韩国美女vip福利一区,波多野结衣超长120分钟,国产青娱乐视觉盛宴在线视频

基于UVM和C語言驗(yàn)證JTAG調(diào)試協(xié)議的研究與實(shí)現(xiàn)[可編程邏輯][工業(yè)自動(dòng)化]

芯片驗(yàn)證中，JTAG協(xié)議功能的好壞決定了芯片流片回來后是否具有可調(diào)試狀態(tài)。多數(shù)情況下是編寫一段既冗長(zhǎng)且不易維護(hù)的TestBench代碼進(jìn)行驗(yàn)證；有些情況依賴FPGA原型驗(yàn)證手段去驗(yàn)證JTAG協(xié)議，但在該情況下，一些模塊需進(jìn)行FPGA資源替換，無法保證與RTL級(jí)網(wǎng)表一致，可能導(dǎo)致流片后回來的芯片JTAG調(diào)試不通。針對(duì)這些情況，結(jié)合UVM方法學(xué)的通用性和C語言的便利性，提出一種基于UVM和C語言聯(lián)合驗(yàn)證JTAG調(diào)試協(xié)議的實(shí)現(xiàn)方法。UVM搭建驗(yàn)證JTAG協(xié)議的框架，C語言側(cè)編寫測(cè)試用例，用例通過調(diào)用UVM側(cè)實(shí)現(xiàn)的芯片JTAG接口驅(qū)動(dòng)時(shí)序的方法來到達(dá)實(shí)現(xiàn)C語言驗(yàn)證芯片JTAG協(xié)議的結(jié)果。

發(fā)表于：2023/10/23

風(fēng)云三號(hào)衛(wèi)星監(jiān)測(cè)海洋滸苔、赤潮和溢油*[測(cè)試測(cè)量][航空航天]

風(fēng)云衛(wèi)星對(duì)海洋環(huán)境災(zāi)害（滸苔、赤潮和溢油）的定量遙感監(jiān)測(cè)業(yè)務(wù)能力需要提升。利用風(fēng)云三號(hào)D星中分辨率光譜成像儀MERSI-II資料以及部分高分衛(wèi)星數(shù)據(jù)，探索解決大氣校正和云檢測(cè)兩個(gè)技術(shù)難點(diǎn)問題的方法，分別依據(jù)滸苔、赤潮和溢油的光譜特征，建立相關(guān)的遙感監(jiān)測(cè)算法，實(shí)現(xiàn)對(duì)海洋滸苔、赤潮和溢油的判識(shí)，并在相應(yīng)個(gè)例中取得較好的監(jiān)測(cè)效果。

發(fā)表于：2023/10/23

基于約束的多維Apriori改進(jìn)算法[其他][其他]

針對(duì)經(jīng)典多維關(guān)聯(lián)規(guī)則挖掘算法執(zhí)行效率不高、存在冗余規(guī)則的不足，提出基于約束的多維Apriori改進(jìn)算法，在多維Apriori算法的基礎(chǔ)上，將用戶約束引入挖掘過程，根據(jù)關(guān)于謂詞的約束產(chǎn)生用戶感興趣的頻繁謂詞集，并以此為依據(jù)刪減事務(wù)集。該算法一方面通過用戶約束大大縮減了候選謂詞集的產(chǎn)生，另一方面經(jīng)過刪減的事務(wù)集也降低了掃描數(shù)據(jù)庫的開銷，最終實(shí)現(xiàn)了挖掘效率的提高以及冗余規(guī)則的減少。應(yīng)用該算法在FPGA代碼缺陷事務(wù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明了該算法相比多維Apriori算法，在搜索效率以及挖掘結(jié)果的準(zhǔn)確性方面均得到了改善，有效提高了FPGA代碼缺陷分析的準(zhǔn)確性。

發(fā)表于：2023/10/23

基于云模型的變分自編碼器數(shù)據(jù)壓縮方法*[其他][醫(yī)療電子]

圖像數(shù)據(jù)解壓縮問題是一類重要的數(shù)據(jù)處理問題，數(shù)據(jù)特征學(xué)習(xí)在數(shù)據(jù)壓縮研究中有重要的研究?jī)r(jià)值。提出了一種基于云模型的變分自編碼器特征表征模型，將云模型作為變分自編碼器的先驗(yàn)分布，解決變分自編碼器在特征表征上的局限性。變分自編碼器的編碼器部分負(fù)責(zé)構(gòu)建數(shù)據(jù)的特征空間，通過在該空間中采樣獲得隱變量，完成數(shù)據(jù)壓縮；解碼器部分完成從數(shù)據(jù)特征到原數(shù)據(jù)的生成，即數(shù)據(jù)的解壓。在人臉數(shù)據(jù)集上與原方法作實(shí)驗(yàn)對(duì)比，驗(yàn)證了該方法的正確性和有效性。

發(fā)表于：2023/10/23

基于EWT-ARIMA組合模型的銀杏液流預(yù)測(cè)與因子關(guān)聯(lián)分析*[其他][其他]

樹干液流速率由于受到外在環(huán)境因子與內(nèi)在生長(zhǎng)機(jī)理的綜合作用，往往呈現(xiàn)出非線性與高隨機(jī)的特點(diǎn)，單一的預(yù)測(cè)方法往往難以對(duì)其做出較為準(zhǔn)確的預(yù)測(cè)。對(duì)此，提出引入經(jīng)驗(yàn)小波變換（EWT）方法，對(duì)非線性、高隨機(jī)的銀杏液流數(shù)據(jù)進(jìn)行分解，得到兩組多分辨率分析分量，分別對(duì)分量采用統(tǒng)計(jì)模型ARIMA進(jìn)行預(yù)測(cè)。根據(jù)真實(shí)數(shù)據(jù)實(shí)驗(yàn)結(jié)果驗(yàn)證，提出了EWT-ARIMA組合模型能夠較為準(zhǔn)確地預(yù)測(cè)樹干液流的變化趨勢(shì)，模型評(píng)價(jià)指標(biāo)MSE、MAE、MAPE、R2分別為11.05、2.488、0.1640、0.9599，相較單一ARIMA模型各項(xiàng)評(píng)價(jià)指標(biāo)均有較大提升。此外，還利用傳遞熵（EWT），無模型假設(shè)地對(duì)時(shí)滯內(nèi)環(huán)境因子與銀杏液流之間的因果關(guān)系進(jìn)行了探討。

發(fā)表于：2023/10/23

面向車聯(lián)網(wǎng)多播業(yè)務(wù)中斷概率約束的資源優(yōu)化研究[通信與網(wǎng)絡(luò)][汽車電子]

隨著汽車工業(yè)和通信技術(shù)的迅速發(fā)展，獲取高質(zhì)量的交通信息在車輛緊急情況中至關(guān)重要。在車聯(lián)網(wǎng)中車輛的高速移動(dòng)性會(huì)導(dǎo)致信息傳輸面臨中斷的風(fēng)險(xiǎn)，同時(shí)隨著車輛數(shù)目的增加，有限的頻譜資源為車聯(lián)網(wǎng)的功率分配帶來了挑戰(zhàn)。為了解決這一難題，采用單頻網(wǎng)絡(luò)技術(shù)，通過資源分配策略來降低信干噪比的中斷概率，最小化單頻網(wǎng)絡(luò)中每個(gè)路邊單元的傳輸功率。該優(yōu)化問題被建模為馬爾可夫決策過程，并采用基于好奇心驅(qū)動(dòng)的DQN（C-DQN）資源優(yōu)化算法來求解。大量仿真結(jié)果表明，該方案在滿足較低中斷概率的前提下最小化傳輸功率，所采用的算法與基準(zhǔn)算法相比，在學(xué)習(xí)速度和穩(wěn)定性方面具有良好的性能。

發(fā)表于：2023/10/23

一種高效的衛(wèi)星通信多模式身份認(rèn)證協(xié)議方案的設(shè)計(jì)方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)現(xiàn)有星地協(xié)同認(rèn)證模式認(rèn)證時(shí)延高、地面認(rèn)證服務(wù)器受到攻擊易導(dǎo)致故障等問題，創(chuàng)新性地提出一種可切換的高效多模式身份認(rèn)證方案。該方案采用星上主用、地面?zhèn)溆玫恼J(rèn)證模式，星上認(rèn)證模式下，可有效降低傳統(tǒng)星地認(rèn)證傳輸過程帶來的通信高時(shí)延，實(shí)現(xiàn)在不依賴地面歸屬網(wǎng)絡(luò)的情況下快速認(rèn)證；當(dāng)星上認(rèn)證模式不可使用時(shí)，可迅速切換地面認(rèn)證模式，保證認(rèn)證過程穩(wěn)定可靠，提高系統(tǒng)穩(wěn)定性和抗毀壞性。同時(shí)，該方案采用哈希算法和對(duì)稱加密算法完成認(rèn)證核心運(yùn)算，有效減少認(rèn)證過程計(jì)算開銷，在提高衛(wèi)星通信設(shè)備接入效率和安全性方面具有較高的應(yīng)用價(jià)值。

發(fā)表于：2023/10/23

基于改進(jìn)OS-ELM的電子鼻在線氣體濃度檢測(cè)*[測(cè)試測(cè)量][消費(fèi)電子]

電子鼻是一種仿生傳感系統(tǒng)，該設(shè)備能夠同時(shí)對(duì)多種氣體進(jìn)行識(shí)別，因此應(yīng)用在許多領(lǐng)域當(dāng)中。氣體濃度算法是電子鼻對(duì)氣體定量分析時(shí)的核心部分，為了提高電子鼻濃度檢測(cè)算法精度，提出一種基于在線序列極限學(xué)習(xí)機(jī)（Online Sequential-Extreme Learning Machine， OS-ELM）的預(yù)測(cè)模型。該模型通過一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM對(duì)氣體濃度進(jìn)行預(yù)測(cè)，并提出了一種改進(jìn)的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工調(diào)整模型參數(shù)的問題。由理論分析，改進(jìn)的算法比傳統(tǒng)PSO算法有更強(qiáng)的搜索能力。實(shí)驗(yàn)結(jié)果表明，所提模型對(duì)氣體的預(yù)測(cè)精度上較傳統(tǒng)的預(yù)測(cè)模型具有更高的預(yù)測(cè)精度和泛化能力。

發(fā)表于：2023/10/23

基于國產(chǎn)化云平臺(tái)的航天數(shù)據(jù)混合組播應(yīng)用技術(shù)[測(cè)試測(cè)量][航空航天]

構(gòu)建了一種基于云架構(gòu)的一體化計(jì)算機(jī)系統(tǒng)，系統(tǒng)國產(chǎn)化率100%。提出了基于國產(chǎn)化云平臺(tái)航天數(shù)據(jù)混合組播應(yīng)用技術(shù)，實(shí)現(xiàn)了操作系統(tǒng)、云平臺(tái)、虛擬機(jī)CPU資源三個(gè)層面技術(shù)優(yōu)化，解決了國產(chǎn)操作系統(tǒng)及云平臺(tái)網(wǎng)絡(luò)資源虛擬化對(duì)數(shù)據(jù)組播的性能瓶頸問題，提升了云平臺(tái)數(shù)據(jù)組播的性能。經(jīng)過實(shí)際測(cè)試，提升后性能可滿足了航天任務(wù)中心業(yè)務(wù)使用需求。

發(fā)表于：2023/10/23

H.265/HEVC熵解碼的分組并行流水線實(shí)現(xiàn)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

針對(duì)高效視頻編碼（H.265/HEVC）中CABAC熵解碼模塊的高資源消耗和數(shù)據(jù)依賴性，設(shè)計(jì)了一種多路并行的高效FPGA實(shí)現(xiàn)結(jié)構(gòu)。根據(jù)不同類型語法元素特性，采用分組并行數(shù)據(jù)調(diào)度方法，減少數(shù)據(jù)處理等待時(shí)間和內(nèi)部存儲(chǔ)器訪問次數(shù)，同時(shí)利用流水線技術(shù)實(shí)現(xiàn)運(yùn)算加速。評(píng)估驗(yàn)證結(jié)果表明，熵解碼模塊吞吐量可以達(dá)到1.64位元/時(shí)鐘周期，滿足當(dāng)下超高清視頻實(shí)時(shí)解碼的要求。

發(fā)表于：2023/10/23

一種應(yīng)用分段式電容陣列的20 MS/s 10-bit SAR ADC*[電子元件][工業(yè)自動(dòng)化]

設(shè)計(jì)了一個(gè)10位分辨率，20 MS/s采樣率的逐次逼近型模擬數(shù)字轉(zhuǎn)換器（SAR ADC）。該電路通過采用分段式電容陣列設(shè)計(jì)，縮短了量化過程中高位電容翻轉(zhuǎn)后所需要的穩(wěn)定時(shí)間，從而提高了量化速度。此外，還提出了一種新穎、高效的比較器校準(zhǔn)方法，以較低的成本實(shí)現(xiàn)了比較器失調(diào)電壓的抑制。該ADC芯片基于180 nm CMOS工藝設(shè)計(jì)制造，核心面積為0.213 5 mm2。實(shí)際測(cè)試結(jié)果表明，在1.8 V電源電壓、20 MS/s采樣頻率下，該ADC的信號(hào)噪聲失真比（SNDR）達(dá)到了58.24 dB。

發(fā)表于：2023/10/23

一種基于深度學(xué)習(xí)模型的無人機(jī)巡檢輸電線路山火檢測(cè)方法[人工智能][智能電網(wǎng)]

輸電巡檢圖像的背景復(fù)雜，目標(biāo)檢測(cè)易受干擾，基于YOLOX神經(jīng)網(wǎng)絡(luò)模型，提出一種輸電線路山火檢測(cè)方法。首先采用YOLOX的主干特征提取網(wǎng)絡(luò)框架，并將其中多尺度特征提取模塊的常規(guī)卷積替換為可變形卷積；其次在加強(qiáng)特征提取階段增加了通道注意力和空間注意力模塊的融合，能夠自適應(yīng)火焰的外形多變特點(diǎn)，更加有效地提取到山火特征，從而提高目標(biāo)檢測(cè)的準(zhǔn)確率。經(jīng)實(shí)驗(yàn)驗(yàn)證，所提方法能夠較為準(zhǔn)確地檢測(cè)到山火，滿足日常巡檢的需求。

發(fā)表于：2023/10/23

結(jié)合不確定性估計(jì)的輕量級(jí)人體關(guān)鍵點(diǎn)檢測(cè)算法[人工智能][醫(yī)療電子]

人體關(guān)鍵點(diǎn)檢測(cè)在智能視頻監(jiān)控、人機(jī)交互等領(lǐng)域有重要應(yīng)用。針對(duì)基于熱圖的人體關(guān)鍵點(diǎn)檢測(cè)算法依賴高分辨率熱圖、計(jì)算資源消耗大的問題，提出一種結(jié)合不確定性估計(jì)的輕量級(jí)算法。使用低分辨率熱圖，結(jié)合不確定性估計(jì)預(yù)測(cè)誤差分布的尺度參數(shù)，提高了預(yù)測(cè)結(jié)果的可信度；利用尺度參數(shù)監(jiān)督和約束熱圖，緩解梯度消失，增強(qiáng)了網(wǎng)絡(luò)的魯棒性。COCO數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果表明，與積分姿態(tài)回歸算法相比，改進(jìn)后算法的平均精度提高了3.3%，降低了資源占用。

發(fā)表于：2023/10/23

集成電路產(chǎn)業(yè)的多源數(shù)據(jù)融合前沿識(shí)別研究[電子元件][數(shù)據(jù)中心]

大數(shù)據(jù)時(shí)代，能夠精準(zhǔn)及時(shí)地識(shí)別研究前沿對(duì)于科技戰(zhàn)略的定位和科研方向的部署尤為重要，可提供更加全面的決策參考和依據(jù)。利用自開發(fā)的多源數(shù)據(jù)融合分析方法，從全球期刊論文、會(huì)議論文、專利文獻(xiàn)、科技新聞、研究報(bào)告、科技政策、標(biāo)準(zhǔn)等數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和去噪，有效識(shí)別出集成電路領(lǐng)域當(dāng)前的研究前沿和技術(shù)清單。當(dāng)前全球集成電路領(lǐng)域的研究熱點(diǎn)和重點(diǎn)發(fā)展方向集中在半導(dǎo)體制造設(shè)備、高制程制造技術(shù)上，重點(diǎn)產(chǎn)品集中在高端芯片、功率器件、傳感器、存儲(chǔ)器以及第三代半導(dǎo)體的相關(guān)產(chǎn)品上。中國半導(dǎo)體產(chǎn)業(yè)國產(chǎn)化迫在眉睫，前沿識(shí)別結(jié)果為政府與企業(yè)提供有價(jià)值的決策支持和參考。

發(fā)表于：2023/10/23

考慮多主體利益電力-交通耦合網(wǎng)絡(luò)定價(jià)策略*[電源技術(shù)][智能電網(wǎng)]

隨著電動(dòng)汽車滲透率的增加，電力網(wǎng)絡(luò)和交通網(wǎng)絡(luò)在時(shí)空上的耦合更加密切。為降低電動(dòng)汽車無序并入給電網(wǎng)安全穩(wěn)定運(yùn)行帶來的挑戰(zhàn)，充分考慮電力負(fù)荷需求和交通路況不確定性的影響，建立電動(dòng)汽車用戶-充電站聚合商-電網(wǎng)運(yùn)營商多主體利益分層博弈模型，在滿足約束條件的前提下基于改進(jìn)型蝙蝠算法對(duì)多主體利益分層優(yōu)化問題進(jìn)行求解。由仿真算例可知，電網(wǎng)運(yùn)營商針對(duì)不同電動(dòng)汽車滲透率積極調(diào)整定價(jià)策略可以獲得更高的運(yùn)行效益。所提方法能有效改善電網(wǎng)電壓質(zhì)量以確保系統(tǒng)安全穩(wěn)定運(yùn)行，為完善電力產(chǎn)業(yè)價(jià)值鏈體系提供理論支撐。

發(fā)表于：2023/10/23