CN114124161B - 一种高速电力线载波的通信信道窄带噪声分离方法及装置 - Google Patents

一种高速电力线载波的通信信道窄带噪声分离方法及装置 Download PDF

Info

Publication number
CN114124161B
CN114124161B CN202111486945.5A CN202111486945A CN114124161B CN 114124161 B CN114124161 B CN 114124161B CN 202111486945 A CN202111486945 A CN 202111486945A CN 114124161 B CN114124161 B CN 114124161B
Authority
CN
China
Prior art keywords
narrow
spectral density
power spectral
band noise
data sequence
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
CN202111486945.5A
Other languages
English (en)
Other versions
CN114124161A (zh
Inventor
黄瑞
刘谋海
叶志
肖宇
贺星
余敏琪
陈浩
曾伟杰
马叶钦
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111486945.5A priority Critical patent/CN114124161B/zh
Publication of CN114124161A publication Critical patent/CN114124161A/zh
Application granted granted Critical
Publication of CN114124161B publication Critical patent/CN114124161B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开一种高速电力线载波的通信信道窄带噪声分离方法，步骤包括：S1.获取多组高速电力线载波通信信道的窄带噪声信息；S2.计算各组窄带噪声信息的功率谱密度包络数据序列；S3.以各组功率谱密度包络数据序列为训练数据集，使用神经网络模型对训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；S4.获取含信道窄带噪声的待测数据序列对应的功率谱密度数据序列，并与功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测窄带噪声分离。本发明具有实现方法简单、分离准确性高以及鲁棒性强等优点。

Description

一种高速电力线载波的通信信道窄带噪声分离方法及装置
技术领域
本发明涉及高速电力线载波(High－speed Power Line Carrier，HPLC)技术领域，尤其涉及一种高速电力线载波的通信信道窄带噪声分离方法。
背景技术
噪声分离方法是高速电力线载波技术通信信道噪声监测系统的重要支撑技术，对高速电力线载波HPLC信道窄带噪声进行分离有利于准确分析高速电力线载波通信信道中的窄带噪声，从而更有针对性地降低窄带噪声的影响。随着高速电力线载波在电力通信领域的大范围应用，窄带噪声对信号传输的影响不可忽略。
高速电力线载波通信信道噪声主要具备窄带性、周期性、慢时变特性，使得噪声分离中需要同时考虑以上三个因素影响。针对于高速电力线载波HPLC的噪声分离，现有技术中研究较少，通常都是直接依据噪声信号的特性设定窄带滤波器，从含噪声的信号中利用窄带滤波器筛选出具有特定特性的信号以实现噪声分离。而上述方式实现高速电力线载波HPLC中的噪声信号分离时，会存在动态适应性不足的问题，尤其是不同环境下噪声信号会具有较大的差异，就难以依据噪声的特定特性来实现噪声分离，且通常情况下噪声分离的准确性与鲁棒性难以同时兼顾，即为了确保噪声分离准确性，鲁棒性往往较差，难以确保不同场景下的噪声分离准确性，而为了确保噪声分离的鲁棒性，往往又会降低分离的准确性。又由于高速电力线载波通信信道噪声分离时需要同时考虑窄带性、周期性、慢时变特性，因而其他领域的噪声分离方式就不适用于高速电力线载波通信信道噪声分离中。
因此，传统的噪声分离方式就不适用于高速电力线载波HPLC的噪声分离，亟需提供一种能够适用于高速电力线载波的通信信道窄带噪声分离，并能够同时确保噪声分离的准确性以及鲁棒性。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、分离准确性高以及鲁棒性强的高速电力线载波的通信信道窄带噪声分离方法。
为解决上述技术问题，本发明提出的技术方案为：
一种高速电力线载波的通信信道窄带噪声分离方法，步骤包括：
S1.获取多组高速电力线载波通信信道的窄带噪声信息；
S2.计算各组所述窄带噪声信息的功率谱密度包络数据序列；
S3.以各组所述功率谱密度包络数据序列为训练数据集，使用神经网络模型对所述训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；
S4.将含信道窄带噪声的待测数据序列对应的待测功率谱密度数据序列，与所述功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测功率谱密度数据序列的窄带噪声分离。
进一步的，所述步骤S1包括：
S101.依次采集K组窄带噪声信息，每组包括N个数据信息，每个窄带噪声信息即为Dk(i)，其中1≤k≤K,1≤i≤N；
S102.计算各组窄带噪声信息的归一化数据
Figure GDA0003766326870000021
组成K组窄带噪声归一化数据序列
Figure GDA0003766326870000022
进一步的，所述步骤S102中，具体按照公式
Figure GDA0003766326870000023
计算所述窄带噪声信息的归一化数据
Figure GDA0003766326870000031
其中max{Dk(i)}和min{Dk(i)}分别为K组窄带噪声信息的最大值和最小值。
进一步的，所述步骤S2包括：
S201.对各组窄带噪声的归一化数据序列
Figure GDA0003766326870000032
计算对应的窄带噪声归一化数据的功率谱密度数据序列{Pk(j)}；
S202.计算所述功率谱密度数据序列{Pk(j)}的最大值max{Pk(j)}，并获取所述最大值max{Pk(j)}对应频谱轴位置序号
Figure GDA0003766326870000033
选取所述功率谱密度数据序列{Pk(j)}中范围在
Figure GDA0003766326870000034
内的数据组成对应的窄带噪声功率谱密度包络数据序列{Sk(m)}，其中1≤k≤K,1≤m≤(2R+1)，其中R为功率谱密度包络半径。
进一步的，所述步骤S3中基于最小误差准则，采用卷积神经元网络训练获取窄带噪声功率谱密度包络最佳估计，所述最小误差准则为以各组所述窄带噪声功率谱密度包络的误差最小为训练最优化目标。
进一步的，所述训练最优化目标为：
Figure GDA0003766326870000035
最小，其中{Sk(m)}为K组功率谱密度包络数据序列，{Sopt(m)}为窄带噪声功率谱密度包络最佳估计数据序列，R为功率谱密度包络半径。
进一步的，所述步骤S4中基于最大相关系数准则进行匹配，根据所述功率谱密度包络最佳估计与所述待测功率谱密度数据序列之间的相关系数最大值，从所述待测功率谱密度数据序列中选取对应部分的数据序列转换为对应时域波形，以实现待测窄带噪声分离。
进一步的，所述基于最大相关系数准则匹配实现待测窄带噪声分离包括：
S401.采用基于功率谱密度包络最佳估计序列{Sopt(m)}移位的互相关法，计算所述功率谱密度包络最佳估计{Sopt(m)}和待测功率谱密度数据序列{T(q)}两个序列的相关系数最大值lmax；
S402.获取所述相关系数最大值下待测功率谱密度数据序列{T(q)}对应频谱轴位置序号qmax；
S403.选取所述待测功率谱密度数据序列{T(q)}中范围在[qmax-R,qmax+R]内数据组成对应的待测窄带噪声功率谱密度数据序列{T(c)}，其中1≤c≤(2R+1)，R为功率谱密度包络半径；
S404.将所述待测窄带噪声功率谱密度数据序列{T(c)}转换为对应时域波形，实现待测窄带噪声分离。
一种高速电力线载波的通信信道窄带噪声分离装置，步骤包括：
获取模块，用于获取多组高速电力线载波通信信道的窄带噪声信息；
包络计算模块，用于计算各组所述窄带噪声信息的功率谱密度包络数据序列；
最佳估计模块，用于以各组所述功率谱密度包络数据序列为训练数据集，使用神经网络模型对所述训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；
噪声分离模块，用于将含信道窄带噪声的待测归一化数据序列对应功率谱密度数据序列，与所述功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测窄带噪声分离
一种计算机装置，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比，本发明的优点在于：
1、本发明同时考虑高速电力线载波通信信道噪声的窄带性、周期性以及慢时变特性，通过获取高速电力线载波通信信道的多组窄带噪声信息，计算出对应的窄带噪声功率谱密度包络数据序列后，结合数据驱动的深度学习网络训练模型得到窄带噪声功率谱密度包络最佳估计，使用该窄带噪声功率谱密度包络最佳估计对待测数据进行噪声分离，能够充分利用功率谱密度包络数据以及基于深度学习的估计方法，有效提升高速电力线载波通信信道窄带噪声分离的准确性和鲁棒性，且动态适应性强，不受适用环境的局限。
2、本发明采用数据驱动训练的基础上，进一步通过采用卷积神经元网络基于最小误差准则进行训练，能够高效的训练形成窄带噪声功率谱密度包络最佳估计，精准描述高速电力线载波通信信道中窄带噪声的功率谱密度包络特性。
3、本发明进一步基于最大相关系数准则，对功率谱密度包络最佳估计与待测功率谱密度数据序列进行匹配，能够实现噪声中心点动态匹配定位，快速、精准的从待测功率谱密度数据序列中选取出噪声部分实现噪声分离。
附图说明
图1是本实施例高速电力线载波的通信信道窄带噪声分离方法的实现流程示意图。
图2是本实施例中计算各组窄带噪声信息的功率谱密度包络数据序列的实现流程示意图。
图3是本实施例中步骤S4的实现流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例高速电力线载波的通信信道窄带噪声分离方法的详细步骤包括：
S1.获取多组高速电力线载波通信信道的窄带噪声信息。
采集待测高速电力线载波通信信道的多组窄带噪声信息，采集方式具体根据采样精度要求等实际需求确定。优选的，可以采集不同时间点的多组噪声信息以及同一时间点不同位置的多组噪声信息，待测高速电力线载波通信信道也可以选取典型的高速电力线载波通信信道，以使得所采用的多组窄带噪声信息能够全面、完整的表征高速电力线载波通信信道的窄带噪声信息特性，以便于后续训练得到准确的最佳估计模型。
本实施例中，上述获取多组高速电力线载波通信信道的窄带噪声信息的具体步骤为：
步骤S101.依次采集K组窄带噪声信息，每组包括N个数据信息，每个窄带噪声信息即为Dk(i)，其中1≤k≤K,1≤i≤N；
步骤S102.计算各组窄带噪声信息的归一化数据
Figure GDA0003766326870000061
组成K组窄带噪声归一化数据序列
Figure GDA0003766326870000062
上述步骤S102中，具体按照公式
Figure GDA0003766326870000063
计算窄带噪声信息的归一化数据
Figure GDA0003766326870000064
其中max{Dk(i)}和min{Dk(i)}分别为K组窄带噪声信息的最大值和最小值。
在具体应用实施例中，设K＝10000为典型高速电力线载波通信信道窄带噪声的采集总组数，N＝1024为每个采集组内窄带噪声数据采集总数目；按照满足采样精度要求，依次采集K组和每组含N个数据的窄带噪声信息，标识Dk(i)(1≤k≤K,1≤i≤N)为第k组第i个窄带噪声数据；按照公式
Figure GDA0003766326870000065
计算获取窄带噪声归一化数据
Figure GDA0003766326870000066
即组成第k组窄带噪声归一化数据序列
Figure GDA0003766326870000067
S2.计算各组窄带噪声信息的功率谱密度包络数据序列。
考虑高速电力线载波通信信道噪声的慢时变特性，步骤S1采集到多组高速电力线载波通信信道的窄带噪声信息后，计算各组窄带噪声信息的功率谱密度包络数据序列，即采用功率谱密度包络数据序列进行信号处理，功率谱密度包络可以有效表征噪声信号的特性，后续基于功率谱密度包络训练得到窄带噪声信息的最佳估计，可以准确表征高速电力线载波通信信道的窄带噪声信号特性。
如图2所示，本实施例中上述计算各组窄带噪声信息的功率谱密度包络数据序列具体包括：
步骤S201.对各组窄带噪声的归一化数据序列
Figure GDA0003766326870000071
计算对应的窄带噪声归一化数据的功率谱密度数据序列{Pk(j)}；
步骤S202.计算功率谱密度数据序列{Pk(j)}的最大值max{Pk(j)}，并获取最大值max{Pk(j)}对应频谱轴位置序号
Figure GDA0003766326870000072
选取功率谱密度数据序列{Pk(j)}中范围在
Figure GDA0003766326870000073
内的数据组成对应的窄带噪声功率谱密度包络数据序列{Sk(m)}，其中1≤k≤K,1≤m≤(2R+1)，其中R为功率谱密度包络半径。
在具体应用实施例中，计算各组窄带噪声信息的功率谱密度包络数据序列时，首先对每个第k组窄带噪声归一化数据序列
Figure GDA0003766326870000074
按照汉明加窗周期图法计算第k组窄带噪声归一化数据功率谱密度数据序列{Pk(j)}(1≤k≤K,1≤j≤N)；计算功率谱密度最大值max{Pk(j)}获取其对应频谱轴位置序号Pk(j)；功率谱密度包络半径R的取值范围为N/4≤R≤N/2，选取功率谱密度数据序列{Pk(j)}在范围
Figure GDA0003766326870000075
内数据组成对应的窄带噪声功率谱密度包络数据序列{Sk(m)}(1≤k≤K，1≤m≤(2R+1))。
S3.以各组功率谱密度包络数据序列为训练数据集，使用神经网络模型对训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计。
步骤S2提取出功率谱密度包络后，以各组功率谱密度包络作为训练数据集，使用神经网络模型进行训练，训练完成后即可得到窄带噪声信息的最佳估计，由该最佳估计能够最为精准的表征高速电力线载波通信信道的窄带噪声信号特性，因而可以基于该功率谱密度包络最佳估计实现噪声分离。
本实施例具体基于最小误差准则，采用卷积神经元网络训练获取窄带噪声功率谱密度包络最佳估计，最小误差准则为以各组窄带噪声功率谱密度包络的误差最小为训练最优化目标。即通过最小误差准则设计为卷积神经元网络训练迭代的最优化函数以用于迭代优化训练。
本实施例训练最优化目标函数具体为：
Figure GDA0003766326870000081
即训练目标为使得
Figure GDA0003766326870000082
最小，其中{Sk(m)}为K组功率谱密度包络数据序列，{Sopt(m)}为窄带噪声功率谱密度包络最佳估计数据序列，R为功率谱密度包络半径。
经过以K组功率谱密度包络数据序列{Sk(m)}为训练数据，以包络误差最小为训练最优化目标，采用卷积神经元网络训练后，即可得到窄带噪声功率谱密度包络最佳估计数据序列{Sopt(m)}。
S4.将含信道窄带噪声的待测数据序列对应的待测功率谱密度数据序列，与功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测数据序列的窄带噪声分离。
步骤S3训练得到窄带噪声功率谱密度包络最佳估计数据序列{Sopt(m)}后，将含信道窄带噪声的待测数据序列对应的待测功率谱密度数据序列与该功率谱密度包络最佳估计数据序列{Sopt(m)}进行匹配比较，即可筛选出其中的噪声信号，从而快速、准确的实现噪声分离。
本实施例具体基于最大相关系数准则进行匹配，根据功率谱密度包络最佳估计与待测功率谱密度数据序列之间的相关系数最大值，从待测功率谱密度数据序列中选取对应部分的数据序列转换为对应时域波形，实现噪声中心点动态匹配定位，从而实现待测窄带噪声分离。通过采用数据驱动训练(卷积神经元网络训练)的方法使得可以具备鲁棒性，同时结合最小误差准则下训练获取典型噪声特性曲线以及相关匹配操作，即可以实现高速电力线载波通信信道窄带噪声准确的分离。
如图3所示，上述基于最大相关系数准则匹配实现待测窄带噪声分离具体包括：
步骤S401.采用基于功率谱密度包络最佳估计序列{Sopt(m)}移位的互相关法，计算功率谱密度包络最佳估计{Sopt(m)}和待测功率谱密度数据序列{T(q)}两个序列的相关系数最大值lmax；
步骤S402.获取相关系数最大值下待测功率谱密度数据序列{T(q)}对应频谱轴位置序号qmax；
步骤S403.选取待测功率谱密度数据序列{T(q)}中范围在[[qmax-R,qmax+R]]内数据组成对应的待测窄带噪声功率谱密度数据序列{T(c)}(1≤c≤(2R+1)，其中R为功率谱密度包络半径；
步骤S404.将数据序列{T(c)}转换为对应时域波形，实现待测窄带噪声分离。
本发明上述高速电力线载波的通信信道窄带噪声分离方法，同时考虑高速电力线载波通信信道噪声的窄带性、周期性以及慢时变特性，通过获取高速电力线载波通信信道的多组窄带噪声信息，计算出对应的窄带噪声功率谱密度包络数据序列后，结合数据驱动的深度学习网络训练模型得到窄带噪声功率谱密度包络最佳估计，使用该窄带噪声功率谱密度包络最佳估计对待测数据进行噪声分离，能够充分利用功率谱密度包络数据以及基于深度学习的估计方法，有效提升高速电力线载波通信信道窄带噪声分离的准确性和鲁棒性，且动态适应性强，不受适用环境的局限。
本实施例高速电力线载波的通信信道窄带噪声分离装置包括：
获取模块，用于获取多组高速电力线载波通信信道的窄带噪声信息；
包络计算模块，用于计算各组所述窄带噪声信息的功率谱密度包络数据序列；
最佳估计模块，用于以各组所述功率谱密度包络数据序列为训练数据集，使用神经网络模型对所述训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；
噪声分离模块，用于将含信道窄带噪声的待测归一化数据序列对应功率谱密度数据序列，与所述功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测窄带噪声分离
本实施例计算机装置，包括处理器以及存储器，存储器用于存储计算机程序，处理器用于执行计算机程序，处理器用于执行所述计算机程序以执行如上述方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (8)

1.一种高速电力线载波的通信信道窄带噪声分离方法，其特征在于，步骤包括：
S1.获取多组高速电力线载波通信信道的窄带噪声信息；
S2.计算各组所述窄带噪声信息的功率谱密度包络数据序列；
S3.以各组所述功率谱密度包络数据序列为训练数据集，使用神经网络模型对所述训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；
S4.将含信道窄带噪声的待测数据序列对应的待测功率谱密度数据序列，与所述功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测功率谱密度数据序列的窄带噪声分离；
所述步骤S3中基于最小误差准则，采用卷积神经元网络训练获取窄带噪声功率谱密度包络最佳估计，所述最小误差准则为以各组所述窄带噪声功率谱密度包络的误差最小为训练最优化目标；
所述步骤S4中基于最大相关系数准则进行匹配，根据所述功率谱密度包络最佳估计与所述待测功率谱密度数据序列之间的相关系数最大值，从所述待测功率谱密度数据序列中选取对应部分的数据序列转换为对应时域波形，以实现待测窄带噪声分离。
2.根据权利要求1所述的高速电力线载波的通信信道窄带噪声分离方法，其特征在于，所述步骤S1包括：
S101.依次采集K组窄带噪声信息，每组包括N个数据信息，每个窄带噪声信息即为Dk(i)，其中1≤k≤K,1≤i≤N；
S102.计算各组窄带噪声信息的归一化数据
Figure FDA0003766326860000011
组成K组窄带噪声归一化数据序列
Figure FDA0003766326860000012
3.根据权利要求2所述的高速电力线载波的通信信道窄带噪声分离方法，其特征在于，所述步骤S102中，具体按照公式
Figure FDA0003766326860000021
计算所述窄带噪声信息的归一化数据
Figure FDA0003766326860000022
其中max{Dk(i)}和min{Dk(i)}分别为K组窄带噪声信息的最大值和最小值。
4.根据权利要求1所述的高速电力线载波的通信信道窄带噪声分离方法，其特征在于，所述步骤S2包括：
S201.对各组窄带噪声的归一化数据序列
Figure FDA0003766326860000023
计算对应的窄带噪声归一化数据的功率谱密度数据序列{Pk(j)}；
S202.计算所述功率谱密度数据序列{Pk(j)}的最大值max{Pk(j)}，并获取所述最大值max{Pk(j)}对应频谱轴位置序号
Figure FDA0003766326860000024
选取所述功率谱密度数据序列{Pk(j)}中范围在
Figure FDA0003766326860000025
内的数据组成对应的窄带噪声功率谱密度包络数据序列{Sk(m)}，其中1≤k≤K,1≤m≤(2R+1)，其中R为功率谱密度包络半径。
5.根据权利要求1所述的高速电力线载波的通信信道窄带噪声分离方法，其特征在于，所述训练最优化目标为：
Figure FDA0003766326860000026
最小，其中{Sk(m)}为K组功率谱密度包络数据序列，{Sopt(m)}为窄带噪声功率谱密度包络最佳估计数据序列，R为功率谱密度包络半径。
6.根据权利要求1所述的高速电力线载波的通信信道窄带噪声分离方法，其特征在于，所述基于最大相关系数准则匹配实现待测窄带噪声分离包括：
S401.采用基于功率谱密度包络最佳估计序列{Sopt(m)}移位的互相关法，计算所述功率谱密度包络最佳估计{Sopt(m)}和待测功率谱密度数据序列{T(q)}两个序列的相关系数最大值lmax；
S402.获取所述相关系数最大值下待测功率谱密度数据序列{T(q)}对应频谱轴位置序号qmax；
S403.选取所述待测功率谱密度数据序列{T(q)}中范围在[qmax-R,qmax+R]内数据组成对应的待测窄带噪声功率谱密度数据序列{T(c)}，其中1≤c≤(2R+1)，R为功率谱密度包络半径；
S404.将所述待测窄带噪声功率谱密度数据序列{T(c)}转换为对应时域波形，实现待测窄带噪声分离。
7.一种高速电力线载波的通信信道窄带噪声分离装置，其特征在于，步骤包括：
获取模块，用于获取多组高速电力线载波通信信道的窄带噪声信息；
包络计算模块，用于计算各组所述窄带噪声信息的功率谱密度包络数据序列；
最佳估计模块，用于以各组所述功率谱密度包络数据序列为训练数据集，使用神经网络模型对所述训练数据集进行训练，得到窄带噪声的功率谱密度包络最佳估计；
噪声分离模块，用于将含信道窄带噪声的待测归一化数据序列对应功率谱密度数据序列，与所述功率谱密度包络最佳估计进行匹配，根据匹配结果实现待测窄带噪声分离；
所述最佳估计模块中基于最小误差准则，采用卷积神经元网络训练获取窄带噪声功率谱密度包络最佳估计，所述最小误差准则为以各组所述窄带噪声功率谱密度包络的误差最小为训练最优化目标；
所述噪声分离模块中基于最大相关系数准则进行匹配，根据所述功率谱密度包络最佳估计与所述待测功率谱密度数据序列之间的相关系数最大值，从所述待测功率谱密度数据序列中选取对应部分的数据序列转换为对应时域波形，以实现待测窄带噪声分离。
8.一种计算机装置，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～6中任意一项所述方法。
CN202111486945.5A 2021-12-07 2021-12-07 一种高速电力线载波的通信信道窄带噪声分离方法及装置 Active CN114124161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111486945.5A CN114124161B (zh) 2021-12-07 2021-12-07 一种高速电力线载波的通信信道窄带噪声分离方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111486945.5A CN114124161B (zh) 2021-12-07 2021-12-07 一种高速电力线载波的通信信道窄带噪声分离方法及装置

Publications (2)

Publication Number Publication Date
CN114124161A CN114124161A (zh) 2022-03-01
CN114124161B true CN114124161B (zh) 2022-10-18

Family

ID=80367894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111486945.5A Active CN114124161B (zh) 2021-12-07 2021-12-07 一种高速电力线载波的通信信道窄带噪声分离方法及装置

Country Status (1)

Country Link
CN (1) CN114124161B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105356886A (zh) * 2015-06-26 2016-02-24 深圳市国电科技通信有限公司 基于压缩感知的电力线噪声压缩方法及其装置
CN111885624A (zh) * 2020-07-28 2020-11-03 成都海擎科技有限公司 一种基于深度学习的信号噪底估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1940035B1 (en) * 2006-12-27 2009-04-01 ABB Technology AG Method of determining a channel quality and modem
CN108649997A (zh) * 2018-04-19 2018-10-12 国网重庆市电力公司电力科学研究院 一种多入多出电力线通信窄带噪声的自适应消除方法、系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105356886A (zh) * 2015-06-26 2016-02-24 深圳市国电科技通信有限公司 基于压缩感知的电力线噪声压缩方法及其装置
CN111885624A (zh) * 2020-07-28 2020-11-03 成都海擎科技有限公司 一种基于深度学习的信号噪底估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波神经网络的低压电力线背景噪声建模;索超男等;《中国电力》;20170905(第09期);全文 *

Also Published As

Publication number Publication date
CN114124161A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN108805269B (zh) 一种基于lstm循环神经网络拾取震相到时的方法
CN107203692B (zh) 基于深度卷积神经网络的心电数据数字信号处理方法
CN104970789B (zh) 心电图分类方法及系统
CN112147573A (zh) 一种基于csi的幅值和相位信息的无源定位方法
CN112259120B (zh) 基于卷积循环神经网络的单通道人声与背景声分离方法
CN111150393A (zh) 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法
CN112603334B (zh) 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法
CN111134664A (zh) 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质
CN106098079A (zh) 音频信号的信号提取方法与装置
CN112364296B (zh) 一种基于深度学习的p波到时自动拾取方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN110929842A (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN114124161B (zh) 一种高速电力线载波的通信信道窄带噪声分离方法及装置
CN108196269A (zh) 卫星导航抗干扰天线系统内部弱谐波干扰信号检测方法
CN105721090B (zh) 一种非法调频广播电台的检测和识别方法
CN117037834B (zh) 一种会议语音数据智能采集方法及系统
CN116910593B (zh) 用于化学发光仪器的信号噪声抑制方法及系统
CN117238313A (zh) 基于梅尔谱和深度学习的西瓜成熟度无损检测方法及系统
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN111310680A (zh) 一种基于深度学习的辐射源个体识别方法
CN111938691A (zh) 一种基础心音识别方法及设备
CN114781466B (zh) 基于旋转机械振动信号谐波基频的故障诊断方法及系统
CN108737319A (zh) 一种目标ofdm信号的实时检测方法及装置
CN110007342B (zh) 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统
CN114166814A (zh) 一种基于双尺度相关运算的拉曼谱峰识别方法

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