本發(fā)明屬于工頻通信信道狀態(tài)分析算法的技術領域，尤其涉及一種工頻通信信道狀態(tài)評估系統(tǒng)和方法。

背景技術：

電力線載波通信利用現(xiàn)有的低壓配電網(wǎng)線路作為通信信道的傳輸介質(zhì)，有效減少了通信線路初期的架設成本和后期維護費用，降低了設備安裝和調(diào)試的難度。但由于配電網(wǎng)絡并不是為通信而架設的專用線路，其開放的線路環(huán)境、復雜網(wǎng)絡結構和多變的負載特性，使得信道環(huán)境具有高噪聲、高衰減和阻抗不匹配等特性。

目前針對工頻通信信道狀態(tài)的研究主要集中在電力線信道噪聲及信道數(shù)學建模等方面，對工頻通信信道狀態(tài)的評估方法研究較少。且常規(guī)的工頻通信信道狀態(tài)評估的方法單一、固定不變，不能根據(jù)影響因素的變化不斷學習優(yōu)化評估模型，信道狀態(tài)誤差較大。

技術實現(xiàn)要素：

針對上述問題，本發(fā)明提出了一種工頻通信信道狀態(tài)評估系統(tǒng)和方法。

一種工頻通信信道狀態(tài)評估方法，其特征在于，包括如下步驟：

S1，采集影響工頻通信信道狀態(tài)的參數(shù)，建立所述工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)存儲和共享平臺；

S2，利用粗糙集理論劃分所述工頻通信信道狀態(tài)的參數(shù)的數(shù)據(jù)集，構造多變量決策樹，得到專家分析評估結果；

S3，提取電力線特征參數(shù)和所述信道狀態(tài)的參數(shù)，建立所述信道狀態(tài)的參數(shù)與所述信道狀態(tài)之間的映射關系，并根據(jù)所述映射關系得到工頻通信信道狀態(tài)的RNN預測結果；

S4，利用AdaBoost集成學習方法對所述專家分析評估結果和所述RNN預測結果訓練進行評價，構建最終決策模型，得到所述工頻通信信道狀態(tài)的評估最終結果。

所述影響工頻通信信道狀態(tài)的參數(shù)具體包括：電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型和電力線噪聲強度。

所述工頻通信信道狀態(tài)的評估最終結果具體包括：優(yōu)、良、差。

所述步驟S4還包括：利用AdaBoost集成學習方法，以檢出率和誤判率為限定條件，利用加權投票機制構建最終的決策模型，得到所述工頻通信信道狀態(tài)的評估最終結果。

一種工頻通信信道狀態(tài)評估系統(tǒng)，其特征在于，包括如下模塊：

數(shù)據(jù)采集與存儲模塊，用于采集影響工頻通信信道狀態(tài)的參數(shù)，建立所述工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)存儲和共享平臺；

多變量決策樹的專家評估模塊，用于利用粗糙集理論劃分所述工頻通信信道狀態(tài)的參數(shù)的數(shù)據(jù)集，構造多變量決策樹，得到專家分析評估結果；

遞歸神經(jīng)網(wǎng)絡(RNN)誤差預測模塊，提取電力線特征和所述信道狀態(tài)的參數(shù)，建立所述信道狀態(tài)的參數(shù)與所述信道狀態(tài)之間的映射關系，并根據(jù)所述映射關系得到工頻通信信道狀態(tài)的RNN預測結果；

綜合評估模塊，用于利用AdaBoost集成學習方法對所述專家分析評估結果和所述RNN預測結果訓練進行評價，構建最終決策模型，得到所述工頻通信信道狀態(tài)的評估最終結果。

所述影響工頻通信信道狀態(tài)的參數(shù)具體包括：電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型和電力線噪聲強度。

所述工頻通信信道狀態(tài)的評估最終結果具體包括：優(yōu)、良、差。

所述綜合評估模塊還包括：判定模塊，用于利用AdaBoost集成學習方法，以檢出率和誤判率為限定條件，利用加權投票機制構建最終的決策模型，得到所述工頻通信信道狀態(tài)的評估最終結果。

本發(fā)明的有益效果在于：

構建一套能夠針對電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型、電力線噪聲等多種影響因素進行綜合評估工頻通信信道狀態(tài)方法，對于建設信道狀態(tài)良好的電力線路、建立質(zhì)量良好的電力線工頻通信信道，提高工頻通信信道狀態(tài)、保障電力線工頻通信質(zhì)量具有重要意義。本發(fā)明結合工頻通信信道狀態(tài)評估的需求，采用深度學習與神經(jīng)網(wǎng)絡相結合并基于AdaBoost的自適應集成學習算法進行工頻通信信道綜合評估，能夠有效改善工頻通信信道狀態(tài)評估準確度與智能化。同時，在評估過程中能夠不斷的自我學習，實時調(diào)整評估模型，對于不斷變化的工頻通信信道環(huán)境下工頻通信信道狀態(tài)評估具有很強的適應性。

附圖說明

圖1是RNN拓撲結構圖；

圖2是本發(fā)明的工頻通信信道狀態(tài)評估系統(tǒng)結構圖。

具體實施方式

下面結合附圖，對實施例作詳細說明。

實施例一：

一種工頻通信信道狀態(tài)評估方法包括：首先，通過采集電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等多種影響工頻通信信道狀態(tài)的參數(shù)，建立海量工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)存儲和共享平臺，為應用基于神經(jīng)網(wǎng)絡和深度學習等模式識別算法進行工頻通信信道狀態(tài)評估提供數(shù)據(jù)支持。系統(tǒng)評估方法具體利用具有自適應特性的集成學習模型AdaBoost對多種不同的工頻通信信道狀態(tài)評估方法(如基于多變量決策樹的專家診斷評估模型和基于遞歸神經(jīng)網(wǎng)絡的故障預測模型等)的評估結果進行評價、權重調(diào)節(jié)、求和最終決策，得到工頻通信信道狀態(tài)評估的最終結果(如工頻通信信道狀態(tài)優(yōu)、良、差三個評估結果)。工頻通信信道狀態(tài)評估系統(tǒng)利用大數(shù)據(jù)計算平臺實現(xiàn)“基于多變量決策樹的專家診斷評估模型”、“基于遞歸神經(jīng)網(wǎng)絡(RNN)的故障預測模型”和“基于AdaBoost的自適應集成學習模型”的計算分析，對多種不同評估方法的結果進行分類計算，實現(xiàn)用工頻通信信道狀態(tài)可視化和智能感知。

與實施例一的方法相對應的，一種工頻通信信道狀態(tài)評估系統(tǒng)，該系統(tǒng)包括：數(shù)據(jù)采集與存儲模塊，通過采集電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等多種影響工頻通信信道狀態(tài)的參數(shù)，建立海量工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)存儲和共享平臺，為應用基于神經(jīng)網(wǎng)絡和深度學習等模式識別算法進行工頻通信信道狀態(tài)評估提供數(shù)據(jù)支持。系統(tǒng)評估模塊包括，綜合評估模塊，具體利用具有自適應特性的集成學習模型AdaBoost對多種不同的工頻通信信道狀態(tài)評估方法(基于多變量決策樹的專家診斷評估模型的多變量決策樹的專家評估模塊和基于遞歸神經(jīng)網(wǎng)絡的故障預測模型的遞歸神經(jīng)網(wǎng)絡(RNN)誤差預測模塊)的評估結果進行評價、權重調(diào)節(jié)、求和最終決策，得到工頻通信信道狀態(tài)評估的最終結果(如工頻通信信道狀態(tài)優(yōu)、良、差三個評估結果)。工頻通信信道狀態(tài)評估系統(tǒng)利用大數(shù)據(jù)計算平臺實現(xiàn)“基于多變量決策樹的專家診斷評估模型”、“基于遞歸神經(jīng)網(wǎng)絡(RNN)的故障預測模型”和“基于AdaBoost的自適應集成學習模型”的計算分析，對多種不同評估方法的結果進行分類計算，實現(xiàn)用工頻通信信道狀態(tài)可視化和智能感知。

實施例二：

一種工頻通信信道狀態(tài)評估方法包括：首先基于工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)庫，分析電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等數(shù)據(jù)集，研究基于多變量決策樹的專家評估模型，利用粗糙集理論劃分電力線采集所得的數(shù)據(jù)集，選擇最有利的變量集合，構造多變量決策樹；然后，研究基于遞歸神經(jīng)網(wǎng)絡(RNN)的誤差預測模型，提取電力線特征及信道狀態(tài)影響要素，建立影響要素與信道狀態(tài)之間的映射關系，根據(jù)映射預測工頻通信信道狀態(tài)；最后，在得到專家分析評估結果和RNN預測結果的基礎上，利用AdaBoost集成學習方法，以檢出率和誤判率為限定條件，利用加權投票機制構建最終的決策模型，實現(xiàn)對工頻通信信道狀態(tài)的最終評估，得到工頻通信信道狀態(tài)的評估最終結果。其中，上述評估模型的方法具體包括如下三個步驟：

1)建立基于多變量決策樹的專家分析評估模型

以采集到的工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)為目標數(shù)據(jù)集，利用粗糙集理論，按照電力線參數(shù)類型劃分目標數(shù)據(jù)集，對每種電力線參數(shù)進行多組實驗樣本分析后，確定電力線參數(shù)特征樣本，求出最有利于分類的變量集合，構造多變量決策樹，在多變量決策樹的某一結點上可以同時檢驗多個屬性,產(chǎn)生新的、更相關的屬性,以及修改或去掉初始提供的不相關的屬性。利用相對核和相對泛化理論，針對決策屬性的選擇、構造和優(yōu)化方法進行研究，以此為基礎，提取規(guī)則，建立基于多變量決策樹的專家工頻通信信道狀態(tài)評估模型。

以下是從所得的工頻通信信道參數(shù)數(shù)據(jù)中構造出具體決策樹模型的算法：形式上，一個信息系統(tǒng)S定義為一個四元組S＝<U,A,V,f>。其中U為論域；A為所有屬性的集合，它進一步可分為條件屬性C和決策屬性D，V＝U_P∈AV_p是屬性P的值域：f:U×A→V，V_p稱為一個信息函數(shù)。

構造多變量檢驗的步驟為：

(1)計算條件屬性集C相對于決策屬性集D的核，即CORED(C)；

若CORED(C)＝C∩D，則轉(zhuǎn)(2)；

否則，不妨設CORED(C)＝{a₁,a₂,...,a_k}，轉(zhuǎn)(3)；

(2)用ID3的方法選擇一個最佳屬性，作為該結點的檢驗；

(3)令P＝a₁∧a₂∧...∧a_k，計算P相對于D的泛化GEND(P)，將它作為該結點的檢驗。

本算法將把GEND(P)作為決策樹的根，然后根據(jù)屬性的值，把對象分成不同的子集，對每一個子集將以類似的方式導出一棵樹。

2)建立基于遞歸神經(jīng)網(wǎng)絡(RNN)的誤差預測模型

收集工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)，利用因子分析算法提取信道狀態(tài)影響要素，設計每類信道狀態(tài)影響要素樣本以及編碼，利用遞歸神經(jīng)網(wǎng)絡建立影響要素與信道質(zhì)量之間的映射關系，并在所得映射關系基礎上，對工頻通信信道狀態(tài)進行評估。

圖1為三層RNN拓撲結構圖，它由輸入層(個節(jié)點)、隱含層(個節(jié)點)及輸出層(個節(jié)點)組成。其中，隱層節(jié)點不僅接收來自輸入層的輸出信號，還接收自身延時的輸出信號。

X_i(h)是在時間h的第i個隱層節(jié)點輸入，B_j(h)是在時間h的第j個隱層節(jié)點的輸出，Y(h)為N₃維輸出向量。該網(wǎng)絡可描述為：

B_j(h)＝f(S_j(h)) (2)

其中:W_I，W_R，W_o分別為從輸入層到隱含層、回歸信號、從隱含層到輸出層的權系數(shù)；分別為隱含層和輸出層上的偏差單元的權系數(shù)；f(·)為sigmoid函數(shù)。T、U分別為網(wǎng)絡中預先設定的輸出層和隱含層的偏差值。

在本專利中，利用工頻通信信道狀態(tài)影響要素構建輸入層，信道狀態(tài)影響要素編碼作為輸出層，經(jīng)過訓練而成RNN，建立信道狀態(tài)評估模型。

3)建立基于AdaBoost的自適應集成學習模型

以工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)為基礎，隨機選取訓練數(shù)據(jù)，將專家分析評估模型和RNN誤差預測模型分別作為前期訓練的弱分類器，以每次檢出率和誤判率為加權限定條件，將加權后選取的訓練數(shù)據(jù)代替隨機選取的訓練樣本，將焦點集中在比較難分的數(shù)據(jù)上，重復訓練專家分析評估模型和RNN誤差預測模型，利用加權投票機制調(diào)整專家分析評估模型和RNN誤差預測模型在最終決策模型中的權重，構建可自動學習的強分類器，大大提高工頻通信信道狀態(tài)評估系統(tǒng)準確率。

AdaBoost算法的具體步驟如下：

步驟1.給定訓練樣本集S，其中X和Y分別對應于正例樣本和負例樣本；T為訓練的最大循環(huán)次數(shù)；

步驟2.初始化樣本權重為1/n，即為訓練樣本的初始概率分布；

步驟3.第一次迭代：

(1)訓練樣本的概率分布相當下，訓練弱分類器；

(2)計算弱分類器的錯誤率；

(3)選取合適閾值，使得誤差最小；

(4)更新樣本權重；更新的規(guī)則是：減小弱分類器分類效果較好的數(shù)據(jù)的概率，增大弱分類器分類效果較差的數(shù)據(jù)的概率。

經(jīng)T次循環(huán)后，得到T個弱分類器，按更新的權重疊加，最終得到強分類器。

與實施例二的方法相對應的，一種工頻通信信道狀態(tài)評估系統(tǒng)包括：數(shù)據(jù)采集與存儲模塊，用于基于工頻通信信道狀態(tài)的參數(shù)數(shù)據(jù)庫，分析電力線長度、電力線分支數(shù)、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等數(shù)據(jù)集，研究基于多變量決策樹的專家評估模型，利用粗糙集理論劃分電力線采集所得的數(shù)據(jù)集，選擇最有利的變量集合，構造多變量決策樹；然后，研究基于遞歸神經(jīng)網(wǎng)絡(RNN)的誤差預測模型，提取電力線特征及信道狀態(tài)影響要素，建立影響要素與信道狀態(tài)之間的映射關系，根據(jù)映射預測工頻通信信道狀態(tài)；最后，在得到專家分析評估結果和RNN預測結果的基礎上，利用AdaBoost集成學習方法，以檢出率和誤判率為限定條件，利用加權投票機制構建最終的決策模型，實現(xiàn)對工頻通信信道狀態(tài)的最終評估，得到工頻通信信道狀態(tài)的評估最終結果。其中，上述評估模型的系統(tǒng)具體包括如下三個模塊：

1)多變量決策樹專家分析評估模塊

以采集到的工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)為目標數(shù)據(jù)集，利用粗糙集理論，按照電力線參數(shù)類型劃分目標數(shù)據(jù)集，對每種電力線參數(shù)進行多組實驗樣本分析后，確定電力線參數(shù)特征樣本，求出最有利于分類的變量集合，構造多變量決策樹，在多變量決策樹的某一結點上可以同時檢驗多個屬性,產(chǎn)生新的、更相關的屬性,以及修改或去掉初始提供的不相關的屬性。利用相對核和相對泛化理論，針對決策屬性的選擇、構造和優(yōu)化方法進行研究，以此為基礎，提取規(guī)則，建立基于多變量決策樹的專家工頻通信信道狀態(tài)評估模型。

以下是從所得的工頻通信信道參數(shù)數(shù)據(jù)中構造出具體決策樹模型的算法：形式上，一個信息系統(tǒng)S定義為一個四元組S＝<U,A,V,f>。其中U為論域；A為所有屬性的集合，它進一步可分為條件屬性C和決策屬性D，V＝U_P∈AV_p是屬性P的值域：f:U×A→V，V_p稱為一個信息函數(shù)。

構造多變量檢驗的步驟為：

(1)計算條件屬性集C相對于決策屬性集D的核，即CORED(C)；

若CORED(C)＝C∩D，則轉(zhuǎn)(2)；

否則，不妨設CORED(C)＝{a₁,a₂,...,a_k}，轉(zhuǎn)(3)；

(2)用ID3的方法選擇一個最佳屬性，作為該結點的檢驗；

(3)令P＝a₁∧a₂∧...∧a_k，計算P相對于D的泛化GEND(P)，將它作為該結點的檢驗。

本算法將把GEND(P)作為決策樹的根，然后根據(jù)屬性的值，把對象分成不同的子集，對每一個子集將以類似的方式導出一棵樹。

2)遞歸神經(jīng)網(wǎng)絡(RNN)誤差預測模塊

收集工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)，利用因子分析算法提取信道狀態(tài)影響要素，設計每類信道狀態(tài)影響要素樣本以及編碼，利用遞歸神經(jīng)網(wǎng)絡建立影響要素與信道質(zhì)量之間的映射關系，并在所得映射關系基礎上，對工頻通信信道狀態(tài)進行評估。

圖1為三層RNN拓撲結構圖，它由輸入層(個節(jié)點)、隱含層(個節(jié)點)及輸出層(個節(jié)點)組成。其中，隱層節(jié)點不僅接收來自輸入層的輸出信號，還接收自身延時的輸出信號。

X_i(h)是在時間h的第i個隱層節(jié)點輸入，B_j(h)是在時間h的第j個隱層節(jié)點的輸出，Y(h)為N₃維輸出向量。該網(wǎng)絡可描述為：

B_j(h)＝f(S_j(h)) (2)

其中:W_I，W_R，W_o分別為從輸入層到隱含層、回歸信號、從隱含層到輸出層的權系數(shù)；分別為隱含層和輸出層上的偏差單元的權系數(shù)；f(·)為sigmoid函數(shù)。T、U分別為網(wǎng)絡中預先設定的輸出層和隱含層的偏差值。

在本專利中，利用工頻通信信道狀態(tài)影響要素構建輸入層，信道狀態(tài)影響要素編碼作為輸出層，經(jīng)過訓練而成RNN，建立信道狀態(tài)評估模型。

3)AdaBoost的自適應集成學習模塊，即綜合評估模塊

以工頻通信信道狀態(tài)參數(shù)數(shù)據(jù)為基礎，隨機選取訓練數(shù)據(jù)，將專家分析評估模型和RNN誤差預測模型分別作為前期訓練的弱分類器，以每次檢出率和誤判率為加權限定條件，將加權后選取的訓練數(shù)據(jù)代替隨機選取的訓練樣本，將焦點集中在比較難分的數(shù)據(jù)上，重復訓練專家分析評估模型和RNN誤差預測模型，利用加權投票機制調(diào)整專家分析評估模型和RNN誤差預測模型在最終決策模型中的權重，構建可自動學習的強分類器，大大提高工頻通信信道狀態(tài)評估系統(tǒng)準確率。

AdaBoost算法的具體步驟如下：

步驟1.給定訓練樣本集S，其中X和Y分別對應于正例樣本和負例樣本；T為訓練的最大循環(huán)次數(shù)；

步驟2.初始化樣本權重為1/n，即為訓練樣本的初始概率分布；

步驟3.第一次迭代：

(1)訓練樣本的概率分布相當下，訓練弱分類器；

(2)計算弱分類器的錯誤率；

(3)選取合適閾值，使得誤差最小；

(4)更新樣本權重；更新的規(guī)則是：減小弱分類器分類效果較好的數(shù)據(jù)的概率，增大弱分類器分類效果較差的數(shù)據(jù)的概率。

經(jīng)T次循環(huán)后，得到T個弱分類器，按更新的權重疊加，最終得到強分類器。

此實施例僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。