一种电力线通信信号降噪方法、装置、设备及介质与流程
本技术涉及电力线通信信号处理,尤其涉及一种电力线通信信号降噪方法、装置、设备及介质。
背景技术:
1、电力线载波(plc)通信利用现有电力线作为传输介质,具有无需额外布线、覆盖范围广等优势。然而,电力线信道环境极其复杂,存在着由大功率电器启停、负载阻抗剧变产生的强脉冲噪声。此类噪声通常具有高强度、短时段及簇状拖尾特性,会严重污染正交频分复用(ofdm)信号的时域波形。传统降噪方法如削顶(clipping)和置零(blanking)依赖于人工设定的固定阈值,难以适应随时间动态变化的脉冲噪声,且在极低信噪比环境下容易产生“过切削”或“误切削”现象,破坏ofdm信号原始的统计分布特性。
2、现有的电力线通信信号降噪方法通常采用预先设定的固定削顶阈值或置零阈值对信号进行幅度抑制,难以根据电力线信道中脉冲噪声的动态变化以及不同采样点所处的局部噪声状态,自适应地确定与各采样点相适配的幅度抑制参数。因此,在脉冲噪声强度、持续时间及拖尾特征发生变化时,现有方法容易采用与当前采样点实际噪声特征不匹配的降噪参数,导致正常信号被误抑制或脉冲噪声未得到有效抑制,从而影响电力线通信信号的降噪效果。
技术实现思路
1、本技术提供了一种电力线通信信号降噪方法、装置、设备及介质,旨在利用物理先验神经网络根据电力线通信信号的噪声特征确定与各采样点相适配的动态幅度抑制参数,以实现对电力线通信信号的自适应降噪。
2、为了实现上述目的,本技术的第一方面提供了一种电力线通信信号降噪方法,包括:
3、对目标电力线通信信号进行持续采样,得到信号采样序列,所述采样序列包括所述目标电力线通信信号对应的多个采样点的信号幅值;
4、对于任一所述采样点,根据各所述信号幅值,计算该采样点的局部方差和局部峰均功率比,以得到该采样点的多维特征;
5、将各所述采样点对应的所述多维特征输入预先训练的物理先验神经网络,得到各所述采样点分别对应的时域削顶门限参数和门限放缩系数;
6、根据各所述采样点分别对应的所述时域削顶门限参数和所述门限放缩系数,对所述采样序列进行逐点自适应非线性幅度抑制,得到降噪后的电力线通信信号。
7、实施本技术实施例,通过获取待降噪的目标电力线通信信号并形成包括多个采样点及其信号幅值的采样序列,能够将待降噪信号转换为可进行逐点特征分析和幅度处理的时域数据,为后续针对不同采样点进行自适应降噪提供数据基础;通过针对各采样点,根据各信号幅值计算局部方差和局部峰均功率比并形成多维特征,能够利用局部方差表征采样点邻域内信号幅值的波动程度,并利用局部峰均功率比表征局部信号峰值相对于平均功率的突出程度,从而从多个维度反映各采样点所处的局部噪声状态,为识别正常信号峰值与脉冲噪声造成的异常幅值提供特征依据;通过将各采样点对应的多维特征输入预先训练的物理先验神经网络,能够结合不同采样点的局部噪声特征,分别生成与各采样点相适配的时域削顶门限参数和门限放缩系数,使幅度抑制参数能够随电力线通信信号中噪声状态的变化而动态调整,避免采用固定幅度抑制参数难以适应不同脉冲噪声状态的问题;通过根据各采样点对应的时域削顶门限参数和门限放缩系数对采样序列进行逐点自适应非线性幅度抑制,能够针对不同采样点采用与其局部噪声状态相匹配的幅度抑制方式,减少对正常信号的误抑制以及对脉冲噪声的抑制不足。本技术能够利用物理先验神经网络根据电力线通信信号中各采样点的噪声特征确定与各采样点相适配的动态幅度抑制参数,实现对电力线通信信号的自适应降噪,提高噪声动态变化场景下的降噪效果。
8、作为优选方案,对于任一所述采样点,根据各所述信号幅值,计算该采样点的局部方差和局部峰均功率比,以得到该采样点的多维特征,包括:
9、对于任一所述采样点,确定该采样点对应的预设长度的局部统计窗口,并根据所述局部统计窗口,确定该采样点对应的多个临近采样点;
10、根据各所述临近采样点对应的所述信号幅值,计算所述局部统计窗口中各所述信号幅值的离散程度,得到该采样点对应的所述局部方差;
11、根据各所述临近采样点对应的所述信号幅值和该采样点的所述信号幅值,计算各所述临近采样点对应的信号功率和该采样点的信号功率,以确定所述局部统计窗口的最大峰值功率和平均功率;
12、根据所述最大峰值功率与所述平均功率,得到该采样点对应的所述局部峰均功率比;
13、将该采样点的所述信号幅值、所述局部方差和所述局部峰均功率比进行特征拼接,得到该采样点对应的所述多维特征。
14、实施上述优选方案,通过针对任一采样点确定预设长度的局部统计窗口及其中的多个临近采样点,能够限定与当前采样点相关的局部信号范围,使后续统计特征能够反映该采样点所处的局部噪声环境;通过根据各临近采样点的信号幅值计算局部方差,能够表征局部窗口内信号幅值的离散程度和波动程度,从而反映脉冲噪声引起的局部异常变化;通过根据局部窗口内的信号功率确定最大峰值功率和平均功率,并计算局部峰均功率比,能够表征局部峰值相对于平均功率的突出程度,从而增强对突发高幅脉冲及簇状噪声特征的表征能力;通过将当前采样点的信号幅值、局部方差和局部峰均功率比进行特征拼接,能够综合表征当前采样点的瞬时幅值状态、局部波动状态和局部峰值特性,相较于仅利用单一幅值特征,能够为物理先验神经网络提供更加充分的噪声状态信息,提高后续动态幅度抑制参数与当前采样点实际噪声状态的匹配程度。
15、作为优选方案,将各所述采样点对应的所述多维特征输入预先训练的物理先验神经网络,得到各所述采样点分别对应的时域削顶门限参数和门限放缩系数,包括:
16、对各所述采样点对应的所述多维特征进行归一化处理,得到各所述采样点对应的归一化多维特征;
17、所述物理先验神经网络包括依次连接的特征提取子网和动态参数回归子网,所述特征提取子网包括一维卷积层和最大池化层,所述动态参数回归子网包括时间卷积网络和全连接层;
18、将各所述采样点对应的所述归一化多维特征输入所述特征提取子网,通过所述一维卷积层和所述最大池化层进行特征提取,得到特征提取结果;
19、将所述特征提取结果输入所述动态参数回归子网,通过所述时间卷积网络进行时序特征提取,并通过所述全连接层进行参数回归,得到各所述采样点分别对应的所述时域削顶门限参数和所述门限放缩系数。
20、实施上述优选方案,通过对各采样点对应的多维特征进行归一化处理,能够减小不同特征维度之间数值尺度差异对网络推理结果的影响,使输入特征保持在适于网络处理的数值范围内;通过将归一化后的多维特征输入特征提取子网,并利用一维卷积层和最大池化层进行特征提取,能够从局部范围内提取与脉冲噪声活跃状态相关的特征信息,增强对异常峰值及局部突变特征的表征能力;通过将特征提取结果输入动态参数回归子网,并利用时间卷积网络进一步提取簇状脉冲噪声及其拖尾变化过程中的时序依赖特征,能够结合当前采样点及其前后时序关系判断噪声变化状态;通过全连接层对所述时序特征进行参数回归,能够针对各采样点分别生成与其局部特征和时序噪声状态相适配的时域削顶门限参数和门限放缩系数。由此,能够提高物理先验神经网络对不同采样点动态降噪参数的预测准确性,为后续逐点自适应非线性幅度抑制提供更加匹配当前噪声状态的参数依据,从而减少固定门限或参数预测不准确造成的误抑制和抑制不足。
21、作为优选方案,物理先验神经网络的训练过程包括:
22、构建待训练物理先验神经网络,所述待训练物理先验神经网络包括特征提取子网、动态参数回归子网和所述待训练物理先验神经网络对应的联合损失函数;
23、获取多个训练样本,每一所述训练样本包括多个训练采样点以及每一所述训练采样点对应的所述多维特征;
24、将各所述训练样本输入所述待训练物理先验神经网络,通过所述特征提取子网进行特征提取,并通过所述动态参数回归子网进行时序特征提取和参数回归,得到各所述训练采样点分别对应的所述时域削顶门限参数和所述门限放缩系数;
25、根据各所述训练采样点分别对应的所述时域削顶门限参数和所述门限放缩系数,对各所述训练样本进行幅度抑制,得到各所述训练样本对应的训练输出信号;
26、根据各所述训练输出信号和所述联合损失函数,对所述待训练物理先验神经网络进行训练,得到所述物理先验神经网络。
27、实施上述优选方案,通过构建包括特征提取子网、动态参数回归子网以及联合损失函数的待训练物理先验神经网络,能够将噪声特征提取、时序关系建模、动态参数生成以及网络训练约束形成统一的模型结构;通过利用特征提取子网对训练样本进行特征提取,能够提取与脉冲噪声局部变化相关的特征信息,通过动态参数回归子网进一步进行时序特征提取和参数回归,能够利用簇状脉冲噪声及其拖尾变化所具有的时序依赖关系,为不同训练采样点分别生成时域削顶门限参数和门限放缩系数;通过利用所述参数对训练样本进行幅度抑制得到训练输出信号,并结合联合损失函数对网络进行训练,能够使模型学习多维噪声特征与适配幅度抑制参数之间的对应关系,为实际降噪过程中针对不同采样点动态生成降噪参数提供模型基础。
28、作为优选方案,根据各所述训练输出信号和所述联合损失函数,对所述待训练物理先验神经网络进行训练,得到所述物理先验神经网络,包括:
29、根据各所述训练样本和各所述训练样本对应的所述训练输出信号,得到各所述训练样本对应的信干噪比经验损失;
30、根据各所述训练样本对应的所述训练输出信号,确定各所述训练输出信号对应的实际概率密度分布;
31、根据各所述实际概率密度分布和预设的标准概率密度分布,计算各所述实际概率密度分布与所述标准概率密度分布之间的相对熵散度,得到各所述训练输出信号对应的物理分布散度惩罚项;
32、将动态惩罚系数、各所述信干噪比经验损失与各所述物理分布散度惩罚项输入所述联合损失函数,得到各所述训练输出信号对应的损失值,并根据各所述损失值,对所述待训练物理先验神经网络进行训练,得到所述物理先验神经网络。
33、实施上述优选方案,通过根据训练样本及对应的训练输出信号得到信干噪比经验损失,能够从信号降噪性能角度对网络输出结果进行评价,使网络训练朝有利于改善受噪声和干扰影响的信号质量的方向进行;通过确定训练输出信号的实际概率密度分布,并计算该实际概率密度分布与预设标准概率密度分布之间的相对熵散度,能够量化幅度抑制后的输出信号与理想信号统计分布之间的偏离程度,并形成物理分布散度惩罚项;通过将信干噪比经验损失和物理分布散度惩罚项共同引入联合损失函数,能够在优化降噪性能的过程中进一步约束输出信号的统计分布,使网络不仅依据数据拟合关系生成幅度抑制参数,还受到正交频分复用时域信号物理统计特性的约束,从而减少过度削顶或错误抑制对正常信号统计特性的破坏,提高降噪结果的准确性和稳定性。
34、作为优选方案,将动态惩罚系数、各所述信干噪比经验损失与各所述物理分布散度惩罚项输入所述联合损失函数,得到各所述训练输出信号对应的损失值,包括:
35、获取所述待训练物理先验神经网络的当前训练轮次;
36、根据所述当前训练轮次和预设的惩罚系数递增规则,确定所述当前训练轮次对应的所述动态惩罚系数;
37、根据所述动态惩罚系数,对各所述物理分布散度惩罚项进行加权,并与对应的所述信干噪比经验损失求和,得到各所述训练输出信号对应的所述损失值。
38、实施上述优选方案,通过获取待训练物理先验神经网络的当前训练轮次,并根据当前训练轮次和预设惩罚系数递增规则确定动态惩罚系数,能够使物理分布约束强度随模型训练过程动态变化;通过利用动态惩罚系数对物理分布散度惩罚项进行加权并与信干噪比经验损失求和,能够在训练前期以网络对训练数据及降噪关系的学习为主,避免过强的物理分布约束影响模型初始特征学习,并随着训练推进逐渐提高物理分布约束在联合损失中的作用,使训练中后期的网络输出进一步趋近预设的物理统计分布,从而兼顾模型的数据拟合能力和物理一致性,提高物理先验神经网络训练过程的稳定性以及最终模型的降噪可靠性。
39、作为优选方案,根据各所述采样点分别对应的所述时域削顶门限参数和所述门限放缩系数,对所述采样序列进行逐点自适应非线性幅度抑制,得到降噪后的电力线通信信号,包括:
40、对于任一所述采样点,根据该采样点对应的所述时域削顶门限参数和所述门限放缩系数,计算所述门限放缩系数与所述时域削顶门限参数的乘积,得到该采样点对应的幅度抑制上限;
41、将该采样点对应的所述信号幅值分别与所述时域削顶门限参数和所述幅度抑制上限进行比较,其中,所述时域削顶门限参数小于所述幅度抑制上限;
42、若所述信号幅值大于所述幅度抑制上限,则对该采样点执行幅度置零处理;
43、若所述信号幅值大于所述时域削顶门限参数且小于或等于所述幅度抑制上限,则将该采样点的所述信号幅值限制为所述时域削顶门限参数;
44、若所述信号幅值小于或等于所述时域削顶门限参数,则保持该采样点的所述信号幅值不变;
45、根据各所述采样点对应的幅度抑制后的所述信号幅值,得到所述降噪后的电力线通信信号。
46、实施上述优选方案,通过根据各采样点对应的时域削顶门限参数和门限放缩系数计算幅度抑制上限,能够针对不同采样点分别建立与其噪声状态相适配的分级幅度判定边界;通过将采样点的信号幅值分别与时域削顶门限参数和幅度抑制上限进行比较,能够区分正常或低幅信号、中等幅度异常信号以及强脉冲干扰;对于信号幅值超过幅度抑制上限的采样点执行幅度置零处理,能够直接抑制强脉冲噪声峰值;对于信号幅值位于时域削顶门限参数与幅度抑制上限之间的采样点,将其信号幅值限制为时域削顶门限参数,能够削弱中等程度异常脉冲对通信信号的影响;对于信号幅值不超过时域削顶门限参数的采样点保持其信号幅值不变,能够减少对正常通信信号的非必要修改。由此,通过对不同幅度状态的采样点实施差异化的非线性处理,能够降低固定削顶或统一置零方式造成的过抑制和漏抑制,在抑制脉冲噪声的同时尽可能保留正常信号成分,提高电力线通信信号降噪后的重构准确性。
47、第二方面,本技术提供了一种电力线通信信号降噪装置,包括:信号采样模块、特征提取模块、参数生成模块和信号降噪模块;
48、所述信号采样模块,用于对目标电力线通信信号进行持续采样,得到信号采样序列,所述采样序列包括所述目标电力线通信信号对应的多个采样点的信号幅值;
49、所述特征提取模块,用于对于任一所述采样点,根据各所述信号幅值,计算该采样点的局部方差和局部峰均功率比,以得到该采样点的多维特征;
50、所述参数生成模块,用于将各所述采样点对应的多维特征输入预先训练的物理先验神经网络,得到各所述采样点分别对应的时域削顶门限参数和门限放缩系数;
51、所述信号降噪模块,用于根据各所述采样点分别对应的所述时域削顶门限参数和所述门限放缩系数,对所述采样序列进行逐点自适应非线性幅度抑制,得到降噪后的电力线通信信号。
52、实施本技术实施例,通过获取待降噪的目标电力线通信信号并形成包括多个采样点及其信号幅值的采样序列,能够将待降噪信号转换为可进行逐点特征分析和幅度处理的时域数据,为后续针对不同采样点进行自适应降噪提供数据基础;通过针对各采样点,根据各信号幅值计算局部方差和局部峰均功率比并形成多维特征,能够利用局部方差表征采样点邻域内信号幅值的波动程度,并利用局部峰均功率比表征局部信号峰值相对于平均功率的突出程度,从而从多个维度反映各采样点所处的局部噪声状态,为识别正常信号峰值与脉冲噪声造成的异常幅值提供特征依据;通过将各采样点对应的多维特征输入预先训练的物理先验神经网络,能够结合不同采样点的局部噪声特征,分别生成与各采样点相适配的时域削顶门限参数和门限放缩系数,使幅度抑制参数能够随电力线通信信号中噪声状态的变化而动态调整,避免采用固定幅度抑制参数难以适应不同脉冲噪声状态的问题;通过根据各采样点对应的时域削顶门限参数和门限放缩系数对采样序列进行逐点自适应非线性幅度抑制,能够针对不同采样点采用与其局部噪声状态相匹配的幅度抑制方式,减少对正常信号的误抑制以及对脉冲噪声的抑制不足。本技术能够利用物理先验神经网络根据电力线通信信号中各采样点的噪声特征确定与各采样点相适配的动态幅度抑制参数,实现对电力线通信信号的自适应降噪,提高噪声动态变化场景下的降噪效果。
53、第三方面,本技术提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时执行上述申请所述的一种电力线通信信号降噪方法。
54、第四方面,本技术提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时执行上述申请所述的一种电力线通信信号降噪方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com