欧美亚洲日韩国产网,人妻中文字幕无码系列 ,欧美精品久久久久久久一级Vā

基于改進(jìn)Faster R-CNN的面板缺陷檢測算法[其他][其他]

針對面板表面缺陷檢測存在精度低、效率低等問題，提出了一種基于Faster R-CNN的優(yōu)化缺陷檢測的算法。該方法通過在特征融合層添加不降維的局部自適應(yīng)跨通道卷積，以增加通道交叉的特征映射；且在骨干特征提取網(wǎng)絡(luò)后加入CBAM注意力網(wǎng)絡(luò)，從而捕獲特征圖的長期特征依賴關(guān)系。并分析了缺陷數(shù)據(jù)集樣本寬高比的差異性，設(shè)定錨框生成大小，結(jié)合DIoU-NMS建議框篩選機(jī)制以提升先驗(yàn)框與目標(biāo)框的匹配率。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后網(wǎng)絡(luò)模型的精確率與識別率均得到很大提升。

發(fā)表于：1/7/2022

基于動態(tài)偽裝技術(shù)的網(wǎng)絡(luò)安全防御系統(tǒng)研究[通信與網(wǎng)絡(luò)][信息安全]

伴隨著物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、移動互聯(lián)、人工智能等新技術(shù)的迅猛發(fā)展，隨之而來的安全問題也更加嚴(yán)重，越來越多的未知攻擊和未知漏洞使得傳統(tǒng)的網(wǎng)絡(luò)安全防御手段難以適應(yīng)?；趧討B(tài)偽裝技術(shù)的網(wǎng)絡(luò)安全防御系統(tǒng)原理是通過動態(tài)變化的漏洞、缺陷和后門的種類、數(shù)量和系統(tǒng)特征等元素構(gòu)建系統(tǒng)外在特征不確定性的假象，從而實(shí)現(xiàn)隱蔽真實(shí)的信息系統(tǒng)漏洞、缺陷和后門的目的。

發(fā)表于：1/7/2022

基于背景字典構(gòu)造的稀疏表示高光譜目標(biāo)檢測[其他][其他]

針對現(xiàn)有基于稀疏表示的目標(biāo)檢測算法采用同心雙窗口構(gòu)建背景字典的過程中，目標(biāo)像元將會對背景字典產(chǎn)生干擾的問題，提出基于背景字典構(gòu)造的稀疏表示高光譜目標(biāo)檢測算法。該算法將高光譜圖像分解成低秩背景和稀疏目標(biāo)，引入目標(biāo)字典作為稀疏目標(biāo)的先驗(yàn)信息，更好地分離目標(biāo)和背景，構(gòu)建純凈背景字典。通過在4個公開高光譜圖像數(shù)據(jù)集上仿真分析，證明所提出的算法具有出色的檢測性能。

發(fā)表于：1/7/2022

微流程的建模與分析[其他][其他]

業(yè)務(wù)流程管理技術(shù)是組織實(shí)施信息系統(tǒng)的重要使能技術(shù)。為確保微流程能正常運(yùn)行，提出了一種建模與分析微流程的方法。首先，該方法以Petri網(wǎng)為形式化基礎(chǔ)，對微流程以及微流程間的同步組合和異步組合進(jìn)行建模。其次，基于Petri網(wǎng)的分析技術(shù)，該方法對組合微流程進(jìn)行了合理性分析。實(shí)驗(yàn)結(jié)果表明，該方法能建模微流程，并檢測出組合微流程中因同步交互或異步交互錯誤引起的死鎖。

發(fā)表于：1/7/2022

IEEE 802.11e EDCA協(xié)議吞吐率性能分析模型[其他][其他]

對IEEE 802.11e增強(qiáng)的分布式控制接入?yún)f(xié)議進(jìn)行了詳細(xì)分析，對比分布式協(xié)調(diào)功能DCF與增強(qiáng)的分布式控制接入EDCA之間的差別，提出了一種四維馬爾科夫鏈模型，該模型將飽和條件情況和非飽和條件情況進(jìn)行統(tǒng)一。該模型不僅考慮了退避計(jì)時器凍結(jié)狀態(tài)、發(fā)送沖突狀態(tài)、最大重傳次數(shù)，還充分考慮了不同接入優(yōu)先級流的內(nèi)部沖突和TXOP傳輸。相比于二維馬爾科夫鏈模型，該模型可以準(zhǔn)確預(yù)測EDCA中不同優(yōu)先級接入流的吞吐率。最后利用仿真軟件，驗(yàn)證了飽和條件下該模型的正確性。

發(fā)表于：1/7/2022

跨社交網(wǎng)絡(luò)的同一用戶識別算法[其他][其他]

針對跨社交網(wǎng)絡(luò)的同一用戶識別問題，提出了一種綜合用戶興趣、寫作風(fēng)格和檔案屬性的識別方法。通過在這3種不同的特征維度下分別判定用戶關(guān)系，然后綜合判定結(jié)果，提高同一用戶識別準(zhǔn)確性。其中，用戶興趣分為靜態(tài)興趣和動態(tài)興趣，靜態(tài)興趣采用TextRank算法從用戶背景信息中提取，動態(tài)興趣則利用主題模型從用戶發(fā)表的文本內(nèi)容中挖掘出隨時間變化的興趣點(diǎn)。對于用戶寫作風(fēng)格則通過One-Class SVM算法進(jìn)行識別，最后利用信息熵賦權(quán)法比較用戶檔案屬性相似度。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，所提算法精確率、召回率均有所提升。

發(fā)表于：1/7/2022

基于LVDS傳輸可靠性優(yōu)化設(shè)計(jì)[其他][其他]

針對LVDS傳輸初始化建鏈過程中出現(xiàn)的首幀丟失和干擾導(dǎo)致的誤建鏈問題，對鏈路傳輸機(jī)理及穩(wěn)定性進(jìn)行分析，并從硬件與軟件兩方面進(jìn)行優(yōu)化。軟件上采取識別幀頭和發(fā)送訓(xùn)練幀的方法，改善建鏈過程；硬件上選用性能更好的隔離芯片，優(yōu)化差分端阻抗，減小干擾對數(shù)據(jù)傳輸?shù)挠绊?。?jīng)多次試驗(yàn)證明，優(yōu)化后的鏈路可實(shí)現(xiàn)480 Mb/s速率下的可靠傳輸，該優(yōu)化設(shè)計(jì)對提高LVDS鏈路傳輸穩(wěn)定性和減少誤碼方面具有很好的參考價值。

發(fā)表于：1/7/2022

純電動智能汽車制動防抱死系統(tǒng)控制邏輯研究[其他][汽車電子]

線控制動技術(shù)(Brake-by-Wire)是純電動智能汽車的關(guān)鍵技術(shù)之一。為了提高智能駕駛汽車制動的安全穩(wěn)定性，需要針對一款純電動智能汽車的制動防抱死系統(tǒng)控制邏輯進(jìn)行研究。在該方案實(shí)施前，設(shè)置合理的邏輯門限值，通過Stateflow進(jìn)行仿真實(shí)驗(yàn)?；赟imulink搭建了8自由度的車輛動力學(xué)模型，對彎道制動工況進(jìn)行仿真，通過控制車輛的橫擺力矩實(shí)現(xiàn)車輛的差動控制。通過仿真實(shí)驗(yàn)，驗(yàn)證了提出的制動防抱死系統(tǒng)控制邏輯的合理性，對后續(xù)的線控制動系統(tǒng)的研發(fā)具有指導(dǎo)意義。

發(fā)表于：1/7/2022

一種基于130 nm CMOS工藝的K波段上/下雙向混頻器[其他][其他]

基于130 nm RF CMOS工藝，提出了一種可實(shí)現(xiàn)上/下雙向變頻功能的K波段有源混頻器。當(dāng)收發(fā)機(jī)工作于接收模式時，雙向混頻器執(zhí)行下變頻功能，將低噪放大器放大后的射頻信號轉(zhuǎn)換為中頻信號；當(dāng)收發(fā)機(jī)工作于發(fā)射模式時，雙向混頻器則實(shí)現(xiàn)上變頻功能，將輸入的基帶信號轉(zhuǎn)換為射頻信號并輸出至功率放大器。后仿真結(jié)果表明，在0 dBm的本振驅(qū)動下，混頻器工作于上變頻模式時的轉(zhuǎn)換增益、噪聲系數(shù)、輸出1 dB壓縮點(diǎn)在23~25 GHz范圍內(nèi)分別為-1.1~-0.4 dB、12.9~3.3 dB、-8.2 dBm@24 GHz；工作于下變頻工作模式時的轉(zhuǎn)換增益、噪聲系數(shù)、輸入1 dB壓縮點(diǎn)在23~25 GHz范圍內(nèi)分別為2.4~3.4 dB、15.2~15.6 dB、-3.6 dBm@24 GHz?；祛l器芯片面積為0.6 mm2；在1.5 V供電電壓下，消耗功率12 mW。

發(fā)表于：1/7/2022

適用于Sigma-Delta ADC的多抽取率數(shù)字濾波器設(shè)計(jì)[其他][其他]

采用標(biāo)準(zhǔn)0.18 μm工藝，設(shè)計(jì)了一種能改變抽取率并且適應(yīng)不同信號帶寬的應(yīng)用于Sigma-Delta模數(shù)轉(zhuǎn)換器的數(shù)字抽取濾波器。該濾波器采用多級抽取，由級聯(lián)積分梳狀濾波器、補(bǔ)償濾波器和半帶濾波器組成。實(shí)現(xiàn)的數(shù)字濾波器抽取率可以在64、128、256、512中變化，并且補(bǔ)償濾波器和半帶濾波器的帶寬可調(diào)整。濾波器版圖尺寸0.6 mm×0.6 mm。在1.98 V工作電壓下，最大總功耗約為2 mW，最高信噪比達(dá)到110.5 dB。當(dāng)補(bǔ)償濾波器和半帶濾波器的通帶截止頻率根據(jù)帶寬選擇從最高降到最低時，可分別節(jié)省56%和39%的功耗；當(dāng)濾波器功耗降至最小69.63 μW時，所能處理的帶寬為390.6 Hz，信噪比為107.8 dB。

發(fā)表于：1/7/2022

基于FPGA的SiP原型驗(yàn)證平臺設(shè)計(jì)[模擬設(shè)計(jì)][其他]

隨著嵌入式系統(tǒng)小型化和模擬數(shù)字/數(shù)字模擬轉(zhuǎn)換器(ADC/DAC)性能需求的日益增長，如何在減小系統(tǒng)體積和功耗的前提下，提高ADC/DAC信號傳輸?shù)目煽啃裕黾庸δ芸膳渲眯院托盘柼幚砜芍貥?gòu)性，成為一大難題。為此，設(shè)計(jì)了一款基于FPGA的系統(tǒng)級封裝(SiP)原型驗(yàn)證平臺，該SiP基于ADC+SoC+DAC架構(gòu)，片上系統(tǒng)(SoC)內(nèi)部以PowerPC470為處理器，集成了多種通用外設(shè)接口和可重構(gòu)算法單元。

發(fā)表于：1/7/2022

HDLC數(shù)據(jù)幀并行搜幀解封裝模塊的設(shè)計(jì)與驗(yàn)證[模擬設(shè)計(jì)][其他]

HDLC信號鏈路是國際標(biāo)準(zhǔn)化組織(ISO)制定的高級數(shù)據(jù)鏈路的控制規(guī)程(High Level Data Link Control，HDLC)。遵循HDLC標(biāo)準(zhǔn)數(shù)據(jù)鏈路層規(guī)范，采用硬件描述語言Verilog HDL實(shí)現(xiàn)了一種基于并行結(jié)構(gòu)的HDLC搜幀解封裝電路，并采用System Verilog技術(shù)搭建驗(yàn)證平臺，隨機(jī)生成HDLC數(shù)據(jù)幀來驗(yàn)證設(shè)計(jì)正確性。使用Modelsim軟件仿真波形，在仿真過程中，對于凈荷區(qū)數(shù)據(jù)長度為10個字節(jié)的HDLC數(shù)據(jù)幀，解碼器電路工作完成需要16個時鐘周期，兼顧了處理速度和靈活性。使用QuartusII軟件綜合，在Altera CycloneV器件上，電路使用了8塊自適應(yīng)邏輯模塊ALM，24個寄存器，35個引腳。

發(fā)表于：1/7/2022

基于YOLOv5的姿態(tài)交互球類陪練機(jī)器人[人工智能][其他]

針對當(dāng)下球類陪練機(jī)器人人機(jī)交互能力不足的問題，提出一種基于樹莓派和YOLOv5目標(biāo)檢測算法的新型人機(jī)交互模式，使機(jī)器人實(shí)現(xiàn)前進(jìn)、后退、左移、右移、拋球、踢球6種不同的動作；通過對在3種不同環(huán)境(室內(nèi)、室外晴天、室外陰天)下搜集的人體姿態(tài)數(shù)據(jù)集進(jìn)行標(biāo)定、訓(xùn)練后，得到6種姿態(tài)在3種環(huán)境中測試集上的識別準(zhǔn)確率分別為：室內(nèi)96.33%、室外晴天95%、室外陰天94.3%。相比基于特征匹配和其他利用手勢等小目標(biāo)檢測的算法，基于該算法的機(jī)器人具有更高的檢測速度和準(zhǔn)確性，使機(jī)器人更加智能化。

發(fā)表于：1/7/2022

基于深度學(xué)習(xí)的智能垃圾分揀車系統(tǒng)[其他][其他]

針對生活垃圾的高效分類及搬運(yùn)處理，設(shè)計(jì)了一款以邊緣嵌入式AI設(shè)備Jetson Nano為控制器的光電智能小車系統(tǒng)，該系統(tǒng)設(shè)計(jì)以YOLOv5為目標(biāo)檢測算法，以Pytorch1.8.1為深度學(xué)習(xí)框架。使智能小車從指定區(qū)域出發(fā)，通過自身的光電傳感器在指定范圍內(nèi)搜尋垃圾，利用六軸機(jī)械臂對垃圾進(jìn)行分揀并送到指定分類地點(diǎn)。對采集到的5 048張圖片(包括5種垃圾類別)進(jìn)行300次的迭代訓(xùn)練，實(shí)驗(yàn)測試結(jié)果表明：平均精確度達(dá)到91.8%，準(zhǔn)確率達(dá)到94.5%，召回率達(dá)到89.03%。

發(fā)表于：1/7/2022

基于VGG16網(wǎng)絡(luò)的人臉情緒識別[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

近年來，如何通過人工智能對人的面部表情進(jìn)行識別分析成為一個研究熱點(diǎn)，利用人工智能可以快速地分析人的面部情緒，并以此為基礎(chǔ)進(jìn)行進(jìn)一步研究。在深度學(xué)習(xí)中，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)存在對面部表情特征的提取不充分以及計(jì)算機(jī)參數(shù)量較大的問題，導(dǎo)致分類準(zhǔn)確率較低。因此，提出了基于VGG16網(wǎng)絡(luò)的人臉表情識別算法，通過與InceptionV3、InceptionResNetV2、ResNet50等模型實(shí)驗(yàn)對比，結(jié)果表明，VGG16神經(jīng)網(wǎng)絡(luò)在FER2013PLUS測試數(shù)據(jù)集上的識別準(zhǔn)確率為79%，準(zhǔn)確率比傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)高。

發(fā)表于：1/7/2022