NB-PLC 实测噪声数据集

该数据集为窄带电力线通信（NB-PLC）系统中非周期异步脉冲噪声（APIN）的实测数据，用于训练噪声生成对抗网络（NGGAN）。数据集包含了风扇、灯泡和电源供应器等不同场景下的噪声测量数据，通过模拟耦合和带通滤波电路的商用NB-PLC调制解调器进行测量，从而构建了一个真实的数据集。该数据集可用于NB-PLC系统的噪声建模和深度学习传输器训练，以提高其对复杂噪声统计特性的鲁棒性。

This dataset consists of measured aperiodic asynchronous impulsive noise (APIN) data from narrowband power line communication (NB-PLC) systems, and is used for training noise generative adversarial networks (NGGANs). Noise measurement data under various scenarios including fans, light bulbs and power supplies was collected using commercial NB-PLC modems equipped with simulated coupling and band-pass filtering circuits, thus forming a real-world dataset. This dataset can be applied to noise modeling of NB-PLC systems and training of deep learning-based transmitters to improve their robustness against the statistical characteristics of complex noises.

原始信息汇总

NGGAN数据集概述

数据集基本信息

• 数据集名称：Cyclostationary Impulse Noise Dataset
• 存储平台：IEEE Dataport
• 数字对象标识符：https://dx.doi.org/10.21227/a1ns-hq82

相关研究论文

• 论文标题：NGGAN: Noise Generation GAN Based on the Practical Measurement Dataset for Narrowband Powerline Communications
• 发表期刊：IEEE Transactions on Instrumentation and Measurement
• 在线访问地址：https://ieeexplore.ieee.org/abstract/document/10816642
• 数字对象标识符：10.1109/TIM.2024.3523361

版本更新记录

版本1.0.1（2024-01-05）

• 修改程序超参数以符合研究论文中指定的数值
• 移除用于测试目的的部分参数以避免混淆

版本1.0.0（2023-10-17）

• 项目的初始完整上传

数据集用途

该数据集用于窄带电力线通信中的噪声生成GAN研究。

搜集汇总

数据集介绍

构建方式

在窄带电力线通信领域，为精确捕捉复杂噪声特性，NB-PLC实测噪声数据集的构建采用了商用调制解调器的模拟耦合与带通滤波电路进行实地测量。通过连接风扇、灯具和电源等多样化负载场景，利用泰克数字示波器以625kHz采样率采集了15,000条噪声轨迹，每条轨迹包含16,384个样本，完整覆盖了40.96毫秒的周期性脉冲噪声周期，确保了数据在真实电力线网络环境中的代表性与可靠性。

特点

该数据集显著特点在于其全面覆盖了窄带电力线通信系统中的五类典型噪声：有色背景噪声、窄带干扰、与主频异步的周期性脉冲噪声、同步周期性脉冲噪声及异步脉冲噪声。尤其突出了非周期性异步脉冲噪声的高度随机性，其持续时间和到达间隔均呈现复杂统计特征。数据集通过实际电路测量捕获了传统数学模型难以描述的噪声轨迹，为基于深度学习的噪声生成研究提供了高保真基础。

使用方法

该数据集主要应用于训练生成对抗网络等深度学习模型，通过输入长度为100的均匀分布随机向量，经五层卷积块上采样生成16,384点噪声序列。训练过程中采用Wasserstein距离作为损失函数以增强生成数据与实测数据的统计相似性，并可通过主成分分析和弗雷歇起始距离等指标评估生成质量，为窄带电力线通信收发机的抗噪声鲁棒性设计与可学习数据增强提供关键支撑。

背景与挑战

背景概述

窄带电力线通信（NB-PLC）作为智能电网和智能家居等领域的关键物理层解决方案，其发展受到复杂噪声环境的制约。2025年，由台湾学术机构团队构建的NB-PLC实测噪声数据集，通过商用调制解调器的耦合电路与带通滤波器采集真实环境噪声，涵盖风扇、灯具等多种负载场景。该数据集旨在解决传统数学模型无法全面描述非周期异步脉冲噪声统计特性的问题，为基于深度学习的噪声生成与通信系统鲁棒性研究提供了重要基础。

当前挑战

在窄带电力线通信领域，噪声建模需应对异步脉冲噪声的高随机性与周期性噪声的复杂统计特性，传统方法难以同步多类噪声模型。数据集构建过程中，面临实际测量成本高昂、多相位电网噪声采集困难，以及噪声轨迹在时域与频域的动态关联性捕捉等挑战。此外，深度学习模型训练需要充足数据以避免过拟合，而实测数据的隐私与成本限制进一步增加了数据扩增的难度。

常用场景

经典使用场景

在窄带电力线通信领域，实测噪声数据集为研究复杂噪声统计特性提供了关键支撑。该数据集通过商用调制解调器的模拟耦合与带通滤波电路采集真实环境噪声，其经典应用场景集中于训练生成对抗网络模型，以合成具有周期平稳特性的噪声样本。通过精确捕捉异步脉冲噪声的随机持续时间和到达间隔，该数据集为开发高保真噪声生成算法奠定了实验基础，显著提升了窄带电力线通信系统在智能电网等场景下的噪声建模能力。

实际应用

在智能电网与智能家居等实际场景中，该数据集通过生成高保真噪声样本，显著提升了窄带电力线通信设备的抗干扰能力。基于数据驱动的噪声生成模型可直接应用于消费电子设备设计，解决多相电力线网络中的电磁干扰问题。通过模拟不同负载条件下的噪声特征，该数据集为电力线通信系统的长期噪声表征与大规模网络部署提供了关键技术支持，有效降低了实际测量成本与隐私风险。

衍生相关工作

该数据集催生了多项经典衍生研究，包括基于频谱图生成的深度卷积生成对抗网络与相位学习型频谱生成对抗网络。这些工作通过改进网络架构与损失函数，显著提升了周期平稳噪声的生成质量。此外，数据集支撑的频率域频谱生成对抗网络研究进一步推动了噪声特征提取技术的革新，为人工智能赋能的窄带电力线通信收发器设计提供了可扩展的增强数据方法。