CN106529816B - 电力线信道的调整方法和系统 - Google Patents

Abstract

本发明涉及一种电力线信道的调整方法和系统，其是先用多个电力线信道参数评估模型对当前影响电力线信道质量的电力线相关参数进行初步评估，再采用电力线信道质量评估模型对评估结果进行评估，将多个电力线信道参数评估模型和电力线信道质量评估模型相结合，经过两轮评估，使对电力线信道质量的判断更加准确，能够有效改善电力线信道质量判断的准确度和智能化，以此为依据对电力线信道进行调整，可以提高电力线信道的调整效果，有利于建设信道质量良好的电力线路。

Description

电力线信道的调整方法和系统

技术领域

本发明涉及电力线载波通信技术领域，特别是涉及一种电力线信道的调整方法和系统。

背景技术

目前，电力线载波通信利用现有的低压配电网线路作为通信信道的传输介质，有效减少了通信线路初期的架设成本和后期维护费用，降低了设备安装和调试的难度。但由于配电网络并不是为通信而架设的专用线路，其开放的线路环境、复杂网络结构和多变的负载特性，使得信道环境具有高噪声、高衰减和阻抗不匹配等特性。建设信道质量良好的电力线路，对于提高电力线载波通信质量具有重要意义。

传统技术中主要是依据电力线信道噪声进行信道数学建模，利用建立的信道模型对电力线信道的质量进行判断，再根据判断结果对电力线信道进行调整，由于电力线信道的环境的多样性，电力线信道的质量受到多种因素的影响，依据电力线信道噪声建立的信道模型对电力线信道质量的判断准确度低，使调整电力线信道的成效降低。

发明内容

基于此，有必要针对传统技术调整电力线信道的成效低的问题，提供一种电力线信道的调整方法和系统。

一种电力线信道的调整方法，包括以下步骤：

获取当前影响电力线信道质量的电力线相关参数；

根据多个不同的电力线信道参数评估模型分别对当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于当前影响电力线信道质量的电力线相关参数的评估结果；

根据电力线信道质量评估模型对多个评估结果进行评估，获得目标评估结果；

若目标评估结果与预设评估值不同，则对电力线信道进行调整。

一种电力线信道的调整系统，包括以下单元：

获取单元，用于获取当前影响电力线信道质量的电力线相关参数；

初步评估单元，用于根据多个不同的电力线信道参数评估模型分别对当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于当前影响电力线信道质量的电力线相关参数的评估结果；

综合评估单元，用于根据电力线信道质量评估模型对多个评估结果进行评估，获得目标评估结果；

调整单元，用于在目标评估结果与预设评估值不同时，对电力线信道进行调整。

根据上述本发明的电力线信道的调整方法和系统，其是先用多个电力线信道参数评估模型对当前影响电力线信道质量的电力线相关参数进行初步评估，再采用电力线信道质量评估模型对评估结果进行评估，将多个电力线信道参数评估模型和电力线信道质量评估模型相结合，经过两轮评估，使对电力线信道质量的判断更加准确，能够有效改善电力线信道质量判断的准确度和智能化，以此为依据对电力线信道进行调整，可以提高电力线信道的调整效果，有利于建设信道质量良好的电力线路。

附图说明

图1为其中一个实施例的电力线信道的调整方法的流程示意图；

图2为其中一个具体实施例中电力线信道质量评估过程的示意图；

图3为其中一个具体实施例中递归神经网络的拓扑结构图；

图4为其中一个具体实施例中AdaBoost算法的计算原理图；

图5为其中一个实施例的电力线信道的调整系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1所示，为本发明的电力线信道的调整方法的流程示意图。该实施例中的电力线信道的调整方法，包括以下步骤：

步骤S101：获取当前影响电力线信道质量的电力线相关参数；

在本步骤中，影响电力线信道质量的电力线相关参数可以包括多种类型的数据。

步骤S102：根据多个不同的电力线信道参数评估模型分别对当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于当前影响电力线信道质量的电力线相关参数的评估结果；

步骤S103：根据电力线信道质量评估模型对多个评估结果进行评估，获得目标评估结果；

步骤S104：若目标评估结果与预设评估值不同，则对电力线信道进行调整。

在本步骤中，是根据目标评估结果与预设评估值的比较结果来确定是否对电力线信道进行调整；若目标评估结果与预设评估值不同，表明电力线信道存在缺陷，需要对电力线信道进行调整；若目标评估结果与预设评估值相同，表明电力线信道质量良好，可以不对电力线信道进行调整。

在本实施例中，先用多个电力线信道参数评估模型对当前影响电力线信道质量的电力线相关参数进行初步评估，再采用电力线信道质量评估模型对评估结果进行评估，将多个电力线信道参数评估模型和电力线信道质量评估模型相结合，经过两轮评估，使对电力线信道质量的判断更加准确，能够有效改善电力线信道质量判断的准确度和智能化，以此为依据对电力线信道进行调整，可以提高电力线信道的调整效果，有利于建设信道质量良好的电力线路。

在其中一个实施例中，在获取当前影响电力线信道质量的电力线相关参数的步骤之前包括以下步骤：

获取影响电力线信道质量的电力线相关参数的多个历史样本；

分别利用每个电力线信道参数评估模型对多个历史样本一一进行评估，获得各个电力线信道参数评估模型的评估结果，其中，每个电力线信道参数评估模型对应多个评估结果；

建立基于Adaboost算法的评估模型，将根据所有电力线信道参数评估模型获得的所有历史样本的评估结果合为训练样本集，根据训练样本集对基于Adaboost算法的评估模型进行训练，获得电力线信道质量评估模型。

在本实施例中，先用多个电力线信道参数评估模型对影响电力线信道质量的电力线相关参数的多个历史样本进行评估，得到多个历史样本在不同电力线信道参数评估模型中的评估结果，将其作为训练样本集对基于Adaboost算法的评估模型进行训练，获得电力线信道质量评估模型，使电力线信道质量评估模型能够评估电力线信道参数评估模型得到的评估结果，从而可以在对电力线信道进行调整时使用该电力线信道质量评估模型对电力线信道质量进行评估；同时，本发明的基于Adaboost算法的评估模型可以根据影响电力线信道质量的电力线相关参数的新历史样本不断地自我学习，实时调整电力线信道质量评估模型，对于不断变化的电力线信道环境下电力线信道的调整具有很强的适应性。

在其中一个实施例中，根据训练样本集对基于Adaboost算法的评估模型进行训练，获得所述电力线信道质量评估模型的步骤包括以下步骤：

初始化训练样本集中所有训练样本的概率；

在训练样本集中随机抽取若干个训练样本，根据抽取的训练样本训练基于Adaboost算法的评估模型中的分类器；

计算分类器的错误率，若错误率小于错误率阈值，则根据错误率计算分类器的权重；若错误率大于或等于错误率阈值，则将出现分类错误的训练样本的概率增加第一预设步长，将未出现分类错误的训练样本的概率减小第二预设步长，对训练样本集中对应的训练样本的概率进行更新，并返回至在训练样本集中随机抽取若干个训练样本的步骤，直至错误率小于错误率阈值；

返回至在训练样本集中随机抽取若干个训练样本的步骤，直至获得预设个数的分类器的权重；

根据预设个数的分类器的权重，对预设个数的分类器进行叠加，获得电力线信道质量评估模型。

在本实施例中，抽取训练样本集中的若干个训练样本训练基于Adaboost算法的评估模型中的分类器，以分类器的错误率为训练样本概率调整条件，当分类器的错误率大于或等于错误率阈值，则增大出现分类错误的训练样本的概率，减小未出现分类错误的训练样本的概率，并重新抽取若干个训练样本对基于Adaboost算法的评估模型中的分类器进行训练，如此可以将训练的焦点集中在难以分类的训练样本上，之后获得多个分类器，将其叠加，得到电力线信道质量评估模型这一可具备自适应学习特性的强分类器，可以实现对电力线信道参数的正确分类，从而大大提高电力线信道质量评估的准确度。

第一预设步长和第二预设步长可以根据需要自由设置，限定条件是调整训练样本的概率后，训练样本集中所有训练样本的概率之和仍然为1。

分类器的权重与分类器的错误率相关，可以根据分类器的错误率计算分类器的权重。

在其中一个实施例中，初始化后的训练样本集中所有训练样本的概率相同。

在本实施例中，初始化后的训练样本集中所有训练样本对于基于Adaboost算法的评估模型中的分类器来说都是全新的，分类器对初始化后的训练样本集中所有训练样本的分类结果在训练之前是未知的，因此以相同的概率随机抽取训练样本对基于Adaboost算法的评估模型中的分类器进行训练，分类器对所有的训练样本以相同的几率进行分类学习，可以使分类器的训练更有成效。

在其中一个实施例中，电力线信道参数评估模型为两个，分别为基于多变量决策树的分析评估模型和基于递归神经网络的故障预测模型；

分别利用每个电力线信道参数评估模型对多个历史样本一一进行评估的步骤包括以下步骤：

利用基于多变量决策树的分析评估模型分别对多个历史样本进行评估；

利用基于递归神经网络的故障预测模型分别对多个历史样本进行评估。

在本实施例中，电力线信道参数评估模型为两个，分别为基于多变量决策树的分析评估模型和基于递归神经网络的故障预测模型；多变量决策树的分类精度较高，而且生成决策树的模式简单，对噪声数据有很好的健壮性；递归神经网络具有很强的动态行为和计算能力，基于多变量决策树的分析评估模型和基于递归神经网络的故障预测模型这两种模型对影响电力线信道质量的电力线相关参数的评估的准确率相对较高。

在其中一个实施例中，利用基于多变量决策树的分析评估模型分别对多个历史样本进行评估的步骤包括以下步骤：

按照影响电力线信道质量的电力线相关参数类型对影响电力线信道质量的电力线相关参数的多个历史样本进行划分，对每种类型的影响电力线信道质量的电力线相关参数进行数据分析，确定影响电力线信道质量的电力线相关参数类型的特征样本；

根据影响电力线信道质量的电力线相关参数类型的特征样本构建基于多变量决策树的分析评估模型，根据基于多变量决策树的分析评估模型对多个历史样本分别进行评估。

在本实施例中，基于多变量决策树的分析评估模型是根据影响电力线信道质量的电力线相关参数类型的特征样本构建的，可以有效判断输入的影响电力线信道质量的电力线相关参数的优化程度，进而实现对影响电力线信道质量的电力线相关参数的评估。

在其中一个实施例中，利用基于递归神经网络的故障预测模型分别对多个历史样本进行评估的步骤包括以下步骤：

确定影响电力线信道质量的电力线相关参数中的影响要素，从多个历史样本中提取影响要素样本，利用递归神经网络建立影响要素样本与预设电力线信道质量编码之间的映射关系；

根据映射关系构建基于递归神经网络的故障预测模型，根据基于递归神经网络的故障预测模型对多个历史样本分别进行评估。

在本实施例中，基于递归神经网络的故障预测模型是根据影响电力线信道质量的电力线相关参数中的影响要素样本与预设电力线信道质量编码之间的映射关系构建的，基于递归神经网络的故障预测模型可以有效判断输入的影响电力线信道质量的电力线相关参数与电力线信道质量之间的关系，进而实现对影响电力线信道质量的电力线相关参数的评估。

在其中一个实施例中，递归神经网络包括输入层、隐含层和输出层；

利用递归神经网络建立影响要素样本与预设电力线信道质量编码之间的映射关系的步骤包括以下步骤：

利用影响要素样本构建输入层、利用预设电力线信道质量编码构建输出层，对递归神经网络进行训练，获得影响要素样本与预设电力线信道质量编码之间的映射关系。

在本实施例中，只需利用影响要素样本构建输入层，利用预设电力线信道质量编码构建输出层，由于递归神经网络具有很强的动态行为和计算能力，在确定输入层和输出层后，经过训练可以快速获取映射关系，为后续的评估提供依据。

在其中一个实施例中，影响电力线信道质量的电力线相关参数包括电力线长度、电力线分支数、电力线分支长度、电力线负载阻抗特性、电力线类型和电力线噪声强度。

在本实施例中，影响电力线信道质量的电力线相关参数包括电力线长度、电力线分支数、电力线分支长度、电力线负载阻抗特性、电力线类型和电力线噪声强度等多种类型的参数，本发明的电力线信道的调整方法综合考虑了电力线信道的各种影响质量的参数，使对电力线信道质量的评估更加全面，从而提高电力线信道质量判断的准确度，有利于电力线信道的调整。

在一个具体的实施例中，电力线信道质量评估过程如图2所示。首先，通过采集电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等多种影响电力线信道质量的电力线相关参数，建立海量影响电力线信道质量的电力线相关参数数据存储和共享平台，里面包括了电力线的不同历史数据样本，为应用基于神经网络和深度学习等模式识别算法进行电力线信道质量评估提供数据支持。系统评估方法具体利用具有自适应特性的基于Adaboost算法的集成学习模型对多种不同的电力线信道参数评估模型(如基于多变量决策树的专家诊断评估模型和基于递归神经网络的故障预测模型等)的评估结果进行评估，包括评价、权重调节、求和最终决策等，得到电力线信道质量评估的最终结果(如电力线信道质量优、良、差三个评估结果)。电力线信道质量评估系统利用大数据计算平台实现“基于多变量决策树的专家诊断评估模型”、“基于递归神经网络(RNN)的故障预测模型”和“基于Adaboost算法的自适应集成学习模型”的计算分析，对多种不同评估方法的结果进行分类计算，实现用电力线信道质量可视化和智能感知。

在本发明中，电力线信道参数评估模型可以是多个，对其数量不做限制，以下以两个电力线信道参数评估模型为例描述本发明的具体内容：

优选的，两个电力线信道参数评估模型为基于多变量决策树的专家诊断评估模型和基于递归神经网络的故障预测模型；

基于影响电力线信道质量的电力线相关参数数据库，分析电力线长度、电力线分支数、分支长度、负载阻抗特性、电力线类型、电力线噪声强度等数据集，研究基于多变量决策树的专家评估模型，利用粗糙集理论划分电力线采集所得的数据集，选择最有利的变量集合，构造多变量决策树；然后，研究基于递归神经网络(RNN)的故障预测模型，提取电力线特征及信道质量影响要素，建立影响要素与信道质量之间的映射关系，根据映射预测电力线信道质量；最后，在得到专家分析评估结果和RNN预测结果的基础上，利用AdaBoost集成学习方法，以错误率为限定条件，利用加权投票机制构建最终的决策模型，实现对电力线信道质量的最终评估，得到电力线信道质量的评估最终结果。

根据得到的电力线信道质量的评估最终结果就可以对电力线信道进行调整。可以将评估最终结果与预设评估值进行比较，此处的预设评估值可以表示电力线信道质量好，如果评估最终结果与预设评估值不同，表明当前电力线信道质量差，则对电力线信道进行调整；如果评估最终结果与预设评估值相同，表明当前电力线信道质量好，则可以不对电力线信道进行调整。电力线信道质量的评估最终结果可以用不同的质量编码来表示，可以预设其中代表质量好的质量编码表示预设评估值。

基于多变量决策树的专家分析评估模型的建立过程如下：

以采集到的影响电力线信道质量的电力线相关参数数据为目标数据集，利用粗糙集理论，按照电力线参数类型划分目标数据集，对每种电力线参数进行多组实验样本分析后，确定电力线参数特征样本，求出最有利于分类的变量集合，构造多变量决策树。在多变量决策树的某一结点上可以同时检验多个属性,产生新的、更相关的属性,以及修改或去掉初始提供的不相关的属性。利用相对核和相对泛化理论，针对决策属性的选择、构造和优化方法进行研究，以此为基础，提取规则，建立基于多变量决策树的专家电力线信道参数评估模型。

以下是从所得的电力线信道参数数据中构造出具体决策树模型的算法：形式上，一个信息系统S定义为一个四元组S＝<U,A,V,f>。其中U为论域；A为所有属性的集合,它进一步可分为条件属性C和决策属性D,V＝U_P∈AV_p，V_p是属性P的值域，f:U×A→V,V_p称为一个信息函数。

构造多变量检验的步骤为:

(1)计算条件属性集C相对于决策属性集D的核,即CORED(C)。若CORED(C)＝C∩D，则转(2)；否则,不妨设CORED(C)＝{a₁,a₂,...,a_k},转(3)。

(2)用ID3(ID3算法是一种贪心算法，用来构造决策树)的方法选择一个最佳属性，作为该结点的检验。

(3)令P＝a₁∧a₂∧...∧a_k(a₁,…,a_k表示构建决策树的样本，∧表示样本综合)，计算P相对于D的泛化GEND(P)，将它作为该结点的检验。

本算法将把GEND(P)作为决策树的根，然后根据属性的值，把对象分成不同的子集.对每一个子集将以类似的方式导出一棵树。

基于递归神经网络(RNN)的故障预测模型的建立过程如下：

收集影响电力线信道质量的电力线相关参数数据，利用因子分析算法确定信道质量影响要素，提取每类信道质量影响要素样本，设计预设信道质量编码，利用递归神经网络建立影响要素与预设信道质量编码之间的映射关系，并在所得映射关系基础上，对电力线信道质量进行评估。

图3为三层RNN拓扑结构图，它由输入层(N₁个节点)、隐含层(N₂个节点)及输出层(N₃个节点)组成。其中，隐层节点不仅接收来自输入层的输出信号，还接收自身延时的输出信号。

X_i(h)是在时间h的第i个隐层节点输入,B_j(h)是在时间h的第j个隐层节点的输出,Y(h)为N₃维输出向量。该网络可描述为：

B_j(h)＝f(S_j(h)) (2)

其中:W_I，W_R，W_O分别为从输入层到隐含层、回归信号、从隐含层到输出层的权系数；分别为隐含层和输出层上的偏差单元的权系数；f(·)为sigmoid函数。T、U分别为网络中预先设定的输出层和隐含层的偏差值。

在本专利中，利用电力线信道质量影响要素构建输入层，预设信道质量编码作为输出层，经过训练而成RNN，建立信道质量评估模型。

基于Adaboost算法的自适应集成学习模型的建立过程如下：

将专家分析评估模型和RNN故障预测模型分别作为前期训练的模型，以影响电力线信道质量的电力线相关参数数据为基础，分别获得各种历史数据样本的评估结果，将所有的评估结果作为训练样本集，随机选取训练样本训练基于Adaboost算法的评估模型的弱分类器，以每次错误率为加权限定条件，将加权后选取的训练数据代替随机选取的训练样本，将焦点集中在比较难分的训练样本数据上，经过多次迭代循环后，得到多个弱分类器，计算每个弱分类器的权重，将所有弱分类器加权叠加，构建可自动学习的强分类器，大大提高电力线信道质量评估系统准确率。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

AdaBoost算法的具体步骤如下：

步骤1.给定包含基于多变量决策树的专家分析电力线信道参数评估模型和基于递归神经网络(RNN)的电力线信道质量误差评估模型的电力线信道质量评估结果数据的训练样本集S，其中A和B分别对应于正例样本和负例样本；T为训练的最大循环次数；

步骤2.初始化样本权重为1/n，即为训练样本的初始概率分布；

步骤3.第一次迭代：

(1)在训练样本的初始概率条件下，抽取若干个训练样本训练弱分类器；

(2)计算弱分类器的错误率ε_i；

(3)选取合适错误率阈值M(M在训练过程中不断调整)，使得训练样本误差最小；若错误率小于错误率阈值，则根据错误率计算弱分类器的权重；若错误率大于错误率阈值，转(4)；

(4)更新训练样本概率ω；更新的规则是：减小弱分类器未出现分类错误的训练样本的概率，增大弱分类器出现分类错误的训练样本的概率；

(5)重新冲去训练样本训练弱分类器。

经多次迭代后，得到T个弱分类器，按弱分类器权重α_i叠加，最终得到强分类器。

上述具体过程如图4所示。

根据上述电力线信道的调整方法，本发明还提供一种电力线信道的调整系统，以下就本发明的电力线信道的调整系统的实施例进行详细说明。

参见图5所示，为本发明的电力线信道的调整系统的实施例。该实施例中的电力线信道的调整系统包括获取单元210、初步评估单元220、综合评估单元230和调整单元240；

获取单元210，用于获取单元，用于获取当前影响电力线信道质量的电力线相关参数；

初步评估单元220，用于根据多个不同的电力线信道参数评估模型分别对当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于当前影响电力线信道质量的电力线相关参数的评估结果；

综合评估单元230，用于根据电力线信道质量评估模型对多个评估结果进行评估，获得目标评估结果；

调整单元240，用于在目标评估结果与预设评估值不同时，对电力线信道进行调整。

在其中一个实施例中，获取单元210还用于获取影响电力线信道质量的电力线相关参数的多个历史样本；

初步评估单元220还用于分别利用每个电力线信道参数评估模型对多个历史样本一一进行评估，获得各个电力线信道参数评估模型的评估结果，其中，每个电力线信道参数评估模型对应多个评估结果；

综合评估单元230还用于建立基于Adaboost算法的评估模型，将根据所有电力线信道参数评估模型获得的所有历史样本的评估结果合为训练样本集，根据训练样本集对基于Adaboost算法的评估模型进行训练，获得电力线信道质量评估模型。

在其中一个实施例中，综合评估单元230初始化训练样本集中所有训练样本的概率；在训练样本集中随机抽取若干个训练样本，根据抽取的训练样本训练基于Adaboost算法的评估模型中的分类器；计算分类器的错误率，在错误率小于错误率阈值时，根据错误率计算分类器的权重；在错误率大于或等于错误率阈值时，将出现分类错误的训练样本的概率增加第一预设步长，将未出现分类错误的训练样本的概率减小第二预设步长，对训练样本集中对应的训练样本的概率进行更新，并重新在训练样本集中随机抽取若干个训练样本，直至错误率小于错误率阈值；重新在训练样本集中随机抽取若干个训练样本，直至获得预设个数的分类器的权重；根据预设个数的分类器的权重，对预设个数的分类器进行加权叠加，获得电力线信道质量评估模型。

在其中一个实施例中，初始化后的训练样本集中所有训练样本的概率相同。

在其中一个实施例中，电力线信道参数评估模型为两个，分别为基于多变量决策树的分析评估模型和基于递归神经网络的故障预测模型；

初步评估单元220利用基于多变量决策树的分析评估模型分别对多个历史样本进行评估；

初步评估单元220利用基于递归神经网络的故障预测模型分别对多个历史样本进行评估。

在其中一个实施例中，初步评估单元220按照影响电力线信道质量的电力线相关参数类型对影响电力线信道质量的电力线相关参数的多个历史样本进行划分，对每种类型的影响电力线信道质量的电力线相关参数进行数据分析，确定影响电力线信道质量的电力线相关参数类型的特征样本；根据影响电力线信道质量的电力线相关参数类型的特征样本构建基于多变量决策树的分析评估模型，根据基于多变量决策树的分析评估模型对多个历史样本分别进行评估。

在其中一个实施例中，初步评估单元220确定影响电力线信道质量的电力线相关参数中的影响要素，从多个历史样本中提取电力线信道质量影响要素样本，利用递归神经网络建立影响要素样本与预设电力线信道质量编码之间的映射关系；根据映射关系构建基于递归神经网络的故障预测模型，根据基于递归神经网络的故障预测模型对多个历史样本分别进行评估。

在其中一个实施例中，递归神经网络包括输入层、隐含层和输出层；

初步评估单元220利用影响要素样本构建输入层、利用预设电力线信道质量编码构建输出层，对递归神经网络进行训练，获得影响要素样本与预设电力线信道质量编码之间的映射关系。

在其中一个实施例中，影响电力线信道质量的电力线相关参数包括电力线长度、电力线分支数、电力线分支长度、电力线负载阻抗特性、电力线类型和电力线噪声强度。

本发明的电力线信道的调整系统与本发明的电力线信道的调整方法一一对应，在上述电力线信道的调整方法的实施例阐述的技术特征及其有益效果均适用于电力线信道的调整系统的实施例中。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种电力线信道的调整方法，其特征在于，包括以下步骤：

获取当前影响电力线信道质量的电力线相关参数；

根据多个不同的电力线信道参数评估模型分别对所述当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于所述当前影响电力线信道质量的电力线相关参数的评估结果；

根据电力线信道质量评估模型对多个所述评估结果进行评估，获得目标评估结果；其中，所述电力线信道质量评估模型是经训练的基于Adaboost算法的评估模型；

若所述目标评估结果与预设评估值不同，则对电力线信道进行调整；

在所述获取当前影响电力线信道质量的电力线相关参数的步骤之前包括以下步骤：

获取影响电力线信道质量的电力线相关参数的多个历史样本；

分别利用每个电力线信道参数评估模型对所述多个历史样本一一进行评估，获得所述各个电力线信道参数评估模型的评估结果，其中，每个电力线信道参数评估模型对应多个评估结果；

建立基于Adaboost算法的评估模型，将根据所有电力线信道参数评估模型获得的所有历史样本的评估结果合为训练样本集，根据所述训练样本集对所述基于Adaboost算法的评估模型进行训练，获得所述电力线信道质量评估模型；

所述根据所述训练样本集对基于Adaboost算法的评估模型进行训练，获得所述电力线信道质量评估模型的步骤包括以下步骤：

初始化所述训练样本集中所有训练样本的概率；

在所述训练样本集中随机抽取若干个训练样本，根据抽取的训练样本训练基于Adaboost算法的评估模型中的分类器；

计算所述分类器的错误率，若所述错误率小于错误率阈值，则根据所述错误率计算所述分类器的权重；

若所述错误率大于或等于错误率阈值，则将出现分类错误的训练样本的概率增加第一预设步长，将未出现分类错误的训练样本的概率减小第二预设步长，对所述训练样本集中对应的训练样本的概率进行更新，并返回至所述在所述训练样本集中随机抽取若干个训练样本的步骤，直至所述错误率小于所述错误率阈值；

返回至所述在所述训练样本集中随机抽取若干个训练样本的步骤，直至获得预设个数的分类器的权重；

根据所述预设个数的分类器的权重，对所述预设个数的分类器进行加权叠加，获得所述电力线信道质量评估模型。

2.根据权利要求1所述的电力线信道的调整方法，其特征在于，初始化后的训练样本集中所有训练样本的概率相同。

3.根据权利要求1所述的电力线信道的调整方法，其特征在于，所述电力线信道参数评估模型为两个，分别为基于多变量决策树的分析评估模型和基于递归神经网络的故障预测模型；

所述分别利用每个电力线信道参数评估模型对所述多个历史样本一一进行评估的步骤包括以下步骤：

利用所述基于多变量决策树的分析评估模型分别对所述多个历史样本进行评估；

利用所述基于递归神经网络的故障预测模型分别对所述多个历史样本进行评估。

4.根据权利要求3所述的电力线信道的调整方法，其特征在于，所述利用所述基于多变量决策树的分析评估模型分别对所述多个历史样本进行评估的步骤包括以下步骤：

按照影响电力线信道质量的电力线相关参数类型对所述影响电力线信道质量的电力线相关参数的多个历史样本进行划分，对每种类型的影响电力线信道质量的电力线相关参数进行数据分析，确定影响电力线信道质量的电力线相关参数类型的特征样本；

根据所述影响电力线信道质量的电力线相关参数类型的特征样本构建基于多变量决策树的分析评估模型，根据所述基于多变量决策树的分析评估模型对所述多个历史样本分别进行评估。

5.根据权利要求3所述的电力线信道的调整方法，其特征在于，所述利用所述基于递归神经网络的故障预测模型分别对所述多个历史样本进行评估的步骤包括以下步骤：

确定所述影响电力线信道质量的电力线相关参数中的影响要素，从所述多个历史样本中提取影响要素样本，利用递归神经网络建立影响要素样本与预设电力线信道质量编码之间的映射关系；

根据所述映射关系构建所述基于递归神经网络的故障预测模型，根据所述基于递归神经网络的故障预测模型对所述多个历史样本分别进行评估。

6.根据权利要求5所述的电力线信道的调整方法，其特征在于，所述递归神经网络包括输入层、隐含层和输出层；

所述利用递归神经网络建立影响要素样本与预设电力线信道质量编码之间的映射关系的步骤包括以下步骤：

利用所述影响要素样本构建所述输入层、利用所述预设电力线信道质量编码构建所述输出层，对所述递归神经网络进行训练，获得影响要素样本与预设电力线信道质量编码之间的映射关系。

7.根据权利要求1至6中任意一项所述的电力线信道的调整方法，其特征在于，所述影响电力线信道质量的电力线相关参数包括电力线长度、电力线分支数、电力线分支长度、电力线负载阻抗特性、电力线类型和电力线噪声强度。

8.一种电力线信道的调整系统，其特征在于，包括以下单元：

获取单元，用于获取当前影响电力线信道质量的电力线相关参数；

初步评估单元，用于根据多个不同的电力线信道参数评估模型分别对所述当前影响电力线信道质量的电力线相关参数进行评估，获得多个关于所述当前影响电力线信道质量的电力线相关参数的评估结果；

综合评估单元，用于根据电力线信道质量评估模型对多个所述评估结果进行评估，获得目标评估结果；其中，所述电力线信道质量评估模型是经训练的基于Adaboost算法的评估模型；

调整单元，用于在所述目标评估结果与预设评估值不同时，对所述电力线信道进行调整；

所述获取单元获取影响电力线信道质量的电力线相关参数的多个历史样本；

所述初步评估单元分别利用每个电力线信道参数评估模型对多个历史样本一一进行评估，获得各个电力线信道参数评估模型的评估结果，其中，每个电力线信道参数评估模型对应多个评估结果；

所述综合评估单元建立基于Adaboost算法的评估模型，将根据所有电力线信道参数评估模型获得的所有历史样本的评估结果合为训练样本集，初始化训练样本集中所有训练样本的概率；在训练样本集中随机抽取若干个训练样本，根据抽取的训练样本训练基于Adaboost算法的评估模型中的分类器；计算分类器的错误率，在错误率小于错误率阈值时，根据错误率计算分类器的权重；在错误率大于或等于错误率阈值时，将出现分类错误的训练样本的概率增加第一预设步长，将未出现分类错误的训练样本的概率减小第二预设步长，对训练样本集中对应的训练样本的概率进行更新，并重新在训练样本集中随机抽取若干个训练样本，直至错误率小于错误率阈值；重新在训练样本集中随机抽取若干个训练样本，直至获得预设个数的分类器的权重；根据预设个数的分类器的权重，对预设个数的分类器进行加权叠加，获得电力线信道质量评估模型。