1 北京空间飞行器总体设计部北京市电磁兼容与天线测试工程技术研究中心, 北京 100094
2 北京邮电大学国际学院, 北京 100876
介绍大型紧缩场静区测试方法及实测结果, 并根据静区实测结果进行波谱分析, 给出平面波谱分析结果。利用波谱分析结果, 对 Ku反射面天线紧缩场测试结果进行了测试精确度再提升的数据处理, 展示了紧缩场新的测试技术。本项目研究工作是与国家计量院联合进行的天线计量技术研究工作的一部分 —紧缩场测试部分, 也对天线及天线测试场性能的计量测试进行了成功的探索, 为天线计量技术的发展奠定了基础。
紧缩场 天线测试 静区测试 compact test range antenna test quiet zone test 太赫兹科学与电子信息学报
2018, 16(3): 464
北京空间飞行器总体设计部集成测试研究室, 北京 100094
整星系统级测试是验证整星系统最终性能指标不可或缺的重要环节。本文叙述了大型平面近场进行整星状态下含有效载荷变频系统的天线辐射性能的测试方法, 通过整星变频系统的馈源阵初级方向图测试, 导出馈源阵初级方向图至反射面仿真软件 GRASP。将通信天线的最终二次覆盖方向图与仿真设计结果相比较, 结果的一致性验证了整星系统的工作性能。
平面近场 整星测试 卫星天线 有效载荷 测试方法 planar near field satellite system level test satellite antenna payload test method 太赫兹科学与电子信息学报
2017, 15(3): 372
1 中国科学院东北地理与农业生态研究所, 吉林 长春130012
2 中国科学院研究生院, 北京100049
3 加拿大农业与农业食品部温室与加工作物研究中心, Harrow 安大略 N0R 1G0
研究了我国黑土腐殖酸碳含量及其光化学性质, 并探索了利用近红外光谱分析法(near infrared spectroscopy, NIRS)对其进行预测的潜力。 针对东北典型黑土带土壤样品, 利用偏最小二乘法(PLSr)建立定量模型, 并用独立样本对模型进行检验。 结果表明, 模型对腐殖酸碳、 胡敏酸碳和富里酸碳含量的预测效果很好, NIRS对富里酸碳和胡敏酸碳的465 nm(E4)和预测结果也较好, 665 nm光密度(E6)的预测达到可接受水平。 胡敏酸碳和富里酸碳含量与SOC的相关性, 高于其与NIRS模型预测值的相关性, 二者光化学性质与SOC的相关性则低于其与模型预测值的相关性。 NIRS在简化黑土腐殖酸碳、 胡敏酸碳和富里酸碳含量和光密度测定领域具有很好的应用前景, 且能够反映SOC性质方面的信息。
近红外光谱 胡敏酸 富里酸 偏最小二乘法 Near-infrared spectroscopy Humic acid Fulvic acid Partial least squares 光谱学与光谱分析
2012, 32(10): 2674
1 中国科学院东北地理与农业生态研究所, 吉林 长春 130012
2 中国科学院研究生院, 北京 100049
3 加拿大农业与农业食品部温室与加工作物研究中心, Harrow Ontario N0R 1G0 Canada
不同颗粒组分的土壤有机碳(soil organic carbon, SOC)具有不同的化学组成且对不同农艺措施响应不同, 因此了解其信息有助于深入理解SOC对土壤肥力的贡献。 本研究旨在评价近红外光谱(near Infrared spectroscopy, NIRS)预测黑土不同颗粒组分SOC(水稳性团聚体结合碳、 颗粒态有机碳及不同大小粒级有机碳)的潜力。 土壤样品(n=136)采集于东北典型黑土带上, 利用偏最小二乘法建立定量模型(n=100), 并用独立样本对模型进行检验(n=36)。 结果表明: NIRS可以在一定程度上预测水稳性团聚体结合碳含量(R2=0.69－0.82, RPD=1.2－1.8)； 对矿质结合态SOC(<53 μm)(R2=0.97, RPD=5.4)及细粒级SOC(<20 μm)(R2=0.93, RPD=3.8)预测结果较好, 对颗粒态有机碳(>53 μm)和粗粒级SOC(>20 μm)预测结果不理想。 NIRS在简化黑土不同颗粒组分SOC的测定, 特别是矿质结合态(<53 μm)SOC, 具有很好的应用前景。
近红外光谱 团聚体结合态碳 颗粒态有机碳 偏最小二乘法 黑土 Near-infrared spectroscopy Water-stable aggregate associated organic carbon Particle organic carbon Partial least squares Black soil
1 华南理工大学 机械与汽车工程学院，广东 广州 510640
2 广东省科学院自动化工程研制中心，广东 广州 510070
针对接收信号强度值(RSSI)的波动直接影响无线传感器网络(WSN)目标定位准确度的问题，研究了利用最小二乘支持向量回归机(LSSVR)实现WSN的目标定位的基本原理，分析了固定探测节点和探测节点变化时的LSSVR建模定位特性，提出了基于自适应LSSVR回归建模实现WSN目标定位的方法(TL-AML)。该方法综合考虑目标定位准确度和实时性，初始时刻首先建立LSSVR回归模型来定位目标，根据后面任一时刻探测节点与前一时刻回归模型建模节点的包含关系决定是否重新建模，实现自适应建模定位过程。基于CC2430无线传感网络实验平台，进行了相关TL-AML方法性能实验，通过合理选取建模参数，TL-AML方法的目标定位均方根误差(RMSE)比MLE方法减小34%~37%，比LSE方法减小60%~65%。建模参数在较大范围内取值时，TL-AML方法目标定位准确度比MLE和LSE方法有明显提高。在LSSVR建模情况下，TL-AML方法目标定位耗时0.2~0.4 s，无需重复建模时，目标定位耗时减少到0.04 s。实验结果表明，TL-AML方法能够显著减小RSSI波动对目标定位结果的影响，提高目标定位准确度,减少目标定位时间，且具有较好的目标定位实时性。
无线传感器网络 目标定位 最小二乘支持向量回归机 自适应回归建模 wireless sensor network target localization Least Square Support Vector Regression(LSSVR) adaptive regression modeling
华南理工大学 机械与汽车工程学院,广东 广州 510640
针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR。根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位。对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验。结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%~43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%~48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度。
无线传感器网络(WSN) 目标定位 最小二乘支持向量回归机(LSSVR) 回归建模 wireless sensor network(WSN) target localization least square support vector regression(LSSVR) regression modeling
