基于监督机器学习的车载协作通信中继选择

为提高车载协作通信链路的可靠性与连通性,提出了一种在下行非正交多址接入(NOMA)的中继网络中基于监督机器学习算法的中继选择方案,通过构建反向传播(BP)神经网络预测模型,对候选中继集的中断概率进行预测,以此来进行基于最小中断概率的中继选择,提高了下行链路的连通性.在Matlab中,利用样本数据进行网络训练后,得出的预测值与理论值的相关系数为0.99944,预测的平均相对误差为0.57％,表明该中继选择方案模型能够对多个中继进行中断概率的预测,从而实现基于最小中断概率的中继选择.数值仿真结果表明,基于监督机器学习的中继选择方案相较于基于增强学习的中继选择方案中断概率下降了60％,能明显提高中断性能.     

基于高维时空张量CP分解的风速监测缺失数据恢复

“大数据”时代的到来为风机健康监测带来了新机遇，风机往往运行在极端恶劣环境下，监测数据中夹杂了大量缺失值，数据质量无法保障，进而会制定有误的运维指导策略。为保证风速监测数据质量，提出了基于高维时空张量CP分解的风速监测数据缺失值恢复方法。构建包含时空信息的四阶张量，利用CP分解将张量分解为多个因子矩阵，通过加权张量将恢复缺失数据转化为求解目标函数最小值，根据因子矩阵重构张量，从而获得缺失处原始信息值。利用提出方法与GPR、GRU、LSTM、SWLSTM等传统方法对某风电场的缺失数据进行恢复，结果表明，相比传统方法，提出方法的R²最接近1,MAE等误差指标均为最小，具有最高拟合度，从而验证了该方法的有效性。