✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
随着低轨卫星 (LEO) 星座的快速发展,对地面接收站的需求也日益增长。传统的接收站通常采用旋转天线,但对于 LEO 卫星来说,由于其轨道高度较低,运行速度较快,旋转天线的跟踪效率较低,且成本较高。因此,非旋转 UHF 地面站应运而生,它具有以下优势:
1. 跟踪效率高: 非旋转 UHF 地面站采用全向天线或扇形天线,可以覆盖整个天空,无需进行机械旋转,从而提高了对 LEO 卫星的跟踪效率。
2. 成本低: 非旋转 UHF 地面站无需复杂的旋转机构,结构简单,制造成本和维护成本都较低。
3. 部署灵活: 非旋转 UHF 地面站体积小巧,易于部署,可以安装在各种环境中,例如屋顶、山顶或偏远地区。
4. 抗干扰能力强: 非旋转 UHF 地面站采用全向天线,可以接收来自不同方向的信号,抗干扰能力强。
5. 适用于多种应用场景: 非旋转 UHF 地面站可用于各种应用场景,例如物联网、导航、遥感、应急通信等。
目前,非旋转 UHF 地面站技术已经取得了较大进展,一些公司已经推出了成熟的解决方案。例如,美国 Spire Global 公司推出了名为 "Lemur-2" 的非旋转 UHF 地面站,该地面站采用全向天线,可以接收来自 500 公里高度的 LEO 卫星信号。
非旋转 UHF 地面站的应用前景十分广阔,它将为 LEO 卫星星座的快速发展提供重要的基础设施支持。未来,随着技术的进一步发展,非旋转 UHF 地面站的性能将进一步提升,成本将进一步降低,应用范围也将更加广泛。
以下是一些关于非旋转 UHF 地面站的进一步讨论:
-
如何提高非旋转 UHF 地面站的接收灵敏度?
-
如何降低非旋转 UHF 地面站的成本?
-
如何将非旋转 UHF 地面站与其他地面站技术结合使用?
-
如何将非旋转 UHF 地面站应用于不同的应用场景?
这些问题都需要进一步研究和探索,以推动非旋转 UHF 地面站技术的不断发展和应用。
⛳️ 运行结果
📣 部分代码
% Script for ablation study on workspace density adaptation.
%
% Data input from "/data/" folder in ".json" format
%
% Author
% Sipu Ruan, 2023
close all; clear; clc;
add_paths()
% Name of the dataset
dataset_name = 'panda_arm';
% dataset_name = 'lasa_handwriting/pose_data';
% Robot for execution
robot_execute = {'panda_arm', 'kinovaGen3', 'ur5',...
'kukaIiwa7', 'abbYumi_right_arm', 'atlas_left_hand',...
'rethinkBaxter_right_hand', 'robotisOpenManipulator'};
% robot_execute = {'panda_arm', 'kinovaGen3', 'ur5', 'kukaIiwa7'};
demo_type = load_dataset_param(dataset_name, 5:9);
%% Run ablations for each demo type
for i = 1:length(robot_execute)
for j = 1:length(demo_type)
run_ablation(robot_execute{i}, dataset_name, demo_type{j});
end
end
function run_ablation(robot_execute, dataset_name, demo_type)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Tunable parameters
% ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
% Number of steps for interpolated trajectories
n_step = 50;
% Number of sampled end effector poses
n_state = 1e4;
% Group name: 'SE', 'PCG'
group_name = 'PCG';
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
data_folder = strcat("../data/", dataset_name, "/", demo_type, "/");
result_folder = strcat("../result/ablation/workspace_density/",...
robot_execute, "/", demo_type, "/");
mkdir(result_folder);
%% Load demo data and compute mean/covariance
argin.n_step = n_step;
argin.data_folder = data_folder;
argin.group_name = group_name;
% Compute trajectory distribution from demonstrations
filenames = dir(strcat(argin.data_folder, "*.json"));
g_demo = parse_demo_trajectory(filenames, argin);
[res_primp_no_wd.mean, res_primp_no_wd.covariance] = get_pdf_from_demo(g_demo, group_name);
%% Workspace density of the robot for execution
% Poses of distal end of each link for the manipulator
[pose_ee, mdl_execute, ee_name_execute] = generate_robot_ee_pose(n_state, robot_execute);
% Mean and covariance of the poses of each link
pdf_ee = get_pdf_from_pose(pose_ee, group_name);
pdf_ee = pdf_ee{end};
%% Ablation study
clc;
disp('Ablation study for workspace density adaptation in PRIMP')
disp(['Dataset: ', dataset_name])
disp(['Robot for execution: ', robot_execute])
disp(['Demo type: ', demo_type])
disp(['Group: ', group_name])
% Parameters
param.n_sample = 0;
param.group_name = group_name;
res_primp_no_wd.group_name = param.group_name;
res_primp.group_name = param.group_name;
% PRIMP fused with workspace density of the robot for execution
disp('Fusion with workspace density of robot arm')
primp_fused_obj = PRIMP(res_primp_no_wd.mean.matrix, res_primp_no_wd.covariance, param);
[res_primp.mean, res_primp.covariance] =...
primp_fused_obj.get_fusion_workspace_density(pdf_ee.mean, pdf_ee.cov);
%% Compute Yoshikawa manipulability measure
disp('>> Evaluation: manipulability')
metric_primp.manipulability = compute_manipulability_from_ee_pose(res_primp.mean, mdl_execute, ee_name_execute);
metric_primp_no_wd.manipulability = compute_manipulability_from_ee_pose(res_primp_no_wd.mean.matrix, mdl_execute, ee_name_execute);
%% Compute Mahalanobis distance with workspace density
disp('>> Evaluation: Mahalanobis distance with workspace density')
metric_primp.distance = compute_mahalanobis_distance(res_primp.mean, pdf_ee.mean, pdf_ee.cov, group_name);
metric_primp_no_wd.distance = compute_mahalanobis_distance(res_primp_no_wd.mean.matrix, pdf_ee.mean, pdf_ee.cov, group_name);
%% Evaluation of ablation study
% Store results as .mat file
res_filename = strcat(result_folder, "result_ablation_primp_wd.mat");
save(res_filename, "res_primp", "res_primp_no_wd", "metric_primp",...
"metric_primp_no_wd", "group_name", "pdf_ee");
% Display and store command window
diary_filename = strcat(result_folder, "result_ablation_primp_wd.txt");
if exist(diary_filename, 'file') ; delete(diary_filename); end
diary(diary_filename);
disp('===============================================================')
disp('Ablation results for workspace density adaptation in PRIMP')
disp(['Group: ', group_name])
disp('===============================================================')
disp('>>>> PRIMP with workspace density adaptation <<<<')
disp('---- Manipulability for mean trajectory ----')
disp(num2str( mean(metric_primp.manipulability, 1) ))
disp('---- Mahalanobis distance to WD for mean trajectory ----')
disp(num2str( mean(metric_primp.distance, 1) ))
disp('---------------------------------------------------------------')
disp('>>>> PRIMP (ablated) <<<<')
disp('---- Manipulability for mean trajectory ----')
disp(num2str( mean(metric_primp_no_wd.manipulability, 1) ))
disp('---- Mahalanobis distance to WD for mean trajectory ----')
disp(num2str( mean(metric_primp_no_wd.distance, 1) ))
diary off
end
🔗 参考文献
[1] 张艳磊.基于UHF卫星信号闪烁测量的低纬度电离层漂移测量[J].[2024-04-23].
[2] 何林飞,李晓飞,韩俊博.一种微纳卫星UHF地面接收设备的设计[J].电子技术应用, 2020, 46(8):4.DOI:10.16157/j.issn.0258-7998.191343.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类