配电台区全业务标签体系与业务场景画像分析

来源 :信息技术 | 被引量 : 0次 | 上传用户:xiaoxiaodeai1002
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对现有技术台区信息采集效果不佳、台区特征识别能力差等问题,提出了新型的配电台区信息分析方法。该方法采用配电台区全业务标签体系构架实现多源数据融合和构建,通过配网台区画像架构设计,构建出新型的资产设备管理的周期画像。以营配业务为核心建立台区标签体系,实现各种问题分析的模型架构,并借助于标签化识别方式实现台区特征信息的识别。该研究还通过融合多维类别特征识别的方式进行业务场景画像分析,实现复杂维度业务场景画像构建。试验表明,该研究的方法误差精度低,提高了配电台区全业务管理能力。
其他文献
随着毫米波及大规模天线阵列技术在5G中使用,波束赋形算法复杂度、射频端器件数量都随之飙升,导致实际应用成本过高,模数混合天线阵列是降低大规模天线阵列硬件复杂度的一种解决方案。但常用的波束赋形算法无法直接应用于模数混合天线阵列结构,故文中提出了一种模数混合天线阵下的鲁棒MVDR波束形成器,可以很好地对抗实际场景下各类加性误差所造成的算法性能退化。通过仿真试验,文中提出的模数混合天线阵下的鲁棒MVDR波束形成器性能不劣于纯数字天线阵列下的鲁棒MVDR波束形成器,且在高信噪比条件下,输出SINR较纯数字天线阵列
摘要:本文提出,技术革命和社会变革相互作用,协同推动社会进步,高等教育在线教学对技术的认识需要实现技术哲学对技术约束的超越、从技术工具观中抽离。在线教学的一个基本特征是大规模复杂教育,如何解决个性化学习趋势和大规模培养需求之间的矛盾,是服务未来社会的高等教育的困惑之一,这也是传统教学中难以实现兼顾融合的痛点,而依托新技术的在线教学为此提供新的融合解决途径:5G通信技术优化云端多元学习场景体验、教育
通过将函数迭代积分和切比雪夫多项式结合,iNavFIter算法首次将运动不可交换性误差降低到了机器截断误差级别,为新一代高精度或高动态惯性导航系统奠定了算法基础。文中利用了FPGA并行度高、灵活性强的特点,在硬件上对iNavFIter算法进行了实现,并对算法的时序和资源利用率进行了优化。该设计使用Xilinx的Kintex-7型号FPGA开发板,将算法打包成IP核部署到FPGA上,并通过以太网与上位机进行通信,接收上位机发送的陀螺加速度计数据,并将解算结果发送给上位机进行结果展示。惯导仿真数据表明,设计的