针对气象变化对自由空间光(Free Space Optical,FSO)通信链路和毫米波射频(Radio Frequency,RF)通信链路可用率的影响问题,采用马尔科夫建模与稳态概率求解计算方法,分析不同天气条件下FSO/RF混合链路的双接收站分集与中断概率性能.基于...针对气象变化对自由空间光(Free Space Optical,FSO)通信链路和毫米波射频(Radio Frequency,RF)通信链路可用率的影响问题,采用马尔科夫建模与稳态概率求解计算方法,分析不同天气条件下FSO/RF混合链路的双接收站分集与中断概率性能.基于FSO链路和RF链路的信道模型,采用有限状态马尔科夫链(Finite State Markov Chain,FSMC)分别对单双站FSO/RF混合链路的切换选择进行建模,推导得出不同参数和天气情况下系统稳态的中断概率表达式.数值计算结果表明,当中断概率达到10^(-6),雨雾天气链路距离为1~7 km时,双站FSO/RF混合链路相比单站可获得4~25 dB的增益.展开更多
社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction...社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。展开更多
逆变电路传统开关函数模型只能描述电路的控制变迁而忽略了电路的条件变迁,为此,建立了三相逆变电路混合逻辑动态(mixed logical dynamical,MLD)模型。在此基础上,将其作为预测模型,提出了电路的有限控制集模型预测控制(finite control ...逆变电路传统开关函数模型只能描述电路的控制变迁而忽略了电路的条件变迁,为此,建立了三相逆变电路混合逻辑动态(mixed logical dynamical,MLD)模型。在此基础上,将其作为预测模型,提出了电路的有限控制集模型预测控制(finite control set model predictive control,FCS-MPC)策略。FCS-MPC充分考虑了电路的离散特性,选择有限控制集中使目标函数值最小的开关状态作为电路开关管的控制信号,从而控制电路的输出电压,无需任何调制器,可简化MPC的优化问题。此外,基于全维状态观测器设计了电路负载电流观测器,增强了控制器的鲁棒性。仿真和实验结果验证了所提方法的有效性。展开更多
文摘针对气象变化对自由空间光(Free Space Optical,FSO)通信链路和毫米波射频(Radio Frequency,RF)通信链路可用率的影响问题,采用马尔科夫建模与稳态概率求解计算方法,分析不同天气条件下FSO/RF混合链路的双接收站分集与中断概率性能.基于FSO链路和RF链路的信道模型,采用有限状态马尔科夫链(Finite State Markov Chain,FSMC)分别对单双站FSO/RF混合链路的切换选择进行建模,推导得出不同参数和天气情况下系统稳态的中断概率表达式.数值计算结果表明,当中断概率达到10^(-6),雨雾天气链路距离为1~7 km时,双站FSO/RF混合链路相比单站可获得4~25 dB的增益.
文摘社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。
文摘逆变电路传统开关函数模型只能描述电路的控制变迁而忽略了电路的条件变迁,为此,建立了三相逆变电路混合逻辑动态(mixed logical dynamical,MLD)模型。在此基础上,将其作为预测模型,提出了电路的有限控制集模型预测控制(finite control set model predictive control,FCS-MPC)策略。FCS-MPC充分考虑了电路的离散特性,选择有限控制集中使目标函数值最小的开关状态作为电路开关管的控制信号,从而控制电路的输出电压,无需任何调制器,可简化MPC的优化问题。此外,基于全维状态观测器设计了电路负载电流观测器,增强了控制器的鲁棒性。仿真和实验结果验证了所提方法的有效性。
