Error analysis methods in frequency domain are developed in this paper for determining the characteristic root and transfer function errors when the linear multipass algorithms are used to solve linear differential eq...Error analysis methods in frequency domain are developed in this paper for determining the characteristic root and transfer function errors when the linear multipass algorithms are used to solve linear differential equations. The relation between the local truncation error in time domain and the error in frequency domain is established, which is the basis for developing the error estimation methods. The error estimation methods for the digital simulation model constructed by using the Runge-Kutta algorithms and the linear multistep predictor-corrector algorithms are also given.展开更多
针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出...针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出了新的频域协方差矩阵,利用平均噪声子空间建立空间谱估计函数,通过谱峰搜索估计出信源的方位角。经仿真对比分析,所提改进方法可以识别多个相干信号,并且在低信噪比、少快拍数条件下仍然获得较好的方位估计性能,估计误差较传统算法降低2%~25%。展开更多
正交时频空(orthogonal time frequency space,OTFS)调制在高多普勒环境下可实现可靠通信,适用于卫星通信等高动态场景。然而,其峰值与平均功率比(peak-to-average power ratio,PAPR)易超出功放线性范围,导致非线性失真。部分传输序列(p...正交时频空(orthogonal time frequency space,OTFS)调制在高多普勒环境下可实现可靠通信,适用于卫星通信等高动态场景。然而,其峰值与平均功率比(peak-to-average power ratio,PAPR)易超出功放线性范围,导致非线性失真。部分传输序列(partial transfer sequence,PTS)算法通过对数据符号分块再选取合适的旋转因子可以抑制PAPR。为提高PTS算法抑制PAPR的能力,提出了一种基于改进的灰狼优化(improved grey wolf optimizer,IGWO)算法的PTS算法,即IGWO-PTS算法,以适应离散组合优化问题并获得更优的子块划分方案,从而获得更好的PAPR抑制能力。推导证明了当相位旋转因子集合元素具有旋转对称性时,相位旋转因子组合空间可以收缩为原来的1 K(K为集合中元素个数),极大程度上降低了系统复杂度。仿真实验表明,IGWO-PTS算法相对于传统算法具有更好的PAPR抑制性能,并且在星地高动态场景下可以保持良好的传输可靠性。展开更多
针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。...针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。模型使用FDFE提取锂离子电池数据中丰富的频率信息,能有效分析数据中的周期性规律。Seq2Seq能从锂离子电池数据中捕捉电池时频信息,结合注意力机制分配权重,以建立特征输入和SOC输出之间的非线性和动态关系。利用GA优化模型的超参数,使GA-FDFE-Seq2Seq模型能够针对不同条件进行预测。实验结果表明:GA-FDFESeq2Seq模型表现出优越的预测性能,其预测精度高达99.99%,且误差均低于1%。相较于其他预测模型,GA-FDFE-Seq2Seq模型的预测精度更高,误差更小,预测可靠性更强。展开更多
基金This project was supported by the National Natural Science Foundation of China (No. 19871080).
文摘Error analysis methods in frequency domain are developed in this paper for determining the characteristic root and transfer function errors when the linear multipass algorithms are used to solve linear differential equations. The relation between the local truncation error in time domain and the error in frequency domain is established, which is the basis for developing the error estimation methods. The error estimation methods for the digital simulation model constructed by using the Runge-Kutta algorithms and the linear multistep predictor-corrector algorithms are also given.
文摘针对传统波达方向(Direction of Arrival,DOA)估计方法在低信噪比、少快拍数条件下表现性能差甚至失效的问题,提出了一种基于重构频域协方差矩阵的波达方位估计方法。该方法根据转化的频域信号进行共轭反向修正实现对噪声的抑制,构造出了新的频域协方差矩阵,利用平均噪声子空间建立空间谱估计函数,通过谱峰搜索估计出信源的方位角。经仿真对比分析,所提改进方法可以识别多个相干信号,并且在低信噪比、少快拍数条件下仍然获得较好的方位估计性能,估计误差较传统算法降低2%~25%。
文摘正交时频空(orthogonal time frequency space,OTFS)调制在高多普勒环境下可实现可靠通信,适用于卫星通信等高动态场景。然而,其峰值与平均功率比(peak-to-average power ratio,PAPR)易超出功放线性范围,导致非线性失真。部分传输序列(partial transfer sequence,PTS)算法通过对数据符号分块再选取合适的旋转因子可以抑制PAPR。为提高PTS算法抑制PAPR的能力,提出了一种基于改进的灰狼优化(improved grey wolf optimizer,IGWO)算法的PTS算法,即IGWO-PTS算法,以适应离散组合优化问题并获得更优的子块划分方案,从而获得更好的PAPR抑制能力。推导证明了当相位旋转因子集合元素具有旋转对称性时,相位旋转因子组合空间可以收缩为原来的1 K(K为集合中元素个数),极大程度上降低了系统复杂度。仿真实验表明,IGWO-PTS算法相对于传统算法具有更好的PAPR抑制性能,并且在星地高动态场景下可以保持良好的传输可靠性。
文摘针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。模型使用FDFE提取锂离子电池数据中丰富的频率信息,能有效分析数据中的周期性规律。Seq2Seq能从锂离子电池数据中捕捉电池时频信息,结合注意力机制分配权重,以建立特征输入和SOC输出之间的非线性和动态关系。利用GA优化模型的超参数,使GA-FDFE-Seq2Seq模型能够针对不同条件进行预测。实验结果表明:GA-FDFESeq2Seq模型表现出优越的预测性能,其预测精度高达99.99%,且误差均低于1%。相较于其他预测模型,GA-FDFE-Seq2Seq模型的预测精度更高,误差更小,预测可靠性更强。
