基于神經網絡的HFC上行信道故障診斷研究

張 力，朱 琳，馬永濤，劉開華，陳 韜

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

責任編輯:楊 巖

0 引言

隨著社會的進步和科學技術的飛速發展，信息高速公路“最后一公里”的寬帶接入技術發展迅速。在眾多的接入技術中，HFC（Hybrid Fiber/Coax）網絡正以其獨特的帶寬優勢和性價比優勢得到了越來越多的關注和研究。而HFC網雙向應用必須解決的問題，如調制方式和多點接入等受到信道內干擾和噪聲性質的影響。所以，HFC網上行信道的干擾和噪聲性質的確認問題越來越引起人們的重視，甚至被認為是HFC網能否繼續存在的關鍵。為了提高HFC網絡的可靠性和網絡維護的效率，研究從實際HFC網絡上行信道數據中快速、準確地判斷出信道中噪聲和干擾的類型，進而協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神經網絡模型對HFC寬帶接入網進行深層次的定量診斷。首先通過數據采集處理系統進行信號采集、分析，從中提取信號特征參數輸入到神經網絡，經過神經網絡的邏輯推理和判斷給出最終診斷結果，即噪聲或干擾的類型。研究結果表明，將基于LM算法的BP神經網絡引入到HFC寬帶接入網上行信道故障診斷中，運算速度快、預測精度高，具有推廣應用的價值。

1 HFC寬帶接入網噪聲、干擾分析

HFC網上行信道的噪聲和干擾主要分成兩類:來自網絡內部的結構噪聲和網絡外部的侵入噪聲，其中侵入噪聲又稱為侵入干擾[1]。結構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波干擾。通過對實際HFC網絡上行信道損傷信號長期、大量地觀察和統計分析可以得到實際HFC網絡上行信道損傷信號頻譜圖與噪聲、干擾類型的一一對應關系。

熱噪聲主要對“平均值”有貢獻，其大小與頻率無關，占據整個上行頻段[2]，如圖1所示。短波無線電廣播和通信及業務無線電屬于窄帶連續波干擾源。短波無線電發射機會產生若干頻率固定（5～30 MHz）且幅度起伏的窄帶連續波干擾。如圖2所示。寬帶脈沖干擾具有偶然性非常強，幅度大，持續期短（一般短于10 ms），頻帶寬等特點。如果干擾脈沖的頻率落在HFC的上行頻段內，且幅度足夠大，持續時間足夠長，甚至可能會引起上行信道的CM全部掉線[3]。

2 單場數據的特征提取

本文采用天津市德力電子儀器有限公司提供的DS1610雙向寬帶網絡測試系統，準確地獲得了實際HFC網絡上行信道的實時頻譜數據。利用Matlab對數據進行讀取并進行6個特征值（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 神經網絡結構及算法的確定

3.1 神經網絡結構的確定

選用應用比較廣泛的反向傳播神經網絡結構。反向傳播神經網絡由輸入層、隱含層和輸出層組成，隱含層可以是一層或多層。理論上，增加隱含層數目可以降低網絡誤差，提高精度，但實際上，卻會使網絡復雜化，增加網絡的訓練時間和出現“過擬合”。實踐證明，通過增加隱含層節點數來獲得較低的誤差要比增加隱含層數目更容易實現。因此，本文采用3層BP神經網絡，即只含一個隱含層。其中，輸入節點為6個，分別代表一場251個數據的方差、均方根、自功率譜的均值和方差、倒頻譜的均值和方差，輸出節點為3個，分別代表信道中存在的主要噪聲類型，包括熱噪聲、窄帶連續波噪聲、寬帶脈沖干擾3種，隱含層為1層。神經網絡的結構如圖3所示。

3.2 算法的選取

在人工神經網絡故障診斷應用中，BP神經網絡模型得到了廣泛的應用，但是它也存在自身的限制和不足，例如容易出現局部最小值的問題，會出現由于初始權值選取不當導致訓練時間過長的問題等[4]。為此，對標準BP神經網絡的梯度下降法訓練算法進行了改進，提出了很多改進算法，例如常用LM算法。首先選取100場頻譜數據，其中，10場中存在熱噪聲，45場中存在窄帶連續波干擾，45場中存在寬帶脈沖干擾。隨機選取80場數據采用上述LM算法借助Matlab對神經網絡進行訓練，采用20場數據進行測試。仿真參數設置如下:隱含層節點數為6，最大訓練次數為1000，訓練目標goal為0.001，學習率lr為0.1。仿真結果如圖4、圖5所示。

圖4 采用LM算法訓練結果1

圖4、圖5表示采用LM算法訓練的結果，其中圖4a橫坐標表示循環迭代的次數，縱坐標表示20場測試數據實際輸出值與預測值的均方根誤差。圖4b橫坐標表示測試數據的序號，測試數據總數為20場，縱坐標表示神經網絡輸出層第一個節點的輸出值。當該輸出為1而輸出層另兩個節點輸出為0時，表示經過神經網絡判斷該網絡中含有熱噪聲，若神經網絡判斷結果與實測結果相同，即真實值與預測值吻合，則表明該神經網絡能正確的判斷該場中是否存在熱噪聲。類似地，圖5a橫坐標表示訓練數據的序號，縱坐標表示神經網絡輸出層第二個節點的輸出值。當該輸出為1而輸出層另兩個節點輸出為0時，表示經過神經網絡判斷該網絡中含有窄帶連續波干擾。圖5b橫坐標表示訓練數據的序號，縱坐標表示神經網絡輸出層第3個節點的輸出值。當該輸出為1而輸出層另兩個節點輸出為0時，表示經過神經網絡判斷該網絡中含有脈沖干擾。從圖4、圖5中可以看出:當樣本容量為100時，經過訓練，神經網絡對20場頻譜中存在的噪聲主要類型進行了判斷，其中3場存在誤判。但采用LM算法進行神經網絡訓練不存在局部極小值問題，訓練速度適合，故LM算法適合直接應用在HFC上行信道的故障診斷中。

4 小結

本文將BP神經網絡運用到HFC上行信道故障診斷識別中，通過提取代表上行信道中的頻譜特征的特征參數作為神經網絡的輸入，使用實際的HFC上行信道頻譜數據訓練網絡從而得到噪聲或干擾類型。仿真表明，應用BP神經網絡算法后故障診斷準確率達到85%以上，該方法具有一定的理論參考及實用價值。

[1]林如儉.光纖電視傳輸技術[M].北京:電子工業出版社，2001.

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

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

[4]高雋.人工神經網絡原理及仿真實例[M].北京:機械工業出版社，2003.