基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

甘肃省某县调频广播发射机干扰民航通信解决方案

1发射基站地理环境甘肃省某县地形为东西两面环山,南北峡谷地形,该县广播电视发射基站选择在西山山腰处,邻县机场距离该县发射基站东南方向直线距离约80km,该发射站点恰巧在机场的航线正下方,垂直距离约4 km。距离广播电视发射台的北面约500 m位置有一个市无线电管理委员会(下简称无委会)的监测点。发射机站大致地形如图1所示。     

带热电偶数显温度巡回检测仪校准方法的研究

本文通过对巡检仪进行示值稳定性、重复性的试验,探讨热电偶的选择与巡检仪示值之间的关系,以确定校准方法,指导使其有效溯源.     

典型土耳其煤质对锅炉设计及选型的影响分析

本文从土耳其的电力市场入手,结合土耳其煤质的特点,分析了硬煤和褐煤两种典型的煤质,针对这两种典型的煤质结合实际案例,分别采用煤粉锅炉和循环流化床锅炉技术,并就锅炉设计及选型给出了建议,对国内电力装备企业开拓"一带一路"市场,支持中国产品走出去,具有一定的借鉴意义。     

GeoGebra软件在数学分析教学中的应用举例

随着信息化时代的发展,各类教学软件的出现给教师带来了各种挑战,也给学生带来了各种选择的机会,同时也导致以前的传统课堂难以满足学生的需求.对于数学课堂也不例外,GeoGebra软件的出现给数学分析课堂带来无穷乐趣,同时也解决了以前很难理解、解决的问题.GeoGebra软件有电脑版、手机版,使学生可以随时随地作图,随时随地学习,对于数学分析教学起到很重要的作用.     

基于软件校准的短波发射机功率控制系统设计

短波发射机功率稳定一直是通信领域致力改善的重点问题,短波发射机功率不稳定会直接影响无线电通信质量,造成通信失真、表达不清晰等问题。针对上述问题,基于软件校准设计短波发射机功率控制系统。该系统借鉴MVC设计模式搭建系统数据库层、业务逻辑层、控制层以及界面显示层基础框架；将功率计与短波发射机相连,实时采集工作状态下的短波发射机功率数据,通过信号处理器实施处理后并存储,借鉴传输元件,将数据发送到控制器,通过控制器校准短波发射机功率与预期之间的偏差,以偏差量为输入,利用改进PID运算得出控制量,生成控制命令,通过输入输出信号接口板输出命令,控制驱动装置调节短波发射机运行参数,实现功率控制。结果表明：与 控制系统、自动调谐系统应用相比较,在所设计系统应用控制下,100s内短波发射机的功率变化曲线与预期曲线之间的拟合优度指数更大,更接近1,优于对比系统,说明相比于对比系统。本系统控制表现更好,更能维持短波发射机功率稳定,达到了研究目标。     

智能机柜方案解决5G基站建设难题

众所周知,与4G相比,5G具有更高的速率、更低的时延和更大的连接能力,既能满足人与人的通信,还能满足人与物、物与物的通信,是构建未来万物互联社会的基础。在国内,以5G等为代表的“新基建”已成为数字经济发展的战略基石。作为一座以“科技”和“创新”著称的城市,深圳5G建设正走在全国前列。     

坚持不断创新 提供优良服务

深圳市科立讯数据技术有限公司坐落在广东省深圳市南山区软件园,是一家自主研发、生产和销售各类无线电监测和管制设备的行业方案供应商。本着创新、求实、谋发展的宗旨,公司以"让客户享受良好的人性化产品体验,成为最值得客户长期信赖的企业"为使命,不断为无线电管理机构提供良好的产品与服务。公司自2007年成立之初,就一直把提升产品质量与技术服务作为立足之本,同时强调技术创新,注重未来发展,主动响应市场变化。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。