本發(fā)明涉及通信技術(shù)領(lǐng)域,尤其涉及一種參數(shù)確定方法、干擾分類識(shí)別方法及其裝置。
背景技術(shù):
在現(xiàn)有的無線通信技術(shù)中,有很多技術(shù)都會(huì)使用相同的頻段,例如在2.4g頻段中,基于ieee802.11b標(biāo)準(zhǔn)的無線局域網(wǎng),如無線保真(wirelessfidelity,wi-fi);藍(lán)牙(bluetooth);微波爐(microoven,mwo);基于ieee802.15.4標(biāo)準(zhǔn)的無線局域網(wǎng),如紫蜂(zigbee)網(wǎng)絡(luò)都會(huì)使用這一頻段工作。
圖1a至圖1d分別是wi-fi,bluetooth,mwo,zigbee在2.4g頻段工作的示意圖。如圖1a所示,wi-fi網(wǎng)絡(luò)是寬帶系統(tǒng),具有14個(gè)信道(channel),其信道帶寬為22mhz,其最大傳輸功率為20dbm;如圖1b所示,bluetooth網(wǎng)絡(luò)是跳頻窄帶系統(tǒng),其具有79個(gè)信道,每個(gè)信道帶寬為1mhz,其發(fā)射功率為0dbm,4dbm或20dbm;mwo網(wǎng)絡(luò)具有不同的模型,不同的模型都以60hz為周期,具有窄帶特性,圖1c所示的一種模型;如圖1d所示,zigbee網(wǎng)絡(luò)具有16個(gè)信道,每個(gè)信道帶寬為2mhz,其典型的傳輸功率為20dbm。因此,wi-fi,bluetooth,mwo,zigbee網(wǎng)絡(luò)彼此之間會(huì)造成干擾,例如,在zigbee網(wǎng)絡(luò)工作在信道20時(shí),使用信道7-10工作的wi-fi網(wǎng)絡(luò)會(huì)對(duì)zigbee網(wǎng)絡(luò)造成干擾,同樣的,mwo網(wǎng)絡(luò)和使用信道47-49工作的bluetooth網(wǎng)絡(luò)會(huì)對(duì)zigbee網(wǎng)絡(luò)造成干擾。
應(yīng)該注意,上面對(duì)技術(shù)背景的介紹只是為了方便對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整的說明,并方便本領(lǐng)域技術(shù)人員的理解而闡述的。不能僅僅因?yàn)檫@些方案在本發(fā)明的背景技術(shù)部分進(jìn)行了闡述而認(rèn)為上述技術(shù)方案為本領(lǐng)域技術(shù)人員所公知。
技術(shù)實(shí)現(xiàn)要素:
在現(xiàn)有技術(shù)中,提出了一種基于隱馬爾可夫(hiddenmarkovmodel,hmm)模 型對(duì)干擾進(jìn)行分類識(shí)別的方法(參考文獻(xiàn)1),該方法使用最大期望算法(expectationmaximizationalgorithm,em)訓(xùn)練隱馬爾可夫模型中的參數(shù),但是經(jīng)研究發(fā)現(xiàn),上述構(gòu)建hmm模型的方法復(fù)雜度高,實(shí)現(xiàn)難度較高。
參考文獻(xiàn)1:zhiyuanweng,philiporlik,andkyeongjinkim,classificationofwirelessinterferenceon2.4ghzspectrum,wcncieee,pp.786-791,6-9april,2014.
本發(fā)明實(shí)施例提出了一種參數(shù)確定方法、干擾分類識(shí)別方法及其裝置,能夠容易地確定隱馬爾可夫模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,使得參數(shù)序列為有限集合,降低了確定上述隱馬爾可夫模型中的參數(shù)的復(fù)雜度。此外,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
本發(fā)明實(shí)施例的上述目的是通過如下技術(shù)方案實(shí)現(xiàn)的:
根據(jù)本發(fā)明實(shí)施例的第一個(gè)方面,提供了一種用于干擾分類識(shí)別的參數(shù)確定裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量m個(gè),該裝置包括:
第一確定單元,其用于針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括第二數(shù)量n1個(gè)參數(shù)值,該n1個(gè)參數(shù)值之和等于1;
其中,該第一確定單元包括:第一檢測單元、第一處理單元、第二確定單元,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),該第一檢測單元用于針對(duì)第三數(shù)量t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的預(yù)定的第四數(shù)量k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由該t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
該第一處理單元用于對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由該t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
該第二確定單元用于根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值,其中,該參數(shù)狀態(tài)由第五數(shù)量l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk;
其中,在對(duì)一個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理時(shí),該第一處理單元還用于分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得該一個(gè)時(shí)刻下的k個(gè)第二參數(shù);其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù), 不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
根據(jù)本發(fā)明實(shí)施例的第二個(gè)方面,提供了一種用于干擾分類識(shí)別的參數(shù)確定裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量m個(gè),該裝置包括:
第三確定單元,其用于針對(duì)第一數(shù)量個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的第一數(shù)量個(gè)干擾狀態(tài),來確定第一數(shù)量組參數(shù),每組參數(shù)包括第一數(shù)量個(gè)參數(shù)值,該第一數(shù)量個(gè)參數(shù)值之和等于1;
其中,該第三確定單元包括:第四確定單元,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),該第四確定單元用于在該一個(gè)干擾狀態(tài)下,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的第一數(shù)量個(gè)轉(zhuǎn)換概率,以獲得該第一數(shù)量個(gè)參數(shù)值;其中,該第1時(shí)刻的第一干擾源為該一個(gè)干擾狀態(tài)下的主要干擾源,該第2時(shí)刻的第二干擾源分別為該主要干擾源、以及該主要干擾源以外的其他第一數(shù)量減一個(gè)干擾源。
根據(jù)本發(fā)明實(shí)施例的第三個(gè)方面,提供了一種干擾分類識(shí)別裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè),該裝置包括:
第二檢測單元,其用于針對(duì)第六數(shù)量q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的k個(gè)的第一網(wǎng)絡(luò)參數(shù),以獲得由所述q個(gè)時(shí)刻的、、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;
第五確定單元,其用于根據(jù)該第三參數(shù)序列和隱馬爾可夫模型,分別確定該q個(gè)時(shí)刻存在的干擾狀態(tài)類別;
其中,該裝置還包括:
第一方面所述的裝置,用于確定干擾分類識(shí)別的第一參數(shù);該第一參數(shù)是該隱馬爾可夫模型中的觀測狀態(tài)轉(zhuǎn)移概率矩陣;和/或,
第二方面所述的裝置,用于確定干擾分類識(shí)別的第二參數(shù);該第二參數(shù)是該隱馬爾可夫模型中的隱含狀態(tài)轉(zhuǎn)移概率矩陣。
根據(jù)本發(fā)明實(shí)施例的第四個(gè)方面,提供了一種用于干擾分類識(shí)別的參數(shù)確定方法,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量m個(gè),該方法包括:
針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括第二數(shù)量n1個(gè)參數(shù)值,該n1個(gè)參數(shù)值之和等于1;
在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),針對(duì)第三數(shù)量t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下 的預(yù)定的第四數(shù)量k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由該t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由該t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值,其中,該參數(shù)狀態(tài)由第五數(shù)量l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk;
其中,在對(duì)一個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理時(shí),該方法包括:
分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得該一個(gè)時(shí)刻下的k個(gè)第二參數(shù);其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù),不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
根據(jù)本發(fā)明實(shí)施例的第五個(gè)方面,提供了一種用于干擾分類識(shí)別的參數(shù)確定方法,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量m個(gè),該方法包括:
針對(duì)第一數(shù)量個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的第一數(shù)量個(gè)干擾狀態(tài),來確定第一數(shù)量組參數(shù),每組參數(shù)包括第一數(shù)量個(gè)參數(shù)值,該第一數(shù)量個(gè)參數(shù)值之和等于1;
在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),該方法包括:
在該一個(gè)干擾狀態(tài)下,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的第一數(shù)量個(gè)轉(zhuǎn)換概率,以獲得該第一數(shù)量個(gè)參數(shù)值;其中,該第1時(shí)刻的第一干擾源為該一個(gè)干擾狀態(tài)下的主要干擾源,該第2時(shí)刻的第二干擾源分別為該主要干擾源、以及該主要干擾源以外的其他第一數(shù)量減一個(gè)干擾源。
根據(jù)本發(fā)明實(shí)施例的第六個(gè)方面,提供了一種干擾分類識(shí)別方法,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè),該方法包括:
針對(duì)第六數(shù)量q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的k個(gè)的第一網(wǎng)絡(luò)參數(shù),以獲得由所述q個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;
根據(jù)該第三參數(shù)序列和隱馬爾可夫模型,分別確定該q個(gè)時(shí)刻存在的干擾狀態(tài)類別;
其中,該方法還包括:
使用第四方面所述的方法確定干擾分類識(shí)別的第一參數(shù);該第一參數(shù)是該隱馬爾可夫模型中的觀測狀態(tài)轉(zhuǎn)移概率矩陣;和/或,
使用第五方面所述的方法確定干擾分類識(shí)別的第二參數(shù);該第二參數(shù)是該隱馬爾可夫模型中的隱含狀態(tài)轉(zhuǎn)移概率矩陣。
本發(fā)明實(shí)施例的有益效果在于,通過本實(shí)施例的上述方法和裝置,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低,并且基于門限值簡化處理參數(shù)序列,使得參數(shù)序列為有限集合,降低了確定隱馬爾可夫模型中的參數(shù)的復(fù)雜度。
參照后文的說明和附圖,詳細(xì)公開了本發(fā)明的特定實(shí)施方式,指明了本發(fā)明的原理可以被采用的方式。應(yīng)該理解,本發(fā)明的實(shí)施方式在范圍上并不因而受到限制。在所附權(quán)利要求的精神和條款的范圍內(nèi),本發(fā)明的實(shí)施方式包括許多改變、修改和等同。
針對(duì)一種實(shí)施方式描述和/或示出的特征可以以相同或類似的方式在一個(gè)或更多個(gè)其它實(shí)施方式中使用,與其它實(shí)施方式中的特征相組合,或替代其它實(shí)施方式中的特征。
應(yīng)該強(qiáng)調(diào),術(shù)語“包括/包含”在本文使用時(shí)指特征、整件、步驟或組件的存在,但并不排除一個(gè)或更多個(gè)其它特征、整件、步驟或組件的存在或附加。
附圖說明
參照以下的附圖可以更好地理解本發(fā)明的很多方面。附圖中的部件不是成比例繪制的,而只是為了示出本發(fā)明的原理。為了便于示出和描述本發(fā)明的一些部分,附圖中對(duì)應(yīng)部分可能被放大或縮小。在本發(fā)明的一個(gè)附圖或一種實(shí)施方式中描述的元素和特征可以與一個(gè)或更多個(gè)其它附圖或?qū)嵤┓绞街惺境龅脑睾吞卣飨嘟Y(jié)合。此外,在附圖中,類似的標(biāo)號(hào)表示幾個(gè)附圖中對(duì)應(yīng)的部件,并可用于指示多于一種實(shí)施方式中使用的對(duì)應(yīng)部件。
在附圖中:
圖1a-圖1d是wi-fi,bluetooth,mwo,zigbee在2.4g頻段工作的示意圖;
圖2是本實(shí)施例1中參數(shù)確定方法流程圖;
圖3是本實(shí)施例1中步驟202方法流程圖;
圖4是本實(shí)施例1中步驟203方法流程圖;
圖5是本實(shí)施例2中參數(shù)確定方法流程圖;
圖6是本實(shí)施例2中步驟501中計(jì)算一個(gè)轉(zhuǎn)換概率方法流程圖;
圖7是本實(shí)施例中確定m×n1個(gè)參數(shù)方法流程圖;
圖8是本實(shí)施例中確定m×m個(gè)參數(shù)方法流程圖;
圖9是本實(shí)施例4中干擾分類識(shí)別方法流程圖;
圖10是本實(shí)施例5中參數(shù)確定裝置示意圖;
圖11是本實(shí)施例5中第二確定單元10013示意圖;
圖12是本實(shí)施例5中參數(shù)確定裝置硬件構(gòu)成示意圖;
圖13是本實(shí)施例6中參數(shù)確定裝置示意圖;
圖14是本實(shí)施例6中第四確定單元13011示意圖;
圖15是本實(shí)施例6中參數(shù)確定裝置硬件構(gòu)成示意圖;
圖16是本實(shí)施例7中建模裝置硬件構(gòu)成示意圖;
圖17是本實(shí)施例7中干擾分類識(shí)別裝置示意圖;
圖18是本實(shí)施例7中干擾分類識(shí)別裝置硬件構(gòu)成示意圖。
具體實(shí)施方式
參照附圖,通過下面的說明書,本發(fā)明實(shí)施例的前述以及其它特征將變得明顯。這些實(shí)施方式只是示例性的,不是對(duì)本發(fā)明的限制。為了使本領(lǐng)域的技術(shù)人員能夠容易地理解本發(fā)明的原理和實(shí)施方式,本發(fā)明實(shí)施例以2.4頻段網(wǎng)絡(luò)為例進(jìn)行說明,但可以理解,本發(fā)明實(shí)施例并不限于2.4頻段網(wǎng)絡(luò),例如,本發(fā)明實(shí)施例提供的方法和裝置也適用于其它需要進(jìn)行干擾分類識(shí)別的網(wǎng)絡(luò)。
hmm模型是一種統(tǒng)計(jì)分析模型,該模型可以用λ=(a,b,π)表示,其中a是隱含狀態(tài)轉(zhuǎn)移概率矩陣,b是觀測狀態(tài)轉(zhuǎn)移概率矩陣,π是初始概率矩陣。在本實(shí)施例中,矩陣a中的每一個(gè)元素是指干擾狀態(tài)之間在相鄰時(shí)刻的轉(zhuǎn)換概率,矩陣b中的每一個(gè)元素是指表征網(wǎng)絡(luò)狀態(tài)的網(wǎng)絡(luò)參數(shù)在一個(gè)干擾狀態(tài)下出現(xiàn)的概率。通過本實(shí)施例中的方法和裝置,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
下面參照附圖對(duì)本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)說明。
實(shí)施例1
本實(shí)施例1提供一種參數(shù)確定方法,用于確定hmm模型中的用來構(gòu)建矩陣b的元素。
在本實(shí)施例中,分別針對(duì)第1至第m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的場景來確定m組參數(shù),以由該m組參數(shù)構(gòu)建hmm模型中的矩陣b。其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
在本實(shí)施例中,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè)時(shí),該方法包括:針對(duì)m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),確定m組參數(shù),其中,每組參數(shù)包括第二數(shù)量(n1)個(gè)參數(shù)值,該n1個(gè)參數(shù)值之和等于1。這樣,該m×n1個(gè)參數(shù)對(duì)應(yīng)hmm模型中矩陣b的m×n1個(gè)構(gòu)成元素。
其中,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),可采用圖2所示的方法。
圖2是一個(gè)干擾狀態(tài)下的一組參數(shù)的確定方法流程圖,如圖2所示,該方法包括:
步驟201,針對(duì)t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的預(yù)定的第四數(shù)量k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
步驟202,對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
步驟203,根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值;
其中,該參數(shù)狀態(tài)由第五數(shù)量l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk。
在本實(shí)施例中,m,k,n1,l,t為正整數(shù)。
在步驟201中,該第一網(wǎng)絡(luò)參數(shù)作為hmm的觀測參數(shù),該第一網(wǎng)絡(luò)參數(shù)可以為一個(gè)或一個(gè)以上,例如,該第一網(wǎng)絡(luò)參數(shù)可以是rssi,lqi,cca中的一個(gè)或一個(gè)以上,但本實(shí)施例并不以此作為限制,在該第一網(wǎng)絡(luò)參數(shù)是rssi,lqi,cca時(shí),t個(gè)時(shí)刻構(gòu)成的第一參數(shù)序列為{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1)…(rssit-1,lqit-1,caat-1)}。在步驟202中,由于第一網(wǎng)絡(luò)參數(shù)值的不同,導(dǎo)致第一參數(shù)序列不是有限集合,確定參數(shù)的復(fù)雜度較高,因此,可對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,降低參數(shù)確定的復(fù)雜度。
圖3是該步驟202中在對(duì)一個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理方法流程圖,如圖3所示,該方法包括:
步驟301,分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;
步驟302,將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得所述一個(gè)時(shí)刻下的k個(gè)第二參數(shù);
其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù),不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
在本實(shí)施例中,可選的,該方法還可以包括:
步驟300,針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)。
在步驟300中,針對(duì)每個(gè)第一網(wǎng)絡(luò)參數(shù),可以基于閾值設(shè)置l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù),即利用l-1個(gè)閾值來設(shè)置l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù);具體的,l-1個(gè)閾值(如th0,th1,…,thl-2)可以將第一網(wǎng)絡(luò)參數(shù)的值劃分為l個(gè)區(qū)間段(-∞,th0],(th0,th1],(…],(thl-2,+∞],l個(gè)區(qū)間段分別對(duì)應(yīng)上述l個(gè)預(yù)設(shè)條件,且分別為每一個(gè)區(qū)間設(shè)置一個(gè)第二參數(shù),即共設(shè)置l個(gè)第二參數(shù),其中,l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的該l個(gè)第二參數(shù)不同。另外,針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù),共設(shè)置k×(l-1)個(gè)閾值,且對(duì)于不同的k個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置的l-1個(gè)閾值不同,但第二參數(shù)相同。
例如,針對(duì)第一網(wǎng)絡(luò)參數(shù)i,基于閾值設(shè)置l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)p0,p1,…,pl-1,閾值th0,th1,…,thl-2將第一網(wǎng)絡(luò)參數(shù)i的值劃分為l個(gè)區(qū)間段,則對(duì)第一網(wǎng)絡(luò)參數(shù)i進(jìn)行優(yōu)化后,該第一網(wǎng)絡(luò)參數(shù)i等于:
其中,i的取值是1到k。
在步驟301和302中,對(duì)于一個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù),分別確定每一個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件,例如,先確定第一網(wǎng)絡(luò)參數(shù) 值屬于上述步驟300中的哪一個(gè)區(qū)間段,然后將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)化為與該區(qū)間段對(duì)應(yīng)的第二參數(shù),以獲得該一個(gè)時(shí)刻下的k個(gè)第二參數(shù),通過上述方法對(duì)t個(gè)時(shí)刻的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,最終可獲得由t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列。
例如,對(duì)于每個(gè)第一網(wǎng)絡(luò)參數(shù),在l為2時(shí),閾值為1個(gè),如th;該閾值將第一網(wǎng)絡(luò)參數(shù)劃分為兩個(gè)區(qū)間段,即小于等于閾值的第一區(qū)間,即(-∞,th];和大于閾值的第二區(qū)間,即(thi,+∞];并且分別為每個(gè)區(qū)間設(shè)置第二參數(shù),例如,第一區(qū)間設(shè)置第一數(shù)值,第二區(qū)間設(shè)置第二數(shù)值;這樣,在確定第一網(wǎng)絡(luò)參數(shù)大于該閾值,即確定該第一網(wǎng)絡(luò)參數(shù)滿足第二區(qū)間時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第二數(shù)值;在該第一網(wǎng)絡(luò)參數(shù)小于等于該閾值,即確定該第一網(wǎng)絡(luò)參數(shù)滿足第一區(qū)間時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第一數(shù)值。如該第一數(shù)值為0,該第二數(shù)值為1;反之亦然,但本實(shí)施例并不以此作為限制。
圖4是該步驟203的方法流程圖,如圖4所示,該方法包括:
步驟401,在該第二參數(shù)序列中,統(tǒng)計(jì)t個(gè)時(shí)刻下、n1種參數(shù)狀態(tài)中的每種參數(shù)狀態(tài)出現(xiàn)的次數(shù);
步驟402,將每種參數(shù)狀態(tài)出現(xiàn)的次數(shù)除以t,以獲得n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為n1個(gè)參數(shù)值。
其中,該概率的準(zhǔn)確度與t有關(guān),t越大,計(jì)算出的概率越準(zhǔn)確。
以下,通過舉例說明上述參數(shù)確定方法,例如,當(dāng)前網(wǎng)絡(luò)為zigbee網(wǎng)絡(luò),對(duì)該zigbee網(wǎng)絡(luò)造成干擾的干擾源包括m=3個(gè)干擾干擾源,分別是bluetooth,wi-fi,mwo;存在m=3個(gè)干擾狀態(tài),分別是:wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第一干擾狀態(tài)),mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第二干擾狀態(tài));bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第三干擾狀態(tài)),這樣,需確定每一個(gè)干擾狀態(tài)下的一組參數(shù),即共3組參數(shù),每組參數(shù)均包括n1個(gè)參數(shù)值。這樣,在該示例中,m=3,預(yù)定的第一網(wǎng)絡(luò)參數(shù)包括3個(gè),即k=3;預(yù)設(shè)條件為2個(gè),即l=2,每組參數(shù)包括8個(gè)參數(shù)值,即n1=23=8。
在步驟201中,獲取t的時(shí)刻下的第一參數(shù)序列,如該第一參數(shù)序列為:
{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1)…(rssit-1,lqit-1,caat-1)},t可任意取值,例如t=100;這樣,在確定第一網(wǎng)絡(luò)參數(shù)大于該閾值,即確定該第一網(wǎng)絡(luò)參 數(shù)滿足第二區(qū)間時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第二數(shù)值;在該第一網(wǎng)絡(luò)參數(shù)小于等于該閾值,即確定該第一網(wǎng)絡(luò)參數(shù)滿足第一區(qū)間時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第一數(shù)值。如該第一數(shù)值為0,該第二數(shù)值為1;
在步驟202中,針對(duì)rssi,lqi,caa分別設(shè)置1個(gè)閾值thr,thl,thc,可以將rssi的值劃分為2個(gè)區(qū)間段,即第一區(qū)間(-∞,thr]和第二區(qū)間(thr,+∞],分別為每個(gè)區(qū)間設(shè)置第二參數(shù),例如,第一區(qū)間設(shè)置第一數(shù)值0,第二區(qū)間設(shè)置第二數(shù)值1;同樣的,將lqi的值劃分為2個(gè)區(qū)間段,即第一區(qū)間(-∞,thl]和第二區(qū)間(thl,+∞],分別為每個(gè)區(qū)間設(shè)置第二參數(shù),例如,第一區(qū)間設(shè)置第一數(shù)值0,第二區(qū)間設(shè)置第二數(shù)值1;將caa的值劃分為2個(gè)區(qū)間段,即第一區(qū)間(-∞,thc]和第二區(qū)間(thc,+∞],分別為每個(gè)區(qū)間設(shè)置第二參數(shù),例如,第一區(qū)間設(shè)置第一數(shù)值0,第二區(qū)間設(shè)置第二數(shù)值1;即:
這樣,在rssi0滿足第一區(qū)間時(shí),將其轉(zhuǎn)化為0,滿足第二區(qū)間時(shí),將其轉(zhuǎn)化為1,對(duì)lqi0,caa0,rssi1,lqi1,caa1…rssit-1,lqit-1,caat-1的處理方式與rssi0相同,此處不再重復(fù),通過上述簡化處理后,第一參數(shù)序列轉(zhuǎn)化后的第二參數(shù)序列為有限集合,集合中僅存在n1種可能的參數(shù)狀態(tài),n1=lk,即n1=23=8種可能的參數(shù)狀態(tài),分別是(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1),即進(jìn)行優(yōu)化處理后的該第二參數(shù)序列可以是:{(0,1,0),(1,0,1),…,(0,0,1)}。
在步驟203中,分別確定第二參數(shù)序列中t=100個(gè)觀測結(jié)果(0,1,0),(1,0,1),…,(0,0,1)出現(xiàn)的概率,將該概率值作為當(dāng)前干擾狀態(tài)下的8個(gè)參數(shù)值。
因此,在wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的干擾狀態(tài)下的n1個(gè)參數(shù)值為pw0,pw1,pw2,pw3,pw4,pw5,pw6,pw7,其和為1;在mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的干擾狀態(tài)下的n1個(gè)參數(shù)值為pm0,pm1,pm2,pm3,pm4,pm5,pm6,pm7,其和為1;在bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的干擾狀態(tài)下的n1個(gè)參數(shù)值為pb0,pb1,pb2,pb3,pb4,pb5,pb6,pb7,其和為1;
即該3×8個(gè)參數(shù)對(duì)應(yīng)hmm模型中矩陣b中的3×8個(gè)構(gòu)成元素,該矩陣b如下所示:(其中,第一行至第三行分別對(duì)應(yīng)第一至第三干擾狀態(tài);第一列至第八列分別對(duì)應(yīng)n1=8種參數(shù)狀態(tài)(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網(wǎng)絡(luò)為當(dāng)前網(wǎng)絡(luò)的情況進(jìn)行的說明,但本實(shí)施例并不以此作為限制,例如,當(dāng)前網(wǎng)絡(luò)可為wi-fi,在這種情況下,造成干擾的干擾源可以是bluetooth,zigbee,mwo中的一個(gè)或一個(gè)以上,確定參數(shù)的方法與上述方法類似,此處不再贅述。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例2
本實(shí)施例2提供一種參數(shù)確定方法,用于確定hmm模型中的用來構(gòu)建矩陣a的元素。
在本實(shí)施例中,分別針對(duì)第1至第m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的場景來確定m組參數(shù),以由該m組參數(shù)構(gòu)建hmm模型中的矩陣a。其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
在本實(shí)施例中,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè)時(shí),該方法包括:針對(duì)m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),確定m組參數(shù),其中,每組參數(shù)包括m個(gè)參數(shù)值,該m個(gè)參數(shù)值之和等于1。這樣,該m×m個(gè)參數(shù)對(duì)應(yīng)hmm模型中隱含狀態(tài)轉(zhuǎn)移矩陣a的m×m個(gè)構(gòu)成元素。
在本實(shí)施例中,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),可采用圖5所示的方法。
圖5是一個(gè)干擾狀態(tài)下的一組參數(shù)的確定方法流程圖,如圖5所示,該方法包括:
步驟501,在該一個(gè)干擾狀態(tài)下,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的m個(gè)轉(zhuǎn)換概率,以獲得m個(gè)參數(shù)值。
其中,該第1時(shí)刻的第一干擾源為該一個(gè)干擾狀態(tài)下的主要干擾源,該第2時(shí)刻的第二干擾源分別為該主要干擾源、以及該主要干擾源以外的其他m-1個(gè)干擾源。
圖6是步驟501中計(jì)算一個(gè)轉(zhuǎn)換概率的方法流程圖,如圖6所示,該方法包括:
步驟601,根據(jù)該第2時(shí)刻的第二干擾源占用的信道,確定該第2時(shí)刻的第二干擾源存在的第一概率;
步驟602,確定該第二干擾源的信號(hào)強(qiáng)度均大于除該第二干擾源外的其他干擾源的信號(hào)強(qiáng)度的第二概率;
步驟603,將該第一概率和第二概率的乘積作為該轉(zhuǎn)換概率。
在本實(shí)施例中,該信號(hào)的強(qiáng)度可以用發(fā)射功率來表示,也可以用其他不隨時(shí)間變化的參數(shù)來表示,例如接收功率等。本實(shí)施例并不以此作為限制。
以下以當(dāng)前網(wǎng)絡(luò)為zigbee網(wǎng)絡(luò),造成干擾的干擾源為3個(gè),分別是wi-fi,mwo和bluetooth為例說明如何確定上述參數(shù)。其中存在3個(gè)干擾狀態(tài),分別是:wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第一干擾狀態(tài)),mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第二干擾狀態(tài));bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第三干擾狀態(tài))。
在本實(shí)施例中,在第1時(shí)刻的第一干擾源是wi-fi時(shí),第2時(shí)刻的第二干擾源可以是wi-fi、mwo和bluetooth的其中之一;在第1時(shí)刻的第一干擾源是mwo時(shí),第2時(shí)刻的第二干擾源可以是wi-fi、mwo和bluetooth的其中之一;在第1時(shí)刻的第一干擾源是bluetooth時(shí),第2時(shí)刻的第二干擾源可以是wi-fi、mwo和bluetooth的其中之一。
即在第1時(shí)刻、第一干擾狀態(tài)下的m個(gè)參數(shù)分別是:在第2時(shí)刻wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pww,在第2時(shí)刻mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pwm,以及在第2時(shí)刻bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pwb。
在第1時(shí)刻、第二干擾狀態(tài)下的m個(gè)參數(shù)分別是:在第2時(shí)刻wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pmw,在第2時(shí)刻mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的 主要干擾源的概率pmm,以及在第2時(shí)刻bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pmb。
在第1時(shí)刻、第三干擾狀態(tài)下的m個(gè)參數(shù)分別是:在第2時(shí)刻wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pbw,在第2時(shí)刻mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pbm,以及在第2時(shí)刻bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的概率pbb。
即該3×3個(gè)參數(shù)對(duì)應(yīng)hmm模型中隱含狀態(tài)轉(zhuǎn)移矩陣a中的3×3個(gè)構(gòu)成元素,該矩陣a如下所示:(其中,第一行至第三行分別對(duì)應(yīng)第1時(shí)刻的三種可能的干擾狀態(tài):第一至第三干擾狀態(tài);第一列至第三列分別對(duì)應(yīng)第2時(shí)刻的三種可能的干擾狀態(tài):第一至第三干擾狀態(tài))
在步驟601中,確定第一概率p1時(shí),在該主要干擾源為bluetooth,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將bluetooth與zigbee使用信道重合的跳頻概率作為第一概率p1;在主要干擾源為wi-fi,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將wi-fi使用的信道頻率與zigbee使用信道重合的概率作為第一概率p1;在第二干擾源為mwo,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將mwo使用的頻率與zigbee使用信道重合的概率作為第一概率p1。
在步驟602中,確定第二概率p2時(shí),在該第二干擾源為bluetooth,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將bluetooth的發(fā)射功率大于wi-fi的發(fā)射功率和mwo的發(fā)射功率的概率作為第二概率p2;在第二干擾源為wi-fi,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將wi-fi的發(fā)射功率大于bluetooth的發(fā)射功率和mwo的發(fā)射功率的概率作為第二概率p2;在第二干擾源為mwo,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將mwo的發(fā)射功率大于wi-fi的發(fā)射功率和bluetooth的發(fā)射功率的概率作為第二概率p2。
在步驟603中,將p1×p2作為該轉(zhuǎn)換概率。
以下以當(dāng)前網(wǎng)絡(luò)zigbee、且使用信道20為例說明如何計(jì)算上述參數(shù)。
在步驟601中,確定第一概率p1時(shí),在該第二干擾源為bluetooth時(shí),表示bluetooth使用信道47-49,即bluetooth與zigbee使用信道重合的跳頻概率為3/79;在第二干擾源為wi-fi時(shí),表示wi-fi使用信道7-10,wi-fi使用的信道頻率與zigbee使用信道重合的概率為4/14;在第二干擾源為mwo時(shí),mwo使用的頻率與zigbee 使用信道重合的概率為1。
在步驟602中,確定第二概率p2時(shí),在該第二干擾源為bluetooth時(shí),bluetooth的發(fā)射功率大于wi-fi的發(fā)射功率和mwo的發(fā)射功率的概率為pb>w×pb>m;在第二干擾源為wi-fi時(shí),wi-fi的發(fā)射功率大于bluetooth的發(fā)射功率和mwo的發(fā)射功率的概率為pw>b×pw>m;在第二干擾源為mwo時(shí),mwo的發(fā)射功率大于wi-fi的發(fā)射功率和bluetooth的發(fā)射功率的概率為pm>b×pm>w。
其中,pb>w,pb>m,pw>b,pw>m,pm>b,pm>w可以預(yù)先獲得。
下面以pb>w為例說明如何獲得該數(shù)值。pb>w表示bluetooth的發(fā)射功率大于wifi發(fā)射功率的概率,可以將bluetooth和wifi的發(fā)射功率設(shè)置為典型發(fā)射功率來計(jì)算pb>w,例如,由于bluetooth的典型發(fā)射功率為0dbm,4dbm以及20dbm,如果wifi設(shè)置了最大功率20dbm,那么bluetooth大于wifi的發(fā)射功率的概率pb>w為0;如果wifi設(shè)置的發(fā)射功率為0dbm,那么bluetooth的發(fā)射功率大于wifi功率的概率為2/3;另外,如果根據(jù)實(shí)際的發(fā)送功率計(jì)算pb>w,即bluetooth和wifi的發(fā)送功率都已知,那么pb>w的值為1或者為0。
以上僅為示例性的說明如何獲得上述pb>w,pb>m,pw>b,pw>m,pm>b,pm>w,但本實(shí)施例并不以此作為限制。
在步驟603中,可以確定轉(zhuǎn)換概率為:
即該3×3個(gè)轉(zhuǎn)換概率對(duì)應(yīng)hmm模型中矩陣a中的3×3個(gè)構(gòu)成元素。
通過上述實(shí)施例,降低了確定上述隱馬爾可夫模型中的參數(shù)的復(fù)雜度,并且,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例3
本實(shí)施例3提供一種用于干擾分類識(shí)別的建模方法,利用hmm模型λ=(a,b,π)建立干擾分類識(shí)別模型,其中a是隱含狀態(tài)轉(zhuǎn)移概率矩陣,b是觀測狀態(tài)轉(zhuǎn)移概率矩陣,π是初始概率矩陣,在本實(shí)施例中,矩陣a中的每一個(gè)元素是指干擾狀態(tài)之間在相鄰時(shí)刻的轉(zhuǎn)換概率,矩陣b中的每一個(gè)元素是指表征網(wǎng)絡(luò)狀態(tài)的網(wǎng)絡(luò)參數(shù)在一個(gè)干擾狀態(tài)下出現(xiàn)的概率。
在本實(shí)施例中,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè)時(shí),該方法包括:
利用實(shí)施例1中的參數(shù)確定方法確定的m×n1個(gè)參數(shù)作為該模型中的矩陣b;和/或,利用實(shí)施例2中的參數(shù)確定方法確定的m×m個(gè)參數(shù)作為該模型中的矩陣a;
在本實(shí)施例中,在根據(jù)實(shí)施例1中的方法確定矩陣b時(shí),可以使用實(shí)施例2中的方法確定矩陣a,也可以使用其他方法確定矩陣a,本實(shí)施例并不以此作為限制。
在本實(shí)施例中,在根據(jù)實(shí)施例2中的方法確定矩陣a時(shí),可以使用實(shí)施例1中的方法確定矩陣b,也可以使用其他方法確定矩陣b,本實(shí)施例并不以此作為限制。
在本實(shí)施例中,將每種干擾狀態(tài)存在的初始概率作為初始概率矩陣π,例如,可以根據(jù)實(shí)際情況確定,也可以將每種干擾狀態(tài)存在的初始概率設(shè)置為相同的
圖7是本實(shí)施例中確定m×n1個(gè)參數(shù)方法流程圖,如圖7所示,該方法包括:
步驟701,設(shè)置第i個(gè)干擾狀態(tài)場景;
例如,可以將當(dāng)前網(wǎng)絡(luò)設(shè)置為zigbee網(wǎng)絡(luò),造成干擾的干擾源為3個(gè),分別是wi-fi,mwo和bluetooth。其中存在3個(gè)干擾狀態(tài),包括:wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第一干擾狀態(tài)),mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第二干擾狀態(tài));bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第三干擾狀態(tài)),在首次設(shè)置時(shí),i=1。
步驟702,針對(duì)t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的預(yù)定的k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
步驟703,對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
步驟704,根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值;
其中,步驟702~704的實(shí)施方式請(qǐng)參考步驟201~203,此處不再重復(fù)。
步驟705,判斷i是否小于等于m,如果是,則將i=i+1,并返回至步驟701,否則執(zhí)行步驟706;
步驟706,獲得m個(gè)干擾狀態(tài)下的n1個(gè)參數(shù)。
圖8是本實(shí)施例中確定m×m個(gè)參數(shù)方法流程圖,如圖8所示,該方法包括:
步驟801,設(shè)置第i個(gè)干擾狀態(tài)場景;
例如,可以將當(dāng)前網(wǎng)絡(luò)設(shè)置為:zigbee網(wǎng)絡(luò),造成干擾的干擾源為3個(gè),分別是wi-fi,mwo和bluetooth。其中存在3個(gè)干擾狀態(tài),包括:wi-fi是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第一干擾狀態(tài)),mwo是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第二干擾狀態(tài));bluetooth是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源(第三干擾狀態(tài)),在首次設(shè)置時(shí),i=1。
步驟802,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的m個(gè)轉(zhuǎn)換概率,以獲得m個(gè)參數(shù)值。
其中,步驟802的實(shí)施方式請(qǐng)參考步驟501,此處不再重復(fù)。
步驟803,判斷i是否小于等于m,如果是,則將i=i+1,并返回至步驟801,否則執(zhí)行步驟804;
步驟804,獲得m個(gè)干擾狀態(tài)下的m個(gè)轉(zhuǎn)換概率。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例4
本實(shí)施例4提供一種干擾分類識(shí)別方法,在本實(shí)施例中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè),其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
圖9是該干擾分類識(shí)別方法流程圖,如圖9所示,該方法包括:
步驟901,針對(duì)q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻的k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由q個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;
步驟902,根據(jù)該第三參數(shù)序列和隱馬爾可夫模型,分別確定q個(gè)時(shí)刻存在的干擾狀態(tài)類別;
在本實(shí)施例中,步驟902中的隱馬爾可夫模型可以使用實(shí)施例3中的方法確定,其內(nèi)容合并于此,此處不再贅述。
在本實(shí)施例中,步驟901與實(shí)施例1中的步驟201實(shí)施方式相同,該第三參數(shù)序列與第一參數(shù)序列相同,此處不再贅述。
在步驟902中,基于hmm的干擾分類識(shí)別方法將干擾分類識(shí)別問題轉(zhuǎn)化為解碼問題,因此,據(jù)該第三參數(shù)序列和隱馬爾可夫模型,可以使用維特比算法分別確定q個(gè)時(shí)刻存在的干擾狀態(tài)類別。
以下舉例說明如何根據(jù)維特比算法確定干擾狀態(tài)類別。在本示例中,例如對(duì)當(dāng)前網(wǎng)絡(luò)zigbee造成干擾的干擾源為3個(gè)(wifi,mwo以及bluetooth)。
在步驟902中,將該第三參數(shù)序列轉(zhuǎn)化為第二參數(shù)序列,例如:{(0,1,0),(1,0,1),…,(0,0,1)},其具體轉(zhuǎn)化方法與實(shí)施例1中步驟202類似,此處不再重復(fù)。例如,設(shè)q=3,將{(rssi0,lqi0,caa0),(rssi1,lqi1,caa1),(rssi2,lqi2,caa2)}轉(zhuǎn)化為{(0,1,0),(1,0,0),(1,1,0)}。
其中,該hmm模型λ=(a,b,π)為:
根據(jù)上述實(shí)施例2中的方法預(yù)先獲得的矩陣a:
根據(jù)上述實(shí)施例1中的方法預(yù)先獲得的矩陣b:
其中,矩陣b每一列對(duì)應(yīng)的觀測狀態(tài)分別為(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1);觀測初始概率π=(0.2,0.4,0.4)。
在步驟902中,根據(jù)已知觀測序列{(0,1,0),(1,0,0),(1,1,0)},結(jié)合上述hmm模型,利用維特比算法求最優(yōu)狀態(tài)序列,即最優(yōu)路徑
(1)在t=1時(shí),對(duì)每一個(gè)干擾狀態(tài)i,i=1(wifi),2(mwo),3(bluetooth),求干擾狀態(tài)為i,觀測狀態(tài)為(0,1,0)的概率,記此概率為δ1(i),則
δ1(i)=πibi{(0,1,0)},i=1,2,3
其中,bi{(0,1,0)}表示矩陣b中(0,1,0)觀測狀態(tài)對(duì)應(yīng)的元素;
代入實(shí)際數(shù)據(jù)后計(jì)算得:
δ1(1)=0.01,δ1(2)=0.028,δ1(3)=0.012
(2)在t=2時(shí),對(duì)每個(gè)干擾狀態(tài)i,i=1,2,3,求在t=1時(shí)干擾狀態(tài)為j觀測狀態(tài)為(0,1,0),并在t=2時(shí)干擾狀態(tài)為i觀測狀態(tài)為(1,0,0)的路徑的最大概率,記此最大概率為δ2(i),則
同時(shí),對(duì)每個(gè)干擾狀態(tài)i,i=1,2,3,記錄最大概率路徑的前一個(gè)干擾狀態(tài)j=ψ2(i)(當(dāng)前干擾狀態(tài)為i):
代入實(shí)際數(shù)據(jù)后計(jì)算得:
ψ2(1)=2;δ2(2)=0.0014,ψ2(2)=2;δ2(3)=0.00048,ψ2(3)=3;
同樣的,在t=3時(shí),計(jì)算
(3)以p*表示最優(yōu)路徑的概率,則
(4)由最優(yōu)路徑的終點(diǎn)
在t=1時(shí),
因此,最優(yōu)狀態(tài)序列
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例5
本實(shí)施例5還提供了一種參數(shù)確定裝置,由于該裝置解決問題的原理與實(shí)施例1的方法類似,因此其具體的實(shí)施可以參照實(shí)施例1的方法的實(shí)施,重復(fù)之處不再贅述。
在本實(shí)施例中,分別針對(duì)第1至第m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的場景來確定m組參數(shù),以由該m組參數(shù)構(gòu)建hmm模型中的矩陣b。其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
圖10是本實(shí)施例中參數(shù)確定裝置的實(shí)施方式示意圖,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè)時(shí),該裝置1000包括:
第一確定單元1001,其用于針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括n1個(gè)參數(shù)值,該n1個(gè)參數(shù)值之和等于1;
其中,該第一確定單元1001包括第一檢測單元10011,第一處理單元10012,第二確定單元10013,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),
第一檢測單元10011用于針對(duì)t個(gè)時(shí)刻、檢測每個(gè)時(shí)刻下的預(yù)定的k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由該t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
第一處理單元10012用于對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由該t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
第二確定單元10013用于根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值,其中,該參數(shù)狀態(tài)由l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk;
其中,在對(duì)一個(gè)時(shí)刻下的第四數(shù)量個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理時(shí),該第一處理單元10012還用于分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得該一個(gè)時(shí)刻下的k個(gè)第二參數(shù);其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù),不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
在本實(shí)施例中,第一檢測單元10011,第一處理單元10012,第二確定單元10013的具體實(shí)施方式請(qǐng)參考實(shí)施例1中的步驟201~203,此處不再重復(fù)。
圖11是本實(shí)施例中該第二確定單元10013示意圖,如圖11所示,該第二確定單元10013包括:
第一統(tǒng)計(jì)單元1101,其用于在該第二參數(shù)序列中,統(tǒng)計(jì)t個(gè)時(shí)刻下、n1種參數(shù)狀態(tài)中的每種參數(shù)狀態(tài)出現(xiàn)的次數(shù);
第一計(jì)算單元1102,其用于將該每種參數(shù)狀態(tài)出現(xiàn)的次數(shù)除以t,以獲得n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該第二數(shù)量個(gè)參數(shù)值。
其中,第一統(tǒng)計(jì)單元1101,第一計(jì)算單元1102的具體實(shí)施方式請(qǐng)參考實(shí)施例1中步驟401~402,此處不再贅述。
在本實(shí)施例中,該第一處理單元10012還包括:第一設(shè)置單元(未圖示),其用于針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置該l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)。
其中,該第一設(shè)置單元利用l-1個(gè)閾值來設(shè)置該l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)。
其中,對(duì)于每個(gè)第一網(wǎng)絡(luò)參數(shù),在l為2時(shí),該閾值為1個(gè),第一處理單元10012在該第一網(wǎng)絡(luò)參數(shù)大于該閾值時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第一數(shù)值,在該第一網(wǎng)絡(luò)參數(shù)小于該閾值時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第二數(shù)值。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
圖12是本發(fā)明實(shí)施例參數(shù)確定裝置的硬件構(gòu)成示意圖,如圖12所示,裝置1200可以包括:一個(gè)接口(圖中未示出),中央處理器(cpu)1220和存儲(chǔ)器1210;存儲(chǔ)器1210耦合到中央處理器1220。其中存儲(chǔ)器1210可存儲(chǔ)各種數(shù)據(jù);此外還存儲(chǔ)參數(shù)確定的程序,并且在中央處理器1220的控制下執(zhí)行該程序,并存儲(chǔ)各種閾值等。
在一個(gè)實(shí)施方式中,參數(shù)確定裝置的功能可以被集成到中央處理器1220中。其中,中央處理器1220可以被配置為:針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括m個(gè)參數(shù)值,該第二數(shù)量個(gè)參數(shù)值之和等于1;在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),中央處理器1220可以被配置為:針對(duì)t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的預(yù)定的k個(gè)第一 網(wǎng)絡(luò)參數(shù),以獲得由該t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由該t個(gè)時(shí)刻的、對(duì)該第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;根據(jù)該第二參數(shù)序列來確定該干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值,其中,該參數(shù)狀態(tài)由l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk;
其中,在對(duì)一個(gè)時(shí)刻下的第四數(shù)量個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理時(shí),中央處理器1220可以被配置為:分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得該一個(gè)時(shí)刻下的k個(gè)第二參數(shù);其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù),不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
其中,中央處理器1220還可以被配置為:在該第二參數(shù)序列中,統(tǒng)計(jì)t個(gè)時(shí)刻下、n1種參數(shù)狀態(tài)中的每種參數(shù)狀態(tài)出現(xiàn)的次數(shù);將該每種參數(shù)狀態(tài)出現(xiàn)的次數(shù)除以t,以獲得n1種參數(shù)狀態(tài)出現(xiàn)的概率,將該概率作為該n1個(gè)參數(shù)值。
其中,中央處理器1220還可以被配置為:針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置該l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù);利用l-1個(gè)閾值來設(shè)置該l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù);對(duì)于每個(gè)第一網(wǎng)絡(luò)參數(shù),在l為2時(shí),該閾值為1個(gè),在該第一網(wǎng)絡(luò)參數(shù)大于該閾值時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第一數(shù)值,在該第一網(wǎng)絡(luò)參數(shù)小于該閾值時(shí),將該第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第二數(shù)值。
在另一個(gè)實(shí)施方式中,也可以將上述參數(shù)確定裝置配置在與中央處理器1220連接的芯片(圖中未示出)上,通過中央處理器1220的控制來實(shí)現(xiàn)參數(shù)確定裝置的功能。
在本實(shí)施例中,該裝置1200還可以包括:傳感器1201、收發(fā)器1204和電源模塊1205等;其中,上述部件的功能與現(xiàn)有技術(shù)類似,此處不再贅述。值得注意的是,裝置1200也并不是必須要包括圖12中所示的所有部件;此外,該裝置1200還可以包括圖12中沒有示出的部件,可以參考現(xiàn)有技術(shù)。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例6
本實(shí)施例6還提供了一種參數(shù)確定裝置,由于該裝置解決問題的原理與實(shí)施例2的方法類似,因此其具體的實(shí)施可以參照實(shí)施例2的方法的實(shí)施,重復(fù)之處不再贅述。
在本實(shí)施例中,分別針對(duì)第1至第m個(gè)干擾源中的每一個(gè)干擾源是對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的場景來確定m組參數(shù),以由該m組參數(shù)構(gòu)建hmm模型中的矩陣a。其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
圖13是本實(shí)施例中參數(shù)確定裝置的實(shí)施方式示意圖,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè)時(shí),該裝置1300包括:
第三確定單元1301,其用于針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括第二數(shù)量n1個(gè)參數(shù)值,該n1個(gè)參數(shù)值之和等于1;
其中,該第三確定單元1301包括:第四確定單元13011,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),
該第四確定單元13011用于在該一個(gè)干擾狀態(tài)下,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的第一數(shù)量個(gè)轉(zhuǎn)換概率,以獲得該第一數(shù)量個(gè)參數(shù)值;
其中,該第1時(shí)刻的第一干擾源為該一個(gè)干擾狀態(tài)下的主要干擾源,該第2時(shí)刻的第二干擾源分別為該主要干擾源、以及該主要干擾源以外的其他m-1個(gè)干擾源。
其中,該第三確定單元1301的具體實(shí)施方式請(qǐng)參考實(shí)施例2,此處不再贅述。
圖14是本實(shí)施例中第四確定單元13011的示意圖,如圖14所示,第四單元13011包括:
第二計(jì)算單元1401,其用于根據(jù)該第2時(shí)刻的第二干擾源占用的信道,確定該第2時(shí)刻第二干擾狀態(tài)存在的第一概率;
第三計(jì)算單元1402,其用于確定該第二干擾源的信號(hào)強(qiáng)度均大于除該第二干擾源外的其他干擾源的信號(hào)強(qiáng)度的第二概率;
第四計(jì)算單元1403,其用于將該第一概率和第二概率的乘積作為該轉(zhuǎn)換概率。
在該第二干擾源為bluetooth,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),第二計(jì)算單元1401將 bluetooth與zigbee使用信道重合的跳頻概率作為該第一概率;
在該第二干擾源為wi-fi,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),第二計(jì)算單元1401將wi-fi使用的信道頻率與zigbee使用信道重合的概率作為該第一概率;
在該第二干擾源為mwo,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),第二計(jì)算單元1401將mwo使用的頻率與zigbee使用信道重合的概率作為該第一概率。
其中,第二計(jì)算單元1401,第三計(jì)算單元1402,第四計(jì)算單元1403的具體實(shí)施方式請(qǐng)參考實(shí)施例2步驟601~603,此處不再贅述。
圖15是本發(fā)明實(shí)施例參數(shù)確定裝置的硬件構(gòu)成示意圖,如圖15所示,裝置1500可以包括:一個(gè)接口(圖中未示出),中央處理器(cpu)1520和存儲(chǔ)器1510;存儲(chǔ)器1510耦合到中央處理器1520。其中存儲(chǔ)器1510可存儲(chǔ)各種數(shù)據(jù);此外還存儲(chǔ)參數(shù)確定的程序,并且在中央處理器1520的控制下執(zhí)行該程序,并存儲(chǔ)各種閾值等。
在一個(gè)實(shí)施方式中,參數(shù)確定裝置的功能可以被集成到中央處理器1520中。其中,中央處理器1520可以被配置為:針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)該當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括m個(gè)參數(shù)值,該m個(gè)參數(shù)值之和等于1;
其中,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),中央處理器1520還可以被配置為:其用于在該一個(gè)干擾狀態(tài)下,利用該干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的m個(gè)轉(zhuǎn)換概率,以獲得該m個(gè)參數(shù)值;其中,該第1時(shí)刻的第一干擾狀態(tài)為該一個(gè)干擾狀態(tài)下的主要干擾源,該第2時(shí)刻的第二干擾源分別為該主要干擾源、以及該主要干擾源以外的其他m減1個(gè)干擾源。
其中,在計(jì)算一個(gè)該轉(zhuǎn)換概率時(shí),中央處理器1520還可以被配置為:根據(jù)該第2時(shí)刻的第二干擾源占用的信道,確定該第2時(shí)刻第二干擾狀態(tài)存在的第一概率;確定該第二干擾源的信號(hào)強(qiáng)度均大于除該第二干擾源外的其他干擾源的信號(hào)強(qiáng)度的第二概率;將該第一概率和第二概率的乘積作為該轉(zhuǎn)換概率。
其中,中央處理器1520還可以被配置為:在該第二干擾源為bluetooth,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將bluetooth與zigbee使用信道重合的跳頻概率作為該第一概率;在該第二干擾源為wi-fi,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),將wi-fi使用的信道頻率與zigbee使用信道重合的概率作為所述第一概率;在該第二干擾源為mwo,當(dāng)前網(wǎng)絡(luò)為zigbee 時(shí),將mwo使用的頻率與zigbee使用信道重合的概率作為該第一概率。
在另一個(gè)實(shí)施方式中,也可以將上述參數(shù)確定裝置配置在與中央處理器1520連接的芯片(圖中未示出)上,通過中央處理器1520的控制來實(shí)現(xiàn)參數(shù)確定裝置的功能。
在本實(shí)施例中,該裝置1500還可以包括:傳感器1501、收發(fā)器1504和電源模塊1505等;其中,上述部件的功能與現(xiàn)有技術(shù)類似,此處不再贅述。值得注意的是,裝置1500也并不是必須要包括圖15中所示的所有部件;此外,該裝置1500還可以包括圖15中沒有示出的部件,可以參考現(xiàn)有技術(shù)。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例7
本實(shí)施例7還提供了一種建模裝置,由于該裝置解決問題的原理與實(shí)施例3的方法類似,因此其具體的實(shí)施可以參照實(shí)施例3的方法的實(shí)施,重復(fù)之處不再贅述。
利用hmm模型λ=(a,b,π)建立干擾分類識(shí)別模型,其中a是隱含狀態(tài)轉(zhuǎn)移概率矩陣,b是觀測狀態(tài)轉(zhuǎn)移概率矩陣,π是初始概率矩陣,在本實(shí)施例中,在本實(shí)施例中,矩陣a中的每一個(gè)元素是指干擾狀態(tài)之間在相鄰時(shí)刻的轉(zhuǎn)換概率,矩陣b中的每一個(gè)元素是指表征網(wǎng)絡(luò)狀態(tài)的網(wǎng)絡(luò)參數(shù)在一個(gè)干擾狀態(tài)下出現(xiàn)的概率。
在本實(shí)施例中,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè)時(shí),該裝置包括:實(shí)施例5中的參數(shù)確定裝置,和/或?qū)嵤├?中的參數(shù)確定裝置,利用實(shí)施例5中的參數(shù)確定裝置確定的m×n1個(gè)參數(shù)作為該模型中的矩陣b;利用實(shí)施例6中的參數(shù)確定裝置確定的m×m個(gè)參數(shù)作為該模型中的矩陣a。
在本實(shí)施例中,該建模裝置將每種干擾狀態(tài)存在的初始概率作為初始概率矩陣π。
圖16是本發(fā)明實(shí)施例建模裝置的硬件構(gòu)成示意圖,如圖16所示,裝置1600可以包括:一個(gè)接口(圖中未示出),中央處理器(cpu)1620和存儲(chǔ)器1610;存儲(chǔ)器1610耦合到中央處理器1620。其中存儲(chǔ)器1610可存儲(chǔ)各種數(shù)據(jù);此外還存儲(chǔ)建模的程序,并且在中央處理器1620的控制下執(zhí)行該程序等。
在一個(gè)實(shí)施方式中,該建模裝置的功能可以被集成到中央處理器1620中。其中,中央處理器1620可以被配置為:執(zhí)行實(shí)施例5中央處理器1020的功能和/或?qū)嵤├?中中央處理器1320的功能。
在另一個(gè)實(shí)施方式中,也可以將上述建模裝置配置在與中央處理器1620連接的芯片(圖中未示出)上,通過中央處理器1620的控制來實(shí)現(xiàn)建模裝置的功能。
在本實(shí)施例中,該裝置1600還可以包括:傳感器1601、收發(fā)器1604和電源模塊1605等;其中,上述部件的功能與現(xiàn)有技術(shù)類似,此處不再贅述。值得注意的是,裝置1600也并不是必須要包括圖16中所示的所有部件;此外,該裝置1600還可以包括圖16中沒有示出的部件,可以參考現(xiàn)有技術(shù)。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
實(shí)施例8
本實(shí)施例8還提供了一種干擾分類識(shí)別裝置,由于該裝置解決問題的原理與實(shí)施例4的方法類似,因此其具體的實(shí)施可以參照實(shí)施例4的方法的實(shí)施,重復(fù)之處不再贅述。
在本實(shí)施例中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量(m)個(gè),其中將一個(gè)干擾源是主要干擾源的場景作為一個(gè)干擾狀態(tài),這樣,共存在m個(gè)干擾狀態(tài)。
圖17是本實(shí)施例中干擾分類識(shí)別裝置的實(shí)施方式示意圖,在對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè)時(shí),該裝置1700包括:
第二檢測單元1701,其用于針對(duì)q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻的k個(gè)的第一網(wǎng)絡(luò)參數(shù),以獲得由該q個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;
第五確定單元1702,其用于根據(jù)該第三參數(shù)序列和隱馬爾可夫模型,分別確定該q個(gè)時(shí)刻存在的干擾狀態(tài)類別;
其中,該裝置還包括:
用于確定干擾分類識(shí)別的第一參數(shù)實(shí)施例5中的參數(shù)確定裝置(未圖示);該第一參數(shù)是該隱馬爾可夫模型中的觀測狀態(tài)轉(zhuǎn)移概率矩陣;和/或,
用于確定干擾分類識(shí)別的第二參數(shù)實(shí)施例6中的參數(shù)確定裝置(未圖示),該第二參數(shù)是該隱馬爾可夫模型中的隱含狀態(tài)轉(zhuǎn)移概率矩陣。
其中,該第二檢測單元1701和第五確定單元1702的具體實(shí)施方式請(qǐng)參考實(shí)施例4中步驟901~902,此處不再贅述。
在本實(shí)施例中,該第一參數(shù)是第一數(shù)量×第二數(shù)量個(gè)參數(shù)構(gòu)成的矩陣;該第二參數(shù)是第一數(shù)量×第一數(shù)量個(gè)參數(shù)構(gòu)成的矩陣。
圖18是本發(fā)明實(shí)施例干擾分類識(shí)別裝置的硬件構(gòu)成示意圖,如圖18所示,裝置1800可以包括:一個(gè)接口(圖中未示出),中央處理器(cpu)1820和存儲(chǔ)器1810;存儲(chǔ)器1810耦合到中央處理器1820。其中存儲(chǔ)器1810可存儲(chǔ)各種數(shù)據(jù);此外還存儲(chǔ)干擾分類識(shí)別的程序,并且在中央處理器1820的控制下執(zhí)行該程序,并存儲(chǔ)各種閾值等。
在一個(gè)實(shí)施方式中,干擾分類識(shí)別裝置的功能可以被集成到中央處理器1820中。其中,中央處理器1820可以被配置為:針對(duì)q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻的k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由q個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;根據(jù)該第三參數(shù)序列和隱馬爾可夫模型,分別確定q個(gè)時(shí)刻存在的干擾狀態(tài)類別。
其中,中央處理器1820還可以被配置為:執(zhí)行實(shí)施例7中央處理器1420的功能。
在另一個(gè)實(shí)施方式中,也可以將上述干擾分類識(shí)別裝置配置在與中央處理器1820連接的芯片(圖中未示出)上,通過中央處理器1820的控制來實(shí)現(xiàn)干擾分類識(shí)別裝置的功能。
在本實(shí)施例中,該裝置1800還可以包括:傳感器1801、收發(fā)器1804和電源模塊1805等;其中,上述部件的功能與現(xiàn)有技術(shù)類似,此處不再贅述。值得注意的是,裝置1800也并不是必須要包括圖18中所示的所有部件;此外,該裝置1800還可以包括圖18中沒有示出的部件,可以參考現(xiàn)有技術(shù)。
通過上述實(shí)施例,比較容易確定hmm模型中的參數(shù),其中,基于門限值簡化處理參數(shù)序列,降低了構(gòu)建上述矩陣b的難度;此外,基于確定的hmm模型中的參數(shù)并結(jié)合已觀測出的參數(shù)序列,可以將干擾分類識(shí)別問題轉(zhuǎn)換為解碼問題,實(shí)現(xiàn)難度低。
本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)可讀程序,其中當(dāng)在參數(shù)確定裝置中執(zhí)行該程序 時(shí),該程序使得計(jì)算機(jī)在該節(jié)點(diǎn)中執(zhí)行如上面實(shí)施例1或2所述的參數(shù)確定方法。
本發(fā)明實(shí)施例還提供一種存儲(chǔ)有計(jì)算機(jī)可讀程序的存儲(chǔ)介質(zhì),其中該計(jì)算機(jī)可讀程序使得計(jì)算機(jī)在參數(shù)確定裝置中執(zhí)行上面實(shí)施例1或2所述的參數(shù)確定方法。
本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)可讀程序,其中當(dāng)在建模裝置中執(zhí)行該程序時(shí),該程序使得計(jì)算機(jī)在該節(jié)點(diǎn)中執(zhí)行如上面實(shí)施例3所述的建模方法。
本發(fā)明實(shí)施例還提供一種存儲(chǔ)有計(jì)算機(jī)可讀程序的存儲(chǔ)介質(zhì),其中該計(jì)算機(jī)可讀程序使得計(jì)算機(jī)在建模裝置中執(zhí)行上面實(shí)施例3所述的建模方法。
本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)可讀程序,其中當(dāng)在干擾分類識(shí)別裝置中執(zhí)行該程序時(shí),該程序使得計(jì)算機(jī)在該節(jié)點(diǎn)中執(zhí)行如上面實(shí)施例4所述的干擾分類識(shí)別方法。
本發(fā)明實(shí)施例還提供一種存儲(chǔ)有計(jì)算機(jī)可讀程序的存儲(chǔ)介質(zhì),其中該計(jì)算機(jī)可讀程序使得計(jì)算機(jī)在干擾分類識(shí)別裝置中執(zhí)行上面實(shí)施例4所述的干擾分類識(shí)別方法。
結(jié)合本發(fā)明實(shí)施例描述的在圖像形成裝置中圖像形成的方法可直接體現(xiàn)為硬件、由處理器執(zhí)行的軟件模塊或二者組合。例如,圖8-18中所示的功能框圖中的一個(gè)或多個(gè)和/或功能框圖的一個(gè)或多個(gè)組合,既可以對(duì)應(yīng)于計(jì)算機(jī)程序流程的各個(gè)軟件模塊,亦可以對(duì)應(yīng)于各個(gè)硬件模塊。這些軟件模塊,可以分別對(duì)應(yīng)于圖1-7所示的各個(gè)步驟。這些硬件模塊例如可利用現(xiàn)場可編程門陣列(fpga)將這些軟件模塊固化而實(shí)現(xiàn)。
軟件模塊可以位于ram存儲(chǔ)器、閃存、rom存儲(chǔ)器、eprom存儲(chǔ)器、eeprom存儲(chǔ)器、寄存器、硬盤、移動(dòng)磁盤、cd-rom或者本領(lǐng)域已知的任何其它形式的存儲(chǔ)介質(zhì)??梢詫⒁环N存儲(chǔ)介質(zhì)耦接至處理器,從而使處理器能夠從該存儲(chǔ)介質(zhì)讀取信息,且可向該存儲(chǔ)介質(zhì)寫入信息;或者該存儲(chǔ)介質(zhì)可以是處理器的組成部分。處理器和存儲(chǔ)介質(zhì)可以位于asic中。該軟件模塊可以存儲(chǔ)在圖像形成裝置的存儲(chǔ)器中,也可以存儲(chǔ)在可插入圖像形成裝置的存儲(chǔ)卡中。
針對(duì)圖8-18描述的功能框圖中的一個(gè)或多個(gè)和/或功能框圖的一個(gè)或多個(gè)組合,可以實(shí)現(xiàn)為用于執(zhí)行本申請(qǐng)所描述功能的通用處理器、數(shù)字信號(hào)處理器(dsp)、專用集成電路(asic)、現(xiàn)場可編程門陣列(fpga)或其它可編程邏輯器件、分立門或晶體管邏輯器件、分立硬件組件、或者其任意適當(dāng)組合。針對(duì)圖8-18描述的功能 框圖中的一個(gè)或多個(gè)和/或功能框圖的一個(gè)或多個(gè)組合,還可以實(shí)現(xiàn)為計(jì)算設(shè)備的組合,例如,dsp和微處理器的組合、多個(gè)微處理器、與dsp通信結(jié)合的一個(gè)或多個(gè)微處理器或者任何其它這種配置。
以上結(jié)合具體的實(shí)施方式對(duì)本發(fā)明進(jìn)行了描述,但本領(lǐng)域技術(shù)人員應(yīng)該清楚,這些描述都是示例性的,并不是對(duì)本發(fā)明保護(hù)范圍的限制。本領(lǐng)域技術(shù)人員可以根據(jù)本發(fā)明的精神和原理對(duì)本發(fā)明做出各種變型和修改,這些變型和修改也在本發(fā)明的范圍內(nèi)。
關(guān)于包括以上多個(gè)實(shí)施例的實(shí)施方式,還公開下述的附記。
附記1、一種用于干擾分類識(shí)別的參數(shù)確定裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為第一數(shù)量m個(gè),所述裝置包括:
第一確定單元,其用于針對(duì)m個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)所述當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的m個(gè)干擾狀態(tài),來確定m組參數(shù),每組參數(shù)包括第二數(shù)量n1個(gè)參數(shù)值,所述n1個(gè)參數(shù)值之和等于1;
其中,所述第一確定單元包括:第一檢測單元、第一處理單元、第二確定單元,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),所述第一檢測單元用于針對(duì)第三數(shù)量t個(gè)時(shí)刻,檢測每個(gè)時(shí)刻下的預(yù)定的第四數(shù)量k個(gè)第一網(wǎng)絡(luò)參數(shù),以獲得由所述t個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第一參數(shù)序列;
所述第一處理單元用于對(duì)每個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理,以獲得由所述t個(gè)時(shí)刻的、對(duì)所述第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理后所獲得的k個(gè)第二參數(shù)構(gòu)成的第二參數(shù)序列;
所述第二確定單元用于根據(jù)所述第二參數(shù)序列來確定所述干擾狀態(tài)下的n1種參數(shù)狀態(tài)出現(xiàn)的概率,將所述概率作為所述n1個(gè)參數(shù)值,其中,所述參數(shù)狀態(tài)由第五數(shù)量l個(gè)預(yù)設(shè)條件對(duì)應(yīng)的l個(gè)第二參數(shù)確定,n1=lk;
其中,在對(duì)一個(gè)時(shí)刻下的k個(gè)第一網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化處理時(shí),所述第一處理單元還用于分別確定k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù)所滿足的l個(gè)預(yù)設(shè)條件中的一個(gè)預(yù)設(shè)條件;將每個(gè)第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為與所滿足的預(yù)設(shè)條件對(duì)應(yīng)的第二參數(shù),以獲得所述一個(gè)時(shí)刻下的k個(gè)第二參數(shù);其中,每個(gè)預(yù)設(shè)條件分別對(duì)應(yīng)一個(gè)第二參數(shù),不同的預(yù)設(shè)條件,對(duì)應(yīng)的第二參數(shù)不同。
附記2、根據(jù)附記1所述的裝置,其中,所述第二確定單元包括:
第一統(tǒng)計(jì)單元,其用于在所述第二參數(shù)序列中,統(tǒng)計(jì)t個(gè)時(shí)刻下、n1種參數(shù)狀態(tài)中的每種參數(shù)狀態(tài)出現(xiàn)的次數(shù);
第一計(jì)算單元,其用于將所述每種參數(shù)狀態(tài)出現(xiàn)的次數(shù)除以t,以獲得n1種參數(shù)狀態(tài)出現(xiàn)的概率,將所述概率作為所述n1個(gè)參數(shù)值。
附記3、根據(jù)附記1所述的裝置,其中,所述第一處理單元還包括:
第一設(shè)置單元,其用于針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置所述l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)。
附記4、根據(jù)附記3所述的裝置,其中,所述第一設(shè)置單元利用l-1個(gè)閾值來設(shè)置所述l個(gè)預(yù)設(shè)條件所對(duì)應(yīng)的l個(gè)第二參數(shù)。
附記5、根據(jù)附記4所述的裝置,其中,對(duì)于每個(gè)第一網(wǎng)絡(luò)參數(shù),在l為2時(shí),所述閾值為1個(gè),所述第一處理單元在所述第一網(wǎng)絡(luò)參數(shù)大于所述閾值時(shí),將所述第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第一數(shù)值,在所述第一網(wǎng)絡(luò)參數(shù)小于等于所述閾值時(shí),將所述第一網(wǎng)絡(luò)參數(shù)轉(zhuǎn)換為第二數(shù)值。
附記6、根據(jù)附記5所述的裝置,其中,所述第一數(shù)值和第二數(shù)值為能夠用于統(tǒng)計(jì)的數(shù)值。
附記7、根據(jù)附記6所述的裝置,其中,所述第一數(shù)值為1;第二數(shù)值為0;或者,所述第一數(shù)值為0,所述第二數(shù)值為1。
附記8、根據(jù)附記4所述的裝置,其中,針對(duì)k個(gè)第一網(wǎng)絡(luò)參數(shù)中的每個(gè)第一網(wǎng)絡(luò)參數(shù),設(shè)置的閾值不同。
附記9、根據(jù)附記1所述的裝置,其中,所述當(dāng)前網(wǎng)絡(luò)為zigbee;
所述干擾源包括以下干擾的一種或一種以上:wifi、mwo、以及bluetooth。
附記10、根據(jù)附記1所述的裝置,其中,所述第一網(wǎng)絡(luò)參數(shù)包括以下參數(shù)的一種或一種以上:rssi、lqi、以及cca。
附記11、一種用于干擾分類識(shí)別的參數(shù)確定的裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè),所述裝置包括:
第三確定單元,其用于針對(duì)第一數(shù)量個(gè)干擾源中的每一個(gè)干擾源分別是對(duì)所述當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的第一數(shù)量個(gè)干擾狀態(tài),來確定第一數(shù)量組參數(shù),每組參數(shù)包括第一數(shù)量個(gè)參數(shù)值,所述第一數(shù)量個(gè)參數(shù)值之和等于1;
其中,所述第三確定單元包括:第四確定單元,在確定一個(gè)干擾狀態(tài)下的一組參數(shù)時(shí),所述第四確定單元用于在所述一個(gè)干擾狀態(tài)下,利用所述干擾源占用的信道、以及干擾源的信號(hào)強(qiáng)度來確定第1時(shí)刻的第一干擾源在第2時(shí)刻分別轉(zhuǎn)換為不同第二干擾源的第一數(shù)量個(gè)轉(zhuǎn)換概率,以獲得所述第一數(shù)量個(gè)參數(shù)值;其中,所述第1時(shí)刻的第一干擾源為所述一個(gè)干擾狀態(tài)下的主要干擾源,所述第2時(shí)刻的第二干擾源分別為所述主要干擾源、以及所述主要干擾源以外的其他第一數(shù)量減一個(gè)干擾源。
附記12、根據(jù)附記11所述的裝置,其中,所述第四確定單元包括:第二計(jì)算單元,第三計(jì)算單元,第四計(jì)算單元,在計(jì)算一個(gè)所述轉(zhuǎn)換概率時(shí),所述第二計(jì)算單元用于根據(jù)所述第2時(shí)刻的第二干擾源占用的信道,確定所述第2時(shí)刻第二干擾源存在的第一概率;
所述第三計(jì)算單元用于確定所述第二干擾源的信號(hào)強(qiáng)度均大于除所述第二干擾源外的其他干擾源的信號(hào)強(qiáng)度的第二概率;
所述第四計(jì)算單元用于將所述第一概率和第二概率的乘積作為所述轉(zhuǎn)換概率。
附記13、根據(jù)附記12所述的裝置,其中,在所述第二干擾源為bluetooth,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),所述第二計(jì)算單元將bluetooth與zigbee使用信道重合的跳頻概率作為所述第一概率;
在所述第二干擾源為wi-fi,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),所述第二計(jì)算單元將wi-fi使用的信道頻率與zigbee使用信道重合的概率作為所述第一概率;
在所述第二干擾源為mwo,當(dāng)前網(wǎng)絡(luò)為zigbee時(shí),所述第二計(jì)算單元將mwo使用的頻率與zigbee使用信道重合的概率作為所述第一概率。
附記14、根據(jù)附記11所述的裝置,其中,所述當(dāng)前網(wǎng)絡(luò)是zigbee;所述干擾源是以下干擾網(wǎng)絡(luò)之一或一個(gè)以上:wifi,mwo,bluetooth,
附記15、根據(jù)附記11所述的裝置,其中,所述信號(hào)強(qiáng)度根據(jù)不隨時(shí)間變化的參數(shù)確定。
附記16、根據(jù)附記15所述的裝置,其中,所述不隨時(shí)間變化的參數(shù)是發(fā)射功率。
附記17、一種干擾分類識(shí)別裝置,其中,對(duì)當(dāng)前網(wǎng)絡(luò)造成干擾的干擾源為m個(gè),將m個(gè)干擾源中的一個(gè)干擾源是對(duì)所述當(dāng)前網(wǎng)絡(luò)造成干擾的主要干擾源的場景作為一個(gè)干擾狀態(tài),所述裝置包括:
第二檢測單元,其用于針對(duì)第六數(shù)量q個(gè)時(shí)刻,檢測每個(gè)時(shí)刻的k個(gè)的第一網(wǎng) 絡(luò)參數(shù),以獲得由所述q個(gè)時(shí)刻的、k個(gè)第一網(wǎng)絡(luò)參數(shù)構(gòu)成的第三參數(shù)序列;
第五確定單元,其用于根據(jù)所述第三參數(shù)序列和隱馬爾可夫模型,分別確定所述q個(gè)時(shí)刻存在的干擾狀態(tài)類別;
其中,所述裝置還包括:附記1所述的裝置,用于確定干擾分類識(shí)別的第一參數(shù);所述第一參數(shù)是所述隱馬爾可夫模型中的觀測狀態(tài)轉(zhuǎn)移概率矩陣;
和/或,所述裝置還包括:附記11所述的裝置,用于確定干擾分類識(shí)別的第二參數(shù);所述第二參數(shù)是所述隱馬爾可夫模型中的隱含狀態(tài)轉(zhuǎn)移概率矩陣。
附記18、根據(jù)附記17所述的裝置,其中,所述第一參數(shù)是m×n1個(gè)參數(shù)構(gòu)成的矩陣;所述第二參數(shù)是m×m個(gè)參數(shù)構(gòu)成的矩陣。