基于神经网络的无线信道场景识别

无线信道场景识别对于无线资源调度和系统性能的优化等具有重要意义.文中基于QuaDriGa平台研究了反向传播神经网络(back propagation neural network,BPNN)和卷积神经网络(convolutional neural networks,CNN)在无线信道场景识别中的应用.首先,利用QuaD...     

基于多层感知器神经网络的路径损耗预测研究

为了更好地服务于5G及未来无线通信系统的网络规划与优化,开展了基于多层感知器(multi-layer perceptron, MLP)神经网络的路径损耗预测研究. 利用有限的地物类型,提出一种表征传播环境的简易方法,避免了繁琐的三维场景建模. 结合测量数据和由环境表征方法提取的环境特征,基于MLP神经网络建立了路径损耗模型. 数据实验的对比分析表明MLP神经网络能够实现路径损耗的准确预测,且环境特征的引入有助于提升模型性能. 为解决干扰地物影响路径损耗模型的准确性以及模型对环境变化的敏感性问题,根据视距(line-of-sight, LoS)和非视距(non-line-of-sight, NLoS)标签改进环境表征方法,进一步提升了模型的稳定性和泛化能力. 所做工作有助于了解无线电波传播特性,为无线网络优化和通信系统设计提供了理论依据.     

基于神经网络的毫米波跨场景路径损耗预测研究

毫米波通信因其可以提供更高的传输速率和系统容量受到了广泛关注。无人机空地通信技术是未来通信网络的重要组成部分,路径损耗预测对于无人机的节点布局、轨迹优化和功率分配具有重要意义。针对无人机通信多场景PL预测问题,结合参数化的几何场景和多输入反向传播神经网络,提出了一种具有跨场景能力的PL迁移预测模型。该模型利用有限场景下信道数据进行网络训练,可以预测未知新场景下的PL。最后,利用射线跟踪仿真数据进行模型有效性验证,仿真结果表明,所提模型的神经网络训练收敛效果较好,在新场景下预测PL结果与RT仿真结果基本吻合,验证了该模型的跨场景迁移预测能力。     

基于3D电子地图和信道实测数据的市区路径损耗机器学习模型研究

随着5G移动通信系统的发展部署以及网络性能的优化,高精度和低复杂度的路径损耗预测模型尤为重要。该文针对大型城市场景,使用目前5G热点频段700 MHz, 2.4 GHz, 3.5 GHz的实测数据,将收发端位置、3维距离、相对余隙、建筑物密度、平均高度等作为环境特征,建立了基于3D电子地图的机器学习路径损耗预测模型,结果表明在复杂城市环境下,该文方法因其预测精度高而优于传统的基于收发端距离的路径损耗模型。另外,该文提出了基于频率迁移学习的路径损耗预测模型,并用均方误差、平均绝对百分比误差、均方根误差、决定系数等指标对其性能进行评估。该文方法可以解决建筑物遮挡严重的复杂城市环境以及在无大量测试数据的路径损耗预测问题,精确地预测城市环境中视距非视距混合信道的路径损耗值。     

基于电波传播路径损耗斜率的固定监测站覆盖范围预测分析

随着近年来秦皇岛市城区的发展，不断增多的高层建筑，对无线电监测造成了严重阻挡。而无线电通信业的高速发展和广泛应用，进一步造成空间电磁环境污染加剧，出现了噪声本底的明显恶化。为了实时掌握全市范围内的电磁环境状况，更好地维护秦皇岛市的空中电波秩序，适应无线电产业发展的需要，固定监测站建设已成当务之急。     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。     

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的RBF神经网络信道参数预测...     

基于PCA-LM-BP的短期电力负荷预测研究

考虑到现代社会中气象因素影响着电力负荷的使用情况,提出了考虑气象因素的基于PCA-LM-BP的短期电力负荷预测方法。由于气象因素数据量较大,采用PCA方法对天气因素进行主元分析,选取出对负荷值影响较大的因素引入到负荷预测模型当中。由于传统的BP算法具有收敛速度慢,易陷入局部最优的缺点,采用LM算法对其进行改进,提升其预测精度。将PCA提取的主要天气因素及历史负荷数据作为LM-BP算法的输入,预测的负荷值为输出。通过算例仿真分析,分别对比BP算法,GA-BP算法,LM-BP算法的负荷预测值及误差值,可以发现LMBP预测的负荷值与实际值更接近,通过误差分析验证了文中所提方法的有效性。     

基于多模型神经网络的湿度廓线反演研究

为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN₀),并对反演结果进行了对比,结果表明：C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN₀模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms, GA)对BPNN模型进行优化。经GA优化后的反演结果表明：BPNN₀模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。     

基于改进射线跟踪法和BP神经网络算法的室外微蜂窝毫米波信道特性研究

在28 GHz与39 GHz毫米波频段室外微蜂窝场景下,基于改进射线跟踪法和反向传播(back propagation,BP)神经网络算法对毫米波单发单收信道及单发多收信道进行建模仿真研究.在得到的无线信道仿真数据基础上,研究分析了毫米波信道的路径损耗、均方根(root-mean-square,RMS)时延扩展(del...     

基于机器学习的PCB串扰预测

随着电子系统中逻辑和时钟频率的迅速提高以及信号边沿的不断变抖,串扰成为印刷电路板(PCB)设计人员必须关心的问题。高速电路仿真软件帮助设计人员降低了一定的设计成本,但对串扰的仿真预测仍需花费大量时间。为提高PCB串扰预测的效率,提出一种用于描述PCB的统一数据结构,全面分析了PCB产生串扰的因素,选用自然语言处理(NLP)模型构建了用于PCB串扰预测的系统,成功将PCB串扰预测的时间降至秒级,并拥有73.2%的准确率。     

基于机器学习技术的网站用户行为预测

针对网站中用户留存度、转化率和忠诚度较低的问题,文中以旅游网站为例,基于logistic回归的机器学习技术,提出一个旅游网站的访问用户行为预测模型。该模型对网站用户的行为数据集合进行预处理,按照固定的比例对数据集合进行分类,验证数据集的分类服从相同的统计分布。最后,建立使用logistic回归机器学习算法相应的模型,对网站用户的行为进行预测。预测结果表明,该模型可以比较准确地预估网站用户的行为。     

基于机器学习的多光谱模糊图像降噪方法

利用当前方法对多光谱模糊图像降噪时,未对多光谱模糊图像进行增强处理,存在图像视觉效果差、主观分数低等问题。为此,提出基于机器学习的多光谱模糊图像降噪方法。首先,利用均值滤波模板增强多光谱模糊图像色彩,同时利用高斯模板增强图像细节,将两者叠加,保证图像不受失真和光晕现象等影响,保证图像以及边界的清晰度;然后,利用核主成分分析法构建图像去噪模型,将图像坐标全部投射到特征空间中;最后,采用机器学习去噪特征空间中的近似噪点,实现多光谱模糊图像降噪。实验结果表明,所提方法的图像视觉效果较好,且主观得分较高。     

Encrypted image classification based on multilayer extreme learning machine

Nowadays, numerous corporations (such as Google, Baidu, etc.) require an efficient and effective search algorithm to crawl out the images with queried objects from databases. Moreover, privacy protection is a significant issue such that confidential images must be encrypted in corporations. Nevertheless, decrypting and then classifying millions of encrypted images becomes a heavy burden to computation. In this paper, we proposed an encrypted image classification framework based on multi-layer extreme learning machine that is able to directly classify encrypted images without decryption. Experiments were conducted on popular handwritten digits and letters databases. Results demonstrate that the proposed framework is secure, efficient and accurate for classifying encrypted images.     

基于机器学习算法的轧机轧制力预测

对轧机轧制力预测模型进行研究。由于常规LSSVM识别模型选取耗时长的网格搜索法进行参数确定,通常粒子群优化算法对LSSVM识别模型进行优化。由于种群中多样性加速下降,使得算法容易发生早熟收敛等问题,从而影响其全局寻优能力,因此使用种群活性粒子群优化算法对LSSVM参数进行优化,从而解决上述问题。通过实例分析可知,相比常规算法,改进PSO优化LSSVM算法建立的预测模型的预测精度和效率最高,具有较好的工程应用价值。     

混沌理论和极限学习机的物流需求预测模型

为了提高物流需求的预测精度,为物流园区规划提供科学支撑,提出混沌理论和极限学习机的物流需求预测模型。物流需求受外界因素综合作用,具有混沌变化特点,通过互信息法和G-P法分析其混沌变化规律,根据混沌变化特点处理物流需求数据,并采用极限学习机进行回归与预测,最后与其他物流需求模型的性能进行对比与分析。结果表明,该模型获得了更高的物流需求预测精度,预测结果更加稳定、可信,预测结果有利于物流园区规划。     

混沌理论和机器学习算法的运动员成绩预测模型

为了准确地对运动员成绩进行预测,结合运动员成绩的具体变化特点,设计了基于混沌理论和机器学习算法的运动员成绩预测模型。首先对当前运动员成绩建模与预测的研究现状进行分析,找到当前运动员成绩预测模型存在的不足,然后采用混沌理论对运动员成绩历史数据进行处理,发现其中隐藏的规律,最后引入机器学习算法——极限学习机设计运动员成绩预测模型。仿真实验结果表明,与当前运动员成绩预测模型相比,所设计模型的运动员成绩预测结果更加可靠,而且运动员成绩预测精度更高,可以应用于体育科学训练计划制定。     

捕鱼算法优化极限学习机的运动员成绩预测

针对当前运动员成绩预测精度低的难题,提出捕鱼算法优化极限学习机的运动员成绩预测模型。收集运动员成绩的时间序列,进行聚类分析建立学习样本,采用极限学习机对学习样本进行训练,并采用捕鱼算法对极限学习进行优化,建立运动员成绩预测模型,最后采用具体数据对运动员成绩预测性能进行测试。测试结果表明,该模型可以准确拟合运动员成绩的变化特点,获得了较高精度的运动员成绩预测结果,而且预测结果要显著优于其他模型,具有较高的实际应用价值。     

基于机器学习的K424合金刻蚀深度预测

为探究水导激光加工过程中不同工艺参数对K424高温合金刻蚀深度的作用,对K424高温合金进行了包括激光功率、进给速度及加工次数在内的三个关键工艺参数的影响刻蚀实验,实验结果表明:较大的功率、较小的进给速度和多次加工会产生更深的刻蚀。此外采用XGBoost、RF、BPNN以及SVR四种模型建立了激光功率、进给速度和加工次数与加工深度之间的预测模型。在拟合效果上XGBoost与SVR模型表现优异,最大误差百分比均不到03;在预测结果方面显示,XGBoost最大误差百分比6698,优于另三种模型。最后得出XGBoost模型在拟合和预测K424高温合金加工深度方面有更好的性能。与传统的干式激光加工相比,水导激光加工技术减少了材料热损伤,提高了加工质量。该研究为水导激光加工K424高温合金提供了参考。