买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京邮电大学申请的专利基于局部数据的无线网络用户间上行干扰挖掘预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116032392B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211610520.5，技术领域涉及：H04B17/373；该发明授权基于局部数据的无线网络用户间上行干扰挖掘预测方法是由彭涛;牛怡静;郭异辰;赵誉洁设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本基于局部数据的无线网络用户间上行干扰挖掘预测方法在说明书摘要公布了：本发明提出一种基于局部数据的无线网络用户间上行干扰挖掘预测方法，包括：区分强干扰用户和弱干扰用户，筛选出待预测的强干扰用户；根据筛选出待预测的强干扰用户范围为各个信号用户收集并整理训练数据集；利用训练数据集对待训练的模型进行训练，得到当前信号用户的干扰模型；对每个信号用户进行训练，汇总每个信号用户的训练结果获得到整个无线系统的总干扰模型；对于给定的信号用户，获得服务用户基站端UL‑SINR的预测值，所述方法实施简单，更接近于实际网络场景，且不消耗额外的导频资源、运算资源的消耗也较小，实现了实时、高效、高精度的干扰预测。

本发明授权基于局部数据的无线网络用户间上行干扰挖掘预测方法在权利要求书中公布了：1.一种基于局部数据的无线网络用户间上行干扰挖掘预测方法，其特征在于，包括： 步骤1，根据路径损耗模型估测所有临近小区的干扰强度，区分强干扰用户和弱干扰用户，筛选出待预测的强干扰用户，在上行方向，用户的发射功率由基站通过开环功控依照信号路损确定，给定服务基站的坐标和干扰用户Un所在基站的坐标能够得到位于x,y处的干扰用户Un在处的干扰功率期望： 其中，为数学期望，是干扰用户所在基站的覆盖范围，仅包含大尺度衰落由路损模型计算获得，由于基站的位置相对固定，认为基站位置是确知的，信号用户将各基站对应的降序排列，排名在前30％-40％的基站所服务的用户构成了强干扰用户集合不在中的其他干扰用户构成了弱干扰用户集合其中，用户间干扰强度用上行信干噪比UL-SINR表征； 将干扰用户集合Nm分为强干扰用户集合和弱干扰用户集合有： 将式9中的简化变为所有弱干扰用户的总干扰则上式9变为： 步骤2，根据筛选出待预测的强干扰用户范围为各个信号用户收集并整理训练数据集： 用户每使用一个RB，训练数据集中存储这个RB上干扰用户的资源分配指示变量以及基站端测量的服务用户Um在此RB上的UL-SINR作为一条数据，由此，此用户的数据集为： 步骤3，利用训练数据集对待训练的模型进行训练，得到当前信号用户的干扰模型： 在移动通信网络的上行方向，服务用户Um发射的上行信号到达归属小区基站的信号接收功率为： 其中，为服务用户Um到归属小区的信道增益； 与服务用户Um占用相同无线资源的干扰用户Un到达小区基站的干扰信号功率为： 其中，为干扰用户Un到小区的信道增益； 从而，服务用户Um的信号在归属小区基站端的UL-SINR为： 其中，Nm为与服务用户Um复用相同无线资源的干扰用户集合，σ2为噪声功率；将式6进一步变换： 其中，为服务用户Um的接收信号信噪比SNR，γm,n为服务用户Um对干扰用户Un的信干比SIR； 令则式7简化为： 由UL-SINR数据以及与服务用户Um占用相同无线资源的干扰用户集合Nm数据，通过线性回归或其他回归类算法对用户间的信干比SIR的倒数和服务用户SNR的倒数进行预测，得到信干比和信噪比； 服务用户Um的干扰模型表示为： 训练过程中，w,wsec＝{wn∈{0,1}|n∈N'm}为模型函数的自变量， 为模型函数中的未知参数，通过挖掘历史数据集训练得出； 步骤4，对每个信号用户进行训练，汇总每个信号用户的训练结果，获得整个无线系统的总干扰模型：选择Huber函数作为损失度量函数： Huber函数在误差值小于切分点δ时使用平方损失函数，大于切分点δ时，使用线性函数； 步骤5，对于给定的信号用户，将待预测的干扰用户资源分配向量输入到信号用户的干扰模型，获得服务用户基站端UL-SINR的预测值，向服务用户Um以及任意待预测的干扰用户资源分配向量w，用户在基站端的UL-SINR的预测值使用下式进行在线预测： 获得服务用户Um在本资源块RB上基站端接收到的UL-SINR预测值

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。