基于神经网络的HFC上行信道故障诊断研究

2011-08-10马永涛刘开华

电视技术 2011年24期

张力，朱琳，马永涛，刘开华，陈韬

（1.天津大学电子信息工程学院，天津 300072；2.天津德力电子仪器有限公司，天津 300113）

责任编辑:杨岩

0 引言

随着社会的进步和科学技术的飞速发展，信息高速公路“最后一公里”的宽带接入技术发展迅速。在众多的接入技术中，HFC（Hybrid Fiber/Coax）网络正以其独特的带宽优势和性价比优势得到了越来越多的关注和研究。而HFC网双向应用必须解决的问题，如调制方式和多点接入等受到信道内干扰和噪声性质的影响。所以，HFC网上行信道的干扰和噪声性质的确认问题越来越引起人们的重视，甚至被认为是HFC网能否继续存在的关键。为了提高HFC网络的可靠性和网络维护的效率，研究从实际HFC网络上行信道数据中快速、准确地判断出信道中噪声和干扰的类型，进而协助查找引起故障的原因是具有重大意义的。

本文采用基于LM算法BP神经网络模型对HFC宽带接入网进行深层次的定量诊断。首先通过数据采集处理系统进行信号采集、分析，从中提取信号特征参数输入到神经网络，经过神经网络的逻辑推理和判断给出最终诊断结果，即噪声或干扰的类型。研究结果表明，将基于LM算法的BP神经网络引入到HFC宽带接入网上行信道故障诊断中，运算速度快、预测精度高，具有推广应用的价值。

1 HFC宽带接入网噪声、干扰分析

HFC网上行信道的噪声和干扰主要分成两类:来自网络内部的结构噪声和网络外部的侵入噪声，其中侵入噪声又称为侵入干扰[1]。结构噪声主要由热噪声组成，而侵入干扰主要包括脉冲干扰和窄带连续波干扰。通过对实际HFC网络上行信道损伤信号长期、大量地观察和统计分析可以得到实际HFC网络上行信道损伤信号频谱图与噪声、干扰类型的一一对应关系。

热噪声主要对“平均值”有贡献，其大小与频率无关，占据整个上行频段[2]，如图1所示。短波无线电广播和通信及业务无线电属于窄带连续波干扰源。短波无线电发射机会产生若干频率固定（5～30 MHz）且幅度起伏的窄带连续波干扰。如图2所示。宽带脉冲干扰具有偶然性非常强，幅度大，持续期短（一般短于10 ms），频带宽等特点。如果干扰脉冲的频率落在HFC的上行频段内，且幅度足够大，持续时间足够长，甚至可能会引起上行信道的CM全部掉线[3]。

2 单场数据的特征提取

本文采用天津市德力电子仪器有限公司提供的DS1610双向宽带网络测试系统，准确地获得了实际HFC网络上行信道的实时频谱数据。利用Matlab对数据进行读取并进行6个特征值（频谱幅度均方根值、方差、自功率谱幅度的均值和方差、倒频谱幅度的均值和方差）的提取。

3 神经网络结构及算法的确定

3.1 神经网络结构的确定

选用应用比较广泛的反向传播神经网络结构。反向传播神经网络由输入层、隐含层和输出层组成，隐含层可以是一层或多层。理论上，增加隐含层数目可以降低网络误差，提高精度，但实际上，却会使网络复杂化，增加网络的训练时间和出现“过拟合”。实践证明，通过增加隐含层节点数来获得较低的误差要比增加隐含层数目更容易实现。因此，本文采用3层BP神经网络，即只含一个隐含层。其中，输入节点为6个，分别代表一场251个数据的方差、均方根、自功率谱的均值和方差、倒频谱的均值和方差，输出节点为3个，分别代表信道中存在的主要噪声类型，包括热噪声、窄带连续波噪声、宽带脉冲干扰3种，隐含层为1层。神经网络的结构如图3所示。

3.2 算法的选取

在人工神经网络故障诊断应用中，BP神经网络模型得到了广泛的应用，但是它也存在自身的限制和不足，例如容易出现局部最小值的问题，会出现由于初始权值选取不当导致训练时间过长的问题等[4]。为此，对标准BP神经网络的梯度下降法训练算法进行了改进，提出了很多改进算法，例如常用LM算法。首先选取100场频谱数据，其中，10场中存在热噪声，45场中存在窄带连续波干扰，45场中存在宽带脉冲干扰。随机选取80场数据采用上述LM算法借助Matlab对神经网络进行训练，采用20场数据进行测试。仿真参数设置如下:隐含层节点数为6，最大训练次数为1000，训练目标goal为0.001，学习率lr为0.1。仿真结果如图4、图5所示。

图4 采用LM算法训练结果1

图4、图5表示采用LM算法训练的结果，其中图4a横坐标表示循环迭代的次数，纵坐标表示20场测试数据实际输出值与预测值的均方根误差。图4b横坐标表示测试数据的序号，测试数据总数为20场，纵坐标表示神经网络输出层第一个节点的输出值。当该输出为1而输出层另两个节点输出为0时，表示经过神经网络判断该网络中含有热噪声，若神经网络判断结果与实测结果相同，即真实值与预测值吻合，则表明该神经网络能正确的判断该场中是否存在热噪声。类似地，图5a横坐标表示训练数据的序号，纵坐标表示神经网络输出层第二个节点的输出值。当该输出为1而输出层另两个节点输出为0时，表示经过神经网络判断该网络中含有窄带连续波干扰。图5b横坐标表示训练数据的序号，纵坐标表示神经网络输出层第3个节点的输出值。当该输出为1而输出层另两个节点输出为0时，表示经过神经网络判断该网络中含有脉冲干扰。从图4、图5中可以看出:当样本容量为100时，经过训练，神经网络对20场频谱中存在的噪声主要类型进行了判断，其中3场存在误判。但采用LM算法进行神经网络训练不存在局部极小值问题，训练速度适合，故LM算法适合直接应用在HFC上行信道的故障诊断中。