信号处理的方法及装置制造方法及图纸

本申请涉及人工智能技术领域，且涉及电力线通信中的信号处理的方法，包括：获取包含脉冲噪声的信号片段，信号片段包括至少一个采样点；将信号片段输入神经网络模型得到降噪参数；根据降噪参数对至少一个采样点进行降噪处理。神经网络模型为本地神经网络模型时还包括：发送信号片段到云端设备；信号片段用于云端设备训练神经网络模型，神经网络模型的输入为信号片段、输出为降噪参数；接收云端设备所训练的神经网络模型的参数；根据神经网络模型的参数构建本地神经网络模型。通过终端与云端的结合，可以实现算力有限的终端能快速构建神经网络模型，并据此模型得到降噪所需降噪参数，以据此参数对电力线通信中的脉冲噪声进行降噪处理。降噪处理。降噪处理。

【技术实现步骤摘要】
信号处理的方法及装置


[0001]本专利技术涉及通信
，尤其涉及电力线通信中的信号处理的方法及装置、计算设备和计算机可读存储介质。

技术介绍

[0002]随着人民生活水平的日益提高，人们对通信的延迟、速度、质量、稳定性等的要求也越来越高。由于可用的频谱有限，移动网络的容量也不能无限制的提高。一些学者提出使用电力线来进行通信，即电力线通信(Power Line Communication，PLC)。电力线广泛存在于大中小城市中，如果能够充分利用，PLC的前景将很广阔。另外，PLC与其它通信手段独立，不会降低无线通信与有线通信的通信质量。
[0003]与传统的无线通信相比，PLC的通信环境十分恶劣，其不仅包含加性高斯白噪声(Additive White Gaussian Noise，AWGN)，还包括有色背景噪声、工频噪声、周期性脉冲噪声等。这些噪声会严重降低PLC通信的传输速度，加大误码率，对通信质量造成很大影响。这其中，功率最高、对通信影响最大的是脉冲噪声。对于脉冲噪声降噪，常用的方法中均需设定参数，比如切顶法与置零法的门限。然而，降噪算法的最优参数的获取对于PLC系统往往比较困难。出于经济成本的考虑，PLC的发射机与接收机终端往往计算能力较弱，计算量较大的暴力搜索等降噪算法往往所需时间较长，达不到实时降噪的需求。
[0004]综上所述，为了提高通信的质量与速度，需要提供一种能够快速的得到降噪所需降噪参数，以据此参数抑制电力线通信信道的脉冲噪声的方法。

技术实现思路

[0005]鉴于现有技术的以上问题，本申请提供了一种信号处理的方法及装置、计算设备和计算机可读存储介质，可以实现在电力线通信设备中快速的得到降噪所需降噪参数，以据此参数抑制电力线通信信道的脉冲噪声。
[0006]为达到上述目的，本申请第一方面提供了一种信号处理的方法，包括：
[0007]获取包含脉冲噪声的信号片段，信号片段包括至少一个采样点；
[0008]将信号片段输入神经网络模型得到降噪参数；
[0009]根据降噪参数对至少一个采样点进行降噪处理。
[0010]由上，本申请方法适用于电力线通信中，能够在实际应用中算力有限的电力线通信设备里，通过所具有的神经网络可以快速求解出所需的降噪参数，从而实现对电力线通信的实时的降噪处理。
[0011]作为第一方面的一种可能的实现方式，神经网络模型为本地神经网络模型时，方法还包括：
[0012]发送信号片段到云端设备；信号片段用于云端设备训练神经网络模型，神经网络模型的输入为信号片段、输出为降噪参数的神经网络模型；
[0013]接收云端设备所训练的神经网络模型的参数；
[0014]根据神经网络模型的参数构建本地神经网络模型。
[0015]由上，通过云端与电力线通信设备的终端相结合的框架，通过云端设备进行快速的神经网络模型的训练，并将训练后的神经网络模型参数提供给终端，使终端可以根据参数快速重建神经网络模型，并使用该神经网络模型获得降噪参数，用于高速电力线通信的降噪。通过云端与终端结合，能有效解决终端算力有限的问题，并且消噪性能有一定的提升空间。
[0016]作为第一方面的一种可能的实现方式，信号片段为经降采样后的信号片段；
[0017]降采样后的信号片段保留有脉冲噪声的峰值点。
[0018]可选的，可以是由电力线通信设备的终端对获取的信号片段执行降采样，也可以由云端设备对终端传输的信号片段执行降采样，对于前者可以降低终端与云端设备传输的数据量。由上，通过降采样方法可以提高云端对神经网络模型的训练速度，另一方面也可以减小网络规模，更适用于电力线通信设备。或者，另一方面，能够减少作为神经网络模型输入的数据量，从而可以采用较多网络层的神经网络模型，以使得训练后的该神经网络模型效果更好。
[0019]作为第一方面的一种可能的实现方式，降采样包括采用局部最大值降采样算法进行降采样，包括：
[0020]获取信号片段包括的各子片段；
[0021]获取每个子片段中信号幅值为最大值的一个采样点，各子片段的各采样点构成降采样后的信号片段。
[0022]由上，上述降采样方法适用于如图6B所示的脉冲噪声干扰为点状脉冲噪声的情况，也即每个脉冲只影响信号片段的一个采样点，需要在降采样过程需将所有被点状脉冲影响的采样点保留下来的情况。由于考虑了脉冲噪声的特点，进而采用对应的降采样方法，从而可以更多的保留用于神经网络训练的有效信号。
[0023]作为第一方面的一种可能的实现方式，降采样包括采用全局最大值加窗降采样算法进行降采样，包括：
[0024]获取信号片段中信号幅值为最大值的采样点；
[0025]获取信号片段中包含信号幅值为最大值的采样点的连续的多个采样点，连续的多个采样点构成降采样信号。
[0026]由上，上述降采样方法适用于如图6C所示的脉冲噪声干扰为簇状脉冲噪声，也即每个脉冲将影响信号片段的多个采样点，每个脉冲具有“拖尾”部分，需要在降采样过程尽可能将所有被簇状脉冲影响的采样点保留下来的情况。由于考虑了脉冲噪声的特点，进而采用对应的降采样方法，从而可以更多的保留用于神经网络训练的有效信号。
[0027]作为第一方面的一种可能的实现方式，发送包括：
[0028]对各个信号片段进行缓存；
[0029]到达某个时间节点后发送缓存的各个信号片段到云端设备。
[0030]由上，通过设置时间点，尤其时间节点可以是不影响用户上网的时间，例如可以是在凌晨2:00
‑
4:00用户处于睡眠的时间之间，信号片段的数据传输可以对用户上网干扰最小化。
[0031]作为第一方面的一种可能的实现方式，降噪参数包括第一降噪参数和/或第二降
噪参数；
[0032]第一降噪参数作为第一门限值，用于对信号幅值超过第一门限值的信号进行切顶的降噪处理；
[0033]第二降噪参数作为系数，与第一降噪参数的乘积作为第二门限值，用于对信号幅值超过第二门限值的信号置零的降噪处理，第二降噪参数大于1。
[0034]由上，通过本申请可以快速得到上述降噪参数，从而可以应用于使用三段式法进行电力线通信脉冲噪声抑制。
[0035]为达到上述目的，本申请第二方面提供了一种信号处理的方法，包括：
[0036]接收信号片段；信号片段包含脉冲噪声，且信号片段包括至少一个采样点；
[0037]使用信号片段训练神经网络模型，神经网络模型的输入为信号片段、输出为降噪参数的神经网络模型；
[0038]将所训练的神经网络模型的参数发送到终端设备。
[0039]由上，通过云端与电力线通信设备的终端相结合的框架，通过云端设备进行快速的神经网络模型的训练，并将训练后的神经网络模型参数提供给终端，使终端可以根据参数快速重建神经网络模型，并使用该神经网络模型获得降噪参数，用于高速电力线通信的降噪。通过云端与终端结合，能有效解决终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号处理的方法，其特征在于，包括：获取包含脉冲噪声的信号片段，所述信号片段包括至少一个采样点；将所述信号片段输入神经网络模型得到降噪参数；根据所述降噪参数对所述至少一个采样点进行降噪处理。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型为本地神经网络模型时，所述方法还包括：发送所述信号片段到云端设备；所述信号片段用于云端设备训练神经网络模型，所述神经网络模型的输入为所述信号片段、输出为所述降噪参数的神经网络模型；接收云端设备所训练的神经网络模型的参数；根据所述神经网络模型的参数构建所述本地神经网络模型。3.根据权利要求1或2所述的方法，其特征在于：所述信号片段为经降采样后的信号片段；所述降采样后的信号片段保留有所述脉冲噪声的峰值点。4.根据权利要求3所述的方法，其特征在于，所述降采样包括采用局部最大值降采样算法进行降采样，包括：获取所述信号片段包括的各子片段；获取每个所述子片段中信号幅值为最大值的一个采样点，各所述子片段的各所述采样点构成所述降采样后的信号片段。5.根据权利要求3所述的方法，其特征在于，所述降采样包括采用全局最大值加窗降采样算法进行降采样，包括：获取所述信号片段中信号幅值为最大值的采样点；获取所述信号片段中包含所述信号幅值为最大值的采样点的连续的多个采样点，所述连续的多个采样点构成所述降采样信号。6.根据权利要求2
‑
5任一所述的方法，其特征在于，所述发送包括：对各个所述信号片段进行缓存；到达某个时间节点后发送缓存的各个所述信号片段到云端设备。7.根据权利要求1或2所述的方法，其特征在于：所述降噪参数包括第一降噪参数和第二降噪参数；所述第一降噪参数作为第一门限值，用于对信号幅值超过所述第一门限值的信号进行切顶的降噪处理；所述第二降噪参数作为系数，与所述第一降噪参数的乘积作为第二门限值，用于对信号幅值超过所述第二门限值的信号置零的降噪处理，所述第二降噪参数大于1。8.一种信号处理的方法，其特征在于，包括：接收信号片段；所述信号片段包含脉冲噪声，且所述信号片段包括至少一个采样点；使用所述信号片段训练神经网络模型，所述神经网络模型的输入为所述信号片段、输出为降噪参数的神经网络模型；将所训练的神经网络模型的参数发送到终端设备。9.根据权利要求8所述的方法，其特征在于，所述训练包括以均方误差作为损失函数的有监督训练方法，所述损失函数为：最优第一降噪参数与预测第一降噪参数之差的平方，加
上最优第二降噪参数与预测第二降噪参数之差的平方；所述信号片段具有所述最优第一降噪参数、所述最优第二降噪参数；所述预测第一降噪参数、所述预测第二降噪参数由所述信号片段输入所述神经网络模型得到。10.根据权利要求8所述的方法，其特征在于，所述训练包括以信干噪比倒数作为损失函数的无监督训练方法，所述损失函数包括：根据预测第一降噪参数、预测第二降噪参数进行所述降噪处理后得到降噪后的信号片段计算的消噪后信干噪比的倒数；所述预测第一降噪参数、所述预测第二降噪参数由所述信号片段输入所述神经网络模型得到。11.一种信号处理的方法，其特征在于，包括：权利要求1
‑
7任一所述的信号处理的方法，和权利要求8
‑
10任一所述的信号处理的方法。12.一种信号处理的装置，其特征在于，包括：信号片段获取单元，用于获取包含脉冲噪声的信号片段，所述信号片段包括至少一个采样点；降噪参数获取单元，用于将所述信号片段输入神经网络模型得到降噪参数；降噪处理单元，用于根据所述降噪参数对所述至少一个采样点进行降噪处理。13.根据权利要求12所述的装置，其特征在于：所述神经网络模型为本地神经网络模型时，所述装置还包括：发送单元，用于发送所述信号片段到云端设备；所述信号片段用于云端设备训练神经网络模型，所述神经网络模型的输...

【专利技术属性】
技术研发人员：王琪，罗辉昌，杨昉，何越，
申请(专利权)人：清华大学，
类型：发明
国别省市：