ETSI EN 301893 V2.1.1中自适应测试方法及要点

介绍了ETSI EN 301893 V2.1.1:2017中的新增自适应测试参数,该测试是5G WiFi测试中的一个难点。通过对测试中遇到的常见问题及测试结果分析,指出了测试中需要注意的测试环境搭建细节。     

基于hp自适应伪谱法的自主泊车路径规划

针对自主泊车路径规划最优控制问题求解收敛速率慢的问题,提出基于hp自适应高斯伪谱法的自主泊车路径规划方法。首先建立车辆运动学模型,并考虑自主泊车过程中避障约束和边界约束,再以泊车时间最短为性能目标函数,将自主泊车路径规划问题转化为最优控制问题。采用高斯伪谱法对最优控制问题进行离散化处理并采用序列二次规划进行求解,在求解过程中通过动态调整网格区间个数和多项式阶数实现提高求解收敛速率。根据实际场景选取4种工况并进行路径规划仿真,并将3种伪谱法进行对比分析,仿真结果表明hp自适应高斯伪谱法能够提升自主泊车路径规划最优控制问题求解收敛速率,同时该算法可以实现在狭窄泊车位内的泊车路径规划,通过实车试验验证提出的方法获得的自主泊车路径的有效性。     

宽带数字接收机IQ不平衡估计与自适应补偿算法

针对宽带调制解调技术中广泛存在的IQ不平衡问题,在IQ不平衡模型及补偿原理的分析基础上提出了一种宽带数字接收机IQ不平衡估计与自适应补偿算法。首先利用解调数据对IQ不平衡参数进行实时估计,然后利用估计参数对接收信号进行自适应补偿。实验结果表明,所提算法可以有效解决宽带调制解调系统中普遍存在的IQ不平衡问题,提升系统误码性能。     

对抗样本生成技术综述

如今,深度学习已被广泛应用于图像分类和图像识别的问题中,取得了令人满意的实际效果,成为许多人工智能应用的关键所在.在对于模型准确率的不断探究中,研究人员在近期提出了“对抗样本”这一概念.通过在原有样本中添加微小扰动的方法,成功地大幅度降低原有分类深度模型的准确率,实现了对于深度学习的对抗目的,同时也给深度学习的攻方提供了新的思路,对如何开展防御提出了新的要求.在介绍对抗样本生成技术的起源和原理的基础上,对近年来有关对抗样本的研究和文献进行了总结,按照各自的算法原理将经典的生成算法分成两大类——全像素添加扰动和部分像素添加扰动.之后,以目标定向和目标非定向、黑盒测试和白盒测试、肉眼可见和肉眼不可见的二级分类标准进行二次分类.同时,使用MNIST数据集对各类代表性的方法进行了实验验证,以探究各种方法的优缺点.最后总结了生成对抗样本所面临的挑战及其可以发展的方向,并就该技术的发展前景进行了探讨.     

开关磁阻电机结构性转矩脉动抑制方法

开关磁阻电机具有结构简单、成本低和调速范围广等优势,但其双凸极结构和控制器的开关特性,导致存在转矩脉动现象,使得抑制转矩脉动成为焦点问题。首先从开关磁阻电机的结构和运行机理出发,针对线性解析方法难以分析转矩特征的问题,建立电机有限元模型求解出转矩特征并进行样机验证试验。分析样机结构参数对转矩脉动的影响,针对结构参数耦合问题,选择NSGA-Ⅱ算法在参数优化平台上对样机结构参数进行多目标寻优,在保证优化后样机的转矩脉动系数和平均转矩均优于初始电机的条件下,最终获得样机最优化结果。结果表明,不同结构参数对电机转矩的影响有较大的差异,对结构参数的优化能有效地抑制转矩脉动,该参数优化方法可以为开关磁阻电机结构性转矩脉动抑制提供参考。     

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。