基于虚拟训练序列的双向水声信道精准估计

针对时变水声信道造成的严重多途干扰问题,提出基于虚拟训练序列的双向水声信道精准估计(Virtual Training Based Bidirectional Channel Estimation,VT-BCE)算法。基于叠加训练(Superimposed Training,ST)方案,将训练序列和符号序列线性叠加,使得训练序列和符号序列的信道信息一致,提高信号的跟踪能力;基于置信传播,双向信道估计(Bidirectional Channel Estimation,BCE)算法将一个数据块分成多个短块,利用整个数据块的信息估计当前短块信道,实现对当前短块的精准信道估计。将ST方案、BCE算法和信道均衡(频域)以迭代的方式相结合,使估计的符号序列可以作为信道估计的虚拟训练(Virtual Training,VT)序列,提升信道的估计性能,进而提高系统的解码性能。最后,通过计算机仿真和水池试验,验证了所提算法的有效性。

基于改进深度学习的光伏电站发电量精准估计

为实现对电站发电量的精准估计与测算,引入改进深度学习算法,以某光伏发电站为例,进行发电量精准估计方法的设计研究。计算光伏电站太阳辐照量,收集光伏电站功率、电流、电压等发电数据以及太阳辐射强度、温度、湿度等相关气象数据,并对收集到的光伏电站发电信息进行预处理;为排除光伏组件损失对发电量估算的影响,先进行光伏组件损失分析,再以此为依据对光伏电站发电量进行估计。实例应用结果表明该设计方法在应用中可以有效控制光伏电站发电量估计误差,提高发电量估计值的准确性与可靠性。

高层建筑混凝土材料使用寿命精准估计研究

高层建筑所处的环境条件多样,如温度、湿度、紫外线辐射、化学侵蚀等,都会对混凝土材料产生不同程度的影响。这些环境因素的变化和不确定性给混凝土使用寿命的预测带来了困难。为此,本研究提出新的高层建筑混凝土材料使用寿命精准估计方法。从宏观和微观两个角度确定高层建筑混凝土材料损伤后出现的损伤量、弹性模量损失量、孔隙率等状态变量,应用随机森林算法,构建高层建筑混凝土材料使用寿命精准估计模型。实验结果表明:研究方法估计的高层建筑混凝土材料使用寿命与实际使用寿命基本一致,说明该方法具有理想的应用性能。

城市轨道交通电力牵引动力负荷精准估计研究

针对当前使用的基于最小二乘多项式、贝塔函数的估计方法缺少对列车运行阶段的分析,导致估计结果不精准的问题,提出了城市轨道交通电力牵引动力负荷精准估计研究。对城轨交通牵引系统的结构进行分析,设计牵引动力负荷精确估计流程,将牵引、行驶阻力与制动力相结合,计算列车的合力,根据列车运行过程示意图,分析列车受牵引、惰行和制动后的运行状态,建立牵引力网络模型,计算线路电阻,判断两端电压是否达到预设的收敛精度,剔除冗余数据,设计负荷预测流程。由实验结果可知,该方法在近期、中期情况下,预测轨迹与实际日负荷预测轨迹一致,在远期情况下,与日负荷预测轨迹存在一定误差,最大相差3×103kW。

基于滑动无偏灰色模型的港口物流需求精准估计研究

港口物流需求影响因素复杂多变,导致港口物流需求估计难度增加,因此研究基于滑动无偏灰色模型的港口的港口物流需求精准估计方法。通过分析港口物流需求影响因素,构建港口物流需求精准估计指标集。采用灰色关联分析方法选取满足港口物流需求分析的相关指标,结合滑动无偏灰色模型建立港口物流需求精准估计模型,采用粒子群算法对模型参数进行优化处理,将指标数据输入优化后的模型中,得到精准的港口物流需求精准估计结果。实验结果表明,所提方法的港口物流需求估计精度较高,出现误差的概率比较低,估计任务完成时间短,可以有效推进港口城市物流经济发展。

New self-calibration schemes for accelerometers in platform INS

To ensure success of precise navigation, it is necessary to carry out in-field calibration for the accelerometers in platform inertial navigation system(PINS) before a mission is launched.Traditional continuous self-calibration methods are not fit for fast calibration of accelerometers because the platform misalignments have to be estimated precisely and the nonlinear coupling terms will affect accuracy. The multi-position methods with a "shape of motion" algorithm also have some existing disadvantages: High precision calibration results cannot be obtained when the accelerometer's output data are used directly and it is difficult to optimize the calibration scheme. Focusing on this field, this paper proposes new fast self-calibration methods for the accelerometers of PINS. A data compression filter is employed to improve the accuracy of parameter estimation because it is impossible to obtain non-biased estimation for accelerometer parameters when using the "shape of motion" algorithm. Besides, continuous calibration schemes are designed and optimized by the genetic algorithm(GA) to improve the observability of parameters. Simulations prove that the proposed methods can estimate the accelerometer parameter more precisely than traditional continuous methods and multi-position methods, and they are more practical to deal with urgent situations than multi-position methods.