每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

NGGAN：基于窄带电力线通信实际测量数据集的噪声生成 GAN

Created by
  • Haebom

作者

简英仁、周博恒、彭友杰、黄春元、曹恒伟、曹宇

大纲

为了有效处理窄带电力线通信 (NB-PLC) 收发器中的脉冲噪声，对非周期性异步脉冲噪声 (APIN) 进行全面的统计分析至关重要。现有的数学噪声生成模型仅能捕捉噪声特征的一小部分。本研究提出了一种新型生成对抗网络 (GAN)，即噪声生成 GAN (NGGAN)，它通过学习真实世界测量噪声样本的复杂特征来进行数据合成。为了紧密匹配 NB-PLC 系统的复杂噪声统计数据，我们通过商用 NB-PLC 调制解调器的模拟耦合和带通滤波电路测量 NB-PLC 噪声，构建了一个真实的数据集。为了训练 NGGAN，我们设计了输入信号长度，以利于 NGGAN 模型中周期性平稳噪声的生成。我们使用 Wasserstein 距离作为损失函数，以提高生成噪声与训练数据之间的相似性。我们基于数学和真实世界测量数据集，定量和定性地分析了基于 GAN 模型的相似性性能。训练数据集包含分段谱圆平稳高斯模型 (PSCGM)、频移 (FRESH) 滤波器和 NB-PLC 系统的实际测量数据。仿真结果表明，NGGAN 生成的噪声样本与真实噪声样本非常接近。PCA 散点图和 FID 分析表明，NGGAN 生成的噪声样本保真度高、多样性高，优于其他基于 GAN 的模型。

Takeaways, Limitations

•
Takeaways：
◦
开发 NGGAN，可以根据实际测量的噪声样本有效地对 NB-PLC 系统中的噪声进行建模。
◦
NGGAN 的表现优于其他基于 GAN 的模型。
◦
所提出的 NGGAN 有助于降低 NB-PLC 系统的噪声并提高其性能。
•
Limitations：
◦
用于训练模型的数据集的特性可能会影响研究结果。
◦
NGGAN 的性能还需要在其他环境下进行验证。
◦
需要对计算复杂性和训练时间进行进一步研究。
👍
Made with Slashpage