تحلیل آماری نویز ضربه ای بر سیستم های PLC و بررسی رویکرد های مبتنی بر یادگیری ماشین

ارتباطات روی خطوط قدرت (PLC) به عنوان یک فناوری کیلیدی در توسعه شبکه های هوشمند، اینترنت اشیا(IOT)وسیستم های اتوماسین صنعتی،با رشد فزاینده ای روبرو است. با این حال،محیط شبکه های برق به دلیل حضور منابع متنوع نویز،چالش های قابل توجهی را برای عملکرد قابل اعتماد این سیستم ها ایجاد می کند.نویز ضربه ای،که مشخصه آن دامنه های بالا و مدت زمان کوتاه است،یکی از مخرب ترین انواع نویز در کانال های PLC محسوب می شود و می تواند منجر به خطاهای فاحش در انتقال داده ها گردد. تحلیل آماری دقیق این نوع نویز و درک مدل های ریاضی توصیف کننده آن،گام اولیه ای برای طراحی راهکارهای مقاوم در برابر آن است.در اینجا، به برسی مدل های آماری رایج نویز ضربه ای مانند مدل Middleton Class A و Bernoulli_Gaussian پرداخته می شود. علاوه بر این، رویکردهای کلاسیک مقابله با نویز مورد بحث قرار گرفته و سپس بر روی پتانسیل فزاینده روش های مبتنی بر یادگیری ماشین در شناسایی، طبقه بندی و کاهش اثرات نویز ضربه ای تمرکز خواهد شد. الگوریتم هایی نظیر SVM،Random Forestو شبکه های عصبی عمیق به عنوان ابزارهایی قدرتمند برای مقابله با این چالش در سیستم های PLC معرفی و ارزیابی خواهند شد.

کلیدواژه ها:

: PLC ، نویز ضربه ای ، مدل آماری ، یادگیری ماشین ، مخابرات روی خطوط قدرت