专利名称：一种广播电视接入网上行信道噪声智能识别方法
技术领域：
本发明属于广播电视网络双向传输健康监测领域，具体涉及ー种适于下一代广播电视网(NGB)接入网上行信道噪声识别及故障诊断技木。
背景技术：
《国民经济和社会发展第十一个五年规划纲要》中明确指出加强宽带通信网、数字电视网和下一代互联网等信息基础设施建设，推进三网融合，健全信息安全保障体系。国家“十二五”规划将“三网融合”列为发展新一代信息技术的重点内容。加快建设新一代有线数字电视网络不仅是有线网络自身升级换代、实现可持续性发展的内在需求，更是推进国家信息化(三网融合)的必然要求。有线电视网是国家信息化基础设施，具有业务内容丰富、内容可控可管、用户群体巨大等方面的优势，可以满足未来多种业务发展的需求，符合 以视频为主导的宽带业务发展趋势。因此，在国家信息化中更多地依靠有线电视网络，充分发挥广电网络的优势，是符合中国国情、从实际出发的选择，是以较短的时间、较低的成本，跨越数字鸿沟，实现进入千家万户的信息化和安全的信息化的有效途径。2008年12月4日，科技部与国家广电总局正式签署了《国家高性能宽带信息网暨中国下一代广播电视网自主创新合作协议书》，按照协议要求，广电总局开始着手建设下ー代广播电视网(NGB)。2009年7月31日，科技部、国家广电总局和上海市政府在上海举行中国“下一代广播电视网(NGB)启动暨上海示范网合作协议签字仪式”，中国下一代广播电视网进入实质性推进阶段。2010年7月I日，国务院正式公布第一批三网融合试点地区/城市名单，包括北京、上海、深圳等在内的12个城市均在其中。业内人士指出，这是政府层面发展有线网络整合乃至“三网融合”的积极信号。2010年底，国家广播电影电视总局科技司司长王效杰透露广电部门正在组建NGB技术工作组，计划成立16个专题组进行标准研究与产业开发的推动，其中包括适应上行信道环境的接入网技术研究。从网络改造的方式上看，目前国内存在多种基于有线电视电缆分配网络的双向接入技木。其中，光纤同轴电缆混合(HFC)接入是应用最广泛的基于有线电视(CATV)网络的接入方式，可以提供有线电视广播业务和话音、数据以及其他交互性业务。在进行双向改造吋，工程技术人员普遍对下行信道技术比较熟悉，容易把握。因为对于下行信道而言，信号是从前端逐级分散到终端的，只要运营者严格控制住前端的信号，就比较容易控制住整个系统的稳定。而上行信道恰恰相反，信号从与系统连接的各个终端出发，进入上行信道向前端传送，在此过程中，所有終端回传信号汇聚到ー个点上，同时噪声和干扰也汇集在一起，形成“回传噪声漏斗”。这个问题在中国尤为突出，也是目前中国的有线电视网络改造过程中急需解决的ー个主要问题。因此，在建设NGB的大背景下，如何对抗上行信道噪声和干扰引起的信号损伤，成为双向宽带网络建设能否成功的关键。尽管现在以EPON为代表的多种宽带技术发展迅速，“光进铜退”逐渐成为趋势，每个光节点覆盖的用户数逐渐减少，甚至部分实现了光纤到户(FTTH)，在一定程度上减弱了“回传噪声漏斗”的影响。但是，各种双向接入网上行信道的噪声和干扰仍是阻碍双向化改造取得成功的最主要原因。
NGB网上行信道的噪声和干扰主要有两大类来源于网络内部的结构噪声和来源于网络外部的侵入噪声，后者又称为侵入干扰。结构噪声主要由热噪声组成，而侵入干扰主要包括脉冲干扰和窄带连续波干扰。通过对实际NGB网络上行信道损伤信号长期、大量地观察和统计分析可以得到实际NGB网络上行信道损伤信号频谱图与噪声、干扰类型的一一对应关系。研究从实际NGB网络上行信道数据中快速、准确、智能地判断出信道中噪声和干扰的类型，进而协助查找引起故障的原因具有重要应用价值和现实意义。目前针对上行信道噪声引起的信号损伤，主要有两种解决措施一是尽量减少每个光节点所帯的用户数，并提高网络的质量，主要是运用高质量的设备和传输线路；ニ是在网络受到噪声和干扰的影响之后，通过维护人员人工逐步排查，找出故障所在。前者使得网络建设的成本过高，不适合大范围的应用；后者需要专业人员的大量投入，效率很低，不能满足用户对网络可靠性的要求。为了更好地解决双向接入网上行信道噪声和干扰造成的信号损伤问题，必须对上行信道噪声的来源、性质及其对业务的影响等特性进行研究，开发ー种噪声的智能识别方法，以便于对噪声的快速和智能定位，为下ー步噪声的排除提供依据。
发明内容
针对NGB接入网上行信道容易引发信号损伤的噪声问题，本发明提出了一种适用 于NGB接入网上行信道噪声的智能识别方法，该方法能够自动识别噪声类型，提高了 NGB网络上行信道健康监测维护的效率，为上行信道故障诊断的智能化打下了基础。本发明的技术方案如下一种广播电视接入网上行信道噪声智能识别方法，包括下列步骤I)获得实际NGB网络上行信道的实时频谱数据；2)将NGB网络上行信道的主要噪声划分为热噪声、窄带连续波干扰、宽带脉冲干扰三种，从实际NGB网络上行信道的实时频谱数据选取ー些场的频谱数据场作为训练和测试数据，并判断每ー场的频谱数据的主要噪声种类；3)提取每一场的多个频点的幅度数据；4)从每ー场的多个频点的幅度数据中提取六个特征值频谱幅度均方根值、方差、自功率谱幅度的均值和方差、倒频谱幅度的均值和方差；5)建立三层BP神经网络，其输入节点为6个，分别代表ー场幅度数据的方差、均方根、自功率谱的均值和方差、倒频谱的均值和方差，输出节点为3个，分别代表信道中存在的主要噪声类型，包括热噪声、窄带连续波噪声、宽带脉冲干扰三种，隐藏层为I层；6)采用LM算法，利用训练和测试的数据进行BP神经网络的训练，得到对下一代广播电视接入网NGB上行信道进行噪声智能识别的神经网络模型；7)利用得到的神经网络模型对新输入的NGB上行信道的实时频谱数据的噪声类型进行有效的判断。作为优选实施方式，所述的下一代广播电视接入网NGB上行信道噪声智能识别方法，利用Matlab进行基于LM算法的BP神经网络训练，选取transig为隐含层及输出层所有神经元的激活函数。本发明将BP神经网络运用到NGB上行信道故障诊断识别中，通过提取代表上行信道中的频谱特征的特征參数作为神经网络的输入，使用实际的NGB上行信道频谱数据训练网络从而得到噪声或干扰类型。通过仿真给出了最适合NGB上行信道故障诊断的学习算法和激活函数，并针对该算法和激活函数推导出了权值修正量并使用C语言对算法进行实现。实践表明，应用BP神经网络算法后故障诊断准确率达到85%以上，该方法具有较好的实用价值。
图I是NGB上行"[目道噪声识别流程图。图2为本发明采用的神经网络结构。输入6个神经元，4个隐藏层，3个输出分别代表热噪声，窄带连续波干扰，脉冲干扰。图3用于训练神经网络的LM算法。
最佳实施方式如图I所示，本发明包括四个主要步骤NGB上行信道噪声和干扰分析、数据获取、特征值计算、神经网络训练和测试。具体方案如下(一)NGB上行信道噪声和干扰分析NGB上行信道的噪声和干扰主要有两大类来源于网络内部的结构噪声和来源于网络外部的侵入噪声，后者又称为侵入干扰。结构噪声主要由热噪声组成，而侵入噪声主要包括脉冲干扰和窄带连续波干扰。通过对实际NGB网络上行信道损伤信号长期、大量地观察和统计分析可以得到实际NGB网络上行信道损伤信号频谱图与噪声、干扰类型的一一对应关系。热噪声主要对“平均值”有贡献，其大小与频率无关，占据整个上行频段。短波无线电广播、通信和业务无线电都属于窄带连续波干扰源。短波无线电发射机的工作频段是5 30MHz，处在NGB上行信道的工作频率范围，于是会产生若干频率固定但幅度起伏的窄带辐射干扰。宽带脉冲干扰的特点是偶然性非常强、幅度大、持续期短、频带宽。其持续时间小于10ms。通过频谱仪的检测，可以观察到随机出现的短脉冲，幅度有大有小，如果这种干扰脉冲的频率落在NGB上行信道的工作频段内，而且幅度足够大，持续时间足够长，则可能会引起各个上行信道的CM全部掉线。(ニ)数据获取采用天津市德カ电子仪器有限公司提供的DS1610双向宽带网络测试系统，准确地获得不同地点、不同时段的实际NGB网络上行信道的实时频谱数据。利用该系统，可以获取实际NGB网络上行信道损伤信号数据，便于对上行信道损伤信号的特征进行分析研究。通过德カ公司提供的软件DS1610Play截取信道中存在主要噪声(热噪声、窄带连续波干扰、宽带脉冲干扰)的ー场数据。通过德カ公司提供的ExtractVideoData软件,提取出该场251个频点的幅度数据，并将其保存为txt格式，以便随后的特征值提取工作。分别挑选100场不同地点、不同时段的NGB上行信道频谱数据。其中，10场中存在热噪声，45场中存在窄带连续波干扰，45场中存在宽带脉冲干扰。(三)特征值计算本发明采用天津市德カ电子仪器有限公司提供的DS1610双向宽带网络测试系统，准确地获得了实际NGB网络上行信道的实时频谱数据。首先，截取ー场的数据，通过人エ判断得出信道中本场存在的主要噪声(热噪声、窄带连续波干扰、宽带脉冲干扰)。其次，提取出该场频谱的幅度数据，并保存为txt格式。最后，利用MATLAB对数据进行读取并进行六个特征值(频谱幅度均方根值、方差、自功率谱的均值和方差、倒频谱的均值和方差)的提取。(四)神经网络训练和测试( I)神经网络的结构确定根据Kolmogorov定理,一个三层的BP神经网络足以实现任意的X G R1到Y G Rm的映射。选用应用比较广泛的反向传播神经网络结构。反向传播神经网络由输入层、隐含层和输出层组成，隐含层可以是ー层或多层。理论上，増加隐含层数目可以降低网络误差，提高精度，但实际上，BP算法的误差是通过输出层向输入层反向传播，层数愈多，反射传播的误差在靠近输入层时变得愈不可靠，对权值修正的结果也就变得不可靠，同时隐层数的 増加会造成BP网络过于复杂，大大的降低BP算法的收敛速度，增加网络的训练时间和出现“过拟合”。实践证明，通过增加隐层节点数来获得较低的误差要比増加隐层数目更容易实现。因此，本发明把HFC上行信道故障诊断系统的BP网络的隐层个数设置为1，即只含ー个隐含层。其中，输入节点为6个，分别代表ー场251个数据的方差、均方根、自功率谱的均值和方差、倒频谱的均值和方差，输出节点为3个，分别代表信道中存在的主要噪声类型，包括热噪声、窄带连续波噪声、宽带脉冲干扰三种，隐藏层为I层，如图2所示。BP网络设计过程当中，隐层节点数的选择是神经网络结构设计中ー个相对比较复杂的问题，隐层节点数与输入层的节点数有直接的关系，隐层节点数选择多，将会造成网络的训练时间长，导致网络收敛速度慢甚至不收敛，同时会降低网络的泛化能力，隐层节点数选择太少，则会造成网络的容错性能下降，因此BP网络隐层节点个数的选择是优化BP神经网络性能的关键问题。但目前尚无确定的理论来确定BP网络隐层节点个数，主要依靠经验来设置隐层节点个数。根据參考资料，得到适用于HFC上行信道故障诊断的隐层节点数的经验公式Nhl = int°° ((Na+Nol)/2)。其中，Nhl为隐层节点数，Nil为输入层节点数，Ntjl为输出层节点数，int~表示朝着无穷大的方向取整。经过多次试验，本发明中隐含神经元数目为6。(2)神经网络学习算法选取在人工神经网络故障诊断应用中，BP神经网络模型得到了广泛的应用，但是它也存在自身的限制和不足，例如容易出现局部最小值的问题，会出现由于初始权值选取不当导致训练时间过长的问题等[3]。为此，研究人员对标准BP神经网络的梯度下降法训练算法进行了改进，提出了很多改进算法，比较常用的改进算法有变学习率梯度下降算法、弾性BP算法、SCG算法、LM算法、OSS算法等五种，但究竟哪种算法更适合HFC上行信道的故障诊断，我们对此进行了仿真验证。首先选取100场频谱数据，其中，10场中存在热噪声，45场中存在窄带连续波干扰，45场中存在宽带脉冲干扰。随机选取80场数据分别采用上述五种算法借助Matlab对神经网络进行训练，采用20场数据进行测试。仿真參数设置如下隐层节点数为6，训练次数epochs为1000,训练目标goal为0. 001,学习率Ir为0. I。比较仿真结果可以清晰地看出，同样都进行了 1000次迭代运算，利用LM算法能够训练中迅速收敛，避免陷入局部极小值问题。显然，LM算法可以大大提高网络的训练速度与训练精度，节省训练时间，适合诊断HFC上行信道故障。当训练样本数量十分巨大吋，该算法优点显而易见，从而节约成本，提闻效率。(3)激活函数选取LM算法中，激活函数的选取对故障诊断的结果有很大的影响。我们采用不同的激活函数对神经网络进行训练。为了表述方便，我们隐含层所有神经元的激活函数为TF1，输出层所有神经元的激活函数为TF2。我们分别选择TFl = transig,TF2 = transig ；TF1 =transig,TF2 = logsig ；TF1 = logsig,TF2 = purelin ；TF1 = logsig,TF2 = logsig ；TF1=purelin, TF2 = purelin。训练结果表明，采用当 TFl = transig, TF2 = transig 时训练效果最好。(4)基于LM算法的NGB上行信道故障诊断系统的实现神经网络是求解最优化问题的最常用方法，它的目标就是通过输入输出样本对{(x(1),d(1)), (x(2)，d(2))，…，(x(p),d(p))}来调节连接网络的权值向量W，从而使误差函数e (W)达到最小值。其中每个输入样本向量X= {x(l)，x(2)，…，x(m)}，m为输入层节点数；每个期望输出向量D= {d(l)，d(2)，…d(n)}，n为输出层节点数。设输出层实际输出向量Y= {y(l)，y(2)，…y(n)}，误差函数可以表示为
权利要求
1.一种广播电视接入网上行信道噪声智能识别方法，包括下列步骤 1)获得实际NGB网络上行信道的实时频谱数据； 2)将NGB网络上行信道的主要噪声划分为热噪声、窄带连续波干扰、宽带脉冲干扰三种，从实际NGB网络上行信道的实时频谱数据选取一些场的频谱数据场作为训练和测试数据，并判断每一场的频谱数据的主要噪声种类； 3)提取每一场的多个频点的幅度数据； 4)从每一场的多个频点的幅度数据中提取六个特征值频谱幅度均方根值、方差、自功率谱幅度的均值和方差、倒频谱幅度的均值和方差； 5)建立三层BP神经网络，其输入节点为6个，分别代表一场幅度数据的方差、均方根、自功率谱的均值和方差、倒频谱的均值和方差，输出节点为3个，分别代表信道中存在的主要噪声类型，包括热噪声、窄带连续波噪声、宽带脉冲干扰三种，隐藏层为I层。
6)采用LM算法，利用训练和测试的数据进行BP神经网络的训练，得到对下一代广播电视接入网NGB上行信道进行噪声智能识别的神经网络模型； 7)利用得到的神经网络模型对新输入的NGB上行信道的实时频谱数据的噪声类型进行有效的判断。
2.根据权利要求I广播电视接入网上行信道噪声智能识别方法，其特征在于，利用Matlab进行基于LM算法的BP神经网络训练，选取transig为隐含层及输出层所有神经元的激活函数。
全文摘要
本发明属于广播电视网络双向传输健康监测领域，涉及一种广播电视接入网上行信道噪声智能识别方法，包括获得实际NGB网络上行信道的实时频谱数据；将NGB网络上行信道的主要噪声划分为热噪声、窄带连续波干扰、宽带脉冲干扰三种，从实际NGB网络上行信道的实时频谱数据选取一些场，并判断每一场的主要噪声种类；提取每一场的多个频点的特征值；建立三层BP神经网络；采用LM算法，并进行BP神经网络的训练，得到对下一代广播电视接入网NGB上行信道进行噪声智能识别的神经网络模型；利用得到的神经网络模型对新输入的NGB上行信道的实时频谱数据的噪声类型进行有效的判断。本发明的故障诊断准确率达到85%以上，具有较好的实用价值。
文档编号H04B17/00GK102769501SQ20121025858
公开日2012年11月7日 申请日期2012年7月24日 优先权日2012年7月24日
发明者刘开华, 朱琳, 马永涛 申请人:天津大学