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VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

S频段800W室外型连续波固态功率放大器设计

针对现有室内固态功放体积大,馈线系统设计复杂的问题,提出了一种新型结构形式的高功率、高效率和小体积固态功率放大器。给出了高密度、大功率径向合成的原理及设计方法,对径向合成网络进行了建模仿真,通过优化达到了功放设计所需的性能指标。基于8个功放模块和8路径向合成网络,设计了一种室外型固态功率放大器,在所需频段实现了大于800 W的输出功率,整机效率高于40%。     

水泥窑分级燃烧脱硝技术优化效果分析

<正>1前言水泥窑分级燃烧减排NOx技术是通过对窑尾分解炉的温度场、流场和化学反应及分解炉结构、煤粉分级燃烧等的综合研究,实现降低NOx排放浓度的有效方法。其减排效率可以达到30%左右,5000t/d水泥熟料生产线年减排NOx量可达到1100t左右。减少污染物排放可获得显著的环境效益,同时优化回转窑的运行条件(减少煅烧系统引入干扰),降低企业生产运行成本(可大量减少额外的非碳系还原剂的使用)。     

逼迫营销:“逼”出一片新天地

<正>鲁南景逸的逼迫营销告诉我们,等和靠是没有出路的,只有逼着自己改变——改变安稳、安逸的"小日子",才能闯出一片新天地!2014年的印刷包装行业,几多欢乐几多愁,有的企业业绩节节攀升,有的企业则日益萧条。总结过去的一年,鲁南景逸印刷包装有限公司充满着喜气洋洋的气氛,2014年的销售业绩非但没有下滑,反而逐月递增,全年销售收入突破1.26亿元,创下公司创办以来的历史新高。鲁南景逸能获得如此骄人业绩,不仅是全公司上下共同努力的结果,更重要的是得益于总经理刘思明的逼迫营销。     

基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。