CN112187318B - 基于深度学习的脉冲噪声削减方法 - Google Patents

基于深度学习的脉冲噪声削减方法 Download PDF

Info

Publication number
CN112187318B
CN112187318B CN202010898378.3A CN202010898378A CN112187318B CN 112187318 B CN112187318 B CN 112187318B CN 202010898378 A CN202010898378 A CN 202010898378A CN 112187318 B CN112187318 B CN 112187318B
Authority
CN
China
Prior art keywords
noise
impulse noise
neural network
impulse
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010898378.3A
Other languages
English (en)
Other versions
CN112187318A (zh
Inventor
杨国
王子坤
吴文
钱玉文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010898378.3A priority Critical patent/CN112187318B/zh
Publication of CN112187318A publication Critical patent/CN112187318A/zh
Application granted granted Critical
Publication of CN112187318B publication Critical patent/CN112187318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • H04B3/544—Setting up communications; Call and signalling arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/02—Details
    • H04B3/46—Monitoring; Testing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Noise Elimination (AREA)
  • Dc Digital Transmission (AREA)

Abstract

本发明公开了一种基于深度学习的脉冲噪声削减方法，包括：随机生成用于模型训练的信息，经过编码、调制、信道传输后与特定参数的高斯白噪声和脉冲噪声叠加；将叠加后的噪声与信息作为神经网络的输入，脉冲噪声序列作为神经网络的标签，训练脉冲噪声检测模型；随机生成需要传递的信息，经过编码、调制后叠加与模型训练参数相同的信道噪声与脉冲噪声；将叠加后的信号与噪声作为模型的输入，用训练好的检测模型检测其脉冲噪声；对模型检测出的脉冲噪声点进行削减；解调信息，根据发送端传递的信息与接收端获取的信息求取误码率。本发明方法简单，易于实现，性能优于传统方法，对于不同参数的噪声都有较好的脉冲噪声削减效果，适应性广。

Description

基于深度学习的脉冲噪声削减方法
技术领域
本发明属于无线通信技术领域，特别是一种基于深度学习的脉冲噪声削减方法。
背景技术
随着电力线通信应用范围越来越广，对电力线通信质量要求也越来越高，因此解决电力线上信号传输不稳定问题也变得更加重要。
电力线通信(PLC)中的噪声大致可分为两类：被假定为加性高斯白噪声(AWGN)的背景噪声，以及与主频率同步或不同步的脉冲噪声。异步脉冲噪声是由电网中的开关瞬变引起的人为电磁(EM)噪声。它的持续时间短，随机出现，并且功率谱密度高，它可能导致数据传输中的比特或突发错误。伯努利-高斯(BG)模型是用来描述这种脉冲噪声的模型之一，对于该模型，噪声被视为高斯过程，其到达时间遵循离散时域中的伯努利分布。
传统的脉冲噪声削减技术，主要采用三种非线性脉冲噪声削减技术即幅度消隐技术(blanking)、幅度削减技术(clipping)、分段混合技术(hybrid)。目前的研究已经表明，在接收信号上以及在多载波调制(MCM)解调器之前执行削波可显著改善脉冲信道的比特误码率(BER)性能。
现有研究成果提出了一些不同的方法来应对由于脉冲噪声引起的性能损害。如HomePlug AV(HPAV)规范所提倡的，其中之一将纠错码与自动重复请求(ARQ)结合在一起[Darnell,M.Error Control Coding:Fundamentals and Applications[J].IeeProceedings F Communications Radar&Signal Processing,1985,132(1):68.]。该解决方案在数据速率方面是昂贵的，同时所引起的时间延迟对于准实时传输可能是有害的，尤其是在脉冲噪声强度高的环境中。另一种方法是使鲁棒的迭代信道解码,例如Turbo码(TC)[Umehara D,Yamaguchi H,Morihiro Y.Turbo decoding in impulsive noiseenvironment[C]//IEEE Global Telecommunications Conference.IEEE,2004.]和低密度奇偶校验码(LDPC)[Ardakani M,Kschischang F R,Yu W.Low-density parity-checkcoding for impulse noise correction on power-line channels[C]//Power LineCommunications and Its Applications,2005 International Symposium on.IEEEXplore,2005.]适应脉冲噪声特性，但该方法仅在单载波方案中有效，多载波调制并没有得到改善。近年来一些新的脉冲噪声削减技术也被提出，在文献[J.Lin,M.Nassar andB.L.Evans,"Impulsive Noise Mitigation in Powerline Communications UsingSparse Bayesian Learning,"in IEEE Journal on Selected Areas inCommunications,vol.31,no.7,pp.1172-1183,July 2013,doi:10.1109/JSAC.2013.130702.]中提出了使用贝叶斯学习的方式来削减脉冲噪声，在文献[Ying-RenChien,Yi-Wu Chen,Hen-Wai Tsao.Signal-quality-aware impulsive noise mitigationfor OFDM-based power-line communications[C].ICCE-TW 2015 IEEE,Taipei,2015:174–175]中提出了一种已知信号状态信息的脉冲噪声削减技术。然而这些技术面临算法复杂度较高，对OFDM系统要求较高的问题。Ndo G等人提出了基于检测理论的阈值优化[NdoG,Siohan P,Hamon M H.Adaptive Noise Mitigation in Impulsive Environment:Application to Power-Line Communications[J].Power Delivery,IEEE Transactionson,2010,25(2):p.647-656.]，对于两个优化标准，最佳阈值以封闭形式导出，该方法假设对脉冲噪声模型的概率密度函数(PDF)有完备的了解，不仅难以精确获取，而且实际上可能会随时间而变化。
发明内容
本发明的目的在于提供一种实现过程简单、性能效果显著、且能满足不同伯努利-高斯脉冲噪声参数的脉冲噪声削减方法。
实现本发明目的的技术解决方案为：一种基于深度学习的脉冲噪声削减方法，包括以下步骤：
步骤1、随机生成一个用于训练模型的信息序列，经过编码、调制后叠加信道高斯噪声与脉冲噪声；
步骤2、将叠加后的噪声与信息作为神经网络的输入，脉冲噪声产生的序列作为神经网络的标签，训练脉冲噪声检测模型；
步骤3、随机生成需要传递的信息，经过编码、调制后叠加与模型训练参数相同的信道噪声与脉冲噪声；
步骤4、将叠加后的信号与噪声作为模型的输入，用训练好的脉冲噪声检测模型检测其脉冲噪声；
步骤5、对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减；
步骤6、将削减后的输出信息解调，根据发送端传递的信息与接收端获取的信息求取误码率。
本发明与现有技术相比，其显著优点为：1)本发明将神经网络运用到脉冲噪声识别中，采用该技术对脉冲噪声削减后的误码率性能与传统技术相比显著提升；2)训练好的模型能够在没有先验信息的条件下识别脉冲噪声，识别准确度高，对不同的调制方式或系统结构具有普适性；3)深度学习模型相比基于阈值削减噪声的传统方法无需复杂的参数计算即可获得不同脉冲噪声参数下的脉冲噪声识别模型，泛化性能好。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的基于深度学习的脉冲噪声削减方法流程图。
图2为本发明的脉冲噪声削减系统结构框图。
图3为本发明实施例中针对相同脉冲噪声参数，传统阈值削减方法与本发明方法的通信误码率随信噪比变化的趋势图。
图4为本发明实施例中针对不同的脉冲噪声参数，通信的误码率随信噪比变化的趋势图。
具体实施方式
结合图1至图2，本发明提出了一种基于深度学习的脉冲噪声削减方法，该方法包括以下步骤：
步骤1、随机生成一个用于训练模型的信息序列，经过编码、调制后叠加特定参数的信道高斯噪声与脉冲噪声；
步骤2、将叠加后的噪声与信息作为神经网络的输入，脉冲噪声产生的序列作为神经网络的标签，训练脉冲噪声检测模型；
步骤3、随机生成需要传递的信息，经过编码、调制后叠加与模型训练参数相同的信道噪声与脉冲噪声；
步骤4、将叠加后的信号与噪声作为模型的输入，用训练好的脉冲噪声检测模型检测其脉冲噪声；
步骤5、对神经网路模型检测出的脉冲噪声点进行脉冲噪声削减；
步骤6、将削减后的输出信息解调，根据发送端传递的信息与接收端获取的信息求取误码率。
进一步地，步骤1随机生成一个用于训练模型的信息序列，经过编码、调制后叠加特定参数的信道高斯噪声与脉冲噪声，具体为：
步骤1-1、假设通信系统发送端发送信息序列长度为N，随机生成长度为N的0-1序列作为发送信号，并对发送信号进行BPSK调制；
步骤1-2、将发送端调制后的信号经过理想信道与脉冲噪声发生器，同理想信道噪声与脉冲噪声叠加生成接收端接收信号，其中理想信道噪声即高斯白噪声为均值为0、方差为1的高斯噪声，脉冲噪声发生器产生的脉冲噪声为伯努利-高斯噪声，表示为：
ik＝bkgk
其中bk为伯努利序列，该序列服从伯努利分布，ψ为伯努利分布参数，表示发生脉冲噪声的概率；gk服从均值为0方差为
Figure BDA0002659185690000041
的高斯分布。
示例性地，在其中一个实施例中，步骤1-1所述信号调制方式具体采用BPSK调制方式。
进一步地，步骤2中将叠加后的噪声与信息作为神经网络的输入，脉冲噪声产生的序列作为神经网络的标签，训练脉冲噪声检测模型，具体为：
步骤2-1、将接收端接收的信号作为神经网络的输入，即把rk作为训练数据导入神经网络中训练，接收的信号为经过编码、调制后的信号与理想信道的高斯白噪声与脉冲噪声发生器产生的伯努利-高斯噪声的叠加，表示为：
rk＝sk+nk+ik
其中sk为有用信号，nk为高斯白噪声，ik为脉冲噪声；
步骤2-2、将脉冲噪声产生的序列作为神经网络标签，即bk导入神经网络中作为训练标签；
步骤2-3、将训练好的神经网络模型保存作为脉冲噪声识别模型。其中在模型训练过程中，隐藏层中采用ReLU激活函数f(x)，在输出层采用Sigmoid激活函数σ(x)，分别表示为：
f(x)＝max(0,x)
Figure BDA0002659185690000042
反向传播采用Adam优化算法。
进一步地，步骤5中对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减，具体为：
步骤5-1、接收端根据神经网络模型将输出信号标记为有脉冲噪声点与无脉冲噪声点；
步骤5-2、对有脉冲噪声点的信号置零，对无脉冲噪声点的信号不做处理。
下面结合附图和实施例对本发明进行详细说明。
实施例
本实施例中选取了脉冲噪声方差
Figure BDA0002659185690000051
ψ分别为0.05，0.1，0.15，0.2的脉冲噪声，环境信噪比为-4dB到10dB的仿真环境，噪声分布选取了信道中常见的加性高斯白噪声，脉冲噪声服从伯努利-高斯分布，发送端进行了预编码，检测采用最小均方误差(MMSE)检测的方法。基于上述实验条件，对本发明的方法进行验证。
脉冲噪声发生概率ψ＝0.1时，采用Ndo G等基于检测理论的阈值优化方法和采用本发明方法进行脉冲噪声削减的通信系统误码率在-4dB到10dB情况下随信噪比变化的趋势图如图3所示。从图中可以看出，本发明方法比传统方法的误码率性能好，信噪比越来越高，误码率逐渐下降，最后分别达到10-4的可靠通信标准范围之内。
针对ψ分别为0.05，0.1，0.15，0.2的脉冲噪声，采用本发明方法进行脉冲噪声削减的通信系统误码率在-4dB到10dB情况下随信噪比变化的趋势图如图4所示。从图中可以看出，随着信噪比增加，通信的误码率逐渐下降，ψ值越小的脉冲噪声经过削减后越接近理论极限误码率。
由上可知，本发明方法对误码率性能的提升优于传统方法；相同信噪比的条件下，脉冲噪声发生概率ψ的越小误码率性能越好。

Claims (2)

1.一种基于深度学习的脉冲噪声削减方法，其特征在于，包括以下步骤：
步骤1、随机生成一个用于训练模型的信息序列，经过编码、调制后叠加特定参数的信道高斯噪声与脉冲噪声，特定参数包括脉冲噪声均值、方差以及脉冲噪声发生概率，具体为：
步骤1-1、假设通信系统发送端发送信息序列长度为N，随机生成长度为N的0-1序列作为发送信号，并对发送信号进行BPSK调制；
步骤1-2、将发送端调制后的信号经过理想信道与脉冲噪声发生器，同理想信道噪声与脉冲噪声叠加生成接收端接收信号，其中理想信道噪声即高斯白噪声为均值为0、方差为1的高斯噪声，脉冲噪声发生器产生的脉冲噪声为伯努利-高斯噪声，表示为：
ik＝bkgk
其中bk为伯努利序列，该序列服从伯努利分布；gk服从均值为0方差为
Figure FDA0003237136530000011
的高斯分布；
步骤2、将叠加后的噪声与信息作为神经网络的输入，脉冲噪声产生的序列作为神经网络的标签，训练脉冲噪声检测模型；具体为：
步骤2-1、将接收端接收的信号作为神经网络的输入，即把rk作为训练数据导入神经网络中训练，接收的信号为经过编码、调制后的信号与理想信道的高斯白噪声与脉冲噪声发生器产生的伯努利-高斯噪声的叠加，表示为：
rk＝sk+nk+ik
其中sk为有用信号，nk为高斯白噪声，ik为脉冲噪声；
步骤2-2、将脉冲噪声产生的序列作为神经网络标签，即bk导入神经网络中作为训练标签；
步骤2-3、将训练好的神经网络模型保存作为脉冲噪声识别模型；
步骤3、随机生成需要传递的信息，经过编码、调制后叠加与模型训练参数相同的信道噪声与脉冲噪声；
步骤4、将叠加后的信号与噪声作为模型的输入，用训练好的脉冲噪声检测模型检测其脉冲噪声；
步骤5、对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减；
步骤6、将削减后的输出信息解调，根据发送端传递的信息与接收端获取的信息求取误码率。
2.根据权利要求1所述的基于深度学习的脉冲噪声削减方法，其特征在于，步骤5中对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减，具体为：
步骤5-1、接收端根据神经网络模型将输出信号标记为有脉冲噪声点与无脉冲噪声点；
步骤5-2、对有脉冲噪声点的信号置零，对无脉冲噪声点的信号不做处理。
CN202010898378.3A 2020-08-31 2020-08-31 基于深度学习的脉冲噪声削减方法 Active CN112187318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898378.3A CN112187318B (zh) 2020-08-31 2020-08-31 基于深度学习的脉冲噪声削减方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898378.3A CN112187318B (zh) 2020-08-31 2020-08-31 基于深度学习的脉冲噪声削减方法

Publications (2)

Publication Number Publication Date
CN112187318A CN112187318A (zh) 2021-01-05
CN112187318B true CN112187318B (zh) 2022-02-18

Family

ID=73924824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898378.3A Active CN112187318B (zh) 2020-08-31 2020-08-31 基于深度学习的脉冲噪声削减方法

Country Status (1)

Country Link
CN (1) CN112187318B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112866152A (zh) * 2021-01-19 2021-05-28 重庆邮电大学 一种ofdm系统中的迭代信道估计和脉冲噪声抑制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392864A (zh) * 2017-07-01 2017-11-24 南京理工大学 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法
CN109347523A (zh) * 2018-11-23 2019-02-15 东北电力大学 面向新能源汽车的基于bfsk车载电力线通信系统及其方法
CN110113288A (zh) * 2019-05-23 2019-08-09 徐州中矿康普盛通信科技有限公司 一种基于机器学习的ofdm解调器的设计和解调方法
WO2019246029A1 (en) * 2018-06-18 2019-12-26 Zoox, Inc. Sensor obstruction detection and mitigation using vibration and/or heat
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10758186B2 (en) * 2015-04-20 2020-09-01 Vita-Course Technologies Co., Ltd. Physiological sign information acquisition method and system
CN106992800B (zh) * 2017-03-16 2019-11-15 宁波大学 基于迭代自适应算法的电力线通信系统脉冲噪声抑制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392864A (zh) * 2017-07-01 2017-11-24 南京理工大学 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法
WO2019246029A1 (en) * 2018-06-18 2019-12-26 Zoox, Inc. Sensor obstruction detection and mitigation using vibration and/or heat
CN109347523A (zh) * 2018-11-23 2019-02-15 东北电力大学 面向新能源汽车的基于bfsk车载电力线通信系统及其方法
CN110113288A (zh) * 2019-05-23 2019-08-09 徐州中矿康普盛通信科技有限公司 一种基于机器学习的ofdm解调器的设计和解调方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种抗脉冲噪声的宽带电力线通信系统信道估计算法;郑建宏;《重庆邮电大学学报(自然科学版)》;20190215(第1期);正文第1-6页 *
基于OFDM的电力线通信系统的噪声抑制技术研究;程宇;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20180501(第05期);正文第41-42页 *

Also Published As

Publication number Publication date
CN112187318A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Alsusa et al. Dynamic peak-based threshold estimation method for mitigating impulsive noise in power-line communication systems
Shafik et al. On the error vector magnitude as a performance metric and comparative analysis
Deng et al. Recursive clipping and filtering with bounded distortion for PAPR reduction
Bandara et al. PAPR reduced OFDM visible light communication using exponential nonlinear companding
Adebisi et al. Enhanced nonlinear companding scheme for reducing PAPR of OFDM systems
Rabie et al. Improving blanking/clipping based impulsive noise mitigation over powerline channels
Cui et al. Novel linear companding transform design based on linear curve fitting for PAPR reduction in OFDM systems
Keller et al. Sub-band adaptive pre-equalised OFDM transmission
CN112187318B (zh) 基于深度学习的脉冲噪声削减方法
CN108600140A (zh) 一种ofdm系统中抗脉冲干扰的信道估计方法
Liu et al. PAPR reduction of OFDM waveform in integrated passive radar and communication systems
EP4096178B1 (en) Method and circuit for suppressing pulse interference in coding and decoding communication
CN108880758A (zh) 差分混沌比特交织编码调制系统的迭代接收机设计算法
Matsumoto et al. An expression for maximum bit error probability using the amplitude probability distribution of an interfering signal and its application to emission requirements
Barazideh et al. Performance analysis of analog intermittently nonlinear filter in the presence of impulsive noise
Zhao et al. Adaptive power allocation for non-coherent FSK in time-varying underwater acoustic communication channels
CN103532881A (zh) 一种自适应调整单载波水声相干通信制式的方法
Bakkas et al. PAPR reduction in MIMO-OFDM based on polar codes and companding technique
Rabie et al. Efficient SLM based impulsive noise reduction in powerline OFDM communication systems
Temaneh-Nyah et al. An investigation of the effects of impulsive noise and channel distortion in narrow band power line communication
Hameed et al. PAPR reduction for different O-OFDM in VLC using μ-law companding and convolutional encoder
CN104980321A (zh) 一种基于判决反馈的ofdm信道质量估计算法
Suhartomo Evaluation of BER Performance for M-Ary QAM OFDM Through Wireless Channel by Controlling PAPR at the Transmitter
Bakkas et al. Enhancing PAPR in OFDM System Using Polar Codes and μ-Law Companding with Adaptive Modulation and Coding Rates
Al-Susa et al. An improved channel inversion based adaptive OFDM system in the presence of channel errors and rapid time variations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant