LSTM在MIMO信道估计中的应用研究

多输入多输出(Multiple-Input Multiple-Output,MIMO)技术作为一种无线通信技术,能够显著提高带宽。为了进一步优化该方法的信道估计策略,研究了基于长短期记忆(Long Short-Term Memory,LSTM)模型的基本原理。为了提高LSTM的泛化能力,文章引入了Dropout方法对该方法进行优化,研究探讨了使用该方法进行MIMO信道估计的实现流程。最后,文章利用公开的MIMO数据集对设计方法进行了测试,实验结果验证了该方法的有效性。

基于改进降噪自编码器的馈线终端失效率预测

配电网中馈线终端设备由于运行环境恶劣,往往面临意外失效问题。本文针对海量馈线终端装置的失效率预测问题,使用堆叠降噪自编码器实现基于馈线终端的各个关键元件的失效率预测;采用基于Dropout的模型正则化方法防止自编码器训练过程中出现过拟合现象,同时采用Adadelta算法对堆叠自编码器进行优化,在保证预测准确率的同时提高学习速率,实现馈线终端故障失效率的高效准确预测;最后基于馈线终端装置现场数据进行仿真验证。仿真结果验证了本文方法对失效率预测的准确性和泛化能力。

基于dropout-MC递归神经网络的锂电池剩余寿命预测

为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RUL)预测方法。以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD)来获得电池退化趋势。以改进的递归神经网络模型——长短时间序列(LSTM)来获得剩余寿命预测。以dropout-MC采样方法来表征锂离子电池剩余寿命的不确定性,并获得锂离子电池RUL的95%置信区间。结果表明:相较于传统的极限学习机(ELM)方法和非线性自回归神经网络(NARX)方法,该文方法的剩余寿命预测性能指标均低于2.4%。因而,该方法具有优越的预测性能,且获得预测的置信区间。

Stochastic stability of networked control systems with network-induced delay and data dropout

This paper deals with the stochastic stability of networked control systems with the presence of network- induced delay and transmitted data dropout. Based on the Lyapunov approach, sufficient conditions for the mean-square stability of the networked control system are derived subject that the sequence of transmission interval is driven by an identically independently distributed sequence and by a finite state Markov chain, respectively. Stabilization controllers are constructed in terms of linear matrix inequalities correspondingly. An example is provided to illustrate our results.

基于Dropout方法的高精度畸变标定方法

星敏感器畸变标定方法主要采用拟合方法,在工程应用中受到标定点数量、误差的限制,传统最小二乘拟合方法或工具箱拟合方法在拟合过程中会产生过拟合现象,造成星敏感器畸变标定精度下降。本文提出一种基于Dropout方法的高精度畸变标定方法,该方法首先对星敏感器高阶曲面畸变模型进行网络化,然后构建隐藏部分卷积层的星敏感器畸变模型,最后进行监督学习,完成星敏感器畸变模型标定。试验结果表明,采用基于Dropout方法的星敏感器标定方法可有效提高星敏感器训练精度,相比于高精度工具箱的拟合结果,畸变标定残差由2.02"提升到1.12"。

一种改进一维卷积神经网络的轴承故障诊断方法

经典一维卷积神经网络模型诊断准确率不高且模型存在过拟合问题,难以满足轴承故障诊断时效性和准确率要求。鉴于此,提出一种基于改进一维卷积神经网络的轴承故障诊断方法,在卷积层之后加入批量归一化层的方法以增加模型泛化能力,并采用Dropout的方法解决模型过拟合问题。基于凯斯西储大学轴承故障数据集的实验结果显示,相比经典一维卷积神经网络,该方法可显著提升故障诊断准确率,故障诊断准确率可达99.79%,并且整个诊断过程无需手动特征提取,从而减少了特征提取过程中的损失,实现端到端的检测,具有较好的通用性。

用于带限DML-IMDD系统中的深度神经网络均衡器简化方案

为提升基于带限光电器件及直接调制激光器(DML)的强度调制直接检测(IMDD)系统性能,解决传统均衡器计算复杂度过高的问题,提出深度神经网络(DNN)均衡器简化方案。首先,利用自适应动量估计(Adam)算法更新DNN的权重系数,优化了传统梯度下降算法的迭代速度和收敛性能;然后,在此基础上引入丢弃层和剪切操作以降低DNN的高计算复杂度,减少网络结构的冗余连接,并避免过拟合现象的产生。最后,在80 Gb/s带限DML-IMDD仿真系统中验证了DNN均衡器简化方案的有效性和可行性。

存在时延和数据丢失的网络控制系统的控制器设计

研究了存在时延和数据丢失的网络控制系统的控制器设计问题.鉴于数据丢失现象和网络诱导时延的存在,将网络控制系统建成随机时延切换模型.利用李亚普诺夫方法,给出了使网络控制系统均方渐近稳定的新颖且与时延相关的条件.基于这个条件,理想的控制器可通过求解若干个线性矩阵不等式得到.利用一个数值例子证明了方法的有效性.*

带多丢包和滞后随机不确定系统的最优线性估计

研究了带多丢包和滞后网络化随机不确定系统的最优线性估计问题.通过白色乘性噪声来描述系统参数的随机不确定性.通过一组满足Bernoulli分布的随机变量来描述数据传输过程中发生的丢包和滞后现象.应用新息分析方法,设计了线性最小方差意义下的最优线性估值器,包括滤波器,预报器和平滑器.给出了稳态估值器存在的一个充分条件.仿真例子验证了其有效性.

基于BP神经网络的低压差线性稳压器电磁干扰损伤模型

低压差线性稳压器(LDO)在电磁干扰影响下会发生不同程度的性能受损,进而影响到整个系统的电磁兼容性能。为解决这一问题,提出了一种基于误差反向传播(BP)神经网络的建模方法,并使用遗传算法优化网络初始权值与阈值矩阵。采用直接功率注入法设计电路板,在100 MHz^1 GHz频率范围、-15~25 d Bm W功率范围内对LDO进行电磁干扰注入实验;采样LDO的输出作为训练数据,对不同结构的BP神经网络预测性能进行对比,选取合适的网络结构,进而构建LDO的电磁干扰损伤模型。从多个角度使用模型预测了电磁干扰对LDO输出数据和传导电磁敏感性的影响,并进行实验验证;最终采用该模型预测了LDO的传导电磁敏感度,并对比分析了模型预测数据和实验测试数据。结果表明,在100 MHz^2 GHz频率范围内,模型仿真输出与LDO测试输出的最大相对误差<8%,模型仿真所得电磁敏感度与实验测试数据的最大相对误差<9%。

低压差线性电压调整器噪声电压测试方法

低压差线性电压调整器在便携应用中除需要实现电压转换功能外,还必须满足专用电路的噪声要求。噪声电压作为低压差线性电压调整器的关键指标之一,它限制电路能够处理的最小信号电平。为适应新型低压差线性电压调整器的低噪声测量需求,该文提出采用电池供电与实时信号分析仪相结合的噪声电压测试方法,该方法通过降低低压差线性电压调整器输入噪声对输出噪声的影响,具有测量精度较高、测试灵活、平台搭建简单等特点。文中对比分析采用直流电源供电与采用电池供电的噪声电压测试方法,实验结果表明:采用电池供电的噪声电压测试方法可以满足10μV量级的噪声电压测试需求,达到对低压差线性电压调整器噪声电压进行准确考核的目的。

基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型。将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移。在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题。实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39%,同时具有较快的收敛速度。

改进的LeNet-5模型在花卉识别中的应用

为提高花卉图像的识别率,实现良好的花卉分类效果,提出一类改进型LeNet-5卷积神经网络模型。将原LeNet-5卷积神经网络模型的S4层与C5层之间的连接方式改为全连接,将S2层、S4层的池化操作分别设置为均值池化、最大池化。在此基础上采用随机梯度下降方法和Dropout防止过度拟合的方法相结合的算法,对Oxford-17花卉数据集进行仿真实验。实验结果表明,改进型LeNet-5卷积神经网络有效且可行,该模型对花卉图像的识别率高达96.5%,与未改进的LeNet-5卷积神经网络模型相比,识别率提高了6.5%。

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法,该方法在卷积神经网络的训练过程中融入Dropout优化方法,使整个故障诊断模型按照一定的比例随机“关闭”隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的“基于信号处理提取到的特征和机器学习模型”方法,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.

有数据包丢失奇异网络控制系统H_∞控制器设计

针对广泛存在于许多领域和行业的奇异被控系统模型,考虑网络控制环境下存在的网络诱导时延、数据包丢失、外部扰动、奇异系统结构不稳定性和脉冲行为等复杂因素,利用Lyapunov和线性矩阵不等式方法,研究了状态反馈控制方式下奇异网络控制系统H!控制器设计和优化问题,提出了奇异网络控制系统状态反馈H!控制器存在的条件、H!控制器设计及其优化方法以及相应的扰动衰减度求取方法。系统仿真实例表明了提出的设计方法有效且可行。

随机丢包时延网络控制系统动态输出反馈控制

针对传感器与控制器、控制器与执行器之间具有随机丢包和时延的网络控制系统,研究统一建模及动态输出反馈控制问题.采用多个马尔可夫链分别描述前向通道和反馈通道的随机丢包与时延过程,将闭环网络控制系统建模成具有多个模态的马尔可夫随机跳变系统.利用增广矩阵技术和李雅普诺夫方法得到闭环系统随机稳定的充分条件,给出动态输出反馈控制器的设计方法.通过倒立摆系统验证动态反馈控制的有效性.

电大现代远程教育辍学模型及降低辍学率对策

中国现代远程教育自1999年以来得到迅速发展,电大开放教育是中国远程教育的主要组成部分,但远程教育的高辍学问题并没有引起社会足够的重视。本文分析了影响远程学习过程的多个变量:学习者特征变量、环境变量、教育机构变量,指出辍学现象的发生是这些变量交互作用的结果,提出了远程教育的辍学模型和降低辍学发生率的对策。

通风机风量风压测定系统的研发

为实现对通风机的实时精准控制,实时精准掌握通风机的实时风压和风压是基础。在对通风机风压风量测定原理分析的基础上,确定采用静压落差法完成风量风压测定系统的设计,并在保证所设计测定系统调试正常的基础上,将其安装于实际生产的通风机上。结果表明,设计的系统所测定的风量和风压两类参数的相对误差均在允许范围之内,其精度和稳定性达到设计要求。

低压差线性电压调整器电源纹波抑制比测试方法

低压差线性电压调整器应用广泛,电源纹波抑制比是反映其性能指标的关键参数之一。为解决传统电源纹波抑制比测试方法测量频率范围较小、测试效率低、难以满足高电源纹波抑制比测试等不足,提出基于功率分配器和低频网络分析仪相结合的电源纹波抑制比测试方法,并采用典型低压差线性电压调整器对基于功率分配器和基于电感电容总和节点法的两种测试方法进行测试验证。实验结果表明:基于功率分配器的电源纹波抑制比测试方法最低测试频率可达30 Hz,可满足70 d B以上电源纹波抑制比的测试需求,具有频率测量范围更宽、测试效率高等特点。

基于栈式稀疏降噪自编码网络的辐射源调制识别

针对辐射源识别中噪声敏感和识别能力不足等问题,提出了一种基于核空间时频特征与栈式稀疏降噪自编码网络的识别系统.通过时频变换、稀疏域降噪和核空间降维投影降低噪声干扰和特征冗余,基于降噪自编码与稀疏自编码思想构建栈式稀疏降噪自编码识别网络.实验结果表明系统在识别率和时效性上综合性能最优,能够显著降低噪声敏感性,低信噪比环境下适应性较强.当信噪比为-12dB时,系统对8类辐射源信号的整体平均识别率达到96.75%.