一种电力线通信系统的噪声预测方法
【专利摘要】本发明公开了一种电力线通信系统的噪声预测方法，基于改进的高阶马尔科夫模型对通信噪声进行预测，该方法包括以下步骤：收集通信噪声数据；对收集的噪声数据进行离散化处理，得到离散化的随机序列；利用改进的高阶HM-gMTD模型对离散化的噪声随机序列进行分析预测；以及运用EM算法对上述模型进行参数估计。本发明将HM-gMTD模型的隐过程由一阶马尔科夫链推广到高阶马尔科夫链，并运用EM算法进行参数估计,提高了通信噪声预测的准确度。
【专利说明】一种电力线通信系统的噪声预测方法
【技术领域】
[0001]本发明总体涉及信号分析，特别涉及利用改进的高阶马尔科夫模型对电力线通信系统的通信信号的噪声进行预测。
【背景技术】
[0002]随着机器学习理论的不断发展，统计预测方法的研究及发展有利于进一步加强预测算法的健壮性，减少预测的误差，提高预测的准确性，从而推动科学研究的进步。实际生活中通过高效的预测算法，可以做出准确的决策。马尔科夫理论自提出以来，由于马尔科夫模型具有良好的数学基础作为支撑，拥有其他预测方法没有的优良性和平稳性，已被广泛的应用于语音识别、天气预测、金融序列等方面。传统的一阶马尔科夫链只用现在的状态对未来情况进行预测，故忽略了庞大的历史数据，这就使得一阶马尔科夫链包含的信息量有限，从而大大降低了预测的准确性。为了保证预测的准确性，随后便采用高阶马尔科夫模型。然而高阶马尔科夫模型因为其庞大的参数随模型的阶数呈指数形式增长，导致模型的参数估计难以实现，故该模型并没有在实际工程中得到广泛的应用。
[0003]混合转移分布(MTD)模型的提出解决了高阶马尔科夫模型的参数爆炸问题，即根据有限状态的高阶马尔科夫模型，(t-1)到(t-ι)时刻的观察值独自对现在时刻t的的观察值产生影响，故MTD模型的待估计的参数个数随着阶数呈线性增长。由于它们的近似结构，高阶马尔科夫模型的转移矩阵即可利用MTD模型来估计，例如风向分析、DNA序列分析和社会行为分析等。对比传统的MTD模型定义，Raftery在“A new model for discrete-valuedtime series:Autocorrelations and extensions.Rassegna di Metodi Statistici edAplicazioni, 1985，Vol.4:149 - 162” 提出了更一般化的 MTD 模型gMTD 模型，即用不同的转移矩阵来代替每个步差和现在状态的关系。具体数学表达式如下:
[0004]令Xt，t = 1，…，T取值于有限集M= {1，...，πι}的离散随机变量序列，令xt代表Xt在t时刻的取值。对于I阶gMTD模型本文有
[0005]
【权利要求】
1.一种电力线通信系统的噪声预测方法，该方法基于高阶马尔科夫模型对通信信号的噪声进行预测，包括: 步骤1:收集噪声数据； 步骤2:对收集的噪声数据进行离散化处理，得到离散化的随机序列； 步骤3:利用高阶HM-gMTD模型对离散化的噪声随机序列进行分析预测； 步骤4:运用EM算法对上述模型进行参数估计。
2.根据权利要求1的电力线通信系统的噪声预测方法，其特征在于，步骤3的高阶HM-gMTD模型是利用高阶隐马尔科夫模型将HM-gMTD模型的隐过程应用于到高阶马尔科夫链，形成高阶的隐马尔科夫链。
3.根据权利要求2的电力线通信系统的噪声预测方法，其中高阶HM-gMTD模型具体由以下步骤形成: 在离散化处理后的噪声随机序列中，将噪声幅值分为m个状态，得到状态集合M={1,…，m}； 对于I阶HM-gMTD模型的初始分布
4.根据权利要求1的电力线通信系统的噪声预测方法，其中在步骤4中利用EM算法进行参数估计的具体过程为: 对于隐变量S1+1，…，St和观测变量X1+1,…Χτ，在给定前I个观测值X1,…，X1任意一个给定了的完整数据X1+1,…，XT, S1+1,…，St的条件概率为:
【文档编号】H04B17/00GK103607219SQ201310549906
【公开日】2014年2月26日 申请日期:2013年11月7日 优先权日:2013年11月7日
【发明者】武德安, 黄廷祝, 陈鹏, 吴磊, 刘杰, 冯江远, 张胜娜 申请人:电子科技大学, 成都国科海博信息技术股份有限公司