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：

i

其中b

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r

r

其中s

步骤2-2、将脉冲噪声产生的序列作为神经网络标签，即b

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)

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

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

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。