一种基于数据分析的无线通讯网络数据优化方法

专利名称：一种基于数据分析的无线通讯网络数据优化方法

专利类型：发明专利

专利申请号：CN202410756100.0

专利申请（专利权）人：甘肃雄关荟信息科技服务有限公司
权利人地址：甘肃省嘉峪关市广汇北巷199号

专利发明（设计）人：发明人:李媛媛,李永伟

专利摘要：本发明公开了一种基于数据分析的无线通讯网络数据优化方法，涉及无线通讯网络技术领域，包括，基于无线通讯网络基站通过监控设备获取频谱使用的实时数据；通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，计算分配策略优先级，进行频谱分配优化。本发明所述方法通过计算分配策略优先级，进行频谱分配优化，实现了频谱资源的动态优化，动态调整频率的带宽分配、发射功率和使用强度，使得高优先级频率段在关键时间点能够获得更多带宽资源，达到动态调整每个频率段的使用强度的效果，优化无线网络通信数据，通过深度学习模型的预测，可以结合多维信息帮助分析干扰源，以达到减少干扰优化无线通信的效果。

主权利要求：
1.一种基于数据分析的无线通讯网络数据优化方法，其特征在于：包括，基于无线通讯网络基站通过监控设备获取频谱使用的实时数据；
通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，计算分配策略优先级，进行频谱分配优化；
通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，基于深度学习模型的预测和采集信息，调整天线阵列配置；
持续监控频谱使用的实时数据并进行安全传输和备份，通过报表生成工具自动生成报表；
所述计算分配策略优先级，进行频谱分配优化，包括，使用优化公式进行频谱分配策略的计算，表示为：
，
其中 表示在时间为t频率为f时的分配策略优先级，F表示频率上限，T表示时间上限， 表示在时间为t频率为f时的使用效率， 表示在时间为t频率为f时的使用成本；
计算所有频率的平均优先级 ，对于每个频率f，分别对带宽、功率和使用强度进行调整，表示为：，
，
，
其中 表示带宽调整量，k表示带宽调整系数，其中 表示功率调整量，m表示功率调整系数，其中 表示使用强度调整量，n表示使用强度调整系数；
所述基于深度学习模型的预测和采集信息，调整天线阵列配置，包括，基于历史数据计算干扰源预测值 ，并计算每个频率段在不同时间的干扰水平的平均值和标准差，定义干扰水平的平均值加上两倍干扰水平的标准差的干扰源预测值作为高干扰水平阈值；
将超过高干扰水平阈值的干扰源预测值设置为 ，基于 的频率、时间与位置信息，得到在时间为t频率为f时的高干扰位置信息 ；
根据识别出的干扰源位置和强度，调整天线的数量，表示为：，
其中 表示调整后的天线数量， 表示干扰水平的最大值，D表示当前天线数量，表示在时间为t频率为f时的实时干扰水平；
根据高干扰位置信息 调整天线的角度，表示为：
，
其中 表示调整后的天线角度， 表示设备角度调整精度，基于设备手册找到最大调整角度和调整精度的信息， 表示 中的最大干扰位置信息， 表示当前的天线角度；
根据采集的干扰水平 ，调整天线的发射功率，表示为：，
其中 表示调整后的天线功率，P表示当前的天线功率；
将新的天线阵列配置包括调整后的天线功率 、调整后的天线角度 和调整后的天线数量 应用于基站，更新配置文件调整天线阵列配置。
2.如权利要求1所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：所述基于无线通讯网络基站通过监控设备获取频谱使用的实时数据，包括，在无线通讯网络基站上安装频谱监控传感器和流量监控设备，通过监控设备实时采集每个频率段在不同时间的使用数据，具体的数据采集包括频率f、时间t、在时间为t频率为f时的使用强度 、在时间为t频率为f时的实时干扰水平 、频率f的传输效率和频率f的功率 ，通过GPS模块记录基站的位置信息；
对数据进行预处理，包括去除噪声、数据平滑和异常值处理。
3.如权利要求2所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：所述通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，包括，基于实时采集的每个频率段在不同时间的使用数据，计算频谱使用效益，表示为：，
，
其中 表示在时间为t频率为f时的使用效率， 和 为权重系数， 表示为质量因子， 表示为频率f的平均干扰水平；
计算频谱使用成本，表示为：
，
其中 表示在时间为t频率为f时的使用成本， 表示能量消耗系数。
4.如权利要求3所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：在对带宽、功率和使用强度进行调整时，在实验环境下通过基站和用户设备配置基站的初始带宽分配策略，记录当前网络性能指标包括吞吐量、延迟和丢包率，逐步调整k、m和n值观察吞吐量、延迟、丢包率的变化，在连续两次调整中没有显著改善时停止调整并确定k、m和n值；
基于 调整频率带宽并确保调整后的总带宽不超过系统总带宽；
基于 调整频率功率并确保调整后的总功率不超过系统总功率。
5.如权利要求4所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：所述通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，包括，通过用户设备的GPS模块实时采集连接到基站的用户设备的位置信息，结合频谱监控传感器和流量监控设备获取的频率、时间、信号强度和干扰水平构建数据集 ；
构建深度学习模型，包括输入层、卷积层和输出层，对收集数据进行干扰源预测，表示为：，
其中 表示干扰源预测值， 表示第i个卷积核权重， 表示ReLU激活函数， 表示第i个卷积核对应第j个输入特征的权重， 表示输入数据x的第j个输入特征， 表示第j个输入特征的偏置项，N表示卷积层数，M表示卷积核个数；
使用训练集通过均方误差作为损失函数计算函数损失，使用Adam优化器根据损失值计算梯度，在损失值的计算连续变化差异较小时停止训练，并更新模型参数 和 ；
将实时获取的数据输入，并通过完成训练的模型计算干扰源预测值 ，并根据输入数据包括的时间、频率、信号强度、干扰水平和位置信息对干扰源进行识别。
6.如权利要求5所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：所述持续监控频谱使用的实时数据并进行安全传输和备份，包括，持续监控频谱使用数据，新的监控数据在数据采集过程中通过HTTPS安全传输协议进行安全传输；
将数据传输至云服务器进行数据备份，确保访问控制和权限管理，采取多层安全措施，包括防火墙和入侵监测系统IDS，对访问权限进行防护。
7.如权利要求6所述的基于数据分析的无线通讯网络数据优化方法，其特征在于：所述通过报表生成工具自动生成报表，包括，根据监控频谱使用数据和频谱使用效益、频谱使用成本、频谱分配优化数据、干扰源预测值和天线阵列调整数据的收集与记录，选定PowerBI作为报表生成工具；
将数据传输至PowerBI，在PowerBI中创建报表模板包括数据摘要、频谱使用情况分析、干扰源识别、天线配置调整和实时监控与反馈项目；
使用PowerBI的可视化工具创建图表和数据表，自动将生成的报表通过加密邮件发送至指定的个人邮箱。
8.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于数据分析的无线通讯网络数据优化方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于数据分析的无线通讯网络数据优化方法的步骤。 说明书 : 一种基于数据分析的无线通讯网络数据优化方法技术领域[0001] 本发明涉及无线通讯网络技术领域，特别是一种基于数据分析的无线通讯网络数据优化方法。背景技术[0002] 随着无线通讯技术的迅猛发展和移动互联网用户数量的增长，频谱资源的有效利用和优化显得尤为重要，传统的无线通讯网络主要依靠静态频谱分配策略，难以适应动态变化的网络环境，这种静态分配方式常常导致频谱资源浪费和网络性能下降，无法满足现代通信需求；[0003] 现有的频谱管理技术通常会根据使用情况制定多种静态分配方式用以解决了频谱资源分配不均的问题，但是依旧依赖于预定义的频谱分配策略，缺乏对实时网络环境的适应能力，导致在实际应用中难以达到最优效果，现有技术在干扰源识别和天线配置调整方面也存在局限，通常仅依赖于简单的信号强度分析，缺乏基于实时数据的精确预测和识别，难以实现对干扰源的有效适应。发明内容[0004] 鉴于上述现有的基于数据分析的无线通讯网络数据优化方法中存在的问题，提出了本发明。[0005] 因此，本发明所要解决的问题在于现有的频谱管理技术通常会根据使用情况制定多种静态分配方式用以解决了频谱资源分配不均的问题，但是依旧依赖于预定义的频谱分配策略，缺乏对实时网络环境的适应能力，导致在实际应用中难以达到最优效果，现有技术在干扰源识别和天线配置调整方面也存在局限，通常仅依赖于简单的信号强度分析，缺乏基于实时数据的精确预测和识别，难以实现对干扰源的有效适应。[0006] 为解决上述技术问题，本发明提供如下技术方案：一种基于数据分析的无线通讯网络数据优化方法，其包括，基于无线通讯网络基站通过监控设备获取频谱使用的实时数据；[0007] 通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，计算分配策略优先级，进行频谱分配优化；[0008] 通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，基于深度学习模型的预测和采集信息，调整天线阵列配置；[0009] 持续监控频谱使用的实时数据并进行安全传输和备份，通过报表生成工具自动生成报表。[0010] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述基于无线通讯网络基站通过监控设备获取频谱使用的实时数据，包括，[0011] 在无线通讯网络基站上安装频谱监控传感器和流量监控设备，通过监控设备实时采集每个频率段在不同时间的使用数据，具体的数据采集包括频率f、时间t、在时间为t频率为f时的使用强度 、在时间为t频率为f时的实时干扰水平 、频率f的传输效率和频率f的功率 ，通过GPS模块记录基站的位置信息；[0012] 对数据进行预处理，包括去除噪声、数据平滑和异常值处理。[0013] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，包括，[0014] 基于实时采集的每个频率段在不同时间的使用数据，计算频谱使用效益，表示为：[0015] ，[0016] ，[0017] 其中 表示在时间为t频率为f时的使用效率， 和 为权重系数， 表示为质量因子， 表示为频率f的平均干扰水平；[0018] 计算频谱使用成本，表示为：[0019] ，[0020] 其中 表示在时间为t频率为f时的使用成本， 表示能量消耗系数。[0021] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述计算分配策略优先级，进行频谱分配优化，包括，[0022] 使用优化公式进行频谱分配策略的计算，表示为：[0023] ，[0024] 其中 表示在时间为t频率为f时的分配策略优先级，F表示频率上限，T表示时间上限；[0025] 计算所有频率的平均优先级 ，对于每个频率f，分别对带宽、功率和使用强度进行调整，表示为：[0026] ，[0027] ，[0028] ，[0029] 其中 表示带宽调整量，k表示带宽调整系数，其中 表示功率调整量，m表示功率调整系数，其中 表示使用强度调整量，n表示使用强度调整系数；[0030] 在实验环境下通过基站和用户设备，配置基站的初始带宽分配策略，记录当前网络性能指标包括吞吐量、延迟和丢包率，逐步调整k、m和n值观察吞吐量、延迟、丢包率的变化，在连续两次调整中没有显著改善时停止调整并确定k、m和n值；[0031] 基于 调整频率带宽并确保调整后的总带宽不超过系统总带宽；[0032] 基于 调整频率功率并确保调整后的总功率不超过系统总功率。[0033] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，包括，[0034] 通过用户设备的GPS模块实时采集连接到基站的用户设备的位置信息，结合频谱监控传感器和流量监控设备获取的频率、时间、信号强度和干扰水平构建数据集 ；[0035] 构建深度学习模型，包括输入层、卷积层和输出层，对收集数据进行干扰源预测，表示为：[0036] ，[0037] 其中 表示干扰源预测值， 表示第i个卷积核权重， 表示ReLU激活函数，表示第i个卷积核对应第j个输入特征的权重， 表示输入数据x的第j个输入特征， 表示第j个输入特征的偏置项，N表示卷积层数，M表示卷积核个数；[0038] 使用训练集通过均方误差作为损失函数计算函数损失，使用Adam优化器根据损失值计算梯度，在损失值的计算连续变化差异较小时停止训练，并更新模型参数 和 ；[0039] 将实时获取的数据输入，并通过完成训练的模型计算干扰源预测值 ，并根据输入数据包括的时间、频率、信号强度、干扰水平和位置信息对干扰源进行识别。[0040] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述基于深度学习模型的预测和采集信息，调整天线阵列配置，包括，[0041] 基于历史数据计算干扰源预测值 ，并计算每个频率段在不同时间的干扰水平的平均值和标准差，定义干扰水平的平均值加上两倍干扰水平的标准差的干扰源预测值作为高干扰水平阈值；[0042] 将超过高干扰水平阈值的干扰源预测值设置为 ，基于 的频率、时间与位置信息，得到在时间为t频率为f时的高干扰位置信息 ；[0043] 根据识别出的干扰源位置和强度，调整天线的数量，表示为：[0044] ，[0045] 其中 表示调整后的天线数量， 表示干扰水平的最大值，D表示当前天线数量；[0046] 根据高干扰位置信息 调整天线的角度，表示为：[0047] ，[0048] 其中 表示调整后的天线角度， 表示设备角度调整精度，基于设备手册找到最大调整角度和调整精度的信息， 表示 中的最大干扰位置信息， 表示当前的天线角度；[0049] 根据采集的干扰水平 ，调整天线的发射功率，表示为：[0050] ，[0051] 其中 表示调整后的天线功率，P表示当前的天线功率；[0052] 将新的天线阵列配置包括调整后的天线功率 、调整后的天线角度 和调整后的天线数量 应用于基站，更新配置文件调整天线阵列配置。[0053] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述持续监控频谱使用的实时数据并进行安全传输和备份，包括，[0054] 持续监控频谱使用数据，新的监控数据在数据采集过程中通过HTTPS安全传输协议进行安全传输；[0055] 将数据传输至云服务器进行数据备份，确保访问控制和权限管理，采取多层安全措施，包括防火墙和入侵监测系统IDS，对访问权限进行防护。[0056] 作为本发明所述基于数据分析的无线通讯网络数据优化方法的一种优选方案，其中：所述通过报表生成工具自动生成报表，包括，[0057] 根据监控频谱使用数据和频谱使用效益、频谱使用成本、频谱分配优化数据、干扰源预测值和天线阵列调整数据的收集与记录，选定PowerBI作为报表生成工具；[0058] 将数据传输至PowerBI，在PowerBI中创建报表模板包括数据摘要、频谱使用情况分析、干扰源识别、天线配置调整和实时监控与反馈项目；[0059] 使用PowerBI的可视化工具创建图表和数据表，自动将生成的报表通过加密邮件发送至指定的个人邮箱。[0060] 一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于数据分析的无线通讯网络数据优化方法的步骤。[0061] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于数据分析的无线通讯网络数据优化方法的步骤。[0062] 本发明有益效果为：通过计算分配策略优先级，进行频谱分配优化，实现了频谱资源的动态优化，动态调整频率的带宽分配、发射功率和使用强度，使得高优先级频率段在关键时间点能够获得更多带宽资源，达到动态调整每个频率段的使用强度的效果，优化无线网络通信数据，通过深度学习模型的预测，可以结合多维信息帮助分析干扰源，以达到减少干扰优化无线通讯的效果，且基于模型的预测结果，可动态的调整天线阵列配置，使天线的辐射方向避开干扰源，最大化信号质量和覆盖范围，为无线通讯网络的优化提供策略。附图说明[0063] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0064] 图1为基于数据分析的无线通讯网络数据优化方法的流程示意图。[0065] 图2为基于数据分析的无线通讯网络数据优化方法的频谱分配优化流程示意图。[0066] 图3为基于数据分析的无线通讯网络数据优化方法的调整天线阵列配置流程示意图。具体实施方式[0067] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式作详细地说明。[0068] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。[0069] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性地与其他实施例互相排斥的实施例。实施例1[0070] 参照图1 图3，为本发明第一个实施例，该实施例提供了一种基于数据分析的无线~通讯网络数据优化方法，包括如下步骤，[0071] S1，基于无线通讯网络基站通过监控设备获取频谱使用的实时数据；[0072] 优选的，基于无线通讯网络基站通过监控设备获取频谱使用的实时数据，包括，[0073] 在无线通讯网络基站上安装频谱监控传感器和流量监控设备，通过监控设备实时采集每个频率段在不同时间的使用数据，具体的数据采集包括频率f、时间t、在时间为t频率为f时的使用强度 、在时间为t频率为f时的实时干扰水平 、频率f的传输效率和表示频率f的功率 ，通过GPS模块记录基站的位置信息；[0074] 对数据进行预处理，包括去除噪声、数据平滑和异常值处理。[0075] 通过在无线通讯网络基站上安装频谱监控传感器和流量监控设备，实时采集每个频率段在不同时间的使用数据，实现了对频谱使用的实时监控和数据采集，为后续频谱优化和干扰管理提供了数据基础，实时采集的数据可以精确反映网络的实际使用情况，为动态调整频谱资源分配提供基础，提高频谱利用率。[0076] S2，通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，计算分配策略优先级，进行频谱分配优化；[0077] 优选的，通过频谱使用的实时数据，定义频谱使用效益和频谱使用成本，包括，[0078] 基于实时采集的每个频率段在不同时间的使用数据，计算频谱使用效益，表示为：[0079] ，[0080] ，[0081] 其中 表示在时间为t频率为f时的使用效率， 和 为权重系数，表示传输速率和干扰水平对质量因子的影响，基于历史数据通过最小二乘法确定最优的 和 值，表示为质量因子， 表示为频率f的平均干扰水平；[0082] 计算频谱使用成本，表示为：[0083] ，[0084] 其中 表示在时间为t频率为f时的使用成本，表示能量消耗系数，表示在不同频率和功率下，通过基站监控设备测量实际能量消耗数据，基于历史数据通过最小二乘法来拟合线性模型确定 。[0085] 通过实时计算每个频率段的使用效益和成本，实现了对频谱资源的精细化管理，其中频谱使用效益能够衡量每个频率段在特定时间的使用效率，频谱使用成本则衡量能量消耗情况，可以动态反映网络环境的变化，指导频谱资源的合理分配，并为后续的频谱分配优化提供基础和数据支持，避免了资源浪费和分配不合理的问题，提高了频谱利用率和网络性能，为无线通讯网络的数据优化提供基础。[0086] 进一步的，计算分配策略优先级，进行频谱分配优化，包括，[0087] 采用优化公式来表示效益与成本的平衡，表示为：[0088] ，[0089] 在基础公式中，效益和成本只是随时间变化的简单函数，通过引入时间维度和频率维度，使得优化过程更加全面；[0090] 使用优化公式进行频谱分配策略的计算，表示为：[0091] ，[0092] 其中 表示在时间为t频率为f时的分配策略优先级，F表示频率上限，T表示时间上限；[0093] 计算所有频率的平均优先级 ，对于每个频率f，分别对带宽、功率和使用强度进行调整，表示为：[0094] ，[0095] ，[0096] ，[0097] 其中 表示带宽调整量，k表示带宽调整系数，其中 表示功率调整量，m表示功率调整系数，其中 表示使用强度调整量，n表示使用强度调整系数；[0098] 在实验环境下通过基站和用户设备，配置基站的初始带宽分配策略，记录当前网络性能指标包括吞吐量、延迟和丢包率，逐步调整k、m和n值观察吞吐量、延迟、丢包率的变化，在连续两次调整中没有显著改善时停止调整并确定k、m和n值；[0099] 基于 调整频率带宽并确保调整后的总带宽不超过系统总带宽；[0100] 基于 调整频率功率并确保调整后的总功率不超过系统总功率。[0101] 通过计算分配策略优先级，进行频谱分配优化，实现了频谱资源的动态优化，根据优先级的计算，动态调整频率的带宽分配，使得高优先级频率段在关键时间点能够获得更多带宽资源，能够有效提高网络的传输效率和吞吐量，适当增加高优先级频率段的发射功率，提高信号覆盖和传输质量；对低优先级频率段，则适当降低发射功率，减少能量消耗和干扰，功率优化措施能够有效提升信号质量和网络性能，特别是在高干扰环境下，通过适当增加发射功率，可以确保信号的稳定传输，减少信号衰减和干扰影响，动态调整每个频率段的使用强度，使得频谱资源在不同时间和不同频率段之间得到合理分配，可以有效提升网络的承载能力，防止网络拥塞，以此优化无线网络通信。[0102] S3，通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，基于深度学习模型的预测和采集信息，调整天线阵列配置；[0103] 优选的，通过深度学习模型对收集到的频谱使用的实时数据进行干扰源预测，包括，[0104] 通过用户设备的GPS模块实时采集连接到基站的用户设备的位置信息，结合频谱监控传感器和流量监控设备获取的频率、时间、信号强度和干扰水平构建数据集 ；[0105] 构建深度学习模型，包括输入层、卷积层和输出层，对收集数据进行干扰源预测，表示为：[0106] ，[0107] 其中 表示干扰源预测值， 表示第i个卷积核权重， 表示ReLU激活函数，表示第i个卷积核对应第j个输入特征的权重， 表示输入数据x的第j个输入特征， 表示第j个输入特征的偏置项，N表示卷积层数，M表示卷积核个数；[0108] 使用训练集通过均方误差作为损失函数计算函数损失，使用Adam优化器根据损失值计算梯度，在损失值的计算连续变化差异较小时停止训练，并更新模型参数 和 ；[0109] 将实时获取的数据输入，并通过完成训练的模型计算干扰源预测值 ，并根据输入数据包括的时间、频率、信号强度、干扰水平和位置信息对干扰源进行识别。[0110] 通过用户设备的GPS模块实时采集连接到基站的用户设备的位置信息，结合频谱监控传感器和流量监控设备，对收集的数据进行干扰源预测，能够识别出频谱使用中的复杂模式和关系，提供精确的干扰源预测，能够帮助网络运营商在干扰问题发生前采取预防措施，减少由于干扰引起的网络性能下降，模型结合了频率、时间、信号强度、干扰水平和用户位置信息等多维度数据，使得预测结果更加全面和准确，进一步帮助分析出干扰源的具体信息，有助于制定对应的干扰抑制措施。[0111] 进一步的，基于深度学习模型的预测和采集信息，调整天线阵列配置，包括，[0112] 基于历史数据计算干扰源预测值 ，并计算每个频率段在不同时间的干扰水平的平均值和标准差，定义干扰水平的平均值加上两倍干扰水平的标准差的干扰源预测值作为高干扰水平阈值，表示为：[0113][0114] 式中，A表示高干扰水平阈值， 表示干扰源预测值 的标准差， 表示干扰源预测值 的平均值；[0115] 将超过高干扰水平阈值的干扰源预测值设置为 ，基于 的频率、时间与位置信息，得到在时间为t频率为f时的高干扰位置信息 ；[0116] 根据识别出的干扰源位置和强度，调整天线的数量，表示为：[0117] ，[0118] 其中 表示调整后的天线数量， 表示干扰水平的最大值，D表示当前天线数量；[0119] 根据高干扰位置信息 调整天线的角度，表示为：[0120] ，[0121] 其中 表示调整后的天线角度， 表示设备角度调整精度，基于设备手册找到最大调整角度和调整精度的信息， 表示 中的最大干扰位置信息，表示当前的天线角度；[0122] 根据采集的干扰水平 ，调整天线的发射功率，表示为：[0123] ，[0124] 其中 表示调整后的天线功率，P表示当前的天线功率；[0125] 将新的天线阵列配置包括调整后的天线功率 、调整后的天线角度 和调整后的天线数量 应用于基站，更新配置文件调整天线阵列配置。[0126] 通过基于深度学习模型的预测信息，调整天线阵列配置，实现了对天线资源的智能化调节，结合根据干扰源的预测信息，动态调整天线的数量，可以达到在高干扰区域，通过增加天线数量，可以增强信号覆盖，减少干扰影响；在低干扰区域，可以减少天线数量，节约资源和能量消耗的效果，同时通过预测干扰源的位置和方向，动态调整天线的角度，使天线的辐射方向避开干扰源，最大化信号质量和覆盖范围，以及根据干扰源的预测强度和位置，调整天线的发射功率，在高干扰区域，可以增强信号的穿透能力；在低干扰区域，可以减少能量消耗和干扰传播，进一步应用深度学习模型的预测信息，并为无线通信网络的优化提供策略，提高了信号质量和传输效率。[0127] S4，持续监控频谱使用的实时数据并进行安全传输和备份，通过报表生成工具自动生成报表；[0128] 进一步的，持续监控频谱使用的实时数据并进行安全传输和备份，包括，[0129] 持续监控频谱使用数据，新的监控数据在数据采集过程中通过HTTPS安全传输协议进行安全传输；[0130] 将数据传输至云服务器进行数据备份，确保访问控制和权限管理，采取多层安全措施，包括防火墙和入侵监测系统IDS，对访问权限进行防护。[0131] 通过持续监控频谱使用数据并进行安全传输和备份，实现了数据的实时管理和安全保护，通过HTTPS协议进行加密传输，防止数据在传输过程中被截获和篡改，确保数据的安全性和保密性，通过将数据传输至云服务器进行备份，确保数据的安全存储和快速恢复。[0132] 进一步的，通过报表生成工具自动生成报表，包括，[0133] 根据监控频谱使用数据和频谱使用效益、频谱使用成本、频谱分配优化数据、干扰源预测值和天线阵列调整数据的收集与记录，选定PowerBI作为报表生成工具；[0134] 将数据传输至PowerBI，在PowerBI中创建报表模板包括数据摘要、频谱使用情况分析、干扰源识别、天线配置调整和实时监控与反馈项目；[0135] 使用PowerBI的可视化工具创建图表和数据表，自动将生成的报表通过加密邮件发送至指定的个人邮箱。[0136] 通过报表生成工具自动生成报表，实现了数据的高效处理和信息的及时传递，通过PowerBI自动生成报表，避免了人工操作的繁琐和错误，提高了数据处理和分析的效率，且配合可视化工具创建图表和数据表，可以直观展示频谱使用情况、干扰源预测和天线配置调整等数据，结合自动发送的流程提高了报表的发送时效性，防止了信息的传递延迟。实施例2[0137] 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、只读存储器（ROM，Read‑OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。[0138] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。[0139] 计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。[0140] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方案中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方案中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。[0141] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

专利地区：甘肃

专利申请日期：2024-06-13

专利公开日期：2024-10-18

专利公告号：CN118338326B