针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架...针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。展开更多
针对当前大多数无中心多频时分多址(Multi Frequency Time Division Multiple Access,MF-TDMA)卫星通信系统资源分配中资源利用率低、业务匹配率低的问题,提出了一种无中心MF-TDMA卫星通信系统的帧结构及其组网和资源按需分配方法,并通...针对当前大多数无中心多频时分多址(Multi Frequency Time Division Multiple Access,MF-TDMA)卫星通信系统资源分配中资源利用率低、业务匹配率低的问题,提出了一种无中心MF-TDMA卫星通信系统的帧结构及其组网和资源按需分配方法,并通过仿真分析将其与传统资源调控算法进行比较。无中心MF-TDMA资源按需分配算法通过提高时隙资源的利用率,相比传统资源调控算法在业务匹配度、业务呼通率等参数上有明显改善。仿真结果表明,所提的资源按需分配算法能够更大程度满足动态变化的卫星通信业务的需要。展开更多
文摘针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。
文摘针对当前大多数无中心多频时分多址(Multi Frequency Time Division Multiple Access,MF-TDMA)卫星通信系统资源分配中资源利用率低、业务匹配率低的问题,提出了一种无中心MF-TDMA卫星通信系统的帧结构及其组网和资源按需分配方法,并通过仿真分析将其与传统资源调控算法进行比较。无中心MF-TDMA资源按需分配算法通过提高时隙资源的利用率,相比传统资源调控算法在业务匹配度、业务呼通率等参数上有明显改善。仿真结果表明,所提的资源按需分配算法能够更大程度满足动态变化的卫星通信业务的需要。
