基于GCN-GRU组合模型的基坑周边管线沉降预测

为提高基坑变形预测结果的准确性，在传统的单点时间序列预测基础上，引入监测数据的空间特征对预测方法进行改进.基于图卷积神经网络(graph convolutional network, GCN)和门控循环单元(gate recurrent unit, GRU),构建一种能捕获数据时空关联性的变形预测模型GCN-GRU,并将其应用于上海某基坑周边管线沉降的变形预测.结果表明，相比于GRU时间序列预测模型，考虑了空间关联性的GCN-GRU模型在单步预测中的均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别降低了27.3%和25.0%,多步预测中的RMSE和MAPE降低了37.2%和37.3%,预测结果准确性较高.该方法可为同类基坑工程周边管线沉降变形预测提供参考.     

基于立方Farrow结构的插值细搜频偏估计算法

在高动态通信环境中,由相对运动引起的多普勒频移会在接收机下变频所得的基带信号中引入残留频偏,致使基带信号的相位发生偏离。对频偏进行精确估计是提升高动态环境通信质量的重要途径。传统方法通常通过对快速傅里叶变换（Fast Fourier Transform,FFT）后所得频谱进行一维搜索来估计载波频偏值,只能估计整数倍频点。为了进一步提高频偏估计的精度,本文提出了一种基于立方Farrow结构的插值细搜（Interpolation Detail Search, IDS）算法。仿真结果表明,此算法仅在16倍插值条件下就得到了逼近克拉美罗界（Cramer-Rao Bounds,CRB）的频偏估计性能,信噪比精度损失仅为1.2 dB,具有良好的估计性能。