[发明专利]基于自组织映射神经网络的电力线通信噪声识别方法及装置

权利要求书

1.一种基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，步骤包括：

S1.噪声特征提取：从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；

S2.噪声聚类：使用自组织映射神经网络对所述噪声特征库中数据进行自动聚类，得到噪声集群，所述自组织映射神经网络中每次学习时寻找输入输出距离最小的节点作为获胜节点，同时基于获胜节点确定权值调整域，然后直接更新权值调整域内的所有节点；

S3.噪声分类：基于概率密度函数将每个所述噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类；

所述步骤S1中具体基于协方差矩阵建模的自然进化策略进行特征选择，步骤包括：

S101.初始化：使用在超参数上重复添加高斯扰动对分布均值向量V进行初始化，以及使用单位矩阵对分布协方差矩阵M进行初始化；

S102.迭代计算：迭代生成每个特征的分布取值，每次迭代时将所述分布均值向量V中的每个元素、与所述分布协方差矩阵M中对应的对角元素作为正态分布的参数进行高斯采样，将高斯采样结果作为对应特征的分布取值；

S103.特征映射：将迭代得到的各特征的所述分布取值映射到布尔型特征选择上，得到最终的特征选择结果。

2.根据权利要求1所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于：所述步骤S1中提取的噪声特征包括噪声信号的本体特征和/或噪声信号之间的相关性特征。

3.根据权利要求2所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述本体特征包括：绝对值、样本和、样本平方和、样本标准差、样本偏度、样本峰度、距离相关系数、近似熵、超过给定电压等级的样本数量、在给定频率范围内的样本能量、样本中两个最大峰值间的距离中任意一种或两种以上的组合；

所述相关性特征包括pearson相关系数、两个通道的噪声信号间的距离、两个通道的噪声信号之差的近似熵、两个通道的噪声信号之和的近似熵、两个通道的噪声信号之间相关性的标准差、两个通道的噪声信号之间相关性的偏度、两个通道的噪声信号之间相关性的峰度中任意一种或两种以上的组合。

4.根据权利要求1所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述步骤S103中具体按照下式进行编码，以将迭代得到的各特征的所述分布取值映射到布尔型特征选择上；

其中，表示在第g次迭代计算中第i个特征的分布取值，ρ为预设阈值。

5.根据权利要求1～4中任意一项所述的基于自组织映射神经网络的电力线通信噪声识别方法，所述步骤S2的具体步骤包括：

S201.初始化：对输出层各权向量进行初始化，以及建立初始优胜邻域和学习率初值；

S202.样本输入：将输入样本输入至所述自组织映射神经网络的输入层；

S203.寻找获胜节点：根据所述自组织映射神经网络中输入层与输出层之间各节点的距离，寻找出获胜节点；

S204.确定优胜邻域：以寻找出的所述获胜节点为中心，确定出优胜邻域以用于确定权值调整域；

S205.调整权值：更新所述优胜邻域内所有节点的权值；

S206.当达到预设学习步长时更新所述学习率，重新返回执行步骤S202，直至达到结束条件，得到最终聚类结果。

6.根据权利要求5所述的基于自组织映射神经网络的电力线通信噪声识别方法，其特征在于，所述步骤S206中，具体按照下式更新学习速率：

其中，α(0)为所述学习率初值，α(t)为更新后的学习率，t为当前时刻值，T为预设学习步长，a为预设系数。