电力质量问题的自动化分析方法使用基于规则的分析技术对电压和电流信号的时域和频域特性进行分类，具有高准确度。通过循环直方图检测微小信号变化，预防电力系统问题，提高传输系统的可靠性。

Sep, 2023

我们开发了机器学习方法，用于在存在突发脉冲噪声的信道中，通过状态转移矩阵的学习，实现数据驱动的栅格软符号检测，从而实现在无线数字广播系统和车载通信中的编码传输。

May, 2024

本文提出了一种新的广义线性数字自干扰消除处理方法，该方法在现实不完美射频组件的干扰下能够更有效地抑制 send/receive 芯片上形成的自干扰波形，并成功地应用于低成本的射频前端的全双工直接转换无线电收发器。

Feb, 2014

本研究通过实验识别和分离硬件缺陷，得到一个数学模型以抑制自干扰信号，在全双工 OFDM 系统中，相比现有的最先进实现，通过联合补偿 IQ 失衡和 DAC 非线性，可以获得多达 13dB 的额外抑制。

Dec, 2014

本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。

Nov, 2022

本篇研究论文提出了一种基于概率数据驱动的新方法，用于对电池电动车的行程级能量消耗进行估计，该方法综合考虑了各种车辆动力学，驾驶员行为和环境因素，采用了概率神经网络进行建模和模型不确定性测量，并有机地融合驾驶员行为因素以提高模型的准确性，在试验中取得了相对误差的均值 9.3% 的表现。

Jul, 2023

本文提出了一种基于卷积神经网络的入侵检测方法，用于检测汽车以太网中的音视频传输协议流注入攻击，并构建了物理测试平台以评估该系统，实验结果表明该方法在进行实时检测时表现出出色的性能和效率。

Feb, 2021

通过行为分析和挖掘新能源汽车的使用模式，可以识别出特定模式。对于行为指标如过载电池、低电量操作和高速驾驶对电池性能的不良影响，提出了一种环境计算建模方法来评估这些行为对城市生态的影响。通过 LSTM 模型和贝叶斯优化器对时间序列数据进行模拟扩展，揭示了不良驾驶行为对环境的负面效应。

Jun, 2024

公共交通系统延迟问题的探测方法和流处理引擎的参考架构可以在线计算显著和重复延迟，以及对有限的位置数据质量具有弹性。

Apr, 2024

对移动电话通讯事件的时间序列进行系统去季节法以去除昼夜和周活动模式的影响，发现间隔事件时间分布中的 heavy tails 仍保持稳健，这明确表明人类任务执行是时间移动电话通信模式中余下 burstiness 的一个可能原因。

Jan, 2011