123,123,123

5G NSA接入網(wǎng)共享技術(shù)演進(jìn)方案研究[通信與網(wǎng)絡(luò)][5G]

隨著5G商用，越來(lái)越多的國(guó)家都商用了5G網(wǎng)絡(luò)，但受限于5G SA標(biāo)準(zhǔn)、設(shè)備和終端的成熟度，初期的5G網(wǎng)絡(luò)建設(shè)均采用NSA組網(wǎng)方案，后續(xù)必然需要考慮向SA網(wǎng)絡(luò)演進(jìn)的問(wèn)題，故對(duì)于5G NSA接入網(wǎng)共享方案，也需要考慮NSA接入網(wǎng)共享向SA接入網(wǎng)共享的演進(jìn)問(wèn)題。針對(duì)NSA向SA演進(jìn)過(guò)程中不同接入網(wǎng)共享演進(jìn)方案在組網(wǎng)復(fù)雜度、運(yùn)維優(yōu)化復(fù)雜度、用戶業(yè)務(wù)體驗(yàn)等方面進(jìn)行系統(tǒng)分析，以期為運(yùn)營(yíng)商N(yùn)SA接入網(wǎng)共享的演進(jìn)方案選擇提供參考。

發(fā)表于：2020/5/8 14:27:00

5G測(cè)試儀器關(guān)鍵技術(shù)研究與產(chǎn)品開發(fā)[測(cè)試測(cè)量][5G]

隨著5G技術(shù)研發(fā)試驗(yàn)和產(chǎn)品研發(fā)試驗(yàn)的推進(jìn)，作為支撐產(chǎn)業(yè)發(fā)展的測(cè)試儀器也進(jìn)入到發(fā)展快車道，國(guó)內(nèi)廠家已經(jīng)成功開發(fā)出基站、終端、外場(chǎng)與核心網(wǎng)等5G通信測(cè)試儀器。介紹了5G通信測(cè)試儀器的關(guān)鍵技術(shù)突破與最新產(chǎn)品成果，包括高性能5G通信測(cè)試平臺(tái)設(shè)計(jì)與制造、多標(biāo)準(zhǔn)5G NR物理層測(cè)試、5G異構(gòu)網(wǎng)絡(luò)空口協(xié)議解析、微波毫米波測(cè)試校準(zhǔn)等關(guān)鍵技術(shù)，也介紹了基站測(cè)試、終端綜測(cè)和空口監(jiān)測(cè)等測(cè)試儀器性能，這些測(cè)試儀器在5G通信產(chǎn)業(yè)鏈各環(huán)節(jié)發(fā)揮了重要作用，為產(chǎn)業(yè)的快速發(fā)展提供了有力支撐。

發(fā)表于：2020/5/8 14:07:00

分時(shí)供電全橋Buck型雙輸入直流變換器[電源技術(shù)][智能電網(wǎng)]

在多種新能源聯(lián)合供電的分布式發(fā)電系統(tǒng)中，用多輸入直流變換器替代多個(gè)單輸入直流變換器，能夠簡(jiǎn)化電路結(jié)構(gòu)，降低系統(tǒng)成本。分析研究了一種分時(shí)供電全橋Buck型雙輸入直流變換器的電路拓?fù)?、最大功率輸出能量管理控制策略和穩(wěn)態(tài)原理特性，給出了實(shí)驗(yàn)結(jié)果。該電路拓?fù)涫怯蓛蓚€(gè)并聯(lián)分時(shí)選擇支路和Buck型直流變換器級(jí)聯(lián)構(gòu)成的，該控制策略是通過(guò)控制輸出電流瞬時(shí)值和雙輸入源輸出功率之比間接地實(shí)現(xiàn)兩個(gè)輸入源的最大功率輸出。設(shè)計(jì)并研制的3 kW雙輸入直流變換器具有體積重量小、成本低等性能，驗(yàn)證了理論分析的正確性與可行性。

發(fā)表于：2020/4/26 11:21:00

一種最大效率恒壓輸出無(wú)線供能控制技術(shù)研究[電源技術(shù)][汽車電子]

針對(duì)無(wú)線電能傳輸技術(shù)中的恒壓輸出和最大效率問(wèn)題，提出了一種基于能量注入的移相恒壓控制無(wú)線電能傳輸技術(shù)。首先通過(guò)電路分析得到系統(tǒng)電壓增益和傳輸效率等特性函數(shù)，在此基礎(chǔ)上設(shè)計(jì)了一種新型控制方法，通過(guò)改變逆變器的能量注入占空比和移相角，實(shí)現(xiàn)在負(fù)載變化時(shí)系統(tǒng)的最大效率和恒壓輸出。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的可行性和理論分析的正確性，在整個(gè)負(fù)載變化范圍內(nèi)，采用能量注入的移相恒壓控制方法時(shí)整機(jī)效率比常見的移相恒壓控制方法提高3%~10%，滿載時(shí)整機(jī)效率達(dá)到89%。

發(fā)表于：2020/4/24 15:00:00

基于肌電信號(hào)稀疏特征的手勢(shì)識(shí)別方法研究[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

基于表面肌電信號(hào)(sEMG)的手勢(shì)識(shí)別技術(shù)是人機(jī)自然交互領(lǐng)域的重要研究方向。手勢(shì)識(shí)別技術(shù)的實(shí)現(xiàn)關(guān)鍵在于如何提取sEMG信號(hào)的有效特征。提出了一種提取sEMG信號(hào)稀疏特征用于多類手勢(shì)識(shí)別的有效方法。該方法以稀疏表示作為特征提取工具，以支持向量機(jī)(SVM)作為分類器對(duì)多個(gè)手勢(shì)進(jìn)行識(shí)別。首先，采用雙閾值法檢測(cè)分割出手勢(shì)動(dòng)作的活動(dòng)段；其次隨機(jī)抽取部分運(yùn)動(dòng)段樣本初始化稀疏表示詞典，利用KSVD方法對(duì)過(guò)完備字典和稀疏系數(shù)進(jìn)行無(wú)監(jiān)督更新;最后，利用SVM對(duì)稀疏系數(shù)特征向量進(jìn)行分類以實(shí)現(xiàn)對(duì)不同手勢(shì)的識(shí)別。通過(guò)在公開數(shù)據(jù)庫(kù)和自有數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)測(cè)試，結(jié)果表明結(jié)合稀疏特征和SVM分類方法可實(shí)現(xiàn)16種手勢(shì)平均識(shí)別準(zhǔn)確率達(dá)到98.4%。

發(fā)表于：2020/4/24 14:24:00

基于狀態(tài)增廣的修正迭代擴(kuò)展卡爾曼濾波[嵌入式技術(shù)][其他]

針對(duì)修正迭代擴(kuò)展卡爾曼濾波一次迭代后系統(tǒng)狀態(tài)和估計(jì)狀態(tài)不與測(cè)量噪聲之間保持相互獨(dú)立的問(wèn)題，將測(cè)量噪聲增廣到狀態(tài)變量中，提出了基于狀態(tài)增廣的修正迭代擴(kuò)展卡爾曼濾波。然后將該濾波方法應(yīng)用到基于雷達(dá)測(cè)量的再入飛行器目標(biāo)跟蹤問(wèn)題中，仿真結(jié)果表明：與修正迭代擴(kuò)展卡爾曼濾波和傳統(tǒng)的擴(kuò)展卡爾曼濾波相比，該濾波方法具有更快的收斂速度和更優(yōu)的估計(jì)精度。

發(fā)表于：2020/4/23 15:34:00

VPx幀內(nèi)壓縮的快速算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)VPx視頻的幀內(nèi)壓縮處理復(fù)雜度高的問(wèn)題，給出一種快速算法。該方法首先根據(jù)圖像中亮度子塊在宏塊中的空間位置確定最鄰近子塊，再通過(guò)最鄰近子塊的最佳預(yù)測(cè)模式、子塊重構(gòu)和率失真比較判斷當(dāng)前子塊的可能預(yù)測(cè)模式，并結(jié)合率失真閾值得到用于該子塊幀內(nèi)壓縮的最終預(yù)測(cè)模式。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地減少VPx幀內(nèi)壓縮中由重構(gòu)處理帶來(lái)的包括頻域變換、量化、反量化、頻域反變換的大量運(yùn)算，從而在保證壓縮質(zhì)量的情況下，提高幀內(nèi)壓縮速度。

發(fā)表于：2020/4/23 15:19:00

采用矩陣遞歸的最小測(cè)試用例集生成算法[測(cè)試測(cè)量][航空航天]

符合MC/DC準(zhǔn)則的最小測(cè)試用例集算法具有重要的實(shí)用價(jià)值。首先將布爾表達(dá)式轉(zhuǎn)換為語(yǔ)法二叉樹，然后采用矩陣組合邏輯運(yùn)算方法逐層遞歸，從而獲得完備的MC/DC最小測(cè)試用例集。經(jīng)驗(yàn)證，矩陣組合邏輯運(yùn)算方法是合理的、正確的。該方法對(duì)于非平凡布爾表達(dá)式可快速獲取完備的MC/DC最小測(cè)試用例集，同時(shí)也可以處理帶耦合條件的復(fù)雜布爾表達(dá)式。

發(fā)表于：2020/4/22 11:22:00

基于CNN-LSTM的太陽(yáng)能光伏組件故障診斷研究[電源技術(shù)][智能電網(wǎng)]

太陽(yáng)能光伏產(chǎn)業(yè)近年發(fā)展迅速，準(zhǔn)確診斷光伏組件故障位置及類型可以提升運(yùn)維人員的工作效率。提出一種基于卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度學(xué)習(xí)診斷模型，利用電站原有設(shè)備就可完成檢測(cè)任務(wù)。首先提出了一種依據(jù)電流值的組件故障分類方式；然后，檢測(cè)模型根據(jù)光伏陣列布局特點(diǎn)設(shè)計(jì)了一種特征提取算法，分別提取光伏陣列電流橫向與縱向特征，來(lái)獲取空間與時(shí)間上的特性；再通過(guò)CNN網(wǎng)絡(luò)來(lái)對(duì)橫向特征做進(jìn)一步的提取與縱向特征的壓縮，以解決特征種類單一及訓(xùn)練緩慢的問(wèn)題；最終進(jìn)入LSTM神經(jīng)網(wǎng)絡(luò)來(lái)完成對(duì)光伏組件的故障診斷。

發(fā)表于：2020/4/22 10:59:00

一種改進(jìn)的粒子濾波檢測(cè)前跟蹤算法[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

針對(duì)多個(gè)信噪比相差較大時(shí)容易發(fā)生的目標(biāo)漏檢問(wèn)題，提出了一種改進(jìn)的多目標(biāo)雙層粒子濾波檢測(cè)前跟蹤算法(IM-PF-TBD)。算法采用雙層粒子濾波結(jié)構(gòu)，在目標(biāo)檢測(cè)層中，采用錦標(biāo)賽選擇方法對(duì)檢測(cè)粒子群進(jìn)行重采樣，選取多個(gè)權(quán)重相差較大的粒子，通過(guò)粒子聚類同時(shí)檢測(cè)多個(gè)目標(biāo)，提高了檢測(cè)初期較弱目標(biāo)的存在概率。此外，算法提出了粒子群融合方法用于新發(fā)現(xiàn)目標(biāo)的驗(yàn)證，便于目標(biāo)檢測(cè)后虛假目標(biāo)的剔除。仿真結(jié)果表明，所提算法能有效改善信噪比較小的目標(biāo)的檢測(cè)概率并降低目標(biāo)RMSE。

發(fā)表于：2020/4/21 15:00:00