本发明专利技术公开了一种频段检测模型构建方法及装置、检测方法及装置、接收机，频段检测模型构建方法包括：根据电力线通信协议，生成对应所述协议各频段的前导数据；基于所述前导数据，通过模拟电力线通信信道生成训练样本集；构建卷积神经网络；利用所述训练样本集训练所述卷积神经网络的参数；根据训练完成的卷积神经网络生成频段检测模型。利用该频段检测模型，可以实现在低信噪比条件下对电力线通信频段的准确检测，而且可节省硬件成本及系统功耗。耗。耗。
【技术实现步骤摘要】
频段检测模型构建方法及装置、检测方法及装置、接收机
[0001]本专利技术涉及电力线通信
，具体涉及一种频段检测模型构建方法及装置，还涉及一种频段检测方法及装置、接收机。
技术介绍
[0002]电力线通信(Power Line Communication，PLC)也称电力线载波通信，是基于供电线路进行数据传输的通信技术。电力线通信不同于其它的有线通信方式，通信环境比较复杂，由于接入的用电设备类型众多，用电设备工作时会在供电线路上产生大量的噪声干扰，并且干扰出现的时间和频段都是复杂多变的。针对于高噪声的信道环境，电力线通信协议一般都会定义多个可配置的通信频段，以便于应用时避开一些强干扰的频段。另外，在很多智能电子产品应用场景中，还可能会根据实际的信道环境配置私有的通信频段。
[0003]在现有电力线通信过程中，收发两端必须配置成相同的频段才能正常进行数据传输。在目前的大部分电力线应用中，收发频段一般是提前配置的，该操作虽然比较简单，但降低了频段切换的灵活性，频段切换必须由复杂上层协议配合甚至是软件干预才能完成。这种方式一方面会降低组网接入的效率，另一方面也限制了一些需要自动频段切换的应用，比如自适应跳频、单节点同时接入多个网络等。
[0004]快速准确的频段检测技术是频段自动切换的基础，如果接收端可以自动判断出发送信号的工作频段，那么就可以大大提高组网接入的效率，同时也为自适应跳频等一系列应用扩展实现提供了可能。
[0005]针对应用于低信噪比环境下的电力线通信，如何进行有效的频段检测，是业界需要解决的一个重要问题。
技术实现思路
[0006]本专利技术实施例一方面提供一种频段检测模型构建方法及装置，基于神经网络构建用于对电力线通信频段进行检测的分类模型，提高频段检测模型的分类性能。
[0007]本专利技术实施例另一方面还提供一种电力线通信频段检测方法及装置、接收机，利用基于神经网络的分类模型，实现在低信噪比条件下对电力线通信频段的准确检测，并节省硬件成本及系统功耗。
[0008]为此，本专利技术实施例提供如下技术方案：
[0009]一方面，本专利技术实施例提供一种频段检测模型构建方法，所述方法包括：
[0010]根据电力线通信协议，生成对应所述协议各频段的前导数据；
[0011]基于所述前导数据，通过模拟电力线通信信道生成训练样本集；
[0012]构建卷积神经网络；
[0013]利用所述训练样本集训练所述卷积神经网络的参数；
[0014]根据训练完成的卷积神经网络生成频段检测模型。
[0015]可选地，所述生成对应所述协议各频段的前导数据包括：利用编程工具生成对应
所述协议各频段的前导数据。
[0016]可选地，所述根据所述前导数据模拟电力线通信信道，生成大量样本数据包括：
[0017]对所述前导数据做起始点循环，生成多个不同起始点的前导数据；
[0018]模拟电力线通信信道，对所述前导数据添加高斯白噪声和采样频偏，得到样本数据；
[0019]对所述样本数据进行编码，生成对应所述样本数据的标签；
[0020]根据所述样本数据及对应的标签，生成所述训练样本集。
[0021]可选地，所述对所述前导数据添加高斯白噪声和采样频偏，得到样本数据包括：对不同前导数据添加不同的高斯白噪声和采样频偏。
[0022]可选地，所述对不同前导数据添加不同的高斯白噪声和采样频偏包括：按照第一步长增加或减小高斯白噪声，并按照第二步长增加或减少采样频偏的方式，依次对各前导数据添加高斯白噪声和采样频偏。
[0023]可选地，所述卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层，所述输出层作为所述两层全连接层中的第二层全连接层；所述输入层的节点数与待检测频段的单个前导数据的采样点数量相同；所述输出层的节点数与所述待检测频段的数量相同。
[0024]可选地，所述卷积层包括两个一维卷积层，每个卷积层后有一个ReLU激活函数。
[0025]可选地，所述池化层包括两个一维池化层，均采用最大池化，并且第二层池化后使用Flatten函数将最大池化后的二维数据转换为一维数据送入所述全连接层。
[0026]可选地，所述全连接层包括两层，第一层全连接层的神经元使用ReLU激活函数；第二层全连接层的神经元个数与待检测的频段数量相同，使用Softmax激活函数；所述输出层为所述第二层全连接层。
[0027]可选地，所述利用所述训练样本集训练所述卷积神经网络的参数包括：参数训练过程使用交叉熵损失函数避免梯度扩散，使用Adam优化算法自适应调整学习率。
[0028]另一方面，本专利技术实施例还提供一种频段检测模型构建装置，所述装置包括：
[0029]前导数据生成模块，用于根据电力线通信协议，生成对应所述协议各频段的前导数据；
[0030]训练样本集生成模块，用于基于所述前导数据，通过模拟电力线通信信道生成训练样本集；
[0031]网络构建模块，用于构建卷积神经网络；
[0032]参数训练模块，用于利用所述训练样本集训练所述卷积神经网络的参数；
[0033]模型生成模块，用于根据训练完成的卷积神经网络生成频段检测模型。
[0034]另一方面，本专利技术实施例还提供一种频段检测方法，用于对电力线通信频段进行检测，所述方法包括：
[0035]实时接收电力线通信数据；
[0036]对所述通信数据进行前导信号检测，得到前导数据序列；
[0037]利用预先建立的基于卷积神经网络的频段检测模型对所述前导数据序列进行分类，根据分类结果确定当前通信频段。
[0038]另一方面，本专利技术实施例还提供一种频段检测装置，用于对电力线通信频段进行检测，所述装置包括：
[0039]数据接收模块，用于实时接收电力线通信数据；
[0040]前导检测模块，用于对所述通信数据进行前导信号检测，得到前导数据序列；
[0041]频段检测模块，用于利用预先建立的基于卷积神经网络的频段检测模型对所述前导数据序列进行分类，根据分类结果确定当前通信频段。
[0042]另一方面，本专利技术实施例还提供一种电力线通信接收机，包括：接收模块、以及如前面所述的频段检测装置；
[0043]所述接收模块，用于实时接收电力线通信数据；
[0044]所述频段检测装置，用于根据所述接收模块实时接收的电力线通信数据，确定当前通信频段。
[0045]另一方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时执行前面所述的频段检测模型构建方法的部分或全部步骤，或者执行前面所述的频段检测方法的部分或全部步骤。
[0046]本专利技术实施例提供的频段检测模型构建方法及装置，根据电力线通信协议，生成对应所述协议各频段的前导数据；利用所述前导数据模拟电力线通信信道，生成训练样本集，利用该训练样本集训练基本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种频段检测模型构建方法，其特征在于，所述方法包括：根据电力线通信协议，生成对应所述协议各频段的前导数据；基于所述前导数据，通过模拟电力线通信信道生成训练样本集；构建卷积神经网络；利用所述训练样本集训练所述卷积神经网络的参数；根据训练完成的卷积神经网络生成频段检测模型。2.根据权利要求1所述的方法，其特征在于，所述生成对应所述协议各频段的前导数据包括：利用编程工具生成对应所述协议各频段的前导数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述前导数据模拟电力线通信信道，生成大量样本数据包括：对所述前导数据做起始点循环，生成多个不同起始点的前导数据；模拟电力线通信信道，对所述前导数据添加高斯白噪声和采样频偏，得到样本数据；对所述样本数据进行编码，生成对应所述样本数据的标签；根据所述样本数据及对应的标签，生成所述训练样本集。4.根据权利要求3所述的方法，其特征在于，所述对所述前导数据添加高斯白噪声和采样频偏，得到样本数据包括：对不同前导数据添加不同的高斯白噪声和采样频偏。5.根据权利要求4所述的方法，其特征在于，所述对不同前导数据添加不同的高斯白噪声和采样频偏包括：按照第一步长增加或减小高斯白噪声，并按照第二步长增加或减少采样频偏的方式，依次对各前导数据添加高斯白噪声和采样频偏。6.根据权利要求1至5任一项所述的方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层，所述输出层作为所述两层全连接层中的第二层全连接层；所述输入层的节点数与待检测频段的单个前导数据的采样点数量相同；所述输出层的节点数与所述待检测频段的数量相同。7.根据权利要求6所述的方法，其特征在于，所述卷积层包括两个一维卷积层，每个卷积层后有一个ReLU激活函数。8.根据权利要求6所述的方法，其特征在于，所述池化层包括两个一维池化层，均采用最大池化，并且第二层池化后使用Flatten函数将最大池化后的二维数据转换为一维数据送入所述全连接层。9.根据权利要求6所述的方法，其特征在于，所述全连接层包括两层，第一层全...
【专利技术属性】
技术研发人员：贾萨妮，沈力为，陈光胜，
申请(专利权)人：上海东软载波微电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。