欧美性猛交XXXX黑人,无码在线不卡视频,家属～母亲和女儿们的轿人物软件

基于AIDC鏈路的多模式串口切換系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

目前，民航管制單位在與相鄰管制單位進(jìn)行AIDC移交時(shí)，如果采用的是X.25專線方式，則需要在本地2套自動(dòng)化系統(tǒng)之間共享一條物理鏈路。當(dāng)自動(dòng)化系統(tǒng)主備狀態(tài)切換時(shí)，往往需要人工方式切換線纜連接，切換時(shí)間較長(zhǎng)且增加了故障風(fēng)險(xiǎn)。提出了一種串口切換設(shè)備的設(shè)計(jì)方案，使2套自動(dòng)化系統(tǒng)的X.25處理設(shè)備能夠以切換的方式共享一條專線鏈路，并且支持3種切換模式。目前切換器樣機(jī)已在北京區(qū)管測(cè)試平臺(tái)上進(jìn)行了功能測(cè)試，在主備自動(dòng)化系統(tǒng)AIDC鏈路切換場(chǎng)景下能夠?qū)崿F(xiàn)物理鏈路的快速切換。

發(fā)表于：7/1/2022

基于YOLO的手機(jī)外觀缺陷視覺(jué)檢測(cè)算法[其他][其他]

針對(duì)在小規(guī)模手機(jī)屏幕缺陷數(shù)據(jù)檢測(cè)效率不高的問(wèn)題，提出了一個(gè)基于YOLO v3的手機(jī)外觀缺陷視覺(jué)檢測(cè)算法，即YOLO-q-v3算法。YOLO-q-v3算法通過(guò)改進(jìn)DarkNet-53網(wǎng)絡(luò)結(jié)構(gòu)，減少原網(wǎng)絡(luò)的層數(shù)和相應(yīng)的模型參數(shù)，有效地提高算法的檢測(cè)效率。將YOLO v3算法和本文提出的YOLO-q-v3算法對(duì)同一數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，YOLO-q-v3算法能夠正確識(shí)別手機(jī)屏幕裂痕，YOLO-q-v3在檢測(cè)速率上比YOLO v3算法提高了24%。

發(fā)表于：7/1/2022

面向城市數(shù)字孿生的多尺度三維建模方法研究[其他][其他]

城市三維模型作為城市物理實(shí)體的立體可視化表達(dá)，是連接物理空間與數(shù)字空間的橋梁，也是實(shí)現(xiàn)城市數(shù)字孿生的關(guān)鍵基礎(chǔ)。對(duì)當(dāng)前城市數(shù)字化三維重建技術(shù)及應(yīng)用進(jìn)行研究，從不同尺度的三維建模方法出發(fā)，對(duì)“天空地室元”多尺度全要素建模方法進(jìn)行總結(jié)，并分析數(shù)字孿生城市三維重建面臨的挑戰(zhàn)和趨勢(shì)。

發(fā)表于：7/1/2022

衛(wèi)星通信鏈路上/下行及單/雙通道計(jì)算方法研究[其他][航空航天]

針對(duì)衛(wèi)星X波段通信系統(tǒng)鏈路設(shè)計(jì)需求，詳細(xì)研究了傳輸過(guò)程中的各項(xiàng)損耗、干擾及系統(tǒng)指標(biāo)和特性，提出了衛(wèi)星通信系統(tǒng)的上、下行及單、雙通道情況下的多種鏈路計(jì)算方法，并通過(guò)實(shí)際示例驗(yàn)證該計(jì)算模型的可行性。該計(jì)算方法模型可用于衛(wèi)星通信系統(tǒng)的參數(shù)選擇、信號(hào)質(zhì)量鏈路能力的預(yù)測(cè)，對(duì)衛(wèi)星通信系統(tǒng)的設(shè)計(jì)具有指導(dǎo)意義。

發(fā)表于：7/1/2022

基于輕量級(jí)密集神經(jīng)網(wǎng)絡(luò)的車(chē)載自組網(wǎng)入侵檢測(cè)方法[通信與網(wǎng)絡(luò)][汽車(chē)電子]

在車(chē)載自組網(wǎng)中，攻擊者可以通過(guò)偽造、篡改消息等方式發(fā)布虛假交通信息，導(dǎo)致交通擁堵甚至是嚴(yán)重的交通事故，而傳統(tǒng)的入侵檢測(cè)方法不能滿足車(chē)載自組網(wǎng)的應(yīng)用需求。為了解決現(xiàn)階段車(chē)載網(wǎng)中入侵檢測(cè)方法性能低且存儲(chǔ)與時(shí)間成本高的問(wèn)題，提出了一種基于密集神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法L-DenseNet(Light Dense Neural Network)，通過(guò)降低模型復(fù)雜性，提升算法訓(xùn)練速度和部署適應(yīng)性，使其更適用于車(chē)載自組網(wǎng)中的入侵檢測(cè)。在VeReMi數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，該方法在識(shí)別各類攻擊的精確率和召回率的綜合表現(xiàn)最好，且具有較少的時(shí)間成本和存儲(chǔ)開(kāi)銷。

發(fā)表于：7/1/2022

基于自校驗(yàn)孿生神經(jīng)網(wǎng)絡(luò)的故障區(qū)段定位方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)中壓配電網(wǎng)區(qū)段定位方法所存在的由系統(tǒng)中性點(diǎn)接地方式、故障點(diǎn)距離和過(guò)渡電阻大小等環(huán)境因素，以及電流互感器極性未知或智能電表錯(cuò)誤安裝等人為因素所導(dǎo)致的定位不準(zhǔn)確問(wèn)題，提出一種平穩(wěn)小波極性校驗(yàn)下基于孿生神經(jīng)網(wǎng)絡(luò)的故障區(qū)段定位方法。首先，分析了零序電流暫態(tài)特征，指出了傳統(tǒng)線性相關(guān)法存在的定位缺陷；其次，使用平穩(wěn)小波變換解決信號(hào)同步和設(shè)備反接的問(wèn)題；最后引入孿生神經(jīng)網(wǎng)絡(luò)對(duì)故障點(diǎn)上下游信號(hào)進(jìn)行相似性匹配，經(jīng)訓(xùn)練該模型可以準(zhǔn)確定位故障區(qū)段。通過(guò)仿真驗(yàn)證，該方法具有較強(qiáng)的抗干擾能力，對(duì)于定位盲區(qū)也有較高的識(shí)別率。

發(fā)表于：7/1/2022

基于表面掃描法的SiP器件近場(chǎng)電磁輻射測(cè)試方法[其他][其他]

在近場(chǎng)電磁輻射測(cè)試研究中，還沒(méi)有一套完整的面向單個(gè)元器件的測(cè)試方法。針對(duì)此問(wèn)題，基于表面掃描法對(duì)SiP器件的近場(chǎng)電磁輻射測(cè)試方法進(jìn)行研究。第一，利用X光研究SiP器件內(nèi)部結(jié)構(gòu)并進(jìn)行干擾源分析；第二，完成硬件、軟件層搭建使器件進(jìn)入工作狀態(tài)；第三，搭建近場(chǎng)測(cè)試系統(tǒng)，對(duì)工作中的器件實(shí)施近場(chǎng)測(cè)試。在案例研究中，所用SiP器件內(nèi)部封裝外圍器件和作為主要干擾源的處理器。近場(chǎng)測(cè)試結(jié)果顯示，PCB上輻射主要集中在SiP器件周?chē)骷鼒?chǎng)輻射集中在處理器芯片處。案例研究的結(jié)果說(shuō)明這種測(cè)試方法可以有效測(cè)量SiP器件的近場(chǎng)電磁輻射，并對(duì)器件內(nèi)干擾源進(jìn)行分析。

發(fā)表于：7/1/2022

大擺幅輸出的高速線性行波驅(qū)動(dòng)器[其他][其他]

基于0.13 μm SiGe BiCMOS工藝設(shè)計(jì)了高速線性行波馬赫-曾德?tīng)栒{(diào)制器(Mach-Zehnder Modulators，MZM)驅(qū)動(dòng)器。驅(qū)動(dòng)器主要由三個(gè)部分組成，分別是輸入級(jí)、輸出級(jí)和直流消除(Direct Current Offset Compensation，DCOC)。輸入級(jí)在差分對(duì)的發(fā)射極引入可變電容和可變電阻來(lái)實(shí)現(xiàn)增益可調(diào)的功能，在輸出節(jié)點(diǎn)采用了并聯(lián)電感峰化技術(shù)來(lái)提高帶寬；輸出級(jí)中采用了擊穿電壓倍增技術(shù)來(lái)獲得大擺幅輸出電壓，以及采用了并聯(lián)電感峰化技術(shù)來(lái)提高帶寬；DCOC通過(guò)在行波MZM驅(qū)動(dòng)器的輸出和輸入之間建立反饋以消除直流失調(diào)，并且采用了一階低通濾波器以保證環(huán)路穩(wěn)定。仿真結(jié)果顯示，驅(qū)動(dòng)器的增益可以在較大的范圍內(nèi)可調(diào)，DCOC環(huán)路的相位裕度高達(dá)82°，最高工作速率為100 Gb/s，輸出Vpp約為4 V，可以很好地驅(qū)動(dòng)行波MZM。

發(fā)表于：7/1/2022

C-R型多通道10 bit SAR-ADC設(shè)計(jì)[模擬設(shè)計(jì)][其他]

采用0.13 μm工藝，設(shè)計(jì)并實(shí)現(xiàn)了一款單端CR型分級(jí)的10 bit SAR-ADC。在設(shè)計(jì)中，CR型分級(jí)的采用顯著降低了芯片面積，高5位的溫度計(jì)碼控制有效消除時(shí)鐘潰通等誤差，自舉開(kāi)關(guān)的設(shè)計(jì)提高了采樣精度，前置放大器的高精度靜態(tài)比較器有效降低失調(diào)、提升了轉(zhuǎn)換精度。設(shè)計(jì)的ADC內(nèi)核尺寸為580 μm×290 μm，后仿真結(jié)果顯示，在采樣率1 MS/s下，輸入正弦信號(hào)200 kHz時(shí)，ENOB可達(dá)9.5位，EO=1 LSB。

發(fā)表于：7/1/2022

Yolo神經(jīng)網(wǎng)絡(luò)在集成電路焊盤(pán)布局規(guī)則檢測(cè)上的應(yīng)用研究[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

為探索深度學(xué)習(xí)在集成電路設(shè)計(jì)自動(dòng)化上的應(yīng)用，以電源和接地焊盤(pán)的排列規(guī)則作為檢查案例，研究了Yolo v3神經(jīng)網(wǎng)絡(luò)在版圖檢查上的可行性。采用Python腳本批量生成版圖樣本圖片，并使用LabelImg進(jìn)行標(biāo)簽標(biāo)記。使用TensorFlow框架編寫(xiě)了基于Yolo v3的版圖檢查器。結(jié)果顯示，版圖檢查器在判斷焊盤(pán)布局正確性上實(shí)現(xiàn)了高精確率與高召回率。此外，還通過(guò)調(diào)整版圖的大小、形狀、對(duì)稱性與焊盤(pán)數(shù)目的方式對(duì)檢查器進(jìn)行了進(jìn)一步測(cè)試。檢查器仍表現(xiàn)卓越，體現(xiàn)出良好的擴(kuò)展性。研究表明Yolo v3可以很好地找出焊盤(pán)布局的錯(cuò)誤。深度學(xué)習(xí)在集成電路版圖檢查中的潛力大，值得繼續(xù)探索。

發(fā)表于：7/1/2022

基于SiP技術(shù)的某分組件及測(cè)試系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

系統(tǒng)級(jí)封裝SiP已成為突破摩爾定律的主要技術(shù)路線，是未來(lái)武器裝備小型化和多功能化的重要依托，在武器裝備研制和應(yīng)用領(lǐng)域具有廣闊的市場(chǎng)和前景。針對(duì)區(qū)域信號(hào)目標(biāo)識(shí)別系統(tǒng)輕量化、小型化、集成化、低功耗等要求，設(shè)計(jì)一種基于SiP技術(shù)的某分組件并為此開(kāi)發(fā)一套自動(dòng)化測(cè)試系統(tǒng)，通過(guò)該自動(dòng)化測(cè)試系統(tǒng)對(duì)200多套產(chǎn)品進(jìn)行試驗(yàn)，得出該產(chǎn)品性能穩(wěn)定、可靠；輕量化、小型化、低功耗等要求也滿足客戶要求。

發(fā)表于：7/1/2022

基于YOLOv3-tiny的視頻監(jiān)控目標(biāo)檢測(cè)算法[其他][其他]

目標(biāo)檢測(cè)算法在視頻監(jiān)控領(lǐng)域有著較大的實(shí)用價(jià)值。針對(duì)當(dāng)前在資源受限的視頻監(jiān)控系統(tǒng)中實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)較為困難的情況，提出了一種基于YOLOv3-tiny改進(jìn)的目標(biāo)檢測(cè)算法。該算法在YOLOv3-tiny架構(gòu)的基礎(chǔ)之上，通過(guò)添加特征重用來(lái)優(yōu)化骨干網(wǎng)絡(luò)結(jié)構(gòu)，并提出全連接注意力混合模塊來(lái)學(xué)習(xí)到更豐富的空間信息，更適合資源約束條件下的目標(biāo)檢測(cè)。實(shí)驗(yàn)數(shù)據(jù)表明，該算法相比于YOLOv3-tiny在模型體積降低39.2%，參數(shù)量降低39.8%，且在VOC數(shù)據(jù)集上提高了2.7%的mAP，在提高檢測(cè)精度的同時(shí)顯著降低了模型資源占用。

發(fā)表于：7/1/2022

基于YOLOv5l的囊型肝包蟲(chóng)病病灶檢測(cè)研究[其他][醫(yī)療電子]

針對(duì)臨床醫(yī)生在診斷肝包蟲(chóng)病時(shí)需要通過(guò)個(gè)人經(jīng)驗(yàn)判斷囊型肝包蟲(chóng)病分型，研究基于目標(biāo)檢測(cè)算法的肝包蟲(chóng)病灶自動(dòng)檢測(cè)與分類模型，實(shí)現(xiàn)對(duì)肝包蟲(chóng)病超聲影像的自動(dòng)識(shí)別與分類。使用YOLOv5l模型作為囊型肝包蟲(chóng)病病灶目標(biāo)檢測(cè)的模型，利用本地肝包蟲(chóng)病超聲影像數(shù)據(jù)集對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練?；赮OLOv5l模型與隨機(jī)梯度下降算法(SGD)優(yōu)化算法的肝包蟲(chóng)病病灶自動(dòng)檢測(cè)分類模型可以很好地對(duì)5種類型的病灶進(jìn)行有效的檢測(cè)，平均精度均值(mAP)為88.1%，經(jīng)過(guò)測(cè)試，該模型的測(cè)試速度可達(dá)40 f/s。實(shí)驗(yàn)結(jié)果表明，基于YOLOv5l與SGD算法的肝包蟲(chóng)病病灶自動(dòng)檢測(cè)分類模型能夠較好地識(shí)別病灶的具體位置，可以很好地輔助醫(yī)生診斷肝包蟲(chóng)病。

發(fā)表于：7/1/2022

基于改進(jìn)YOLOv5的車(chē)輛屬性檢測(cè)[測(cè)試測(cè)量][汽車(chē)電子]

車(chē)輛屬性檢測(cè)是一個(gè)基礎(chǔ)任務(wù)，其屬性檢測(cè)結(jié)果可以被應(yīng)用到很多下游的交通視覺(jué)任務(wù)。提出了一種基于YOLOv5的車(chē)輛屬性檢測(cè)改進(jìn)算法。針對(duì)檢測(cè)目標(biāo)較小的問(wèn)題，加入了卷積注意力模塊，讓網(wǎng)絡(luò)模型把更多的注意力放在小目標(biāo)對(duì)象上；針對(duì)數(shù)據(jù)集樣本種類較少的問(wèn)題，改進(jìn)了YOLOv5的馬賽克數(shù)據(jù)增強(qiáng)方式；使用自門(mén)控激活函數(shù)Swish，起到抑制噪聲、加快收斂速度并提升模型魯棒性的作用。此外，還在公開(kāi)車(chē)輛數(shù)據(jù)集VeRi-776的基礎(chǔ)上進(jìn)行了詳細(xì)的車(chē)輛屬性標(biāo)注，構(gòu)建了一個(gè)車(chē)輛屬性數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法比原始YOLOv5的平均精確率提升了4.6%，能夠準(zhǔn)確地檢測(cè)到車(chē)輛圖像的通用屬性，可以供下游任務(wù)使用。

發(fā)表于：7/1/2022

直流微電流測(cè)量的研究進(jìn)展[其他][其他]

直流微電流測(cè)量技術(shù)廣泛應(yīng)用于核輻射檢測(cè)、靜電檢測(cè)、空間輻射探測(cè)等領(lǐng)域，是一項(xiàng)特色極值量測(cè)量技術(shù)，涉及高阻抗運(yùn)放電路設(shè)計(jì)、泄漏電流防護(hù)等多項(xiàng)技術(shù)。直流微電流測(cè)量技術(shù)研究主要從電阻式和電容式反饋電路著手，分析測(cè)量電路的工作原理和傳遞函數(shù)，重點(diǎn)分析漏電流、熱電勢(shì)、運(yùn)算放大器和電阻參數(shù)對(duì)測(cè)量誤差的影響，推導(dǎo)電路傳遞函數(shù)并仿真分析，最終提出減小各項(xiàng)參數(shù)對(duì)測(cè)量結(jié)果影響的方案。對(duì)近年來(lái)國(guó)內(nèi)外直流微電流測(cè)量的方法進(jìn)行了綜述，分析了電流電壓轉(zhuǎn)換法、電流頻率變換法和調(diào)制解調(diào)放大法。對(duì)國(guó)內(nèi)外直流微電流測(cè)量?jī)x器的現(xiàn)狀進(jìn)行調(diào)查，世界上出現(xiàn)了很多高精度的微弱電流測(cè)量?jī)x器，使微弱信號(hào)測(cè)量得到很大的提升。

發(fā)表于：7/1/2022