针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)...针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)清洗电压、电流和温度数据中的异常数据和空缺数据,减小对估算精度的影响。引入动态通道剪枝(dynamical channel pruning,DCP)技术对Informer模型进行稀疏化处理,提高剪枝后模型的性能和稳定性。将清洗过的数据输入DCPInformer模型实现SOC和SOH的精确估计。实验结果表明,所提出的SDAE-DCPInformer模型估计SOC的平均绝对误差和均方根误差分别达到0.25%和0.38%,估计SOH的平均绝对误差和均方根误差分别达到了0.51%和0.64%。与传统Transformer等模型相比,所提模型预测SOC和SOH的速度更快,估算准确度有效提升,拥有的更好稳定性和泛化性。展开更多
随着人们对人数统计需求的不断增长,基于信道状态信息(channel state information,CSI)的人流量监测技术因其易于部署、保护隐私和适用性强等优势而备受关注.然而,在现有的人流量监测工作中,人数识别的准确率容易受到人群密集程度的影响...随着人们对人数统计需求的不断增长,基于信道状态信息(channel state information,CSI)的人流量监测技术因其易于部署、保护隐私和适用性强等优势而备受关注.然而,在现有的人流量监测工作中,人数识别的准确率容易受到人群密集程度的影响.为了保证监测精度,通常只能在人群稀疏的情况下进行监测,这导致了基于CSI的人流量监测技术缺乏实用性.为了解决这一问题,提出了一种能够识别连续性人流的监测方法.该方法首先利用解卷绕和线性相位校正算法,对原始数据进行相位补偿并消除随机相位偏移;然后通过标准差和方差提取连续性人流数据中的有效数据包;最后将时域上的相位差信息作为特征信号输入到深度学习的CLDNN(convolutional,long short-term memory,deep neural network)中进行人数识别.经过实验测试,该方法在前后排行人距离不小于1 m的情况下,分别实现了室外96.7%和室内94.1%的准确率,优于现有的人流量监测方法.展开更多
针对多输入多输出(multiple-input multiple-output,MIMO)雷达通信一体化(dual-function radarcommunication,DFRC)系统性能对信道状态信息(channel state information,CSI)精度敏感的问题,构建了非完美CSI条件下的模数混合波束形成设...针对多输入多输出(multiple-input multiple-output,MIMO)雷达通信一体化(dual-function radarcommunication,DFRC)系统性能对信道状态信息(channel state information,CSI)精度敏感的问题,构建了非完美CSI条件下的模数混合波束形成设计模型,提出了一种鲁棒的混合波束形成器优化方法。利用CSI误差的先验统计信息,在满足通信中断概率约束的同时最小化雷达方向图加权均方误差,以得到期望的发射数字和模拟波束形成矩阵。所提出的非凸优化问题首先利用坎泰利(Cantelli)不等式进行近似处理,再利用交替方向乘子法(alternating direction method of multipliers,ADMM)求解。仿真实验对比了多种算法之间的性能差异,验证了所提出的MIMO-DFRC混合波束形成设计方法具有高效性和鲁棒性。展开更多
文摘针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)清洗电压、电流和温度数据中的异常数据和空缺数据,减小对估算精度的影响。引入动态通道剪枝(dynamical channel pruning,DCP)技术对Informer模型进行稀疏化处理,提高剪枝后模型的性能和稳定性。将清洗过的数据输入DCPInformer模型实现SOC和SOH的精确估计。实验结果表明,所提出的SDAE-DCPInformer模型估计SOC的平均绝对误差和均方根误差分别达到0.25%和0.38%,估计SOH的平均绝对误差和均方根误差分别达到了0.51%和0.64%。与传统Transformer等模型相比,所提模型预测SOC和SOH的速度更快,估算准确度有效提升,拥有的更好稳定性和泛化性。
文摘针对多输入多输出(multiple-input multiple-output,MIMO)雷达通信一体化(dual-function radarcommunication,DFRC)系统性能对信道状态信息(channel state information,CSI)精度敏感的问题,构建了非完美CSI条件下的模数混合波束形成设计模型,提出了一种鲁棒的混合波束形成器优化方法。利用CSI误差的先验统计信息,在满足通信中断概率约束的同时最小化雷达方向图加权均方误差,以得到期望的发射数字和模拟波束形成矩阵。所提出的非凸优化问题首先利用坎泰利(Cantelli)不等式进行近似处理,再利用交替方向乘子法(alternating direction method of multipliers,ADMM)求解。仿真实验对比了多种算法之间的性能差异,验证了所提出的MIMO-DFRC混合波束形成设计方法具有高效性和鲁棒性。
