在理想环境下,双双曲调频(dual hyperbolic frequency modulation,Dual-HFM)速度谱估计方法可得到高分辨率的连续多普勒估计结果。然而由多径、双目标环境引起的旁瓣干扰,削弱了速度谱方法抑制噪声的能力,影响目标参数估计。针对该方法...在理想环境下,双双曲调频(dual hyperbolic frequency modulation,Dual-HFM)速度谱估计方法可得到高分辨率的连续多普勒估计结果。然而由多径、双目标环境引起的旁瓣干扰,削弱了速度谱方法抑制噪声的能力,影响目标参数估计。针对该方法在多径、双目标等各种复杂水声环境中的应用,进行了深入的讨论,推导了多径、双目标造成的速度谱旁瓣位置,并提出了基于多帧信号的速度谱旁瓣抑制方法,利用另一维度信号空间中目标回波信息与多径杂波旁瓣的差异性,抑制了复杂水下环境中的速度谱旁瓣,并保留了速度谱计算量低的优点。通过数值仿真验证了所提方法的适用性,为低信噪比、多径、双目标环境下的多普勒估计提供了理论依据。展开更多
近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其...近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。展开更多
文摘在理想环境下,双双曲调频(dual hyperbolic frequency modulation,Dual-HFM)速度谱估计方法可得到高分辨率的连续多普勒估计结果。然而由多径、双目标环境引起的旁瓣干扰,削弱了速度谱方法抑制噪声的能力,影响目标参数估计。针对该方法在多径、双目标等各种复杂水声环境中的应用,进行了深入的讨论,推导了多径、双目标造成的速度谱旁瓣位置,并提出了基于多帧信号的速度谱旁瓣抑制方法,利用另一维度信号空间中目标回波信息与多径杂波旁瓣的差异性,抑制了复杂水下环境中的速度谱旁瓣,并保留了速度谱计算量低的优点。通过数值仿真验证了所提方法的适用性,为低信噪比、多径、双目标环境下的多普勒估计提供了理论依据。
文摘单电感双输出(single-inductor dual-output,SIDO)开关变换器工作在共享充放时序下存在电感电流纹波大、输出支路间交叉影响严重以及电路参数宽范围变化下控制电路不能正常工作等问题.为此,提出一种独立充放时序电流型变频控制(current-mode variable frequency control,C-VF)技术.首先,具体描述变换器在连续导电模式(continuous conduction mode,CCM)下的工作原理,并推导主电路开环传递函数;进一步构建闭环小信号模型,推导闭环交叉阻抗,详细分析不同输出电压及负载电流下变换器的交叉影响特性;最后,通过仿真和实验进行验证.研究表明:相较于共享充放时序,独立充放时序C-VF CCM SIDO buck变换器减小了交叉影响,改善了负载瞬态响应性能;当两支路负载电压不等时,减轻某一支路负载可以降低该支路的交叉影响;当两支路输出电压相同但负载不同时,重载支路对轻载支路的交叉影响更小.
文摘近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。