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。     

光波束形成中色散延时的非线性修正

光波束形成网络是光控相控阵雷达中的重要组成部分，有助于提升系统的宽带宽角扫描能力。利用光开关的切换，改变各收发通道间的相对延时量，从而实现波束指向的变化。在常用的技术中，色散延时是一种简洁的光波束形成实现方法，而色散线性项仅适用于色散量小且通道数少的情况。随着延时量的增加，非线性色散延时积累，会引起波束畸变。因此引入相对色散斜率（RDS）作为其非线性因子，并通过调整商用激光器波长来抵消色散介质的非线性效应。当RDS为0.003 nm?1时，激光器阵列的最大波长间隔从0.796 nm “拉伸”到0.862 nm，波长也整体“平移”?0.31 nm，修正波长与商用激光器波长的最大调整量为0.2 nm，可满足商用波分复用器的通带带宽，大扫描角时主瓣与副瓣之比从5 dB提升至12.9 dB。通过分析，RDS数值越小，激光器波长的修正量越小。因此，RDS是选择色散介质和调整激光器波长的重要参数，从而能够恢复波束畸变，以提升相控阵系统的成像、识别能力。     

变压器内部故障在线检测方法仿真及误差分析

为研究变压器内部故障在线检测方法的有效性及抗干扰性,搭建实际变压器的非线性三维有限元模型.对变压器常见几种类型的内部故障进行详细的结构仿真,通过"场-路耦合法"构建各类型故障的ΔV-I1轨迹.同时,通过对正常绕组的测量信号设置一定的误差,构建了考虑测量误差时的误差轨迹.在此基础上,将正常时的标准轨迹、误差轨迹和各种类型的故障轨迹进行对比分析,通过对ΔV-I1轨迹特征差异的定性分析与定量计算,验证该方法在实际应用中的有效性,总结判断各类型故障的规则,同时针对测量误差所造成的干扰提出了建议.     

PWR堆芯燃料组件非线性梁模型研究

为描述燃料组件的非线性特性，采用有限元方法建立燃料组件横向梁模型，并引入迟滞模型，用于模拟燃料组件横向变形时的非线性效应。计算结果表明:该非线性梁模型能够更准确地获得组件的弯曲变形和受力，有助于开展燃料组件事故分析。      

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%。     

基于多相滤波器组的非线性回声抵消

在免提通话系统和移动通信设备中，扬声器常常工作在较高的音量下，容易发生过载现象，从而产生明显的非线性声学回声，这在小微型扬声器中更加常见。常用的线性AEC(Acoustic Echo Cancellation)算法无法消除此类非线性回声，因此通话质量受到严重影响。非线性回声主要表现为额外的高频谐波分量，这些分量使得全带系统不再满足线性关系，而通常的AEC算法都是基于最小化全带误差推导而来，因此性能很容易受到非线性失真的影响。本文提出了一种基于多相滤波器组的子带AEC算法，把全带误差变成了各个子带的误差，因而把谐波失真成分变成了某些子带内的加性噪声，这使得谐波失真较小的那些子带依然能够正常收敛。通过仿真和实测实验，当出现非线性失真时，新方法的ERLE(Echo Return Loss Enhancement)明显高于经典的全带时域和频域方法，对于非线性失真明显的语音信号，ERLE提升约10 dB。      

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%。