欧美c片,精品香蕉伊思人在线观看

基于頻差的衛(wèi)星通信互調(diào)干擾源定位方法研究[通信與網(wǎng)絡(luò)][航空航天]

針對(duì)衛(wèi)星通信系統(tǒng)頻帶內(nèi)互調(diào)干擾的定位問(wèn)題進(jìn)行研究，分析互調(diào)干擾產(chǎn)生機(jī)理，并給出系統(tǒng)內(nèi)互調(diào)干擾定位方法。定量分析互調(diào)干擾頻譜特性，并結(jié)合頻譜管控站分配各站頻率，建立系統(tǒng)內(nèi)各站頻率及頻差動(dòng)態(tài)數(shù)據(jù)庫(kù)，設(shè)計(jì)基于頻差的衛(wèi)星通信互調(diào)干擾源定位方法，精確定位干擾站。仿真結(jié)果驗(yàn)證了該方案在互調(diào)干擾定位過(guò)程的可行性，有效降低了干擾定位時(shí)間并提升了準(zhǔn)確定位干擾站的概率，為衛(wèi)星通信系統(tǒng)面臨此類干擾時(shí)的快速定位提供解決方法，對(duì)衛(wèi)星通信網(wǎng)的穩(wěn)定運(yùn)行具有較大實(shí)際意義。

發(fā)表于：11/14/2024

一種寬輸入范圍高效率宇航二次電源的設(shè)計(jì)[電源技術(shù)][航空航天]

提出一種寬輸入電壓、高效率100 W宇航二次電源的設(shè)計(jì)方法。輸入電壓范圍達(dá)到20 V~50 V，可覆蓋星上28 V母線、42 V母線電壓范圍。峰值效率達(dá)到90%以上，具有體積小、功率密度高的特點(diǎn)。采用單端反激電路拓?fù)?，通過(guò)加入斜坡補(bǔ)償技術(shù)，使得反激變換器的占空比工作在60%以上，拓寬了輸入電壓范圍。同時(shí)采用平面變壓器技術(shù)，降低變壓器漏感，提高效率并減小尺寸。

發(fā)表于：11/14/2024

基于先進(jìn)工藝技術(shù)的機(jī)電控制SiP電路的設(shè)計(jì)與測(cè)試[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

機(jī)電控制系統(tǒng)包含多款芯片，其小型化、輕量化的需求日益迫切，系統(tǒng)級(jí)封裝（System in Package）技術(shù)作為一種先進(jìn)封裝手段能夠?qū)⒍嗫畈煌愋偷男酒捎诟〉目臻g中。基于系統(tǒng)級(jí)封裝技術(shù)，并結(jié)合TSV與FanOUT技術(shù)設(shè)計(jì)了一款機(jī)電控制SiP電路，該電路包括頂層DSP信號(hào)控制單元和底層FPGA信號(hào)處理單元，兩者通過(guò)PoP（Package on Package）形式堆疊構(gòu)成SiP電路，相比于常規(guī)分立器件所搭建的機(jī)電控制系統(tǒng)，該SiP體積縮小70%以上，重量減輕80%以上。針對(duì)該款SiP電路設(shè)計(jì)了相應(yīng)的測(cè)試系統(tǒng)，且對(duì)內(nèi)部的ADC及DAC等芯片提出了一種回環(huán)測(cè)試的方法，能夠提高測(cè)試效率。測(cè)試結(jié)果表明，該電路滿足設(shè)計(jì)要求，在機(jī)電控制領(lǐng)域具有一定的應(yīng)用前景。

發(fā)表于：11/14/2024

基于區(qū)塊鏈和神經(jīng)模糊系統(tǒng)的邊緣計(jì)算移動(dòng)接入網(wǎng)絡(luò)安全增強(qiáng)框架[通信與網(wǎng)絡(luò)][信息安全]

為了提高車聯(lián)網(wǎng)的安全性，提出了基于神經(jīng)模糊系統(tǒng)和區(qū)塊鏈的移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)安全增強(qiáng)框架。該框架結(jié)合了批量認(rèn)證、密鑰交換等技術(shù)，將區(qū)塊鏈與移動(dòng)邊緣計(jì)算相結(jié)合，架構(gòu)上分為感知層、邊緣計(jì)算層、服務(wù)層三層，感知層通過(guò)區(qū)塊鏈確保數(shù)據(jù)安全，邊緣計(jì)算層提供資源，服務(wù)層采用區(qū)塊鏈技術(shù)保護(hù)數(shù)據(jù)。仿真表明，結(jié)合區(qū)塊鏈和移動(dòng)邊緣計(jì)算能有效提高車聯(lián)網(wǎng)安全性。

發(fā)表于：11/14/2024

智慧農(nóng)業(yè)下基于聯(lián)邦學(xué)習(xí)的水稻病蟲(chóng)害分類研究[模擬設(shè)計(jì)][其他]

在農(nóng)業(yè)發(fā)展過(guò)程中，農(nóng)作物的健康問(wèn)題一直是一個(gè)重要的研究課題。面向這一課題探討智能化農(nóng)業(yè)種植過(guò)程中的水稻病蟲(chóng)害分類問(wèn)題。在智能化農(nóng)業(yè)種植場(chǎng)景下，為了提高設(shè)備對(duì)病蟲(chóng)害的分類準(zhǔn)確性，同時(shí)保護(hù)各設(shè)備的數(shù)據(jù)隱私，提出使用聯(lián)邦學(xué)習(xí)來(lái)解決各設(shè)備間的數(shù)據(jù)孤島問(wèn)題。實(shí)驗(yàn)選取了七個(gè)預(yù)訓(xùn)練模型來(lái)提取特征，使用四個(gè)指標(biāo)（準(zhǔn)確率、召回率、損失函數(shù)和F1分?jǐn)?shù)）來(lái)評(píng)估不同模型上的性能。實(shí)驗(yàn)結(jié)果表明，在獨(dú)立同分布（IID）和非獨(dú)立同分布（Non-IID）數(shù)據(jù)下模型VGG19的準(zhǔn)確率分別為99.05%和98.48%，表現(xiàn)出較高的魯棒性和準(zhǔn)確率。通過(guò)幾種實(shí)驗(yàn)和指標(biāo)對(duì)比發(fā)現(xiàn)，聯(lián)邦學(xué)習(xí)的應(yīng)用提升了設(shè)備4.36％的準(zhǔn)確率，圖像分類模型的收斂時(shí)間受到聯(lián)邦學(xué)習(xí)輪數(shù)round和每輪聯(lián)邦學(xué)習(xí)中訓(xùn)練集的訓(xùn)練epoch數(shù)的共同影響，并且模型的穩(wěn)定性隨著參與聯(lián)邦學(xué)習(xí)的設(shè)備數(shù)量增加而提高。

發(fā)表于：11/14/2024

ßFA：一種基于向量指令集的高性能數(shù)據(jù)處理算法[模擬設(shè)計(jì)][其他]

正則表達(dá)式匹配技術(shù)在數(shù)據(jù)清洗、解析提取等數(shù)據(jù)處理任務(wù)方面發(fā)揮重大作用。然而，由于匹配過(guò)程中存在數(shù)據(jù)強(qiáng)依賴關(guān)系和內(nèi)存訪問(wèn)不可預(yù)測(cè)等問(wèn)題，造成匹配性能較低。針對(duì)此問(wèn)題，提出一種基于向量指令集的高性能正則表達(dá)式數(shù)據(jù)處理算法，稱之為ßFA：通過(guò)向量指令一次性從內(nèi)存讀出若干連續(xù)字符，并與最常被訪問(wèn)狀態(tài)對(duì)應(yīng)的非信任字符集進(jìn)行向量匹配，利用內(nèi)置函數(shù)定位首個(gè)非信任字符的位置，獲得可直接跳過(guò)的字符數(shù)，從而實(shí)現(xiàn)匹配性能的加速。實(shí)驗(yàn)結(jié)果表明，ßFA算法的吞吐率優(yōu)于原始DFA算法和αFA算法，是原始DFA算法的4.67~60倍以及ɑFA算法的4.37~7.82倍。

發(fā)表于：11/14/2024

基于自動(dòng)編碼器和隨機(jī)樹(shù)的智能電網(wǎng)FDI檢測(cè)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為應(yīng)對(duì)智能電網(wǎng)系統(tǒng)可能受到的新型網(wǎng)絡(luò)攻擊（如虛假數(shù)據(jù)注入攻擊），提出了一種基于機(jī)器學(xué)習(xí)的入侵檢測(cè)方法。該方法采用自動(dòng)編碼器進(jìn)行數(shù)據(jù)降維，并使用極端隨機(jī)樹(shù)分類器檢測(cè)潛在攻擊。在IEEE標(biāo)準(zhǔn)電力系統(tǒng)數(shù)據(jù)的基礎(chǔ)上，測(cè)試了該方法在不同系統(tǒng)規(guī)模和攻擊程度下的性能。實(shí)驗(yàn)結(jié)果顯示，在IEEE 118節(jié)點(diǎn)系統(tǒng)中，該方法的檢測(cè)準(zhǔn)確率高達(dá)99.76%，即使在僅有0.1%攻擊測(cè)量值的情況下，F(xiàn)1值也達(dá)到了99.77%，遠(yuǎn)超其他算法。該方法不僅能有效檢測(cè)智能電網(wǎng)中的入侵行為，而且具有較高的計(jì)算效率。

發(fā)表于：11/14/2024

TSN交換機(jī)PSFP方法設(shè)計(jì)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

時(shí)間敏感網(wǎng)絡(luò)（Time Sensitive Network，TSN）將傳統(tǒng)以太網(wǎng)“Best Effor”傳輸方式所具備的靈活性與時(shí)間敏感網(wǎng)絡(luò)的實(shí)時(shí)性、確定性等特點(diǎn)相結(jié)合，具有支持不同類型應(yīng)用的能力。TSN的逐流過(guò)濾和監(jiān)管（Per-Stream Filtering and Policing， PSFP）協(xié)議通過(guò)提供策略，可阻止非法報(bào)文的攻擊及流量過(guò)載。基于該協(xié)議的工作原理，對(duì)流過(guò)濾、流門控和流測(cè)量功能進(jìn)行了研究，同時(shí)提出一種PSFP的實(shí)現(xiàn)方法，并在TSN交換機(jī)上設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浼皩?shí)驗(yàn)進(jìn)行了驗(yàn)證。結(jié)果表明，該方法可根據(jù)報(bào)文特征自動(dòng)識(shí)別滿足一定規(guī)則的異常報(bào)文，并按照要求進(jìn)行阻斷或限流操作，驗(yàn)證了合理性。該方法不受限于硬件或軟件實(shí)現(xiàn)的TSN，對(duì)TSN在工業(yè)、車載等行業(yè)的應(yīng)用有一定的參考價(jià)值。

發(fā)表于：11/14/2024

基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷[模擬設(shè)計(jì)][智能電網(wǎng)]

針對(duì)傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復(fù)雜含噪PD信號(hào)存在局限性并依賴于人工去噪和專家經(jīng)驗(yàn)，難以學(xué)習(xí)到PD特征多樣化表達(dá)等問(wèn)題，分別提出殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學(xué)習(xí)的PD故障診斷模型。RAADNet基于殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，通過(guò)集成CAM注意力機(jī)制和軟閾值函數(shù)實(shí)現(xiàn)自適應(yīng)去噪；Stacking集成模型的基學(xué)習(xí)器分別由基于卷積神經(jīng)網(wǎng)絡(luò)的RAADNet、基于多頭自注意力機(jī)制的Transformer以及基于Boosting集成策略的XGBoost多個(gè)差異化模型共同構(gòu)建構(gòu)成。實(shí)驗(yàn)結(jié)果表明，提出的RAADNet優(yōu)于其他先進(jìn)方法，識(shí)別準(zhǔn)確率達(dá)到93.99%，Stacking集成模型則通過(guò)學(xué)習(xí)多樣化特征表達(dá)，進(jìn)一步提高模型性能，達(dá)到96.79%識(shí)別準(zhǔn)確率。

發(fā)表于：11/14/2024

圓形陣列式霍爾電流傳感器抗磁干擾算法研究[MEMS|傳感技術(shù)][智能電網(wǎng)]

陣列式霍爾電流傳感器是電力電子領(lǐng)域中的一個(gè)研究熱點(diǎn)，特別是在直流電測(cè)量方面，它具有線性度高、動(dòng)態(tài)范圍大、體積小、功耗低等優(yōu)點(diǎn)，是對(duì)鐵磁磁芯的電流傳感器的改進(jìn)。然而，由于沒(méi)有鐵芯聚磁，在汽車電子、配電系統(tǒng)等場(chǎng)所內(nèi)，導(dǎo)體排布密集，外部磁場(chǎng)很容易進(jìn)入磁傳感器，從而影響測(cè)量精度。因此，提出了一種抗磁干擾算法來(lái)解決這一問(wèn)題，采用構(gòu)造超越方程的方法，不僅可以計(jì)算被測(cè)電流，還可以計(jì)算任意位置的干擾電流，并通過(guò)數(shù)值模擬、有限元分析和室內(nèi)實(shí)驗(yàn)對(duì)該算法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在受到強(qiáng)干擾電流的影響下，誤差在3.5%以內(nèi)，驗(yàn)證了構(gòu)造的圓形傳感器陣列及抗磁干擾算法的有效性。

發(fā)表于：11/14/2024

某型接收機(jī)中放大器自激機(jī)理分析與預(yù)防措施[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

對(duì)某型接收機(jī)中頻噪底升高故障進(jìn)行了分析處理，分析結(jié)果表明射頻模塊腔體內(nèi)存在個(gè)體差異，導(dǎo)致本振放大器在脈沖工作條件下產(chǎn)生自激，通過(guò)對(duì)放大器自激機(jī)理的分析給出了相應(yīng)的預(yù)防措施，在射頻小盒側(cè)壁中粘貼吸波材料，可以有效消除自激。論文對(duì)今后腔體自激問(wèn)題的處理分析具有參考價(jià)值。

發(fā)表于：11/14/2024

基于ARM 架構(gòu)的安全總線橋設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

為提高SoC（System-On-Chip）系統(tǒng)安全性能，設(shè)計(jì)了一種基于ARM（Advanced RISC Machine）架構(gòu)的安全總線橋電路。該電路設(shè)計(jì)了一個(gè)橋接模塊和一個(gè)訪問(wèn)控制功能模塊。仿真表明，該電路能夠在任意倍頻的AHB（Advanced High-Performance Bus）和APB（Advanced Peripheral Bus）時(shí)鐘頻率下完成AHB傳輸協(xié)議向APB傳輸協(xié)議的轉(zhuǎn)換，同時(shí)支持靈活配置主從設(shè)備的訪問(wèn)權(quán)限和保護(hù)模式，防止外設(shè)寄存器數(shù)據(jù)被非法訪問(wèn)和惡意篡改，提高了系統(tǒng)的安全性能和適用性。

發(fā)表于：11/14/2024

基于改進(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別的研究[人工智能][消費(fèi)電子]

近期，人臉識(shí)別技術(shù)在社會(huì)上廣受關(guān)注，其非接觸式的識(shí)別特性相較于指紋等傳統(tǒng)接觸式識(shí)別方法展現(xiàn)出明顯優(yōu)勢(shì)。在深度學(xué)習(xí)領(lǐng)域，由于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別任務(wù)上的準(zhǔn)確性和速度尚有提升空間，因此提出采用改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。通過(guò)實(shí)驗(yàn)驗(yàn)證，與傳統(tǒng)卷積網(wǎng)絡(luò)相比，改進(jìn)后的AlexNet在人臉識(shí)別上不僅準(zhǔn)確度更高，而且識(shí)別過(guò)程更為穩(wěn)定。

發(fā)表于：11/14/2024

計(jì)及可再生能源接入配電網(wǎng)的負(fù)荷預(yù)測(cè)和優(yōu)化[人工智能][智能電網(wǎng)]

目前，可再生能源大量接入配電網(wǎng)，但是太陽(yáng)能、風(fēng)能、光伏及風(fēng)電等可再生能源的間歇性和隨機(jī)性不可避免地會(huì)造成配電網(wǎng)的波動(dòng)?？紤]電網(wǎng)內(nèi)可再生能源發(fā)電功率與用電負(fù)荷隨時(shí)間變化的特點(diǎn)，提出一種基于小波變換和神經(jīng)網(wǎng)絡(luò)的可再生能源接入配電網(wǎng)的負(fù)荷預(yù)測(cè)和優(yōu)化方法。首先采集配電網(wǎng)的發(fā)電與負(fù)荷數(shù)據(jù)，利用小波變換處理收集到的數(shù)據(jù)，得到局部尺度和頻率分解的特征參數(shù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；然后，對(duì)經(jīng)過(guò)小波變換后得到的特征參數(shù)進(jìn)行訓(xùn)練，根據(jù)預(yù)測(cè)負(fù)荷對(duì)可再生能源的發(fā)電量進(jìn)行調(diào)節(jié)，保持配電網(wǎng)供需側(cè)的動(dòng)態(tài)平衡。結(jié)果表明，所提方法能夠?qū)ω?fù)荷進(jìn)行有效預(yù)測(cè)，通過(guò)提前預(yù)測(cè)負(fù)荷量，保證配電網(wǎng)用電穩(wěn)定性的同時(shí)，最大化利用可再生能源。

發(fā)表于：11/14/2024

基于Transformer殘差網(wǎng)絡(luò)的事件重建算法[人工智能][消費(fèi)電子]

目前的人工視覺(jué)系統(tǒng)仍然無(wú)法處理一些涉及高速運(yùn)動(dòng)場(chǎng)景和高動(dòng)態(tài)范圍的真實(shí)世界場(chǎng)景。事件相機(jī)因其低延遲和高動(dòng)態(tài)范圍捕捉高速運(yùn)動(dòng)的優(yōu)勢(shì)具有消除上述問(wèn)題的能力。然而，由于事件數(shù)據(jù)的高度稀疏和變化性質(zhì)，在保證其快速性的同時(shí)將事件重建為視頻仍然具有挑戰(zhàn)性。因此提出了一種基于Transformer殘差網(wǎng)絡(luò)和光流估計(jì)的事件流重建算法，通過(guò)光流估計(jì)和事件重建的聯(lián)合訓(xùn)練，實(shí)現(xiàn)自監(jiān)督的重建過(guò)程，并引入去模糊預(yù)處理和亞像素上采樣模塊來(lái)提高重建質(zhì)量。實(shí)驗(yàn)結(jié)果表明，在公開(kāi)數(shù)據(jù)集上，提出的方法可以有效提高事件流的重建效果。

發(fā)表于：11/14/2024