123,123,123

基于偽觸發(fā)詞的并行預(yù)測篇章級事件抽取方法[人工智能][消費電子]

篇章級事件抽取一般將事件抽取任務(wù)分為候選實體識別、事件檢測和論元識別3個子任務(wù)，然后采用級聯(lián)的方式依次進行，這樣的方式會造成誤差傳遞；另外，現(xiàn)有的大多數(shù)模型在解碼事件時，對事件數(shù)量的預(yù)測隱含在解碼過程中，且只能按照預(yù)定義的事件順序及預(yù)定義的角色順序預(yù)測事件論元，使得先抽取的事件并沒有考慮到后面抽取的事件。針對以上問題提出一種多任務(wù)聯(lián)合的并行預(yù)測事件抽取框架。首先，使用預(yù)訓(xùn)練語言模型作為文檔句子的編碼器，檢測文檔中存在的事件類型，并使用結(jié)構(gòu)化自注意力機制獲取偽觸發(fā)詞特征，預(yù)測每種事件類型的事件數(shù)量；然后將偽觸發(fā)詞特征與候選論元特征進行交互，并行預(yù)測每個事件對應(yīng)的事件論元，在大幅縮減模型訓(xùn)練時間的同時獲得與基線模型相比更好的性能。最終事件抽取結(jié)果F1值為78%，事件類型檢測子任務(wù)F1值為98.7%，事件數(shù)量預(yù)測子任務(wù)F1值為90.1%，實體識別子任務(wù)F1值為90.3%。

發(fā)表于：4/29/2024 1:10:00 PM

基于改進AOD-Net的圖像去霧算法[模擬設(shè)計][工業(yè)自動化]

為了更好解決圖像去霧后顏色失真、去霧不徹底和耗時等問題，提出了一種基于改進AOD-Net的圖像去霧算法。首先，在原有的卷積模塊中引入殘差連接，并保留了第二個特征融合層第一層的特征信息，以增強網(wǎng)絡(luò)的特征提取能力。其次，在第三個特征融合層后引入注意力模塊，強化霧圖中的關(guān)鍵特征信息，抑制無關(guān)背景干擾。最后，采用新的復(fù)合損失函數(shù)進行訓(xùn)練。實驗結(jié)果表明，改進算法在公共數(shù)據(jù)集上的峰值信噪比提高了3.8 dB，結(jié)構(gòu)相似性達到了93.6%。相較于其他去霧算法，該算法在去霧精度和處理效率方面均表現(xiàn)出色。

發(fā)表于：4/29/2024 1:10:00 PM

超融合架構(gòu)下電力通信網(wǎng)絡(luò)管理故障研究分析[通信與網(wǎng)絡(luò)][智能電網(wǎng)]

現(xiàn)網(wǎng)中的新舊設(shè)備共存、新老版本并存等實際情況，不同廠家網(wǎng)管平臺的接口開放性、接口協(xié)議等差異性，給電力通信網(wǎng)絡(luò)的有效管理帶來了困難，尤其是更容易造成故障的頻繁發(fā)生?；诓煌W(wǎng)絡(luò)設(shè)備的融合電力通信網(wǎng)絡(luò)管理系統(tǒng)的核心技術(shù)，分析現(xiàn)有各類系統(tǒng)的部署環(huán)境，并對不同品牌廠商網(wǎng)管系統(tǒng)的網(wǎng)元管理模式、相關(guān)通信協(xié)議互通的可能性進行了分析，進而提出了一種新的電力通信網(wǎng)絡(luò)管理故障控制策略，以盡可能地避免故障的發(fā)生，并隨后對已發(fā)生故障作最優(yōu)的處理，經(jīng)實驗驗證，可有效避免故障的發(fā)生。

發(fā)表于：4/29/2024 1:10:00 PM

基于電流場的陣列極板水下通信系統(tǒng)仿真分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

電流場通信是一種無線通信技術(shù)，通過傳導(dǎo)電流在水體中傳播。傳統(tǒng)的水下電磁波通信存在信號衰減大、天線復(fù)雜、架設(shè)困難等問題。因此，結(jié)合電流場水下傳播理論，提出了一種基于陣列極板的水下通信系統(tǒng)。使用有限元軟件Comsol建立了陣列極板電場模型，并通過頻域分析模擬了1×4陣列切面的電場和電勢分布。同時，在1×4陣列和1×2陣列之間進行了信號接收效果的對比。在此基礎(chǔ)上，分析了6組正負極接線方式對信號接收強度的影響。瞬態(tài)時域分析則用于模擬輸入輸出波形的變化。實驗證明，在不增加發(fā)射功率的條件下，通過增加陣列排布數(shù)量，可以有效提高通信效果。同時，傳輸過程中信號波形基本保持不變，無相位偏移，從而證明了陣列極板水下通信的可行性。研究結(jié)果為新型電流場水下通信系統(tǒng)的建立提供了理論基礎(chǔ)。

發(fā)表于：4/29/2024 1:10:00 PM

基于系統(tǒng)級封裝的RISC-V電路設(shè)計與實現(xiàn)[模擬設(shè)計][工業(yè)自動化]

為滿足電子系統(tǒng)在性能、功耗、體積、重量和國產(chǎn)化等方面的需求，設(shè)計了一款基于系統(tǒng)級封裝技術(shù)的RISC-V電路。該電路以采用自主指令集架構(gòu)和國內(nèi)工藝的處理器為核心，并集成了國產(chǎn)外圍電路，實現(xiàn)了一款完全自主創(chuàng)新的、具備常用控制與通信接口的微系統(tǒng)電路。經(jīng)過測試與驗證，該電路各項功能和性能均達到設(shè)計指標(biāo)，有效地提高了功能密度，很好地滿足了電子系統(tǒng)在小型化、輕量化和低功耗等方面的需求。

發(fā)表于：4/29/2024 1:10:00 PM

一種寬輸入范圍高PSR帶隙基準電路設(shè)計[微波|射頻][通信網(wǎng)絡(luò)]

從DC-DC芯片電路的實際設(shè)計需求出發(fā)，設(shè)計了一款輸入電壓范圍在2.5~15 V的帶隙基準電路。通過預(yù)調(diào)節(jié)電路的設(shè)計，帶隙基準核輸出的基準電壓轉(zhuǎn)化為一個穩(wěn)定的電流源，形成的負反饋結(jié)構(gòu)給帶隙基準核自身提供供電電壓，提高了電源電壓范圍上限；通過電壓選擇電路，在電源電壓低于5 V時使帶隙基準核直接由電源電壓供電，拓寬了電源電壓范圍的下限。同時，預(yù)調(diào)節(jié)電路和帶隙基準核中共源共柵結(jié)構(gòu)為電路帶來了良好的電源抑制特性。設(shè)計基于0.25 μm BCD工藝，完成了原理圖、版圖設(shè)計以及仿真，結(jié)果表明設(shè)計在-55 ℃~125 ℃的溫度范圍內(nèi)，可以輸出穩(wěn)定的0.8 V電壓，溫度系數(shù)為7.78 ppm/℃；低頻條件下PSR達到159 dB，線性調(diào)整率為0.001 2%。

發(fā)表于：4/29/2024 1:10:00 PM

一種SSD主控芯片數(shù)據(jù)加解密模塊的設(shè)計與驗證[模擬設(shè)計][信息安全]

為了增強固態(tài)硬盤（Solid State Disk， SSD）的數(shù)據(jù)安全，介紹了SSD主控芯片中一種滿足《安全芯片密碼檢測準則》二級要求設(shè)計的數(shù)據(jù)SM4加解密模塊。另外，為了驗證模塊設(shè)計的正確性，介紹了基于通用驗證方法學(xué)（Universal Verification Methodology， UVM）設(shè)計的自動化驗證平臺，以設(shè)計功能點和代碼覆蓋率為衡量指標(biāo)，數(shù)據(jù)加解密模塊被該驗證平臺較充分地驗證，最終達到片上系統(tǒng)（System on Chip， SoC）的流片交付標(biāo)準。

發(fā)表于：4/29/2024 1:10:00 PM

TSN時間敏感網(wǎng)絡(luò)幀搶占的研究與電路實現(xiàn)[模擬設(shè)計][通信網(wǎng)絡(luò)]

時間敏感網(wǎng)絡(luò)（Time Sensitive Network， TSN）是一種新型網(wǎng)絡(luò)技術(shù)，在傳統(tǒng)的以太網(wǎng)技術(shù)基礎(chǔ)上，對關(guān)鍵數(shù)據(jù)的實時性、可靠性和安全性方面進行了增強，可滿足工業(yè)互聯(lián)網(wǎng)、自動駕駛、醫(yī)療健康等領(lǐng)域的需求。針對TSN中的幀搶占技術(shù)進行了研究分析，實現(xiàn)了幀搶占電路。作為TSN網(wǎng)絡(luò)交換芯片的重要部分，實現(xiàn)了TSN幀搶占等芯片實現(xiàn)的自主創(chuàng)新，在相關(guān)時間敏感領(lǐng)域具有較好的應(yīng)用價值。

發(fā)表于：4/29/2024 1:10:00 PM

融合蛋白質(zhì)語言模型與深度神經(jīng)網(wǎng)絡(luò)的植物蛋白質(zhì)相互作用預(yù)測研究[模擬設(shè)計][醫(yī)療電子]

預(yù)測植物中的蛋白質(zhì)-蛋白質(zhì)相互作用（PPI）具有重要的生物學(xué)意義。同時采用了4種編碼方法及深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了蛋白質(zhì)相互作用預(yù)測模型。結(jié)果表明，提出的融合蛋白質(zhì)語言模型Ankh與深度神經(jīng)網(wǎng)絡(luò)的方法構(gòu)建的PPI預(yù)測模型性能在3種植物數(shù)據(jù)集上均獲得了最優(yōu)的AUPR和AUC值，Sen及MCC值也均優(yōu)于其他4種蛋白質(zhì)相互作用預(yù)測模型。當(dāng)模型在水稻、大豆的植物PPI數(shù)據(jù)集上進行測試時，所提出的模型AUPR值分別為0.802 5、0.730 1，AUC值分別為0.956 2、0.950 7。這些優(yōu)異的結(jié)果表明，融合蛋白質(zhì)語言模型Ankh的PPI模型可以作為植物蛋白質(zhì)相互作用預(yù)測的一個有前途的工具。

發(fā)表于：4/29/2024 1:10:00 PM

混合CNN-SVM的心音信號分類算法的研究[模擬設(shè)計][醫(yī)療電子]

針對當(dāng)前心音信號識別算法檢測精度不佳問題，提出了一種混合卷積神經(jīng)網(wǎng)絡(luò)-支持向量機模型（CNN-SVM）的心音信號分類方法。通過PASCAL挑戰(zhàn)實驗數(shù)據(jù)，整理出正常與不正常兩類心音信號數(shù)據(jù)庫，通過預(yù)處理濾波及MFCC、一二階差分特征提取、PCA降維，輸入CNN-SVM模型進行訓(xùn)練。并從準確率、召回率、特異性、精確率和F分數(shù)5個方面進行性能評估。為了驗證此算法的有效性，將混合CNN-SVM模型與單一SVM、CNN模型分別進行了對比。實驗結(jié)果表明，該方法能夠以較高識別率將兩種心音信號區(qū)分開，其平均識別準確率接近于99%，相較于單一CNN方法提高了2.48%，同樣高于單一SVM算法。

發(fā)表于：4/29/2024 1:10:00 PM