本發(fā)明涉及電力線載波通信技術(shù)領(lǐng)域,特別是涉及一種電力線信道的調(diào)整方法和系統(tǒng)。
背景技術(shù):
目前,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(shè)成本和后期維護費用,降低了設(shè)備安裝和調(diào)試的難度。但由于配電網(wǎng)絡(luò)并不是為通信而架設(shè)的專用線路,其開放的線路環(huán)境、復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)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。建設(shè)信道質(zhì)量良好的電力線路,對于提高電力線載波通信質(zhì)量具有重要意義。
傳統(tǒng)技術(shù)中主要是依據(jù)電力線信道噪聲進行信道數(shù)學建模,利用建立的信道模型對電力線信道的質(zhì)量進行判斷,再根據(jù)判斷結(jié)果對電力線信道進行調(diào)整,由于電力線信道的環(huán)境的多樣性,電力線信道的質(zhì)量受到多種因素的影響,依據(jù)電力線信道噪聲建立的信道模型對電力線信道質(zhì)量的判斷準確度低,使調(diào)整電力線信道的成效降低。
技術(shù)實現(xiàn)要素:
基于此,有必要針對傳統(tǒng)技術(shù)調(diào)整電力線信道的成效低的問題,提供一種電力線信道的調(diào)整方法和系統(tǒng)。
一種電力線信道的調(diào)整方法,包括以下步驟:
獲取當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù);
根據(jù)多個不同的電力線信道參數(shù)評估模型分別對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行評估,獲得多個關(guān)于當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估結(jié)果;
根據(jù)電力線信道質(zhì)量評估模型對多個評估結(jié)果進行評估,獲得目標評估結(jié)果;
若目標評估結(jié)果與預(yù)設(shè)評估值不同,則對電力線信道進行調(diào)整。
一種電力線信道的調(diào)整系統(tǒng),包括以下單元:
獲取單元,用于獲取當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù);
初步評估單元,用于根據(jù)多個不同的電力線信道參數(shù)評估模型分別對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行評估,獲得多個關(guān)于當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估結(jié)果;
綜合評估單元,用于根據(jù)電力線信道質(zhì)量評估模型對多個評估結(jié)果進行評估,獲得目標評估結(jié)果;
調(diào)整單元,用于在目標評估結(jié)果與預(yù)設(shè)評估值不同時,對電力線信道進行調(diào)整。
根據(jù)上述本發(fā)明的電力線信道的調(diào)整方法和系統(tǒng),其是先用多個電力線信道參數(shù)評估模型對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行初步評估,再采用電力線信道質(zhì)量評估模型對評估結(jié)果進行評估,將多個電力線信道參數(shù)評估模型和電力線信道質(zhì)量評估模型相結(jié)合,經(jīng)過兩輪評估,使對電力線信道質(zhì)量的判斷更加準確,能夠有效改善電力線信道質(zhì)量判斷的準確度和智能化,以此為依據(jù)對電力線信道進行調(diào)整,可以提高電力線信道的調(diào)整效果,有利于建設(shè)信道質(zhì)量良好的電力線路。
附圖說明
圖1為其中一個實施例的電力線信道的調(diào)整方法的流程示意圖;
圖2為其中一個具體實施例中電力線信道質(zhì)量評估過程的示意圖;
圖3為其中一個具體實施例中遞歸神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)圖;
圖4為其中一個具體實施例中AdaBoost算法的計算原理圖;
圖5為其中一個實施例的電力線信道的調(diào)整系統(tǒng)的結(jié)構(gòu)示意圖。
具體實施方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白,以下結(jié)合附圖及實施例,對本發(fā)明進行進一步的詳細說明。應(yīng)當理解,此處所描述的具體實施方式僅僅用以解釋本發(fā)明,并不限定本發(fā)明的保護范圍。
參見圖1所示,為本發(fā)明的電力線信道的調(diào)整方法的流程示意圖。該實施例中的電力線信道的調(diào)整方法,包括以下步驟:
步驟S101:獲取當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù);
在本步驟中,影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)可以包括多種類型的數(shù)據(jù)。
步驟S102:根據(jù)多個不同的電力線信道參數(shù)評估模型分別對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行評估,獲得多個關(guān)于當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估結(jié)果;
步驟S103:根據(jù)電力線信道質(zhì)量評估模型對多個評估結(jié)果進行評估,獲得目標評估結(jié)果;
步驟S104:若目標評估結(jié)果與預(yù)設(shè)評估值不同,則對電力線信道進行調(diào)整。
在本步驟中,是根據(jù)目標評估結(jié)果與預(yù)設(shè)評估值的比較結(jié)果來確定是否對電力線信道進行調(diào)整;若目標評估結(jié)果與預(yù)設(shè)評估值不同,表明電力線信道存在缺陷,需要對電力線信道進行調(diào)整;若目標評估結(jié)果與預(yù)設(shè)評估值相同,表明電力線信道質(zhì)量良好,可以不對電力線信道進行調(diào)整。
在本實施例中,先用多個電力線信道參數(shù)評估模型對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行初步評估,再采用電力線信道質(zhì)量評估模型對評估結(jié)果進行評估,將多個電力線信道參數(shù)評估模型和電力線信道質(zhì)量評估模型相結(jié)合,經(jīng)過兩輪評估,使對電力線信道質(zhì)量的判斷更加準確,能夠有效改善電力線信道質(zhì)量判斷的準確度和智能化,以此為依據(jù)對電力線信道進行調(diào)整,可以提高電力線信道的調(diào)整效果,有利于建設(shè)信道質(zhì)量良好的電力線路。
在其中一個實施例中,在獲取當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的步驟之前包括以下步驟:
獲取影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的多個歷史樣本;
分別利用每個電力線信道參數(shù)評估模型對多個歷史樣本一一進行評估,獲得各個電力線信道參數(shù)評估模型的評估結(jié)果,其中,每個電力線信道參數(shù)評估模型對應(yīng)多個評估結(jié)果;
建立基于Adaboost算法的評估模型,將根據(jù)所有電力線信道參數(shù)評估模型獲得的所有歷史樣本的評估結(jié)果合為訓(xùn)練樣本集,根據(jù)訓(xùn)練樣本集對基于Adaboost算法的評估模型進行訓(xùn)練,獲得電力線信道質(zhì)量評估模型。
在本實施例中,先用多個電力線信道參數(shù)評估模型對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的多個歷史樣本進行評估,得到多個歷史樣本在不同電力線信道參數(shù)評估模型中的評估結(jié)果,將其作為訓(xùn)練樣本集對基于Adaboost算法的評估模型進行訓(xùn)練,獲得電力線信道質(zhì)量評估模型,使電力線信道質(zhì)量評估模型能夠評估電力線信道參數(shù)評估模型得到的評估結(jié)果,從而可以在對電力線信道進行調(diào)整時使用該電力線信道質(zhì)量評估模型對電力線信道質(zhì)量進行評估;同時,本發(fā)明的基于Adaboost算法的評估模型可以根據(jù)影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的新歷史樣本不斷地自我學習,實時調(diào)整電力線信道質(zhì)量評估模型,對于不斷變化的電力線信道環(huán)境下電力線信道的調(diào)整具有很強的適應(yīng)性。
在其中一個實施例中,根據(jù)訓(xùn)練樣本集對基于Adaboost算法的評估模型進行訓(xùn)練,獲得所述電力線信道質(zhì)量評估模型的步驟包括以下步驟:
初始化訓(xùn)練樣本集中所有訓(xùn)練樣本的概率;
在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本,根據(jù)抽取的訓(xùn)練樣本訓(xùn)練基于Adaboost算法的評估模型中的分類器;
計算分類器的錯誤率,若錯誤率小于錯誤率閾值,則根據(jù)錯誤率計算分類器的權(quán)重;若錯誤率大于或等于錯誤率閾值,則將出現(xiàn)分類錯誤的訓(xùn)練樣本的概率增加第一預(yù)設(shè)步長,將未出現(xiàn)分類錯誤的訓(xùn)練樣本的概率減小第二預(yù)設(shè)步長,對訓(xùn)練樣本集中對應(yīng)的訓(xùn)練樣本的概率進行更新,并返回至在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本的步驟,直至錯誤率小于錯誤率閾值;
返回至在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本的步驟,直至獲得預(yù)設(shè)個數(shù)的分類器的權(quán)重;
根據(jù)預(yù)設(shè)個數(shù)的分類器的權(quán)重,對預(yù)設(shè)個數(shù)的分類器進行疊加,獲得電力線信道質(zhì)量評估模型。
在本實施例中,抽取訓(xùn)練樣本集中的若干個訓(xùn)練樣本訓(xùn)練基于Adaboost算法的評估模型中的分類器,以分類器的錯誤率為訓(xùn)練樣本概率調(diào)整條件,當分類器的錯誤率大于或等于錯誤率閾值,則增大出現(xiàn)分類錯誤的訓(xùn)練樣本的概率,減小未出現(xiàn)分類錯誤的訓(xùn)練樣本的概率,并重新抽取若干個訓(xùn)練樣本對基于Adaboost算法的評估模型中的分類器進行訓(xùn)練,如此可以將訓(xùn)練的焦點集中在難以分類的訓(xùn)練樣本上,之后獲得多個分類器,將其疊加,得到電力線信道質(zhì)量評估模型這一可具備自適應(yīng)學習特性的強分類器,可以實現(xiàn)對電力線信道參數(shù)的正確分類,從而大大提高電力線信道質(zhì)量評估的準確度。
第一預(yù)設(shè)步長和第二預(yù)設(shè)步長可以根據(jù)需要自由設(shè)置,限定條件是調(diào)整訓(xùn)練樣本的概率后,訓(xùn)練樣本集中所有訓(xùn)練樣本的概率之和仍然為1。
分類器的權(quán)重與分類器的錯誤率相關(guān),可以根據(jù)分類器的錯誤率計算分類器的權(quán)重。
在其中一個實施例中,初始化后的訓(xùn)練樣本集中所有訓(xùn)練樣本的概率相同。
在本實施例中,初始化后的訓(xùn)練樣本集中所有訓(xùn)練樣本對于基于Adaboost算法的評估模型中的分類器來說都是全新的,分類器對初始化后的訓(xùn)練樣本集中所有訓(xùn)練樣本的分類結(jié)果在訓(xùn)練之前是未知的,因此以相同的概率隨機抽取訓(xùn)練樣本對基于Adaboost算法的評估模型中的分類器進行訓(xùn)練,分類器對所有的訓(xùn)練樣本以相同的幾率進行分類學習,可以使分類器的訓(xùn)練更有成效。
在其中一個實施例中,電力線信道參數(shù)評估模型為兩個,分別為基于多變量決策樹的分析評估模型和基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型;
分別利用每個電力線信道參數(shù)評估模型對多個歷史樣本一一進行評估的步驟包括以下步驟:
利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估;
利用基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型分別對多個歷史樣本進行評估。
在本實施例中,電力線信道參數(shù)評估模型為兩個,分別為基于多變量決策樹的分析評估模型和基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型;多變量決策樹的分類精度較高,而且生成決策樹的模式簡單,對噪聲數(shù)據(jù)有很好的健壯性;遞歸神經(jīng)網(wǎng)絡(luò)具有很強的動態(tài)行為和計算能力,基于多變量決策樹的分析評估模型和基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型這兩種模型對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估的準確率相對較高。
在其中一個實施例中,利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估的步驟包括以下步驟:
按照影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的多個歷史樣本進行劃分,對每種類型的影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行數(shù)據(jù)分析,確定影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型的特征樣本;
根據(jù)影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型的特征樣本構(gòu)建基于多變量決策樹的分析評估模型,根據(jù)基于多變量決策樹的分析評估模型對多個歷史樣本分別進行評估。
在本實施例中,基于多變量決策樹的分析評估模型是根據(jù)影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型的特征樣本構(gòu)建的,可以有效判斷輸入的影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的優(yōu)化程度,進而實現(xiàn)對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估。
在其中一個實施例中,利用基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型分別對多個歷史樣本進行評估的步驟包括以下步驟:
確定影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)中的影響要素,從多個歷史樣本中提取影響要素樣本,利用遞歸神經(jīng)網(wǎng)絡(luò)建立影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系;
根據(jù)映射關(guān)系構(gòu)建基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型,根據(jù)基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型對多個歷史樣本分別進行評估。
在本實施例中,基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型是根據(jù)影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)中的影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系構(gòu)建的,基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型可以有效判斷輸入的影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)與電力線信道質(zhì)量之間的關(guān)系,進而實現(xiàn)對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估。
在其中一個實施例中,遞歸神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層;
利用遞歸神經(jīng)網(wǎng)絡(luò)建立影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系的步驟包括以下步驟:
利用影響要素樣本構(gòu)建輸入層、利用預(yù)設(shè)電力線信道質(zhì)量編碼構(gòu)建輸出層,對遞歸神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,獲得影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系。
在本實施例中,只需利用影響要素樣本構(gòu)建輸入層,利用預(yù)設(shè)電力線信道質(zhì)量編碼構(gòu)建輸出層,由于遞歸神經(jīng)網(wǎng)絡(luò)具有很強的動態(tài)行為和計算能力,在確定輸入層和輸出層后,經(jīng)過訓(xùn)練可以快速獲取映射關(guān)系,為后續(xù)的評估提供依據(jù)。
在其中一個實施例中,影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)包括電力線長度、電力線分支數(shù)、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度。
在本實施例中,影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)包括電力線長度、電力線分支數(shù)、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度等多種類型的參數(shù),本發(fā)明的電力線信道的調(diào)整方法綜合考慮了電力線信道的各種影響質(zhì)量的參數(shù),使對電力線信道質(zhì)量的評估更加全面,從而提高電力線信道質(zhì)量判斷的準確度,有利于電力線信道的調(diào)整。
在一個具體的實施例中,電力線信道質(zhì)量評估過程如圖2所示。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電力線信道質(zhì)量的電力線相關(guān)參數(shù),建立海量影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)數(shù)據(jù)存儲和共享平臺,里面包括了電力線的不同歷史數(shù)據(jù)樣本,為應(yīng)用基于神經(jīng)網(wǎng)絡(luò)和深度學習等模式識別算法進行電力線信道質(zhì)量評估提供數(shù)據(jù)支持。系統(tǒng)評估方法具體利用具有自適應(yīng)特性的基于Adaboost算法的集成學習模型對多種不同的電力線信道參數(shù)評估模型(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(luò)的故障預(yù)測模型等)的評估結(jié)果進行評估,包括評價、權(quán)重調(diào)節(jié)、求和最終決策等,得到電力線信道質(zhì)量評估的最終結(jié)果(如電力線信道質(zhì)量優(yōu)、良、差三個評估結(jié)果)。電力線信道質(zhì)量評估系統(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(luò)(RNN)的故障預(yù)測模型”和“基于Adaboost算法的自適應(yīng)集成學習模型”的計算分析,對多種不同評估方法的結(jié)果進行分類計算,實現(xiàn)用電力線信道質(zhì)量可視化和智能感知。
在本發(fā)明中,電力線信道參數(shù)評估模型可以是多個,對其數(shù)量不做限制,以下以兩個電力線信道參數(shù)評估模型為例描述本發(fā)明的具體內(nèi)容:
優(yōu)選的,兩個電力線信道參數(shù)評估模型為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(luò)的故障預(yù)測模型;
基于影響電力線信道質(zhì)量的電力線相關(guān)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(gòu)造多變量決策樹;然后,研究基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的故障預(yù)測模型,提取電力線特征及信道質(zhì)量影響要素,建立影響要素與信道質(zhì)量之間的映射關(guān)系,根據(jù)映射預(yù)測電力線信道質(zhì)量;最后,在得到專家分析評估結(jié)果和RNN預(yù)測結(jié)果的基礎(chǔ)上,利用AdaBoost集成學習方法,以錯誤率為限定條件,利用加權(quán)投票機制構(gòu)建最終的決策模型,實現(xiàn)對電力線信道質(zhì)量的最終評估,得到電力線信道質(zhì)量的評估最終結(jié)果。
根據(jù)得到的電力線信道質(zhì)量的評估最終結(jié)果就可以對電力線信道進行調(diào)整??梢詫⒃u估最終結(jié)果與預(yù)設(shè)評估值進行比較,此處的預(yù)設(shè)評估值可以表示電力線信道質(zhì)量好,如果評估最終結(jié)果與預(yù)設(shè)評估值不同,表明當前電力線信道質(zhì)量差,則對電力線信道進行調(diào)整;如果評估最終結(jié)果與預(yù)設(shè)評估值相同,表明當前電力線信道質(zhì)量好,則可以不對電力線信道進行調(diào)整。電力線信道質(zhì)量的評估最終結(jié)果可以用不同的質(zhì)量編碼來表示,可以預(yù)設(shè)其中代表質(zhì)量好的質(zhì)量編碼表示預(yù)設(shè)評估值。
基于多變量決策樹的專家分析評估模型的建立過程如下:
以采集到的影響電力線信道質(zhì)量的電力線相關(guān)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(gòu)造多變量決策樹。在多變量決策樹的某一結(jié)點上可以同時檢驗多個屬性,產(chǎn)生新的、更相關(guān)的屬性,以及修改或去掉初始提供的不相關(guān)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(gòu)造和優(yōu)化方法進行研究,以此為基礎(chǔ),提取規(guī)則,建立基于多變量決策樹的專家電力線信道參數(shù)評估模型。
以下是從所得的電力線信道參數(shù)數(shù)據(jù)中構(gòu)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=UP∈AVp,Vp是屬性P的值域,f:U×A→V,Vp稱為一個信息函數(shù)。
構(gòu)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(shè)CORED(C)={a1,a2,...,ak},轉(zhuǎn)(3)。
(2)用ID3(ID3算法是一種貪心算法,用來構(gòu)造決策樹)的方法選擇一個最佳屬性,作為該結(jié)點的檢驗。
(3)令P=a1∧a2∧...∧ak(a1,…,ak表示構(gòu)建決策樹的樣本,∧表示樣本綜合),計算P相對于D的泛化GEND(P),將它作為該結(jié)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(dǎo)出一棵樹。
基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的故障預(yù)測模型的建立過程如下:
收集影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)數(shù)據(jù),利用因子分析算法確定信道質(zhì)量影響要素,提取每類信道質(zhì)量影響要素樣本,設(shè)計預(yù)設(shè)信道質(zhì)量編碼,利用遞歸神經(jīng)網(wǎng)絡(luò)建立影響要素與預(yù)設(shè)信道質(zhì)量編碼之間的映射關(guān)系,并在所得映射關(guān)系基礎(chǔ)上,對電力線信道質(zhì)量進行評估。
圖3為三層RNN拓撲結(jié)構(gòu)圖,它由輸入層(N1個節(jié)點)、隱含層(N2個節(jié)點)及輸出層(N3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。
Xi(h)是在時間h的第i個隱層節(jié)點輸入,Bj(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(luò)可描述為:
Bj(h)=f(Sj(h)) (2)
其中:WI,WR,WO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(quán)系數(shù);分別為隱含層和輸出層上的偏差單元的權(quán)系數(shù);f(·)為sigmoid函數(shù)。T、U分別為網(wǎng)絡(luò)中預(yù)先設(shè)定的輸出層和隱含層的偏差值。
在本專利中,利用電力線信道質(zhì)量影響要素構(gòu)建輸入層,預(yù)設(shè)信道質(zhì)量編碼作為輸出層,經(jīng)過訓(xùn)練而成RNN,建立信道質(zhì)量評估模型。
基于Adaboost算法的自適應(yīng)集成學習模型的建立過程如下:
將專家分析評估模型和RNN故障預(yù)測模型分別作為前期訓(xùn)練的模型,以影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)數(shù)據(jù)為基礎(chǔ),分別獲得各種歷史數(shù)據(jù)樣本的評估結(jié)果,將所有的評估結(jié)果作為訓(xùn)練樣本集,隨機選取訓(xùn)練樣本訓(xùn)練基于Adaboost算法的評估模型的弱分類器,以每次錯誤率為加權(quán)限定條件,將加權(quán)后選取的訓(xùn)練數(shù)據(jù)代替隨機選取的訓(xùn)練樣本,將焦點集中在比較難分的訓(xùn)練樣本數(shù)據(jù)上,經(jīng)過多次迭代循環(huán)后,得到多個弱分類器,計算每個弱分類器的權(quán)重,將所有弱分類器加權(quán)疊加,構(gòu)建可自動學習的強分類器,大大提高電力線信道質(zhì)量評估系統(tǒng)準確率。
Adaboost是一種迭代算法,其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器),然后把這些弱分類器集合起來,構(gòu)成一個更強的最終分類器(強分類器)。
AdaBoost算法的具體步驟如下:
步驟1.給定包含基于多變量決策樹的專家分析電力線信道參數(shù)評估模型和基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的電力線信道質(zhì)量誤差評估模型的電力線信道質(zhì)量評估結(jié)果數(shù)據(jù)的訓(xùn)練樣本集S,其中A和B分別對應(yīng)于正例樣本和負例樣本;T為訓(xùn)練的最大循環(huán)次數(shù);
步驟2.初始化樣本權(quán)重為1/n,即為訓(xùn)練樣本的初始概率分布;
步驟3.第一次迭代:
(1)在訓(xùn)練樣本的初始概率條件下,抽取若干個訓(xùn)練樣本訓(xùn)練弱分類器;
(2)計算弱分類器的錯誤率εi;
(3)選取合適錯誤率閾值M(M在訓(xùn)練過程中不斷調(diào)整),使得訓(xùn)練樣本誤差最?。蝗翦e誤率小于錯誤率閾值,則根據(jù)錯誤率計算弱分類器的權(quán)重;若錯誤率大于錯誤率閾值,轉(zhuǎn)(4);
(4)更新訓(xùn)練樣本概率ω;更新的規(guī)則是:減小弱分類器未出現(xiàn)分類錯誤的訓(xùn)練樣本的概率,增大弱分類器出現(xiàn)分類錯誤的訓(xùn)練樣本的概率;
(5)重新沖去訓(xùn)練樣本訓(xùn)練弱分類器。
經(jīng)多次迭代后,得到T個弱分類器,按弱分類器權(quán)重αi疊加,最終得到強分類器。
上述具體過程如圖4所示。
根據(jù)上述電力線信道的調(diào)整方法,本發(fā)明還提供一種電力線信道的調(diào)整系統(tǒng),以下就本發(fā)明的電力線信道的調(diào)整系統(tǒng)的實施例進行詳細說明。
參見圖5所示,為本發(fā)明的電力線信道的調(diào)整系統(tǒng)的實施例。該實施例中的電力線信道的調(diào)整系統(tǒng)包括獲取單元210、初步評估單元220、綜合評估單元230和調(diào)整單元240;
獲取單元210,用于獲取單元,用于獲取當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù);
初步評估單元220,用于根據(jù)多個不同的電力線信道參數(shù)評估模型分別對當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行評估,獲得多個關(guān)于當前影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的評估結(jié)果;
綜合評估單元230,用于根據(jù)電力線信道質(zhì)量評估模型對多個評估結(jié)果進行評估,獲得目標評估結(jié)果;
調(diào)整單元240,用于在目標評估結(jié)果與預(yù)設(shè)評估值不同時,對電力線信道進行調(diào)整。
在其中一個實施例中,獲取單元210還用于獲取影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的多個歷史樣本;
初步評估單元220還用于分別利用每個電力線信道參數(shù)評估模型對多個歷史樣本一一進行評估,獲得各個電力線信道參數(shù)評估模型的評估結(jié)果,其中,每個電力線信道參數(shù)評估模型對應(yīng)多個評估結(jié)果;
綜合評估單元230還用于建立基于Adaboost算法的評估模型,將根據(jù)所有電力線信道參數(shù)評估模型獲得的所有歷史樣本的評估結(jié)果合為訓(xùn)練樣本集,根據(jù)訓(xùn)練樣本集對基于Adaboost算法的評估模型進行訓(xùn)練,獲得電力線信道質(zhì)量評估模型。
在其中一個實施例中,綜合評估單元230初始化訓(xùn)練樣本集中所有訓(xùn)練樣本的概率;在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本,根據(jù)抽取的訓(xùn)練樣本訓(xùn)練基于Adaboost算法的評估模型中的分類器;計算分類器的錯誤率,在錯誤率小于錯誤率閾值時,根據(jù)錯誤率計算分類器的權(quán)重;在錯誤率大于或等于錯誤率閾值時,將出現(xiàn)分類錯誤的訓(xùn)練樣本的概率增加第一預(yù)設(shè)步長,將未出現(xiàn)分類錯誤的訓(xùn)練樣本的概率減小第二預(yù)設(shè)步長,對訓(xùn)練樣本集中對應(yīng)的訓(xùn)練樣本的概率進行更新,并重新在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本,直至錯誤率小于錯誤率閾值;重新在訓(xùn)練樣本集中隨機抽取若干個訓(xùn)練樣本,直至獲得預(yù)設(shè)個數(shù)的分類器的權(quán)重;根據(jù)預(yù)設(shè)個數(shù)的分類器的權(quán)重,對預(yù)設(shè)個數(shù)的分類器進行加權(quán)疊加,獲得電力線信道質(zhì)量評估模型。
在其中一個實施例中,初始化后的訓(xùn)練樣本集中所有訓(xùn)練樣本的概率相同。
在其中一個實施例中,電力線信道參數(shù)評估模型為兩個,分別為基于多變量決策樹的分析評估模型和基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型;
初步評估單元220利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估;
初步評估單元220利用基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型分別對多個歷史樣本進行評估。
在其中一個實施例中,初步評估單元220按照影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型對影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)的多個歷史樣本進行劃分,對每種類型的影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)進行數(shù)據(jù)分析,確定影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型的特征樣本;根據(jù)影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)類型的特征樣本構(gòu)建基于多變量決策樹的分析評估模型,根據(jù)基于多變量決策樹的分析評估模型對多個歷史樣本分別進行評估。
在其中一個實施例中,初步評估單元220確定影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)中的影響要素,從多個歷史樣本中提取電力線信道質(zhì)量影響要素樣本,利用遞歸神經(jīng)網(wǎng)絡(luò)建立影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系;根據(jù)映射關(guān)系構(gòu)建基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型,根據(jù)基于遞歸神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型對多個歷史樣本分別進行評估。
在其中一個實施例中,遞歸神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層;
初步評估單元220利用影響要素樣本構(gòu)建輸入層、利用預(yù)設(shè)電力線信道質(zhì)量編碼構(gòu)建輸出層,對遞歸神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,獲得影響要素樣本與預(yù)設(shè)電力線信道質(zhì)量編碼之間的映射關(guān)系。
在其中一個實施例中,影響電力線信道質(zhì)量的電力線相關(guān)參數(shù)包括電力線長度、電力線分支數(shù)、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度。
本發(fā)明的電力線信道的調(diào)整系統(tǒng)與本發(fā)明的電力線信道的調(diào)整方法一一對應(yīng),在上述電力線信道的調(diào)整方法的實施例闡述的技術(shù)特征及其有益效果均適用于電力線信道的調(diào)整系統(tǒng)的實施例中。
以上所述實施例的各技術(shù)特征可以進行任意的組合,為使描述簡潔,未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述,然而,只要這些技術(shù)特征的組合不存在矛盾,都應(yīng)當認為是本說明書記載的范圍。
以上所述實施例僅表達了本發(fā)明的幾種實施方式,其描述較為具體和詳細,但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當指出的是,對于本領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進,這些都屬于本發(fā)明的保護范圍。因此,本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。