本发明涉及电信通讯领域，具体涉及一种基于幂迭代ica算法的电力线通信信号去噪方法。
背景技术：
电力线通信(powerlinecommunication，简称plc)技术是一种利用电力线作为传输介质进行信息传输的通信方式。现有电力线网络的广泛分布，该技术不仅能够节约网络建设成本，而且还具有覆盖范围广、连接方便等优点，因此近年来，plc技术受到越来越多的关注，逐渐成为智能电网、自动智能抄表、智能家居等领域的研究热点。
然而，由于电力线网络最初的建设目的是传输电能，而不用作通信，因此电力线通信系统的信道环境十分恶劣，主要表现为信道损耗严重，存在多径效应，且噪声干扰非常大。这些电力线通信特点导致接收机接收的信号具有较低的信噪比，通信信号和噪声信号解混复杂，无法在低信噪比条件下实现通信数据正确传输。
技术实现要素：
本发明提供一种基于幂迭代ica算法的电力线通信信号去噪方法，利用幂迭代ica算法执行信号解混，实现对噪声的抑制，满足通信的高效性、准确性，更好地提高电力线通信系统的实时性和通信质量。
为实现上述目的，本一种基于幂迭代ica算法的电力线通信信号去噪方法，具体包括以下步骤：
步骤1、对电力线采集原始的混合信号；
步骤2、对步骤1中的混合信号进行预处理，使混合信号接近ica的基本假设；
步骤3、先选取合适的ica解混方式，求取出幂迭代公式；再将步骤2中预处理后的混合信号进行幂迭代ica分解，分解出两组独立的解混信号；
步骤4、对分解出的两组解混信号进行识别，通过比较预设的阈值，判断得出通信信号和噪声信号，完成信噪识别。
进一步的，通信信号通过电力线通道进行传输时，通过带电容耦合的高阻抗电压探针采集电力线中的ofdm信号，再使用usb数据采集卡来采集两组ofdm信号数据，然后将两组电力线信号构建成两路源信号混合信号。
进一步的，步骤2中混合信号的预处理包括中心化处理和白化处理；
中心化处理是将混合信号的均值归零；
白化是消去混合信号各个分量的相关性，使得白化后的信号的分量之间二阶统计独立，通过线性变换作用于中心化的混合信号，使得变换后的随机向量的协方差矩阵为单位阵。
进一步的，步骤4中具体包括以下步骤：
先将两组解混信号的前导字段进行幅度归一化处理，幅度归一化处理后的两组解混信号的前导字段分别与混合信号前导序列中对应字段进行互相关，取互相关值中最大值较大的信号作为通信信号，较小的信号作为噪声信号；
设定阈值并定义解混比值，当解混比值大于阈值时，幂迭代ica分解完成，得到通信信号和噪声信号，否则再进行步骤3迭代。
进一步的，将解混比值作为解混效果判断标准，当解混比值越大时，得到的通信信号与原始信号相关度越高，分离效果越好。
进一步的，所述解混比值δ的计算公式如下：
其中xcor1、xcor2对应为幅度归一化处理后的两组解混信号的前导字段分别与混合信号前导序列中对应字段进行互相关处理后的取值；
max{·}、abs{·}、min{·}分别表示取最大值、绝对值和取最小值。
进一步的，所述幅度归一化处理是将两组解混信号中各分量除以前导序列中的最大值分量，从而使得两组解混信号的前导字段归一化至[0,1]的区间内。
与现有技术相比，本一种基于幂迭代ica算法的电力线通信信号去噪方法，通过对电力线原始的混合信号的采集和预处理，利用幂迭代ica算法执行信号解混，进而实现对噪声的抑制，判断得出通信信号和噪声信号，在信噪识别中，将解混信号的前导字段分别与混合信号前导序列中对应字段进行互相关处理，取互相关值中最大值较大的信号作为有效信号，较小的信号作为噪声信号，有效解决传统fastica算法解混后的信号顺序具有不确定性的问题，定义分离比值为相关值最大值之间的比值，作为解混效果判断标准，设置合适的分离比值阈值，从而确定解混后的信号顺序；因此本方法不仅比传统的fastica算法解混更稳定，满足通信的高效性、准确性，而且该算法可以在并行节点上运行，节约运行时间，能够更好地提高电力线通信系统的实时性和通信质量。
附图说明
图1为本发明的工艺方法流程图；
图2为本发明的混合信号解混处理示意图；
图3为本发明的解混信号信噪识别示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1、图2、图3所示，本一种基于幂迭代ica算法的电力线通信信号去噪方法，包以下流程：混合信号采集、预处理、幂迭代ica算法分离和信噪识别，具体包括以下步骤：
步骤1、对电力线采集原始的混合信号；
通信信号通过电力线通道进行传输时，通过现有数据采集设备采集电力线中的ofdm信号，比如采集设备为带电容耦合的高阻抗电压探针，再使用usb数据采集卡来采集两组ofdm信号数据，然后将两组电力线信号构建成两路源信号混合信号，分别为x1和x2，其相应表达为
其中，
步骤2、对步骤1中的混合信号进行预处理，使混合信号接近ica的基本假设；
步骤2-1预处理主要包括中心化处理和白化处理；
中心化是将混合信号的均值归零；其相应的计算如下，混合信号x的均值为
m＝e(x)
除去均值：
x'＝x-m
即完成混合信号的中心化处理x'；
而白化即球化，本质是消去混合信号各个分量的相关性，使得白化后的信号的分量之间二阶统计独立，通过线性变换t作用于均值归零后(中心化)的混合信号，使得变换后的随机向量的协方差矩阵为单位阵。
白化的过程如下：
变换后随机向量x”的计算公式如下：
x”＝tx'
其中：x”为均值归零后的混合信号，t为白化矩阵；
变换后随机向量x”的协方差矩阵rx”＝i(i为单位阵)，即完成混合信号的白化处理，
并将x”→x，作为预处理后的混合信号输出；
另外，白化矩阵t的求解方式如下：
计算中心化混合信号x'的协方差矩阵为rx'，rx'可以分解出特征值和特征向量，rx'表示为：
rx'＝q∑2qt
其中∑2为对角矩阵，其对角线上各元素为rx'的特征值，而正交矩阵q的列向量为rx'的特征值所对应的正交化和标准化后的特征向量。因此白化矩阵t的公式为：
t＝∑-1qt
步骤3、对预处理后的混合信号进行幂迭代ica分解，分解出两组解混信号，完成信号的信噪解混；
步骤3-1、选取合适的ica解混方式，进而求取出幂迭代公式；
采用基于负熵最大的幂迭代ica算法，基于负熵最大的幂迭代ica算法以负熵最大作为搜寻方向，以便顺序地提取独立源，随机变量y的微分熵的表达式为：
h(y)＝-∫py(ξ)logpy(ξ)dξ
其中，py为y的概率密度函数。
ygauss为与随机变量y具有相同方差的高斯随机变量，则随机变量y的负熵ng(y)为：
ng(y)＝h(ygauss)-h(y)
在具有相同方差的随机变量中，高斯分布的随机变量具有最大的微分熵。当随机变量y具有高斯分布时，ng(y)＝0。随机变量y的非高斯性越强，h(y)越小，ng(y)值越大，因此可以将其作为随机变量非高斯性的评估参数。并且计算微分熵h(y)时需要计算概率密度分布函数，在实际应用中难以实现，因此采用近似计算：
ng(y)＝{e[g(y)]-e[g(ygauss)]}2
其中e[.]为均值函数，g(.)为近似观测信号概率密度函数的非线性函数，采用如下公式
g(y)＝tanh(y)
通过幂迭代ica算法寻找解混矩阵w使ng(y)具有最大非高斯特性。解混矩阵w的近似幂迭代公式为：
式中
又因为解混矩阵w的近似幂迭代公式中[h(w)-e[g'(wtx)]i]和h(w)有相同的特征向量，故解混矩阵w的近似幂迭代公式可改写为如下公式：
即为第一个修改后的幂迭代公式，由此可以得到γ(w)的局部最大值wk1；
而为了得到的局部最小值，需要对γ(w)进行一个常数c变化，
即为第二个修改后的幂迭代公式。
与fastica算法相同，随机变量y的负熵ng(y)表示非高斯性的度量，选择接近非高斯性的提取成分。当需要提取多个源时，遵循fastica算法解混相同的步骤，而在算法解混过程中，
第一个修改后的幂迭代公式和第二个修改后的幂迭代公式取代原迭代公式，幂迭代ica算法也可视作一种改进的fastica算法，使解混结果更准确。
步骤3-2、对步骤2预处理后的混合信号进行幂迭代ica算法解混，从而得到两组独立的解混信号。
具体为，利用求取出的两个并行的幂迭代解混公式，可得幂迭代ica迭代算法处理如下：其中
输入：预处理后的混合信号x＝(x1,x2,...,xn)，本发明取其中两个预处理后的混合信号作为输入；
输出：解混矩阵的独立成分w＝(w1,w2,...,wn)
步骤：取k从1～n-1
1)初始化j＝0；
2)
3)模式1:
j←j 1
模式2:
j←j 1
4)重复步骤3)直到收敛；
5)
由图3可知，利用幂迭代ica处理得到的解混矩阵作用于混合信号，可得解混信号z1，z2如下计算公式：
z＝w·x
其中，
步骤4、对分解出的两组解混信号进行识别，通过比较预设的阈值，判断得出通信信号和噪声信号，完成信噪识别；
步骤4-1、为识别通信信号和噪声信号，针对采用ofdm技术的plc信号，如图3所示，采用信号噪声识别方法。
首先将两组解混信号z1，z2的前导字段进行幅度归一化处理，即将z1，z2各分量除以前导序列中的最大值分量，从而使z1，z2的前导字段归一化至[0,1]的区间内；
再将两组解混信号z1，z2的前导字段分别与混合信号x1或者x2前导序列中对应字段进行互相关，取互相关值中最大值较大的信号作为有效信号，较小的信号作为噪声信号，另外混合信号x1与x2实际波形相近，只需与其中一组的前导序列进行互相关即可；定义解混比值为相关值最大值之间的比值，作为解混效果判断标准，设置合适的解混比值阈值即可得到期望的解混效果，并输出通信信号s和信道噪声n；
取相关值xcor1、xcor2中最大值较大者作为通信信号，计算公式如下：
其中，max{·}、abs{·}、min{·}分别表示取最大值、绝对值和取最小值。
为判断信噪分离的效果，定义解混比值δ作为分离效果的评价参数，计算公式如下：
δ＝max{b}/min{b}
δ越大，得到的通信信号s与原始信号相关度越高，分离效果越好。设置阈值t，当δ>t时，ica分离完成，即可得到通信信号s和噪声信号n；否则再进行步骤3的迭代。
本一种基于幂迭代ica算法的电力线通信信号去噪方法，通过对电力线原始的混合信号的采集和预处理，利用幂迭代ica算法执行信号解混，进而实现对噪声的抑制，判断得出通信信号和噪声信号，完成信噪识别，不仅比传统的fastica算法解混更稳定，满足通信的高效性、准确性，而且该算法可以在并行节点上运行，节约运行时间，能够更好地提高电力线通信系统的实时性和通信质量。
1.一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，具体包括以下步骤：
步骤1、对电力线采集原始的混合信号；
步骤2、对步骤1中的混合信号进行预处理，使混合信号接近ica的基本假设；
步骤3、先选取合适的ica解混方式，求取出幂迭代公式；再将步骤2中预处理后的混合信号进行幂迭代ica分解，分解出两组独立的解混信号；
步骤4、对分解出的两组解混信号进行识别，通过比较预设的阈值，判断得出通信信号和噪声信号，完成信噪识别。
2.根据权利要求1所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，步骤1中具体步骤如下：通信信号通过电力线通道进行传输时，通过带电容耦合的高阻抗电压探针采集电力线中的ofdm信号，再使用usb数据采集卡来采集两组ofdm信号数据，然后将两组电力线信号构建成两路源信号混合信号。
3.根据权利要求2所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，步骤2中混合信号的预处理包括中心化处理和白化处理；
中心化处理是将混合信号的均值归零；
白化是消去混合信号各个分量的相关性，使得白化后的信号的分量之间二阶统计独立，通过线性变换作用于中心化的混合信号，使得变换后的随机向量的协方差矩阵为单位阵。
4.根据权利要求1至3任意一项所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，步骤4中具体包括以下步骤：
先将两组解混信号的前导字段进行幅度归一化处理，幅度归一化处理后的两组解混信号的前导字段分别与混合信号前导序列中对应字段进行互相关，取互相关值中最大值较大的信号作为通信信号，较小的信号作为噪声信号；
设定阈值并定义解混比值，当解混比值大于阈值时，幂迭代ica分解完成，得到通信信号和噪声信号，否则再进行步骤3迭代。
5.根据权利要求4所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，将解混比值作为解混效果判断标准，当解混比值越大时，得到的通信信号与原始信号相关度越高，分离效果越好。
6.根据权利要求4所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，所述解混比值δ的计算公式如下：
{b}＝{max{max{xcor1},abs{min{xcor1}}},max{max{xcor2},abs{min{xcor2}}}}
δ＝max{b}/min{b}
其中xcor1、xcor2对应为幅度归一化处理后的两组解混信号的前导字段分别与混合信号前导序列中对应字段进行互相关处理后的取值；
max{·}、abs{·}、min{·}分别表示取最大值、绝对值和取最小值。
7.根据权利要求4所述的一种基于幂迭代ica算法的电力线通信信号去噪方法，其特征在于，所述幅度归一化处理是将两组解混信号中各分量除以前导序列中的最大值分量，从而使得两组解混信号的前导字段归一化至[0,1]的区间内。
技术总结