XiaoMi-AI文件搜索系统
World File Search System时间频率
正交时间频率空间调制 - 第三部分
摘要 — 本教程关于正交时频空间 (OTFS) 调制的前两部分讨论了延迟多普勒 (DD) 域通信的基本原理以及一些先进的收发器设计技术。在本文中，我们将介绍一种基于 OTFS 的集成传感和通信 (ISAC) 系统，该系统被视为下一代无线通信的一项使能技术。特别是，我们说明了 OTFS-ISAC 系统的传感和通信模型。接下来，我们表明，得益于时不变的 DD 信道，传感参数可用于推断通信信道，从而实现高效的传输方案。由于这两种功能都是在同一个 DD 域中实现的，我们简要讨论了基于 OTFS 的 ISAC 系统的几个有希望的优势，这些优势尚未完全揭晓。最后，我们将重点介绍 OTFS 在未来无线网络中的一系列潜在应用。
6G无线通信中的正交时间频率空间（OTFS）技术
1。简介MIMO-OTF可以进一步提高频谱效率，而OFDM则提供了易于实现，对多径褪色和窄带干扰的强大弹性以及出色的光谱效率。OTFS调制是一种有前途的方法，用于确保在人们四处走动的情况下确保可靠的通信。无线通信自1960年代以来一直在迅速发展，其中LTE是新产生无线传输框架的主要方法之一。LTE高级（LTE-A）框架使用MIMO和OFDM方法来实现最大数据速率通信。MIMO在当前无线框架中的动机是改善容量受限的系统，质量和包容性改进，滥用长期评估以扩大限制，包含范围以及无线框架的信息传输可靠性[1]。普遍的无线框架之一是无线局域网（WLANS），其互连笔记本电脑，个人数字助手（PDA），手机和其他手持式小工具如图1.LTE是一种无线和移动通信技术，与其他技术相比，它具有新功能和优势[2]。其主要目标包括提高下行链路和上行链路数据速率，灵活的数据传输能力，提高幽灵熟练的能力以及提高客户端的限制。lte/lte-a正在将过境中的沟通进步提高到5G传输方案，如图2所示。_____________________________ *通讯作者：ali.j.r@alkafeel.edu.iq
正交时间频率空间调制的嵌入式延迟多普勒通道估计
摘要 - 正交时间频率空间（OTFS）调节显示可在正交频施加频率下（OFDM）上（OFDM）在延迟–多普尔频道上提供明显的错误性能性能。接收器需要通道脉冲响应才能执行OTFS检测。在这项工作中，我们使用数据框架中嵌入的飞行员符号分析了基于OTFS的通道估计：具有许多后卫零符号的飞行员符号位于包含信息符号的延迟–多普勒网格上。提出不同的符号排列，具体取决于通道相对于整数网格的整数还是分数多普勒路径。使用简单的阈值方法从一组接收的符号估算的通道信息。然后，通过消息传递（MP）算法将估计信息用于同一帧内的数据检测。数值结果将所提出的方案和OTFS方案的误差性能与在相似光谱和能量效率下的理想通道估计进行比较。此外，我们的结果表明，具有非理想通道估计的OTF仍然可以超过DM，而理想的通道估计。索引项 - 通道估计，延迟–多普勒通道，OTF，时间 - 频率调制。
通过机器学习的时间频率健康指标估计冷却装置的剩余使用寿命
摘要：预测性维护 (PM) 策略已引起航空业的关注，以降低维护成本和飞机停地 (AOG) 时间。利用飞机系统的状态监测数据，预测和健康维护 (PHM) 从业者一直通过应用剩余使用寿命 (RUL) 概念来预测飞机部件的使用寿命。此外，在预测中，当很难直接从数据中发现故障出现模式时，健康指标 (HI) 的构建起着重要作用。HI 通常由处理非平稳信号（例如飞机传感器时间序列）的数据驱动模型支持，其中需要从时间和频域进行数据转换。在本文中，我们基于希尔伯特谱的构造构建了时频 HI，并提出将基于物理的模型与数据驱动的模型相结合，以预测飞机冷却装置的 RUL。使用来自一家主要航空公司的数据，并考虑两个健康退化阶段，可以使用数据驱动的机器学习模型 (ML) 来估计飞机系统故障的发生。具体而言，我们的结果表明，所分析的冷却装置在使用寿命的最后飞行小时内出现异常退化之前会经历正常退化阶段。
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。
cauchy非凸线稀疏特征选择方法用于运动成像中的高维小样本问题eeg解码
EEG信号的时间，频率和空间信息对于运动图像解码至关重要（Zheng等，2022）。因此，已经广泛研究了基于时间频率空间特征的运动图像解码（Chen等，2023）。In the process of temporal- frequency-spatial feature extraction, the original EEG signals are first decomposed into multiple time-frequency units, then the common spatial pattern (CSP) algorithm is used to extract the spatial features on each time-frequency unit, and finally, the spatial features of multiple time-frequency units are cascaded into a feature vector ( Miao et al., 2021 ), which significantly increases脑电图的特征维度。特征尺寸的数量超过一百甚至几百，而特征冗余。此外，由于收集脑电图样本的困难和高成本，尤其是对于患者，样本量通常相对较小，通常只有几十个。因此，时间频率空间特征是高维小样本数据，它将为EEG分类模型带来一系列问题，例如过度拟合和模型解决方案的问题不确定（Chadebec等，2022）。
结构健康监测应用的发展战略1
永久安装的结构健康监测 (SHM) 系统现在是传统定期检查（无损检测 (NDT)）的可行替代方案。然而，它们的工业用途有限，本文回顾了开发实用 SHM 系统所需的步骤。SHM 中使用的传感器固定在某个位置，而在 NDT 中，它们通常被扫描。目标是使用高时间频率、低空间频率 SHM 数据达到与传统高空间频率和低时间频率 NDT 检查类似的性能。结果表明，这可以通过变化跟踪算法（例如广义似然比 (GLR)）来实现，但这取决于输入数据是否为正态分布，这只有在因操作条件变化而导致的信号变化得到令人满意的补偿时才能实现；最近在这个主题上取得了很大进展，本文对此进行了回顾。由于 SHM 系统可以生成大量数据，因此将数据转换为可操作信息至关重要，并且必须在 SHM 系统设计中解决此步骤。验证已安装的 SHM 系统的性能也至关重要，并且已经提出了一种类似于 NDT 中使用的模型辅助检测概率 (POD) (MAPOD) 方案的方法。该方法使用安装在典型未损坏结构上的 SHM 系统获得的测量值来捕获由于环境和其他影响而导致的信号变化
自省信心可预测自我脑电图解码
图 2 状态之间的振荡差异（分神 - 专注，N = 25）随探测开始（0 秒）时间的变化。（a）时间频率分解在电极位置处取平均值。虚线黑色矩形表示反映显著差异的光谱时间聚类（p < .025，双侧聚类置换检验），灰色矩形表示趋势水平（.025 < p < .05）聚类。（b - d）α（8 - 13 Hz）、θ（4 - 7 Hz）和δ（2 - 3 Hz）光谱功率在聚类的电极位置处取平均值（黑条 = 显著，灰条 = 趋势）。（e）聚类内不同子窗口的聚类拓扑结构（黑色标记表示在每个时间窗口内至少 50% 的样本上存在的电极，白色电极标记趋势水平效应的拓扑结构）