改进深度神经网络的电力线脉冲噪声抑制与补偿算法.pdf

2023 年第 4 期改进深度神经网络的电力线脉冲噪声抑制与补偿算法Improved deep neural network algorithm forpower line pulse noise suppression and compensationZHUANG Yuanqiang,SHEN Min渊School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China冤Abstract:To solve the problem that the nonlinear suppression method requires prior statistical information to determine the opti-mal threshold and causes nonlinear distortion,an improved deep neural network渊DNN冤algorithm for power line impulse noisesuppression and compensation is proposed.Firstly,the position of pulse noise is locked by DNN,and then the data of the positionis cleared by zerosetting method.Finally,the nonlinear distortion is reconstructed and compensated for the processed signal,andthe simulation and comparison experiments are carried out with other algorithms.The simulation results show that the proposedmethod improves the recognition rate of the DNN,reduces the bit error rate of the system,and has good robustness.Key words:power line communication,smart grid,impulse noise,deep learning,artificial intelligence,deep neural network庄元强,申 敏渊重庆邮电大学 通信与信息工程学院袁重庆 400065冤摘要院 针对非线性抑制方法需要先验统计信息确定最佳门限且引起非线性失真的问题，提出一种改进深度神经网络（DNN）的电力线脉冲噪声抑制与补偿算法。首先通过DNN锁定脉冲噪声的位置，然后采用置零法清除该位置的数据，最后对处理后的信号进行非线性失真重构与补偿，并与其它算法进行了仿真对比实验。仿真结果表明：所提算法提升了DNN的识别率，降低了系统误码率，具有较好的鲁棒性。关键词院电力线通信；智能电网；脉冲噪声；深度学习；人工智能；深度神经网络中图分类号院TN911.4文献标志码院A文章编号院1002-5561渊2023冤04-0067-06DOI院10.13921/ki.issn1002-5561.2023.04.013开放科学渊资源服务冤标识码渊OSID冤院引用本文院庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法J.光通信技术袁2023袁47渊4冤院67-72.0 引言随着国家野新基建冶的提出袁电力线通信渊PLC冤与无线通信尧车联网尧物联网尧可见光通信等领域深度融合袁共同构建野三合一冶的能源互联网袁使万物互联成为现实1遥 但电力线信道中的脉冲噪声渊IN冤严重影响着 PLC 系统的误码率渊BER冤性能2-3袁且在车载通信尧无线通信尧图像处理尧电缆老化监测等领域也都会遭受 IN 的干扰4遥IN 的抑制方法主要包括置零尧限幅等2袁4尧基于压缩感知技术5尧基于稀疏贝叶斯学习技术6尧基于多重信号分类法渊MUSIC冤技术7等方法遥 其中袁置零和限幅等非线性法最简单尧应用最广泛袁其门限依赖于 IN 先验信息的估计遥 文献8提出了一种自适应阈值计算方法袁但该方法需要估计的参数较多袁仅适用于幅度分布明显的噪声场景袁且会导致多载波系统中出现载波间干扰渊ICI冤问题9渊非线性失真冤遥 基于压缩感知技术虽然能解决非线性法依赖于噪声先验信息的难题袁但需要待恢复信号必须满足稀疏度的要求袁这在实际系统中难以做到遥 与基于压缩感知技术相比袁基于稀疏贝叶斯学习技术降低了稀疏度的要求袁 性能更好袁但其运算复杂度大袁不符合系统实时性要求遥 基于 MU鄄SIC 技术是通过引入 MUSIC 理论来估计 IN 的个数尧位置尧幅度等参数袁从而恢复出 IN袁在干扰严重的情况下能较好提升系统性能袁但计算过程过于复杂尧处理收稿日期院2023-01-29遥基金项目院国家电网有限公司科技项目渊E2020-77冤资助遥作者简介院庄元强渊1997要冤袁男袁山东泰安人袁硕士研究生袁 现就读于重庆邮电大学通信与信息工程学院电子与通信工程专业袁主要研究方向为电力线通信尧无线通信袁负责完成了国家电网有限公司科技项目1 项遥算 法 研 究輪輵訛2023 年第 4 期庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法时延较大袁无法应用于实际系统遥深度神经网络渊DNN冤正好解决了不同场景对噪声先验信息的估计问题遥 文献10利用带长短期记忆网络渊LSTM冤的卷积神经网络估计出有记忆 IN 模型的参数袁但其研究重点仅在 IN 检测袁未介绍抑制 IN 的方法遥 文献11利用 DNN 估计 IN 参数袁使用对数似然比技术较好地抑制了 IN袁但只能估计出预先设置区间内的参数值遥 文献12-13将深度学习方法应用到非正交多址接入系统中袁虽然有效地抑制了 IN袁但分类标签没有考虑无脉冲的情况袁容易损失有用信号遥 文献14利用 DNN 直接恢复受 IN 影响的发送符号袁证明了 DNN 在 IN 模型不匹配时也具有良好的鲁棒性袁但未提出抑制 IN 的方法遥 文献15使用支持向量机去除信号中的 IN袁 完成了复杂噪声中的频谱感知任务袁但研究的重点是频谱感知袁且只使用了高斯混合噪声模型对其进行验证遥 为了克服上述缺点袁文献16提出利用 DNN 检测 IN袁 再通过置零法去除这部分噪声数据袁但 DNN 识别率低袁且未考虑置零处理会导致非线性失真的问题遥因此袁本文提出一种改进 DNN 的电力线 IN 抑制与补偿算法袁进一步降低系统 BER遥1 PLC 系统模型PLC 系统中的 IN 在时域上具有持续时间短尧幅度大的特点袁可分为工频同步 IN尧工频异步 IN尧随机 IN3 类遥 为了便于分析袁IN 通常采用 Bernoulli-Gaussian渊BG冤3非连续噪声模型进行研究遥BG 模型具有数值分析简单的特点袁广泛应用于性能分析与通信系统的设计中遥PLC 接收端的接收信号为=+=+渊1冤其中袁=0袁1袁 噎袁-1曰 为信道脉冲响应袁为加入循环前缀的正交频分复用渊OFDM冤符号曰为均值为 0尧方差为2的加性高斯白噪声 渊AWGN冤曰为信道输出信号袁 为信道中的 IN遥2 算法设计本文提出的改进 DNN 的电力线 IN 抑制与补偿算法的结构由 DNN 检测尧置零处理尧非线性失真补偿3 个部分组成袁如图 1 所示遥发射端符号数据通过 OFDM 调制生成时域信号袁经过信道后到达接收端遥 接收端接收到信号后袁首先通过 DNN 检测判断信号中是否含有 IN袁 输出的神经网络信号为out遥 然后袁根据该信号判断是否需要进行置零操作遥若需要则经置零操作的输出信号为袁再对该信号进行非线性失真重构与补偿袁输出信号为曰 若不需要则直接输出袁 再通过快速傅里叶变换渊FFT冤变换为频域信号后进行处理遥2.1 DNN 检测本文使用的 DNN 结构包含 1 个输入层尧2 个隐藏层尧1 个输出层袁如图 2 所示遥 图中袁1尧2尧3表示神经网络各层的权重矩阵袁输出层后接 Softmax 层遥 采用后向传播算法和亚当渊Adam冤优化算法17对 DNN 进行训练遥图 1 改进 DNN 的电力线 IN 抑制与补偿算法结构图图 2 DNN 结构图算 法 研 究輪輶訛2023 年第 4 期1冤输入层遥 该层设置在网络的第一层袁共有 6 个神经元袁分别表示从接收信号中提取的 6 个特征院淤样点的幅度值遥于绝对差值排序渊ROAD冤值遥盂样点实部幅度与中值的差遥 榆样点实部幅度与上四分位点2的差遥 虞样点实部幅度与下四分位点1的差遥 愚样点的实部幅度遥 其中袁ROAD尧中值差尧四分位数差分别定义如下院音ROAD 计算过程如下院当前样点值与剩余样点值差的模值16为渊 冤=-1袁2袁噎袁-1袁+1袁噎袁蓘蓡渊2冤对 渊 冤按升序排列为渊 冤=sort渊 冤蓸蔀渊3冤对 渊 冤前一半的数据进行求和得到ROAD值为ROAD=渊-1冤/2=1移渊 冤渊4冤音中值差计算公式为=real渊 冤-medianreal1袁2袁噎袁 袁噎袁蓘蓡蓸蔀渊5冤音四分位数差计算公式为=real渊 冤-1渊6冤=real渊 冤-2渊7冤其中袁 表示与下四分位数1的差值袁表示与上四分位数2的差值遥将接收信号的实部幅度按从大到小的顺序进行排列袁并将数据进行四等分袁在 25%数据长度位置上的数就是下四分位数1袁在 75%数据长度位置上的数就是上四分位数2遥2冤隐藏层遥该层设置在网络的第二层与第三层袁分别由 20尧10 个神经元组成遥 将上一层神经元的输出进行加权组合后传递到一个非线性激活函数要要要线性整流渊ReLU冤函数袁即可获得该层中每个神经元的输出值遥3冤输出层遥该层设置在网络的第四层袁由 2 个神经元构成袁 其作用是将隐藏层神经元的输出进行加权组合之后直接传递给下一层遥 分类标签设置为有脉冲噪声与无脉冲噪声 2 种状态遥 为了便于神经网络较好地处理数据袁提升分类的准确性袁本文采用独热编码对这2 种状态进行分类遥4冤Softmax 层遥 该层设置在网络的最后一层袁作为网络最后的输出遥Softmax 层是对神经网络的输出结果进行一次换算袁将输出结果用概率的形式表现出来遥第个神经元经过 Softmax 层的概率输出值计算如下院=e=1移e渊8冤其中袁表示第个神经元的输入袁表示输出层神经元个数遥在 DNN 训练过程中袁相比基于均方误差渊MSE冤损失函数的方法袁 本文采用 Softmax 与交叉熵相结合的损失函数方法更好地衡量分类问题14袁如式渊9冤所示遥渊袁 冤=-1=1移ln渊 冤+渊1-冤ln渊1-冤蓘蓡+嗓2-1=1移=1移+1=1移2瑟渊9冤其中袁为损失函数袁尧 分别为神经网络的权重与偏置袁为训练样本个数袁为第层神经元的数量袁为正则化超参数 渊用于在训练阶段防止过拟合冤袁为标签值袁为 DNN 的预测值袁为神经网络中每个神经元的权重遥权重与偏置初始化的值影响着 DNN 的训练时间与识别率遥 根据文献19提出的 DNN 各层神经元的权重与偏置的初始化方法袁 本文将每一层的偏置尧权重按式渊10冤进行初始化遥-1姨袁1姨蓘蓡渊10冤其中袁-袁蓘蓡在区间渊-袁 冤均匀分布袁为本层神经元的个数遥2.2 置零及非线性失真补偿在 DNN 锁定 IN 位置后袁 采用置零法来清除该位置的数据遥 因此袁置零信号的输出信号可以表示为=袁out=00袁out=1嗓渊11冤其中袁out是 DNN 的输出袁0 表示当前样点没有 IN袁1表示当前样点有 IN遥传统置零法引起的非线性失真包括院 有用信号的幅度衰减和子载波间干扰9袁而且被置零的样点越多袁失真越严重遥因此袁本文对置零后的输出信号增加非线性失真补偿部分袁进一步提升系统性能遥为了降低系统计算的复杂度袁本文在时域上进行非线性失真重构与补偿袁结构框图如图 3 所示遥 首先袁经过置零操作的输出信号变换到频域信号曰然后袁经过均衡判决后得到判决符号袁再除以均衡系数后通过快速傅里叶逆变换渊IFFT冤变换到时域信号曰最后袁根据式渊12冤和式渊13冤重构出时域非线性失庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法算 法 研 究輪輷訛2023 年第 4 期真袁再利用式渊14冤得到补偿之后的信号遥 重复上述步骤以提升重构的精确度袁本文迭代次数设置为 2次遥当达到迭代次数时袁控制器输出最后一次补偿的信号遥=渊-1冤渊12冤=1袁out=00袁out=1嗓渊13冤渊 冤=-渊 冤渊14冤其中袁是根据 DNN 输出设置的序列曰 是重构过程的重复次数袁即迭代次数遥3 实验与分析3.1 数据预处理及训练数据集由于接收信号的幅度在不同信噪比渊SNR冤内是不同的袁 为了避免不同 SNR 信号的幅度变化过大的问题袁减轻由幅度不同引起的数据集偏差袁需要对接收信号按式渊15冤进行预处理遥=-渊15冤其中袁为预处理后的 OFDM 符号的样点值袁为OFDM 符号幅度的中值袁为 OFDM 符号幅度的标准差遥 中值在不同 IN 场景中比较稳定袁可以尽量保持原来信号的特征不变袁使 DNN 适应不同的 IN 场景遥对接收数据进行预处理后袁 再进行数据集获取遥训练数据集在需要研究的 SNR 与信号干扰比渊SIR冤范围内产生袁本文对所有 SNR 内的特征数据进行 Z 分数标准处理袁且对数据集内的样本进行随机打乱袁去除可能存在的因素影响遥 为了验证 DNN 模型在不同噪声环境中的鲁棒性袁训练集尧验证集数据在 SNR 为 012 dB尧SIR 为 0 dB尧 脉冲噪声发生概率=0.1 条件下生成袁 而测试集数据按 SNR 为 012 dB尧SIR 为 0 dB且=0.06尧0.11 产生遥实验时的 PLC 信道根据文献20所提的电力线信道模型进行设置遥3.2 实验结果分析本文使用 Matlab 搭建基于正交频分复用渊OFDM冤的仿真链路袁使用 Tensorflow 来建立 DNN 模型遥 计算机的配置为 i5-8250U CPU intel 内核尧4G 内存尧GPUGeForce MX130遥 根据 DNN 识别率尧系统 BER尧算法鲁棒性这 3 个指标对所提算法的性能进行评价遥部分仿真参数如表 1 所示遥其中袁表示背景噪声与脉冲噪声的功率比值曰 表示指产生脉冲噪声的分量个数曰表示产生的脉冲噪声的方差遥3.2.1 DNN 识别率增加输入特征和对接收数据进行预处理将有助于提升 DNN 的识别率袁通过以下四步来逐级验证遥DNN 的识别率如图 4 所示遥 野第一步冶是指文献16所提 DNN 对 IN 的识别率遥 野第二步冶是在文献16所提 DNN 的基础上增加 3 个输入特征得到的识别率遥 野第三步冶是在野第二步冶的基础上袁在输出层后接 Softmax 层得到的识别率遥 野第四步冶是在野第三步冶的基础上袁对接收数据进行预处理得到的识别率遥可以看出袁 当 DNN 收敛时袁野第二步冶 网络识别率比野第一步冶提升了2.59%曰野第三步冶的识别率比野第二步冶提升了 0.48%曰野第四步冶的识别率与野第三步冶相差不大袁但是野第四步冶的DNN 在第 13 个 epoch 左右就能收敛袁比野第三步冶大约少 63 个 epoch袁大大提升了 DNN 的收敛速度遥 这说明增加输入特征有助于提升网络识别率袁 对接收数据进行预处理有助于加快DNN 的收敛速度遥3.2.2 系统 BER为验证所提算法的 BER 性能袁本文将所提算法与传统置零法和文献16算法进行对比遥 传统置零法的门限获取过程如下院庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法图 3 非线性失真补偿框图参数名称值子载波间隔/kHz24.414FFT 点数1024数据子载波位置81袁491蓘蓡调制模式QPSK循环前缀点数/个512学习率0.001正则化超参数0.001批量大小尧迭代次数渊epoch冤700尧100米德尔顿 A 类渊MCA冤=0.1袁=10高斯混合模型渊GMM冤=10尧100尧1 000表 1 部分仿真参数算 法 研 究輫輮訛2023 年第 4 期首先袁采用矩估计的方法获得 IN 的参数袁令 尧和分别表示接收信号的多阶矩估计期望值袁分别如式渊16冤式渊18冤所示遥=仔2姨嗓瑟渊16冤=2嗓瑟渊17冤=2仔4姨3嗓瑟渊18冤其中袁 是与相对应的随机变量遥 因此袁标准差1和2可以表示为1=-+渊-冤2-4渊2-冤渊2-冤姨2渊2-冤渊19冤2=-渊-冤2-4渊2-冤渊2-冤姨2渊2-冤渊20冤然后袁利用最优阈值对接收信号进行置零处理遥最优阈值表达式如式渊21冤所示遥opt=2122222-12姨ln21蓸蔀渊21冤当 SIR 为 0 dB尧=0.06 时袁BG 噪声模型下系统BER 曲线图如图 5 所示遥 野AWGN冶表示发射信号只受AWGN 影响时系统的 BER 曲线袁野传统置零法冶是利用式渊21冤对信号进行置零处理的算法袁野未处理冶表示不对 IN 进行处理遥 可以看出袁在 BER 为 10-3左右时袁本文算法所需的 SNR 要优于 野传统置零冶 算法 4 dB 左右袁优于文献16算法 2 dB 左右遥 因此袁与其它算法相比袁本文算法需要的 SNR 较低遥3.2.3 算法鲁棒性本文采用 GMM3与 MCA3非连续噪声模型进行研究遥 GMM 将 IN 表示为几个高斯分量的组合袁而 MCA模型能够描述大部分实际场景中系统性能的损失袁且仅需要少量参数袁有助于理论研究遥系统 BER 曲线分别如图 6尧 图 7 所示遥 由图 6 可知袁当 SIR 为 0 dB尧=0.11 且 BER 为 10-3时袁本文算法所需信号与干扰噪声比渊SINR冤优于传统置零算法2 dB 以上袁优于文献16算法 24 dB遥 由图7 可知袁在不同 IN 模型数据下袁本文算法所需的 SINR 优于文献16算法 2 dB 左右遥 综上所述袁本文算法的性能具有较高的优越性遥庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法图 5 在 BG 噪声模型下系统的 BER 曲线图渊a冤 BG 噪声模型图 4 DNN 识别率对比渊b冤 MCA 噪声模型图 6 系统在 2 种噪声模型下的 BER 曲线图算 法 研 究輫輯訛2023 年第 4 期4 结束语本文结合 DNN 和非线性失真补偿方法袁 提出了一种改进 DNN 的电力线 IN 抑制与补偿算法袁解决了IN 先验信息的估计和置零引起的非线性失真的问题遥仿真结果表明院 所提算法提升了神经网络的识别率袁降低了系统 BER袁具有较好的鲁棒性遥参考文献院1王子坤.基于机器学习的电力通信网切片资源分配与脉冲噪声削减方法D.南京院南京理工大学袁2021.2谭周文.基于OFDM的低压电力线通信噪声抑制方法研究D.长沙院湖南大学袁2018.3 BAI T,ZHANG H,WANG J,et al.Fifty years of noise modeling andmitigation in power-line communications J.IEEE Communications Sur-veys&Tutorials,2020,23渊1冤:41-69.4吕新荣.低压电力线通信系统抗干扰的理论与方法研究D.宁波院宁波大学袁2019.5 CAIRE G,AL-NAFFOURI T Y,NARAYANAN A K.Impulse noisecancellation in OFDM:an application of compressed sensing C/IEEE.Proceedings of 2008 IEEE International Symposium on Information Theo-ry.Toronto:IEEE,2008:1293-1297.6 LIN J,NASSAR M,EVANS B L.Impulsive noise mitigation in power-line communications using sparse Bayesian learning J.IEEE Journal onSelected Areas in Communications,2013,31渊7冤:1172-1183.7 SHRESTHA D.Impulsive noise cancellation and channel estimation inpower line communication systems D.Barcelona:Universitat Politecnicade Catalunya,2019.8 NDO G,SIOHAN P,HAMON M H.Adaptive noise mitigation in im-pulsive environment:application to power-line communications J.IEEETransactions on Power Delivery,2010,25渊2冤:647-656.9申敏袁李飞袁张恒.一种改进的电力线通信系统脉冲噪声抑制方法J.电讯技术袁2018袁58渊1冤院46-51.10 ISAC A,SELIM B,SOBHANIGAVGANI Z,et al.Impulsive noise pa-rameter estimation:A deep CNN-LSTM network approach C/IEEE.Pro-ceedings of 2021 4th International Conference on Advanced Communica-tion Technologies and Networking渊CommNet冤.Rabat:IEEE,2021:1-6.11 SELIM B,ALAM M S,KADDOUM G,et al.A deep learning ap-proach for the estimation of Middleton class-A impulsive noise parametersC/IEEE.Proceedings of International Conference on Communications渊ICC冤.Dublin:IEEE,2020:1-6.12 HUSSAIN M,SHAKIR H,RASHEED H.Deep learning approachesfor impulse noise mitigation and classification in NOMA-based systemsJ.IEEE Access,2021,9:143836-143846.13 SELIM B,ALAM M S,EVANGELISTA J V C,et al.NOMA-basedIoT networks:impulsive noise effects and mitigationJ.IEEE Communica-tions Magazine,2020,58渊11冤:69-75.14 TSENG D F,LIN C S.A study of neural network receivers in OFDMsystemssubjecttomemorylessimpulsenoise C/IEEE.Proceedingsof202130th Wireless and Optical Communications Conference渊WOCC冤.Taipei:IEEE,2021:16-20.15卢致坚.脉冲噪声下基于支持向量机的频谱感知技术研究D.广州院广东工业大学袁2022.16 BARAZIDEH R,NIKNAM S,NATARAJAN B.Impulsive noise de-tection in OFDM-based systems:a deep learning perspectiveC/IEEE.Pro-ceedings of 2019 IEEE 9th Annual Computing and Communication Work-shop and Conference渊CCWC冤.Las Vegas:IEEE,2019:0937-0942.17 KINGMA D P,BA J.Adam:a method for stochastic optimizationEB/OL.渊2017-01-30冤2023-01-29.https:/arxiv.org/abs/1412.6980v6.18 BARAZIDEH R,NIKITIN A V,NATARAJAN B.Practical impleme-ntation of adaptive analog nonlinear filtering for impulsive noise mitigationC/IEEE.Proceedings of 2018 IEEE International Conference on Commu-nications渊ICC冤.Kansas City:IEEE,2018:1-7.19 GLOROT X,BENGIO Y.Understanding the difficulty of training deepfeedforward neural networks C/IEEE.Proceedings of Proceedings of theThirteenth International Conference on Artificial Intelligence and Statistics.JMLR Workshop and Conference Proceedings.Sardinia:IEEE,2010:249-256.20 ZIMMERMANN M,DOSTERT K.A multipath model for the power-line channelJ.IEEE Transactions on Communications,2002,50渊4冤:553-559.图 7 MCA 模型训练的 DNN 在 GMM 下测试的 BER庄元强,申敏.改进深度神经网络的电力线脉冲噪声抑制与补偿算法算 法 研 究輫輰訛