电力线中基于幂迭代ICA的脉冲噪声抑制方法研究

发布时间：2021-12-30 20:05

　　针对电力线通信中的α脉冲噪声影响,以及传统的噪声抑制算法受限于噪声的先验信息的问题,提出一种基于幂迭代的快速独立成分分析算法（PowerICA）。在此工作中,首先通过加权处理构建伪观测信号,将单通道的盲分离模型转换为多通道正定模型;然后利用提出的盲分离算法进行噪声和源信号分离工作;最后仿真验证了提出算法的有效性。实验研究分析表明,提出的算法比FastICA算法分离效果更好,分离更稳定,所需要的时间也更少,提高了通信信号处理的实时性。 

【文章来源】：现代电子技术. 2020,43(21)北大核心

【文章页数】：6 页

【部分图文】：

信号分离示意图

本文通过算法的仿真实验来评估算法在电力线通信环境下对噪声抑制的效果。在仿真实验中，信号噪声模型见第2节，纯净信号u (t)是OFDM信号，n1 (t)是脉冲噪声，它们作为两路输入信号，载波频率是1 000 Hz,迭代次数设为100，样本采样点数为500个，样本频率为1 600 Hz，原始的输入信号如图2所示。α稳定分布噪声的α在具体的实验中取不同的值，β=0,γ=1,λ=0，混合矩阵A是2×2维的随机矩阵。电力线通信中的脉冲噪声是时变的，为了更接近信号在实际环境中的传输情况，因此需要产生两个随机混合观测信号，将两个随机数对作为混合加权向量，分别与OFDM信号和脉冲噪声信号相乘，然后将结果相加，再加上外加干扰高斯白噪声，就产生了一个混合观测信号的向量。信号波形如图3所示。

电力线通信中的脉冲噪声是时变的，为了更接近信号在实际环境中的传输情况，因此需要产生两个随机混合观测信号，将两个随机数对作为混合加权向量，分别与OFDM信号和脉冲噪声信号相乘，然后将结果相加，再加上外加干扰高斯白噪声，就产生了一个混合观测信号的向量。信号波形如图3所示。非高斯性是ICA常用的判据。与高斯白噪声和OFDM信号相比，α稳定分布噪声的非高斯性最强。因此根据非高斯性，对于Fast ICA算法和Power ICA算法，可以首先提取α稳定分布的脉冲噪声，分离结果如图4和图5所示。Fast ICA算法和Power ICA算法分离出的脉冲噪声与原始的脉冲噪声很接近。当脉冲噪声α=1.2，高斯噪声的方差σ2=0.02时，经过计算相关函数达到0.99。

【参考文献】：
期刊论文
[1]基于压缩感知和虚警概率的电力线脉冲噪声抑制方法[J]. 谭周文,刘宏立,陈炳权,马子骥.  湖南大学学报(自然科学版). 2018(04)



本文编号：3558882