張 力，朱 琳，馬永濤，劉開華，陳 韜

（1.天津大學(xué) 電子信息工程學(xué)院，天津 300072；2.天津德力電子儀器有限公司，天津 300113）

責(zé)任編輯:楊 巖

0 引言

隨著社會(huì)的進(jìn)步和科學(xué)技術(shù)的飛速發(fā)展，信息高速公路“最后一公里”的寬帶接入技術(shù)發(fā)展迅速。在眾多的接入技術(shù)中，HFC（Hybrid Fiber/Coax）網(wǎng)絡(luò)正以其獨(dú)特的帶寬優(yōu)勢(shì)和性價(jià)比優(yōu)勢(shì)得到了越來越多的關(guān)注和研究。而HFC網(wǎng)雙向應(yīng)用必須解決的問題，如調(diào)制方式和多點(diǎn)接入等受到信道內(nèi)干擾和噪聲性質(zhì)的影響。所以，HFC網(wǎng)上行信道的干擾和噪聲性質(zhì)的確認(rèn)問題越來越引起人們的重視，甚至被認(rèn)為是HFC網(wǎng)能否繼續(xù)存在的關(guān)鍵。為了提高HFC網(wǎng)絡(luò)的可靠性和網(wǎng)絡(luò)維護(hù)的效率，研究從實(shí)際HFC網(wǎng)絡(luò)上行信道數(shù)據(jù)中快速、準(zhǔn)確地判斷出信道中噪聲和干擾的類型，進(jìn)而協(xié)助查找引起故障的原因是具有重大意義的。

本文采用基于LM算法BP神經(jīng)網(wǎng)絡(luò)模型對(duì)HFC寬帶接入網(wǎng)進(jìn)行深層次的定量診斷。首先通過數(shù)據(jù)采集處理系統(tǒng)進(jìn)行信號(hào)采集、分析，從中提取信號(hào)特征參數(shù)輸入到神經(jīng)網(wǎng)絡(luò)，經(jīng)過神經(jīng)網(wǎng)絡(luò)的邏輯推理和判斷給出最終診斷結(jié)果，即噪聲或干擾的類型。研究結(jié)果表明，將基于LM算法的BP神經(jīng)網(wǎng)絡(luò)引入到HFC寬帶接入網(wǎng)上行信道故障診斷中，運(yùn)算速度快、預(yù)測(cè)精度高，具有推廣應(yīng)用的價(jià)值。

1 HFC寬帶接入網(wǎng)噪聲、干擾分析

HFC網(wǎng)上行信道的噪聲和干擾主要分成兩類:來自網(wǎng)絡(luò)內(nèi)部的結(jié)構(gòu)噪聲和網(wǎng)絡(luò)外部的侵入噪聲，其中侵入噪聲又稱為侵入干擾[1]。結(jié)構(gòu)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(duì)實(shí)際HFC網(wǎng)絡(luò)上行信道損傷信號(hào)長期、大量地觀察和統(tǒng)計(jì)分析可以得到實(shí)際HFC網(wǎng)絡(luò)上行信道損傷信號(hào)頻譜圖與噪聲、干擾類型的一一對(duì)應(yīng)關(guān)系。

熱噪聲主要對(duì)“平均值”有貢獻(xiàn)，其大小與頻率無關(guān)，占據(jù)整個(gè)上行頻段[2]，如圖1所示。短波無線電廣播和通信及業(yè)務(wù)無線電屬于窄帶連續(xù)波干擾源。短波無線電發(fā)射機(jī)會(huì)產(chǎn)生若干頻率固定（5～30 MHz）且幅度起伏的窄帶連續(xù)波干擾。如圖2所示。寬帶脈沖干擾具有偶然性非常強(qiáng)，幅度大，持續(xù)期短（一般短于10 ms），頻帶寬等特點(diǎn)。如果干擾脈沖的頻率落在HFC的上行頻段內(nèi)，且幅度足夠大，持續(xù)時(shí)間足夠長，甚至可能會(huì)引起上行信道的CM全部掉線[3]。

2 單場數(shù)據(jù)的特征提取

本文采用天津市德力電子儀器有限公司提供的DS1610雙向?qū)拵ЬW(wǎng)絡(luò)測(cè)試系統(tǒng)，準(zhǔn)確地獲得了實(shí)際HFC網(wǎng)絡(luò)上行信道的實(shí)時(shí)頻譜數(shù)據(jù)。利用Matlab對(duì)數(shù)據(jù)進(jìn)行讀取并進(jìn)行6個(gè)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）的提取。

3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法的確定

3.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

選用應(yīng)用比較廣泛的反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。反向傳播神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，隱含層可以是一層或多層。理論上，增加隱含層數(shù)目可以降低網(wǎng)絡(luò)誤差，提高精度，但實(shí)際上，卻會(huì)使網(wǎng)絡(luò)復(fù)雜化，增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)“過擬合”。實(shí)踐證明，通過增加隱含層節(jié)點(diǎn)數(shù)來獲得較低的誤差要比增加隱含層數(shù)目更容易實(shí)現(xiàn)。因此，本文采用3層BP神經(jīng)網(wǎng)絡(luò)，即只含一個(gè)隱含層。其中，輸入節(jié)點(diǎn)為6個(gè)，分別代表一場251個(gè)數(shù)據(jù)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(diǎn)為3個(gè)，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3種，隱含層為1層。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

3.2 算法的選取

在人工神經(jīng)網(wǎng)絡(luò)故障診斷應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)模型得到了廣泛的應(yīng)用，但是它也存在自身的限制和不足，例如容易出現(xiàn)局部最小值的問題，會(huì)出現(xiàn)由于初始權(quán)值選取不當(dāng)導(dǎo)致訓(xùn)練時(shí)間過長的問題等[4]。為此，對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的梯度下降法訓(xùn)練算法進(jìn)行了改進(jìn)，提出了很多改進(jìn)算法，例如常用LM算法。首先選取100場頻譜數(shù)據(jù)，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(jī)選取80場數(shù)據(jù)采用上述LM算法借助Matlab對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用20場數(shù)據(jù)進(jìn)行測(cè)試。仿真參數(shù)設(shè)置如下:隱含層節(jié)點(diǎn)數(shù)為6，最大訓(xùn)練次數(shù)為1000，訓(xùn)練目標(biāo)goal為0.001，學(xué)習(xí)率lr為0.1。仿真結(jié)果如圖4、圖5所示。

圖4 采用LM算法訓(xùn)練結(jié)果1

圖4、圖5表示采用LM算法訓(xùn)練的結(jié)果，其中圖4a橫坐標(biāo)表示循環(huán)迭代的次數(shù)，縱坐標(biāo)表示20場測(cè)試數(shù)據(jù)實(shí)際輸出值與預(yù)測(cè)值的均方根誤差。圖4b橫坐標(biāo)表示測(cè)試數(shù)據(jù)的序號(hào)，測(cè)試數(shù)據(jù)總數(shù)為20場，縱坐標(biāo)表示神經(jīng)網(wǎng)絡(luò)輸出層第一個(gè)節(jié)點(diǎn)的輸出值。當(dāng)該輸出為1而輸出層另兩個(gè)節(jié)點(diǎn)輸出為0時(shí)，表示經(jīng)過神經(jīng)網(wǎng)絡(luò)判斷該網(wǎng)絡(luò)中含有熱噪聲，若神經(jīng)網(wǎng)絡(luò)判斷結(jié)果與實(shí)測(cè)結(jié)果相同，即真實(shí)值與預(yù)測(cè)值吻合，則表明該神經(jīng)網(wǎng)絡(luò)能正確的判斷該場中是否存在熱噪聲。類似地，圖5a橫坐標(biāo)表示訓(xùn)練數(shù)據(jù)的序號(hào)，縱坐標(biāo)表示神經(jīng)網(wǎng)絡(luò)輸出層第二個(gè)節(jié)點(diǎn)的輸出值。當(dāng)該輸出為1而輸出層另兩個(gè)節(jié)點(diǎn)輸出為0時(shí)，表示經(jīng)過神經(jīng)網(wǎng)絡(luò)判斷該網(wǎng)絡(luò)中含有窄帶連續(xù)波干擾。圖5b橫坐標(biāo)表示訓(xùn)練數(shù)據(jù)的序號(hào)，縱坐標(biāo)表示神經(jīng)網(wǎng)絡(luò)輸出層第3個(gè)節(jié)點(diǎn)的輸出值。當(dāng)該輸出為1而輸出層另兩個(gè)節(jié)點(diǎn)輸出為0時(shí)，表示經(jīng)過神經(jīng)網(wǎng)絡(luò)判斷該網(wǎng)絡(luò)中含有脈沖干擾。從圖4、圖5中可以看出:當(dāng)樣本容量為100時(shí)，經(jīng)過訓(xùn)練，神經(jīng)網(wǎng)絡(luò)對(duì)20場頻譜中存在的噪聲主要類型進(jìn)行了判斷，其中3場存在誤判。但采用LM算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練不存在局部極小值問題，訓(xùn)練速度適合，故LM算法適合直接應(yīng)用在HFC上行信道的故障診斷中。

4 小結(jié)

本文將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用到HFC上行信道故障診斷識(shí)別中，通過提取代表上行信道中的頻譜特征的特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，使用實(shí)際的HFC上行信道頻譜數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)從而得到噪聲或干擾類型。仿真表明，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法后故障診斷準(zhǔn)確率達(dá)到85%以上，該方法具有一定的理論參考及實(shí)用價(jià)值。

[1]林如儉.光纖電視傳輸技術(shù)[M].北京:電子工業(yè)出版社，2001.

[2]田長國.有線電視雙向HFC網(wǎng)絡(luò)上行信道噪聲分析[J].電視技術(shù)，2002，26（3）:35-37.

[3]陳韜.HFC反向通道噪聲與干擾信號(hào)研究[J].電視技術(shù)，2008，32（5）:52-54.

[4]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京:機(jī)械工業(yè)出版社，2003.