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。     

基于证据推理的激光惯组最优维护方法

为解决激光惯组存在的故障样本获取困难和监测维护周期不合理等问题，采用一种融合多元信息的性能评估方法对激光惯组的性能进行评估。首先，综合考虑了惯组指标信息的权重和可靠度，基于证据推理融合多元信息得到激光惯组性能评估结果。其次，根据性能评估结果，通过维纳过程预测综合考虑激光惯组的监测维护成本和性能设计要求，在满足性能状态要求前提下以单位时间内期望维护成本最小为目标，确定最优维护时机。最后，使用某型号激光惯组进行了实验验证，说明所提出的方法的有效性。     

DEA方法在项目厂址选择中的应用

厂址选择是项目建设的重要环节。通过建立方案评价模型,将数据包络分析(DEA)方法应用于项目厂址选择。引入天然气净化厂厂址选择实例,拟定投入、产出因素,利用Matlab对模型进行求解,通过对运算结果的分析,确定最优方案,说明模型及方法的有效性。     

9000m顶部驱动钻井装置结构选型研究

为大幅提高钻井效率,针对9 000 m钻井深度对顶驱的设计要求,通过比较顶驱装置关键部分几种典型的结构,提出适合该型号顶部驱动钻井装置的最优结构形式,为后续9 000 m钻井深度顶部驱动钻井装置的研究提供指导和借鉴。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。