器件结构对聚合物太阳能电池内部光电强分布的影响

针对以电子给体聚(3-己基噻吩)(P3HT)和电子受体6,6-苯基-C61-丁酸甲酯(PCBM)共混薄膜为活性层的本体异质结聚合物太阳能电池,根据光学干涉效应和转移矩阵方法建立了非相干光吸收理论模型,研究了电极修饰层、活性层和阴极的厚度对电池内部光电场分布和活性层内部光电场强度的影响.结果表明:各功能层厚度对电池内部光电场分布和活性层光电场强度具有不同程度的影响,其中活性层和电极修饰层厚度的影响较大,而阴极厚度的影响较小;引入合适厚度的电极修饰层有利于增加活性层内部的光电场强度,提高太阳能电池的能量转换效率,改善器件的光伏性能.     

室内可见光MIMO通信码间干扰分析与接收视场角优化

针对可见光MIMO通信过程中多径时延造成的码间干扰对可见光通信系统性能影响问题,采用光线追踪分析方法建立了室内系统模型及码间干扰模型,讨论了多输入多输出的室内通信环境下,不同LED布局下光学天线视场角大小对系统码间干扰及误码率的影响.研究结果表明:当数据传输速率为100Mbit/s时,存在一种LED布局使整个接收平面能满足基本通信所要求的10~(-6)误码率阈值.在此结构的基础上分析可知,随着视场角的逐渐增大,接收平面的盲区会逐渐消失,但系统码间干扰会随之增加.在接收机视场角为43°时,平均信噪比最大并能达到室内最佳覆盖,此时能有效减小多径效应及码间干扰并提高系统传输性能.     

基于时频能量比的入侵事件识别方法

针对挖掘入侵事件与人步行等干扰事件的识别问题,提出一种基于时频能量比的识别方法.利用时域的节律特征以及信号包络的时域冲击特征,剔除如车辆路过、自然环境干扰等事件.留下挖掘和人步行事件.对于挖掘和人步行事件的识别,首先,对事件信号进行时域窗分割;其次,将时域分割后的每个子信号输入到一组窄带滤波器中,并计算每个滤波器输出信号与输入的时域子信号的能量比值,得到信号的时频能量比特征.最后,利用SVM作为分类器,进行分类实验.实验表明,该方法提取的时频特征所包含的冗余特征数据量小,分类所需的时间短,分类识别的准确率约为94%.     

基于多维数据图像化的非侵入式负荷识别

针对已有负荷识别方法存在选取的负荷印记冗余度大及无法直接反映负荷功率信息的不足,提出一种多维数据图像化的非侵入式负荷识别方法．首先将负荷的电流波形、瞬时功率波形和电压-无功电流轨迹三个维度的负荷印记转换成灰度图像;然后将其分别加载到图像的红绿蓝通道上,得到带有功率信息的真彩色图像;最后通过简化的二维卷积神经网络进行负荷识别．实验结果表明：本方法能够提升图像的信息密度,使得所采用的人工智能网络在计算量和参数量都降低的情况下仍能在图像中找到最具有辨识力的区域进行高效的负荷识别;在PLAID(即插即用设备标识数据集)和WHITED(全球家庭和工业瞬态能量数据集)上分别达到了98.78%和99.50%的识别准确率．     

激光内调制自由空间光通信实验系统装置的研制

设计并安装调试了一套以激光内调制为工作模式的自由空间光通信实验系统装置,给出了原理框图及实际传输所得到的波形,分析了其频率极限.该装置已经用于相关专业课程的教学,效果良好,与其它光纤通信实验系统相比,该装置使用更加直观、方便.     

基于随机几何理论的多层异构蜂窝网络性能分析

为分析多层节点覆盖的异构蜂窝网络性能,采用独立的齐次泊松点过程分别对异构网络中的各层基站分布进行了建模,选择最强信号干扰噪声比(SINR)基站的接入方案,推导出多层异构蜂窝网络的覆盖概率,并且通过仿真实验分析了影响整体网络覆盖概率的因素.实验结果表明:多层异构网络在小基站密度和发射功率处于适当值时有较好的覆盖率性能.     

大规模MIMO系统基于多分辨率深度学习网络的CSI反馈研究

快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel...     

基于高斯噪声与ST-GCN的人体骨架动作识别

针对基于ST-GCN的骨架动作识别中人工预定义的邻接矩阵结构单一、难以捕捉到非相邻关节点之间的相关性这一问题,提出了一种基于高斯噪声的扰动机制.在人工预定义的骨架图邻接矩阵上引入高斯噪声,利用该噪声扰动ST-GCN中固定的邻接矩阵,捕捉非相邻关节点之间的相关性,运用该方法在具挑战性的NTU RGB+D和Kinetics-Skeleton两个大规模数据集上进行了分类识别实验,结果表明：该方法在两大数据集上的识别精度高达95.34%和36.43%,在节约计算量的前提下有效地提高了动作识别的性能.     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中,通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体,采用支持向量机方法进行特征信号的单次识别．为提高识别精度,详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明,信号时程越长分类精度越高,时程达到300ms时,分类精度就可达到最大值（且趋于饱和）;信号时段的选择对分类精度亦有较大影响,最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．