吃奶呻吟打开双腿做受动态图,久久久免费视频国产精品,美女黄色视频在线免费观看

基于NVRAM復(fù)合故障日志的機(jī)載雷達(dá)故障定位[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為解決機(jī)載雷達(dá)在復(fù)雜故障情景中因故障現(xiàn)象強(qiáng)耦合導(dǎo)致的分析和定位困難問題，提出了一種基于NVRAM故障日志的復(fù)合故障日志設(shè)計方法。該方法將BIT信息和狀態(tài)標(biāo)志等多種數(shù)據(jù)整合，用于優(yōu)化故障定位過程。以某機(jī)載雷達(dá)典型故障為例，在采用該設(shè)計的復(fù)合故障日志后，能夠迅速定位故障并揭示故障出現(xiàn)的根源，查出故障機(jī)理，同時驗證了該方法的有效性。通過復(fù)合故障日志的故障分析與定位，能夠有效解決機(jī)載雷達(dá)產(chǎn)品故障定位中的不確定性問題，并處理故障發(fā)生時的多重故障現(xiàn)象，從而顯著提高故障定位的效率。

發(fā)表于：6/19/2025

基于聲波激勵天線圓形陣列空間連續(xù)采樣的地下目標(biāo)三維定位方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

聲波激勵天線技術(shù)能夠使天線尺寸實現(xiàn)數(shù)量級縮減，可在甚高頻段實現(xiàn)探地雷達(dá)系統(tǒng)的小型化。但當(dāng)前聲波激勵天線帶寬受限，距離分辨率較低，針對該問題，提出一種不依賴距離分辨率的圓形陣列波達(dá)方向估計聯(lián)合空間連續(xù)采樣的地下目標(biāo)三維定位方法。依靠聲波激勵天線小尺寸優(yōu)勢構(gòu)建均勻圓形陣列，利用二維波達(dá)方向估計獲得目標(biāo)方位角和俯仰角，根據(jù)二維角度在空間連續(xù)采樣中的變化規(guī)律，采用遺傳算法對地下目標(biāo)三維坐標(biāo)進(jìn)行估計。數(shù)值仿真結(jié)果表明，本方法三維定位精度均方根誤差為0.039 m，優(yōu)于傳統(tǒng)寬帶天線系統(tǒng)使用雙曲線頂點檢測方法，且魯棒性良好，電磁仿真結(jié)果表明本方法具備地下目標(biāo)三維定位能力。

發(fā)表于：6/19/2025

大功率射頻放大電路過沖損傷的研究與設(shè)計[微波|射頻][通信網(wǎng)絡(luò)]

大功率射頻放大電路因多種不易察覺的設(shè)計缺陷極易出現(xiàn)功率過沖情況，對硬件的可靠性和使用壽命造成不可忽視的影響，且嚴(yán)重干擾工作質(zhì)量。針對大功率射頻放大電路過沖損傷問題，重點研究收發(fā)時序控制、頻率控制、ALC響應(yīng)等對大功率射頻放大電路的可靠性和使用壽命的影響，提出大功率射頻放大電路收發(fā)時序控制、頻率控制、ALC響應(yīng)的設(shè)計原則。典型運用和驗證表明，正確、可靠的收發(fā)時序控制、頻率控制、ALC響應(yīng)能夠有效解決過沖損傷問題，提高產(chǎn)品的可靠性和使用壽命。

發(fā)表于：6/19/2025

基于FPGA的音頻Sigma-Delta調(diào)制器設(shè)計與實現(xiàn)[可編程邏輯][消費電子]

隨著數(shù)字音源的普及，數(shù)模轉(zhuǎn)換器（Digital to Analog Converter， DAC）成為音頻設(shè)備中不可或缺的元件，其精度往往決定著整個系統(tǒng)的信號保真度?；诖?，利用噪聲整形技術(shù)對用于高精度音頻DAC的Sigma-Delta調(diào)制器進(jìn)行設(shè)計和現(xiàn)場可編程門陣列（Field Programmable Gate Array， FPGA）實現(xiàn)。通過搭建測試系統(tǒng)，測試結(jié)果表明，所設(shè)計的Sigma-Delta調(diào)制器在輸入信號為1 411.2 kHz采樣頻率、1 kHz頻率、0 dBFS（Full Scale）幅度的正弦信號條件下，其輸出信噪比（Signal to Noise Ratio， SNR）可達(dá)107.4 dB；當(dāng)輸入信號頻率在音頻頻帶內(nèi)時（輸入信號幅度為0 dBFS），其輸出SNR穩(wěn)定保持在104 dB以上；并可用于WAV音樂播放器中。

發(fā)表于：6/19/2025

一款雙頻段雙極化天線設(shè)計[微波|射頻][通信網(wǎng)絡(luò)]

設(shè)計了一款2.4 GHz和5.8 GHz頻段的雙頻雙極化天線，可應(yīng)用于同步雙通道無線通信。首先利用特征模理論分析無U形縫隙加載的輻射結(jié)構(gòu)的諧振特性，存在兩個不同的諧振模式；其次引入輻射結(jié)構(gòu)加載U形縫隙，在高頻段得到兩個幅度相同，相位差為90°的諧振模式，實現(xiàn)了圓極化；最后在模式電流最大處引入耦合饋電，實現(xiàn)雙頻雙極化天線的設(shè)計并進(jìn)行實測驗證。實測結(jié)果表明：天線在低頻處實現(xiàn)全向線極化，阻抗帶寬為2.1%（2.38 GHz~2.43 GHz）；在高頻處實現(xiàn)定向圓極化，阻抗帶寬為22.8%（4.90 GHz~6.16 GHz），軸比帶寬為2.4%（5.75 GHz~5.89 GHz）。測量結(jié)果和仿真結(jié)果基本吻合，驗證了設(shè)計的有效性。

發(fā)表于：6/19/2025

用于多機(jī)協(xié)同平臺的高隔離度收發(fā)一體射頻裝置[微波|射頻][通信網(wǎng)絡(luò)]

針對多機(jī)協(xié)同平臺的通信需求，提供了一種高隔離度、寬動態(tài)、快速響應(yīng)的收發(fā)一體射頻裝置設(shè)計方法。介紹了收發(fā)一體機(jī)的射頻電路架構(gòu)設(shè)計，從工程應(yīng)用角度詳細(xì)分析了AGC電路、隔離度、線性度等關(guān)鍵技術(shù)指標(biāo)。研制了一種高隔離度的收發(fā)一體4×2射頻開關(guān)矩陣，通過裝機(jī)測試試驗，收發(fā)隔離度指標(biāo)大于99 dB，接收動態(tài)范圍大于65 dB，收發(fā)一體射頻裝置的各項射頻指標(biāo)可靠穩(wěn)定，滿足多機(jī)通信使用需求，為后續(xù)多機(jī)數(shù)據(jù)交換設(shè)備的研制提供了參考。

發(fā)表于：6/19/2025

基于物聯(lián)網(wǎng)邊云協(xié)同的電網(wǎng)靈活性資源聚合商博弈優(yōu)化調(diào)度方法[模擬設(shè)計][物聯(lián)網(wǎng)]

提出了一種基于云邊協(xié)同的能量管理雙層優(yōu)化算法，旨在優(yōu)化電網(wǎng)運營商與用戶聚合商的調(diào)度。該算法通過邊緣計算提升用戶聚合商的計算能力，降低能源系統(tǒng)運行成本和計算復(fù)雜度。采用修正最優(yōu)值函數(shù)的啟發(fā)式算法求解雙線性優(yōu)化問題，實驗表明，該框架提高了協(xié)同效率，為能源管理系統(tǒng)提供了技術(shù)支持。

發(fā)表于：6/19/2025

基于改進(jìn)CenterNet的發(fā)票檢測算法[模擬設(shè)計][其他]

為了提高發(fā)票檢測準(zhǔn)確性和效率，提出了一種基于CenterNet的發(fā)票檢測算法。首先，算法模型采用類似CSPDarkNet作為主干網(wǎng)絡(luò)，將Triplet Attention引入CSP結(jié)構(gòu)中形成TA-CSP結(jié)構(gòu)，主干網(wǎng)絡(luò)末端引入ASPP以提高網(wǎng)絡(luò)的感受野范圍，使模型能夠更好地理解圖像的上下文信息；其次，在網(wǎng)絡(luò)的Neck部分，采用CBAM來引導(dǎo)高低層特征融合，利用高層特征圖中語義信息對低層特征圖進(jìn)行監(jiān)督，以抑制低層特征圖中的背景噪聲；再次，在網(wǎng)絡(luò)的Head部分，算法在CenterNet網(wǎng)絡(luò)的基礎(chǔ)上增加4個通道的特征圖輸出，在發(fā)票檢測的同時實現(xiàn)發(fā)票朝向的預(yù)測；最后，在損失函數(shù)中增加朝向損失項，以解決發(fā)票朝向的優(yōu)化。在測試數(shù)據(jù)集上的實驗結(jié)果表明，本文算法mAP優(yōu)于CenterNet和YOLOv5s算法達(dá)到84.3%，有效提高了發(fā)票檢測準(zhǔn)確率和魯棒性。

發(fā)表于：6/19/2025

基于Unity3D的虛擬鄉(xiāng)村漫游系統(tǒng)設(shè)計與實現(xiàn)[模擬設(shè)計][其他]

針對當(dāng)前鄉(xiāng)村旅游基礎(chǔ)設(shè)施薄弱、宣傳手段有限及現(xiàn)有鄉(xiāng)村漫游系統(tǒng)功能單一的現(xiàn)狀，以臨安區(qū)青山殿村為示范，運用Blender三維建模技術(shù)，結(jié)合Unity3D平臺打造沉浸式場景交互設(shè)計，通過LOD優(yōu)化、分區(qū)加載及視錐剔除策略，開發(fā)出高度沉浸、強(qiáng)互動的虛擬鄉(xiāng)村漫游系統(tǒng)。該系統(tǒng)不僅兼容Web平臺，還支持VR單車漫游，讓用戶體驗更真實、便捷，旨在推動鄉(xiāng)村文化傳播，促進(jìn)旅游資源的可持續(xù)開發(fā)與利用。

發(fā)表于：6/19/2025

突發(fā)通信快速定時恢復(fù)設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

采用反饋結(jié)構(gòu)定時恢復(fù)的數(shù)字接收機(jī)環(huán)路鎖定時間存在不確定性，無法滿足突發(fā)通信快速同步的需求。為快速獲取定時誤差，同時兼顧實現(xiàn)的復(fù)雜度和資源，提出了一種2倍采樣下前饋結(jié)構(gòu)的定時恢復(fù)方法。首先，根據(jù)同步段檢測的相關(guān)峰值，利用拋物線估計得到定時誤差；然后，通過四點分段拋物線插值將采樣數(shù)據(jù)進(jìn)行重構(gòu)，恢復(fù)出定時同步的數(shù)據(jù)；最后，采用現(xiàn)場可編程門陣列硬件平臺對該方法進(jìn)行了實現(xiàn)及驗證。實驗結(jié)果表明，該方法計算量小、實現(xiàn)復(fù)雜度低，誤碼率在10-5時較理想采樣仿真性能只損失0.05 dB，實現(xiàn)性能損失在0.2 dB以內(nèi)。

發(fā)表于：6/18/2025

基于廣義Matern硬核點過程的兩層異構(gòu)蜂窩網(wǎng)絡(luò)的性能分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

廣義Matern硬核點過程（Generalized Matern Hard-Core Point Process， GMHCPP）是在硬核點過程的基礎(chǔ)上通過引入競爭函數(shù)和刪減函數(shù)來限制保留概率的一種排斥點過程。針對兩層異構(gòu)蜂窩網(wǎng)絡(luò)模型中宏基站與微基站的性能進(jìn)行了深入研究，獲得了該模型的覆蓋概率和平均可達(dá)速率的近似表達(dá)式。首先，基于宏基站的性能差異及其排斥性生成保留概率函數(shù)，進(jìn)而，將宏基站的部署以GMHCPP建模。然后，采用蒙特卡羅模擬方法對基站分布進(jìn)行仿真，并繪制出了平均干擾信號比與路徑損耗因子的關(guān)系圖，根據(jù)該函數(shù)圖，擬合得到了用泊松點過程近似時GMHCPP的增益因子表達(dá)式。最后，將增益因子代入覆蓋概率和平均可達(dá)速率公式，對兩層異構(gòu)蜂窩網(wǎng)絡(luò)模型的性能指標(biāo)進(jìn)行了仿真與分析。

發(fā)表于：6/18/2025

面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法[人工智能][其他]

為解決數(shù)據(jù)冗余沖突與關(guān)聯(lián)缺失問題，研究面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法，提升數(shù)據(jù)融合的可靠性。利用網(wǎng)絡(luò)本體語言為多源異構(gòu)數(shù)據(jù)建立對應(yīng)的領(lǐng)域本體庫與全局本體庫，使得知識實體抽取和知識融合在同一框架下進(jìn)行；通過長短期記憶網(wǎng)絡(luò)-條件隨機(jī)場模型，在本體庫約束下，從多源異構(gòu)數(shù)據(jù)中抽取符合領(lǐng)域定義的知識實體；利用基于層次過濾思想的知識融合模型，可視化融合抽取的知識實體，解決多源異構(gòu)數(shù)據(jù)中冗余信息和不一致性問題，形成準(zhǔn)確、完整、可靠的多源異構(gòu)數(shù)據(jù)可視化融合知識圖譜，有助于發(fā)現(xiàn)潛在的數(shù)據(jù)關(guān)聯(lián)，補(bǔ)全數(shù)據(jù)關(guān)聯(lián)缺失。實驗結(jié)果表明：隨著數(shù)據(jù)缺失比例的提升，尺度系數(shù)與屬性覆蓋度均開始下降，最低尺度系數(shù)與屬性覆蓋度是0.86與0.87，均顯著高于對應(yīng)的閾值；所提方法在處理四個數(shù)據(jù)源時，視覺清晰度達(dá)93%~97%，信息融合度達(dá)92%~96%，均優(yōu)于對比方法。說明該方法可有效抽取多源異構(gòu)數(shù)據(jù)知識實體，建立知識圖譜，實現(xiàn)多源異構(gòu)數(shù)據(jù)可視化融合；在不同數(shù)據(jù)缺失比例下，該方法多源異構(gòu)數(shù)據(jù)可視化融合的尺度系數(shù)與屬性覆蓋度均較大，即數(shù)據(jù)可視化融合效果較優(yōu)；同時有效提升了數(shù)據(jù)可視化效果和信息整合程度。

發(fā)表于：6/18/2025

復(fù)雜景觀圖像的語義多狀態(tài)圖像風(fēng)格遷移[人工智能][其他]

復(fù)雜景觀圖像包含具有不同特征的各種對象，傳統(tǒng)的風(fēng)格遷移方法無法在同一圖像中對不同對象進(jìn)行局部風(fēng)格遷移。CycleGAN可以通過偽監(jiān)督策略在沒有配對樣本的情況下實現(xiàn)風(fēng)格遷移。但是CycleGAN無法實現(xiàn)對復(fù)雜風(fēng)景圖像中不同類別對象的風(fēng)格遷移；同時CycleGAN在復(fù)雜場景中的泛化能力不足且復(fù)雜度高。因此，提出了一種基于語義類別的復(fù)雜風(fēng)景多狀態(tài)圖像生成方法，即語義類別風(fēng)格遷移（Semantic Category Style Transfer，SCST），能夠有效地結(jié)合局部特征實現(xiàn)復(fù)雜風(fēng)景的圖像生成。同時提出了上下文感知的風(fēng)格遷移模型GCycleGAN。實驗結(jié)果表明本文提出的GCycleGAN的性能優(yōu)于CycleGAN、DualGAN和Munit等基于深度學(xué)習(xí)的圖像生成模型。

發(fā)表于：6/18/2025

基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷[人工智能][智能電網(wǎng)]

SF6（六氟化硫）斷路器是保障電網(wǎng)穩(wěn)定運行的重要設(shè)備，但其在長期使用中容易發(fā)生漏氣問題，既影響設(shè)備性能，又威脅電網(wǎng)的安全性。為精準(zhǔn)診斷SF6斷路器的漏氣故障，提出了一種基于Gini指數(shù)特征選擇和貝葉斯優(yōu)化（Bayesian Optimization， BO）的CNN-BiLSTM-Attention組合模型。首先，針對影響SF6斷路器漏氣的內(nèi)外部因素，進(jìn)行特征映射與重要性分析，并采用KMeans-SMOTE技術(shù)解決數(shù)據(jù)分布不均的問題。其次，利用基于Gini指數(shù)的方法篩選關(guān)鍵特征，并通過貝葉斯優(yōu)化精調(diào)CNN-BiLSTM-Attention模型的超參數(shù)以提升分類性能。實驗結(jié)果表明，設(shè)備缺陷、運行年限、運維水平、天氣和溫度是導(dǎo)致漏氣的主要因素。與其他模型相比，所提方法在漏氣故障的0/1分類任務(wù)中展現(xiàn)出更高的分類精度和魯棒性。研究不僅驗證了方法的有效性，還揭示了引發(fā)SF6斷路器漏氣的關(guān)鍵因素，為設(shè)備巡檢和運維管理提供了科學(xué)支持，進(jìn)一步提升了電網(wǎng)運行的安全性與可靠性。

發(fā)表于：6/18/2025

電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計][智能電網(wǎng)]

針對電力系統(tǒng)數(shù)據(jù)具有復(fù)雜性、多樣性特點，導(dǎo)致檢索難度過高的問題，設(shè)計了電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率，選取二分量一維混合高斯模型，構(gòu)建電力系統(tǒng)波動概率分布模型。對比概率分布模型模擬的電力系統(tǒng)波動數(shù)據(jù)與量測數(shù)據(jù)，依據(jù)判定閾值辨識電力系統(tǒng)較大波動數(shù)據(jù)條目，構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動數(shù)據(jù)條目的哈希特征，生成二值碼。較大波動數(shù)據(jù)條目檢索時，生成用戶檢索詞的二值編碼，計算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離，并對其加權(quán)處理，利用加權(quán)漢明距離排序數(shù)據(jù)條目，獲取較大波動數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實驗結(jié)果表明，該方法能夠依據(jù)用戶輸入的檢索詞，自適應(yīng)檢索電力系統(tǒng)較大波動數(shù)據(jù)條目，檢索結(jié)果的歸一化折損累積增益均高于0.9，檢索時間低于500 ms。

發(fā)表于：6/18/2025