为提高幅相键控（APSK）信号和正交调幅（QAM）信号信噪比估计范围和精度,提出了一种改进的信号信噪比估计算法。算法首先计算接收信号平方的均值和绝对值的均值之比,然后根据星座图特征,利用多项式拟合该比值与信噪比的关系。在拟合过...为提高幅相键控（APSK）信号和正交调幅（QAM）信号信噪比估计范围和精度,提出了一种改进的信号信噪比估计算法。算法首先计算接收信号平方的均值和绝对值的均值之比,然后根据星座图特征,利用多项式拟合该比值与信噪比的关系。在拟合过程中,对信噪比区间进行分段拟合来提高各段拟合精度,并用蒙特卡洛仿真经验值修正算法的固有偏差,从而得到信噪比的近似无偏估计。仿真结果表明,当信噪比估计区间为-5~20 d B且数据长度合适时,16APSK和32APSK信号信噪比估计偏差均值小于0.5 d B,标准差小于2 d B;该算法对16QAM和32QAM信号信噪比估计的标准差小于传统数据拟合算法。该算法运算复杂度较低,便于实时应用和硬件实现,对恒模和非恒模信号均能实现信噪比宽范围精确盲估计。展开更多
富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,...富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,基于卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,LSTM)混合的迁移卷积时空网络(transfer convolutional neural network-long short term memory,TCNN-LSTM),提出了一种样本数据迁移学习方法。以一组具有代表性的丰富水电长期运行数据库为源域;首先,为使迁移前后的任务数据域更相近,提出了跨水电相似数据匹配算法,对源域多维度的长期数据进行时序分割,并计算各子序列与目标水电短期数据的匹配度,筛选高相似片段提纯源域,以提高迁移学习模型的正向迁移率与准确度;然后,利用卷积时空网络(convolutional neural network-long short term memory,CNN-LSTM)对源域进行预训练并提取公共知识,通过网络参数微调(fine-tuning,FT)的方式将预训练模型外推到数据稀缺的目标小水电中,以实现少样本条件下的数据特征迁移学习。最后,以四川某地区为实例验证该算法在贫资料小水电样本数据欠缺情况下的有效性与鲁棒性,相比传统深度学习,本方法将预测均方根误差平均降低16.54%,具有一定工程实用价值。展开更多
文摘为提高幅相键控（APSK）信号和正交调幅（QAM）信号信噪比估计范围和精度,提出了一种改进的信号信噪比估计算法。算法首先计算接收信号平方的均值和绝对值的均值之比,然后根据星座图特征,利用多项式拟合该比值与信噪比的关系。在拟合过程中,对信噪比区间进行分段拟合来提高各段拟合精度,并用蒙特卡洛仿真经验值修正算法的固有偏差,从而得到信噪比的近似无偏估计。仿真结果表明,当信噪比估计区间为-5~20 d B且数据长度合适时,16APSK和32APSK信号信噪比估计偏差均值小于0.5 d B,标准差小于2 d B;该算法对16QAM和32QAM信号信噪比估计的标准差小于传统数据拟合算法。该算法运算复杂度较低,便于实时应用和硬件实现,对恒模和非恒模信号均能实现信噪比宽范围精确盲估计。
文摘富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,基于卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,LSTM)混合的迁移卷积时空网络(transfer convolutional neural network-long short term memory,TCNN-LSTM),提出了一种样本数据迁移学习方法。以一组具有代表性的丰富水电长期运行数据库为源域;首先,为使迁移前后的任务数据域更相近,提出了跨水电相似数据匹配算法,对源域多维度的长期数据进行时序分割,并计算各子序列与目标水电短期数据的匹配度,筛选高相似片段提纯源域,以提高迁移学习模型的正向迁移率与准确度;然后,利用卷积时空网络(convolutional neural network-long short term memory,CNN-LSTM)对源域进行预训练并提取公共知识,通过网络参数微调(fine-tuning,FT)的方式将预训练模型外推到数据稀缺的目标小水电中,以实现少样本条件下的数据特征迁移学习。最后,以四川某地区为实例验证该算法在贫资料小水电样本数据欠缺情况下的有效性与鲁棒性,相比传统深度学习,本方法将预测均方根误差平均降低16.54%,具有一定工程实用价值。
