一种工频通信信道状态评估系统和方法

摘要

本发明属于工频通信信道状态分析算法技术领域，尤其涉及一种工频通信信道状态评估方法，包括：通过采集不同电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声等影响工频通信信道质量的数据，建立工频通信信道质量评估数据存储和共享平台，在此基础上对数据进行挖掘与计算，并利用Adaboost集成学习算法，通过专家分析系统和基于深度学习的神经网络算法综合评估多种参数下工频通信信道状态。本发明相对于传统单一、固定不变的信道状态评估方法，可以根据影响因素的变化不断学习优化评估模型，得到更加准确的信道状态。

权利要求

1.一种工频通信信道状态评估方法，其特征在于，包括如下步骤：

S1，采集影响工频通信信道状态的参数，建立所述工频通信信道状态的参数数据存储和共享平台；

S2，利用粗糙集理论划分所述工频通信信道状态的参数的数据集，构造多变量决策树，得到专家分析评估结果；所述构造多变量决策树的检验步骤为：(1)计算条件属性集C相对于决策属性集D的核，即CORED(C)；若CORED(C)＝C∩D，则转(2)；否则，不妨设CORED(C)＝{a1,a2,...,ak}，转(3)；(2)用ID3的方法选择一个最佳属性，作为该核的检验；(3)令P＝a1∧a2∧...∧ak，计算P相对于D的泛化GEND(P)，将它作为该核的检验；所述多变量决策树算法将把GEND(P)作为决策树的根，然后根据属性的值，把对象分成不同的子集，对每一个子集将以类似的方式导出一棵树，建立基于递归神经网络(RNN)的误差预测模型，收集工频通信信道状态参数数据，利用因子分析算法提取信道状态影响要素，设计每类信道状态影响要素样本以及编码，利用递归神经网络建立影响要素与信道质量之间的映射关系，并在所得映射关系基础上，对工频通信信道状态进行评估；

S3，提取电力线特征参数和所述信道状态的参数，建立所述信道状态的参数与所述信道状态之间的映射关系，并根据所述映射关系得到工频通信信道状态的递归神经网络预测结果；

S4，利用AdaBoost集成学习方法对所述专家分析评估结果和所述递归神经网络预测结果训练进行评价，构建最终决策模型，得到所述工频通信信道状态的评估最终结果，所述构建最终决策模型的算法：一个信息系统S定义为一个四元组S＝，其中U为论域；A为所有属性的集合，它进一步可分为条件属性C和决策属性D，V＝UP∈AVp是属性P的值域：f:U×A→V，Vp称为一个信息函数。

2.根据权利要求1所述方法，其特征在于，所述影响工频通信信道状态的参数具体包括：电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型和电力线噪声强度。

3.根据权利要求1所述方法，其特征在于，所述工频通信信道状态的评估最终结果具体包括：优、良、差。

4.根据权利要求1所述方法，其特征在于，所述步骤S4还包括：利用AdaBoost集成学习方法，以检出率和误判率为限定条件，利用加权投票机制构建最终的决策模型，得到所述工频通信信道状态的评估最终结果。

说明书

一种工频通信信道状态评估系统和方法

技术领域

[0001] 本发明属于工频通信信道状态分析算法的技术领域，尤其涉及一种工频通信信道状态评估系统和方法。

背景技术

[0002] 电力线载波通信利用现有的低压配电网线路作为通信信道的传输介质，有效减少了通信线路初期的架设成本和后期维护费用，降低了设备安装和调试的难度。但由于配电网络并不是为通信而架设的专用线路，其开放的线路环境、复杂网络结构和多变的负载特性，使得信道环境具有高噪声、高衰减和阻抗不匹配等特性。

[0003] 目前针对工频通信信道状态的研究主要集中在电力线信道噪声及信道数学建模等方面，对工频通信信道状态的评估方法研究较少。且常规的工频通信信道状态评估的方法单一、固定不变，不能根据影响因素的变化不断学习优化评估模型，信道状态误差较大。

发明内容

[0004] 针对上述问题，本发明提出了一种工频通信信道状态评估系统和方法。

[0005] 一种工频通信信道状态评估方法，其特征在于，包括如下步骤：

[0006] S1，采集影响工频通信信道状态的参数，建立所述工频通信信道状态的参数数据存储和共享平台；

[0007] S2，利用粗糙集理论划分所述工频通信信道状态的参数的数据集，构造多变量决策树，得到专家分析评估结果；

[0008] S3，提取电力线特征参数和所述信道状态的参数，建立所述信道状态的参数与所述信道状态之间的映射关系，并根据所述映射关系得到工频通信信道状态的RNN预测结果；

[0009] S4，利用AdaBoost集成学习方法对所述专家分析评估结果和所述RNN预测结果训练进行评价，构建最终决策模型，得到所述工频通信信道状态的评估最终结果。

[0010] 所述影响工频通信信道状态的参数具体包括：电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型和电力线噪声强度。

[0011] 所述工频通信信道状态的评估最终结果具体包括：优、良、差。

[0012] 所述步骤S4还包括：利用AdaBoost集成学习方法，以检出率和误判率为限定条件，利用加权投票机制构建最终的决策模型，得到所述工频通信信道状态的评估最终结果。

[0013] 一种工频通信信道状态评估系统，其特征在于，包括如下模块：

[0014] 数据采集与存储模块，用于采集影响工频通信信道状态的参数，建立所述工频通信信道状态的参数数据存储和共享平台；

[0015] 多变量决策树的专家评估模块，用于利用粗糙集理论划分所述工频通信信道状态的参数的数据集，构造多变量决策树，得到专家分析评估结果；

[0016] 递归神经网络(RNN)误差预测模块，提取电力线特征和所述信道状态的参数，建立所述信道状态的参数与所述信道状态之间的映射关系，并根据所述映射关系得到工频通信信道状态的RNN预测结果；

[0017] 综合评估模块，用于利用AdaBoost集成学习方法对所述专家分析评估结果和所述RNN预测结果训练进行评价，构建最终决策模型，得到所述工频通信信道状态的评估最终结果。

[0018] 所述影响工频通信信道状态的参数具体包括：电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型和电力线噪声强度。

[0019] 所述工频通信信道状态的评估最终结果具体包括：优、良、差。

[0020] 所述综合评估模块还包括：判定模块，用于利用AdaBoost集成学习方法，以检出率和误判率为限定条件，利用加权投票机制构建最终的决策模型，得到所述工频通信信道状态的评估最终结果。

[0021] 本发明的有益效果在于：

[0022] 构建一套能够针对电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声等多种影响因素进行综合评估工频通信信道状态方法，对于建设信道状态良好的电力线路、建立质量良好的电力线工频通信信道，提高工频通信信道状态、保障电力线工频通信质量具有重要意义。本发明结合工频通信信道状态评估的需求，采用深度学习与神经网络相结合并基于AdaBoost的自适应集成学习算法进行工频通信信道综合评估，能够有效改善工频通信信道状态评估准确度与智能化。同时，在评估过程中能够不断的自我学习，实时调整评估模型，对于不断变化的工频通信信道环境下工频通信信道状态评估具有很强的适应性。

附图说明

[0023] 图1是RNN拓扑结构图；

[0024] 图2是本发明的工频通信信道状态评估系统结构图。

具体实施方式

[0025] 下面结合附图，对实施例作详细说明。

[0026] 实施例一：

[0027] 一种工频通信信道状态评估方法包括：首先，通过采集电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等多种影响工频通信信道状态的参数，建立海量工频通信信道状态的参数数据存储和共享平台，为应用基于神经网络和深度学习等模式识别算法进行工频通信信道状态评估提供数据支持。系统评估方法具体利用具有自适应特性的集成学习模型AdaBoost对多种不同的工频通信信道状态评估方法(如基于多变量决策树的专家诊断评估模型和基于递归神经网络的故障预测模型等)的评估结果进行评价、权重调节、求和最终决策，得到工频通信信道状态评估的最终结果(如工频通信信道状态优、良、差三个评估结果)。工频通信信道状态评估系统利用大数据计算平台实现“基于多变量决策树的专家诊断评估模型”、“基于递归神经网络(RNN)的故障预测模型”和“基于AdaBoost的自适应集成学习模型”的计算分析，对多种不同评估方法的结果进行分类计算，实现用工频通信信道状态可视化和智能感知。

[0028] 与实施例一的方法相对应的，一种工频通信信道状态评估系统，该系统包括：数据采集与存储模块，通过采集电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等多种影响工频通信信道状态的参数，建立海量工频通信信道状态的参数数据存储和共享平台，为应用基于神经网络和深度学习等模式识别算法进行工频通信信道状态评估提供数据支持。系统评估模块包括，综合评估模块，具体利用具有自适应特性的集成学习模型AdaBoost对多种不同的工频通信信道状态评估方法(基于多变量决策树的专家诊断评估模型的多变量决策树的专家评估模块和基于递归神经网络的故障预测模型的递归神经网络(RNN)误差预测模块)的评估结果进行评价、权重调节、求和最终决策，得到工频通信信道状态评估的最终结果(如工频通信信道状态优、良、差三个评估结果)。工频通信信道状态评估系统利用大数据计算平台实现“基于多变量决策树的专家诊断评估模型”、“基于递归神经网络(RNN)的故障预测模型”和“基于AdaBoost的自适应集成学习模型”的计算分析，对多种不同评估方法的结果进行分类计算，实现用工频通信信道状态可视化和智能感知。

[0029] 实施例二：

[0030] 一种工频通信信道状态评估方法包括：首先基于工频通信信道状态的参数数据库，分析电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等数据集，研究基于多变量决策树的专家评估模型，利用粗糙集理论划分电力线采集所得的数据集，选择最有利的变量集合，构造多变量决策树；然后，研究基于递归神经网络(RNN)的误差预测模型，提取电力线特征及信道状态影响要素，建立影响要素与信道状态之间的映射关系，根据映射预测工频通信信道状态；最后，在得到专家分析评估结果和RNN预测结果的基础上，利用AdaBoost集成学习方法，以检出率和误判率为限定条件，利用加权投票机制构建最终的决策模型，实现对工频通信信道状态的最终评估，得到工频通信信道状态的评估最终结果。其中，上述评估模型的方法具体包括如下三个步骤：

[0031] 1)建立基于多变量决策树的专家分析评估模型

[0032] 以采集到的工频通信信道状态参数数据为目标数据集，利用粗糙集理论，按照电力线参数类型划分目标数据集，对每种电力线参数进行多组实验样本分析后，确定电力线参数特征样本，求出最有利于分类的变量集合，构造多变量决策树，在多变量决策树的某一结点上可以同时检验多个属性,产生新的、更相关的属性,以及修改或去掉初始提供的不相关的属性。利用相对核和相对泛化理论，针对决策属性的选择、构造和优化方法进行研究，以此为基础，提取规则，建立基于多变量决策树的专家工频通信信道状态评估模型。

[0033] 以下是从所得的工频通信信道参数数据中构造出具体决策树模型的算法：形式上，一个信息系统S定义为一个四元组S＝。其中U为论域；A为所有属性的集合，它进一步可分为条件属性C和决策属性D，V＝UP∈AVp是属性P的值域：f:U×A→V，Vp称为一个信息函数。

[0034] 构造多变量检验的步骤为：

[0035] (1)计算条件属性集C相对于决策属性集D的核，即CORED(C)；

[0036] 若CORED(C)＝C∩D，则转(2)；

[0037] 否则，不妨设CORED(C)＝{a1,a2,...,ak}，转(3)；

[0038] (2)用ID3的方法选择一个最佳属性，作为该结点的检验；

[0039] (3)令P＝a1∧a2∧...∧ak，计算P相对于D的泛化GEND(P)，将它作为该结点的检验。

[0040] 本算法将把GEND(P)作为决策树的根，然后根据属性的值，把对象分成不同的子集，对每一个子集将以类似的方式导出一棵树。

[0041] 2)建立基于递归神经网络(RNN)的误差预测模型

[0042] 收集工频通信信道状态参数数据，利用因子分析算法提取信道状态影响要素，设计每类信道状态影响要素样本以及编码，利用递归神经网络建立影响要素与信道质量之间的映射关系，并在所得映射关系基础上，对工频通信信道状态进行评估。

[0043] 图1为三层RNN拓扑结构图，它由输入层(个节点)、隐含层(个节点)及输出层(个节点)组成。其中，隐层节点不仅接收来自输入层的输出信号，还接收自身延时的输出信号。

[0044] Xi(h)是在时间h的第i个隐层节点输入，Bj(h)是在时间h的第j个隐层节点的输出，Y(h)为N3维输出向量。该网络可描述为：

[0045]

[0046] Bj(h)＝f(Sj(h))    (2)

[0047]

[0048] 其中:WI，WR，Wo分别为从输入层到隐含层、回归信号、从隐含层到输出层的权系数；分别为隐含层和输出层上的偏差单元的权系数；f(·)为sigmoid函数。T、U分别为网络中预先设定的输出层和隐含层的偏差值。

[0049] 在本专利中，利用工频通信信道状态影响要素构建输入层，信道状态影响要素编码作为输出层，经过训练而成RNN，建立信道状态评估模型。

[0050] 3)建立基于AdaBoost的自适应集成学习模型

[0051] 以工频通信信道状态参数数据为基础，随机选取训练数据，将专家分析评估模型和RNN误差预测模型分别作为前期训练的弱分类器，以每次检出率和误判率为加权限定条件，将加权后选取的训练数据代替随机选取的训练样本，将焦点集中在比较难分的数据上，重复训练专家分析评估模型和RNN误差预测模型，利用加权投票机制调整专家分析评估模型和RNN误差预测模型在最终决策模型中的权重，构建可自动学习的强分类器，大大提高工频通信信道状态评估系统准确率。

[0052] AdaBoost算法的具体步骤如下：

[0053] 步骤1.给定训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；

[0054] 步骤2.初始化样本权重为1/n，即为训练样本的初始概率分布；

[0055] 步骤3.第一次迭代：

[0056] (1)训练样本的概率分布相当下，训练弱分类器；

[0057] (2)计算弱分类器的错误率；

[0058] (3)选取合适阈值，使得误差最小；

[0059] (4)更新样本权重；更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。

[0060] 经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到强分类器。

[0061] 与实施例二的方法相对应的，一种工频通信信道状态评估系统包括：数据采集与存储模块，用于基于工频通信信道状态的参数数据库，分析电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等数据集，研究基于多变量决策树的专家评估模型，利用粗糙集理论划分电力线采集所得的数据集，选择最有利的变量集合，构造多变量决策树；然后，研究基于递归神经网络(RNN)的误差预测模型，提取电力线特征及信道状态影响要素，建立影响要素与信道状态之间的映射关系，根据映射预测工频通信信道状态；最后，在得到专家分析评估结果和RNN预测结果的基础上，利用AdaBoost集成学习方法，以检出率和误判率为限定条件，利用加权投票机制构建最终的决策模型，实现对工频通信信道状态的最终评估，得到工频通信信道状态的评估最终结果。其中，上述评估模型的系统具体包括如下三个模块：

[0062] 1)多变量决策树专家分析评估模块

[0063] 以采集到的工频通信信道状态参数数据为目标数据集，利用粗糙集理论，按照电力线参数类型划分目标数据集，对每种电力线参数进行多组实验样本分析后，确定电力线参数特征样本，求出最有利于分类的变量集合，构造多变量决策树，在多变量决策树的某一结点上可以同时检验多个属性,产生新的、更相关的属性,以及修改或去掉初始提供的不相关的属性。利用相对核和相对泛化理论，针对决策属性的选择、构造和优化方法进行研究，以此为基础，提取规则，建立基于多变量决策树的专家工频通信信道状态评估模型。

[0064] 以下是从所得的工频通信信道参数数据中构造出具体决策树模型的算法：形式上，一个信息系统S定义为一个四元组S＝。其中U为论域；A为所有属性的集合，它进一步可分为条件属性C和决策属性D，V＝UP∈AVp是属性P的值域：f:U×A→V，Vp称为一个信息函数。

[0065] 构造多变量检验的步骤为：

[0066] (1)计算条件属性集C相对于决策属性集D的核，即CORED(C)；

[0067] 若CORED(C)＝C∩D，则转(2)；

[0068] 否则，不妨设CORED(C)＝{a1,a2,...,ak}，转(3)；

[0069] (2)用ID3的方法选择一个最佳属性，作为该结点的检验；

[0070] (3)令P＝a1∧a2∧...∧ak，计算P相对于D的泛化GEND(P)，将它作为该结点的检验。

[0071] 本算法将把GEND(P)作为决策树的根，然后根据属性的值，把对象分成不同的子集，对每一个子集将以类似的方式导出一棵树。

[0072] 2)递归神经网络(RNN)误差预测模块

[0073] 收集工频通信信道状态参数数据，利用因子分析算法提取信道状态影响要素，设计每类信道状态影响要素样本以及编码，利用递归神经网络建立影响要素与信道质量之间的映射关系，并在所得映射关系基础上，对工频通信信道状态进行评估。

[0074] 图1为三层RNN拓扑结构图，它由输入层(个节点)、隐含层(个节点)及输出层(个节点)组成。其中，隐层节点不仅接收来自输入层的输出信号，还接收自身延时的输出信号。

[0075] Xi(h)是在时间h的第i个隐层节点输入，Bj(h)是在时间h的第j个隐层节点的输出，Y(h)为N3维输出向量。该网络可描述为：

[0076]

[0077] Bj(h)＝f(Sj(h))    (2)

[0078]

[0079] 其中:WI，WR，Wo分别为从输入层到隐含层、回归信号、从隐含层到输出层的权系数；分别为隐含层和输出层上的偏差单元的权系数；f(·)为sigmoid函数。T、U分别为网络中预先设定的输出层和隐含层的偏差值。

[0080] 在本专利中，利用工频通信信道状态影响要素构建输入层，信道状态影响要素编码作为输出层，经过训练而成RNN，建立信道状态评估模型。

[0081] 3)AdaBoost的自适应集成学习模块，即综合评估模块

[0082] 以工频通信信道状态参数数据为基础，随机选取训练数据，将专家分析评估模型和RNN误差预测模型分别作为前期训练的弱分类器，以每次检出率和误判率为加权限定条件，将加权后选取的训练数据代替随机选取的训练样本，将焦点集中在比较难分的数据上，重复训练专家分析评估模型和RNN误差预测模型，利用加权投票机制调整专家分析评估模型和RNN误差预测模型在最终决策模型中的权重，构建可自动学习的强分类器，大大提高工频通信信道状态评估系统准确率。

[0083] AdaBoost算法的具体步骤如下：

[0084] 步骤1.给定训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；

[0085] 步骤2.初始化样本权重为1/n，即为训练样本的初始概率分布；

[0086] 步骤3.第一次迭代：

[0087] (1)训练样本的概率分布相当下，训练弱分类器；

[0088] (2)计算弱分类器的错误率；

[0089] (3)选取合适阈值，使得误差最小；

[0090] (4)更新样本权重；更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。

[0091] 经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到强分类器。

[0092] 此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。