基于深度学习的无线通信系统中的信道估计与预测

本文介绍了传统信道估计与预测方法原理及局限性,探讨了深度学习在该领域的应用优势,设计并实现了基于卷积神经网络(CNN)和循环神经网络(RNN)的信道估计与预测模型。实验结果表明,深度学习模型在信道估计与预测任务中具有较高的准确性和泛化能力,为无线通信系统提供了一种新的解决方案。

离散化正弦电压作用下的压电驱动器蠕变特性

研究了具有不同离散化台阶的正弦电压对压电陶瓷驱动器蠕变大小以及蠕变起始时间的影响,采用新的数学模型分析了低频下压电陶瓷驱动器的蠕变特性。首先,对0.025Hz/0V^60V正弦电压输入信号进行了5种倍数关系的离散化,分析了蠕变与输入电压的关系以及蠕变与输入台阶电压压差的关系。然后,按照提出的数学模型,在符合文中所述两种准则前提下,对蠕变起始时间进行了预测。实验结果表明,上升段蠕变变化范围最大出现在台阶电压等于47.7V时,而下降段蠕变变化范围最大出现在台阶电压等于12.3V;相比于20个台阶,320个台阶对应的上升段最大蠕变增长量下降了899.5%,而在下降段最大蠕变的这一比值增大到了936.9%。使用所提公式对蠕变起始时间进行预测,得到当台阶电压为12.3V时,20、40、80、160、320个台阶的蠕变起始时间分别在0.959、0.911、0.813、0.664和0.016ms以后。蠕变与输入电压以及蠕变与输入台阶电压差值都是迟滞关系,并且台阶蠕变随着台阶数量的增加而减小。不同离散化的电压信号改变了蠕变的起始时间,台阶电压数量越多,蠕变起始时间越早。

堆叠型压电执行器的动态蠕变补偿

在实验的基础上证实了压电执行器动态蠕变现象的存在。考虑到压电执行器的高频响特点和PID在高实时性要求场合的应用,构建了复合控制器来抑制动态蠕变。该复合控制器由具有Prandtl Ishlinskii类型的迟滞直接逆作为前馈控制器,由根据在线测试结果和实时性要求选择的增量式PI作为反馈控制器,其中增量式PI的参数由模糊逻辑控制器在线调节。通过实验验证了复合控制器抑制动态蠕变的有效性。结果表明,当同幅值的0.1 Hz正弦信号在一个周期内被离散化为20台阶,40台阶,80台阶时,相等电压台阶对应的蠕变过程和范围都是不同的。本文构建的复合控制器能够对不同台阶的动态和静态蠕变进行有效抑制,补偿后蠕变的均方根误差(RMSE)分别降低为补偿前的28.6%,31.0%和35.4%。

基于机器学习的视频指纹识别

把视频应用于指纹识别,定义指纹视频的内部相似性(inside similarity,SI)和一对待匹配指纹视频的外部相似性(outside similarity,SO),计算两个视频的匹配分数来表示它们的相似性,大大提高了自动指纹识别系统的识别率。为寻求更好的识别效果,提出把一次匹配结果作为一个样本,将SI和SO作为一个样本的两个特征的新思路,把判断一次匹配是同源匹配还是异源匹配问题转化为对具有二维特征(SI,SO)的样本进行分类的问题。在样本集上应用常见的机器学习算法,对每次的匹配结果进行分类。在两组样本集上的实验结果为应用机器学习算法得到的最低错误率分别为0.170 4%和0.110 6%,而使用阈值得到的最低错误率分别为0.222 9%和0.1700%。结果表明,相比使用阈值来区分指纹同、异源的方法,应用机器学习算法不仅提高了识别率,而且省去了计算两个视频的匹配分数时对参数和阈值的复杂选取过程。