亚洲一区二区三区深夜天堂,亚洲日本va午夜中文字幕一区,2022国产麻豆剧传媒视频

基于CNN和GRU的高階調(diào)制自動編碼器研究[其他][其他]

基于深度學(xué)習(xí)的自動編碼器是替代傳統(tǒng)通信發(fā)射器和接收器的一種新方法。提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）和門遞歸單元（Gate Recurrent Unit， GRU）的自動編碼器，集成了星座映射和信道編碼功能。設(shè)計了一種并行CNN結(jié)構(gòu)，并將輸入比特流進(jìn)行分段的one-hot編碼。這樣做有兩個優(yōu)點：（1）與不分段的one-hot編碼相比，數(shù)據(jù)的維度降低了；（2）數(shù)據(jù)的稀疏性降低，這使網(wǎng)絡(luò)可以更快更好地收斂。此外，引入GRU以實現(xiàn)信道編碼。所提出的模型可以應(yīng)用于高階調(diào)制如4096QAM信號，在加性高斯白噪聲（AWGN）信道和瑞利信道下都有著優(yōu)于傳統(tǒng)方法的性能。

發(fā)表于：2023/5/12 11:53:41

旋轉(zhuǎn)變壓器軟解碼算法分析研究[其他][其他]

永磁同步電機(jī)矢量控制當(dāng)中，需要獲得電機(jī)轉(zhuǎn)子準(zhǔn)確的電角度，在工業(yè)控制當(dāng)中電機(jī)位置傳感器常采用旋轉(zhuǎn)變壓器獲取電機(jī)轉(zhuǎn)子位置。旋轉(zhuǎn)變壓器位置解碼常采用專用解碼芯片獲取電機(jī)轉(zhuǎn)子位置，但解碼芯片增加硬件開發(fā)成本，故對旋轉(zhuǎn)變壓器的位置解碼進(jìn)行軟件算法設(shè)計分析。針對傳統(tǒng)二階角度跟蹤器對加速度跟蹤效果不佳的問題進(jìn)行優(yōu)化設(shè)計，提出對二階跟蹤器進(jìn)行前饋校正裝置設(shè)計以達(dá)到更好的角度跟蹤效果。通過MATLAB/Simulink對軟件算法進(jìn)行仿真驗證。采用MCAL配置TC275外設(shè)DSADC解碼旋變信息，通過實驗進(jìn)進(jìn)行結(jié)果驗證方案的可行性。

發(fā)表于：2023/5/12 11:25:50

基于強(qiáng)化學(xué)習(xí)的自適應(yīng)編碼調(diào)制策略[通信與網(wǎng)絡(luò)][5G]

NTN（Non-Terrestrial Network）是面向衛(wèi)星通信和低空通信的重要應(yīng)用場景，標(biāo)志著5G技術(shù)應(yīng)用從陸地通信走向了空間通信，可以預(yù)見衛(wèi)星網(wǎng)絡(luò)將是未來6G通信網(wǎng)絡(luò)中重要組成。為了滿足衛(wèi)星通信質(zhì)量要求、最大程度地增大系統(tǒng)容量，需要應(yīng)用自適應(yīng)編碼調(diào)制技術(shù)根據(jù)信道狀態(tài)信息在不斷變化的通信環(huán)境下動態(tài)調(diào)整調(diào)制階數(shù)和編碼碼率。人工智能在解決衛(wèi)星高動態(tài)場景下信道條件快速變化所產(chǎn)生的問題具有明顯的潛力。采用基于強(qiáng)化學(xué)習(xí)的低軌衛(wèi)星自適應(yīng)編碼調(diào)制策略，解決了衛(wèi)星通信環(huán)境的變化造成的門限表與實際信道不匹配的問題，與傳統(tǒng)ARIMA （Autoregressive Integrated Moving Average）算法相比提升達(dá)到20%以上。

發(fā)表于：2023/5/12 11:09:10

基于FXLMS算法的直升機(jī)旋翼主動噪聲控制的研究[其他][其他]

為了降低直升機(jī)旋翼噪聲，采用FXLMS算法建立了直升機(jī)旋翼噪聲主動控制系統(tǒng)模型。采用離線辨識方法對次級聲路徑進(jìn)行辨識。利用旋翼轉(zhuǎn)速信號構(gòu)造聲源參考信號，從而避免次級聲源對參考信號的干擾。結(jié)合歸一化算法與G-SVSLMS算法，提出一種改進(jìn)的變步長算法。該算法不僅具有收斂速度快、穩(wěn)態(tài)誤差小的優(yōu)點，而且適應(yīng)參考信號時變的特點，參數(shù)選擇方便。仿真研究了旋翼噪聲，與G-SVSLMS算法相比，該算法具有更快的收斂速度，對參考信號變化的適應(yīng)性更好，與歸一化算法相比具有更小的穩(wěn)態(tài)誤差。結(jié)果表明，該算法能有效降低直升機(jī)旋翼噪聲，在一定頻率下降噪效果可達(dá)24.8 dB，同時提高了系統(tǒng)的穩(wěn)定性。

發(fā)表于：2023/5/12 11:03:52

基于顯微成像系統(tǒng)最優(yōu)聚焦函數(shù)選取[其他][其他]

與光學(xué)成像系統(tǒng)不同，光學(xué)顯微的成像系統(tǒng)景深較小，在聚焦過程中的主要核心問題在于聚焦評價函數(shù)的選取。針對目前常用的8種聚焦評價函數(shù)進(jìn)行實驗，并對聚焦評價曲線進(jìn)行定性分析，采用靈敏度因子、清晰度度比率、平緩區(qū)波動量以及運行時間進(jìn)行定量分析，結(jié)合分析數(shù)據(jù)選取出適用于顯微成像系統(tǒng)的最優(yōu)聚焦評價函數(shù)。

發(fā)表于：2023/5/12 10:46:50

基于(Δcos(?))?ΔI因子的步進(jìn)電機(jī)驅(qū)動電流優(yōu)化控制研究[其他][其他]

脈沖步進(jìn)指令控制的傳統(tǒng)步進(jìn)電機(jī)具有開環(huán)定位的特點，無需位置傳感器。而開環(huán)控制的缺點在于當(dāng)發(fā)生過載時容易導(dǎo)致失步，為了降低失步發(fā)生的概率，步進(jìn)電機(jī)通常以最大電流工作，這會影響其工作效率。針對上述問題，提出了一種基于(Δcos(?))?ΔI因子的優(yōu)化步進(jìn)電機(jī)驅(qū)動電流的控制算法，該算法結(jié)合步進(jìn)電機(jī)的特性及其步進(jìn)指令脈沖，適用性強(qiáng)，計算過程簡單，無需額外設(shè)置步進(jìn)電機(jī)的機(jī)械或電氣參數(shù)。利用混合式步進(jìn)電機(jī)的實測數(shù)據(jù)進(jìn)行了數(shù)據(jù)仿真實驗，證明了所提出算法的有效性。

發(fā)表于：2023/5/12 10:27:38

面向6G的通信感知一體化[通信與網(wǎng)絡(luò)][5G]

通信感知一體化作為6G的重要特征和關(guān)鍵使能技術(shù)，實現(xiàn)了通信和感知的信息共享和協(xié)同增益。首先介紹了通信感知一體化技術(shù)的研究現(xiàn)狀，從學(xué)術(shù)研究和標(biāo)準(zhǔn)化進(jìn)展兩方面進(jìn)行了梳理，進(jìn)而在網(wǎng)絡(luò)架構(gòu)、組網(wǎng)和波形設(shè)計三方面對于通信技術(shù)和感知技術(shù)的一體化設(shè)計問題進(jìn)行了深入探討和總結(jié)分析。最后展望了通信感知一體化技術(shù)在6G的中發(fā)展趨勢并分析了可能面臨的挑戰(zhàn)。

發(fā)表于：2023/5/12 10:20:28

一種基于雙歷史站的數(shù)據(jù)庫存儲結(jié)構(gòu)的設(shè)計與實現(xiàn)[模擬設(shè)計][工業(yè)自動化]

在DCS系統(tǒng)中，歷史站承擔(dān)著歷史數(shù)據(jù)的收集、存儲以及查詢功能，而實時和歷史數(shù)據(jù)庫存儲結(jié)構(gòu)的設(shè)計則是組態(tài)軟件的核心技術(shù)。設(shè)計了一種基于雙歷史站的實時和歷史數(shù)據(jù)庫存儲結(jié)構(gòu)的設(shè)計和實現(xiàn)方法，分別介紹了系統(tǒng)體系設(shè)計、數(shù)據(jù)采集、實時數(shù)據(jù)數(shù)據(jù)庫設(shè)計、歷史數(shù)據(jù)庫設(shè)計、數(shù)據(jù)同步策略、歷史數(shù)據(jù)庫對外接口等。該系統(tǒng)實時性高、存儲空間節(jié)約、查詢速度快，已經(jīng)廣泛應(yīng)用于多個領(lǐng)域的工業(yè)控制系統(tǒng)。

發(fā)表于：2023/5/12 9:56:10

面向臨床決策支持系統(tǒng)的醫(yī)療文本分析模型[其他][醫(yī)療電子]

醫(yī)療文本的特征提取及分析在建設(shè)臨床決策支持系統(tǒng)方面具有較大的實用價值。針對包含各種術(shù)語和縮寫的原始醫(yī)療文本難以提取特征的情況，提出了一種基于BERT與Word2vec的醫(yī)療文本分析模型。該模型對醫(yī)療病歷中關(guān)鍵醫(yī)療實體進(jìn)行識別，基于知識建立權(quán)重評分機(jī)制，對醫(yī)學(xué)文本進(jìn)行語義分析。實驗數(shù)據(jù)表明，模型在醫(yī)療文本特征提取方面具有一定優(yōu)勢，對高血壓性腦出血病歷的分析診斷性能良好，能有效應(yīng)用于臨床決策支持系統(tǒng)。

發(fā)表于：2023/5/12 9:49:10

基于增強(qiáng)語義信息理解的場景圖生成[其他][其他]

場景圖生成（SGG）任務(wù)旨在檢測圖像中的視覺關(guān)系三元組，即主語、謂語、賓語，為場景理解提供結(jié)構(gòu)視覺布局。然而，現(xiàn)有的場景圖生成方法忽略了預(yù)測的謂詞頻率高但卻無信息性的問題，從而阻礙了該領(lǐng)域進(jìn)步。為了解決上述問題，提出一種基于增強(qiáng)語義信息理解的場景圖生成算法。整個模型由特征提取模塊、圖像裁剪模塊、語義轉(zhuǎn)化模塊、拓展信息謂詞模塊四部分組成。特征提取模塊和圖像裁剪模塊負(fù)責(zé)提取視覺特征并使其具有全局性和多樣性。語義轉(zhuǎn)化模塊負(fù)責(zé)將謂詞之間的語義關(guān)系從常見的預(yù)測中恢復(fù)信息預(yù)測。拓展信息謂詞模塊負(fù)責(zé)擴(kuò)展信息謂詞的采樣空間。在數(shù)據(jù)集VG和VG-MSDN上與其他方法進(jìn)行比較，平均召回率分別達(dá)到59.5%和40.9%。該算法可改善預(yù)測出來的謂詞信息性不足問題，進(jìn)而提升場景圖生成算法的性能。

發(fā)表于：2023/5/12 9:43:26