專利名稱：一種廣播電視接入網上行信道噪聲智能識別方法
技術領域：
本發(fā)明屬于廣播電視網絡雙向傳輸健康監(jiān)測領域，具體涉及ー種適于下一代廣播電視網(NGB)接入網上行信道噪聲識別及故障診斷技木。
背景技術：
《國民經濟和社會發(fā)展第十一個五年規(guī)劃綱要》中明確指出加強寬帶通信網、數字電視網和下一代互聯(lián)網等信息基礎設施建設，推進三網融合，健全信息安全保障體系。國家“十二五”規(guī)劃將“三網融合”列為發(fā)展新一代信息技術的重點內容。加快建設新一代有線數字電視網絡不僅是有線網絡自身升級換代、實現可持續(xù)性發(fā)展的內在需求，更是推進國家信息化(三網融合)的必然要求。有線電視網是國家信息化基礎設施，具有業(yè)務內容豐富、內容可控可管、用戶群體巨大等方面的優(yōu)勢，可以滿足未來多種業(yè)務發(fā)展的需求，符合 以視頻為主導的寬帶業(yè)務發(fā)展趨勢。因此，在國家信息化中更多地依靠有線電視網絡，充分發(fā)揮廣電網絡的優(yōu)勢，是符合中國國情、從實際出發(fā)的選擇，是以較短的時間、較低的成本，跨越數字鴻溝，實現進入千家萬戶的信息化和安全的信息化的有效途徑。2008年12月4日，科技部與國家廣電總局正式簽署了《國家高性能寬帶信息網暨中國下一代廣播電視網自主創(chuàng)新合作協(xié)議書》，按照協(xié)議要求，廣電總局開始著手建設下ー代廣播電視網(NGB)。2009年7月31日，科技部、國家廣電總局和上海市政府在上海舉行中國“下一代廣播電視網(NGB)啟動暨上海示范網合作協(xié)議簽字儀式”，中國下一代廣播電視網進入實質性推進階段。2010年7月I日，國務院正式公布第一批三網融合試點地區(qū)/城市名單，包括北京、上海、深圳等在內的12個城市均在其中。業(yè)內人士指出，這是政府層面發(fā)展有線網絡整合乃至“三網融合”的積極信號。2010年底，國家廣播電影電視總局科技司司長王效杰透露廣電部門正在組建NGB技術工作組，計劃成立16個專題組進行標準研究與產業(yè)開發(fā)的推動，其中包括適應上行信道環(huán)境的接入網技術研究。從網絡改造的方式上看，目前國內存在多種基于有線電視電纜分配網絡的雙向接入技木。其中，光纖同軸電纜混合(HFC)接入是應用最廣泛的基于有線電視(CATV)網絡的接入方式，可以提供有線電視廣播業(yè)務和話音、數據以及其他交互性業(yè)務。在進行雙向改造吋，工程技術人員普遍對下行信道技術比較熟悉，容易把握。因為對于下行信道而言，信號是從前端逐級分散到終端的，只要運營者嚴格控制住前端的信號，就比較容易控制住整個系統(tǒng)的穩(wěn)定。而上行信道恰恰相反，信號從與系統(tǒng)連接的各個終端出發(fā)，進入上行信道向前端傳送，在此過程中，所有終端回傳信號匯聚到ー個點上，同時噪聲和干擾也匯集在一起，形成“回傳噪聲漏斗”。這個問題在中國尤為突出，也是目前中國的有線電視網絡改造過程中急需解決的ー個主要問題。因此，在建設NGB的大背景下，如何對抗上行信道噪聲和干擾引起的信號損傷，成為雙向寬帶網絡建設能否成功的關鍵。盡管現在以EPON為代表的多種寬帶技術發(fā)展迅速，“光進銅退”逐漸成為趨勢，每個光節(jié)點覆蓋的用戶數逐漸減少，甚至部分實現了光纖到戶(FTTH)，在一定程度上減弱了“回傳噪聲漏斗”的影響。但是，各種雙向接入網上行信道的噪聲和干擾仍是阻礙雙向化改造取得成功的最主要原因。
NGB網上行信道的噪聲和干擾主要有兩大類來源于網絡內部的結構噪聲和來源于網絡外部的侵入噪聲，后者又稱為侵入干擾。結構噪聲主要由熱噪聲組成，而侵入干擾主要包括脈沖干擾和窄帶連續(xù)波干擾。通過對實際NGB網絡上行信道損傷信號長期、大量地觀察和統(tǒng)計分析可以得到實際NGB網絡上行信道損傷信號頻譜圖與噪聲、干擾類型的一一對應關系。研究從實際NGB網絡上行信道數據中快速、準確、智能地判斷出信道中噪聲和干擾的類型，進而協(xié)助查找引起故障的原因具有重要應用價值和現實意義。目前針對上行信道噪聲引起的信號損傷，主要有兩種解決措施一是盡量減少每個光節(jié)點所帯的用戶數，并提高網絡的質量，主要是運用高質量的設備和傳輸線路；ニ是在網絡受到噪聲和干擾的影響之后，通過維護人員人工逐步排查，找出故障所在。前者使得網絡建設的成本過高，不適合大范圍的應用；后者需要專業(yè)人員的大量投入，效率很低，不能滿足用戶對網絡可靠性的要求。為了更好地解決雙向接入網上行信道噪聲和干擾造成的信號損傷問題，必須對上行信道噪聲的來源、性質及其對業(yè)務的影響等特性進行研究，開發(fā)ー種噪聲的智能識別方法，以便于對噪聲的快速和智能定位，為下ー步噪聲的排除提供依據。

發(fā)明內容
針對NGB接入網上行信道容易引發(fā)信號損傷的噪聲問題，本發(fā)明提出了一種適用 于NGB接入網上行信道噪聲的智能識別方法，該方法能夠自動識別噪聲類型，提高了 NGB網絡上行信道健康監(jiān)測維護的效率，為上行信道故障診斷的智能化打下了基礎。本發(fā)明的技術方案如下一種廣播電視接入網上行信道噪聲智能識別方法，包括下列步驟I)獲得實際NGB網絡上行信道的實時頻譜數據；2)將NGB網絡上行信道的主要噪聲劃分為熱噪聲、窄帶連續(xù)波干擾、寬帶脈沖干擾三種，從實際NGB網絡上行信道的實時頻譜數據選取ー些場的頻譜數據場作為訓練和測試數據，并判斷每ー場的頻譜數據的主要噪聲種類；3)提取每一場的多個頻點的幅度數據；4)從每ー場的多個頻點的幅度數據中提取六個特征值頻譜幅度均方根值、方差、自功率譜幅度的均值和方差、倒頻譜幅度的均值和方差；5)建立三層BP神經網絡，其輸入節(jié)點為6個，分別代表ー場幅度數據的方差、均方根、自功率譜的均值和方差、倒頻譜的均值和方差，輸出節(jié)點為3個，分別代表信道中存在的主要噪聲類型，包括熱噪聲、窄帶連續(xù)波噪聲、寬帶脈沖干擾三種，隱藏層為I層；6)采用LM算法，利用訓練和測試的數據進行BP神經網絡的訓練，得到對下一代廣播電視接入網NGB上行信道進行噪聲智能識別的神經網絡模型；7)利用得到的神經網絡模型對新輸入的NGB上行信道的實時頻譜數據的噪聲類型進行有效的判斷。作為優(yōu)選實施方式，所述的下一代廣播電視接入網NGB上行信道噪聲智能識別方法，利用Matlab進行基于LM算法的BP神經網絡訓練，選取transig為隱含層及輸出層所有神經元的激活函數。本發(fā)明將BP神經網絡運用到NGB上行信道故障診斷識別中，通過提取代表上行信道中的頻譜特征的特征參數作為神經網絡的輸入，使用實際的NGB上行信道頻譜數據訓練網絡從而得到噪聲或干擾類型。通過仿真給出了最適合NGB上行信道故障診斷的學習算法和激活函數，并針對該算法和激活函數推導出了權值修正量并使用C語言對算法進行實現。實踐表明，應用BP神經網絡算法后故障診斷準確率達到85%以上，該方法具有較好的實用價值。


圖I是NGB上行"[目道噪聲識別流程圖。圖2為本發(fā)明采用的神經網絡結構。輸入6個神經元，4個隱藏層，3個輸出分別代表熱噪聲，窄帶連續(xù)波干擾，脈沖干擾。圖3用于訓練神經網絡的LM算法。

最佳實施方式如圖I所示，本發(fā)明包括四個主要步驟NGB上行信道噪聲和干擾分析、數據獲取、特征值計算、神經網絡訓練和測試。具體方案如下(一)NGB上行信道噪聲和干擾分析NGB上行信道的噪聲和干擾主要有兩大類來源于網絡內部的結構噪聲和來源于網絡外部的侵入噪聲，后者又稱為侵入干擾。結構噪聲主要由熱噪聲組成，而侵入噪聲主要包括脈沖干擾和窄帶連續(xù)波干擾。通過對實際NGB網絡上行信道損傷信號長期、大量地觀察和統(tǒng)計分析可以得到實際NGB網絡上行信道損傷信號頻譜圖與噪聲、干擾類型的一一對應關系。熱噪聲主要對“平均值”有貢獻，其大小與頻率無關，占據整個上行頻段。短波無線電廣播、通信和業(yè)務無線電都屬于窄帶連續(xù)波干擾源。短波無線電發(fā)射機的工作頻段是5 30MHz，處在NGB上行信道的工作頻率范圍，于是會產生若干頻率固定但幅度起伏的窄帶輻射干擾。寬帶脈沖干擾的特點是偶然性非常強、幅度大、持續(xù)期短、頻帶寬。其持續(xù)時間小于10ms。通過頻譜儀的檢測，可以觀察到隨機出現的短脈沖，幅度有大有小，如果這種干擾脈沖的頻率落在NGB上行信道的工作頻段內，而且幅度足夠大，持續(xù)時間足夠長，則可能會引起各個上行信道的CM全部掉線。(ニ)數據獲取采用天津市德カ電子儀器有限公司提供的DS1610雙向寬帶網絡測試系統(tǒng)，準確地獲得不同地點、不同時段的實際NGB網絡上行信道的實時頻譜數據。利用該系統(tǒng)，可以獲取實際NGB網絡上行信道損傷信號數據，便于對上行信道損傷信號的特征進行分析研究。通過德カ公司提供的軟件DS1610Play截取信道中存在主要噪聲(熱噪聲、窄帶連續(xù)波干擾、寬帶脈沖干擾)的ー場數據。通過德カ公司提供的ExtractVideoData軟件,提取出該場251個頻點的幅度數據，并將其保存為txt格式，以便隨后的特征值提取工作。分別挑選100場不同地點、不同時段的NGB上行信道頻譜數據。其中，10場中存在熱噪聲，45場中存在窄帶連續(xù)波干擾，45場中存在寬帶脈沖干擾。(三)特征值計算本發(fā)明采用天津市德カ電子儀器有限公司提供的DS1610雙向寬帶網絡測試系統(tǒng)，準確地獲得了實際NGB網絡上行信道的實時頻譜數據。首先，截取ー場的數據，通過人エ判斷得出信道中本場存在的主要噪聲(熱噪聲、窄帶連續(xù)波干擾、寬帶脈沖干擾)。其次，提取出該場頻譜的幅度數據，并保存為txt格式。最后，利用MATLAB對數據進行讀取并進行六個特征值(頻譜幅度均方根值、方差、自功率譜的均值和方差、倒頻譜的均值和方差)的提取。(四)神經網絡訓練和測試( I)神經網絡的結構確定根據Kolmogorov定理,一個三層的BP神經網絡足以實現任意的X G R1到Y G Rm的映射。選用應用比較廣泛的反向傳播神經網絡結構。反向傳播神經網絡由輸入層、隱含層和輸出層組成，隱含層可以是ー層或多層。理論上，増加隱含層數目可以降低網絡誤差，提高精度，但實際上，BP算法的誤差是通過輸出層向輸入層反向傳播，層數愈多，反射傳播的誤差在靠近輸入層時變得愈不可靠，對權值修正的結果也就變得不可靠，同時隱層數的 増加會造成BP網絡過于復雜，大大的降低BP算法的收斂速度，增加網絡的訓練時間和出現“過擬合”。實踐證明，通過增加隱層節(jié)點數來獲得較低的誤差要比増加隱層數目更容易實現。因此，本發(fā)明把HFC上行信道故障診斷系統(tǒng)的BP網絡的隱層個數設置為1，即只含ー個隱含層。其中，輸入節(jié)點為6個，分別代表ー場251個數據的方差、均方根、自功率譜的均值和方差、倒頻譜的均值和方差，輸出節(jié)點為3個，分別代表信道中存在的主要噪聲類型，包括熱噪聲、窄帶連續(xù)波噪聲、寬帶脈沖干擾三種，隱藏層為I層，如圖2所示。BP網絡設計過程當中，隱層節(jié)點數的選擇是神經網絡結構設計中ー個相對比較復雜的問題，隱層節(jié)點數與輸入層的節(jié)點數有直接的關系，隱層節(jié)點數選擇多，將會造成網絡的訓練時間長，導致網絡收斂速度慢甚至不收斂，同時會降低網絡的泛化能力，隱層節(jié)點數選擇太少，則會造成網絡的容錯性能下降，因此BP網絡隱層節(jié)點個數的選擇是優(yōu)化BP神經網絡性能的關鍵問題。但目前尚無確定的理論來確定BP網絡隱層節(jié)點個數，主要依靠經驗來設置隱層節(jié)點個數。根據參考資料，得到適用于HFC上行信道故障診斷的隱層節(jié)點數的經驗公式Nhl = int°° ((Na+Nol)/2)。其中，Nhl為隱層節(jié)點數，Nil為輸入層節(jié)點數，Ntjl為輸出層節(jié)點數，int~表示朝著無窮大的方向取整。經過多次試驗，本發(fā)明中隱含神經元數目為6。(2)神經網絡學習算法選取在人工神經網絡故障診斷應用中，BP神經網絡模型得到了廣泛的應用，但是它也存在自身的限制和不足，例如容易出現局部最小值的問題，會出現由于初始權值選取不當導致訓練時間過長的問題等[3]。為此，研究人員對標準BP神經網絡的梯度下降法訓練算法進行了改進，提出了很多改進算法，比較常用的改進算法有變學習率梯度下降算法、弾性BP算法、SCG算法、LM算法、OSS算法等五種，但究竟哪種算法更適合HFC上行信道的故障診斷，我們對此進行了仿真驗證。首先選取100場頻譜數據，其中，10場中存在熱噪聲，45場中存在窄帶連續(xù)波干擾，45場中存在寬帶脈沖干擾。隨機選取80場數據分別采用上述五種算法借助Matlab對神經網絡進行訓練，采用20場數據進行測試。仿真參數設置如下隱層節(jié)點數為6，訓練次數epochs為1000,訓練目標goal為0. 001,學習率Ir為0. I。比較仿真結果可以清晰地看出，同樣都進行了 1000次迭代運算，利用LM算法能夠訓練中迅速收斂，避免陷入局部極小值問題。顯然，LM算法可以大大提高網絡的訓練速度與訓練精度，節(jié)省訓練時間，適合診斷HFC上行信道故障。當訓練樣本數量十分巨大吋，該算法優(yōu)點顯而易見，從而節(jié)約成本，提聞效率。(3)激活函數選取LM算法中，激活函數的選取對故障診斷的結果有很大的影響。我們采用不同的激活函數對神經網絡進行訓練。為了表述方便，我們隱含層所有神經元的激活函數為TF1，輸出層所有神經元的激活函數為TF2。我們分別選擇TFl = transig,TF2 = transig ；TF1 =transig,TF2 = logsig ；TF1 = logsig,TF2 = purelin ；TF1 = logsig,TF2 = logsig ；TF1=purelin, TF2 = purelin。訓練結果表明，采用當 TFl = transig, TF2 = transig 時訓練效果最好。(4)基于LM算法的NGB上行信道故障診斷系統(tǒng)的實現神經網絡是求解最優(yōu)化問題的最常用方法，它的目標就是通過輸入輸出樣本對{(x(1),d(1)), (x(2)，d(2))，…，(x(p),d(p))}來調節(jié)連接網絡的權值向量W，從而使誤差函數e (W)達到最小值。其中每個輸入樣本向量X= {x(l)，x(2)，…，x(m)}，m為輸入層節(jié)點數；每個期望輸出向量D= {d(l)，d(2)，…d(n)}，n為輸出層節(jié)點數。設輸出層實際輸出向量Y= {y(l)，y(2)，…y(n)}，誤差函數可以表示為
權利要求
1.一種廣播電視接入網上行信道噪聲智能識別方法，包括下列步驟 1)獲得實際NGB網絡上行信道的實時頻譜數據； 2)將NGB網絡上行信道的主要噪聲劃分為熱噪聲、窄帶連續(xù)波干擾、寬帶脈沖干擾三種，從實際NGB網絡上行信道的實時頻譜數據選取一些場的頻譜數據場作為訓練和測試數據，并判斷每一場的頻譜數據的主要噪聲種類； 3)提取每一場的多個頻點的幅度數據； 4)從每一場的多個頻點的幅度數據中提取六個特征值頻譜幅度均方根值、方差、自功率譜幅度的均值和方差、倒頻譜幅度的均值和方差； 5)建立三層BP神經網絡，其輸入節(jié)點為6個，分別代表一場幅度數據的方差、均方根、自功率譜的均值和方差、倒頻譜的均值和方差，輸出節(jié)點為3個，分別代表信道中存在的主要噪聲類型，包括熱噪聲、窄帶連續(xù)波噪聲、寬帶脈沖干擾三種，隱藏層為I層。
6)采用LM算法，利用訓練和測試的數據進行BP神經網絡的訓練，得到對下一代廣播電視接入網NGB上行信道進行噪聲智能識別的神經網絡模型； 7)利用得到的神經網絡模型對新輸入的NGB上行信道的實時頻譜數據的噪聲類型進行有效的判斷。
2.根據權利要求I廣播電視接入網上行信道噪聲智能識別方法，其特征在于，利用Matlab進行基于LM算法的BP神經網絡訓練，選取transig為隱含層及輸出層所有神經元的激活函數。
全文摘要
本發(fā)明屬于廣播電視網絡雙向傳輸健康監(jiān)測領域，涉及一種廣播電視接入網上行信道噪聲智能識別方法，包括獲得實際NGB網絡上行信道的實時頻譜數據；將NGB網絡上行信道的主要噪聲劃分為熱噪聲、窄帶連續(xù)波干擾、寬帶脈沖干擾三種，從實際NGB網絡上行信道的實時頻譜數據選取一些場，并判斷每一場的主要噪聲種類；提取每一場的多個頻點的特征值；建立三層BP神經網絡；采用LM算法，并進行BP神經網絡的訓練，得到對下一代廣播電視接入網NGB上行信道進行噪聲智能識別的神經網絡模型；利用得到的神經網絡模型對新輸入的NGB上行信道的實時頻譜數據的噪聲類型進行有效的判斷。本發(fā)明的故障診斷準確率達到85%以上，具有較好的實用價值。
文檔編號H04B17/00GK102769501SQ20121025858
公開日2012年11月7日 申請日期2012年7月24日 優(yōu)先權日2012年7月24日
發(fā)明者劉開華, 朱琳, 馬永濤 申請人:天津大學