上行干扰的分类方法、装置、设备及可读介质与流程

1.本发明实施例涉及无线网络优化技术领域，具体涉及一种干扰分类方法、装置、设备及可读介质。


背景技术：

2.上行干扰是指干扰信号在移动网络的上行频段，移动基站受外界射频干扰源或内部频率规划不合理产生的同邻频等干扰，对用户的网络质量造成较大的影响，因此需要对上行干扰进行分类，定位出干扰原因从而进行处理。
3.目前对上行干扰的发现和定位主要依靠用户投诉、kpi指标监控以及现场扫频的方式。由于现有技术中干扰分类的手段受限于人员能力不齐分析不准确、效率低且人工成本高、经验不容易复制等原因，导致了干扰源和干扰类型分类时间严重滞后同时分类质量不能保证，从而降低了发现干扰问题的及时性和准确性、影响了网络质量。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种上行干扰的分类方法、装置、设备及可读介质，用于解决现有技术中存在的上行干扰定位不准确、效率低的问题。
5.根据本发明实施例的一个方面，提供了一种上行干扰的分类方法，所述方法包括：获取目标频带上的干扰噪声数据，所述干扰噪声数据包括多个待分类小区在预设时段内的上行prb干扰电平值；
6.将所述干扰噪声数据输入预先训练好的分类模型，获取所述分类模型输出的所述待分类小区的干扰波形类型，其中，所述分类模型为根据训练样本集训练得到，所述训练样本集包括多个标记样本，所述标记样本包括样本小区的上行prb干扰电平值和对应的干扰波形类型标记；
7.分别根据各个所述待分类小区在所述预设时段内的上行prb干扰电平值确定所述待分类小区的干扰时域特征；
8.根据所述各个待分类小区的干扰波形类型和所述干扰时域特征确定所述各个待分类小区的目标干扰类型。
9.在一种可选的方式中，在将所述干扰噪声数据输入预先训练好的分类模型之前，进一步包括：
10.获取所述训练样本集，其中，所述训练样本集还包括去标记训练样本，所述去标记训练样本包括样本小区的上行prb干扰电平值；
11.以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型。
12.在一种可选的方式中，所述以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型进行训练之后，还进一步包括：
13.获取测试样本集，所述测试样本集包括多个小区的上行prb干扰电平值；
14.将所述测试样本集输入训练后的所述分类模型，获取训练后的所述分类模型输出的波形类型标签作为待评估结果；
15.根据所述待评估结果中所述各个聚类簇中各个小区间的距离确定所述待评估结果的轮廓系数；
16.将所述待评估结果与所述测试样本集中各小区的干扰波形类型标记进行比较，确定所述待评估结果的混淆矩阵；
17.根据所述轮廓系数和混淆矩阵对所述训练后的分类模型进行评估，在评估通过的情况下，确定所述分类模型训练完毕。
18.在一种可选的方式中，所述目标干扰类型包括第一干扰类型和第二干扰类型，所述时域特征包括自忙时干扰电平平均值，
19.所述根据所述各个待分类小区的干扰波形类型和所述时域特征确定所述各个待分类小区的目标干扰类型，进一步包括：
20.将所述干扰波形类型满足预设的第一波形特征并且所述自忙时干扰电平平均值大于预设干扰值阈值的待分类小区的目标干扰类型确定为第一干扰类型，将剩余的待分类小区的目标干扰类型确定为第二干扰类型。
21.在一种可选的方式中，所述时域特征还包括单日干扰小时数，在所述将剩余的待分类小区的目标干扰类型确定为第二干扰类型之后，还进一步包括：
22.确定干扰波形类型与目标干扰类型的对应关系；
23.获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第一波形类型的、并且单日干扰小时数大于预设的干扰小时数阈值的待分类小区作为第一类小区，根据所述对应关系确定所述第一类小区的目标干扰类型，其中，所述第一波形类型包括杂散干扰、阻塞干扰、互调谐波；
24.获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第二波形类型的待定位小区为第二类小区，其中，所述第二波形类型包括大气波导干扰、偶发干扰、学校干扰器，根据所述对应关系确定所述第二类小区的目标干扰类型，并将所述第二类小区作为目标排障小区进行输出；
25.将目标干扰类型属于第二干扰类型的待定位小区中不属于所述第一类小区或第二类小区的待定位小区的目标干扰类型确定为第三干扰类型。
26.在一种可选的方式中，所述以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型之前，还进一步包括：
27.根据所述训练样本集中各个小区的上行prb干扰电平值确定所述训练样本集中各个小区的上行prb平均值和标准差；
28.根据所述上行prb平均值和标准差对所述训练样本集中各个小区的上行prb干扰电平值进行标准化；
29.获取标准化后的所述已标记训练样本集中各个小区的上行prb干扰电平值作为初始类型中心输入所述预设的分类模型。
30.在一种可选的方式中，根据所述各个待分类小区的干扰波形类型和所述干扰时域
特征确定所述各个待分类小区的目标干扰类型之后，进一步包括：
31.获取所述各个待分类小区的位置信息；
32.在预设的地图显示装置上根据所述各个待分类小区的目标干扰类型和位置信息进行标记。
33.根据本发明实施例的另一方面，提供了一种上行干扰的分类装置，包括：
34.数据获取模块，用于获取目标频带上的干扰噪声数据，所述干扰噪声数据包括多个待分类小区在预设时段内的上行prb干扰电平值；
35.波形分类模块，用于将所述干扰噪声数据输入预先训练好的分类模型，获取所述分类模型输出的所述待分类小区的干扰波形类型，其中，所述分类模型为根据训练样本集训练得到，所述训练样本集包括多个标记样本，所述标记样本包括样本小区的上行prb干扰电平值和对应的干扰波形类型标记；
36.时域特征确定模块，用于分别根据各个所述待分类小区在所述预设时段内的上行prb干扰电平值确定所述待分类小区的干扰时域特征；
37.干扰分类模块，用于根据所述各个待分类小区的干扰波形类型和所述干扰时域特征确定所述各个待分类小区的目标干扰类型。
38.根据本发明实施例的另一方面，提供了一种上行干扰的分类设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述上行干扰的分类方法的操作。
39.根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使上行干扰的分类设备/装置执行上述上行干扰的分类的操作。
40.根据本发明实施例的又一方面，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中存储有至少一可执行指令，所述可执行指令在上行干扰的分类设备/装置上运行时，使得上行干扰的分类设备执行所述上行干扰的分类方法的操作。
41.本发明实施例通过获取目标频带上的干扰噪声数据，所述干扰噪声数据包括多个待分类小区，然后将所述干扰噪声数据输入预先训练好的分类模型，获取所述分类模型输出的所述待分类小区的干扰波形类型，其中，所述预先训练好的分类模型根据已标记训练样本和去标记训练样本集训练得到，其中所述已标记训练样本集中包括多个小区的上行prb干扰电平值和干扰波形类型标记，所述去标记训练样本集包括多个小区的上行prb干扰电平值。
42.在通过上述步骤确定出各个待分类小区的干扰波形类型之后，再分别根据各个所述待分类小区在所述预设时段内的上行prb干扰电平值确定所述待分类小区的干扰时域特征，最后结合所述各个待分类小区的干扰波形类型所表现的频域特征和上述干扰时域特征确定所述各个待分类小区的目标干扰类型。
43.本发明通过结合待分类小区的干扰的频域特征和时域特征，综合判断待分类小区的干扰类型，区别于现有技术中仅仅考虑到干扰小区的干扰波形信息，本发明提高了上行干扰定位的准确性。
44.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例
的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
45.附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
46.图1示出了本发明上行干扰的定位方法实施例的流程图；
47.图2示出了一个实施例中对样本数据进行标准化的流程图；
48.图3示出了一个实施例中结合时域特征进行干扰类型确定的流程图；
49.图4示出了本发明上行干扰的定位装置实施例的结构示意图；
50.图5示出了本发明上行干扰的分类设备实施例的结构示意图。
具体实施方式
51.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。
52.图1示出了本发明上行干扰的定位方法实施例的流程图，该方法由计算机处理设备执行。计算机处理设备包括：手机、笔记本电脑等，如图1所示，该方法包括以下步骤：
53.步骤110：获取目标频带上的干扰噪声数据，所述干扰噪声数据包括多个待分类小区在预设时段内的上行prb干扰电平值。
54.目标频带是指在当前待排查的工作频段的中心频点左右各一定阈值如200khz的频段范围。上行prb指的是各个小区在预设时段内所有上行子帧的物理资源块(即prb)的干扰电平值。预设时段可以是如一天中的8点到22点，本发明对此不做限制。
55.步骤120：将所述干扰噪声数据输入预先训练好的分类模型，获取所述分类模型输出的所述待分类小区的干扰波形类型，其中，所述分类模型为根据训练样本集训练得到，所述训练样本集包括多个标记样本，所述标记样本包括样本小区的上行prb干扰电平值和对应的干扰波形类型标记。
56.所述预先训练好的分类模型是根据已标记训练样本和去标记训练样本集训练得到，其中的已标记训练样本集中包括多个小区的上行prb干扰电平值和干扰波形类型标记，所述去标记训练样本集包括多个小区的上行prb干扰电平值。本发明以已标记的小区的干扰波形类型为基础，将各个待分类小区以干扰电平值为距离计算参数，划分到与其距离最近的已标记小区所代表的干扰波形类型之下。其中，每一个已标记小区的干扰波形作为一个单独的干扰波形类型，即聚类的初始中心。
57.在将所述干扰噪声数据输入预先训练好的分类模型之前，还需要对分类模型按照上述步骤进行训练，还进一步包括步骤1201-步骤1202：
58.步骤1201：获取所述训练样本集，其中，所述训练样本集还包括去标记训练样本，所述去标记训练样本包括样本小区的上行prb干扰电平值。
59.为了提高对分类模型训练的效率，在确定需要定位的去标记小区时可以进行首先电平值特征的筛选，得到很可能存在干扰的小区，从而后续训练模型输出对这些小区的干
扰波形分类结果。
60.如采集在预设时段如8点-22点这15忙时的所有上行子帧的100个prb的利用率的平均值不小于-110分贝和不大于-80分贝的小区作为去标记训练样本集中各个小区。
61.然后获取上述这些小区的全天的所有100prb电平数据作为此处的未标记数据。进一步地，由于获取得到的无标记小区的电平数据可能存在缺失、异常等情况，因此需要进行数据清洗工作。对于常见的数据缺失的情况采用均值方式进行处理，即获取小区一天内的干扰数据，取其数据分布的均值填补缺失数据。对应的，已标记训练样本集中的各个小区是已知的造成了干扰的小区，并且已经对其干扰波形进行了类型标记，在本发明实施例中，已标记训练样本集中每一个小区的干扰波形作为一个单独的波形类型。
62.干扰波形可以根据电平数据得到，其横坐标可以是在预设时段内所有上行子帧的从1到100所有prb，纵坐标是的从1到100这100个prb分别对应的电平值平均值。
63.步骤1202：以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型。
64.在进行聚类的过程中，以存在标记的小区的波形类型作为一个单独的聚类中心，在分类的过程中，将各个未标记训练样本集中小区分配到与其电平值特征最相近的已标记小区代表的干扰波形类型之下即可。为了保证聚类的准确性，在将各个已标记小区作为各个对应的初始类型中心之前，还应该对各个已标记小区的电平值数据进行标准化，从而作为比较的基础。
65.标准化的过程至少包括图2示出的步骤1211-1213，图2示出了一个实施例中对样本数据进行标准化的流程图。
66.步骤1211：根据所述训练样本集中各个小区的上行prb干扰电平值确定所述训练样本集中各个小区的上行prb平均值和标准差。
67.步骤1212：根据所述上行prb平均值和标准差对所述训练样本集中各个小区的上行prb干扰电平值进行标准化。
68.标准化过程，首先确定出各个小区的上行prb平均值xi，和标准差si，然后按照下式计算出：
69.z
ji
＝(x
ji-xj)
÷
sj70.其中：j＝1、2、...、k、表示第j个已标记训练样本中的小区；i＝1、2、...、100，表示一个子帧中的第i个prb，z
ji
为标准化后的变量值，x
ji
为实际变量值。
71.此处实际变量值即是每一个已标记小区的电平平均值，在将其进行标准化之后即可作为初始类型中心所具有的上行prb干扰电平值。
72.步骤1213：获取标准化后的所述已标记训练样本集中各个小区的上行prb干扰电平值作为初始类型中心输入所述预设的分类模型。
73.即在标准化完成之后，将已标记训练样本集中的每一个小区作为一个初始类型中心，将去标记样本集中的各个小区按照电平值特征最小距离原则分配到最邻近的初始类别中心之下。
74.更进一步地，在对预设的分类模型进行训练之后，还需要对分类模型的训练成果进行检测，判断是否达到了要求，对分类模型的训练结果进行评估的过程至少可以进一步包括以下的步骤1221-步骤1225。
75.步骤1221：获取测试样本集，所述测试样本集包括多个小区的上行prb干扰电平值。
76.步骤1222：将所述测试样本集输入训练后的所述分类模型，获取训练后的所述分类模型输出的波形类型标签作为待评估结果。
77.步骤1223：根据所述待评估结果中所述各个聚类簇中各个小区间的距离确定所述待评估结果的轮廓系数。
78.轮廓系数用于评价波形类型标签的好坏，其计算方式可以如：计算样本i到同簇其他样本的平均距离作为样本i的簇内不相似度。同时，计算样本i到其他某簇cj的所有样本的平均距离b
ij
，称为样本i与簇cj的不相似度，将bi＝min{b
i1
，b
i2
，....，b
ik
}作为样本i的簇间不相似度。
79.则最终的样本i的轮廓系数表示为:
[0080][0081]
步骤1224：将所述待评估结果与所述测试样本集中各小区的干扰波形类型标记进行比较，确定所述待评估结果的混淆矩阵。
[0082]
步骤1225：根据所述轮廓系数和混淆矩阵对所述训练后的分类模型进行评估，在评估通过的情况下，确定所述分类模型训练完毕。
[0083]
根据轮廓系数进行模型的评估，将轮廓系数和预设阈值(如1)进行比较，越接近1视作训练越好。基于混淆矩阵进行的评估，根据混淆矩阵中包含的各项预设参数如准确度、召回度、特异度、精度确定是否满足对应的阈值进行比较，在满足的情况下，判断训练完成。
[0084]
步骤130：分别根据各个所述待分类小区在所述预设时段内的上行prb干扰电平值确定所述待分类小区的干扰时域特征。
[0085]
因此，在一个实施例中，此处的时域特征包括自忙时干扰电平平均值。
[0086]
步骤140：根据所述各个待分类小区的干扰波形类型和所述干扰时域特征确定所述各个待分类小区的目标干扰类型。前述步骤中确定出的各个待定位小区的干扰波形类型即提取出了各个小区在预设时段或者某一时间的频谱特征，但是考虑到干扰的存在一般是会持续一段时间而且会根据干扰及被干扰小区的信号以及网络情况发生变化的，因此还需要考虑干扰小区的干扰时域特征，如在忙时的干扰值水平，或者持续一定水平的干扰的时间长度等。
[0087]
步骤140进一步包括步骤1401：将所述干扰波形类型满足预设的第一波形特征并且所述自忙时干扰电平平均值大于预设干扰值阈值的待分类小区的目标干扰类型确定为第一干扰类型，将剩余的待分类小区的目标干扰类型确定为第二干扰类型。
[0088]
首先，预设的第一波形特征是满足网内干扰中间高并且两边低或者中间低并且两边高的频域特征。，此处的预设干扰值阈值是5分贝。此处的第一类干扰类型指的是网内干扰类型，对应的，第二波形类型干扰类型即是网外干扰类型，网外干扰类型还可以因其引起干扰的原因划分为更多类型，如杂散干扰、阻塞干扰、互调谐波干扰等，并且此处的时域特征还包括单日干扰小时数，因此步骤140还可以进一步包括图3的步骤1411-1413。
[0089]
步骤1411：确定干扰波形类型与目标干扰类型的对应关系。
[0090]
可以是通过预设的数据库中存有的各个干扰波形类型对应的目标干扰类型进行
确定。
[0091]
步骤1412：获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第一波形类型的、并且单日干扰小时数大于预设的干扰小时数阈值的待分类小区作为第一类小区，根据所述对应关系确定所述第一类小区的目标干扰类型，其中，所述第一波形类型包括杂散干扰、阻塞干扰、互调谐波。
[0092]
针对某些特定的干扰类型，如上述的杂散干扰、阻塞干扰、互调谐波不能仅仅根据其波形类型来确定其对应的干扰类型，还需要进一步结合时域特征进行判断，即该干扰波形的发生和持续时间是否满足某种特定类型干扰的特点，是单日干扰小时数是否大于10小时。
[0093]
步骤1413：获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第二波形类型的待定位小区为第二类小区，其中，所述第二波形类型包括大气波导干扰、偶发干扰、学校干扰器，根据所述对应关系确定所述第二类小区的目标干扰类型，并将所述第二类小区作为目标排障小区进行输出。
[0094]
可选的，还可以进一步获取目标排障小区的相关信息，如小区标识、位置坐标、干扰采集数据等输出给相关排障人员，从而有助于排障人员实地进行排障，尽快消除干扰。
[0095]
步骤1414：将目标干扰类型属于第二干扰类型的待定位小区中不属于所述第一类小区或第二类小区的待定位小区的目标干扰类型确定为第三干扰类型。
[0096]
在定位出了各个待定位小区的目标干扰类型之后，还可以将各个待定位小区作为黑点小区录入预设的干扰小区指纹库中，从而提高后续干扰排查的效率。并且根据不同的干扰类型通过预设装置进行区分性地展示。具体至少可以包括以下的步骤1501-步骤1502。
[0097]
步骤1501：获取所述各个待分类小区的位置信息。
[0098]
步骤1502：在预设的地图显示装置上根据所述各个待分类小区的目标干扰类型和位置信息进行标记。
[0099]
不同干扰类型的小区的标记方式，如标记颜色、标记图案可以对应不同，从而进行区分和提示。可以将需要进行排障处理的预设干扰类型的小区的相关信息进行特别标识或者将其位置信息发送给相关人员进行处理。
[0100]
图4示出了本发明上行干扰的定位装置实施例的结构示意图。如图4所示，该装置300包括：数据获取模块310、波形分类模块320和时域特征确定模块330、干扰分类模块340。
[0101]
在一种可选的方式中，波形分类模块320还用于获取所述训练样本集，其中，所述训练样本集还包括去标记训练样本，所述去标记训练样本包括样本小区的上行prb干扰电平值；
[0102]
以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型。
[0103]
在一种可选的方式中，波形分类模块320还用于获取测试样本集，所述测试样本集包括多个小区的上行prb干扰电平值；将所述测试样本集输入训练后的所述分类模型，获取训练后的所述分类模型输出的波形类型标签作为待评估结果；根据所述待评估结果中所述各个聚类簇中各个小区间的距离确定所述待评估结果的轮廓系数；将所述待评估结果与所述测试样本集中各小区的干扰波形类型标记进行比较，确定所述待评估结果的混淆矩阵；根据所述轮廓系数和混淆矩阵对所述训练后的分类模型进行评估，在评估通过的情况下，
确定所述分类模型训练完毕。
[0104]
在一种可选的方式中，干扰分类模块340还用于：
[0105]
将所述干扰波形类型满足预设的第一波形特征并且所述自忙时干扰电平平均值大于预设干扰值阈值的待分类小区的目标干扰类型确定为第一干扰类型，将剩余的待分类小区的目标干扰类型确定为第二干扰类型。
[0106]
在一种可选的方式中，干扰分类模块340还用于：
[0107]
确定干扰波形类型与目标干扰类型的对应关系；
[0108]
获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第一波形类型的、并且单日干扰小时数大于预设的干扰小时数阈值的待分类小区作为第一类小区，根据所述对应关系确定所述第一类小区的目标干扰类型，其中，所述第一波形类型包括杂散干扰、阻塞干扰、互调谐波；获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第二波形类型的待定位小区为第二类小区，其中，所述第二波形类型包括大气波导干扰、偶发干扰、学校干扰器，根据所述对应关系确定所述第二类小区的目标干扰类型，并将所述第二类小区作为目标排障小区进行输出；将目标干扰类型属于第二干扰类型的待定位小区中不属于所述第一类小区或第二类小区的待定位小区的目标干扰类型确定为第三干扰类型。
[0109]
在一种可选的方式中，波形分类模块320还用于：
[0110]
根据所述训练样本集中各个小区的上行prb干扰电平值确定所述训练样本集中各个小区的上行prb平均值和标准差；根据所述上行prb平均值和标准差对所述训练样本集中各个小区的上行prb干扰电平值进行标准化；获取标准化后的所述已标记训练样本集中各个小区的上行prb干扰电平值作为初始类型中心输入所述预设的分类模型。
[0111]
在一种可选的方式中，干扰分类模块340还用于：
[0112]
获取所述各个待分类小区的位置信息；在预设的地图显示装置上根据所述各个待分类小区的目标干扰类型和位置信息进行标记。
[0113]
本发明实施例的上行干扰的分类装置的具体工作过程与上述上行干扰方法的具体流程步骤相同，此处不再赘述。
[0114]
本发明实施例的上行干扰的分类装置通过结合待分类小区的干扰的频域特征和时域特征，综合判断待分类小区的干扰类型，从而提高了上行干扰定位的准确性。图5示出了本发明上行干扰的分类设备实施例的结构示意图，本发明具体实施例并不对上行干扰的分类设备的具体实现做限定。
[0115]
如图5所示，该上行干扰的分类设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0116]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于上行干扰的分类方法实施例中的相关步骤。
[0117]
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。上行干扰的分类设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同
类型的处理器，如一个或多个cpu以及一个或多个asic。
[0118]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0119]
程序410具体可以被处理器402调用使上行干扰的分类设备执行以下操作：获取目标频带上的干扰噪声数据，所述干扰噪声数据包括多个待分类小区在预设时段内的上行prb干扰电平值；将所述干扰噪声数据输入预先训练好的分类模型，获取所述分类模型输出的所述待分类小区的干扰波形类型，其中，所述分类模型为根据训练样本集训练得到，所述训练样本集包括多个标记样本，所述标记样本包括样本小区的上行prb干扰电平值和对应的干扰波形类型标记；分别根据各个所述待分类小区在所述预设时段内的上行prb干扰电平值确定所述待分类小区的干扰时域特征；根据所述各个待分类小区的干扰波形类型和所述干扰时域特征确定所述各个待分类小区的目标干扰类型。
[0120]
在一种可选的方式中，所述程序410被处理器402调用使上行干扰的分类设备执行以下操作：
[0121]
获取所述训练样本集，其中，所述训练样本集还包括去标记训练样本，所述去标记训练样本包括样本小区的上行prb干扰电平值；以所述训练样本集为输入，所述去标记训练样本的波形类型标签为输出对预设的分类模型进行训练，得到所述预先训练好的分类模型。
[0122]
在一种可选的方式中，所述程序410被处理器402调用使上行干扰的分类设备执行以下操作：
[0123]
获取测试样本集，所述测试样本集包括多个小区的上行prb干扰电平值；将所述测试样本集输入训练后的所述分类模型，获取训练后的所述分类模型输出的波形类型标签作为待评估结果；根据所述待评估结果中所述各个聚类簇中各个小区间的距离确定所述待评估结果的轮廓系数；
[0124]
将所述待评估结果与所述测试样本集中各小区的干扰波形类型标记进行比较，确定所述待评估结果的混淆矩阵；
[0125]
根据所述轮廓系数和混淆矩阵对所述训练后的分类模型进行评估，在评估通过的情况下，确定所述分类模型训练完毕。
[0126]
在一种可选的方式中，所述程序410被处理器402调用使上行干扰的分类设备执行以下操作：
[0127]
将所述干扰波形类型满足预设的第一波形特征并且所述自忙时干扰电平平均值大于预设干扰值阈值的待分类小区的目标干扰类型确定为第一干扰类型，将剩余的待分类小区的目标干扰类型确定为第二干扰类型。
[0128]
在一种可选的方式中，所述程序410被处理器402调用使上行干扰的分类设备执行以下操作：
[0129]
确定干扰波形类型与目标干扰类型的对应关系；
[0130]
获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第一波形类型的、并且单日干扰小时数大于预设的干扰小时数阈值的待分类小区作为第一类小区，根据所述对应关系确定所述第一类小区的目标干扰类型，其中，所述第一波形类型包括杂散干扰、阻塞干扰、互调谐波；
[0131]
获取目标干扰类型属于第二干扰类型的待定位小区中干扰波形类型对应的目标干扰类型为第二波形类型的待定位小区为第二类小区，其中，所述第二波形类型包括大气波导干扰、偶发干扰、学校干扰器，根据所述对应关系确定所述第二类小区的目标干扰类型，并将所述第二类小区作为目标排障小区进行输出；
[0132]
将目标干扰类型属于第二干扰类型的待定位小区中不属于所述第一类小区或第二类小区的待定位小区的目标干扰类型确定为第三干扰类型。
[0133]
在一种可选的方式中，所述程序410被处理器402调用使上行干扰的分类设备执行以下操作：
[0134]
获取所述各个待分类小区的位置信息；
[0135]
在预设的地图显示装置上根据所述各个待分类小区的目标干扰类型和位置信息进行标记。
[0136]
本发明实施例的上行干扰的分类设备通过结合待分类小区的干扰的频域特征和时域特征，综合判断待分类小区的干扰类型，从而提高了上行干扰定位的准确性。
[0137]
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在上行干扰的分类设备/装置上运行时，使得所述上行干扰的分类设备/装置执行上述任意方法实施例中的上行干扰的分类方法。
[0138]
本发明实施例的计算机可读存储介质的具体工作过程与上述上行干扰的分类方法的具体流程步骤相同，此处不再赘述。
[0139]
本发明实施例的计算机可读存储介质通过结合待分类小区的干扰的频域特征和时域特征，综合判断待分类小区的干扰类型，从而提高了上行干扰定位的准确性。
[0140]
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使上行干扰的分类设备执行上述任意方法实施例中的上行干扰的分类方法。
[0141]
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的上行干扰的分类方法。在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0142]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0143]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
[0144]
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。
除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0145]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。