一种带信号监测功能的室分天线的制作方法

本技术涉及智能监测，且更为具体地，涉及一种带信号监测功能的室分天线。

背景技术：

1、在移动通信领域，室内移动信号强度主要靠外部大型基站信号的折射影响，特别是在互联网快速发展的今天，移动终端设备对移动信号强度的需求更加强烈，随时随地能够享受到快速的移动数据服务，是移动用户的基本需求，在某些领域，移动数据服务已经取代了宽带互联网服务的地位。

2、在移动通信系统中，室内分布天线系统对于保证信号覆盖和传输质量具有关键作用。在大型建筑物、商场等室内空间中，针对信号干扰、信号覆盖不足等问题，通常利用室内分布式天线系统来提高信号强度、解决通信问题。但是由于室内分布系统的复杂结构，使室分天线的故障判断变得困难。

3、因此，期待一种带信号监测功能的室分天线，能够对天线故障进行判断。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种带信号监测功能的室分天线，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。

2、相应地，根据本技术的一个方面，提供了一种带信号监测功能的室分天线，其包括：

3、监测模块，用于获取物联网模组采集的预定时间段的监测信号；

4、时频图转化模块，用于计算所述监测信号的时域增强图、s ift变换时频图和s变换时频图；

5、通道聚合模块，用于将所述时域增强图、所述s ift变换时频图和所述s变换时频图沿通道维度进行聚合以得到多通道时频图；

6、时频特征提取模块，用于将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

7、时频特征增强模块，用于将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

8、优化模块，用于对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

9、监测结果生成模块，用于将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

10、在上述带信号监测功能的室分天线中，所述时频图转化模块，用于：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

11、signalimage＝f(signal,maph,mapw)

12、其中，signal为原始一维信号，即所述监测信号，maph和mapw分别为将要构建的二维时域增强图的图像高度和宽度，signalimage为所述时域增强图。

13、在上述带信号监测功能的室分天线中，所述时频图转化模块，用于：以如下变换公式将所述监测信号进行s变换以得到所述s变换时频图；

14、其中，所述变换公式为：

15、

16、其中，s(f,τ)表示所述s变换时频图，τ为时移因子，x(t)表示所述监测信号，f表示频率，t表示时间。

17、在上述带信号监测功能的室分天线中，所述时频特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述监测信号时频特征图，所述卷积神经网络模型的第一层的输入为所述多通道时频图。

18、在上述带信号监测功能的室分天线中，所述时频特征增强模块，包括：空间注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元，用于将所述监测信号时频特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元，用于将所述融合注意力图输入si gmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元，用于计算所述融合注意力特征图和所述监测信号时频特征图的按位置点乘以得到加权特征图；残差融合单元，用于融合所述加权特征图和所述监测信号时频特征图以得到所述增强监测信号时频特征图。

19、在上述带信号监测功能的室分天线中，所述空间注意力单元，包括：空间感知子单元，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述监测信号时频特征图进行卷积编码以得到初始卷积特征图；概率化子单元，用于将所述初始卷积特征图通过softmax函数以得到空间注意力得分图；空间注意力施加子单元，用于将所述空间注意力得分图与所述监测信号时频特征图进行按位置点乘以得到所述空间注意力图。

20、在上述带信号监测功能的室分天线中，所述通道注意力单元，包括：通道维度池化子单元，用于对所述监测信号时频特征图进行沿通道维度的全局均值池化以得到通道特征向量；非线性激活子单元，用于将所述通道特征向量通过softmax激活函数以得到通道权重特征向量；通道注意力施加子单元，用于以所述通道权重特征向量中各个位置的特征值作为权重对所述监测信号时频特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力图。

21、在上述带信号监测功能的室分天线中，所述优化模块，包括：特征展平化单元，用于将所述增强监测信号时频特征图的沿通道维度的各个特征矩阵进行特征展平化处理以得到多个分类局部特征向量；特征域密度值计算单元，用于针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；映射单元，用于将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过sigmoid激活函数以得到特征域密度映射特征向量；优化单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强监测信号时频特征图。

22、根据本技术的另一个方面，提供了一种带信号监测功能的室分天线的监测方法，其包括：

23、获取物联网模组采集的预定时间段的监测信号；

24、计算所述监测信号的时域增强图、s ift变换时频图和s变换时频图；

25、将所述时域增强图、所述sift变换时频图和所述s变换时频图沿通道维度进行聚合以得到多通道时频图；

26、将所述多通道时频图通过作为特征提取器的卷积神经网络模型以得到监测信号时频特征图；

27、将所述监测信号时频特征图通过残差双注意力机制模型以得到增强监测信号时频特征图；

28、对所述增强监测信号时频特征图进行低维密度域映射以得到优化增强监测信号时频特征图；

29、将所述优化增强监测信号时频特征图通过分类器以得到分类结果，所述分类结果用于表示该天线是否存在故障。

30、在上述带信号监测功能的室分天线的监测方法中，计算所述监测信号的时域增强图，包括：以如下时域增强公式计算所述监测信号的时域增强图；其中，所述时域增强公式为：

31、signalimage＝f(signal,maph,mapw)

32、其中，signal为原始一维信号，即所述监测信号，maph和mapw分别为将要构建的二维时域增强图的图像高度和宽度，signalimage为所述时域增强图。

33、与现有技术相比，本技术提供的带信号监测功能的室分天线，其通过物联网模组完成室分天线多频段多制式信号的采集，并利用人工智能技术对室分信号进行时域和频域的特征分析，以此来判断天线是否存在故障。这样，能够实现室分信号实时监控，及时发现故障并解决故障，提升室分运维效率和效果。