文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升...文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升故障定位的精准性。为验证提出算法的有效性,将True、BiLSTM、极值域均值模式分解(Extremum field Mean Mode Decomposition,EMMD)+小波变换算法与本文算法进行对比实验分析。实验结果表明,基于小波变换和CNN-BiLSTM的电力电缆故障定位算法能够将定位误差控制在0.02 km以内,显著提高了故障定位的精度。展开更多
研究了一种基于时域射线追踪技术(Time Domain Ray Tracing)适用于大尺度室内环境传播建模的IR-UWB信号传播模型。该模型综合考虑室内传播存在的多径效应、阴影效应和穿墙效应等物理现象,引入墙体内部的时域传输系数和墙体至空气的时域...研究了一种基于时域射线追踪技术(Time Domain Ray Tracing)适用于大尺度室内环境传播建模的IR-UWB信号传播模型。该模型综合考虑室内传播存在的多径效应、阴影效应和穿墙效应等物理现象,引入墙体内部的时域传输系数和墙体至空气的时域透射系数,分析并解释了时域传播系数的物理意义。模型利用了IR-UWB信号时域极窄的特点,与传统的FDTD方法相比,能够显著提高大尺度环境下的计算效率。最后通过与实测结果的对比,验证了该模型的有效性,详细研究了模型的计算精度及误差成因。展开更多
文摘文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升故障定位的精准性。为验证提出算法的有效性,将True、BiLSTM、极值域均值模式分解(Extremum field Mean Mode Decomposition,EMMD)+小波变换算法与本文算法进行对比实验分析。实验结果表明,基于小波变换和CNN-BiLSTM的电力电缆故障定位算法能够将定位误差控制在0.02 km以内,显著提高了故障定位的精度。
文摘研究了一种基于时域射线追踪技术(Time Domain Ray Tracing)适用于大尺度室内环境传播建模的IR-UWB信号传播模型。该模型综合考虑室内传播存在的多径效应、阴影效应和穿墙效应等物理现象,引入墙体内部的时域传输系数和墙体至空气的时域透射系数,分析并解释了时域传播系数的物理意义。模型利用了IR-UWB信号时域极窄的特点,与传统的FDTD方法相比,能够显著提高大尺度环境下的计算效率。最后通过与实测结果的对比,验证了该模型的有效性,详细研究了模型的计算精度及误差成因。
