基于两步噪声学习网络的波束域毫米波大规模MIMO信道估计

针对波束域毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,构建了一种新型两步噪声学习网络(Two-step Noise Learning Network,TNLNet)。基本原理是在接收信号反复经过卷积层和池化层提取噪声特征的基础上,利用波束域毫米波大规模MIMO信道矩阵稀疏性所引起的相邻元素相近的特点,采用下采样将信道矩阵重构成4个子矩阵,提高训练测试效率。该算法具有以比全卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)算法和学习去噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)算法更低的复杂度,取得了比最小二乘算法、最小均方误差算法、FCDAMP和LDAMP更优的归一化均方误差(Normalized Mean Squared Error,NMSE)性能;与快速灵活去噪卷积神经网络(Fast and Flexible Denoising convolutional neural Network,FFDNet)相比虽然复杂度略高,但具有更优的NMSE性能,且在单一训练模型中获得了比FFDNet更宽的信噪比适用范围,增强了实用性。

剪切型框架结构损伤的两步检测方法

针对剪切型框架结构提出了分步损伤检测的方法.通过包含较大测量误差的结构一阶振型斜率的变化来判别损伤位置,损伤位置的判别可大大减少待识别参数的数量.理论推导证明,当剪切型框架结构发生损伤时,损伤单元振型斜率的变化大于零,由此可判别损伤位置.在判别出损伤位置的基础上,利用能够较准确获得的结构前几阶固有频率作为神经网络的输入,建立损伤程度识别神经网络,进行结构损伤程度的识别.数值分析表明,该方法能够有效实现剪切型框架结构的损伤检测,并具有很高的计算效率和计算精度.

神经网络自动增益调节伺服电机控制系统

本文提出一种新方法,该方法采用神经网络的方法对伺服控制系统进行自动增益调节,且具有自学习自适应功能.该系统在环境参数发生变化时仍然能适应新的环境条件.该方法的正确性已在称之为“柔性伺服控制器”的控制系统中通过对直流、交流、无刷直流三种伺服电机的速度响应的控制实验中得到验证.