基于高斯过程的多分类器

为改善一对多高斯过程分类器(one against all Gaussian process classifier,OAA-GPC)存在的不足,提出基于一对一方法的高斯过程多分类器(one against one Gaussian process classifier,OAO-GPC),以及在其基础上改进的基于有向无环图方法的高斯过程多分类器(directed acyclic graph Gaussian process classifier,DAG-GPC),这两种分类器在训练二分类器时仅需将其对应的两类训练样本作为输入,在不降低识别率的基础上减少算法的运行时间。在Oil、Segment、USPS这3个数据集上的实验结果表明,OAO-GPC和DAG-GPC的运行时间远低于OAA-GPC,且识别率与OAA-GPC近似相等,可迅速有效地解决样本的多分类问题。     

MIMO-OFDM系统中一种局域化最大似然检测算法

本文提出了MIMO-OFDM系统中一种低复杂度的局域化的最大似然检测算法,该方法通过对每个发送天线的导频训练序列进行信道估计,调整信号有效搜索域,获得低复杂度的系统误码率。实验表明,该信号检测算法明显降低了高阶QAM调制的计算复杂度,在QPSK和16QAM调制时,系统误码率接近已知信道频响情况。     

基于改进YoloV5的绝缘子损坏检测识别

绝缘子是一种设计用于在不同电势导线上承受电压和机械压力的装置。由于电环境和电力负载波动的影响,绝缘子可能会遭受多种电-机耦合应力破坏,从而无法正常工作并且影响整个绝缘子网络的寿命。为了解决这个问题,提出了通过目标检测算法来检测绝缘子损坏的方案。改进的方案基于YOLOv5s模型进行。首先,在原有的YOLOv5s模型基础上增加了更多的小目标检测层,从而提高了检测的精度。此外,引入了额外的运算层以扩展特征图,并使用SEA（注意和观察）注意模块使网络更专注于检测对象。还采用SIOU代替YOLOv5s中的损失函数。实验结果显示,改进后的模型相对于传统的YOLOv5s模型在绝缘子损坏检测方面具有明显优势。改进后的模型在mAP（平均精度均值）、P（查准率）和R（查全率）等指标上分别提高了2.5%、1.1%和0.8%。与原始的YOLOv5s模型以及其他模型（如Yolov5m、Yolov5l等）相比,在绝缘子缺陷检测和识别方面具有更强的竞争力。这些改进策略为提高绝缘子损坏检测精度提供了有效的解决方案。通过这些改进,我们可以更准确地检测绝缘子损坏,并及早采取必要的维修和保养措施,以延长绝缘子的寿命和确保电力系统的稳定运行。     

离散多载波调制中信道的非均匀分割

离散多载波调制中需要整个信道分成若干子信道。根据信道幅频特性的变化在不同频段有很大差异，提出了一种非均匀信道分割的方法，能使子信道数减少，子信道间能量的泄漏减少，子信道间的干扰相应减少，同时降低了调制时的计算复杂度。实验证明即使在比较少的子信道情况下，不影响系统的传输速率。     

基于改进深度学习的风机油污识别

针对风机设备油液渗漏影响风机正常运行亟需解决的对风机设备油污的识别问题,提出了一种基于改进深度学习的风机油污检测方法。基于深度学习在目标检测中的应用特点,对目标检测网络YOLOv5n（You Only Look Once v5n）进行改进,将原网络中的非极大抑制（Non Maximum Suppression,NMS）替换为Soft-NMS,降低了网络的误检率,添加CA (Coordinate Attention)注意力机制,增强了模型对目标的定位能力,改进原网络损失函数为α-IoU（Alpha- Intersection over Union）损失函数,提高了边界框检测的准确度。实验结果表明:模型平均精度提升了8.1%,查全率提高了19.1%,网络推理速度提高了28.6%。改进后的模型能准确检测风机油污,有效解决了风机实际运行中油液渗漏所带来的问题。     

MIMO-OFDM系统信道估计技术的分析

介绍了MIMO—OFDM系统的信道估计技术，根据是否使用训练序列信息，信道估计可以分为导频辅助信道估计和盲信道估计，本文首先较全面地介绍了导频辅助信道估计技术，然后介绍了一种运用较多的基于子空间的盲信道估计技术，最后计算机仿真分析比较它们的性能。     

双向协作系统的中继选择和功率分配策略

针对瑞利衰落信道下双向多中继协作通信系统,为了降低中断概率,提出了一种基于最小化中断概率的中继选择策略和功率分配方案。首先联合考虑两条链路的中继节点处信噪比和信道增益实现双链路中继选择,然后推导出一种新的最优中继下双向放大转发协作中断概率的近似表达式上界,并利用凸优化求解得到使中断概率最小的最优功率分配解。仿真结果表明,与现有策略相比,提出的策略能够明显降低系统中断概率和误码率,显著提高系统性能。     

基于深度学习的安全帽佩戴检测与跟踪

为了解决传统施工现场安全管理的弊端,减少因施工人员未佩戴安全帽造成的人员伤亡,本文提出一种基于深度学习的安全帽佩戴检测与跟踪方法。首先通过深度学习YOLOv3目标检测网络实现安全帽佩戴检测,进一步运用卡尔曼滤波器和KM算法实现多目标跟踪与计数。复杂施工现场的测试结果表明：网络模型的检测速度可达45 fps,平均精确度为93%,且未佩戴安全帽的查准率和查全率分别为97%和95%,基本能够实现安全帽佩戴情况的实时检测。     

电缆网上的交互业务

文章介绍了电缆网的组成、特点 ,可以支持的交互业务 ,以及有关电缆网传输的欧洲DVB/DAVIC标准和北美MCNS/DOCSIS标准     

光缆接头盒浸水监测系统的研究

光缆接头盒不允许浸水,长时间浸水会造成光缆损伤,影响通信质量,甚至通信中断。为了能够无需人为参与,自动实时监测接头盒浸水情况,浸水后及时得到充足的告警信息,准确判断浸水接头盒位置,以减少由于光缆接头盒浸水可能引起的故障。通过研究光缆接头盒检测方法和两种光纤监测系统的测试技术,特别是光功率测试技术,结合光缆工程的特点,提出一种光缆接头盒浸水监测系统,分析其功能、构成和工作原理,设计出该系统的两种可实施方案,备纤监测方案和业务纤监测方案,并重点介绍了备纤监测方案。该系统能够在接头盒浸水早期及时告警,使维护人员尽早处理,消除故障隐患,提高光缆维护的质量和效率,继而保证光纤通信的畅通。