Off-Grid Direction-of-Arrival Estimation Using Second-Order Taylor Approximation
研究了离网波达方向(DOA)估计问题。我们开发了一种基于网格的方法来联合估计最近的空间频率(DOA的正弦)网格,估计网格和相应的频率之间的差距。通过使用二阶泰勒近似,联合稀疏表示的框架下的数据模型制定。我们指出了一个重要的属性的模型中的感兴趣的信号,即比例关系,这是经验证明是有用的意义上,它增加了混合矩阵满足块限制等距属性的概率。仿真实例表明了该方法的有效性和优越性,对几个国家的最先进的基于网格的方法。
2022-02-26 eess.SP
ADMM for ND Line Spectral Estimation using Grid-Free Compressive Sensing from Multiple Measurements with Applications to DOA Estimation
本文研究了从线性压缩测量中估计未知多维频率的问题。这是通过采用最近提出的原子范数最小化框架,以恢复这些频率下的稀疏性之前,而不施加任何网格限制这些频率。为此,我们给出了一个严格的推导迭代方案称为交替方向的乘法器的方法,这是能够将多个压缩快照从多维叠加的复谐波。这里的关键结果是如何用公式表示由该方案最小化的目标函数及其偏导数,如果频率的维数大于1,则难以管理。此外,我们证明了这种方法的性能的情况下,3D线谱估计和二维DOA估计与合成天线阵列。
2018-11-05 eess.SP
Going Below and Beyond, Off-the-Grid Velocity Estimation from 1-bit Radar Measurements
在本文中,我们提出了使用极低分辨率的1位测量和估计目标的参数之间的差距,如它们的速度,存在于一个连续体,即,通过执行离网估计。为此,修改了正交匹配追踪(COMP)的连续版本,以便利用来自简单多普勒雷达的1位测量。使用蒙特卡罗模拟,我们表明,虽然收购的分辨率显着降低,多个目标的速度估计仍然可以实现,并达到超越经典的网格方法的性能。此外,我们的经验表明,增加一个随机和均匀的抖动量化前是必要的,当估计多个目标。
2020-11-10 eess.SP
Gridless Multisnapshot Variational Line Spectral Estimation from Coarsely Quantized Samples
由于对低功耗和高采样率的要求越来越高,用于数据采集的低分辨率量化近年来引起了极大的关注。因此,基于粗量化样本的多测量矢量(MMVs)线性谱估计(LSE)在毫米波雷达系统的距离估计和DOA估计等前沿阵列信号处理应用中具有重要意义。本文将低复杂度的无网格变分线性谱估计(VALSE)和期望传播(EP)相结合,提出了一种MVALSE-EP算法,用于粗量化样本的频率估计。此外,CramérRao界(CRB)推导出所提出的算法的基准性能,并提供见解,以揭示系统参数对估计性能的影响。结果表明,快拍有利于频率估计,特别是在粗量化的情况下。数值实验表明,MVALSE-EP的有效性,包括实际数据集。
2022-06-07 eess.SP
A Novel Gradient Descent Least Squares (GDLS) Algorithm for Efficient SMV Gridless Line Spectrum Estimation with Applications in Tomographic SAR Imaging
本文提出GDLS算法,将SMV无网格线谱估计转化为最小二乘问题并用梯度下降迭代求解,以低于ANM的复杂度避免离网问题,并在TomoSAR成像中验证了性能。
2022-04-27 eess.SP
Channel Estimation in mmWave Hybrid MIMO System via Off-Grid Dirichlet Kernels
在本文中,我们解决了信道估计毫米波混合多输入多输出系统考虑离网效应。特别是,我们假设空间参数可以在角度域中取任何值,并且不需要落在预定义的离散角度上。我们没有增加离散化点的数量来对抗离网效应,而是在傅立叶域中使用隐式Dirichlet核结构,这是传统的压缩感知方法所不使用的。我们提出了基于正交匹配追踪(OMP)的贪婪低复杂度算法,我们的核心思想是使用离散傅里叶变换的估计来遍历狄利克雷核峰值。我们证明了我们提出的算法相比,标准的OMP重建的有效性。数值结果表明,我们提出的算法获得较小的重建误差时,离网效应占。
2019-07-09 eess.SP
CGFormer: A Cross-Attention Based Grid-Free Transformer for Radio Map Estimation
George Mason University(乔治梅森大学);Georgia State University(佐治亚州立大学);Virginia Tech(弗吉尼亚理工大学)
本文提出了一种基于交叉注意力的无网格变压器模型,用于无线电地图估计,通过引入轻量级空间嵌入模块和交叉注意力机制,有效降低RMSE,优于传统网格基和无网格基方法。
2026-03-22 eess.SP
Semi-Gridless Variational Bayes Channel Estimation in XL-MIMO: Near-Field Modeling and Inference
San Diego State University(圣地亚哥州立大学);University of California, San Diego(加州大学圣地亚哥分校)
本文提出了一种基于变分贝叶斯推理的半无网格信道估计方法,用于XL-MIMO系统中的近场建模与推断,提升了信道重建精度和估计性能。
2026-02-25 eess.SP
Off-Grid Aware Channel and Covariance Estimation in mmWave Networks
亚6 GHz频谱的频谱稀缺性使得毫米波(mmWave)频段成为下一代无线网络的关键组成部分。虽然毫米波频谱提供了极大的传输带宽来适应不断增长的数据速率,但这种新频谱的独特特性需要特别考虑,以实现承诺的网络吞吐量。在这项工作中,我们考虑了毫米波通信的离网问题,这对涉及波束转向和跟踪的基本网络功能有重大影响。在采用离散化方法表示角域的压缩感知(CS)技术中,离网效应自然出现。这种方法产生有限的离散角点集,这些角点是对连续角空间的逼近,从而降低了相关参数估计的准确性。为了应对离网效应,我们提出了一种新的参数扰动框架,以有效地估计毫米波网络的信道和协方差。所提出的算法采用智能扰动机制结合低复杂度贪婪框架的同时正交匹配追踪(SOMP),并共同解决离网参数和权重。数值结果表明,通过我们的新框架作为处理离网效应的结果,这是完全忽略了在传统的稀疏毫米波信道或协方差估计算法的显着性能改善。
2019-07-09 eess.SP
Joint Phase Noise and Off-Grid Channel Estimation for AFDM Systems via Sparse Bayesian Learning
School of Cyber Science and Engineering, Huazhong University of Science and Technology(华中科技大学网络空间安全学院);School of Computer Science and Electronics Engineering, University of Essex(埃塞克斯大学计算机科学与电子工程学院)
本文提出基于稀疏贝叶斯学习的联合相位噪声与信道估计方法,通过降维子空间投影和动态网格演化策略,有效解决高SNR下的误差地板问题,提升NMSE和BER性能。
2026-04-20 eess.SP
State Estimation for Future Energy Grids
当今的发电和配电网络正迅速向可再生资源的自动化控制和集成发展--这是一个复杂的集成系统,称为智能电网。状态估计是智能电网规划和管理中的一个关键环节。当今最先进的SE技术基于当前网络的缓慢变化的动态来操作,并且进行简化的线性假设。然而,智能阅读器和绿色资源的整合将导致网络的显著非线性和不可预测性。因此,在未来的智能电网中,需要更加精确和实时的算法。在这项工作中,我们提出并研究了新的SE方法,其目的是通过近似状态变量的真实分布来实现这些措施,而不是线性化版本,例如在卡尔曼滤波中。通过模拟,我们表明,在非线性和非高斯噪声的存在下,我们的一般SE框架提高了精度,线性和卡尔曼滤波器表现出受损的性能。
2019-12-30 eess.SP
Grid Hopping: Accelerating Direct Estimation Algorithms for Multistatic FMCW Radar
本文提出grid hopping信号处理技术,通过插值策略在保持性能的同时显著降低多站FMCW雷达直接估计算法的计算时间,并通过实际雷达测量验证了其有效性。
2023-07-31 eess.SP
Target Induced Angle Grid Regularized Estimation for Ghost Identification in Automotive Radar
The Pennsylvania State University(宾夕法尼亚州立大学)
TIGRE算法通过引入物理启发的正则化器,提高低信噪比环境下汽车雷达鬼影目标识别的鲁棒性。
2026-02-11 eess.SP
Combined Transmission and Distribution State-Estimation for Future Electric Grids
随着配电网络上的网格资源的扩散以及无法准确预测它们,将使现有的网格操作和控制方法在未来变得站不住脚。相反,一个更分布式但协调的方法,网格操作和控制将出现,模型和分析网格具有更大的足迹和更深的层次结构,统一控制不同的T&D网格资源下一个共同的框架。这种方法将需要联合T&D网络的AC状态估计(ACSE)。目前,还没有实现组合T&D ACSE的实用方法。本文从电路理论的角度来解决这一差距,通过实现一个组合的T&D ACSE解决方案的方法,是快速,凸和强大的对坏数据。为了解决问题规模(百万+变量)和数据隐私的艰巨挑战,该方法分布在内存和计算资源中。为了保证及时收敛,该方法构造了一个分布式电路模型的组合T&D网络,并利用节点撕裂技术的有效并行。为了证明该方法的有效性,组合T&D ACSE算法运行在大型测试网络,包括多个T&D馈线。结果反映了均方根误差和算法的可扩展性方面的挂钟时间的估计的准确性。
2021-09-20 eess.SP
Gridless Line Spectral Estimation with Multiple Measurement Vector via Variational Bayesian Inference
利用变分贝叶斯方法研究了多快拍样本的线性谱估计问题。受最近提出的单快拍变分线谱估计(VALSE)方法的启发,本文提出了多快拍变分线谱估计(MVALSE)方法,该方法对阵列处理具有重要意义。MVALSE具有VALSE方法的优点,如自动估计模型阶数、噪声方差和权重方差,以及频率后验概率密度函数(PDF)的封闭形式更新。MVALSE通过使用多个快照来提高恢复性能,并自然地编码先验分布。最后,数值结果表明,竞争力的性能MVALSE相比,国家的最先进的方法。
2018-11-28 eess.SP
A Gridless Compressive Sensing Based Channel Estimation for Millimeter Wave Massive MIMO Systems from 1-Bit Measurements
研究了基于1比特量化测量的稀疏毫米波(mmWave)大规模多输入多输出(MIMO)OFDM信道估计问题。与以前的量化网格上的方法压缩感知,我们介绍了一个离网格凸方案,使用二进制原子范数最小化(BiANM)估计稀疏信道形式的1位测量。此外,在本文中,我们提出了一个解耦的角度延迟版本的BiANM称为解耦二进制原子范数最小化(DeBiANM),以降低复杂性。此外,为了提高估计的准确性,我们开发了重新加权版本的BiANM命名为重新加权二进制原子范数最小化(ReBiANM),这是原子$\ell_0$范数和原子$\ell_1$范数之间的权衡。此外,为了提高性能的DeBiANM,我们介绍了重新加权版本的DeBiANM,称为重新加权解耦二进制原子最小化(ReDeBiANM)。最后,通过仿真结果,对所提方法的性能进行了研究。
2020-03-18 eess.SP
Off-Grid DOA Estimation Using Sparse Bayesian Learning in MIMO Radar With Unknown Mutual Coupling
在实际的多天线雷达中,天线的非理想性会降低系统的性能。研究了天线间互耦效应未知的多输入多输出(MIMO)雷达系统的波达方向(DOA)估计问题。为了利用目标在空间域的稀疏性,基于压缩感知(CS)的方法通过对检测区域进行离散化并构造字典矩阵来实现,因此离散化过程会导致\emph{off-grid}间隙。与现有的DOA估计方法不同,本文同时考虑了稀疏采样引起的离网间隙和天线间未知的互耦效应,建立了一种新的稀疏系统DOA估计模型。然后,提出了一种基于稀疏贝叶斯学习的互耦稀疏贝叶斯学习方法(sparse Bayesian learning with the mutual coupling,SBLMC),该方法基于期望最大值(expectation-maximum,EM)方法对噪声方差、互耦向量、离网向量和散射系数方差向量等未知参数进行估计。此外,所有未知参数的先验分布的理论推导。对于未知互耦效应的MIMO雷达,SBLMC方法在保持可接受的计算复杂度的同时,其DOA估计性能优于现有方法。
2022-03-19 eess.SP
Off-Grid Aware Spatial Covariance Estimation in mmWave Communications
研究了毫米波混合多输入多输出(MIMO)系统中的空间协方差矩阵估计问题,重点研究了基失配效应。在采用离散化处理的压缩感知(CS)方案中,基失配是普遍存在的。在这种方法中,算法产生一个有限的离散点,这是一个近似的连续参数空间。这种近似的质量取决于字典中离散点的数量。而不是增加离散点的数量来对抗这种离网效应,我们提出了一个有效的参数扰动框架,它使用了一个控制扰动机制,结合正交匹配追踪(OMP)算法。数值结果验证了我们提出的算法在相对效率度量方面的性能改善,这基本上是由于在传统CS算法中忽略了离网效应。
2019-12-07 eess.SP
Gridless Parameter Estimation for One-Bit MIMO Radar with Time-Varying Thresholds
本文研究了一比特MIMO(1b-MIMO)雷达,该雷达在时域采用时变门限进行一比特采样,在空域和多普勒域采用压缩感知。目标是显著降低硬件成本、能耗和存储数据量。本文研究了从含噪的1比特数据中进行角度和多普勒频率联合估计的问题。通过证明噪声对1比特采样的影响相当于稀疏脉冲扰动的影响,我们提出了1比特$\ell_1$ -正则化原子范数最小化(1b-ANM-L1)问题,以实现高精度的无网格参数估计.我们还开发了一个迭代方法,通过交替方向法的乘子求解1b-ANM-L1问题。分析了1b-MIMO雷达的Cram $\acute{\text{e}}$ r-Rao界(CRB),讨论了两种不同门限策略下1比特采样的分析性能。数值实验表明,1b-MIMO雷达可以实现高分辨率的参数估计与大大减少的数据量。
2020-02-07 eess.SP
Joint Beamforming Design and 3D DoA Estimation for RIS-aided Communication System
在本文中,我们考虑了一个可重构智能表面(RIS)辅助的三维波达方向(DoA)估计系统,其中均匀平面阵列(UPA)RIS部署提供虚拟视线(LOS)链路和反射上行链路导频信号到传感器。为了克服RIS波束形成设计和DoA估计之间的相互耦合问题,我们探索了可分离的稀疏表示结构,并提出了一种交替优化算法。基于网格的DOA估计被建模为一个考虑网格偏差的联合稀疏恢复问题,联合2D-OMP方法被用来估计网格上和离网部分。相应的Cramér-Rao下界(CRLB)推导出评估的估计。然后,在RIS的波束图进行优化,以最大化的信号噪声(SNR)在传感器根据估计的角度。数值结果表明,与随机波束形成设计的基准相比,所提出的交替优化算法可以实现更低的估计误差。
2022-11-03 eess.SP
FDD Massive MIMO Channel Estimation with Arbitrary 2D-Array Geometry
研究了频分双工(FDD)大规模多输入多输出(MIMO)系统下行链路信道估计问题。现有的方法通常利用离散傅里叶变换(DFT)基下的隐藏稀疏性来估计下行链路信道。然而,这些基于DFT的方法至少存在两个缺点:1)它们仅适用于均匀线性阵列(ULA),因为DFT基要求ULA的特殊结构,以及2)它们总是遭受由于在一些DFT仓上的能量泄漏而导致的性能损失。针对上述不足,本文提出了一种基于任意二维阵列天线的下行信道稀疏表示的离网模型,并提出了一种有效的稀疏贝叶斯学习(SBL)方法,用于稀疏信道恢复和离网细化。提出的离网方法的主要思想是考虑采样的网格点作为可调参数。利用不精确块优化最小化(MM)算法,网格点迭代细化,以最大限度地减少离网间隙。最后,我们进一步扩展的解决方案,上行链路辅助信道估计,利用下行链路和上行链路信道之间的角度互易性,这带来了增强的恢复性能。
2018-02-24 eess.SP
Data-aided Channel Estimation and Sensing With Sparse Bayesian Learning for AFDM-ISAC System
Nanyang Technological University(南洋理工大学);AUMOVIO-NTU Corporate Lab, Nanyang Technological University(奥莫维欧-南洋理工大学联合实验室);University of California, Irvine(加州大学尔湾分校);AUMOVIO Germany GmbH(德国奥莫维欧有限公司)
针对AFDM-ISAC系统在双色散信道中提高频谱效率与获取准确参数的挑战,提出数据辅助网格演化稀疏贝叶斯学习方案,含高效迭代接收机、网格演化程序及低复杂度算法,数值结果验证了方案有效性与优越性。
2026-07-22 eess.SP
Resilient Temporal GCN for Smart Grid State Estimation Under Topology Inaccuracies
University of South Florida(南佛罗里达大学)
本文针对电力系统状态估计中拓扑信息不准确的问题,提出在时序图卷积网络中融入基于量测数据生成的知识图谱,并设计了两种架构变体,以提升模型在拓扑不确定性下的状态估计性能与弹性。
2024-10-21 cs.AI cs.LG eess.SP
Enhancing Off-Grid One-Bit DOA Estimation with Learning-Based Sparse Bayesian Approach for Non-Uniform Sparse Array
本文提出一种学习型稀疏贝叶斯框架,利用展开神经网络自主学习超参数,在单快照一比特离网DOA估计中兼顾精度与效率,适用于均匀及非均匀稀疏阵列。
2024-12-14 eess.SP stat.ML
Underdetermined DOA Estimation of Off-Grid Sources Based on the Generalized Double Pareto Prior
针对欠定场景下DOA估计的网格失配等问题,提出基于GDP先验的GDPOGSBL方法,结合泰勒展开建模与网格细化,提升了粗网格、少快拍条件下的估计性能。
2024-05-17 cs.IT eess.SP math.IT
Joint Block Low Rank and Sparse Matrix Recovery in Array Self-Calibration Off-Grid DoA Estimation
这封信解决了阵列校准误差和离网方向存在的情况下,使用稀疏模型的传感器阵列的到达方向(DoA)的估计。所接收的信号利用先前使用的用于校准中的未知误差的模型和离网效应的结构化线性表示。一个凸优化问题,制定了一个目标函数,以促进两层联合块稀疏与其二阶锥规划(SOCP)表示。通过数值模拟证明了所提出的方法的性能,并与Cramer-Rao界(CRB),和几个以前提出的方法进行了比较。
2019-06-03 cs.IR eess.SP math.OC
Gridless Variational Bayesian Channel Estimation for Antenna Array Systems with Low Resolution ADCs
采用低分辨率模数转换器(ADC)与接收机处的大型天线阵列耦合在毫米波(mm波)系统中引起了相当大的兴趣。由于毫米波信道在角度维度上是稀疏的,因此利用该结构可以减少测量的数量,同时实现可接受的性能。基于变分贝叶斯线性谱估计(VALSE)算法将角度视为随机参数的思想,针对以往算法将估计局限于栅格角度点集而导致栅格失配的问题,提出了一种适用于低分辨率ADC天线阵列系统的无栅格量化变分贝叶斯信道估计(GL-QVBCE)算法。数值结果表明,与传统的最小二乘(LS)方法相比,GL-QVBCE的性能明显提高,且渐近逼近CramèrRao界(CRB).
2019-06-03 cs.IT eess.SP math.IT
Greedy Placement of Measurement Devices on Distribution Grids based on Enhanced Distflow State Estimation
近年来,对提高中低压配电网可观测性的需求显著增加。在本文中,我们专注于实用的方法来放置负担得起的测量设备(MD),这是提供三相电压,电流和功率测量具有一定的精度水平。布局过程由状态估计算法和贪婪布局方案组成。所提出的状态估计算法是基于Distflow模型,增强以考虑分流元件(例如,电缆电容),这在具有地下电缆的低压网络中不可忽略。贪婪的布局方案制定,使它找到的位置,同时满足一定的网格可观测性限制的最小所需数量的MD。这些限制被定义为状态估计结果的准确性方面的电压幅值和线电流在所有节点和线路,分别。建议的布局程序的有效性已被验证的10个中压节点和75个低压节点,其拓扑结构和参数可从瑞士日内瓦市的配电系统运营商(DSO)的一个现实的测试网格。
2020-07-29 eess.SP math.OC
Joint CFO, Gridless Channel Estimation and Data Detection for Underwater Acoustic OFDM Systems
本文提出了一种基于无网格变分贝叶斯线性谱估计(VALSE)的迭代接收机JCCD-VALSE,它利用\emph{j}精确地估计出\emph{c}的载波频偏(CFO)和高分辨率的\emph{c}信道,并进行\emph{d}数据译码。基于模块化的思想,以高分辨率、低复杂度的无网格VALSE算法为出发点,设计了VALSE模块、最小均方误差(MMSE)模块和解码模块。在模块之间交换软信息,以逐步提高信道估计和数据解码精度。由于信道的多径时延被视为连续的参数,而不是在一个网格上,泄漏效应被避免。此外,该方法是一个更完整的贝叶斯方法,因为所有的滋扰参数,如噪声方差,先验分布的信道的参数,路径的数量自动估计。数值仿真和海测试数据表明,该方法的性能明显优于现有的基于网格的广义近似消息传递(GAMP)的\emph{j}点\emph{c}信道和\emph{d}数据解码方法(JCD-GAMP).此外,它还验证了联合处理,包括CFO估计提供性能增益。
2021-07-15 cs.IT eess.SP math.IT
Physics-Informed Deep Neural Network Method for Limited Observability State Estimation
Columbia University(哥伦比亚大学);Tel Aviv University(特拉维夫大学);National Renewable Energy Laboratory(国家可再生能源实验室)
为了确保最佳和可靠的电网运行,关于电网状态的精确知识是重要的。具体而言,了解配电网的状态变得越来越重要,因为更多的可再生能源直接连接到配电网中,增加了注入功率的波动。在本文中,我们考虑的情况下,配电网成为部分可观测的,和状态估计问题是欠定的。我们提出了一种新的方法,利用深度神经网络(DNN)来估计网格状态。标准DNN训练方法被修改为显式地包含电网拓扑和线路/并联导纳的物理信息。我们表明,我们的方法导致一个优越的精度的估计相比,没有物理信息时提供的情况下。最后,我们比较了我们的方法的性能标准的状态估计的方法,这是基于加权最小二乘与伪测量,并表明我们的方法执行显着更好的估计精度。
2020-02-16 cs.LG cs.SY eess.SP
Maximum Likelihood-based Gridless DoA Estimation Using Structured Covariance Matrix Recovery and SBL with Grid Refinement
研究线谱与波达方向估计问题,提出基于MLE和SBL的网格无关参数估计方法,通过结构化协方差矩阵恢复与网格细化技术,显著提升了在少快拍、相关源等复杂条件下的鲁棒性与可识别性。
2022-10-07 cs.IT eess.SP math.IT
Lagrangian Grid-based Estimation of Nonlinear Systems with Invertible Dynamics
Univ. of West Bohemia in Pilsen(比尔森西波希米亚大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Kangwon National Univ.(江原国立大学);Seoul National Univ.(首尔国立大学)
本文提出一种基于拉格朗日网格的非线性滤波器,通过降低计算复杂度并保持原有优势,提升非线性系统状态估计的效率与精度。
2026-01-12 cs.SY eess.SP eess.SY
Single-Snapshot Gridless 2D-DoA Estimation for UCAs: A Joint Optimization Approach
School of Electrical and Computer Engineering, College of Engineering, University of Tehran(电气与计算机工程学院,工程学院,德黑兰大学)
针对均匀圆形阵列单快拍二维DOA估计难题,提出联合估计流形变换矩阵与方位-俯仰角的统一优化框架,并用iALM高效求解,实现鲁棒高分辨率无网格估计。
2025-09-27 cs.IT cs.LG eess.SP
Real Time State Estimation of Power Grids Using Convolutional Neural Networks and State Forecasting Via Recurrent Neural Networks
电网在向家庭、工业和其他需要电能的地方输送电能方面发挥着非常重要的作用。由于需求的增加,电网面临着电压变化的巨大挑战。这是由于各种能源消耗设备和电器的使用,如电动汽车,工业消费,能源需求的偶尔高峰等,对于这些需求的波动,监控电网运行的条件变得非常重要。一旦知道这些条件,就可以操纵能源生产来满足需求。现有的电力系统状态估计(PSSE)技术在产生最优性能方面可能并不好。此外,它们在计算处理方面也是昂贵的。为了解决这个问题,本研究提出了一种基于卷积神经网络(CNN)的电网状态估计方法。结果发现,该模型产生的RMSE为2.57 x 10-4,这比使用Prox线性模型(2.97 x 10-4)进行估计所涉及的先前研究之一相对准确。此外,研究还提出了电力系统状态预测,以提高系统的意识和弹性。预测采用递归神经网络(RNN)模型。该模型有助于解释数据中存在的长期非线性方面,并在此基础上进行预测。所提出的模型预测的RMSE为2.53 x 10-3,与上述先前的研究(2.59 x 10-3)相当。
2021-06-19 cs.SY eess.SP eess.SY