超宽带大功率合成器设计北大核心CSCD

在80 MHz~1 GHz频段,单个功率管输出功率能达到100 W以上,为研制输出功率400 W的功率放大器,文中设计了四路功率合成器。该合成器需要实现功率容量大、工作频带宽、体积小的设计目标。在功率容量方面,文中采用悬置带状线结构,其功率容量远远大于微带线结构;在工作频带方面,采用切比雪夫九节阻抗变换器,将工作带宽拓宽为80 MHz~1 GHz;在体积方面,文中合成器的功率合成部分采用Y型节级联实现四路功率合成,阻抗变换部分采用切比雪夫阻抗变换器进行阻抗变换,该结构相较于磁环巴伦功率合成器,不但具有损耗小、平坦度高的优点,而且通过将阻抗变换器设计成曲折的形状,进一步缩小了合成器体积。仿真与实测结果显示该合成器在80 MHz~1 GHz范围内还具有较高的平坦度,合成效率可达90%以上。     

基于ＬＯＲＡＴＭ调制的低功耗光功率检测标签设计

针对工业生产领域有线设备检测光功率的不便,从应用角度出发,提出一种基于LORA^TM调制的低功耗光功率检测标签设计。无线低功耗光功率检测标签由光传感器、低功耗处理器、LORA^TM调制解调器和锂电池组成,光传感器将光强转换为大小变化的电流,通过对电容充放电和单稳态触发器,产生频率变化的脉冲信号,低功耗处理器在固定时长窗口下检测脉冲个数从而获得光功率,并通过LORA^TM调制将数据发送至手持PAD进行数据展示。实验证明：本设计系统稳定,检测精度高,待机电流低至0.2mA。     

基于音频特征的工程车辆工况识别研究

高效率地使用工程车辆是工程项目管理中节约成本的有效方法，无人监管环境下工程车辆的工况识别，是实现工程车辆高效率使用的有效手段。目前以GPS等技术为核心的车辆智能管理系统未对工程车辆进行工况识别，提出一种基于GRU循环神经网络的工程车辆工况识别方法，通过对工程车辆在不同工况下产生的音频信号进行分析，从中提取Mel倒谱系数作为主要特征，构建GRU循环神经网络模型进行训练和识别。实验结果表明，该方法可以实现对工程车辆工况的有效识别。     

内含实体对H型垂直轴风力机气动性能的影响

以H型垂直轴风力机及其内含圆柱形实体为研究对象,对NACA0018翼型的五叶片H型垂直轴风力机的气动性能进行数值模拟和实验验证。分析8种不同直径的内含圆柱体,在内含实体截面积占风轮迎风面积之比分别为21.2%、50.0%和76.9%时,风力机风能利用率的峰值分别下降8.04%、20.7%及74.3%。结果表明：随着内含实体直径的增大,风能利用率的峰值逐渐减小,开始较为缓慢,达到一定值时快速下降。小直径内含实体主要影响叶片在下风区的转矩,对风能利用率的影响较小,而大直径内含实体还会影响叶片在上风区的转矩,其风能利用率迅速减小。对于内含固定直径的实体,比如在现有建筑物外侧安装风力机时,其风轮半径的选择需综合考虑风能利用率和风力机的建造成本两方面的因素。研究结果可为建筑物与垂直轴风力机进行有效结合以提高风能的利用提供参考。     

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。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

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。