本發明涉及電力線載波通信技術領域，特別是涉及一種電力線信道的調整方法和系統。

背景技術：

目前，電力線載波通信利用現有的低壓配電網線路作為通信信道的傳輸介質，有效減少了通信線路初期的架設成本和后期維護費用，降低了設備安裝和調試的難度。但由于配電網絡并不是為通信而架設的專用線路，其開放的線路環境、復雜網絡結構和多變的負載特性，使得信道環境具有高噪聲、高衰減和阻抗不匹配等特性。建設信道質量良好的電力線路，對于提高電力線載波通信質量具有重要意義。

傳統技術中主要是依據電力線信道噪聲進行信道數學建模，利用建立的信道模型對電力線信道的質量進行判斷，再根據判斷結果對電力線信道進行調整，由于電力線信道的環境的多樣性，電力線信道的質量受到多種因素的影響，依據電力線信道噪聲建立的信道模型對電力線信道質量的判斷準確度低，使調整電力線信道的成效降低。

技術實現要素：

基于此，有必要針對傳統技術調整電力線信道的成效低的問題，提供一種電力線信道的調整方法和系統。

一種電力線信道的調整方法，包括以下步驟：

獲取當前影響電力線信道質量的電力線相關參數；

根據多個不同的電力線信道參數評估模型分別對當前影響電力線信道質量的電力線相關參數進行評估，獲得多個關于當前影響電力線信道質量的電力線相關參數的評估結果；

根據電力線信道質量評估模型對多個評估結果進行評估，獲得目標評估結果；

若目標評估結果與預設評估值不同，則對電力線信道進行調整。

一種電力線信道的調整系統，包括以下單元：

獲取單元，用于獲取當前影響電力線信道質量的電力線相關參數；

初步評估單元，用于根據多個不同的電力線信道參數評估模型分別對當前影響電力線信道質量的電力線相關參數進行評估，獲得多個關于當前影響電力線信道質量的電力線相關參數的評估結果；

綜合評估單元，用于根據電力線信道質量評估模型對多個評估結果進行評估，獲得目標評估結果；

調整單元，用于在目標評估結果與預設評估值不同時，對電力線信道進行調整。

根據上述本發明的電力線信道的調整方法和系統，其是先用多個電力線信道參數評估模型對當前影響電力線信道質量的電力線相關參數進行初步評估，再采用電力線信道質量評估模型對評估結果進行評估，將多個電力線信道參數評估模型和電力線信道質量評估模型相結合，經過兩輪評估，使對電力線信道質量的判斷更加準確，能夠有效改善電力線信道質量判斷的準確度和智能化，以此為依據對電力線信道進行調整，可以提高電力線信道的調整效果，有利于建設信道質量良好的電力線路。

附圖說明

圖1為其中一個實施例的電力線信道的調整方法的流程示意圖；

圖2為其中一個具體實施例中電力線信道質量評估過程的示意圖；

圖3為其中一個具體實施例中遞歸神經網絡的拓撲結構圖；

圖4為其中一個具體實施例中AdaBoost算法的計算原理圖；

圖5為其中一個實施例的電力線信道的調整系統的結構示意圖。

具體實施方式

為使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步的詳細說明。應當理解，此處所描述的具體實施方式僅僅用以解釋本發明，并不限定本發明的保護范圍。

參見圖1所示，為本發明的電力線信道的調整方法的流程示意圖。該實施例中的電力線信道的調整方法，包括以下步驟：

步驟S101：獲取當前影響電力線信道質量的電力線相關參數；

在本步驟中，影響電力線信道質量的電力線相關參數可以包括多種類型的數據。

步驟S102：根據多個不同的電力線信道參數評估模型分別對當前影響電力線信道質量的電力線相關參數進行評估，獲得多個關于當前影響電力線信道質量的電力線相關參數的評估結果；

步驟S103：根據電力線信道質量評估模型對多個評估結果進行評估，獲得目標評估結果；

步驟S104：若目標評估結果與預設評估值不同，則對電力線信道進行調整。

在本步驟中，是根據目標評估結果與預設評估值的比較結果來確定是否對電力線信道進行調整；若目標評估結果與預設評估值不同，表明電力線信道存在缺陷，需要對電力線信道進行調整；若目標評估結果與預設評估值相同，表明電力線信道質量良好，可以不對電力線信道進行調整。

在本實施例中，先用多個電力線信道參數評估模型對當前影響電力線信道質量的電力線相關參數進行初步評估，再采用電力線信道質量評估模型對評估結果進行評估，將多個電力線信道參數評估模型和電力線信道質量評估模型相結合，經過兩輪評估，使對電力線信道質量的判斷更加準確，能夠有效改善電力線信道質量判斷的準確度和智能化，以此為依據對電力線信道進行調整，可以提高電力線信道的調整效果，有利于建設信道質量良好的電力線路。

在其中一個實施例中，在獲取當前影響電力線信道質量的電力線相關參數的步驟之前包括以下步驟：

獲取影響電力線信道質量的電力線相關參數的多個歷史樣本；

分別利用每個電力線信道參數評估模型對多個歷史樣本一一進行評估，獲得各個電力線信道參數評估模型的評估結果，其中，每個電力線信道參數評估模型對應多個評估結果；

建立基于Adaboost算法的評估模型，將根據所有電力線信道參數評估模型獲得的所有歷史樣本的評估結果合為訓練樣本集，根據訓練樣本集對基于Adaboost算法的評估模型進行訓練，獲得電力線信道質量評估模型。

在本實施例中，先用多個電力線信道參數評估模型對影響電力線信道質量的電力線相關參數的多個歷史樣本進行評估，得到多個歷史樣本在不同電力線信道參數評估模型中的評估結果，將其作為訓練樣本集對基于Adaboost算法的評估模型進行訓練，獲得電力線信道質量評估模型，使電力線信道質量評估模型能夠評估電力線信道參數評估模型得到的評估結果，從而可以在對電力線信道進行調整時使用該電力線信道質量評估模型對電力線信道質量進行評估；同時，本發明的基于Adaboost算法的評估模型可以根據影響電力線信道質量的電力線相關參數的新歷史樣本不斷地自我學習，實時調整電力線信道質量評估模型，對于不斷變化的電力線信道環境下電力線信道的調整具有很強的適應性。

在其中一個實施例中，根據訓練樣本集對基于Adaboost算法的評估模型進行訓練，獲得所述電力線信道質量評估模型的步驟包括以下步驟：

初始化訓練樣本集中所有訓練樣本的概率；

在訓練樣本集中隨機抽取若干個訓練樣本，根據抽取的訓練樣本訓練基于Adaboost算法的評估模型中的分類器；

計算分類器的錯誤率，若錯誤率小于錯誤率閾值，則根據錯誤率計算分類器的權重；若錯誤率大于或等于錯誤率閾值，則將出現分類錯誤的訓練樣本的概率增加第一預設步長，將未出現分類錯誤的訓練樣本的概率減小第二預設步長，對訓練樣本集中對應的訓練樣本的概率進行更新，并返回至在訓練樣本集中隨機抽取若干個訓練樣本的步驟，直至錯誤率小于錯誤率閾值；

返回至在訓練樣本集中隨機抽取若干個訓練樣本的步驟，直至獲得預設個數的分類器的權重；

根據預設個數的分類器的權重，對預設個數的分類器進行疊加，獲得電力線信道質量評估模型。

在本實施例中，抽取訓練樣本集中的若干個訓練樣本訓練基于Adaboost算法的評估模型中的分類器，以分類器的錯誤率為訓練樣本概率調整條件，當分類器的錯誤率大于或等于錯誤率閾值，則增大出現分類錯誤的訓練樣本的概率，減小未出現分類錯誤的訓練樣本的概率，并重新抽取若干個訓練樣本對基于Adaboost算法的評估模型中的分類器進行訓練，如此可以將訓練的焦點集中在難以分類的訓練樣本上，之后獲得多個分類器，將其疊加，得到電力線信道質量評估模型這一可具備自適應學習特性的強分類器，可以實現對電力線信道參數的正確分類，從而大大提高電力線信道質量評估的準確度。

第一預設步長和第二預設步長可以根據需要自由設置，限定條件是調整訓練樣本的概率后，訓練樣本集中所有訓練樣本的概率之和仍然為1。

分類器的權重與分類器的錯誤率相關，可以根據分類器的錯誤率計算分類器的權重。

在其中一個實施例中，初始化后的訓練樣本集中所有訓練樣本的概率相同。

在本實施例中，初始化后的訓練樣本集中所有訓練樣本對于基于Adaboost算法的評估模型中的分類器來說都是全新的，分類器對初始化后的訓練樣本集中所有訓練樣本的分類結果在訓練之前是未知的，因此以相同的概率隨機抽取訓練樣本對基于Adaboost算法的評估模型中的分類器進行訓練，分類器對所有的訓練樣本以相同的幾率進行分類學習，可以使分類器的訓練更有成效。

在其中一個實施例中，電力線信道參數評估模型為兩個，分別為基于多變量決策樹的分析評估模型和基于遞歸神經網絡的故障預測模型；

分別利用每個電力線信道參數評估模型對多個歷史樣本一一進行評估的步驟包括以下步驟：

利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估；

利用基于遞歸神經網絡的故障預測模型分別對多個歷史樣本進行評估。

在本實施例中，電力線信道參數評估模型為兩個，分別為基于多變量決策樹的分析評估模型和基于遞歸神經網絡的故障預測模型；多變量決策樹的分類精度較高，而且生成決策樹的模式簡單，對噪聲數據有很好的健壯性；遞歸神經網絡具有很強的動態行為和計算能力，基于多變量決策樹的分析評估模型和基于遞歸神經網絡的故障預測模型這兩種模型對影響電力線信道質量的電力線相關參數的評估的準確率相對較高。

在其中一個實施例中，利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估的步驟包括以下步驟：

按照影響電力線信道質量的電力線相關參數類型對影響電力線信道質量的電力線相關參數的多個歷史樣本進行劃分，對每種類型的影響電力線信道質量的電力線相關參數進行數據分析，確定影響電力線信道質量的電力線相關參數類型的特征樣本；

根據影響電力線信道質量的電力線相關參數類型的特征樣本構建基于多變量決策樹的分析評估模型，根據基于多變量決策樹的分析評估模型對多個歷史樣本分別進行評估。

在本實施例中，基于多變量決策樹的分析評估模型是根據影響電力線信道質量的電力線相關參數類型的特征樣本構建的，可以有效判斷輸入的影響電力線信道質量的電力線相關參數的優化程度，進而實現對影響電力線信道質量的電力線相關參數的評估。

在其中一個實施例中，利用基于遞歸神經網絡的故障預測模型分別對多個歷史樣本進行評估的步驟包括以下步驟：

確定影響電力線信道質量的電力線相關參數中的影響要素，從多個歷史樣本中提取影響要素樣本，利用遞歸神經網絡建立影響要素樣本與預設電力線信道質量編碼之間的映射關系；

根據映射關系構建基于遞歸神經網絡的故障預測模型，根據基于遞歸神經網絡的故障預測模型對多個歷史樣本分別進行評估。

在本實施例中，基于遞歸神經網絡的故障預測模型是根據影響電力線信道質量的電力線相關參數中的影響要素樣本與預設電力線信道質量編碼之間的映射關系構建的，基于遞歸神經網絡的故障預測模型可以有效判斷輸入的影響電力線信道質量的電力線相關參數與電力線信道質量之間的關系，進而實現對影響電力線信道質量的電力線相關參數的評估。

在其中一個實施例中，遞歸神經網絡包括輸入層、隱含層和輸出層；

利用遞歸神經網絡建立影響要素樣本與預設電力線信道質量編碼之間的映射關系的步驟包括以下步驟：

利用影響要素樣本構建輸入層、利用預設電力線信道質量編碼構建輸出層，對遞歸神經網絡進行訓練，獲得影響要素樣本與預設電力線信道質量編碼之間的映射關系。

在本實施例中，只需利用影響要素樣本構建輸入層，利用預設電力線信道質量編碼構建輸出層，由于遞歸神經網絡具有很強的動態行為和計算能力，在確定輸入層和輸出層后，經過訓練可以快速獲取映射關系，為后續的評估提供依據。

在其中一個實施例中，影響電力線信道質量的電力線相關參數包括電力線長度、電力線分支數、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度。

在本實施例中，影響電力線信道質量的電力線相關參數包括電力線長度、電力線分支數、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度等多種類型的參數，本發明的電力線信道的調整方法綜合考慮了電力線信道的各種影響質量的參數，使對電力線信道質量的評估更加全面，從而提高電力線信道質量判斷的準確度，有利于電力線信道的調整。

在一個具體的實施例中，電力線信道質量評估過程如圖2所示。首先，通過采集電力線長度、電力線分支數、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等多種影響電力線信道質量的電力線相關參數，建立海量影響電力線信道質量的電力線相關參數數據存儲和共享平臺，里面包括了電力線的不同歷史數據樣本，為應用基于神經網絡和深度學習等模式識別算法進行電力線信道質量評估提供數據支持。系統評估方法具體利用具有自適應特性的基于Adaboost算法的集成學習模型對多種不同的電力線信道參數評估模型(如基于多變量決策樹的專家診斷評估模型和基于遞歸神經網絡的故障預測模型等)的評估結果進行評估，包括評價、權重調節、求和最終決策等，得到電力線信道質量評估的最終結果(如電力線信道質量優、良、差三個評估結果)。電力線信道質量評估系統利用大數據計算平臺實現“基于多變量決策樹的專家診斷評估模型”、“基于遞歸神經網絡(RNN)的故障預測模型”和“基于Adaboost算法的自適應集成學習模型”的計算分析，對多種不同評估方法的結果進行分類計算，實現用電力線信道質量可視化和智能感知。

在本發明中，電力線信道參數評估模型可以是多個，對其數量不做限制，以下以兩個電力線信道參數評估模型為例描述本發明的具體內容：

優選的，兩個電力線信道參數評估模型為基于多變量決策樹的專家診斷評估模型和基于遞歸神經網絡的故障預測模型；

基于影響電力線信道質量的電力線相關參數數據庫，分析電力線長度、電力線分支數、分支長度、負載阻抗特性、電力線類型、電力線噪聲強度等數據集，研究基于多變量決策樹的專家評估模型，利用粗糙集理論劃分電力線采集所得的數據集，選擇最有利的變量集合，構造多變量決策樹；然后，研究基于遞歸神經網絡(RNN)的故障預測模型，提取電力線特征及信道質量影響要素，建立影響要素與信道質量之間的映射關系，根據映射預測電力線信道質量；最后，在得到專家分析評估結果和RNN預測結果的基礎上，利用AdaBoost集成學習方法，以錯誤率為限定條件，利用加權投票機制構建最終的決策模型，實現對電力線信道質量的最終評估，得到電力線信道質量的評估最終結果。

根據得到的電力線信道質量的評估最終結果就可以對電力線信道進行調整。可以將評估最終結果與預設評估值進行比較，此處的預設評估值可以表示電力線信道質量好，如果評估最終結果與預設評估值不同，表明當前電力線信道質量差，則對電力線信道進行調整；如果評估最終結果與預設評估值相同，表明當前電力線信道質量好，則可以不對電力線信道進行調整。電力線信道質量的評估最終結果可以用不同的質量編碼來表示，可以預設其中代表質量好的質量編碼表示預設評估值。

基于多變量決策樹的專家分析評估模型的建立過程如下：

以采集到的影響電力線信道質量的電力線相關參數數據為目標數據集，利用粗糙集理論，按照電力線參數類型劃分目標數據集，對每種電力線參數進行多組實驗樣本分析后，確定電力線參數特征樣本，求出最有利于分類的變量集合，構造多變量決策樹。在多變量決策樹的某一結點上可以同時檢驗多個屬性,產生新的、更相關的屬性,以及修改或去掉初始提供的不相關的屬性。利用相對核和相對泛化理論，針對決策屬性的選擇、構造和優化方法進行研究，以此為基礎，提取規則，建立基于多變量決策樹的專家電力線信道參數評估模型。

以下是從所得的電力線信道參數數據中構造出具體決策樹模型的算法：形式上，一個信息系統S定義為一個四元組S＝<U,A,V,f>。其中U為論域；A為所有屬性的集合,它進一步可分為條件屬性C和決策屬性D,V＝U_P∈AV_p，V_p是屬性P的值域，f:U×A→V,V_p稱為一個信息函數。

構造多變量檢驗的步驟為:

(1)計算條件屬性集C相對于決策屬性集D的核,即CORED(C)。若CORED(C)＝C∩D，則轉(2)；否則,不妨設CORED(C)＝{a₁,a₂,...,a_k},轉(3)。

(2)用ID3(ID3算法是一種貪心算法，用來構造決策樹)的方法選擇一個最佳屬性，作為該結點的檢驗。

(3)令P＝a₁∧a₂∧...∧a_k(a₁,…,a_k表示構建決策樹的樣本，∧表示樣本綜合)，計算P相對于D的泛化GEND(P)，將它作為該結點的檢驗。

本算法將把GEND(P)作為決策樹的根，然后根據屬性的值，把對象分成不同的子集.對每一個子集將以類似的方式導出一棵樹。

基于遞歸神經網絡(RNN)的故障預測模型的建立過程如下：

收集影響電力線信道質量的電力線相關參數數據，利用因子分析算法確定信道質量影響要素，提取每類信道質量影響要素樣本，設計預設信道質量編碼，利用遞歸神經網絡建立影響要素與預設信道質量編碼之間的映射關系，并在所得映射關系基礎上，對電力線信道質量進行評估。

圖3為三層RNN拓撲結構圖，它由輸入層(N₁個節點)、隱含層(N₂個節點)及輸出層(N₃個節點)組成。其中，隱層節點不僅接收來自輸入層的輸出信號，還接收自身延時的輸出信號。

X_i(h)是在時間h的第i個隱層節點輸入,B_j(h)是在時間h的第j個隱層節點的輸出,Y(h)為N₃維輸出向量。該網絡可描述為：

B_j(h)＝f(S_j(h)) (2)

其中:W_I，W_R，W_O分別為從輸入層到隱含層、回歸信號、從隱含層到輸出層的權系數；分別為隱含層和輸出層上的偏差單元的權系數；f(·)為sigmoid函數。T、U分別為網絡中預先設定的輸出層和隱含層的偏差值。

在本專利中，利用電力線信道質量影響要素構建輸入層，預設信道質量編碼作為輸出層，經過訓練而成RNN，建立信道質量評估模型。

基于Adaboost算法的自適應集成學習模型的建立過程如下：

將專家分析評估模型和RNN故障預測模型分別作為前期訓練的模型，以影響電力線信道質量的電力線相關參數數據為基礎，分別獲得各種歷史數據樣本的評估結果，將所有的評估結果作為訓練樣本集，隨機選取訓練樣本訓練基于Adaboost算法的評估模型的弱分類器，以每次錯誤率為加權限定條件，將加權后選取的訓練數據代替隨機選取的訓練樣本，將焦點集中在比較難分的訓練樣本數據上，經過多次迭代循環后，得到多個弱分類器，計算每個弱分類器的權重，將所有弱分類器加權疊加，構建可自動學習的強分類器，大大提高電力線信道質量評估系統準確率。

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。

AdaBoost算法的具體步驟如下：

步驟1.給定包含基于多變量決策樹的專家分析電力線信道參數評估模型和基于遞歸神經網絡(RNN)的電力線信道質量誤差評估模型的電力線信道質量評估結果數據的訓練樣本集S，其中A和B分別對應于正例樣本和負例樣本；T為訓練的最大循環次數；

步驟2.初始化樣本權重為1/n，即為訓練樣本的初始概率分布；

步驟3.第一次迭代：

(1)在訓練樣本的初始概率條件下，抽取若干個訓練樣本訓練弱分類器；

(2)計算弱分類器的錯誤率ε_i；

(3)選取合適錯誤率閾值M(M在訓練過程中不斷調整)，使得訓練樣本誤差最小；若錯誤率小于錯誤率閾值，則根據錯誤率計算弱分類器的權重；若錯誤率大于錯誤率閾值，轉(4)；

(4)更新訓練樣本概率ω；更新的規則是：減小弱分類器未出現分類錯誤的訓練樣本的概率，增大弱分類器出現分類錯誤的訓練樣本的概率；

(5)重新沖去訓練樣本訓練弱分類器。

經多次迭代后，得到T個弱分類器，按弱分類器權重α_i疊加，最終得到強分類器。

上述具體過程如圖4所示。

根據上述電力線信道的調整方法，本發明還提供一種電力線信道的調整系統，以下就本發明的電力線信道的調整系統的實施例進行詳細說明。

參見圖5所示，為本發明的電力線信道的調整系統的實施例。該實施例中的電力線信道的調整系統包括獲取單元210、初步評估單元220、綜合評估單元230和調整單元240；

獲取單元210，用于獲取單元，用于獲取當前影響電力線信道質量的電力線相關參數；

初步評估單元220，用于根據多個不同的電力線信道參數評估模型分別對當前影響電力線信道質量的電力線相關參數進行評估，獲得多個關于當前影響電力線信道質量的電力線相關參數的評估結果；

綜合評估單元230，用于根據電力線信道質量評估模型對多個評估結果進行評估，獲得目標評估結果；

調整單元240，用于在目標評估結果與預設評估值不同時，對電力線信道進行調整。

在其中一個實施例中，獲取單元210還用于獲取影響電力線信道質量的電力線相關參數的多個歷史樣本；

初步評估單元220還用于分別利用每個電力線信道參數評估模型對多個歷史樣本一一進行評估，獲得各個電力線信道參數評估模型的評估結果，其中，每個電力線信道參數評估模型對應多個評估結果；

綜合評估單元230還用于建立基于Adaboost算法的評估模型，將根據所有電力線信道參數評估模型獲得的所有歷史樣本的評估結果合為訓練樣本集，根據訓練樣本集對基于Adaboost算法的評估模型進行訓練，獲得電力線信道質量評估模型。

在其中一個實施例中，綜合評估單元230初始化訓練樣本集中所有訓練樣本的概率；在訓練樣本集中隨機抽取若干個訓練樣本，根據抽取的訓練樣本訓練基于Adaboost算法的評估模型中的分類器；計算分類器的錯誤率，在錯誤率小于錯誤率閾值時，根據錯誤率計算分類器的權重；在錯誤率大于或等于錯誤率閾值時，將出現分類錯誤的訓練樣本的概率增加第一預設步長，將未出現分類錯誤的訓練樣本的概率減小第二預設步長，對訓練樣本集中對應的訓練樣本的概率進行更新，并重新在訓練樣本集中隨機抽取若干個訓練樣本，直至錯誤率小于錯誤率閾值；重新在訓練樣本集中隨機抽取若干個訓練樣本，直至獲得預設個數的分類器的權重；根據預設個數的分類器的權重，對預設個數的分類器進行加權疊加，獲得電力線信道質量評估模型。

在其中一個實施例中，初始化后的訓練樣本集中所有訓練樣本的概率相同。

在其中一個實施例中，電力線信道參數評估模型為兩個，分別為基于多變量決策樹的分析評估模型和基于遞歸神經網絡的故障預測模型；

初步評估單元220利用基于多變量決策樹的分析評估模型分別對多個歷史樣本進行評估；

初步評估單元220利用基于遞歸神經網絡的故障預測模型分別對多個歷史樣本進行評估。

在其中一個實施例中，初步評估單元220按照影響電力線信道質量的電力線相關參數類型對影響電力線信道質量的電力線相關參數的多個歷史樣本進行劃分，對每種類型的影響電力線信道質量的電力線相關參數進行數據分析，確定影響電力線信道質量的電力線相關參數類型的特征樣本；根據影響電力線信道質量的電力線相關參數類型的特征樣本構建基于多變量決策樹的分析評估模型，根據基于多變量決策樹的分析評估模型對多個歷史樣本分別進行評估。

在其中一個實施例中，初步評估單元220確定影響電力線信道質量的電力線相關參數中的影響要素，從多個歷史樣本中提取電力線信道質量影響要素樣本，利用遞歸神經網絡建立影響要素樣本與預設電力線信道質量編碼之間的映射關系；根據映射關系構建基于遞歸神經網絡的故障預測模型，根據基于遞歸神經網絡的故障預測模型對多個歷史樣本分別進行評估。

在其中一個實施例中，遞歸神經網絡包括輸入層、隱含層和輸出層；

初步評估單元220利用影響要素樣本構建輸入層、利用預設電力線信道質量編碼構建輸出層，對遞歸神經網絡進行訓練，獲得影響要素樣本與預設電力線信道質量編碼之間的映射關系。

在其中一個實施例中，影響電力線信道質量的電力線相關參數包括電力線長度、電力線分支數、電力線分支長度、電力線負載阻抗特性、電力線類型和電力線噪聲強度。

本發明的電力線信道的調整系統與本發明的電力線信道的調整方法一一對應，在上述電力線信道的調整方法的實施例闡述的技術特征及其有益效果均適用于電力線信道的調整系統的實施例中。

以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。因此，本發明專利的保護范圍應以所附權利要求為準。