成人福利视频,国产精品导航一区二区

智能制造CPS中基于節(jié)點有效度的共識算法[嵌入式技術(shù)][其他]

智能制造信息物理融合系統(tǒng)（Cyber-Physical System，CPS）中設(shè)備在系統(tǒng)運行過程中產(chǎn)生大量通信信息和設(shè)備數(shù)據(jù)，這些數(shù)據(jù)存在被修改和竊取的風(fēng)險。以分布式存儲為核心的區(qū)塊鏈技術(shù)有利于保障CPS系統(tǒng)的數(shù)據(jù)安全，但現(xiàn)有共識算法存在數(shù)據(jù)記錄權(quán)限集中在少數(shù)節(jié)點、易被惡意節(jié)點劫持的問題。通過引入節(jié)點有效度，可以反映節(jié)點行為動態(tài)變化的情況。實驗結(jié)果表明，基于節(jié)點有效度的共識機制可使得獲得數(shù)據(jù)記錄權(quán)限的節(jié)點分布更加分散，更好地體現(xiàn)系統(tǒng)的去中心化特性，提高了數(shù)據(jù)的安全性。

發(fā)表于：4/24/2019

基于Haar小波和Log-Gabor變換的虹膜識別方法[嵌入式技術(shù)][其他]

為了提高虹膜識別的準確率，通過對虹膜圖像進行處理，實現(xiàn)了對虹膜圖像的準確定位，得到了增強的歸一化圖像；使用Haar小波變換進行了特征提取，通過采用K-means方法對小波特征數(shù)據(jù)進行聚類，實現(xiàn)了粗分類得到了小樣本集虹膜圖像；結(jié)合虹膜的紋理特點，通過使用Log-Gabor濾波器提取虹膜局部紋理特征，量化編碼后形成了虹膜特征模板；然后在得到的小樣本集內(nèi)通過漢明距離計算虹膜特征模板的相似度，完成對虹膜圖像的識別。實驗結(jié)果表明，提出的虹膜識別方法有效地避免了虹膜匹配過程中因為虹膜數(shù)據(jù)庫中種類多、數(shù)量多帶來的計算量大、計算時間長的問題，提高了識別準確率。

發(fā)表于：4/23/2019

高幀頻視覺實時目標檢測系統(tǒng)[可編程邏輯][航空航天]

為了實現(xiàn)高速場景下的智能實時目標檢測，設(shè)計了一種基于ZYNQ7000系列FPGA的高速相機平臺，并利用該平臺進行目標檢測算法實現(xiàn),形成了一套高幀頻實時目標檢測系統(tǒng)樣機。該系統(tǒng)將高速CMOS圖像信號直接接入FPGA，在本地FPGA中進行數(shù)據(jù)處理，實現(xiàn)目標檢測算法，最終實時輸出目標位置序列。FPGA設(shè)計采用流水線結(jié)構(gòu)，對高速視頻流圖像逐級進行背景差分、二值化、質(zhì)心解算的流水操作，實現(xiàn)了圖像獲取與目標檢測同步進行。測試結(jié)果表明，該系統(tǒng)在560×480分辨率下可以實現(xiàn)大于1 100 f/s的實時目標檢測，并輸出目標位置，檢測精度可達3個像素。

發(fā)表于：4/23/2019

傳感器節(jié)點控制器 – 助力未來連網(wǎng)傳感器[MEMS|傳感技術(shù)][通信網(wǎng)絡(luò)]

傳感器中樞（Sensor hub）的概念被越來越多地采用到當(dāng)今的SoC設(shè)計中，以滿足“始終運行”的傳感器/外設(shè)訪問和控制（甚至以高速率）的要求，而且不會增加功耗和設(shè)計成本。傳感器中樞可以是小型CPU內(nèi)核，與傳感器/外設(shè)連接，并通過執(zhí)行后臺操作并僅在需要時“喚醒”主處理器，充當(dāng)功耗較大的主處理器的卸載引擎的角色。

發(fā)表于：4/22/2019

基于改進DEA算法的聲波加密傳輸系統(tǒng)[嵌入式技術(shù)][信息安全]

系統(tǒng)采用改進的數(shù)據(jù)加密算法（Data Encryption Algorithm，DEA），由復(fù)雜可編程邏輯器件（Complex Programmable Logic Device，CPLD）芯片EPM570構(gòu)建硬件系統(tǒng)。聲波信號經(jīng)頻率調(diào)制后，經(jīng)密鑰加密后發(fā)送給接收端，接收端先經(jīng)過濾波，再由密鑰解密后還原出原信號，從而實現(xiàn)近距離加密傳輸。硬件電路分為發(fā)送端和接收端兩部分，由主控器、CPLD、直接數(shù)字式頻率合成器（Direct Digital Synthesizer，DDS）、濾波器和里所（Reed-solomon，RS）碼模塊電路構(gòu)成。實驗表明該系統(tǒng)具有較高的安全性，可應(yīng)用于機密信號或敏感信號的傳輸。

發(fā)表于：4/22/2019

一種單計算參數(shù)的自學(xué)習(xí)路徑規(guī)劃算法[嵌入式技術(shù)][物聯(lián)網(wǎng)]

針對當(dāng)前機器人路徑規(guī)劃算法存在計算參數(shù)多的問題，提出一種單計算參的自學(xué)習(xí)蟻群算法。該算法使用一種改進的柵格法完成環(huán)境建模，種群中個體使用8-geometry行進規(guī)則，整個種群的尋優(yōu)過程使用了自學(xué)習(xí)和多目標搜索策略。其特點在于整個算法只需進行一個計算參數(shù)設(shè)置。仿真實驗表明，在復(fù)雜的工作空間，該算法可以迅速規(guī)劃出一條安全避碰的最優(yōu)路徑，效率優(yōu)于已存在算法。

發(fā)表于：4/22/2019

用于檢測汽車電子柴油顆粒濾清系統(tǒng)的差壓傳感器[MEMS|傳感技術(shù)][汽車電子]

汽車電子是車體汽車電子控制裝置和車載汽車電子控制裝置的總稱。同時汽車電子化被認為是汽車技術(shù)發(fā)展進程中的一次革命，汽車電子化的程度被看作是衡量現(xiàn)代汽車水平的重要標志，是用來開發(fā)新車型，改進汽車性能最重要的技術(shù)措施。未來汽車電子技術(shù)的應(yīng)用將使汽車更加智能化。智能汽車裝備有多種傳感器，能夠充分感知駕車者和乘客的狀況，交通設(shè)施和周邊環(huán)境的信息，判斷乘員是否處于最佳狀態(tài)，車輛和人是否會發(fā)生危險，并及時采取對應(yīng)措施。本文主要圍繞柴油顆粒濾清系統(tǒng)這個方面應(yīng)用來對差壓傳感器做簡單的介紹

發(fā)表于：4/21/2019

網(wǎng)絡(luò)規(guī)模更小、速度更快，這是谷歌提出的MorphNet[可編程邏輯][數(shù)據(jù)中心]

一直以來，深度神經(jīng)網(wǎng)絡(luò)在圖像分類、文本識別等實際問題中發(fā)揮重要的作用。但是，考慮到計算資源和時間，深度神經(jīng)網(wǎng)絡(luò)架構(gòu)往往成本很高。

發(fā)表于：4/21/2019

速度提高100萬倍，哈佛醫(yī)學(xué)院大神提出可預(yù)測蛋白質(zhì)結(jié)構(gòu)的新型深度模型[可編程邏輯][數(shù)據(jù)中心]

蛋白質(zhì)結(jié)構(gòu)預(yù)測是生命科學(xué)領(lǐng)域的一大難題。近日，來自哈佛大學(xué)醫(yī)學(xué)院的研究人員提出了一種基于氨基酸序列預(yù)測蛋白質(zhì)結(jié)構(gòu)的新方法，準確率可媲美當(dāng)前最佳方案，但預(yù)測速度提升了100萬倍。

發(fā)表于：4/21/2019

NAACL 2019 | 怎樣生成語言才能更自然，斯坦福提出超越Perplexity的評估新方法[可編程邏輯][數(shù)據(jù)中心]

語言生成不夠「生動」？Percy Liang 等來自斯坦福大學(xué)的研究者提出了自然語言評估新標準。

發(fā)表于：4/21/2019

機器學(xué)習(xí)如何解決「看病難」？Jeff Dean等詳述機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用[可編程邏輯][數(shù)據(jù)中心]

在這篇文章中，Jeff Dean 等人工智能大牛描繪了一幅機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用藍圖。

發(fā)表于：4/21/2019

CVPR 2019 | 百度無人車實現(xiàn)全球首個基于深度學(xué)習(xí)的激光點云自定位技術(shù)[可編程邏輯][數(shù)據(jù)中心]

數(shù)名來自百度智能駕駛事業(yè)群組（Baidu IDG）的研究員和工程師們實現(xiàn)了全球首個基于深度學(xué)習(xí)的激光點云自定位技術(shù)，不同于傳統(tǒng)的人工設(shè)計的復(fù)雜算法，該系統(tǒng)首度基于深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)了高精度厘米級的自定位效果，取得了重要的技術(shù)突破。

發(fā)表于：4/21/2019

曠視聯(lián)合智源發(fā)布全球最大物體檢測數(shù)據(jù)集Objects365，舉辦CVPR DIW2019挑戰(zhàn)賽[模擬設(shè)計][其他]

4 月 16 日，北京智源人工智能研究院（Beijing Academy of Artificial Intelligence，BAAI，2018 年 11 月 14 日成立）在北京會議中心召開了「智源學(xué)者計劃暨聯(lián)合實驗室發(fā)布會」。

發(fā)表于：4/21/2019

維基百科你已經(jīng)是個大百科了，該自己學(xué)會用ML識別原文出處了[可編程邏輯][數(shù)據(jù)中心]

維基百科可能是我們認為比較客觀真實的材料了，但它包羅萬象卻又會引起一些小問題，例如很多句子或說法提供不了引用出處。

發(fā)表于：4/21/2019

CVPR 2019 | PointConv：在點云上高效實現(xiàn)卷積操作[可編程邏輯][數(shù)據(jù)中心]

3D 點云是一種不規(guī)則且無序的數(shù)據(jù)類型，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)難以處理點云數(shù)據(jù)。來自俄勒岡州立大學(xué)機器人技術(shù)與智能系統(tǒng)（CoRIS）研究所的研究者提出了 PointConv，可以高效的對非均勻采樣的 3D 點云數(shù)據(jù)進行卷積操作，該方法在多個數(shù)據(jù)集上實現(xiàn)了優(yōu)秀的性能。

發(fā)表于：4/21/2019