雨水的γ辐射及其环境意义

本文主要对由降雨引起的地面γ辐射的变化进行了研究。实验表明,降雨会引起地面γ辐射的显著增加,在降雨过程中,其总增加率约为33．6％,雨停的后约3h,地面γ辐射恢复正常,对降水的取样测量结果表明,雨水本身的γ照射量率是变化的,并呈现一定的规律性。本文还探讨了降雨的短期γ辐射对环境的影响。     

不确定切换系统的动态输出反馈鲁棒H∞控制

研究一类由任意有限多个不确定子系统组成的切换系统的动态输出反馈鲁棒H∞控制问题.利用共同Lyapunov函数方法和凸组合技术,给出由矩阵不等式表示的控制器存在的充分条件,并设计了相应的子控制器和切换规则.采用消元法,将该矩阵不等式转化为一组线性矩阵不等式(LMIs).最后给出一个数值仿真实例证明结论的有效性.研究结果表明:通过切换,闭环系统在整个状态空间上的每个点都满足鲁棒H∞性能,而并不要求每个子系统在整个状态空间上都满足鲁棒H∞性能,甚至也不要求其渐进稳定.     

存在相位噪声和信道估计偏差影响的空相关MIMO-OFDM系统的性能分析

为了进一步了解相位噪声和信道估计偏差在空相关多输入多输出正交频分复用(MIMO-OFDM)系统中的作用,对存在相位噪声和信道估计偏差影响的空相关MIMO-OFDM系统的性能进行了分析.利用模型表达了空相关MIMO-OFDM系统的复包络信号,推导了在相位噪声和信道估计偏差影响下的空相关MIMO-OFDM系统的有效数据符号的信噪比表达式,给出了在相位噪声和信道估计偏差影响下的空相关MIMO-OFDM系统的差错性能指标.研究表明,理论计算和计算机仿真的空相关MIMO-OFDM系统的差错性能结果在各种不同相位噪声和信道估计偏差影响下都比较吻合.     

一类不确定线性系统的输出反馈鲁棒重复控制设计

重复控制将人类的学习机制引入控制系统,并在许多领域中得到广泛的应用。文中针对一类具有时变结构不确定性的线性系统,研究基于输出反馈的鲁棒重复控制系统设计问题。为了能精确地描述重复控制的特性,建立起能够独立调节重复控制过程中的连续控制行为和离散学习行为的连续/离散二维混合模型,以线性矩阵不等式(LMI)形式给出重复控制系统鲁棒稳定的充分条件,并利用该稳定性条件进行重复控制系统的参数设计。最后用数值仿真验证了文中所提方法的有效性。     

用蒙特卡罗方法计算X射线在酞菁铜与重金属界面的剂量增强系数

用蒙特卡罗方法计算金-酞菁铜、 钨-酞菁铜和钽-酞菁铜界面的剂量增强系数. 结果表明, 当X射线能量为100~150 keV时, 界面附近酞菁铜一侧存在较大的剂量增强.      

基于Tri-training MPLS的半监督软测量模型

随着污水处理过程日趋复杂,易测量变量和难测量变量的比例严重失衡,传统的监督性软测量建模方法已经无法满足需求.针对这一问题,提出了一种新的半监督学习的软测量模型?Tri-training MPLS模型.首先将标记数据均分为相互独立的3个部分,并由这3个相互独立的标记样本子集选择置信度高的未标记样本训练模型,提高模型的预测...     

不确定性随机系统的输出反馈变结构滑模控制

研究了带有时变不确定性的It型随机系统的输出反馈镇定问题,采用变结构滑模控制(SMC)方法设计了镇定控制器.在系统的不确定性满足一定匹配条件的情况下,构造了对不确定性具有不变性以及参数不含噪声激励的滑模切换流形和变结构滑模控制律,分析和证明了滑模的可达性和闭环系统的稳定性,并给出了滑模控制律的参数选择条件.最后通过示例系统仿真实验证明了文中结果的正确性和有效性.     

网络化控制系统连续动态输出反馈控制器设计

研究一类网络化控制系统的连续动态输出反馈控制器的设计问题.假设网络化控制系统的被控对象为一个定常时滞系统,其网络诱导时滞是随机的且小于一个采样周期的情况下,将此类网络化控制系统模型化为一个混合系统.然后采用李亚普诺夫函数、线性矩阵不等式的方法推导出了该网络化控制系统渐近稳定的充分条件.根据此充分条件,给定一个等式约束,然后通过求解一组线性矩阵不等式,获得了连续动态输出反馈镇定控制器.最后给出一个具体的数值和仿真实例说明了此设计方法是有效的.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。