变时滞Hopfield神经网络的全局吸引性和全局指数稳定性

对一类具时滞的Hopfeild型神经网络模型,在非线性神经元激励函数只要求满足Lipschitz连续的条件下,利用推广的Halanay时延微分析不等式、Dini导数以及泛函微分析技术,给出了这类模型的平衡点全局指数稳定性和全局吸引性的充分条件,这些条件易于检验,且改进和推广了前人的结论.此外,此文给出了研究神经网络模型的全局吸引性的微分不等式比较方法.     

低轨卫星物联网下NB-IoT时延功耗研究

【目的】在低轨（LEO）卫星物联网（IoT）场景下,广域覆盖范围内窄带物联网（NB-IoT）体制终端因为业务场景不同造成时延功耗需求也不相同。然而,地面NB-IoT体制终端业务场景单一,采用固定式工作状态定时器参数配置方法,无法满足LEO卫星IoT大尺度地理范围内多场景终端时延功耗的不同需求。【方法】针对LEO卫星IoT广覆盖特性,文章基于简化后随机接入交互流程终端工作状态切换的马尔科夫链模型,提出了以系统下行延迟和终端功耗作为非支配排序遗传算法（NSGA-Ⅱ）的目标函数得到多场景帕累托前沿最优解集的方法,进一步从帕累托前沿中选择满足不同场景时延功耗需求的工作状态定时器参数在线配置终端。【结果】仿真结果表明,文章提出的多目标优化方法对工作状态定时器参数进行全局寻优,克服了穷举法等传统方法可能陷入局部最优的不足,并验证了简化随机接入交互流程可以有效降低终端时延功耗。【结论】文章所提多目标优化方法可以得到终端在LEO卫星IoT多场景下的工作状态定时器参数。     

同步光分组交换网核心节点光分组长度分析

研究了同步光分组交换网中光分组长度的设计及其对一些网络性能参数的影响,分别推导了光分组中开销所占比率、时延及光纤延时线长度与光分组长度的关系,并给出各自相应的理论分析和数值解析,为光分组中分组长度的设计做了基础工作。     

可靠性约束下的5G通信频段自适应选择技术

本文提出可靠性约束下的5G通信频段自适应选择技术,解决传统技术在5G通信频段自适应选择中吞吐量较低、5G通信时延较长、可靠性较低的问题。由有向连通图描述5G通信网络拓扑结构,根据5G通信频段特点建立数学模型,描述5G通信频段干扰情况,以5G通信频段干扰最小化为目标建立优化目标函数,并设定5G通信网络可靠性约束条件,利用自适应算法结合可靠性约束条件对目标函数求解,计算最优通信频段,以此完成可靠性约束下的5G通信频段自适应选择。经实验证明,在设计技术应用下5G通信网络吞吐量和通信时延均有所改善和提高,在5G通信频段自适应选择方面具有良好的应用前景。     

面向动态无线自组网的自适应服务机制

许多无线网络受益于或要求网络具有动态自组织特性,如MANET(移动Adhoc网络)、WSN(无线传感网)、WMN(无线网状网)和DTN(时延容忍网络)等,但这类网络面临缺乏集中式管理、设备异质性、不可靠的无线通信、资源约束和节点移动性等挑战.针对上述技术挑战,文章概述动态无线自组网的各种自适应服务机制,即面对动态变化的...     

基于时延预测的无人机集群地面控制系统

无人机技术的发展日新月异,成为了现代社会中不可或缺的一部分。无人机的广泛应用领域包括军事、民用、商业等,已经取得了令人瞩目的成就。其中,无人机集群地面控制系统的应用价值尤为引人注目,基于时延预测的技术更是给这一领域带来了革命性的变化。无人机集群地面控制系统是指通过预测无人机与地面控制中心之间的时延,实现对无人机集群的精确控制与管理。在过去,无人机集群的控制往往面临信息传输延迟的问题,这给操作人员带来了巨大的挑战。然而,基于时延预测的无人机集群地面控制系统的出现,彻底改变了这一局面,为无人机的广泛应用提供了更加可靠和高效的解决方案。     

自旋涨落与非常规超导配对

铜氧化物高温超导、铁基高温超导、重费米子超导和κ-型层状有机超导等超导体的超导态都与磁性有序态相邻,且超导能隙在动量空间一般存在变号.因此,这些超导体的超导机理被认为有别于常规BCS超导中的电子交换声子导致的各向同性s-波配对.在这些非常规超导中,自旋涨落被认为是导致电子形成库珀对的主要起源之一.本文主要以铜基和铁基高...     

基于GCC-PHAT的改进近场声源定位算法

结合GCC-PHAT与SRP搜索的算法被广泛应用于声源定位系统,但其定位结果随信噪比降低而恶化严重,且难以估计窄带声源。针对这些问题,提出一种用于近场模型的改进算法。首先计算阵列信号求和功率谱的峰均比,再经对数变换和设置噪声抑制阈值等步骤,得到反映频点信噪比的加权因子,将其应用在GCC-PHAT中,并进一步优化SRP搜索策略。大量仿真结果表明:改进的算法具有强的抗噪能力,且对宽带和窄带声源信号均有良好的估计效果,很适合实时处理。更多还原     

i-TDNN：一种基于TDNN改进的含噪声纹识别方法

针对声纹识别任务在含噪背景下鲁棒性欠佳的问题,文章提出了一种基于TDNN改进的含噪声纹识别方法。该算法先提取说话人音频的梅尔频谱,利用自注意力机制（SE）使得网络更加聚焦于重要特征,引入残差连接（Res）修正梅尔频谱与输出层的特征损失信息,一定程度缓解神经网络退化的问题,使用多层特征聚合（MFA）密集连接输出特征,生成关注统计池的特征,最终生成一种强鲁棒性的声纹特征。在AISHELL-ASR0009含噪数据集进行实验表明：与BaseTDNN相比,i-TDNN算法的识别准确率提升16.63%,验证了此算法在含噪背景下的鲁棒性。     

基于嵌入训练阵列的OTFS信道估计

正交时频空（Orthogonal Time Frequency Space,OTFS）调制在快时变高多普勒信道中展现出良好的频谱利用率和显著的误码率性能优势。然而,传统的OTFS信道估计方法频谱效率较低,且无法应用于低轨卫星等具有高多普勒频偏的通信场景中。文章提出了基于嵌入训练（Training Embedded,TE）阵列的信道估计方法,利用训练阵列的完美自相关特性进行准确的信道估计,并提高了频谱效率。同时,针对低轨卫星通信高多普勒频偏的特性,本文利用快速傅里叶变换对路径的整数倍频偏进行估计,补偿并消除列相关相位偏移干扰,提升了低轨卫星通信场景下信道估计的准确度。仿真结果表明,所提方法在地面、低轨通信场景中均具有较高信道估计精度和频谱效率。