[发明专利]一种利用神经网络进行电力线系信道估计的方法

权利要求书

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；

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；

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。

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。