一种基于CNN-GRU的OFDM-HPLC系统信道预测方法、存储介质及设备

本发明属于信道，具体地，涉及一种基于cnn-gru的ofdm-hplc系统信道预测方法、存储介质及设备。

背景技术：

1、高速电力线载波通信(high-speed power line communication，hplc)是通过已经铺设好的电力线路作为通信介质来进行数据传输的技术。随着智能电网、泛在电力物联网以及智能家居的迅速发展，hplc技术获得了规模化应用。由于电力线路的铺设主要是为了传输工频电力信号，并没有考虑其用作通信介质，因此，利用电力线进行通信需要解决一系列难题，如信号衰减大、多径效应、脉冲干扰严重等。另外，hplc不友好的通信环境，与电力线上存在的阻抗不匹配问题密切相关。由于正交频分复用(orthogonal frequencydivision multiplexing，ofdm)技术能够在一定程度上抵抗信道多径效应引起的频率选择性衰落，消除噪声干扰，并且可以在电力线信道带宽有限的情况下充分利用频带来实现数据的高速传输，因此被广泛应用于hplc技术中。虽然ofdm技术能够对抗电力线信道多径效应带来的不良影响，但由于电力线路节点众多，且脉冲噪声与背景噪声并存，ofdm技术并不能完全消除其带来的负面影响。所以，相较于其他传统无线信道，电力线多径时变信道的传输特性更加难以预测。功率较高且突发性极强的噪声干扰使信号在电力线信道传输的过程当中产生误码现象，大大降低了数据传输的准确性，因此对电力线信道的传输特性进行准确估计对提高hplc传输质量十分关键。

2、ofdm系统的传统信道估计算法有最小二乘法(least square，ls)、最小均方误差法(minimum mean square error，mmse)和离散傅里叶变换法(discrete fouriertransform，dft)等。ls算法计算简单，但误差较大，应用较少。mmse算法是最理想的算法，其准确度高，但计算复杂，需要二阶信道先验信息，实际应用上难以实现。而dft算法在计算复杂度和估计误差中取得了一个较好的平衡，能够在低于mmse算法计算量的前提下获得优于ls算法的性能。

3、由于深度学习在函数拟合方面表现出其强大的计算能力，不少学者已将其应用到信道估计领域。目前基于深度学习的信道估计算法均是针对无线信道场景，而电力线信道是有线信道，其特性复杂多变，并且存在较强的多径效应和脉冲噪声干扰。因此，基于无线信道的深度学习算法并不适用于hplc通信环境。

技术实现思路

1、针对现有技术中存在的问题，本发明提供了一种基于cnn-gru的ofdm-hplc系统信道预测方法、存储介质及设备，通过将深度学习与hplc的信道频率响应预测相结合，以此提高信道频率响应预测的准确性，使得预测的信道频率响应更接近于真实值。

2、为实现上述技术目的，本发明采用如下技术方案：一种基于cnn-gru的ofdm-hplc系统信道预测方法，具体包括如下步骤：

3、步骤1、根据高速电力线载波通信的时变特性，对高速电力线多径信道传输模型进行改进，得到高速电力线多径时变信道模型，获取高速电力线多径时变信道的频率响应；

4、步骤2、结合ofdm-hplc系统的发射信号、噪声，得到ofdm-hplc系统的频域接收信号；

5、步骤3、提取ofdm-hplc系统的频域接收信号中的导频信号，进行导频子载波的信道估计，经离散傅里叶变换逆变换，得到时域下对应子载波序号的信道脉冲响应；

6、步骤4、对时域子载波序号进行划分，将循环前缀以外的时域子载波序号视为噪声并进行置零处理，并将置零后的信道脉冲响应进行离散傅里叶变换，得到信道估计值；

7、步骤5、将ofdm-hplc系统的频域接收信号与信道估计值均进行实数部分与虚数部分的提取组合，得到训练集；

8、步骤6、构建cnn-gru深度学习网络，将训练集输入cnn-gru深度学习网络中训练，直至损失函数收敛，完成对cnn-gru深度学习网络的训练；

9、步骤7、实时采集ofdm-hplc系统的频域接收信号，进行实数部分与虚数部分的提取组合，输入到训练好的cnn-gru深度学习网络中，预测出信道频率响应的实部与虚部，经反向重组，得到信道频率响应预测值。

10、进一步地，步骤1包括如下子步骤：

11、步骤1.1、建立高速电力线多径信道传输模型hf：

12、

13、其中，f为信号频率，l为多径数，i为l的索引，gi为第i条路径的权重系数，a0、a1均为衰减参数，u为衰减指数，di为第i条路径的长度，ε为传输线介电常数，c0光速，j为虚数单位；

14、步骤1.2、根据高速电力线载波通信的时变特性，将gi修改为gi(t)＝gi+y，|gi|≤1，其中，y表示介于-0.01～0.01之间的随机数；

15、步骤1.3、对gi(t)作快速傅里叶变换，得到高速电力线多径时变信道模型：

16、

17、其中，表示高速电力线多径时变信道的频率响应。

18、进一步地，步骤2的具体过程为：将ofdm-hplc系统的时域发射信号、时域噪声结合高速电力线多径时变信道的频率响应，得到ofdm-hplc系统的时域接收信号，进行快速傅里叶变换后，得到ofdm-hplc系统的频域接收信号。

19、进一步地，所述ofdm-hplc系统的频域接收信号y(k)具体为：

20、

21、其中，n表示子载波总量，k表示子载波序号，x(k)表示ofdm-hplc系统中第k个子载波的时域发射信号经傅里叶变换后的频域发射信号，表示ofdm-hplc系统中第k个子载波的电力线多径时变信道的频率响应，w(k)表示ofdm-hplc系统中第k个子载波的时域噪声经傅里叶变换后的频域噪声。

22、进一步地，步骤3具体为：提取ofdm-hplc系统的接收频域信号中的导频信号，根据频域发射信号中的导频信号通过最小二乘信道估计算法获取导频子载波的信道估计，通过离散傅里叶变换逆变换转换到时域，得到时域下对应子载波序号的信道脉冲响应。

23、进一步地，所述导频子载波的信道估计表示为：

24、

25、其中，yp(k)表示ofdm-hplc系统中的第k个子载波的频域接收信号中的导频信号，xp(k)表示ofdm-hplc系统中的第k个子载波的频域发射信号中的导频信号。

26、进一步地，所述时域下对应子载波序号的信道脉冲响应表示为：

27、

28、其中，表示时域下第n个子载波序号的信道脉冲响应值，idft( )表示离散傅里叶变换的逆变换。

29、进一步地，步骤4中对时域子载波序号进行划分的过程为：

30、

31、其中，ncp表示循环前缀cp的长度。

32、进一步地，步骤4中信道估计值的计算过程为：

33、

34、进一步地，步骤5中训练集表示为：

35、ypre＝{real(y(0)),imag(y(0)),…,real(y(n-1)),imag(y(n-1))}

36、

37、其中，real()表示提取的实部，imag()表示提取的虚部，ypre表示进行实数部分与虚数部分的提取组合的ofdm-hplc系统的频域接收信号，为表示进行实数部分与虚数部分的提取组合的信道估计值。

38、进一步地，步骤6中训练集将进行实数部分与虚数部分的提取组合的ofdm-hplc系统的频域接收信号作为cnn-gru深度学习网络的输入，将进行实数部分与虚数部分的提取组合的信道估计值作为cnn-gru深度学习网络的标签。

39、进一步地，所述cnn-gru深度学习网络包括依次连接的第一卷积层、第一relu激活函数、第一池化层、第二卷积层、第二relu激活函数、第二池化层、展平层、第一gru单元、第二gru单元、全连接层和识别模块，所述第一卷积层的卷积核为3×1，神经元为8，用于提取频域接收信号的高维特征；所述第一relu激活函数用于增强第一卷积层的非线性能力，更好地拟合非线性函数；所述第一池化层的尺寸为2×1，步长为5，用于对高维特征进行降维；所述第二卷积层的卷积核为3×1，神经元为4，用于提取频域接收信号的低维特征；所述第二relu激活函数用于增强第二卷积层的非线性能力，更好地拟合非线性函数；所述第二池化层的尺寸为2×1，步长为10，用于对低维特征进行降维；所述展平层用于对多维特征进行展平；所述第一gru单元的神经元为16，用于增强对高维特征的记忆；所述第二gru单元的神经元为8，用于增强对低维特征的记忆；所述全连接层的尺寸为512，用于控制输出特征图的大小；所述识别模块根据输出特征图进行信道频率响应预测。

40、进一步地，所述损失函数l2为：

41、

42、其中，为预测的信道频率响应。

43、进一步地，步骤7中信道频率响应的预测值表示为：

44、

45、其中，表示cnn-gru深度学习网络预测的信道频率响应经反向重组的信道频率响应预测值，j表示虚数单位，表示经cnn-gru深度学习网络预测的信道频率响应。

46、进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的基于cnn-gru的ofdm-hplc系统信道预测方法。

47、进一步地，本发明还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现所述的基于cnn-gru的ofdm-hplc系统信道预测方法。

48、与现有技术相比，本发明具有如下有益效果：本发明基于cnn-gru的ofdm-hplc系统信道预测方法针对hplc信道中存在的脉冲噪声和多径效应等问题，设计了cnn-gru深度学习网络结构，并cnn-gru深度学习网络进行训练，cnn-gru深度学习网络选取了卷积网络cnn针对高维特征及低维特征分别提取，并通过池化层压缩信息，降低模型复杂度，同时，针对hplc信道的时变特性，选取了具有适应并记忆时间序列特征的gru网络，以此达到对hplc多径信道频率响应预测的准确估计；此外，本发明基于电力线多径信道模型改进，建立了更加接近真实hplc信道的多径时变电力线信道模型。与cnn等其它深度学习网络相比，本发明能够以较低的均方误差获得更准确的信道频率响应估计，且计算复杂度较低。