CN114884783A - 一种利用神经网络进行电力线系信道估计的方法 - Google Patents

Abstract

本发明涉及一种利用神经网络进行电力线系信道估计的方法，属于通信技术领域。该方法首先利用前导正交频分复用符号OFDM数据在神经网络DnLSTM中进行信道估计；然后采用神经网络DnLSTM生成帧控制和帧载荷中每个符号的信道特征矩阵，使用该信道特征矩阵进行信道均衡；对信道均衡之后的帧控制和帧载荷符号进行信号解调，得到每个OFDM符号承载数据的对数似然估计值LLR。本发明提供了一种采用深度神经网络进行通信信号解调的方法，该方法具有很好的鲁棒性，不需要对电力线上特定噪声进行特定算法处理，而是通过大量的训练自适应不同的电力线噪声环境。

Description

一种利用神经网络进行电力线系信道估计的方法

技术领域

本发明属于通信技术领域，涉及一种利用神经网络进行电力线系信道估计的方法。

背景技术

低压电力线宽带载波载波通信，简称HPLC，是一种电力线载波通信技术，多用于低压台区用电信息采集系统本地通信中(如抄表)。通信方式采用OFDM技术，通过不同子载波屏蔽方案，可以配置不同的通信频段，典型的通信频段有2-12MHz、2.4-5.6MHz、1.7-3MHz、0.7-3MHz等，其中FFT的点数为1024点，采样率为25MHz，子载波间隔为24.414KHz，编码算法为Turbo双二元编码，物理块的大小包括PB16、PB72、PB136、PB264、PB520等5种类型，码率包括1/2和16/18两种形式，调制方式有BPSK、QPSK、16QAM等3种方式，采用不同的分集拷贝模式，在不同的噪声及信道条件下，可以达到从100Kbps至1Mbps的通信速率。

根据低压电力线宽带载波载波通信标准提供的物理层链路，如图1所示。

在发射机和接收机之间采用帧突发方式进行数据收发，帧突发结构如图2所示。

物理层发送的PPDU信号帧结构如图2所示。PPDU由前导、帧控制和载荷数据组成。其中，前导为一个周期性序列，每个符号的帧控制和载荷数据的载波个数为512个。其中，符号的保护间隔的类型包括帧控制的保护间隔、载荷数据第1个和第2个符号的保护间隔，载荷数据第3个符号及以后的保护间隔。

在发射端，物理层接收来自数据链路层的输入，采用两个分开的链路分别处理帧控制数据和载荷数据。帧控制数据通过Turbo编码后，进行信道交织和帧控制分集拷贝；载荷数据经过加扰、Turbo编码以及信道交织和载荷分集拷贝后，和帧控制数据一起进行星座点映射，映射后的数据经过IFFT处理后添加循环前缀形成OFDM符号，加入前导符号进行加窗处理后，形成PPDU信号送入模拟前端最终发送到电力线信道中。

在接收端，从模拟前端接收到数据协同采用AGC和时间同步分别对帧控制和载荷数据进行调整，并对帧控制和载荷数据进行FFT变换后后，进入解调、译码模块，最终恢复出帧控制信息的原始数据与载荷的原始数据。

图1中，低压电力线宽带载波通信系统采用现有的电力线作为传输媒介，虽然可以做通信线路实现，但是在实际工程使用中存在多方挑战。

第一：电力线建设主要是用于电力传输，在电力建设过程中，未充分考虑通信需求，导致采用电力线进行传输带来不变，例如电力线上由于用电设备变化，导致了电力线上电容和电阻以及电力支路也实时变化，导致通信模块发送的信号耦合到电力线信号存在不可预见，无法采用精确的信号处理算法进行描述。

第二：电力线上很多电器设备，例如开关电源，电机设备，在启动和使用过程中，在电力线将产生强脉冲干扰，这些脉冲将将会落入到通信频带内，影响通信性能。

第三：电力线通信采用2-12MHz的频段，这个频段和调幅和调频广播相同，并且由于电力线具有天线效应，在使用过程中，空中无线2-12MHz的信号也会落入到带电力线通信频段内。

在目前电力线通信产品开发中，首先将对电力线上给中干扰进行研究，分析干扰特点，并且针对这些干扰特点确定具体的算法，但是这种处理方式，其鲁棒性比较差。在使用过程中，如果增加了新类型的电器设备，并且应用场景的千差万别，导致产品的性能表现很大差异。

近几年来，人工智能和机器学习在公共移动通信网络中得到应用，特别在基带信号处理中已经证实其可行性。本发明结合低压电力线宽带载波通信系统的物理层架构，以及机器深度学习，提出一种电力线信号解调的方法。

发明内容

有鉴于此，本发明的目的在于提供一种利用神经网络进行电力线系信道估计的方法。

为达到上述目的，本发明提供如下技术方案：

一种利用神经网络进行电力线系信道估计的方法，该方法首先利用前导正交频分复用符号OFDM数据在神经网络DnLSTM中进行信道估计；然后采用神经网络DnLSTM生成帧控制和帧载荷中每个符号的信道特征矩阵，使用该信道特征矩阵进行信道均衡；对信道均衡之后的帧控制和帧载荷符号进行信号解调，得到每个OFDM符号承载数据的对数似然估计值LLR。

可选的，所述信道估计的方法包括两个阶段：

阶段一：对神经网络DnLSTM进行训练阶段；

阶段二：采用神经网络DnLSTM进行信道估计阶段。

可选的，所述阶段一包括两个过程：

训练过程一：神经网络DnLSTM的初始离线训练过程；

训练过程二：神经网络DnLSTM的实时在线训练过程；

所述训练过程一具体为：

步骤11：根据低压电力线宽带载波通信标准，生成前导符号模块重复生成相同的前导时域符号数据，然后采用电力信道模块模拟高斯白噪，色噪声干扰以及脉冲干扰信道模型，模拟实际电力线场景；

步骤12：接收数据模块接收电力信道模块上的前导符号数据，前导符号数据模块取出所有完整前导符号时域数据，然后对每个前导时域符号数据进行快速傅里叶变化，得到每个前导符号的频域数据；

步骤13：LS信道估计模块利用前导符号频域数据，采用最小二乘法LS信道估计算法计算出每个前导符号对应的信道特征矩阵，假定存在n(n>＝3)个前导符号，则到n个信道特征矩阵；

步骤14：神经网络DnLSTM模块利用LS信道模块提供的信道特征矩阵送入到神经网络DnLSTM模块中进行训练，每次采用3个连续信道特征矩阵输入到DnLSTM中进行训练，其中第一和第二个作为训练输入信道特征矩阵，第三个作为DnLSTM作为期望输出的信道特征矩阵，依次训练完所有的前导的信道特征矩阵；

重复上面步骤11到步骤15过程，直到神经网络DnLSTM处于收敛状态；

所述训练过程二具体为：

步骤21：接收端通过电力线耦合和AGC调整，完成电力线上接收帧突发的时域数据，形成一组帧突发的时间序列数据流；

步骤22：接收端首先对帧突发的时间序列数据流进行同步搜索，得到帧突发中每个前导符号时域数据，对每个前导符号数据进行傅里叶变化，则得到前导符号的频域数据；

步骤23：利用本地生成的前导符号频域数据和接收数据模块提供的前导符号数据，采用最小二乘法进行信道估计，得到信道特征矩阵；在帧突发中至少使用3个连续前导符号，形成至少3个前导信道特征矩阵；

步骤24：利用该信道特征矩阵，3个为一组对信道估计DnLSTM模块中的深度神经网络进行训练；其中第一和第二个信道特征矩阵为神经网络DnLSTM训练输入数据，第三个为神经网络DnLSTM期望输出的信道特征矩阵；；

接收端每接收到一个有效的帧突发，则对信道估计DnLSTM进行一轮训练；假设采用5个前导符号进行训练，则5个前导符号算得到5个信道特征矩阵，记为H₁,H₂,H₃,H₄和H₅；则使用(H₁,H₂,H₃),(H₂,H₃,H₄)和(H₃,H₄,H₅)进行训练，这三次训练称为训练一轮。

可选的，所述阶段二包括具体为：

步骤31：接收数据模块接收来自电力线上传输的信号，首先进行模数采样，突发检测，自动增益调整形成采样数据流；

步骤32：同步搜索模块对接收数据模块的时域数据流进行同步搜索，同步搜索方法为本地前导模块生成一个本地前导符号的时域数据；采用该本地前导时域数据和接收数据流进行相关计算；

步骤33：同步搜索模块完成之后，前导符号数据模块将接收数据模块的数据流中取出前导符号时域数据，并且进行傅里叶变化(简称：FFT)计算，得到前导符号的频域数据；

步骤34：完成对神经网络DnLSTM的实时在线训练过程；

步骤35：完成实时在线训练的神经网络DnLSTM,每一步生成一个新的信道特征矩阵；假设采用前导符号进行实时在线训练信道特征矩阵H₁,H₂,H₃,H₄和H₅；则输入神经网络DnLSTM信道特征矩阵(H₄,H₅)，预测得到H₆信道特征矩阵，就是第一个帧控制符号的信道特征矩阵；继续使用(H₅,H₆)得到H₇就是第二个帧控制符号的信道特征矩阵，直到得到所有帧载荷符号的信道特征矩阵；

步骤36：信道均衡模块利用来自数据符号数据模块的帧控制和帧载荷符号的频域数据，以及神经网络DnLSTM模块提供对应符号的信道特征矩阵进行信道均衡；神经网络DnLSTM模块将预测模块数据符号的信道特征矩阵；

步骤37：信号解调模块利用信道均衡模块输出的帧控制和帧载荷数据符号进行信号解调；即根据低压电力线宽带载波通信标准要求，进行二进制相移键控BPSK，正交相移键控QPSK或是正交幅度调制16QAM解调。

本发明的有益效果在于：

第一：本发明提供了一种采用深度神经网络进行通信信号解调的方法，该方法具有很好的鲁棒性，不需要对电力线上特定噪声进行特定算法处理，而是通过大量的训练自适应不同的电力线噪声环境。

第二：本发明提供了深度神经网络进行训练的方法，即初始离线训练过程和实时在线训练过程，初始离线训练过程完成之后，满足基本的电力线通信的信号解调需求，而实时在线训练过程，则根据使用过程的应用实际场景的实际数据进行训练，使得通信模块通过长期使用，更加适应该模块的使用场景。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为电力线宽带载波通信系统的物理层整体架构框图；

图2为电力线宽带载波通信系统的帧结构图；

图3为接收机信道估计和均衡框图；

图4为神经网络DnLSTM的初始训练过程；

图5为神经网络DnLSTM实时在线训练过程；

图6为采用神经网络DnLSTM进行信道估计和符号均衡框图；

图7为常规PLC接收端实现流程图；

图8为采用神经网络进行PLC信号解析方法；

图9为PLC系统中神经网络DnLSTM初始离线训练框图；

图10为PLC系统中神经网络DnLSTM实时训练流程；

图11为PLC系统中采用神经网络DnLSTM进行PLC信道估计图；

图12为采用神经网络DnLSTM进行PLC信道估计和信道解调的误码率曲线；

图13为采用MMSE法进行PLC信道估计和信道解调的误码率曲线；

图14为采用LS法进行PLC信道估计和信道解调的误码率曲线。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

该方法首先利用前导正交频分复用符号(简称：OFDM)数据在神经网络DnLSTM中进行信道估计。然后采用神经网络DnLSTM生成帧控制和帧载荷中每个符号的信道特征矩阵，使用该信道特征矩阵进行信道均衡。对信道均衡之后的帧控制和帧载荷符号进行信号解调，得到每个OFDM符号承载数据的对数似然估计值(简称：LLR)。如图3所示。

如图3所示，本发明由接收数据模块，信道估计DnLSTM模块，信道均衡模块，信号解调模块组成。

接收数据模块：该模块完成从电力线上信号耦合接收，并且进行模数转换，自动增益控制以及同步搜索功能，形成连续的帧突发时域数据流。

神经网络DnLSTM模块：该模块利用帧突发中前导符号的频域数据，通过神经网络DnLSTM进行信道特征估计，生成帧控制和帧载荷符号的信道特征矩阵。

信道均衡：该模块对每个帧控制和帧载荷频域OFDM符号数据进行信道补偿，其中每个符号的信道特征来自神经网络DnLSTM模块的信道特征预测结果。

信号解调：该模块对帧控制和帧载荷频域OFDM符号上承载的调制符号进行解调，得到帧控制和帧载荷的对数似然估计(LLR)值。

在本发明中信道特征估计分成两个阶段，即阶段一:对神经网络DnLSTM进行训练阶段；阶段二：采用神经网络DnLSTM进行信道估计阶段。

阶段一，对神经网络DnLSTM进行训练阶段。训练分成两个过程，首先神经网络DnLSTM的初始离线训练过程，其次神经网络DnLSTM的实时在线训练过程。

训练过程一：神经网络DnLSTM的初始离线训练过程，如图4所示。

步骤1：根据低压电力线宽带载波通信标准，生成前导符号模块重复生成相同的前导时域符号数据，然后采用电力信道模块模拟高斯白噪，色噪声干扰以及脉冲干扰信道模型，模拟实际电力线场景。如图4中1，2步。

步骤2：接收数据模块接收电力信道模块上的前导符号数据，前导符号数据模块取出所有完整前导符号时域数据，然后对每个前导时域符号数据进行快速傅里叶变化，得到每个前导符号的频域数据。如图4中3，4步。

步骤3：LS信道估计模块利用前导符号频域数据，采用最小二乘法LS信道估计算法计算出每个前导符号对应的信道特征矩阵，假定存在n(n>＝3)个前导符号，则可以到n个信道特征矩阵。如图4中5，7步。

步骤4：神经网络DnLSTM模块利用LS信道模块提供的信道特征矩阵送入到神经网络DnLSTM模块中进行训练，每次采用3个连续信道特征矩阵输入到DnLSTM中进行训练，其中第一和第二个作为训练输入信道特征矩阵，第三个作为DnLSTM作为期望输出的信道特征矩阵，依次训练完所有的前导的信道特征矩阵。如图4中6步。

重复上面步骤1到步骤5过程，直到神经网络DnLSTM处于收敛状态。

训练过程二：神经网络DnLSTM的实时在线训练过程，如图5所示。

该过程属于在使用过程，利用实际信道数据训练过程。

步骤1：接收端通过电力线耦合和AGC调整，完成电力线上接收帧突发的时域数据，形成一组帧突发的时间序列数据流。如图5中1步骤。

步骤2：接收端首先对帧突发的时间序列数据流进行同步搜索，得到帧突发中每个前导符号时域数据，对每个前导符号数据进行傅里叶变化，则得到前导符号的频域数据。如图5中2,3步。

步骤3：利用本地生成的前导符号频域数据和接收数据模块提供的前导符号数据，采用最小二乘法进行信道估计，得到信道特征矩阵。在帧突发中至少使用3个连续前导符号，形成至少3个前导信道特征矩阵。如图5中的4步。

步骤4：利用该信道特征矩阵，3个为一组对信道估计DnLSTM模块中的深度神经网络进行训练。其中第一和第二个信道特征矩阵为神经网络DnLSTM训练输入数据，第三个为神经网络DnLSTM期望输出的信道特征矩阵。如图5中的5步。

接收端每接收到一个有效的帧突发，则对信道估计DnLSTM进行一轮训练。假设采用5个前导符号进行训练，则5个前导符号可以算得到5个信道特征矩阵，记为H₁,H₂,H₃,H₄和H₅。则可以使用(H₁,H₂,H₃),(H₂,H₃,H₄)和(H₃,H₄,H₅)进行训练，这三次训练称为训练一轮。

阶段二：采用神经网络DnLSTM进行信道估计阶段，如图6所示。

步骤1：接收数据模块接收来自电力线上传输的信号，首先进行模数采样，突发检测，自动增益调整形成采样数据流。如图6中1步。

步骤2：同步搜索模块对接收数据模块的时域数据流进行同步搜索，同步搜索方法为本地前导模块生成一个本地前导符号的时域数据。采用该本地前导时域数据和接收数据流进行相关计算。如图6中4步。

步骤3：同步搜索模块完成之后，前导符号数据模块将接收数据模块的数据流中取出前导符号时域数据，并且进行傅里叶变化(简称：FFT)计算，得到前导符号的频域数据。如图6中3步。

步骤4：完成对神经网络DnLSTM的实时在线训练过程。如图6中5，7步。

步骤5：完成实时在线训练的神经网络DnLSTM,每一步生成一个新的信道特征矩阵。假设采用前导符号进行实时在线训练信道特征矩阵H₁,H₂,H₃,H₄和H₅。则输入神经网络DnLSTM信道特征矩阵(H₄,H₅),预测得到H₆信道特征矩阵，就是第一个帧控制符号的信道特征矩阵。继续使用(H₅,H₆)得到H₇就是第二个帧控制符号的信道特征矩阵，直到得到所有帧载荷符号的信道特征矩阵。如图6中7步。

步骤6：信道均衡模块利用来自数据符号数据模块的帧控制和帧载荷符号的频域数据，以及神经网络DnLSTM模块提供对应符号的信道特征矩阵进行信道均衡。神经网络DnLSTM模块将预测模块数据符号的信道特征矩阵。如图6中6步。

步骤7：信号解调模块利用信道均衡模块输出的帧控制和帧载荷数据符号进行信号解调。即根据低压电力线宽带载波通信标准要求，进行二进制相移键控(简称：BPSK)，正交相移键控(简称：QPSK)或是正交幅度调制(简称：16QAM)解调。如图6中9步。

根据图1给出的低压电力线宽带载波通信(简称：PLC)标准的要求，接收端常规的实现方法如图7所示。

在PLC完整接收系统，应该包括了两个物理信道的解析，即帧控制和帧载荷的解析，这两个部分共享使用前导，参考图2帧结构所示。图7则给出了常规完整的接收链路，该链路适合帧控制和帧载荷的接收。

发送端将PLC帧结构突发数据加载到电力线，在信号处理中，可视为加载到了电力线信道，在接收端则首先将电力线信道上的模拟信号，通过电力线模拟前端，将电力线上的信号从交流电220V上耦合下来，然后通过自动增益控制(简称：AGC)调整，形成接收端基带可以处理的信号强度。AGC调整在信号处理中非常关键，接收端接收信号幅度过大，则导致接收电路饱和，导致PLC信号信息丢失，如果接收端接收信号太小，则不能很好抑制接收电路的底噪，不利于PLC信号的解调。

PLC通信采用突发方式进行信号传输，所以发送端和接收端无法实时保持定时同步关系，接收端不知道发送端发送帧突发的具体开始时间。在常规的处理方法中，AGC调整之后的电力线信号，首先对该信号进行帧突发中的前导搜索，即由图7中的“时钟/帧同步”模块完成，“时钟/帧同步”处理来自AGC调整模块的PLC时域信号。目的找到帧突发中具体前导符号，帧控制和帧载荷的具体定时位置。

在PLC系统中，根据PLC电力线特点，假设PLC信道是时不变信道，所以PLC通信中，信道估计只能采用前导符号来完成。即图8中的“信道估计”模块。获得信道估计信息之后，再对帧控制和帧载荷符号进行符号均衡，其本质就是对帧控制和帧载荷每个符号的子载波进行幅度和相位补偿。即图8中“信道均衡”。

在接收端，信道估计和信道均衡(信道补偿)，特别是信道估计的准确度决定了接收端解调性能，亦是接收端实现难点，目前采用常规信道估计算法，例如LS，LMMSE，MMSE等，但是这些方法计算固定，并且没有学习能力，每个突发的计算结果只能用于本帧突发解调，所以鲁棒性较差，并且一些新类型的噪声需要新的算法处理。

在完成信号信号均衡之后，进行信号解调，即将帧控制和帧载荷OFDM符号上承载的数据符号，解调成为比特数据或是对数似然估计值，在该系统中采用调制方法有BPSK，QPSK和16QAM。其中解调结果为比特数据流，称为硬解调，解调结果为对数似然估计值，称为软解调。为了最大程度利用Turbo译码能力，在实际工程中，一般都采用软解调。在本实施例中，将选择使用软解调方法。

在PLC系统中为了抑制干扰，在标准中也采用很多时域和频域进行分集传输方法，所以软解调的数据需要进行信道的分集合并之后，才能使用Turbo进行软解码。

Turbo译码器性能对接收端接收数据也非常关键，由于在Turbo编码的时候，在数据块中插入冗余信息，Turbo译码可以将部分接收错误比较纠正。常规译码对常规高斯白噪声有较好的矫正功能。

针对目前PLC接收端存在的问题，使用本发明，本实施例的实现方案框图如图8所示。采用神经网络DnLSTM方法替换常规信道估计方法。其它模块依然保持常规处理方法相同。

根据本发明描述，在本实施例中，需要对神经网络DnLSTM进行初始离线训练，实时在线训练和利用神经网络DnLSTM进行信道估计过程。

阶段一：神经网络DnLSTM模块的训练阶段。训练分成两个过程，首先神经网络DnLSTM的初始离线训练过程，其次神经网络DnLSTM的实时在线训练过程。

训练过程一：神经网络DnLSTM的初始离线训练过程,如图9所示。

步骤1：根据低压电力线宽带载波通信标准，前导训练数据生成发送前导符号数据，在离线训练过程中前导符号数据，不需要PLC帧突发结构数据，仅仅包括前导数据即可。如图9中1步。

为了加快训练速度，在本实施例中，一次生成10000个连续的前导OFDM符号,每个符号承载的内容参考PLC技术标准要求，即每个前导仅仅1～512子载波承载内容，其它子载波置0处理,然后每个前导符号单独进行IFFT计算，然后形成连续的时域电力线信号

步骤2：采用电力信道模块模拟高斯白噪，色噪声干扰以及脉冲干扰场景，模拟实际的电力线场景，其中高斯白噪，色噪声干扰以及脉冲干扰是三种典型电力干扰场景，本实施例将使用这三种造成模拟实际电力通信环境。如图9中2步。

步骤3：前导符号数据模块从电力线信道上获得前导符号时域数据，每个前导符号时域数据长度为1024点，然后对时域数据进行傅里叶变化(FFT)得到前导频域符号数据，在本实施例中，仅仅使用前512子载波数据，所以将丢弃513～1024子载波数据。进一步描述，在初始离线训练DnLSTM阶段，由于接收端可以直到确定的每个前导符号开始和结束位置，所以不需要进行同步搜索过程。如图9中3步。

步骤4：LS信道估计模块利用每个前导符号频域数据，采用最小二乘法LS信道估计算法计算出电力线信道特征矩阵，每个前导符号都可以计算得到一个信道特征矩阵，假设初始训练过程中检测到10000个前导符号，则信道特征矩阵记为二维矩阵H_n[512],其中512表示最大子载波编号，n表示最大前导编号,从1到10000。如图9中6步。

步骤5：利用LS信道模块计算得到信道特征矩阵送入到神经网络DnLSTM模块中进行学习。在本实施例中每次送3个前导符号的特征矩阵到入神经网络DnLSTM。即(H_i，H_i+1，H_i+2)。其中；H_i，H_i+1为神经网络DnLSTM输入信道特征矩阵，H_i+2为神经网络DnLSTM的期望输出的信道特征矩阵；i从1到9998(10000-3+1)。

如图9中7步。

重复上面步骤1到步骤4过程，直到神经网络DnLSTM处于收敛状态。

训练过程二：神经网络DnLSTM的实时在线训练过程，该过程属于使用过程，利用实际信道数据训练过程。如图10所示。

步骤1：在实际应用过程中，发送端发送标准帧突发数据，帧突发数据符合国家电网发布的PLC系统技术规范要求，如图2所示。经过实际电力线信道(实际应用场景的电力线)之后，在接收端的接收数据模块接收电力线上的传输数据，在接收数据模块中，需要进行电力线耦合以及AGC调整处理。如图10中1，2，3步。

步骤2：接收数据模块完成同步之后，得到帧突发中前导符号数据。在前导符号数据模块中将每个前导符号数据进行傅里叶变化，则得到前导符号的频域数据。在本实施例中至少需要3个连续前导符号数据。如图10中4，5步。

步骤3：利用本地生成的前导符号频域数据和前导符号数据模块提供的前导符号数据，采用最小二乘法进行信道估计，得到信道特征矩阵。利用该信道特征矩阵对信道估计DnLSTM模块中的深度神经网络进行在线训练，在该实施例中，可以得到4个连续前导符号的特征矩阵，记为H₁[512],H₂[512],H₃[512],H₄[512]。如图10中6步。

步骤4：将得到的实时的前导信道估计特征矩阵(H₁[512],H₂[512],H₃[512]),(H₂[512],H₃[512],H₄[512])，送入到DnLSTM进行两次训练，称为一轮在线训练，在训练过程中，三个连续前导符号的信道特征矩阵，前两个前导符号的信道特征矩阵为DnLSTM输入矩阵，最后一个前导符号的信道特征矩阵为DnLSTM的预测矩阵。如图10中7步。

接收端每接收到一个有效的帧突发，则对信道估计DnLSTM进行一轮前在线训练。

阶段二：采用神经网络DnLSTM进行信道估计阶段，如图11所示。

步骤1：实际场景中，PLC采用帧突发方式进行传输，接收数据模块接收来自电力线上的帧突发数据，首先进行模数转换，突发检测，自动增益调整形成采样时域数据流。如图11中1步。

步骤2：同步搜索模块对时域数据流进行同步搜索，同步搜索方法为本地前导模块生成一个本地前导符号的时域数据和接收数据流进行相关计算，搜索出相关峰，根据相关峰确定帧突发中每个符号的开始和结束位置。如图11中4步。

步骤3：同步搜索模块完成之后，前导符号数据模块从数据流中取出分别取出前导符号时域数据，每个符号长度为1024点，并且进行傅里叶变化(简称：FFT)计算，得到每个前导符号的频域数据。如图11中3步。

步骤4：LS信道估计模块是信道估计DnLSTM模块的子模块，采用来自前导符号数据模块提供的前导频域符号数据和本地前导模块生成的前导频域符号数据，利用最小二乘LS计算出每个前导符号的信道特征矩阵，在该实施例中采用4个前导符号计算出信道特征矩阵H₁[512],H₂[512],H₃[512],H₄[512]。如图11中5步。

步骤5：使用LS信道估计模块得到的信道特征矩阵(H₃[512],H₄[512])送入到神经网络DnLSTM中进行训练。神经网络DnLSTM模块利用信道特征矩阵(H₃[512],H₄[512])进行信道特征预测，计算出第一个数据符号的信道特征H₅[512]，采用(H₄[512],H₅[512])预测第二数据符号的信道特征矩矩阵，依次预测完所有帧控制和帧载荷符号的信道特征矩阵。如图11中7步。

步骤6：信道均衡模块利用来自数据符号数据模块的帧控制和帧载荷符号的频域数据，以及神经网络DnLSTM模块提供对应符号的信道特征矩阵进行信道均衡。神经网络DnLSTM模块将预测模块数据符号的信道特征矩阵。如图11中7步。

步骤7：信号解调模块利用信道均衡模块输出的帧控制和帧载荷数据符号进行信号解调。即根据低压电力线宽带载波通信标准要求，进行二进制相移键控(简称：BPSK)，正交相移键控(简称：QPSK)或是正交幅度调制(简称：16QAM)解调。如图11中9步。

在本实例中，阶段一和阶段二的步骤进行了MATLAB仿真，在有高斯白噪，脉冲噪声和色噪声同时存在的情况下，将利用神经网络DnLSTM，LS信道估计和MMSE信道估计得到的帧突发的数据OFDM的误码率作比较。

在MATLAB仿真中，FFT采用128点，使用其中的第11个到第118个子载波，其它的子载波(第1个到第10个子载波和第119到第128个子载波)只有随机噪声。采用由前面四个前导OFDM符号计算出的信道特征矩阵(既H1[128],H2[128],H3[128],H4[128])作为神经网络DnLSTM的输入被用来做信道估计。在神经网络DnLSTM中，神经网络LSTM的遗忘门层使用函数为sigmoid函数，更新门层使用sigmoid函数和tanh函数，输出门层使用的也是sigmoid函数和tanh函数。神经网络DnCNN部分放在了输出门层的输出端，输入的第一层到第五层为卷积层，每一层都有3个大小为3x3的卷积核，激活函数是selu(scaled exponential linearunit)。神经网络DnCNN的输出为输入减去第五层卷积层的输出。

采用本发明方法的仿真结果如图12所示，在不同信噪比情况下，在多种干扰场景中，即高斯白噪，脉冲噪声和色噪声同时存在的场景中，本发明的解调不会随着承载OFDM符号的增加而性能恶化，表明采用DnLSTM方法能够很多跟踪到信道特性的变化。反之，在图12中所示，采用MMSE方法进行估计，不能很好跟踪到信道变化，随时间增加，符号增多，误码率逐渐增大，MMSE的解调性能将急剧恶化。同样，图13采用LS方法也不能很好跟踪实际信道的变化。

总之，从图12，图13和图14可得知：本发明提供的采用深度神经网络进行电力线通信信号解调的方法具有很好的鲁棒性，不需要对电力线上特定的噪声进行特定算法处理，而是通过大量的训练自适应不同的电力线噪声环境。相对于传统算法LS法和MMSE法而言，本发明提供的采用深度神经网络进行电力线通信解调的方法可提供解调数据OFDM的稳定性，其单个OFDM符号的误码率没有出现大范围的波动。

最后说明的是，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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种利用神经网络进行电力线系信道估计的方法，其特征在于：该方法首先利用前导正交频分复用符号OFDM数据在神经网络DnLSTM中进行信道估计；然后采用神经网络DnLSTM生成帧控制和帧载荷中每个符号的信道特征矩阵，使用该信道特征矩阵进行信道均衡；对信道均衡之后的帧控制和帧载荷符号进行信号解调，得到每个OFDM符号承载数据的对数似然估计值LLR。

2.根据权利要求1所述的一种利用神经网络进行电力线系信道估计的方法，其特征在于：所述信道估计的方法包括两个阶段：

阶段一：对神经网络DnLSTM进行训练阶段；

阶段二：采用神经网络DnLSTM进行信道估计阶段。

3.根据权利要求2所述的一种利用神经网络进行电力线系信道估计的方法，其特征在于：所述阶段一包括两个过程：

训练过程一：神经网络DnLSTM的初始离线训练过程；

训练过程二：神经网络DnLSTM的实时在线训练过程；

所述训练过程一具体为：

步骤11：根据低压电力线宽带载波通信标准，生成前导符号模块重复生成相同的前导时域符号数据，然后采用电力信道模块模拟高斯白噪，色噪声干扰以及脉冲干扰信道模型，模拟实际电力线场景；

步骤12：接收数据模块接收电力信道模块上的前导符号数据，前导符号数据模块取出所有完整前导符号时域数据，然后对每个前导时域符号数据进行快速傅里叶变化，得到每个前导符号的频域数据；

步骤13：LS信道估计模块利用前导符号频域数据，采用最小二乘法LS信道估计算法计算出每个前导符号对应的信道特征矩阵，假定存在n(n>＝3)个前导符号，则到n个信道特征矩阵；

步骤14：神经网络DnLSTM模块利用LS信道模块提供的信道特征矩阵送入到神经网络DnLSTM模块中进行训练，每次采用3个连续信道特征矩阵输入到DnLSTM中进行训练，其中第一和第二个作为训练输入信道特征矩阵，第三个作为DnLSTM作为期望输出的信道特征矩阵，依次训练完所有的前导的信道特征矩阵；

重复上面步骤11到步骤15过程，直到神经网络DnLSTM处于收敛状态；

所述训练过程二具体为：

步骤21：接收端通过电力线耦合和AGC调整，完成电力线上接收帧突发的时域数据，形成一组帧突发的时间序列数据流；

步骤22：接收端首先对帧突发的时间序列数据流进行同步搜索，得到帧突发中每个前导符号时域数据，对每个前导符号数据进行傅里叶变化，则得到前导符号的频域数据；

步骤23：利用本地生成的前导符号频域数据和接收数据模块提供的前导符号数据，采用最小二乘法进行信道估计，得到信道特征矩阵；在帧突发中至少使用3个连续前导符号，形成至少3个前导信道特征矩阵；

步骤24：利用该信道特征矩阵，3个为一组对信道估计DnLSTM模块中的深度神经网络进行训练；其中第一和第二个信道特征矩阵为神经网络DnLSTM训练输入数据，第三个为神经网络DnLSTM期望输出的信道特征矩阵；；

接收端每接收到一个有效的帧突发，则对信道估计DnLSTM进行一轮训练；假设采用5个前导符号进行训练，则5个前导符号算得到5个信道特征矩阵，记为H₁,H₂,H₃,H₄和H₅；则使用(H₁,H₂,H₃),(H₂,H₃,H₄)和(H₃,H₄,H₅)进行训练，这三次训练称为训练一轮。

4.根据权利要求3所述的一种利用神经网络进行电力线系信道估计的方法，其特征在于：所述阶段二包括具体为：

步骤31：接收数据模块接收来自电力线上传输的信号，首先进行模数采样，突发检测，自动增益调整形成采样数据流；

步骤32：同步搜索模块对接收数据模块的时域数据流进行同步搜索，同步搜索方法为本地前导模块生成一个本地前导符号的时域数据；采用该本地前导时域数据和接收数据流进行相关计算；

步骤33：同步搜索模块完成之后，前导符号数据模块将接收数据模块的数据流中取出前导符号时域数据，并且进行傅里叶变化(简称：FFT)计算，得到前导符号的频域数据；

步骤34：完成对神经网络DnLSTM的实时在线训练过程；

步骤35：完成实时在线训练的神经网络DnLSTM,每一步生成一个新的信道特征矩阵；假设采用前导符号进行实时在线训练信道特征矩阵H₁,H₂,H₃,H₄和H₅；则输入神经网络DnLSTM信道特征矩阵(H₄,H₅)，预测得到H₆信道特征矩阵，就是第一个帧控制符号的信道特征矩阵；继续使用(H₅,H₆)得到H₇就是第二个帧控制符号的信道特征矩阵，直到得到所有帧载荷符号的信道特征矩阵；

步骤36：信道均衡模块利用来自数据符号数据模块的帧控制和帧载荷符号的频域数据，以及神经网络DnLSTM模块提供对应符号的信道特征矩阵进行信道均衡；神经网络DnLSTM模块将预测模块数据符号的信道特征矩阵；

步骤37：信号解调模块利用信道均衡模块输出的帧控制和帧载荷数据符号进行信号解调；即根据低压电力线宽带载波通信标准要求，进行二进制相移键控BPSK，正交相移键控QPSK或是正交幅度调制16QAM解调。

Images