[发明专利]一种外部干扰源定位方法、装置及计算机可读介质

说明书

本发明涉及机器学习领域，具体提供了一种外部干扰源定位方法，基于权重Kmeans算法，通过小时粒度的干扰小区上行prb数据和干扰小区所在的mdt栅格数据进行上下行数据建模，并通过上下行路损差的负指数值的权重定位算法对栅格经纬度聚类，定位干扰源位置。与现有技术相比，本发明根据定位的干扰源位置，可以使用较少的人力，快速的进行干扰源排查，显著提升干扰排查效率并且能够有效的减少人力成本。

技术领域

本发明涉及机器学习技术领域，具体提供一种外部干扰源定位方法、装置及计算机可读介质。

背景技术

大流量背景下移动用户对网络感知的要求不断增高且与网络覆盖不平衡的矛盾日益突出，进而因私装干扰器导致LTE外部干扰现象明显增多。干扰信号经由扩频后将引入上行干扰。人工排查和定位外部干扰源位置困难。

发明内容

本发明是针对上述现有技术的不足，提供一种实用性强的外部干扰源定位方法。

本发明进一步的技术任务是提供一种设计合理，安全适用的外部干扰源定位装置。

本发明的第三方面的技术任务是提供一种计算机可读介质。

本发明解决其技术问题所采用的技术方案是：

一种外部干扰源定位方法，基于权重Kmeans算法，通过小时粒度的干扰小区上行prb数据和干扰小区所在的mdt栅格数据进行上下行数据建模，并通过上下行路损差的负指数值的权重定位算法对栅格经纬度聚类，定位干扰源位置。

进一步的，prb数据采用小时粒度，24小时数据作为上行建模数据,取同一天的含有干扰小区以及邻区的mdt栅格数据作为下行建模数据，通过对栅格的经纬度进行上下行路损差为权重的聚类，聚类中心为干扰源的位置。

进一步的，对于上行prb数据建模,包含如下步骤：

S1、原始数据是小时粒度的，提取24小时的数据，即每个小区是24行数据。

S2、prb大于指定阈值时，保留原值，小于等于指定阈值时，置为空；

S3、计算每一行保留的prb个数，大于指定阈值个数进行筛选，大于等于prb数的一半保留。

S4、计算保留的prb行数，大于等于指定阈值的保留，剩下剔除，即保留下的小区是外部干扰小区；

S5、平均干扰小区24小时指标，即1个小区24行数值，平均成1行数值，然后用小区名称匹配工参数据里的经纬度。

S6、以干扰小区为中心，找出各个小区半径一定范围内的所有干扰邻区；

S7、根据干扰小区的频点，保留相同频点一定范围内干扰小区和干扰邻区；

S8、干扰小区和领区都剔除前后端各4个prb数据，进行相关性计算，相关系数大于等于指定阈值的进行保留。

S9、计算干扰小区均值和邻小区均值，同样也是剔除前后端各4个prb数据，进行上行干扰差值计算，上行干扰差值＝干扰小区干扰均值-邻区干扰均值。

进一步的，对于下行mdt栅格数据建模：

(1)根据小区名称匹配出工参数据中的参考信号功率，并用此参考信号功率和栅格中小区的信号功率值相减得到路损，

路损＝参考信号功率–小区信号功率

(2)栅格中的各个小区进行两两匹配，形成邻区对，并计算邻区对的路损差，

路损差＝路损₁-路损₂