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。     

基于VR技术的智能变电站运行仿真培训系统

为了更加真实、直观地呈现智能变电站的运行整体结构,构建基于VR技术的智能变电站运行仿真培训系统。该系统通过5个模块协同完成智能变电站运行仿真培训,结合实际变电站的设备情况,采用二维纹理映射方法完成变电站设备仿真建模;系统利用虚拟现实交互模块呈现培训场景,参与培训人员能够通过人机交互设备,实现场景漫游和相关培训内容操作。测试结果表明:该系统能够较好地模拟出智能变电站的实际运行情况,参与培训的人员可以身临其境地完成整个变电站的巡视,更真实、直观地呈现智能变电站的整体状态。     

基于Matlab的量子激光雷达稳频通信模拟系统设计

传统通信模拟系统设计较为复杂,导致模拟过程消耗能量较大,不能准确模拟稳频通信质量。因此,提出基于Matlab的量子激光雷达稳频通信模拟系统。由于振荡器是雷达形成初始信号源的基础,通过分析振荡电路与相位噪声,获得相位噪声函数与通信频率存在的关系;为确保通信过程的稳定,将准确性与稳定性作为信号质量的评价指标,并采用锁频环稳频技术计算频率偏移程度,根据PID控制算法控制频率,量子激光雷达稳频通信;利用Matlab确定激光器、探测器等硬件组成结构,通过时序与数字阵列的设置完成模拟系统设计。仿真结果表明所提系统结构简便、性能稳定,能够真实模拟出稳频通信的信号质量。     

一种最小变形度全景视频映射方法

全景视频需要经过采样映射转换成平面矩形视频,以便后续的压缩编码.针对现有映射方法存在的内容变形和采样不均匀问题,提出一种最小变形度映射方法(Minimum Deformation Projection,MDP).首先提出新的变形度计算公式求得最优解,其次结合像素排列为矩形的要求和人工边界等因素对最优解做近似,最后得到了最优的多边形映射形状和像素排列方案.实验数据表明,MDP的采样密度更均匀,结合使用x265,相对于ERP可以获得约14.47％的增益,优于其他映射方法.     

基于全相位预处理的时域多重信号分类波达方向估计方法

低信噪比下,针对宽带短脉冲情况下频域多重信号分类(MUSIC)中噪声子空间估计不稳定问题,提出一种基于全相位预处理的时域多重信号分类波达方向(DOA)估计方法。①对线列阵接收数据进行分组处理;②按搜索角度对各组数据进行相移预处理,并对各组数据预处理结果进行相加,得到一组新数据;③对线列阵接收数据在时域构建相移后的协方差矩阵,在更短数据长度下,稳定实现噪声子空间估计,并依据估计出的噪声子空间含有的正交特性,通过单位矩阵加法器得到相应空间谱估计值,实现波达方向估计。数值仿真和实测数据处理结果表明,相比频域MUSIC方法,该方法有效提高了线列阵接收数据协方差矩阵中信号含有量和信噪比,能够在更短数据长度情况下实现对噪声子空间的稳定估计,具有较好的稳定性和检测性能,提高了MUSIC方法在实际波达方向估计中的鲁棒性。     

基于贝叶斯估计的土壤呼吸传感器最优高度点搜索研究

为了准确监测土壤呼吸，针对土壤呼吸传感器最优布点的问题，提出了一种基于贝叶斯估计的土壤呼吸传感器最优高度点搜索算法。算法的具体思路为:首先通过CFD(计算流体力学)仿真与涡度相关法得到土壤呼吸稳态时气室内不同高度的碳通量数据。然后对数据赋予一定的权值得到不同高度的融合数据，最后采用贝叶斯估计理论求解相应高度的概率密度，从而确定传感器最优高度点。结果表明:直径为0.25m，高度为0.3m的气室传感器最优高度点为中轴线上0.0836m处，且该点数据的均方根误差RMSE为1.426μmol·ｍ-2·s-1 。平均偏差Bias为1.224μmol·m-2·s-1，并与贝叶斯联合密度的计算结果验证分析，证明此算法有很高的可行性与准确性，为土壤呼吸传感器的最优高度点选取提供了方向与建议。     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。