融合压缩采样与深度神经网络的直接序列扩频参数估计

直接序列扩频(Direct Sequence Spread Spectrum,DSSS)信号的宽频带特性所带来的高采样率增加了参数估计的实现难度。针对现有技术所面临的问题与挑战,融合压缩采样与深度神经网络(Deep Neural Network,DNN),提出了用于估计DSSS信号参数的方法。一方面,压缩采样能够利用信号的冗余性,以较低的采样率获取信号中的有效参数信息;另一方面,DNN在提取数据特征方面具有高效准确的特点。通过对压缩采样与参数估计网络的整体训练,实现两者的有效配合,进而实现以较低采样率对DSSS信号参数的准确估计。仿真实验证明了该参数估计方法在低信噪比下的估计能力相对于传统方法具有一定的提升。

医疗器械领域中距离电能传输的应用

由于具有许多传统输电技术所没有的优势,无线电能传输技术日益受到人们的关注。因为在一些特殊的场合,无线电能传输可以降低输电过程中一些安全问题的发生,也能更加方便的为设备供电,并解决一些传统输电技术无法解决的问题。本文在论述无线电发展背景的基础上,分析现实中MCR-WPT在植入式医疗器械应用方面出现的传输效率低下和传输距离近的弊端。并且本文针对这一弊端提出改进方法,尝试将"中场无线传输"运用于这一方面,可以增大传输距离和提高工作效率。