本发明涉及通信领域，尤其涉及一种基于增益控制的脉冲噪声抑制方法。
背景技术：
1、在电力线通信plc中，由于是利用电线进行数据传输，它容易受到开关瞬态、电源装置和电动调光器等设备的影响，从而产生脉冲噪声。特别是异步脉冲噪声，它由电力线的开关切换瞬间产生，具有随机的、不可预测的特点，并且水平值通常非常高。
2、在现有技术中，通常使用时频峰值滤波tfpf方法，通过含噪信号调制成解析信号的瞬时频率，利用wigner-ville分布的峰值进行瞬时频率估计，从而恢复有效信号，但该方法在处理非线性信号时可能会产生一定的偏差，尤其是在信号的波峰和波谷等非线性较强的位置。
技术实现思路
1、本发明目的在于提供一种基于增益控制的脉冲噪声抑制方法，以解决上述问题。
2、本发明通过下述技术方案实现：
3、一种基于增益控制的脉冲噪声抑制方法，包括：
4、s1：在plc通信的电路系统中，自动监控输入的原始信号，实时监测原始信号的变化；
5、s2：通过反馈回路监测输出信号的强度，将测量得到的输出信号特征与原始信号特征进行比较，得到误差信号；
6、s3：使用自适应算法，对误差信号进行处理，为增益控制模块提供自动调整的增益参数，实现动态地调整增益；
7、s4：对输出信号进行实时监测和反馈，使得增益控制模块对输出信号进行实时修正。
8、本发明通过设置反馈回路以及自适应算法，将脉冲噪声通过不断的修正，最大程度的保证信号传输的质量和可靠性。
9、优选的，其中自动监控原始信号包括如下：
10、使用均方根（rms）检测器测量原始信号的幅度，首先，原始信号通过一个平方律器件，如二极管，将其转换为与原始信号幅度成比例的平方信号，接着，平方信号通过一个低通滤波器进行平均处理，以获得一段时间内的平均电平，这个平均电平为原始信号的均方根值，最后，通过一个平方根提取器将平均值转换为rms值。
11、本发明主要针对的是plc信号传输中的脉冲噪声问题，其中plc信号传输精度高，因此本发明使用了均方根（rms）检测器在测量信号幅度，其具有高精度、宽动态范围、温度稳定性、低功耗、简化设计、实时响应的优势。这些特性使rms检测器成为解决本发明技术问题的理想的功率测量工具，尤其是在复杂调制信号的准确测量，其能显著减少系统校准需求。
12、优选的，自适应算法具体为径向基函数神经网络算法，具体包括：
13、s3.1 ：提取误差信号的特征，特征具体包括信号幅度、相位、上升时间、下降时间、持续时间、能量；
14、s3.2：使用无监督学习算法确定rbf（径向基函数）中心点，并将中心点作为网络隐含层的神经元中心；
15、s3.3：基于中心点之间的最大距离，计算每个rbf中心点的方差；
16、s3.4：通过最小二乘法得到隐含层到输出层的权值；
17、s3.5：通过修改输出层的权重，动态调整信号的增益；
18、s3.6：调整后的信号通过输出层输出，完成增益调整过程。
19、本发明使用了径向基函数神经网络算法，对脉冲噪声进行自适应增益调整，由于rbf不需要通过权连接进行非线性映射，因此使得对脉冲噪音增益幅度的学习速度加快，特别是应用在plc实时通信中，很好的解决了延时问题，另外rbf网络的隐层输出对可调参数是线性的，这意味着网络的权重可以通过解线性方程组直接获得，从而加快学习速度并避免局部极小问题。
20、优选的，无监督学习算法具体为k-means聚类算法，其具体包括：
21、随机选择k个数据点作为初始聚类的中心；
22、s3.4.1:对于每个数据点，计算其与所有聚类中心的距离，并将其分配到最近的聚类中心，形成k个簇；
23、s3.4.2:距离使用欧氏距离来计算其中，是信号的特征的集合数据点y的第个特征，是聚类中心的第个特征；
24、s3.4.3:重新计算每个簇的聚类中心，簇内所有点的均值： ，其中是簇中数据点的数量；
25、s3.4.4：检查聚类中心是否发生变化，如果没有或达到预定的迭代次数，则算法结束；否则，返回步骤s3.4.2；
26、s3.4.5：当聚类中心在连续迭代中的变动小于设定阈值或达到最大迭代次数时，算法终止。
27、由于rbf中心点的确定，是径向基函数神经网络算法的核心，因此本技术使用了k-means聚类算法，确定rbf中心点，k-means算法可以帮助rbf网络在保证精度要求的同时，优化网络结构，避免过拟合，另外k-means聚类能够识别出数据中的代表性点作为中心点，减少rbf网络隐含层的节点数量，简化网络结构。
28、优选的，s4中的对输出信号进行实时修正，具体包括：
29、s4.1：设定输入的原始信号为，经过处理的输出信号为；
30、s4.2：利用循环神经网络处理原始信号与输出信号之间的幅度和相位差异；
31、s4.3：损失函数定义如下：
32、
33、其中，：原始信号，可以是一个时间序列信号或任何形式的信号，其中表示信号中的第个样本。
34、：输出信号，是经过系统处理（例如神经网络）后的输出信号，其中表示失真信号中的第个样本。
35、：原始信号的第个样本的幅度，即信号的大小或强度。
36、：失真信号的第个样本的幅度。
37、：原始信号的第个样本的相位角，通常以弧度表示。
38、：失真信号的第个样本的相位角。
39、：样本数量，表示在损失函数中考虑的信号样本的总数。
40、：权重系数，用于平衡幅度误差在总损失函数中的比重。这个参数可以根据任务对幅度失真的敏感度进行调整。
41、：权重系数，用于平衡相位误差在总损失函数中的比重。这个参数可以根据任务对相位失真的敏感度进行调整；
42、：总损失函数，它是原始信号和失真信号之间幅度误差和相位误差的加权和。这个函数的值越小，表示失真信号与原始信号越接近。
43、由于输出的信号需要实时修正，因此本发明使用了循环神经网络，循环神经网络可以快速响应原始信号的变化，实时更新输出信号，以适应动态变化的环境，通过优化后的损失函数，使得其能够稳定地收敛到全局最小值，从而保证输出信号的稳定性和准确性。
44、优选的，在plc通信的电路系统中，每一个针对开关电源的指令信息先传输到增益控制模块中，再将指令信息下达到开关电源。
45、对于开关电源产生的脉冲噪声，具有不可预测性，因此本发明将开关指令先传输到增益控制模块中，进行预测处理。
46、优选的，当开关电源为实体按键，并需要通过手动开关时，开关指令控制器还包括接近感应模块，其中接近感应模块安装固定在实体开关按键上。
47、由于实体键的开关电源无法提前预制开关操作，因此本发明在实体按键上设置了感应模块，增加了预测处理的全面性和准确性。
48、优选的，还包括脉冲噪声分析步骤，实现对每一个脉冲噪声进行溯源分析。
49、优选的，根据脉冲噪声分析步骤得到的结果，对于脉冲噪声中无法消除，但较为稳定的脉冲噪声，增益控制模块根据往次增益数据，对增益的调整提前做出预判，减少了计算量，降低了功耗。
50、优选的，在接收到开关电源即将工作的信号时同步做出增益的预判，实现了对稳定脉冲噪声的0时延增益。
51、本发明与现有技术相比，具有如下的优点和有益效果：
52、1、使用均方根（rms）检测器测量原始信号的幅度，首先，原始信号通过一个平方律器件，如二极管，将其转换为与原始信号幅度成比例的平方信号，接着，平方信号通过一个低通滤波器进行平均处理，以获得一段时间内的平均电平，这个平均电平为原始信号的均方根值，最后，通过一个平方根提取器将平均值转换为rms值。
53、2、本发明主要针对的是plc信号传输中的脉冲噪声问题，其中plc信号传输精度高，因此本发明使用了均方根（rms）检测器在测量信号幅度，其具有高精度、宽动态范围、温度稳定性、低功耗、简化设计、实时响应的优势。这些特性使rms检测器成为解决本发明技术问题的理想的功率测量工具，尤其是在复杂调制信号的准确测量，其能显著减少系统校准需求。
54、3、本发明使用了径向基函数神经网络算法，对脉冲噪声进行自适应增益调整，由于rbf不需要通过权连接进行非线性映射，因此使得对脉冲噪音增益幅度的学习速度加快，特别是应用在plc实时通信中，很好的解决了延时问题，另外rbf网络的隐层输出对可调参数是线性的，这意味着网络的权重可以通过解线性方程组直接获得，从而加快学习速度并避免局部极小问题。
55、4、由于rbf中心点的确定，是径向基函数神经网络算法的核心，因此本技术使用了k-means聚类算法，确定rbf中心点，k-means算法可以帮助rbf网络在保证精度要求的同时，优化网络结构，避免过拟合，另外k-means聚类能够识别出数据中的代表性点作为中心点，减少rbf网络隐含层的节点数量，简化网络结构。