2021无码最新国产在线观看,爱做久久久久久久久久,五十路熟妇无码AⅤ在线

醫(yī)療智能穿戴設備硬件方案[模擬設計][醫(yī)療電子]

隨著互聯(lián)健康概念的興起，醫(yī)療智能穿戴設備市場逐漸擴大，根據(jù)市場研究公司Counterpoint Research調查指出，疫情促使消費者健康意識提高，這更使得醫(yī)療智能穿戴設備受到市場青睞，增長幅度不斷攀高。本次我們通過技術型分銷商Exclpoint世健邀請了來自專業(yè)醫(yī)療智能穿戴設備領域企業(yè)的工程師馮工跟大家分享實戰(zhàn)案例。該公司是世健多年的客戶，主要從事醫(yī)學診斷產(chǎn)品研發(fā)、生產(chǎn)、銷售及服務。而馮工有著深厚的學術和實戰(zhàn)經(jīng)驗。

發(fā)表于：6/24/2021

在電壓反饋(VFB)和電流反饋(CFB)運算放大器之間選擇[模擬設計][工業(yè)自動化]

電流反饋和電壓反饋具有不同的應用優(yōu)勢。在很多應用中，CFB和VFB的差異并不明顯。當今的許多高速CFB和VFB放大器在性能上不相上下，但各有其優(yōu)缺點。本指南將考察與這兩種拓撲結構相關的重要考慮因素。

發(fā)表于：6/20/2021

IoTConnect平臺：解鎖數(shù)據(jù)的潛能[模擬設計][物聯(lián)網(wǎng)]

據(jù)IHS分析師的預計，未來十年中，全球物聯(lián)網(wǎng)設備的數(shù)量將以每年12%的速度增長，到2030年預計總數(shù)將達到1250億臺。如此海量的聯(lián)網(wǎng)設備，其最核心的工作之一就是“生產(chǎn)”數(shù)據(jù)。

發(fā)表于：6/20/2021

漏電流 AN-113[其他][其他]

漏電流是流經(jīng)保護接地導體到大地的電流。在沒有接地連接的情況下，如果存在導電路徑（例如人體），則電流可以從任何導電部件或非導電部件的表面通過人體流到地面。

發(fā)表于：6/18/2021

以太網(wǎng)用于運動控制的三個原因[通信與網(wǎng)絡][通信網(wǎng)絡]

就運動控制而言，以太網(wǎng)、現(xiàn)場總線以及其他技術（如外圍組件互連）歷來都是相互競爭的，用以在工業(yè)自動化和控制系統(tǒng)中獲得對一些最苛刻要求的工作負載的處理權限。運動控制應用要求確定性（保證網(wǎng)絡能夠及時將工作負載傳送至預定的節(jié)點），這是確保位置保持所必需的，這進而又將確保驅動器的精確停止、適當?shù)募铀?減速以及其他任務。

發(fā)表于：6/16/2021

TE 新品｜帶彈性插針的MAG-MATE端子，多層PCB板連接的理想解決方案[模擬設計][其他]

對于電機設計和制造商來說，在選擇材料的時候，性能、成本和可靠性，一個都不能少。于是在成本效益、重量和市場波動性上，相比銅漆包線都更有優(yōu)勢的鋁漆包線，在近年脫穎而出。

發(fā)表于：6/16/2021

多通道RF到數(shù)據(jù)開發(fā)平臺助力相控陣原型開發(fā) [模擬設計][工業(yè)自動化]

ADI公司的高速轉換器在單芯片上集成了ADC、DAC和數(shù)字信號算法模塊。圖1所示的MxFE?四通道16位、12 GSPS RF DAC和四通道12位、4 GSPS RF ADC即是一個示例，包含4個ADC、4個DAC、多個數(shù)字上/下變頻器，以及數(shù)控振蕩器(NCO)和有限脈沖響應(FIR)數(shù)字濾波器。DAC的采樣速率為12 GSPS，ADC的采樣速率為4 GSPS。模擬帶寬在S頻段內提供直接采樣和波形生成，并進入低C頻段。

發(fā)表于：6/15/2021

動力電池測試必備解決方案[電源技術][其他]

動力電池是新能源汽車的核心部件之一，它的安全性和穩(wěn)定性對于電動汽車的動力性能至關重要。CAN-bus通訊則在其中扮演著重要角色。那么，如何高效的完成動力電池的充放電測試呢？

發(fā)表于：6/10/2021

基于SEIR模型的復雜網(wǎng)絡上的動態(tài)隔離措施研究[其他][其他]

在尚未研發(fā)出有效疫苗前，對潛在感染者和易感者的隔離對于流行病控制而言具有十分重要的意義。研究采用潛伏者具有傳染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出兩種動態(tài)隔離方法：一是在掌握網(wǎng)絡全局信息時，計算候選隔離對象一階鄰居的有效度、介數(shù)、距離確診者節(jié)點的路徑長度之和，把三者乘積作為其權重；二是在僅有節(jié)點局域信息時，將候選隔離對象的有效邊數(shù)和相鄰感染節(jié)點數(shù)的同趨化之和作為其權重。仿真實驗表明，隔離容量為1%～10%時，優(yōu)先隔離借助全局信息識別出的高權重節(jié)點可使90%以上節(jié)點免受感染，優(yōu)先隔離借助局域信息識別出的高權重節(jié)點可使70%以上節(jié)點免受感染，從而達到抑制疾病傳播的目的。

發(fā)表于：6/10/2021

基于NOR Flash的存算一體模擬乘加電路設計[其他][其他]

提出一種基于NOR Flash的存算一體模擬乘加電路以及相應的偏置電路，運用NOR Flash工作于深線性區(qū)的I-V特性，實現(xiàn)模擬乘累加運算。通過將同一位線、不同字線的兩個浮柵管上電流相減，實現(xiàn)其閾值電壓差值與漏源電壓的乘法運算。同時將同一字線、不同位線的浮柵管電流相加，實現(xiàn)乘法結果的加法運算。給出電路使NOR Flash位線電流相加、字線電流相減，將運算結果以偽差分的形式輸出，仿真結果表明電路可以實現(xiàn)存算一體的模擬乘累加運算。

發(fā)表于：6/10/2021

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設計[其他][其他]

基于壓控振蕩器(VCO)結構的比較器，提出了一種二階噪聲整形逐次逼近型(NS-SAR)模數(shù)轉換器(ADC)。首先采用對電源電壓敏感度較低且噪聲性能更優(yōu)越的VCO比較器，隨后通過動態(tài)放大器優(yōu)化噪聲傳遞函數(shù)的零極點，最后通過噪聲整形結構抑制信號帶內噪聲。基于180 nm CMOS 工藝，設計了一款12位20 MS/s NS-SAR ADC。仿真結果表明，在1.3 V電源電壓下，功耗為1.12 mW，過采樣率（OSR）為8時，信號噪聲失真比(SNDR)為72.7 dB，無雜散動態(tài)范圍(SFDR)為88 dB，優(yōu)值(FoMs)為163 dB；并且在1.3～1.8 V電源電壓范圍內，其有效位數(shù)(ENOB)>11.7 bit。

發(fā)表于：6/10/2021

一種基于實例分割和點云配準的六維位姿估計方法[其他][其他]

本文提出一種基于Mask R-CNN實例分割網(wǎng)絡和Super4PCS點云配準算法來估計物體六維姿態(tài)的方法。通過目標點云與已知位姿的參考點云進行配準，可以獲取目標的六維姿態(tài)。但實際中往往采用三維設備掃描目標的整體環(huán)境，生成的點云數(shù)量龐大，直接作為源點云與參考點云配準時，會由于候選集較多從而導致運算時間太長，因此本文先對目標實例分割處理后再配準：首先，利用深度相機獲取整體環(huán)境的RGB-D圖，其次利用Mask R-CNN模型將把目標分割出來，并將分割的目標RGB-D圖轉化為點云圖，利用Super4PCS點云配準算法與參考點云進行配準，最終得到目標的六維位姿。在自制作的數(shù)據(jù)集上進行了驗證，對比分割前后的四組實驗，時間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：6/10/2021

基于單階段GANs的文本生成圖像模型[其他][其他]

針對目前生成以文本為條件的圖像通常會遇到生成質量差、訓練不穩(wěn)定的問題，提出了通過單階段生成對抗網(wǎng)絡(GANs)生成高質量圖像的模型。具體而言，在GANs的生成器中引入注意力機制生成細粒度的圖像，同時通過在判別器中添加局部-全局語言表示，來精準地鑒別生成圖像和真實圖像；通過生成器和判別器之間的相互博弈，最終生成高質量圖像。在基準數(shù)據(jù)集上的實驗結果表明，與具有多階段框架的最新模型相比，該模型生成的圖像更加真實且取得了當前最高的IS值，能夠較好地應用于通過文本描述生成圖像的場景。

發(fā)表于：6/10/2021

聯(lián)合隨機性策略的深度強化學習探索方法[其他][其他]

目前深度強化學習算法已經(jīng)可以解決許多復雜的任務，然而如何平衡探索和利用的關系仍然是強化學習領域的一個基本的難題，為此提出一種聯(lián)合隨機性策略的深度強化學習探索方法。該方法利用隨機性策略具有探索能力的特點，用隨機性策略生成的經(jīng)驗樣本訓練確定性策略，鼓勵確定性策略在保持自身優(yōu)勢的前提下學會探索。通過結合確定性策略算法DDPG和提出的探索方法，得到基于隨機性策略指導的確定性策略梯度算法(SGDPG)。在多個復雜環(huán)境下的實驗表明，面對探索問題，SGDPG的探索效率和樣本利用率要優(yōu)于DDPG算法。

發(fā)表于：6/10/2021

基于浮柵器件的低位寬卷積神經(jīng)網(wǎng)絡研究[其他][其他]

浮柵器件(Flash)能夠將存儲和計算的特性相結合，實現(xiàn)存算一體化，但是單個浮柵單元最多只能存儲位寬為4 bit的數(shù)據(jù)。面向Nor Flash，研究了卷積神經(jīng)網(wǎng)絡參數(shù)的低位寬量化，對經(jīng)典的AlexNet、VGGNet以及ResNet通過量化感知訓練。采用非對稱量化，將模型參數(shù)從32位浮點數(shù)量化至4位定點數(shù)，模型大小變?yōu)樵瓉淼?/8，針對Cifar10數(shù)據(jù)集，4位量化模型的準確率相對于全精度網(wǎng)絡僅下降不到2%。最后將量化完成的卷積神經(jīng)網(wǎng)絡模型使用Nor Flash陣列加速。Hspice仿真結果表明，相對于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗證了卷積神經(jīng)網(wǎng)絡部署在Nor Flash上的可行性。

發(fā)表于：6/10/2021