input2、……、reci_inputl，分别为该组输入数据计算ereci、factorkreci、factork_contreci；

分别计算所述第一层中的各节点的输出值levi1_output；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输入值：

levim_input＝facim_1*lev1j_output+facim_2*lev2j_output+…+facim_r*levrj_output；

其中，j＝m-1；权重因子{facim_1,facim_2,facim_3,……,facim_r}，如果d＝1、k＝1，{facim_1,facim_2,facim_3,……,facim_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输出值：

针对所述反向网络的第q层，分别计算第i个节点输入值为：

leviq_input＝faciq_1*lev1j_output+faciq_2*lev2j_output+…+faciq_r*levrj_output；j＝q-1；

权重因子为{faciq_1,faciq_2,faciq_3,……,faciq_r}，如果d＝1且k＝1，{faciq_1,faciq_2,faciq_3,……,faciq_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第q层，分别计算第i个节点输出值为：

其中，所述处理器根据所述第q层的输出值，更新所述反向网络的权重因子时，具体用于：

计算误差

interdi为该输入数据对应的干扰类型，对应干扰类型位取1，其余位为0；

所述反向网络的第一层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{faci1,faci2,faci3,……,facil}；

所述反向网络的第2,3,……，q-1层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{facim_1,facim_2,facim_3,……,facim_r}；

所述反向网络的第q层，节点数为p，针对i＝1,2,……，p；节点权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}；

将各个权重因子设为变量fac，针对各个变量，通过更新所述反向网络的权重因子，将更新后的该反向网络的权重因子作为所述反向学习网络的权重因子；其中，ε为调节速率，取值范围为(0,1)。

其中，所述处理器将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型时，具体用于：根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据，通过所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

本发明的实施例还提供一种计算机存储介质，包括指令，当所述指令在计算机运行时，使得计算机执行如上所述的方法。

本发明实施例的有益效果是：

本发明的上述实施例中，提取干扰数据的有效的关键特征值，转化为基础配置数据，构建反向网络，并进行迭代训练，形成自动判别干扰类型的自学习系统，扩大了干扰类型识别的范围，提高了干扰类型判别的准确度和效率。

附图说明

图1为本发明的数据的干扰类型的确定方法的流程示意图；

图2为本发明的数据的干扰类型的确定方法的一具体实现流程；

图3为本发明的数据的干扰类型的确定设备的架构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提出一种数据的干扰类型的确定方法，包括：

步骤11，获取干扰测试数据以及干扰测试数据的特征值；

步骤12，根据所述特征值，确定反向网络的输入配置和输出配置；

步骤13，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；

步骤14，将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

本发明的该实施例，提取干扰数据的有效的关键特征值，转化为基础配置数据，构建反向网络，并进行迭代训练，形成自动判别干扰类型的自学习系统，扩大了干扰类型识别的范围，提高了干扰类型判别的准确度和效率。

本发明的具体实施例中，上述步骤11中，获取干扰测试数据的特征值，包括：

步骤111，确定所述干扰测试数据的采样频率范围中的各采样频率；

确定采样频率范围内的各采样频率为：

{basicfl，basicfl+δf，basicfl+2*δf，……，basicfl+(n-1)*δf；basicfr为频率范围的最大值，basicfl为频率范围的最小值，δf为采样频率步长，

步骤112，确定所述采样频率范围内的各采样频率对应的接收干扰功率；

具体包括：确定各采样频率对应的接收干扰功率为：

{reci1，reci2，……，recin}。

步骤113，获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，以及各采样频率对应的接收干扰功率与干扰功率门限相比得到的结果；

其中，获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，包括：

通过：获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值；其中，e(x)为所述均值；xi为各个采样频率相对于第一个采样频率的相对值；xi＝recii-reci1；reci1为第一个采样频率的接收干扰功率，

recii为第i个采样频率的接收干扰功率；i为{1，2，…，n}。

所述结果包括：

recimin、recimax、kreci、recisum、minkreci、maxkreci、和其中，

recimin为{reci1，reci1，reci3，……，recin}的最小值；

recimax为{reci1，reci1，reci3，……，recin}的最大值；

kreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素个数；

recisum为{reci1，reci1，reci3，……，recin}中，高于所述干扰功率门限threci的元素之和；

minkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最小值的编号；

maxkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最大值的编号；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合的数目；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合中的最大元素个数。

步骤114，根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数。

具体的，通过确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数

其中，ym为第m种干扰类型的数据的接收干扰功率；ymi为第m种干扰类型的数据的第i个采样频率对应的接收干扰功率。

本发明的一具体实施例中，上述步骤12具体可以包括：

根据所述特征值，确定所述反向网络的输入配置，所述输入配置包括：其中，

依次为：

ereci、factorkreci、factorlengreci、factork_contreci、factorn_contnetreci；其中，

根据所述输入配置，确定反向网络的输出配置，所述输出配置包括：{interd1，interd2，……，interdp}，分别对应p种干扰类型。

本发明的一具体实施例中，上述步骤13具体可以包括：

步骤131，根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络。具体的，

从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值；

根据所述第q层的输出值，更新所述反向网络的权重因子，直到配置的所述预设干扰类型的输入数据计算完毕，得到具有用于确定干扰数据的干扰类型的权重因子的反向学习网络；其中，所述反向网络共q层，第1层到第[q-1]层的各层节点数目为r，第q层的节点数目为p。

其中，从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值，包括：

所述反向网络的第一层节点数目为r，针对i＝1,2,……，r，分别计算所述第一层中的各节点的输入值levi1_input；levi1_input＝faci1*reci_input1+faci2*reci_input2+…+facil*reci_inputl；

权重因子为：{faci1,faci2,faci3,……,facil}，如果d＝1且k＝1，则权重因子{faci1,faci2,faci3,……,facil}中各个元素置为(-1,1)之间均匀分布的随机数；

输入数据为reci_input1、reci_input2、……、reci_inputl，分别为该组输入数据计算ereci、factorkreci、factork_contreci；

分别计算所述第一层中的各节点的输出值levi1_output；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输入值：

levim_input＝facim_1*lev1j_output+facim_2*lev2j_output+…+facim_r*levrj_output；

其中，j＝m-1；权重因子{facim_1,facim_2,facim_3,……,facim_r}，如果d＝1、k＝1，{facim_1,facim_2,facim_3,……,facim_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输出值：

针对所述反向网络的第q层，分别计算第i个节点输入值为：

leviq_input＝faciq_1*lev1j_output+faciq_2*lev2j_output+…+faciq_r*levrj_output；j＝q-1；

权重因子为{faciq_1,faciq_2,faciq_3,……,faciq_r}，如果d＝1且k＝1，{faciq_1,faciq_2,faciq_3,……,faciq_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第q层，分别计算第i个节点输出值为：

其中，根据所述第q层的输出值，更新所述反向网络的权重因子，包括：

计算误差

interdi为该输入数据对应的干扰类型，对应干扰类型位取1，其余位为0；

所述反向网络的第一层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{faci1,faci2,faci3,……,facil}；

所述反向网络的第2,3,……，q-1层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{facim_1,facim_2,facim_3,……,facim_r}；

所述反向网络的第q层，节点数为p，针对i＝1,2,……，p；节点权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}；

将各个权重因子设为变量fac，针对各个变量，通过更新所述反向网络的权重因子；将更新后的该反向网络的权重因子作为所述反向学习网络的权重因子；其中，ε为调节速率，取值范围为(0,1)。

本发明的一具体实施例中，上述步骤14具体可以包括：根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据，通过所述反向学习网络进行运算，输出所述干扰数据的干扰类型。具体来说，提取干扰数据的特征值；将特征值作为反向学习网络的输入值，根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据的特征值，计算输出值，所述输出值为该干扰数据对应的干扰类型。

下面结合图2所示的流程详细说明上述方法的具体实现过程，包括：

步骤一、提取干扰测试数据的特征值

1.1)确定干扰测试数据的采样频率范围；设测量的频率范围最大值和最小值分别为：[basicfr，basicfl]。配置频率采样步长：

1.2)确定采样频率：

{basicfl，basicfl+δf，basicfl+2*δf，……，basicfl+(n-1)*δf。

1.3)确定各采样频率对应的接收干扰功率；

第k组测试数据的采样频率对应的接收干扰功率如下表所示：

1.4)计算各个采样频率相对于第一个采样频率的相对值，设为xi，xi＝recii-reci1，对应均值为

1.5)设干扰功率门限threci，确定如下项：

recimin为{reci1，reci1，reci3，……，recin}的最小值；

recimax为{reci1，reci1，reci3，……，recin}的最大值；

kreci为{reci1，reci1，reci3，……，recin}中高于干扰功率门限threci的元素个数；

recisum为{reci1，reci1，reci3，……，recin}中高于干扰功率门限threci的元素之和；

minkreci为{reci1，reci1，reci3，……，recin}中高于干扰功率门限threci的元素最小值的编号；

maxkreci为{reci1，reci1，reci3，……，recin}中高于干扰功率门限threci的元素最大值的编号；

为{reci1，reci1，reci3，……，recin}中连续高于干扰功率门限threci的元素组合的数目；

为{reci1，reci1，reci3，……，recin}中连续高于干扰功率门限threci的元素组合中的最大元素个数。

1.6)针对已知的m种干扰类型的基准数据曲线，计算和干扰测试数据的相关系数；

第m种干扰类型的基准数据曲线数据如下表所示：

第m种干扰类型的基准数据曲线中，接收干扰功率均值

计算干扰测试数据和第m种干扰类型的数据的相关系数

步骤二、反向网络的输入数据的配置

反向网络的输入数据，配置为：ereci、factorkreci、factorlengreci、factork_contreci、factorn_contnetreci，共计l项，上述各项统一标记为：

其中各项的计算方法为：

步骤三、反向网络的输出数据的配置

每组干扰测试数据对应干扰类型为下述中的一种：{interd1，interd2，……，interdp}。

反向网络的输出配置为：对应p种干扰类型，节点输出数据取值范围为{interd1，interd2，interd3，……，interdp}，对应干扰类型位取1，其余置为0。

步骤四、反向网络的迭代训练过程

4.1)反向网络参数配置包括：设置反向网络共q层，第1层到第[q-1]层的各层节点数目为r，第q层的节点数目为p；最大迭代次数为maxnumi。

4.2)设置当前开始第d次迭代，d＝1；

4.3)设置当前计算第k组数据，k＝1；

4.4)针对第k组数据，计算反向传播网络的输出数据；

具体过程包括：

1)反向网络的第一层节点数目为r，针对i＝1,2,……，r分别计算第一层节点的输入值levi1_input：

levi1_input＝faci1*reci_input1+faci2*reci_input2+…+facil*reci_inputl；

反向网络的权重因子{faci1,faci2,faci3,……,facil}，如果d＝1且k＝1，则权重因子{faci1,faci2,faci3,……,facil}中各个元素置为(-1,1)之间均匀分布的随机数；

输入数据reci_input1、reci_input2、……、reci_inputl，分别为该组干扰数据计算对应的ereci、factorkreci、factork_contreci；

2)反向网络第一层节点数目为r，针对i＝1,2,……，r分别计算第一层各个节点的输出值

3)反向网络第2、3、……、q-1层，各个层节点数目为r，针对i＝1,2,……，r，分别计算第m层第i个节点输入值；

levim_input＝facim_1*lev1j_output+facim_2*lev2j_output+…+facim_r*levrj_output；

其中，j＝m-1；权重因子{facim_1,facim_2,facim_3,……,facim_r}，如果d＝1、k＝1，{facim_1,facim_2,facim_3,……,facim_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数。

4)反向网络的第2、3、……、q-1层，各个层节点数目为r，针对i＝1,2,……，r节点分别计算第m层第i个节点输出值levim_output，

5)反向网络的第q层，节点数为p，针对i＝1,2,……，p节点分别计算第i个节点输入值输入数据为：leviq_input＝faciq_1*lev1j_output+faciq_2*lev2j_output+…+faciq_r*levrj_output；j＝q-1

权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}，如果d＝1且k＝1，{faciq_1,faciq_2,faciq_3,……,faciq_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

6)反向网络的第q层，即输出层，节点数为p，针对i＝1,2,……，p，分别计算第i个节点输入值输出数据为

4.5)更新权重因子：

1)计算误差e：

interdi为该干扰数据对应的干扰类型，对应干扰类型位取1，其余位为0。

2)更新对应权重因子：

反向网络有第一层，各个层节点数目为r，针对i＝1,2,……，r，权重因子{faci1,faci2,faci3,……,facil}；

反向网络有第2、3、……、q-1层，各个层节点数目为r，针对i＝1,2,……，r节点权重因子{facim_1,facim_2,facim_3,……,facim_r}；

反向网络有第q层，即输出层，节点数为p，针对i＝1,2,……，p，权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}。

上述各个权重因子设为变量fac，针对各个变量的更新方案：

其中，ε为调节速率，取值范围为(0,1)。

3)判断是否结束数据遍历：k＝k+1，如果k≤m转至本步骤第4.4)步，继续迭代计算；否则转到本步骤第4.6)步。k为第k组数据，m为配置的数据组的组数。

4.6)判断是否结束迭代：d＝d+1，如果d≤maxnumi，转至本步骤第4.3)步，继续迭代计算；否则结束计算过程，确定了用于判别干扰数据的权重因子的配置值，反向学习网络最终确定。

步骤五、确定干扰数据的干扰类型

提取干扰数据的特征值；将特征值作为反向学习网络的输入值，计算输出值，即确定该组干扰数据对应的干扰类型。

下面结合具体实例说明上述方法的具体实现过程：

实例1：

干扰类型a、干扰类型b、干扰类型c、干扰类型d四种类型1000组干扰数据，迭代次数为10，确定反向网络并进行测试：

结合干扰类型a、干扰类型b、干扰类型c、干扰类型d四种类型的700组干扰数据，提取干扰数据的特征值，对应干扰类型分别为[1000]、[0100]、[0010]、[0001]。

导入四种干扰数据的特征值和对应干扰类型；

配置反向网络共3层，第一层各层节点数为8，第二层节点数为9，输出层节点数为4，最大迭代次数为10。

基于反向网络迭代更新后，确定节点权重因子，形成自动判别干扰类型的自学习系统。

另取300组数据将300组测试的干扰数据的特征值输入反向网络，计算输出对应的干扰类型；

对应四种干扰类型的干扰识别率分别为：1.0000、0.9690、0.9370和0.9677，干扰识别率大于93％。

实例2：

干扰类型a、干扰类型b、干扰类型c、干扰类型d四种类型1000组干扰数据，提高迭代次数到20，确定反向网络并进行测试：

结合干扰类型a、干扰类型b、干扰类型c、干扰类型d四种类型的700组干扰数据，提取特征值，对应干扰类型分别为[1000]、[0100]、[0010]、[0001]。

导入四种干扰数据的特征值和对应干扰类型；

配置反向网络共3层，第一层各层节点数为8，第二层节点数为9，输出层节点数为4，最大迭代次数为20。

基于反向网络迭代更新后，确定节点权重因子，形成自动判别干扰类型的自学习系统。

另取300组数据将300组测试的干扰数据的特征值输入网络，计算输出的干扰类型；

对应四种干扰类型的干扰识别率分别为：1.0000、0.9750、0.9766和0.9764，干扰识别率大于97％，提高迭代次数，进一步提高了干扰类型判别的准确度和效率。

本发明的上述实施例提取干扰数据有效的关键特征值，转化为基础配置数据构建反向网络，进行迭代训练，形成自动判别干扰类型的自学习系统，扩大了干扰类型识别的范围，提高了干扰类型判别的准确度和效率。

本发明的实施例还提供一种数据的干扰类型的确定装置，包括：

处理模块，用于获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

需要说明的是，上述方法实施例中的所有实现方式均适用于该设备的实施例中，也能达到相同的技术效果，

如图3所示，本发明的实施例还提供一种数据的干扰类型的确定设备30，包括：处理器32，被配置为执行如下功能：获取干扰测试数据以及干扰测试数据的特征值；根据所述干扰测试数据特征值，确定反向网络的输入配置和输出配置；根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络；将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

其中，所述处理器32获取干扰测试数据的特征值时，具体用于：

确定所述干扰测试数据的采样频率范围中的各采样频率；

确定所述采样频率范围内的各采样频率对应的接收干扰功率；

获取所述各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值，以及各采样频率对应的接收干扰功率与干扰功率门限相比得到的结果；

根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数。

其中，所述处理器32确定采样频率范围内的各采样频率对应的接收干扰功率时，具体用于：确定采样频率范围内的各采样频率为：

{basicfl，basicfl+δf，basicfl+2*δf，……，basicfl+(n-1)*δf；basicfr为频率范围的最大值，basicfl为频率范围的最小值，δf为采样频率步长，

确定各采样频率对应的接收干扰功率为：{reci1，reci2，……，recin}。

其中，所述处理器32获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值时，具体用于：

通过：获取各采样频率对应的接收干扰功率相对于第一个采样频率对应的接收干扰功率的相对值的均值；

其中，e(x)为所述均值；xi为各个采样频率相对于第一个采样频率的相对值；xi＝recii-reci1；reci1为第一个采样频率的接收干扰功率，recii为第i个采样频率的接收干扰功率；i为{1，2，…，n}。

其中，所述结果包括：

recimin、recimax、kreci、recisum、minkreci、maxkreci、和其中，

recimin为{reci1，reci1，reci3，……，recin}的最小值；

recimax为{reci1，reci1，reci3，……，recin}的最大值；

kreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素个数；

recisum为{reci1，reci1，reci3，……，recin}中，高于所述干扰功率门限threci的元素之和；

minkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最小值的编号；

maxkreci为{reci1，reci1，reci3，……，recin}中高于所述干扰功率门限threci的元素最大值的编号；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合的数目；

为{reci1，reci1，reci3，……，recin}中连续高于所述干扰功率门限threci的元素组合中的最大元素个数。

其中，所述处理器32根据所述均值和所述结果，确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数时，具体用于：

通过确定所述干扰测试数据相对于预设干扰类型的数据曲线的相关系数

其中，ym为第m种干扰类型的数据的接收干扰功率；ymi为第m种干扰类型的数据的第i个采样频率对应的接收干扰功率。

其中，所述处理器32根据所述特征值，确定反向网络的输入配置和输出配置时，具体用于：根据所述特征值，确定所述反向网络的输入配置，所述输入配置包括：其中，

依次为：

ereci、factorkreci、factorlengreci、factork_contreci、factorn_contnetreci；

其中，

根据所述输入配置，确定反向网络的输出配置，所述输出配置包括：{interd1，interd2，……，interdp}，分别对应p种干扰类型。

其中，所述处理器32根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定用于对干扰数据进行干扰类型判别的反向学习网络时，具体用于：根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络。

其中，所述处理器32根据所述输入配置和输出配置以及所述干扰测试数据，进行所述反向网络的迭代训练，确定具有用于确定干扰数据的干扰类型的权重因子的反向学习网络时，具体用于：

从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值；

根据所述第q层的输出值，更新所述反向网络的权重因子，直到配置的所述预设干扰类型的输入数据计算完毕，得到具有用于确定干扰数据的干扰类型的权重因子的反向学习网络；其中，所述反向网络共q层，第1层到第[q-1]层的各层节点数目为r，第q层的节点数目为p。

其中，所述处理器32从所述反向网络的第一层到第q层，计算每层中的各节点的输入值和输出值时，具体用于：

所述反向网络的第一层节点数目为r，针对i＝1,2,……，r，分别计算所述第一层中的各节点的输入值levi1_input；levi1_input＝faci1*reci_input1+faci2*reci_input2+…+facil*reci_inputl；

权重因子为：{faci1,faci2,faci3,……,facil}，如果d＝1且k＝1，则权重因子{faci1,faci2,faci3,……,facil}中各个元素置为(-1,1)之间均匀分布的随机数；

输入数据为reci_input1、reci_input2、……、reci_inputl，分别为该组输入数据计算ereci、factorkreci、factork_contreci；

分别计算所述第一层中的各节点的输出值levi1_output；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输入值：

levim_input＝facim_1*lev1j_output+facim_2*lev2j_output+…+facim_r*levrj_output；

其中，j＝m-1；权重因子{facim_1,facim_2,facim_3,……,facim_r}，如果d＝1、k＝1，{facim_1,facim_2,facim_3,……,facim_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第2、3、……、q-1层，分别计算第m层第i个节点输出值：

针对所述反向网络的第q层，分别计算第i个节点输入值为：

leviq_input＝faciq_1*lev1j_output+faciq_2*lev2j_output+…+faciq_r*levrj_output；j＝q-1；

权重因子为{faciq_1,faciq_2,faciq_3,……,faciq_r}，如果d＝1且k＝1，{faciq_1,faciq_2,faciq_3,……,faciq_r}中各个元素分别为服从(-1,1)之间均匀分布的随机数；

针对所述反向网络的第q层，分别计算第i个节点输出值为：

其中，所述处理器32根据所述第q层的输出值，更新所述反向网络的权重因子时，具体用于：

计算误差

interdi为该输入数据对应的干扰类型，对应干扰类型位取1，其余位为0；

所述反向网络的第一层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{faci1,faci2,faci3,……,facil}；

所述反向网络的第2,3,……，q-1层，各个层节点数目为r，针对i＝1,2,……，r；节点权重因子{facim_1,facim_2,facim_3,……,facim_r}；

所述反向网络的第q层，节点数为p，针对i＝1,2,……，p；节点权重因子{faciq_1,faciq_2,faciq_3,……,faciq_r}；

将各个权重因子设为变量fac，针对各个变量，通过更新所述反向网络的权重因子，将更新后的该反向网络的权重因子作为所述反向学习网络的权重因子；其中，ε为调节速率，取值范围为(0,1)。

其中，所述处理器32将干扰数据输入所述反向学习网络进行运算，输出所述干扰数据的干扰类型时，具体用于：根据所述反向学习网络的用于确定干扰数据的干扰类型的权重因子和所述干扰数据，通过所述反向学习网络进行运算，输出所述干扰数据的干扰类型。

需要说明的是，上述方法实施例中的所有实现方式均适用于该设备的实施例中，也能达到相同的技术效果，该设备还可以进一步包括：收发机31，存储器33等，收发机31与存储器33，以及收发机31与处理器32均可以通过总线接口通讯连接，处理器32的功能也可以由收发机31实现，收发机31的功能也可以由处理器32实现。本发明的实施例还提供一种计算机存储介质，包括指令，当所述指令在计算机运行时，使得计算机执行如上所述的方法。

本发明的上述实施例提取干扰数据有效的关键特征值，转化为基础配置数据构建反向网络，进行迭代训练，形成自动判别干扰类型的自学习系统，扩大了干扰类型识别的范围，提高了干扰类型判别的准确度和效率。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。