基于轮询的高级在轨系统多路复用包时延分析

目前的高级在轨系统(AOS,Advanced Orbiting Systems)多路复用研究主要以仿真为主,很少有文献给出专门的理论分析.针对基于轮询的AOS多路复用包时延进行研究,通过采用排队论中非空竭限量服务的休假排队系统建立模型,并采用循环再生法进行分析,得到了多路复用包时延计算公式,并给出包时延的下限值.仿真结果表明,在包到达率取值分别为1,2,3包/s,在各种不同的下行速率(范围240~330 bit/s)之下,包时延的仿真值曲线均高于理论下限值曲线,从而论证了理论推导的正确性.研究结果可以为工程设计提供一定的参考作用.     

基于CS的正则化稀疏度变步长自适应匹配追踪算法

压缩感知(CS)能够突破Nyquist采样定理的瓶颈,使得高分辨率信号采集成为可能。重构算法是压缩感知中最为关键的部分,迭代贪婪算法是其中比较重要的研究方向。对压缩感知理论进行了详细分析,并在现有重构算法的基础上提出了一种新的迭代贪婪算法——正则化稀疏度变步长自适应匹配追踪(RSVss AMP)算法,可在信号稀疏度未知的情况下,结合正则化和步长自适应变化思想,快速精确地进行重构。相比于传统迭代贪婪算法,本文算法不依赖于信号稀疏度,并且应用正则化以确保选取支撑集的正确性。此外,应用自适应变化步长代替固定步长,能够提高重构速率,而且达到更高的精度。为了验证本文算法的正确性,选取高斯稀疏信号和离散稀疏信号分别进行仿真,并与现有算法进行比较。仿真结果表明,本文算法相比于现有算法可以实现更加精确快速的重构。     

一种基于支持向量回归的混合建模方法

近年来,随着计算能力的不断提高,数据驱动的建模方法受到了广泛的关注,对单模式系统进行定量分析的建模方法获得了诸多研究。然而,实际应用中大多数系统为多模式系统,不但各个模式有着不同的连续行为,连续状态还会在模式之间进行切换。针对这一情形,本文提出了经验概率混合自动机模型,并提出了针对该模型的基于支持向量回归(SVR)的多模式定性定量混合建模方法。该方法使用小波技术识别模式切换点,并在各个模式下单独建立支持向量模型,最后使用D-Markov机整合模型。经实例验证,该方法与传统支持向量回归模型的稳定性接近,但精确程度显著提高。