【摘 要】
:
由于我国高速铁路的不断发展,铁路系统正面临着更大客流,更多车次的严峻挑战。此外,旅客对于铁路出行的需求也不再仅仅是点到点的运送,旅客在旅途中的工作与娱乐需求也必须纳入考虑。这时,当前高速铁路系统所使用的基于第二代移动通信的GSM-R(Globle System for Mobile Communications-Railway)系统则逐渐显得力不从心,因此新一代高速铁路通信系统的研究势在必行。作为
论文部分内容阅读
由于我国高速铁路的不断发展,铁路系统正面临着更大客流,更多车次的严峻挑战。此外,旅客对于铁路出行的需求也不再仅仅是点到点的运送,旅客在旅途中的工作与娱乐需求也必须纳入考虑。这时,当前高速铁路系统所使用的基于第二代移动通信的GSM-R(Globle System for Mobile Communications-Railway)系统则逐渐显得力不从心,因此新一代高速铁路通信系统的研究势在必行。作为无线通信系统设计的基础,准确的无线信道建模能够对系统设计时的技术评估、系统仿真以及网络覆盖规划提供重要指导。因此本文首先对当前高铁场景基于测量的信道研究现状开展了调研,之后根据当前研究情况的不足,依托采集自实际高铁场景的实测数据对典型信道参数进行了提取与建模。在信道参数提取与信道建模的过程中,本文发现基于实测的传统信道建模方法正面临着如载频和带宽的增加,移动速度的提升以及实地测量难以开展等越来越多的挑战。为了避免信道测量所带来的诸多困难,本文探索了基于AI(Artifical Intelligence)的信道预测方法。本文提出了的两种方法可以利用有限的测试数据得到更多未测试部分的数据。本文研究点如下所示:(1)基于实测数据探究了关键信道参数随接收机距基站距离的变化规律,比较了某些关键信道参数的统计性建模方法以及不同信道参数间的互相关性。(2)为解决信道实测过程中测试点的选择并非完全连续的问题,本文提出利用AI中的神经网络对实测数据特征进行学习,并利用学习后的网络在测试区间内生成更多的信道数据以解决实测数据不足的问题。文章对不同种类神经网络,不同的隐藏层神经元数以及不同训练集比例的情况针对不同信道参数的预测效果进行了分析与比较,并从中挑选出了最适合此种预测方法的神经网络。(3)信道实地测量往往需要花费大量的人力与物力,而当需要测试的测试范围减小时,相应的测试成本也会随之下降。因此本文提出了一种基于LSTM网络的时序序列预测方法,并根据所预测的信道参数特点对传统预测方法进行了改进。之后利用实测数据使用改进后的方法对信道进行了预测,并对预测效果进行了分析。
其他文献
移动互联网的普及伴随着大量网络安全问题的出现,许多新型的网络攻击方式层出不穷,危机事件频发。我国互联网安全态势仍然严峻。如何应对网络攻击,保障网络安全是我们亟待研究的问题之一。面对日新月异的攻击手段,传统网络流量异常检测方法已经不适用于当前的网络环境。传统网络流量异常检测方法过于依赖对特征的人工选择,缺乏自适应性,面对新类型的异常检测准确率低;在面对海量高维流量数据时,难以有效提取其中的关键特征,
多智能体系统的分布式协同控制在很多领域有着诸多应用,例如,无人飞行器的编队控制,传感器网络的协同控制等。近几年来,随着学者的深入研究,多智能体系统的控制条件也被考虑的更加复杂和全面。比如,我们在考虑系统实现控制目标的同时,也希望能够达到减少通信次数,节省能量消耗的目的。为此,有学者提出事件触发控制策略和时间触发控制(采样控制)策略。这两类控制都是在控制器中引入触发时刻,使得智能体的控制器由原先的连
云计算作为二十一世纪初期的新兴事物,目前已步入较为成熟的发展阶段,其依托于虚拟化技术,将各类资源进行有效整合和管理,向用户提供了高效的计算服务和应用软件。近年来,图像处理、地震预测、基因组测序等应用程序生成的工作流日渐复杂,使得越来越多的工作流被提交到云中处理。为了满足各类场景下不同用户的计算要求,国内外云服务提供商纷纷升级扩展云数据中心,但是目前数据中心的资源利用率较低,使得高能耗问题成为云服务
在现代化的大型制造车间中,为节省人力、提高车间生产效率,大量企业都为生产车间和立体仓库引入了AGV系统。AGV(Automated Guided Vehicle,自动导航小车)是指装备有电磁或光学等自动导引装置,能够沿导引路径行驶,具有各种移栽及安全保护功能的运输车。企业在智能物流解决方案中使用AGV,不仅是为了实现内部物流的柔性化,更重要的是借此打通生产各流程,推进生产全过程的数字化,最终实现打
稀疏线性逆问题是指在测量矩阵已知的情况下从观测样本恢复出原始的稀疏信号,在现实生活中众多学科和领域发挥着重要的作用。在通信系统中,通过利用无线信道的稀疏特性,压缩感知理论和其中的稀疏线性求逆算法实现了信令开销的降低和用户容量的扩展。近年来,基于神经网络的稀疏线性求逆算法以其优异的重建性能和快速的收敛特性被广泛地研究。然而,这些机器学习算法忽略了传统迭代算法中的一个关键特征,那就是不同稀疏度的稀疏信
语音增强的目的是通过设计一种高效的信号处理算法,去除带噪语音中的各种干扰噪声,恢复出干净的增强语音,同时要保证增强语音有较高的恢复质量和可理解度。传统的语音增强算法在使用前需要对语音和噪声信号做出严格的假设,这限制了其在一些复杂的现实场景中的应用。近年来,无需任何假设、具有强数据建模能力的神经网络得到研究人员的广泛关注,成为本领域的主流算法。本文主要针对提高卷积神经网络全局建模水平和语音增强能力展
高速飞行列车是利用低真空环境和超音速外形减小空气阻力,通过磁悬浮减小摩擦阻力,实现超音速运行的运输系统。高速飞行列车的运行速度可以达到1,000~4,000km/h,具有高效、节能和环保等优点,有望成为未来的新型交通方式,近年来逐渐成为研究热点。由于高速飞行列车速度比已有轨道交通系统列车的速度高出许多,现有轨道交通系统的运行控制系统无法完全适用于高速飞行列车。因此,有必要针对高速飞行列车的特点,对
随着5G网络全球化部署进程不断提速,各行各业提出运行在用户设备(User Equipment,UE)上的计算密集型和时延敏感型的新型应用。虽然移动云计算(Mobile Cloud Computing,MCC)把高计算任务通过公用网络上传到集中式的云服务器上增强了UE的计算和降低UE的能耗,但是云服务器在空间上远离UE导致传输数据需要花费更高的时延。移动边缘计算(Mobile Edge Comput
近年来,随着深度学习在图像、自然语言等规则拓扑结构的数据上大放异彩,研究者们尝试将深层神经网络推广应用到3D点云数据,并开展了大量关于3D点云神经网络卷积算法的研究。但由于3D点云拓扑结构的不规则特性,特征池化算法,作为推动深度学习成功的一个重要部件,却较少人问津。特征池化算法在深度学习框架中,不仅起到提升计算效率的作用,同时能够提升模型的鲁棒性,是深度学习应用在3D点云数据上必不可少的一环。为此
直线电机驱动的多轴运动系统具有结构简单、加速度大、响应速度快、噪音低等特性,被广泛应用于机械制造的轮廓加工。然而,伺服滞后、各伺服轴之间动态特性不匹配、轴间耦合和外部扰动等因素会导致产品加工误差。如何提高多轴运动系统的轮廓跟踪精度一直是控制领域的研究热点。本文以双轴直线电机龙门系统为研究对象,围绕着如何提高运动系统各伺服轴间的协调性,处理不确定、外部扰动和执行器故障的影响等问题,展开了一系列研究。