0 引言

    随着国家“新基建”的提出，电力线通信（PLC）与无线通信、车联网、物联网、可见光通信等领域深度融合，共同构建“三合一”的能源互联网，使万物互联成为现实[1]。但电力线信道中的脉冲噪声（IN）严重影响着PLC系统的误码率（BER）性能[2-3]，且在车载通信、无线通信、图像处理、电缆老化监测等领域也都会遭受IN的干扰[4]。

    IN的抑制方法主要包括置零、限幅等[2，4]、基于压缩感知技术[5]、基于稀疏贝叶斯学习技术[6]、基于多重信号分类法（MUSIC）技术[7]等方法。其中，置零和限幅等非线性法最简单、应用最广泛，其门限依赖于IN先验信息的估计。文献[8]提出了一种自适应阈值计算方法，但该方法需要估计的参数较多，仅适用于幅度分布明显的噪声场景，且会导致多载波系统中出现载波间干扰（ICI）问题[9]（非线性失真）。基于压缩感知技术虽然能解决非线性法依赖于噪声先验信息的难题，但需要待恢复信号必须满足稀疏度的要求，这在实际系统中难以做到。与基于压缩感知技术相比，基于稀疏贝叶斯学习技术降低了稀疏度的要求，性能更好，但其运算复杂度大，不符合系统实时性要求。基于MUSIC技术是通过引入MUSIC理论来估计IN的个数、位置、幅度等参数，从而恢复出IN，在干扰严重的情况下能较好提升系统性能，但计算过程过于复杂、处理时延较大，无法应用于实际系统。

    深度神经网络（DNN）正好解决了不同场景对噪声先验信息的估计问题。文献[10]利用带长短期记忆网络（LSTM）的卷积神经网络估计出有记忆IN模型的参数，但其研究重点仅在IN检测，未介绍抑制IN的方法。文献[11]利用DNN估计IN参数，使用对数似然比技术较好地抑制了IN，但只能估计出预先设置区间内的参数值。文献[12-13]将深度学习方法应用到非正交多址接入系统中，虽然有效地抑制了IN，但分类标签没有考虑无脉冲的情况，容易损失有用信号。文献[14]利用DNN直接恢复受IN影响的发送符号，证明了DNN在IN模型不匹配时也具有良好的鲁棒性，但未提出抑制IN的方法。文献[15]使用支持向量机去除信号中的IN，完成了复杂噪声中的频谱感知任务，但研究的重点是频谱感知，且只使用了高斯混合噪声模型对其进行验证。为了克服上述缺点，文献[16]提出利用DNN检测IN，再通过置零法去除这部分噪声数据，但DNN识别率低，且未考虑置零处理会导致非线性失真的问题。因此，本文提出一种改进DNN的电力线IN抑制与补偿算法，进一步降低系统BER。

4 结束语

    本文结合 DNN 和非线性失真补偿方法，提出了一种改进DNN的电力线IN抑制与补偿算法，解决了IN先验信息的估计和置零引起的非线性失真的问题。仿真结果表明：所提算法提升了神经网络的识别率，降低了系统BER，具有较好的鲁棒性。