平面黏弹性力学问题的插值型重构核粒子法

插值型重构核粒子法的形函数结合了包含Kronecker delta特性的简单函数和由基函数向量采用重构条件构造的增强函数,并且具有点插值特性和不低于核函数的高阶光滑性.该方法可直接施加本质边界条件,同时也保证了较高的计算精度.基于插值型重构核粒子法,文章提出了一种求解平面黏弹性力学问题的新方法.采用弹性-黏弹性对应原理和Laplace变换,将黏弹性问题转化为Laplace域内的准弹性问题,并采用插值型重构核粒子法进行求解,然后借助Laplace数值逆变换求得黏弹性问题的解.数值算例验证了本文所提方法的有效性.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

动力学模态分解方法重构及预测流场误差分析

利用动力学模态分解(dynamic mode decomposition,DMD)方法可以实现非定常流场的分解、重构和预测,但该方法重构和预测流场的误差需要给出定量分析.鉴于此,提出了定量描述动力学模态分解重构和预测流场的误差分析方法,以雷诺数Re=80的圆柱绕流二维流场数值模拟结果为例,研究了非线性流动和周期性流场重构和预测误差的动态变化情况.结果表明:依据能量大小确定的模态反映了流场的主要相干结构;低频、低增长/衰减率和大尺度的相干结构能量占比大,对流场的影响较大;DMD方法可以准确重构非线性和周期性变化流场,重构的误差小于10-10,预测流场的误差较重构流场出现跳跃增大现象;DMD方法预测非线性变化流场的误差在样本时间区间内较小(小于10-3),超出样本区间误差的发展急剧增大,变化情况依赖于数据样本;预测周期性流场的误差稳定在10-4左右.     

可重构智能面辅助的低精度量化大规模MIMO系统的信道估计

针对可重构智能面辅助的低精度量化的大规模多输入多输出(multiple input multiple output, MIMO)系统中信道估计问题进行了研究。该系统的信道估计难点在于可重构智能面由近无源反射天线构成, 没有基带信号处理能力。系统观测值通过低精度的模数转换器量化使信道估计问题变得更富挑战性。本文基于基站-可重构智能面-用户的级联信道推导出等效信道, 并证明在虚拟角域上，该有效信道是结构稀疏信号。提出了基于期望最大化的近邻学习广义近似消息传递算法，从低精度量化的观测值中恢复等效信道。仿真结果表明所提出算法比传统算法具有更好的性能表现。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

五味子有效成分保护心室重构的研究进展

五味子对心血管、免疫系统及CNS具有调节作用,阐述了五味子中有效成分木脂素和多糖保护心室重构的作用.     

基于瞬时能量密度谱的航空发动机双发差异信号监测

针对非线性、非平稳航空发动机双发差异信号,提出利用瞬时能量密度谱凸显微波动信号这一方法获得双发差异波动值出现的时间。通过总体平均经验模式分解(EEMD)结合希尔伯变换(HT)求解信号的HT谱与瞬时能量密度水平,从频率、幅值与时间三方面给出信号特征。以燃油流量为例,分析了航空发动机气路参数差值在巡航段的波动情况。结果表明：在2095s、3600s左右发动机燃油流量差值(ΔFF)出现微弱波动,且后者波动幅值为前者的1/5,频率范围集中在0-0.2Hz之间。2095s信号波动是由飞机飞行高度、航向变化及加速度变化引起的,3600s信号波动是加速度变化导致的。由瞬时能量密度谱获得航空发动机参数微波动发生的精确时间,并与QAR记录的同时刻其他相关数据进行对比,追溯发动机FF变化的原因,判断航空发动机是否存在故障。     

一种基于稀疏重构的NB-IoT时延估计算法

针对传统的时延估计算法无法解决窄带物联网(narrowband internet of things， NB-IoT)低速率低功耗引起的估计精度低、计算复杂度高等问题，提出一种加入代价函数模型的基于稀疏重构的时延估计算法。利用窄带定位参考信号(narrowband positioning reference signal， NPRS)与传统的正交匹配追踪算法(orthogonal matching pursuit，OMP)进行时延值预估计，然后根据预估计的时延值构建冗余字典，在此基础上利用改进的OMP算法进一步对时延值进行估计。该算法中加入代价函数的思想将多维的时延估计降维成多个一维的时延估计，同时利用稀疏重构来消除各信号之间的干扰。另外，为了消除降维带来的局部最优的问题，合理设置软门限来有效并快速地终止代价函数模型的迭代过程。仿真结果表明，与OMP算法等传统时延估计算法相比，该算法具有更好的检测性能以及更高的时延估计精度。