CN104769900A - 用于消除dsl系统中的脉冲噪声的方法和设备 - Google Patents

Abstract

本发明大体上涉及用于DSL系统的脉冲噪声消除器。根据某些方面，本发明的实施方案提供双传感器接收器来有效地处理脉冲噪声。第二传感器可通过共用模式或未用差分端口并入。或者，电力线传感器也可充当传感器。根据某些额外方面，本发明的实施方案提供DSL接收器内的脉冲噪声消除器的各种替代实施方式。根据进一步的方面，本发明的实施方案提供用于在各种实施方式中选择性地训练脉冲噪声消除器的方法。

Description

用于消除DSL系统中的脉冲噪声的方法和设备

相关申请的交叉引用

本申请要求2012年10月18日提交的印度临时专利申请第4356/CHE/2012号的优先权，其内容特此以全文引用的方式并入本文中。

发明领域

本发明大体上涉及数据通信，且更明确地说，涉及用于DSL系统的脉冲噪声消除器。

发明背景

数字订户线(DSL)构成用于世界上数百万个订户的有前途的广泛接入技术，此技术通过利用铜线的固有高带宽来在双绞线上提供高速数据传输。尽管所述技术提供光纤传输的低成本替代方案，但其遇到各种障碍。这些障碍大大限制了宽带服务的数据速率和质量，且需要有效地处理。主要障碍可分成两类：静止的(自串扰和外来串扰、无线电进入等)，以及非静止的，即脉冲噪声。尽管引导式传输能够得出无串扰的DSL线，但脉冲噪声的存在仍然是良好宽带体验的主要问题。

处理脉冲噪声的挑战在于其在较短的持续时间内具有高功率的特性，使得其消除非常困难。举例来说，不可能在如此短的持续时间内训练消除器。

客户所在地处的此类脉冲噪声的共同来源是电力线通信系统，例如HPAV，以及家用电器，如洗衣机、电视机等。脉冲噪声(IN)可进一步分类成来自重复(REIN)和非重复噪声源。重复来源是那些自身重复的来源，且其中的许多甚至是周期性的。存在一些非重复的在较长持续时间内发生的脉冲噪声源。

通常应用译码技术来减轻脉冲噪声的影响。然而，译码技术(例如，组合式RS译码和交错等)引入较长的延迟，这对于许多重要应用来说是不合需要的。具有RS译码与交错的组合的DSL系统需要8ms的交错/解交错深度来实现两个DMT符号的脉冲噪声保护(INP)，且此较长延迟对于例如直播视频传输等一些应用来说可能成为令人讨厌的因素。已考虑重传技术来代替交错，但重传技术也导致等待时间。然而，需要进一步的改进。

发明概述

本发明大体上涉及用于DSL系统的脉冲噪声消除器。根据某些方面，本发明的实施方案提供一种用以有效地处理脉冲噪声的双传感器接收器。第二传感器可通过共用模式或未用差分端口来并入。或者，电力线传感器也可充当传感器。根据某些额外方面，本发明的实施方案提供DSL接收器内的脉冲噪声消除器的各种替代实施方式。根据更进一步方面，本发明的实施方案提供用于在各种实施方式中选择性地训练脉冲噪声消除器的方法。

在这些和其它方面的深化中，根据本发明的实施方案的设备包括：接收器，其耦合成接收有线通信系统的数据信号；传感器，其耦合成不接收所述数据信号，且被配置来产生表示影响所述接收到的数据信号的噪声的传感器信号；以及脉冲噪声消除器，其基于所述传感器信号来消除影响所述接收到的数据信号的脉冲噪声。

附图简述

对于本领域一般技术人员来说，在阅览下文结合附图而对本发明具体实施方案所做的描述之后，本发明的这些和其它方面和特征将变得显而易见，其中：

图1a是示出影响根据本发明实施方案的DM传感器和次要传感器的脉冲噪声的图；

图1b、1c、1d示出具有第二传感器(如CM传感器(图1b)、未用对上的DM传感器(图1c)、电力线传感器(图1d))的双传感器接收器的实施方案；

图2是示出示例性DM发射和接收链的框图；

图3是示出根据本发明实施方案的示例性双DM和CM传感器接收器的框图；

图4是示出根据本发明实施方案的一个示例性噪声消除器方案的框图；

图5是示出根据本发明实施方案的示例性联合接收器方案的框图；

图6是进一步示出根据本发明实施方案的示例性脉冲噪声消除器方案的框图；

图7是示出消除器的基于MOE/FFT的MMSE训练的收敛时间的图表；

图8是示出基于限幅器误差消除器方法的MMSE的收敛时间的图表；

图9示出CM传感器输出如何归因于脉冲噪声投射到DM信号中而在给定音调q下移位的实例；

图10示出如何在例如图9中所示的脉冲噪声的事件中实施选择性训练方案；

图11是示出用于选择性地训练基于MMSE的脉冲消除器的示例性方法的流程图；

图12示出CM传感器输出如何归因于脉冲噪声投射到DM信号中而在给定音调q下移位的另一实例；

图13示出如何在例如图12中所示的脉冲噪声的事件中实施选择性训练方案；

图14是示出用于选择性地训练基于MOE的脉冲消除器的示例性方法的流程图；

图15示出CM传感器输出如何归因于脉冲噪声投入DM信号中而在给定音调q下移位的又一实例；

图16是示出用于选择性地训练基于MOE的脉冲消除器的另一实例的流程图；

图17是示出用于选择性地训练基于MOE的脉冲消除器和MMSE脉冲消除器两者的示例性层级方法的流程图；以及

图18是示出用于选择性地训练脉冲消除器的另一示例性层级方法的流程图。

优选实施方案的详述

现在将参考附图详细地描述本发明，所述附图提供为本发明的说明性示例，以便使本领域技术人员能够实践本发明。明显地，下文的示图和示例并不意在将本发明的范围限制到单个实施方案，而是通过与所描述或所示出要素中的一些或全部进行互换的方式，其他实施方案也是可能的。此外，在本发明的某些要素可以使用已知部件来部分或完全实施的情况下，此类已知部件中只有对理解本发明来说是必要的那些部分才会加以描述，而此类已知部件的其他部分的详细描述则会省略，从而不至于使本发明模糊不清。正如本领域技术人员所显而易见的，描述为实施于软件中的实施方案不应受限于此，而是可以包括实施于硬件中的实施方案，或者软件和硬件的组合，反之亦然，除非本文另有说明。在本说明书中，展示单数部件的实施方案不应视为限制性的；更确切地说，本发明意在涵盖包括多个相同部件的其他实施方案，反之亦然，除非本文以其它方式明确指出。此外，申请人无意将本说明书或权利要求书中的任何术语归结为具有不寻常或特殊的含义，除非就此明确陈述。另外，本发明涵盖本文中通过实例而提及的已知部件的目前和将来的等效物。

根据某些一般方面，本发明的实施方案提供一种供CPE有效地处理脉冲噪声的双传感器接收器。第二传感器提供参考来估计脉冲噪声的来源，并消除其到主差分模式(DM)接收器线上且因此到主要DM传感器中的投射。

根据进一步方面，本发明的发明人认识到，当噪声的多次投射在一个以上传感器被接收到时，消除噪声的外部单一来源的一个问题是典型的噪声消除问题。这在图1a中示出，其中在DSL下游传输情形中，外部噪声源耦合到主接收器线，且耦合到次要传感器。图1a描绘通过信道耦合到客户所在地设备(CPE)接收器(Rx)的中央办公室(CO)发射器(Tx)。

有各种方式来实施根据本发明的第二传感器。举例来说，第二传感器可由共用模式(CM)传感器102(例如，图1b中所示的传感器)并入。第二传感器可替代地为另一DM传感器104，其可为耦合到未用双绞线(例如，图1c中所示)的传感器。或者，第二传感器可为电力线传感器106，其例如耦合到家用电力线，如图1d中所示出。

图2上描绘示出单一线DSL发射器和接收器的示意性图。在发射器处，编码发射数据，并将其映射到频域多载波符号中，所述频域多载波符号在被通过模拟前端发送到信道之前，被转换到时域。在通过所述信道传播时，在由信道另一端处的接收器处理之前，DSL信号拾取不想要的噪声，例如脉冲噪声。在例如图2中所示的多载波差分模式(DM)接收器中，处理包括时域处理，接着是基于FFT的解调过程，以及每音调频域处理，其向解码器呈现每一载波所运载的有用经解调信号，以用于最终数据解码。

图3描绘本发明的示例性实施方案，其包括CPE接收器中的次要传感器的添加。如图3中所示，将来自次要传感器的信号提供到单独的处理路径302，其包括用以对信号进行取样的模拟前端，用以处理时域样本的时域处理，以及用于将其转换到频域的FFT，所述样本在频域中在每音调基础上被共同处理，其中在差分模式传感器上接收每音调频域信息。联合频域过程304具有改进由每一载波运载的向解码器呈现以用于最终数据解码的有用经解调信号的可靠性的目的。

在前面的描述中，第二传感器一般与CM传感器相关联。然而，如上文所提到，对CM传感器的参考只是一种可能的实施方案，且本领域的技术人员在受被公开教示之后，将认识到如何使用其它可能的第二传感器来实施本发明。

图4描绘称为单击噪声消除器方案的联合频域处理304的可能实施方案。在图4中，主要DM路径上的每音调频域信息以及其在次要CM路径上的对应每音调频域信息在处理之后由称为噪声消除器的滤波器Fc组合。组合的输出接着由称为频域均衡器(FEQ)的差分模式滤波器Fd处理，其独立于Fc的导出而应用，以便得出发射符号x的估计。发射符号x的估计由限幅器限幅，以连同残差得出决策。

图5描绘称为双击联合接收器方案的联合频域处理304的另一可能实施方案。在图5中，在分别由滤波器Fd和滤波器Fc处理之后，主要DM路径上的每音调频域信息与其在次要CM路径上对应的每音调频域信息组合。组合的输出得出发射符号x的估计。发射符号x的估计由限幅器限幅，以连同残差得出决策。在图5中，滤波器Fd和Fc一起用于联合实施噪声消除器和频域均衡器。

在优化过程中最小化均方误差(MMSE)来得出消除器系数是处置噪声消除问题的最自然的方法。假定准确地知晓误差信号且两个传感器上均存在加性高斯噪声，MMSE公式化产生最好的可能性能(克拉美拉奥下界)。这也是得出消除器系数的“最快”方式之一。然而，估计消除器系数因为一个或两个传感器上的有用信号的存在而复杂化。优化过程的一个可能实施方案包括最小化限幅之后的残差，且将称为基于限幅器误差的MMSE解决方案。残差项的精确性高度依赖于发射符号的正确检测。为优化过程确保残差项的可靠性并不总是可能的，因为脉冲噪声的功率高得足以使不正确检测的可能性也非常高。

在缺乏准确且可靠的已限幅误差项来训练消除器的情况下，将噪声消除器估计过程公式化为最小输出能量(MOE)问题是另一选择。优化过程的此第二可能实施方案包括在给定固定有用信号功率的情况下，最小化消除器组合输出的能量。在根据本发明的一个系统模型中，此举也称为基于FFT输出数据的MMSE解决方案。MOE公式化的一个缺陷是其收敛速度较慢。在VDSL中的许多实践情形中，MOE将采用非常大数目的符号来收敛，以便与脉冲噪声的功率相比，导致DSL有用信号的相对较高的功率。然而，在其中脉冲噪声的功率较高的许多低SNR情况下，直接处理CM和DM传感器的FFT输出数据而不需要存取已限幅误差的MOE方法可能非常有用。在又一实施方案中，利用MOE方法作为初始化步骤来帮助基于上文所述的绝对误差来更可靠地得出MMSE优化。

无论如何，在MMSE和MOE优化方法中，确定IN消除器的基本问题是其系数的训练。对于基于限幅器误差的基于MMSE的优化，由于脉冲不一定在已知同步符号期间或在安静线路噪声(QLN)周期期间发生，因此当没有DSL有用信号正在线路上传输时，归因于用来训练消除器的限幅器误差项的不可靠性，在其发生期间训练消除器相当困难，需要所发射符号的可靠估计，这可能不容易得到，因为背景噪声上的脉冲的功率相对较高。相反，对于基于MOE或MMSE FFT的输出优化，归因于有用信号的功率相对于脉冲噪声的功率相对较大，因此出现快速且可靠训练的问题。经调制有用信号的功率大于FFT输出数据中的经校正脉冲噪声的功率将减慢优化过程，并增加其收敛时间。

在本发明的实施方案中，通过使用称为选择性训练的训练来满足此挑战。这是通过在CM和DM处共同使用瞬时符号信息来完成的。由于在VDSL系统是按频率音调来执行消除的，因此所谓的选择性训练也是按音调来完成的。然而，可注意，此技术可一次多个音调地完成，且也可在时域处理中使用。

现在将描述涉及可应用于接收到的CM信号的单击每音调噪声消除器的示例性实施方案的系统模型，如图4上所示出。首先描述所述系统模型，包括描述记号。令y_d[q]和y_c[q]为在音调q上，分别在DM和CM中接收到的信号。令h_d[q]为DM的直接信道系数，令x[q]为音调q中的发射符号。令z表示脉冲噪声源。用于DM和CM线上的给定来源的脉冲噪声信道系数分别由a₁[q]和a₂[q]给出。最后，令v₁和v₂分别为DM和CM中的背景噪声。用于DS的逐音调系统模型由以下等式给出。

y_d[q]＝h_d[q]x[q]+v_l+α_l[q]z   (1)

y_c[q]＝v₂+α₂[q]z     (2)

DM中不存在脉冲噪声源的情况下的SNR由以下等式给出

${\mathrm{SNR}}_{\mathrm{awgn}=\frac{\left|h_d{\mathrm{\σ}}_x^2\right|}{{\mathrm{\σ}}_{v1}^2}}$

其中为平均信号发射能量，且为DM中的AWGN的方差。

注意，只有当存在背景噪声v₁时，对接收到的信号y_d[q]进行限幅之后的BER才为10^-7。在随后的分析中，可忽略音调指数q，因为所建议的方法针对所有音调都是相同的。注意，噪声样本v₁和v₂可能还含有外来噪声和其它串扰源。

脉冲噪声消除

如图6中所示出，根据本发明实施方案的脉冲噪声消除(INC)方案是在三个阶段中执行，由四个块602、604、606和608体现。第一阶段是脉冲检测阶段，其主要目的是标出特定DMT符号受脉冲影响。此过程由每音调脉冲检测器块602来体现。在第二阶段中，使用从受当前脉冲影响的样品获得的知识来训练(或更新)每音调脉冲消除器。此过程由消除器系数更新块606体现。在第三阶段中，将每音调线性消除器应用于CM信号，并将结果添加到DM解映射器。此过程由每音调消除器块604和每音调加法器块608来体现。

应注意，以下论述并不集中在脉冲检测上。相反，假定脉冲已被正确检测。可在本发明中使用的用于检测脉冲噪声的示例性方法包括第14/054,552号共同待决申请中所描述的那些方法，所述共同待决申请的内容以全文引用的方式并入本文中。

应进一步注意，本领域的技术人员在受本公开教示之后，将能够使常规DSL接收器(例如，图2中所示)适应图6中所示的块602、604、606、608的功能性。消除器的基于FFT输出的MMSE估计

由于脉冲噪声存在于主要DM和次要CM信号两者中，因此可线性地组合所述两个信号，以有效地减轻噪声。此外，由于加性噪声的本质是高斯的，因此MMSE消除器将产生最佳性能。令线性消除器为β。因此，所得DM信号由以下等式给出：

y_d′＝y_d+βy_c   (4)

其中y_d之后是FEQ比例缩放和限幅操作，如图4中所示出。

估计消除器的解决方案由威纳滤波器给出。用于β(或Fc)的威纳估计量是基于以下优化问题：

arg_min_β＝E{|y_d′|²}    (5)

理念是最小化线性组合上的平均总输出能量。总输出能量由有用信号和残余噪声信号组成。由于有用所发射DSL信号的平均能量是恒定的，因此，此公式化将通过适当β的选择来确保最小残余噪声。在解(5)时，获得β的以下估计：

$\widehat{\mathrm{\β}}=-\frac{E\left\{y_d{y}_c^{*}\right\}}{E\left\{{\left|y_c\right|}^2\right\}}---\left(6\right)$

其中*表示共轭运算。

将表达式y_c和y_d放入(6)中得出：

$\widehat{\mathrm{\β}}=-\frac{{\mathrm{\α}}_1}{{\mathrm{\α}}_2}\left(\frac{E\left\{{\left|z\right|}^2\right\}}{E\left\{{\left|z\right|}^2\right\}+{\mathrm{\σ}}_{v2}^2}\right)=-\frac{{\mathrm{\α}}_1}{{\mathrm{\α}}_2}\mathrm{\η}---\left(7\right)$

由于脉冲噪声功率(当存在时)一般高于背景噪声，所以η大约为1。通过处理接收到的符号y_d和y_c来直接获得威纳估计。虽然这是此简单解决方案的长处，但遗憾的是，为了计算(6)中的期望值，需要较大数目的符号(具有数量级10⁵)。这是因为评估所需的平均化，其中在有低能量相关脉冲噪声存在的情况下，有必要将高能量数量平均到零。这构成基于FFT输出的MMSE估计过程的限制来得出消除器的系数：估计(6)中的协方差矩阵是困难的过程，因为假定为跨DM和CM相关的信号的脉冲信号z具有比DM传感器上的有用DSL信号低得多的方差。并且，所述问题因为有用信号被调制且有用信号x的瞬时功率可针对大星座尺寸而显著变化的事实而加重。举例来说，14位QAM星座呈现变化至多达42dB(最内星座点的功率与最外星座点的功率的比率)的瞬时功率。瞬时功率变化较大量且具有可或可不超过脉冲的瞬时功率的振幅的有用信号的调制导致以下事实：与有用信号尚未调制或已用恒定功率调制(相位调制)的情况相比，交叉相关项的准确估计需要较大量的符号。然而，MOE的益处在于其不依靠限幅器误差，限幅器误差在经受高脉冲噪声时可能不可靠。另外，基于限幅器误差的MMSE估计和基于FFT输出的MOE已被示出为朝用于零均值有用信号x的相同解收敛。

为了例示，针对被调制为具有恒定功率的4QAM信号，进行模拟来确定收敛到具有各种有用信号的功率与干扰比的边界的时间。根据(6)，将MOE估计量计算为增加数目的符号上的分块求解，来评估针对所述边界的性能。结果示出有用信号正被调制的事实的影响。所述事实代表了其中用恒定功率来调制有用信号的情形：4QAM信号。下文概述用于模拟的条件：接收器处的有用信号功率从-80dBm/Hz到-120dBm/Hz变化，其中背景噪声处于-140dBm/Hz。脉冲噪声水平常数处于-110dBm/Hz，所述模拟扫描从30dB向下到-10dB的有用信号功率与干扰功率比(UIR)的范围。如图7和下文的表1中所呈现的结果中所示出，取决于UIR，MOE优化向可接近边界或远离边界的解收敛。UIR越低(-10dB)，收敛越快。当UIR为正时，这是预期的，因为有用信号的调制“阻碍”了相关下面的CM噪声的过程。随着UIR变为负，经调制有用信号的水平不再占优势。在缺乏经调制有用信号的情况下，相关一样有效。表1示出在低UIR(<10dB)下，MOE收敛到几百个符号内的边界。UIR高于10dB，在模拟中，MOE不在合理数量的符号内收敛。为了回避此慢收敛问题，本发明的实施方案使用选择性训练方法来进行MOE训练，如下文更详细地描述。

表1

消除器的基于限幅器误差的MMSE估计

作为基于FFT输出的MOE训练的替代方案，也可使用标准MMSE公式化，其使用限幅器误差样本来解决消除器的估计问题。在此情形中，可使用以下等式来估计MMSE消除器线性系数β，以得出x的估计：

$\mathrm{\&beta;}=\frac{E\left\{(y_d-\mathrm{hx})y_c^x\right\}}{E\left\{{\left|y_c\right|}^2\right\}}---\left(8\right)$

(8)中的β的估计依靠发射符号x的信息。因为在安静线路周期(其中x简单地为0)期间或在接收器处已知的同步符号的发射期间，可能不出现脉冲，因此可能无法轻易地获得此信息。因此，需要在从所发射符号的忠实估计得出的经限幅误差上，以数据模式训练消除器。然而，在数据模式期间，归因于脉冲的高功率，位误差率(BER)可能相对较高，且可因此在简单地将经均衡符号y'_d限幅到最近星座点时，得出解码误差。不正确的限幅导致用于消除器的训练的不可靠误差样本，这使得(8)中的估计偏离最佳解。

针对各种有用信号的功率与干扰比，且针对调制为具有恒定功率的4-QAM信号的经调制信号，进行模拟来确定收敛到基于限幅器误差的MMSE估计的边界的时间。用于模拟的条件概述如下：接收器处的有用信号功率从-60dBm/Hz到-120dBm/Hz变化，其中背景噪声处于-140dBm/Hz。脉冲噪声水平常数处于-110dBm/Hz，所述模拟扫描从50dB向下到-10dB的有用信号功率与干扰功率比(UIR)的范围。图8示出对于4-QAM经调制信号，基于限幅器误差的MMSE将仅对正UIR相当好地执行。高于10dB，基于限幅器误差的MMSE训练要求足够低的BER为有效的。如在-10dB的UIR处所预期，MMSE估计量有偏差。10dB UIR的值可能为4-QAM信号的阈值，在此仍可实现可接受的BER，以允许基于限幅器误差来训练MMSE解。为了回避此问题，本发明的实施方案使用选择性训练方法来进行MMSE训练。下文论述INC的选择性训练。下文还描述，为了选择性算法的更快收敛，需要良好的初始化。

以基于限幅器误差的MMSE估计的UINR为基础的选择性训练：

等式(8)中所描述的估计量需要知晓数据模式下不可用的x。基本理念是仅在x的正确检测的可能性足够高的那些情况期间训练脉冲消除器。因为每音调脉冲假定为随机的，所以这是可能的。换句话说，当DM中的瞬时总噪声不对限幅造成检测误差时，本发明的实施方案训练消除器。因此，有必要建立用于确定脉冲的某一例子准许训练的准则。为了达到所述准则，进行简单的观察，DM上的绝对总噪声应小于具有非常高可能性的传输星座的邻近点之间的最小距离的一半。将此最小距离界定为d_min。因此，使用(1)，可将正确检测事件的可能性写为：

$p\left(\right|v_1+{\mathrm{\&alpha;}}_{1}z\left|\right)<\frac{d_{\min }}{2}=1-p_e---\left(9\right)$

其中，1-p_e为上述事件的可能性。在(9)中使用与缺乏脉冲噪声时类似的论据以及SNR的定义。现在，考虑无(9)中所描述的检测误差的事件。此事件的所述例子中的DM中的总噪声由表示。现在，如果p_e＝10^-7，且如果那么可推出以下等式：

现在通过以下表达式来界定和给出由(UINR)表示的称为有用信号功率与瞬时噪声功率比的量

$\mathrm{UINR}=\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{({|v_1+{\mathrm{\&alpha;}}_{1}z|}^2}---\left(11\right)$

这是所发射星座的平均功率与影响特定星座点的真实误差的瞬时功率的比率。

考虑随机变量 $\frac{1}{\mathrm{UINR}}=\frac{({|v_1+{\mathrm{\&alpha;}}_{1}z|}^2}{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}.$ 现在，如果 $\frac{1}{\mathrm{UINR}}\&le;\frac{1}{{\mathrm{SNR}}_{\mathrm{aw\; gn}}},$ 那么其暗示 $E\left\{\frac{1}{\mathrm{UINR}}\right\}\&le;\frac{1}{{\mathrm{SNR}}_{\mathrm{aw\; gn}}}=\frac{{\mathrm{\&sigma;}}_{v1}^2}{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}.$ 这又表示 $E\{{|v_1+{\mathrm{\&alpha;}}_{1}z|}^2<{\mathrm{\&sigma;}}_{v1}^2\}$ (使用(11)。

因此可推出具有可能性p_e≥10^-7的

因此，

$\frac{1}{\mathrm{UINR}}\&le;\frac{1}{{\mathrm{SNR}}_{\mathrm{aw\; gn}}}---\left(12\right)$

用p_e＝10^-7来暗示发生(8)中所描述的正确检测的事件。实际上来说，可能不需要低至10^-7的误检测可能性，且10^-7的错检测可能性好得足以训练消除器。

在制定出所需准则之后，可将注意力转移到检测事件已发生。注意，脉冲的按比例缩放复本也在CM中出现，如(2)中所描述。(11)中的UINR也可写为：

$\mathrm{UINR}=\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{|v_1+{\mathrm{\&alpha;}}_1\frac{(y_c-v_2)}{{\mathrm{\&alpha;}}_2}|}^2}---\left(13\right)$

注意，为了计算由先前等式给出的UINR价值，有必要知晓噪声样本v₁和v₂，这显然是不可能的。本发明的实施方案因此引入一项新功能，由以下等式界定的UINR’

${\mathrm{UINR}}^{\&prime;}=\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|{\mathrm{\&alpha;}}_1\frac{\left(\mathrm{yc}\right)}{{\mathrm{\&alpha;}}_2}\right|}^2}---\left(14\right)$

为了补偿不考虑噪声样本的值的影响，将(12)中所给出的用于正确检测的条件改变为

$\frac{1}{{\mathrm{UINR}}^{\&prime;}}\&le;\frac{1}{{\mathrm{SNR}}_{\mathrm{aw\; gn}}\mathrm{\&zeta;}}---\left(15\right)$

其中，ζ是在缺乏v₁和v₁值的情况下进行正确检测所需的额外“空间”。先前等式可改述为

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|y_c\frac{{\mathrm{\&alpha;}}_1}{{\mathrm{\&alpha;}}_2}\right|}^2}\right)\&GreaterEqual;{\mathrm{SNR}}_{\mathrm{aw\; gn}|\mathrm{dB}}+{\mathrm{\&zeta;}}_{\mathrm{dB}}---\left(16\right)$

实际上，由于DM和CM中的脉冲噪声具有比v₁和v₂高的功率，所以ζ非常接近1(其为0dB)。

然而，每一例子处对UINR'的评估仍需要知晓α₁/α₂。现在估计此因子。举例来说，首先将来自(7)的β的估计值代入(16)中的所需条件中，这意味着可从基于MOE的估计获得β的可能估计，以初始化选择性训练算法。这得出

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|y_c\frac{\mathrm{\&beta;}}{\mathrm{\&eta;}}\right|}^2}\right)\&GreaterEqual;{\mathrm{SNR}}_{\mathrm{aw\; gn}|\mathrm{dB}}+{\mathrm{\&zeta;}}_{\mathrm{dB}}---\left(17\right)$

这导致以下不等式：

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|y_c\right|}^2{\left|\mathrm{\&beta;}\right|}^2}\right)\&GreaterEqual;{\mathrm{SNR}}_{\mathrm{aw\; gn}|\mathrm{dB}}+{\mathrm{\&zeta;}}_{\mathrm{dB}}{-\mathrm{\&eta;}}_{\mathrm{dB}}---\left(18\right)$

并且，先前等式中的η接近0dB。假设存在表示为β_in的β的初始估计。可使用此估计来触发(18)中给出的不等式，以使用消除器的MMSE估计来收集用于训练的可行样本。为了针对正确检测将误差的可能性放宽到低于10^-7，可将另一常数λ从所述不等式中减去。对于10^-3，λ的值约为0dB(针对零裕量和译码增益)。因此，可将为训练而选择的符号的最终准则写为

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|y_c\right|}^2{\left|{\mathrm{\&beta;}}_{\mathrm{in}}\right|}^2}\right)\&GreaterEqual;{\mathrm{SNR}}_{\mathrm{aw\; gn}|\mathrm{dB}}-{\mathrm{\&lambda;}}_{\mathrm{dB}}+{\mathrm{\&zeta;}}_{\mathrm{dB}}{-\mathrm{\&eta;}}_{\mathrm{dB}}=\mathrm{\&Gamma;}---\left(19\right)$

其中，例如，

${\mathrm{\&beta;}}_{\mathrm{in}}={|{\mathrm{\&Sigma;}}_{t=1}^{t=T}{y}_c^2[t]|}^{-1}{\mathrm{\&Sigma;}}_{t=1}^{t=T}{y}_d\left[t\right]y_c^{*}\left[t\right]---\left(20\right)$

注意，β_in中的β的其它初始估计是可能的，例如对信道的CM到DM的耦合转移函数的模数的先验知晓。

为了更好地理解(19)中所应用的准则，且作为参考瞬时脉冲功率对有用信号功率比UINR度量来确定为消除器更新选择哪一符号来考虑的条件的替代方案，可参考图9。图9在给定音调q下的CM传感器输出上示出向其叠加背景噪声分量v₁的脉冲α₁.z的移位。对应地，在DM传感器上，具有背景噪声的4-QAM星座点是可见的，连同归因于脉冲噪声的投射α₁.z和背景噪声v₂而移位的星座点902，脉冲噪声的投射α₁.z和背景噪声v₂一起构成在受影响的脉冲噪声下接收到的给定符号的Yd。只要所发射星座点的位移距离小于最小距离dmin，通过将Yd限幅到最近星座点而限幅的误差就是正确的，且可在使用基于限幅器误差的MMSE的消除器的训练过程中可靠地使用。

条件(19)可因此表达为：只要通过使CM FFT输出样本Yc的功率乘以所投射β估计的模数的平方获得的DM中的脉冲噪声的所投射瞬时功率小于星座点dmin与某一裕量因子之间的最小距离的平方，那么将满足所述条件，以确保不发生有用星座点的解码误差。因此，可将限幅器误差可靠地用于使用基于限幅器误差的MMSE的消除器的训练过程。

图10上进一步示出所述条件的替代公式化，其中在知晓估计β的模式以及CM中的FFT输出Yc的模数的情况下，Yc在DM星座点1002上的投射以较高的可能性确保了不会导致决策错误，不管所发射的星座点和加性背景噪声v₂如何。

等式(19)的这些替代公式提出本发明的特定实施方案中的以下实践选择过程，如图11中所示。

在步骤701中，确定CM传感器Yc输出上的瞬时功率|y_c|²的噪声水平。在步骤702中，使瞬时噪声功率乘以估计β(例如，30dB)的平方模数的估计。在步骤703中，将此乘积与DM中的背景噪声水平进行比较，如果乘积比背景噪声水平小裕量γ(等效于等式19中的SNRawgn右边的所有项)，如步骤704中所确定，那么可将限幅器误差用于MMSE系数训练(即，用于更新β)，如步骤705中所示。否则，在步骤706中，丢弃所述限幅器误差。

使用此过程，例如，在给定DM中的-140dBm/Hz的背景噪声水平的情况下；且在给定估计β(例如，30dB)的平方模数的估计的情况下，接着CM传感器Yc输出上小于110dBm/Hz的瞬时功率|y_c|²的任何噪声水平均将使其自身投射在DM传感器上，而不以较高可能性引入解码错误，且因此可用于选择性训练。

或者，选择过程准则可利用Yc的知晓(不仅Yc的模数，而且知晓其相位)以及β的估计(不仅其模数，而且知晓其相位)，以便确定(βYc)在差分模式星座点上的投射在具有给定裕量的实部或虚部中是否将超过dmin。此准则也足以确定所发射的星座点将被正确地限幅，从而为MMSE更新产生可靠的限幅器误差。

(19)的这些替代准则是应用于基于限幅器的MMSE训练优化的选定训练的替代实施方案。

下文的以下算法是使用上文所述的选择性训练过程时以初始估计β_in开始用于执行REIN消除的示例性算法。应注意，此算法也可应用其它类型的脉冲噪声或甚至连续噪声，只要噪声在初始化和迭代过程期间存在足够长的时间即可。

使用(6)来对T(通常1000)个符号执行初始化

1.计算t为时间指数。

2.计算t为时间指数。

3.计算 ${\mathrm{\&beta;}}_{\mathrm{in}}={|{\mathrm{\&Sigma;}}_{t=1}^{t=T}{y}_c^2[t]|}^{-1}{\mathrm{\&Sigma;}}_{t=1}^{t=T}{y}_d\left[t\right]y_c^{*}\left[t\right]$

执行选择性训练算法

4.设置β[0]＝0或β[0]＝β_in

5.使用(19)来计算Γ

6.While在每一符号示例

7.如果UINR’＞Γ，那么

8. $e=y_d-h\hat{x}$

9.β[i+1]＝β[i]-μe

End if

End while

应注意，以上算法中的μ的值指代此算法中例示的LMS自适应训练过程中的步长。例如分块估计等其它训练是可能的。

以基于FFT输出的MMSE估计的UINR为基础的选择性训练

如图7中所示出，为了解等式(6)，且使用基于FFT输出的MMSE估计过程或MOE来得出β的准确估计，每当UINR较高时，就需要大量的符号；即每当瞬时脉冲噪声功率与有用信号的功率相比较低时。

为了加速MOE训练的收敛，可设计出可与为基于限幅器误差的MMSE训练而描述的训练相当的选择性训练。在此情形中，且为了确保UINR有利(其确保了基于FFT输出的MMSE消除器估计的快速收敛)，应用于为训练选择哪一脉冲来考虑的准则是用于基于限幅器误差的MMSE的准则的补充：低UINR脉冲影响的符号对于收敛是有利的。

根据一个公式，这如下表达：

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2{\mathrm{\&sigma;}}_x^2}{{\left|y_c\right|}^2{\left|{\mathrm{\&beta;}}_{\mathrm{in}}\right|}^2}\right)<{\mathrm{\&Gamma;}}^{,}---\left(21\right)$

参考表1的4QAM星座点，I”小于10dB。图12在给定音调q下的CM传感器输出上示出较小和较大振幅的脉冲α₁,z的位移。对应地，在DM传感器上，具有背景噪声的4QAM星座点是可见的，连同归因于在对应的较小和较大脉冲噪声影响下接收到的给定符号的脉冲噪声的投射α₂.z而移位的星座点。只要所发射星座点的位移距离小于最小距离dmin，通过将Yd限幅到最近的星座点而限幅的误差就是正确的，且可在使用基于限幅器误差的MMSE的消除器的训练过程中可靠地使用。这是小位移脉冲的情况。对于大位移脉冲，限幅器误差不再可靠，因为被限幅的星座点不对应于发射星座点，从而导致不可靠的限幅器误差。然而，在此情形中，脉冲位移的量值使得根据基于FFT输出的MMSE估计过程，DM和CM的FFT输出的相关将确保快速收敛。

条件(21)可因此替代地表达为：只要通过使CM FFT输出样本的功率乘以所投射β估计的模数的平方而获得的DM中的脉冲噪声的所投射瞬时功率大于具有某一裕量因子的星座功率或与之相当，就将满足条件来确保基于FFT输出的MMSE估计过程的适当收敛。

图13上示出所述条件的此替代公式化，其中在已知估计β的模数和CM中的FFT输出Yc₁的模数的情况下，将Yc投射在DM星座点1302上确保了不管所发射的星座点和加性背景噪声v₂如何，基于FFT输出数据的相关过程都会得出令人满意的结果。

图14中示出将此准则用于与本发明的特定实施方案中的基于MOE/FFT输出的MMSE训练相关联的选择过程的实例。

如图14中所示，在步骤1401中，首先确定CM传感器Yc输出上的瞬时功率|y_c|²的噪声水平。在步骤1402中，使瞬时噪声功率乘以估计β(例如，30dB)的平方模数的估计。将此乘积与DM中的有用信号的方差进行比较。如果乘积比有用信号的方差小裕量γ(上文所述)，如步骤1404中所确定，那么可将用于当前符号的FFT输出用于MOE系数训练(即，更新β)，如步骤1405中所示。否则，在步骤1406中丢弃FFT输出。

此公式化提出用于与本发明的特定实施方案中的基于MOE/FFT输出的MMSE训练相关联的选择过程的以下实践准则：在给定既定音调下DM中的-120dBm/Hz的有用信号水平的情况下；且在给定所述音调下β估计(例如，30dB)的平方模数的估计的情况下，在所述音调下，CM传感器Yc上的瞬时功率的大于-100dBm/Hz的任何噪声水平均将其自身投射在DM传感器上，且使DM中的UINR减少到10dB，从而为成功的选择性训练提供条件，其确保了MOE算法在所述音调上的收敛。

(21)的此替代准则构成了应用于基于FFT输出的MMSE/MOE训练优化的选定训练的替代实施方案。

消除器的基于限幅器误差的MMSE跟踪/更新

应用于基于限幅器误差的MMSE消除器的选择性训练的公式化包括：基于脉冲或其瞬时功率对具有初始估计β(如按照等式(19))DM星座网格的投射来确定为训练考虑哪些符号。注意，等式(19)未假定消除器被启用(即，实际上使用图6的每音调消除器块604和每音调加法器块608来对脉冲CM噪声进行滤波，并将其与DM有用信号组合)。替代地，可仅启用每音调消除器系数更新块606，以在实际上不执行消除过程的情况下，得出什么可为消除器的初始估计。每当消除器被启用(即，实际上使用图6的每音调消除器块604和每音调加法器块608来对脉冲CM噪声进行滤波，并将其与DM有用信号组合)时，可进一步放宽等式(19)的条件，因为随着β估计接近CM与DM之间的脉冲噪声的真耦合(参考等式7)，组合器的输出处的限幅器误差变得越来越可靠。因此，可在基于限幅器的MMSE适应过程中，考虑越来越大的脉冲噪声例子，因为其归因于信道耦合到正确估计的局部消除确保了可靠的限幅器误差项。此情形最终允许仅基于限幅器误差更新，来连续跟踪消除器系数更新，而不管CM中的脉冲的投射振幅，因为其在DM中的投射将部分被消除。

消除器的基于FFT输出的MMSE跟踪/更新

在与消除器的基于限幅器误差的MMSE跟踪/更新类似的情形中，用于MOE训练的等式(21)未假定消除器被启用(即，实际上使用图6的每音调消除器块604和每音调加法器块608来对脉冲CM噪声进行滤波，并将其与DM有用信号组合)。替代地，可仅启用每音调消除器系数更新块606，以在实际上不执行消除过程的情况下，得出什么可为消除器的初始估计。每当消除器被启用(即，实际上使用图6的每音调消除器块604和每音调加法器块608来对脉冲CM噪声进行滤波，并将其与DM有用信号组合)时，可进一步放宽等式(21)的条件，因为星座点被发射的精确确定变得更可靠。在此情形中，可利用对哪一星座点被发射的知晓来放宽条件(21)或确保较快的收敛。现在将在下文中更详细地示出此方面。

作为图7上所呈现的4-QAM情况向多级QAM调制方案的外推，每当对其完成适应的全体符号使得有用信号的功率比脉冲信号的(瞬时)功率低10dB时，预期MOE相当快速地向边界收敛。对于4-QAM经调制信号，不管哪一星座点被发射，功率均恒定。然而，对于多级QAM调制方案，基于星座的哪一点被发射，瞬时功率在符号之间不同。

因为重要的是全体符号上的瞬时功率与MOE适应符号上的功率的比率，所以可总结为合意符号是那些经受大脉冲命中(如CM中测得的信号的大瞬时功率所经历)或以较低信号功率发射(例如如果所发射的星座点接近轴原点，如图15中通过阴影区1502来说明)的符号。图15表示移位了较大脉冲噪声的QAM-7星座1504。对于例如QAM 14的大星座，星座的最外点的功率与星座的较内点的功率的比率可高达42dB。这构成了瞬时发射信号功率与所投射的脉冲噪声的瞬时功率相比的较宽摆幅。

用于MOE的可能的选择性训练算法因此将包括选择那些以较低能量(星座中的最低点)发射和/或受较大CM噪声水平影响的符号。对于那些符号来说，有用信号的(瞬时)功率高于脉冲信号或UINR的(瞬时)功率对于基于FFT输出的MMSE/MOE适应的快速收敛是最有利的。

这些实施方案中的选择性训练算法包括：每当已应用消除器的初始估计，就为MOE训练仅选择有用信号的最低方差的那些点，这确保了最小所发射星座点的稍微准确的检测，并提供所发射的星座点源自接近轴的区域(如图15中的阴影区域1502所说明)的一些保证。此选择性训练刻通过着眼于消除器之前或之后的DM FFT输出来实现，在此情况下，如对于针对MMSE的选择性训练，在将消除器训练到其最佳值的同时，在给定消除器有效地(或部分地)消除脉冲的事实的情况下，随着脉冲对星座点造成的位移减小，需要调整选择过程。通过将选择性训练限制于最低所发射星座点，确保了MOE的收敛。然而决策区越小，具有落在此区域中的第一位置处的所发射星座点的可能性越低，从而也影响收敛速率。此情形最终允许仅基于FFT输出数据来连续地跟踪消除器系数更新，而不管CM中的脉冲的投射的振幅如何，只要DM中的脉冲的投射较高，或与所发射的星座点的功率相称即可。

选择符号来更新消除器(21)的条件适于反映在决策中使用消除之后的所接收信号的瞬时功率，与其在全部符号上的方差不同，如下：

$10{\log }_{10}\left(\frac{{\left|h_d\right|}^2\left|x^2\right|}{{\left|y_c\right|}^2{\left|{\mathrm{\&beta;}}_{\mathrm{in}}\right|}^2}\right)<{\mathrm{\&Gamma;}}^{,}---\left(22\right)$

此示例性实施方案中的选择过程因此确定：每当DM信道上的脉冲噪声的所投射功率超过所估计的发射星座点的瞬时功率某一给定裕量，对于基于MOE的消除器的更新/跟踪来说，给定符号就值得考虑。

图16上描绘以跟踪模式应用于MOE的示例性选择过程的流程图。如图16中所示，在步骤1601中，首先确定CM传感器Yc输出上的瞬时功率|y_c|²的噪声水平。在步骤1602中，使瞬时噪声功率乘以估计β(例如，30dB)的平方模数的估计。将此乘积与有用信号在DM中的全部符号上的方差|hd|²x x²进行比较。如果所述乘积比有用信号的方差小裕量γ(上文所述)，如步骤1604中所确定，那么用于当前符号的FFT输出可用于MOE系数训练(即，更新β)，如步骤1605中所示。否则，在步骤1606中，丢弃FFT输出。

基于MOE(基于MMSE FFT)和MMSE限幅器的解决方案的补充

如早先的论述中所示，在UINR的相反条件中确保MOE对MMSE的收敛。因此，MOE和MMSE应被视为互补的，而不是排它的：即MOE可用于在使用MMSE选择性训练过程的迭代选择过程中确保CM到DM耦合的初始估计，与上文所述的算法中相反。或者，为了加快收敛时间，受脉冲影响的所有符号可最终在消除器的更新/训练/跟踪中同时使用：如果UINR在特定符号上较高，那么将此符号用于MMSE选择性训练过程中，而如果UINR在另一特定符号上较低，那么将此符号用于MOE选择性训练过程中。

图17中表示选择性训练的这种二元性。图17示出一实施方案，其中选择性训练包括：首先在步骤1702中测试脉冲检测到的符号是否可用于MOE跟踪(如上文结合图11所述)；且如果不可用于MOE跟踪，那么在步骤1704中，基于脉冲功率的投射以及有用信号功率的投射来进一步确定所述符号是否可用于MMSE系数训练(如上文结合图4所述)。可基于图11和图4中所描绘的流程图的组合来设计选择性训练的其它组合，图11和图4可组合成替代实施方案。

作为消除器系数更新方案的特定实施方案，为基于MOE(基于MMSE FFT)和MMSE限幅器的解决方案考虑的选择性训练过程可应用于基于符号的适应方案，例如LMS，或应用于符号适应方案的一块，其中在应用之前，基于全体选定训练符号来计算消除器。替代实施方案可包括得出一批符号估计，接着是每符号估计。

选择性训练、有条件消除、选择准则

脉冲消除器方案的上文所述的实施方案通常利用选择性训练来更新和训练消除器。然而，也可在本发明的替代实施方案中实施消除器的有条件应用。在此情况下，消除器的有条件应用涉及决策过程，其确定是否为特定符号启用消除器(即，实际上使用图6的每音调消除器块604和每音调加法器块608来对脉冲CM噪声进行滤波，并将其与DM有用信号组合)。此决策可基于应用于一个传感器和/或另一传感器的多种准则。

作为实例，在给定估计具有较高等级的脉冲噪声的符号上的消除器系数的困难的情况下，提出将哪些符号用于协方差矩阵的估计的选择过程，其在具有较低振幅的噪声的事件中实现计算。此过程是另一类型的选择性训练过程。

与用于选择性训练目的的选择过程并行，提出对哪些符号执行消除的选择。此有条件消除的目标是针对间歇性噪声，其中只有在检测到脉冲噪声时，或只有在确定第二传感器上的脉冲与噪声比低于给定阈值(其具有用于取消过程的值)时，才应用消除。举例来说，如果在120Hz REIN噪声的整个周期内应用消除器，所述噪声在120Hz周期之外仅受少数几个DMT符号的脉冲影响，那么归因于CM传感器中的脉冲与背景噪声比(INR)小于DM传感器上的对应INR，消除器和组合器输出可增加不受脉冲影响的符号期间的DM背景噪声的水平。根据经验，如果消除器在脉冲符号上训练，且应用于非脉冲符号，那么如果INR CM比DM中的INR多10dB，那么可避免CM噪声的折叠。

图18示出本发明的另一实施方案，其中通过确定是否为给定符号启用消除器(如步骤1801、1802和1803中所示)来修饰结合图16所述的选择过程。在此实施方案中，用以启用消除器的决策逻辑进一步检查脉冲噪声的所投射功率超过受脉冲影响的符号的某一阈值，且检查所计算的INRCM是否超过不受脉冲影响的符号的所计算INRDM 10dB，如步骤1804中所确定。因此，作出是否为当前符号启用消除器的决策。

在本发明的替代实施方案中，为消除器的选择性训练和有条件应用选择符号的两个过程均可基于各种准则，而不是等式(19)和(21)及其变化所体现的那些准则：准则可为脉冲噪声突发的特性(功率、持续时间等)、噪声的起源(在多个可区分噪声来源的情况下)、传感器上的INR的水平，如图18中所示出。特定选择准则例如旨在确定是否在受具有合意特性的信号影响的符号上训练和/或适应和/或应用消除器。在每音调基础、一组连续或不连续音调、在每频带基础上或在整个频带上得出选择准则。

可单独在主要传感器上、第二传感器上或结合主要和第二传感器一起来完成将为训练和/或取消而选择的脉冲噪声的检测。通过共用模式传感器的感测一般确保了即使存在泄漏的有用信号，也预期脉冲噪声具有比背景噪声和/或泄漏的有用信号大的方差。

最后，术语脉冲噪声应涵盖本质上不连续的所有类型的噪声，例如可持续某一量的时间的间歇性噪声。

尽管已参考本发明的优选实施方案而对其详细地加以描述，但是对于本领域一般技术人员来说应该显而易见的是，可以在不背离本发明精神和范围的情况下做出形式和细节上的变化和更改。希望所附权利要求书涵盖此类变化和更改。

Claims (20)

1.一种设备，其包括：

接收器，其被耦合成接收有线通信系统的数据信号；

传感器，其被耦合成不接收所述数据信号，且被配置来产生表示影响所述接收到的数据信号的噪声的传感器信号；以及

脉冲噪声消除器，其基于所述传感器信号来消除影响所述接收到的数据信号的脉冲噪声。

2.根据权利要求1所述的设备，其中所述传感器被配置来接收共用模式信号，所述共用模式信号对应于包括所述数据信号的差分模式信号。

3.根据权利要求1所述的设备，其中所述接收器耦合到所述有线通信系统的双绞线，且所述传感器耦合到所述有线通信系统的未用双绞线。

4.根据权利要求1所述的设备，其中所述传感器耦合到与所述有线通信系统分开的电力线。

5.根据权利要求1所述的设备，其中所述接收器包括用于确定与所述数据信号的符号相关联的值的限幅器，且其中基于所述限幅器的限幅器误差来训练所述脉冲噪声消除器。

6.根据权利要求1所述的设备，其中所述数据信号包括多个音调，且其中所述脉冲噪声消除器独立地消除所述多个音调中的每一者上的噪声。

7.根据权利要求6所述的设备，其中所述脉冲噪声消除器针对所述多个音调中的每一音调包括一个系数。

8.根据权利要求1所述的设备，其中所述脉冲噪声消除器包括在所述脉冲噪声的持续时间期间在优化过程中训练的系数。

9.根据权利要求8所述的设备，其中所述优化过程包括在对应于所述传感器信号的FFT输出上计算的MMSE准则。

10.根据权利要求8所述的设备，其中所述接收器包括用于确定与所述数据信号的符号相关联的值的限幅器，且其中优化过程包括在与所述限幅器相关联的限幅器误差上计算的MMSE准则。

11.根据权利要求8所述的设备，其中在所述脉冲噪声的所述持续时间的若干部分中，选择性地执行所述系数的训练。

12.根据权利要求11所述的设备，其中基于与给定阈值比较的有用信号功率与瞬时噪声功率比(UINR)，来确定所述部分的所述选择。

13.根据权利要求11所述的设备，其中基于对照给定阈值的所述脉冲噪声的所投射瞬时功率，来确定所述部分的所述选择。

14.根据权利要求11所述的设备，其中基于在FFT输出处获得的所述传感器信号的模数与所述系数的估计的模数相乘并对照最小距离进行比较，来确定所述部分的所述选择。

15.根据权利要求11所述的设备，其中基于所述接收器或所述传感器所观察到的所述脉冲噪声的特性来确定所述部分的所述选择。

16.根据权利要求1所述的设备，其中基于有条件应用过程，在所述脉冲噪声的持续时间期间，有条件地应用所述脉冲噪声消除器。

17.一种方法，其包括：

接收有线通信系统的数据信号；

通过被耦合成不接收所述数据信号的传感器，来产生表示影响所述接收到的数据信号的噪声的传感器信号；以及

基于所述传感器信号，消除影响所述接收到的数据信号的脉冲噪声。

18.根据权利要求17所述的方法，其中所述数据信号包括多个音调，且其中消除包括独立地消除所述多个音调中的每一音调上的噪声。

19.根据权利要求17所述的方法，其还包括在所述脉冲噪声的持续时间期间，在优化过程中训练消除期间所使用的系数。

20.根据权利要求19所述的设备，其中在所述脉冲噪声的所述持续时间的若干部分中选择性地执行所述系数的训练。