最近免费观看高清日本大全,精品日韩亚洲欧美高清a,免费国产蜜桃视频

TTE網(wǎng)絡通信鏈路自動規(guī)劃方法研究[通信與網(wǎng)絡][通信網(wǎng)絡]

針對TTE網(wǎng)絡中存在的消息調(diào)度以及鏈路規(guī)劃依賴于手工配置、難以負擔龐大的網(wǎng)絡結(jié)構(gòu)等問題，對TTE網(wǎng)絡的通信鏈路規(guī)劃方法進行了仿真研究，構(gòu)建了鏈路規(guī)劃模型，通過頭腦風暴算法這種新型的啟發(fā)式算法來尋找問題的解。通過實驗仿真對比，驗證了頭腦風暴優(yōu)化算法的有效性以及在規(guī)劃后期有比遺傳算法更加穩(wěn)定的執(zhí)行效果，提升了網(wǎng)絡傳輸效率，有很廣泛的應用前景。

發(fā)表于：11/9/2022 2:36:00 PM

基于數(shù)值特征與圖像特征融合的調(diào)制識別方法[其他][其他]

為解決低信噪比條件下相移鍵控和正交幅度調(diào)制類信號利用時頻圖像分類時識別率低的問題，提出一種信號特征融合的方法。首先對接收信號數(shù)據(jù)進行高階累積量計算，獲取一維數(shù)值特征向量；其次采用時頻分析方法預處理得到信號時頻圖，利用卷積神經(jīng)網(wǎng)絡提取其一維圖像特征向量；將兩類特征向量級聯(lián)得到一維融合特征向量，基于融合后的特征向量經(jīng)過全連接網(wǎng)絡進一步運算后得出分類識別結(jié)果。仿真結(jié)果顯示，在1 dB條件下，相比于單一圖像特征，采用特征融合的方法可將調(diào)制信號的識別準確率提高10%～30%。

發(fā)表于：11/9/2022 2:31:00 PM

基于SDNSR-Net深度網(wǎng)絡的大規(guī)模MIMO信號檢測算法[其他][其他]

大規(guī)模多輸入多輸出(MIMO)系統(tǒng)能有效地提高頻譜效率，當天線規(guī)模漸進趨向于無窮時，最小均方誤差(MMSE)檢測算法能達到接近最優(yōu)的檢測性能。然而由于算法中存在矩陣求逆的步驟，帶來極高的計算復雜度，在大規(guī)模MIMO系統(tǒng)中難以實現(xiàn)。理查森(Richardson)算法能夠在不對矩陣求逆的情況下，以迭代的形式達到MMSE算法的檢測性能，但該算法受其松弛參數(shù)影響較大。在結(jié)合最陡梯度下降算法的Richardson算法(SDNSR)中，松弛參數(shù)的誤差可由梯度下降算法彌補，卻提高了計算復雜度。首先通過深度展開的思想，將SDNSR的迭代過程映射為深度檢測網(wǎng)絡(SDNSR-Net)；然后，通過修改網(wǎng)絡結(jié)構(gòu)及添加可訓練參數(shù)來降低計算復雜度并提高檢測精度。實驗結(jié)果表明，在上行鏈路大規(guī)模MIMO系統(tǒng)中不同信噪比和天線配置的情況下，SDNSR-Net都優(yōu)于其他典型的檢測算法，可作為實際中有效的待選檢測方案。

發(fā)表于：11/9/2022 2:26:00 PM

基于矩陣式軟件庫的航天系統(tǒng)快速構(gòu)建[通信與網(wǎng)絡][航空航天]

針對地面航天器數(shù)據(jù)中心多型號軟件系統(tǒng)構(gòu)建，提出了一種基于多維矩陣式軟件庫的快速定制構(gòu)建方法。首先，分析了航天數(shù)據(jù)中心系統(tǒng)的整體結(jié)構(gòu)，提出了可以滿足云計算應用的多態(tài)多層兼容復雜結(jié)構(gòu)；其次，介紹了適應航天數(shù)據(jù)中心的硬件系統(tǒng)微模塊機房部署方式，提出了操作使用與操作場地分離、軟件系統(tǒng)與硬件系統(tǒng)解耦的架構(gòu)設計；最后，提出了一種矩陣式定制化動態(tài)調(diào)度軟件庫，實現(xiàn)按需求靈活定制組建新應用系統(tǒng)、快速加載卸載應用系統(tǒng)的能力，并介紹了按需快速生成和動態(tài)加載卸載的流程。系統(tǒng)滿足了航天數(shù)據(jù)中心多系列多衛(wèi)星地面數(shù)據(jù)處理系統(tǒng)構(gòu)建的任務要求，有效降低了系統(tǒng)開發(fā)成本，減少了系統(tǒng)運維工作。

發(fā)表于：11/9/2022 2:22:00 PM

邊緣計算在用戶用電信息采集系統(tǒng)中的應用[其他][其他]

隨著當下的電力企業(yè)和電力用戶之間的溝通與交流越來越密切，用戶用電信息采集規(guī)模不斷增大，采集數(shù)據(jù)類型不斷增多，對數(shù)據(jù)采集頻率的要求也越來越高。目前，對用戶用電信息采集系統(tǒng)的研究大多為對系統(tǒng)架構(gòu)的優(yōu)化，少有對采集方法進行研究。因此，提出一種基于邊緣計算的快速抄表方法，將計算能力和數(shù)據(jù)存儲資源下沉至靠近數(shù)據(jù)源的位置，就近為終端設備提供低時延、高效率的采集存儲服務。并與傳統(tǒng)抄表方法的時間開銷及可靠性進行比較，實驗結(jié)果表明，將聚集的數(shù)據(jù)邊緣化處理提高了密集的用戶用電信息的采集效率。

發(fā)表于：11/9/2022 2:16:00 PM

基于信號調(diào)理芯片的運算放大器設計[電子元件][智能電網(wǎng)]

基于國內(nèi)40 V雙極型工藝設計了一種全差分運算放大器，應用于信號調(diào)理芯片的驅(qū)動模塊，運放輸出信號的幅值可通過外接電阻調(diào)節(jié)。整體電路結(jié)構(gòu)包含輸入級、中間級、輸出級、反饋電路和基準電路。輸入級電路引入電流并聯(lián)負反饋實現(xiàn)電壓到電流轉(zhuǎn)換，通過外圍電阻分流信號的一部分來設置主信號幅值。中間級采用共集-共射的電路結(jié)構(gòu)，提高電壓增益；功率輸出級采用全NPN的B類結(jié)構(gòu)，實現(xiàn)大功率輸出，提高電路驅(qū)動能力。同時電路引入共模反饋的電阻網(wǎng)絡，使輸出共模電壓集中在正負電源之間。在電源電壓為±15 V條件下測試結(jié)果為：輸出電壓有效值幅值范圍為1.488 V~18.57 V，直流失調(diào)電壓為-169 mV，輸出短路電流為65 mA，總諧波失真為-41.2 dB。

發(fā)表于：11/9/2022 2:12:00 PM

一種用于PCIe多通道的De-skew電路設計[模擬設計][其他]

在PCIe多通道數(shù)據(jù)傳輸過程中，當各通道數(shù)據(jù)到達時間不一致時，會引入相位偏移(Skew)問題。為了保證每條通道的接收端能夠同時且正確處理接收到的數(shù)據(jù)，需要對傳輸數(shù)據(jù)進行預處理。提出了一種De-skew邏輯電路，利用同步FIFO實現(xiàn)了多通道的De-skew，完成了相應的邏輯設計。并利用UVM以及VIP技術(shù)搭建了驗證平臺，測試結(jié)果驗證了設計的正確性和可行性。與其他常用解決方案對比表明，該邏輯設計具有全面性、優(yōu)越性和可復用性。

發(fā)表于：11/9/2022 2:07:00 PM

關(guān)聯(lián)動態(tài)特征的目標自適應跟蹤算法[其他][其他]

在復雜的靶場試驗場景中，試驗現(xiàn)場常常涉及揚塵、強光、遮擋等多變的自然環(huán)境。針對這種情況下快速運動的目標物體跟蹤，提出了一種關(guān)聯(lián)動態(tài)特征的單目標跟蹤算法。首先使用門控循環(huán)單元(Gated Recurrent Unit，GRU)提取待跟蹤目標的時序動態(tài)特征，獲得候選處理目標框集合；然后利用卷積網(wǎng)絡(Convolutional Neural Network，CNN)提取候選目標框的深度卷積特征并確定目標位置，同時分離出背景卷積特征；在跟蹤過程中，使用分離出的背景卷積特征圖對網(wǎng)絡進行參數(shù)更新，增強網(wǎng)絡的魯棒性與自適應性。實驗結(jié)果表明，所提出的算法可以對靶場圖像采集系統(tǒng)中的被試移動目標進行自適應跟蹤，并且在復雜環(huán)境背景下算法仍能保持優(yōu)異的魯棒性與適應性。

發(fā)表于：11/9/2022 2:03:00 PM

基于動態(tài)圖注意力聚合多跳鄰域的實體對齊[其他][其他]

實體對齊是實現(xiàn)對不同來源知識庫進行融合的重要技術(shù)方法，在知識圖譜、知識補全領域具有廣泛應用?，F(xiàn)有基于圖注意力的實體對齊模型多使用靜態(tài)圖注意力網(wǎng)絡且忽略了實體屬性中的語義信息，導致模型存在有限注意、難以擬合、表達能力不足等問題。針對這些問題，開展基于動態(tài)圖注意力結(jié)構(gòu)建模實體對齊方法研究，首先使用圖卷積層建模目標實體的單跳節(jié)點表示，其次應用動態(tài)圖注意力網(wǎng)絡獲得多跳節(jié)點注意力系數(shù)并建模，再次利用逐層門控網(wǎng)絡聚合圖卷積層與動態(tài)圖注意力層輸出的單跳、多跳節(jié)點信息，最后拼接通過外部知識預訓練自然語言模型提取的實體名稱屬性嵌入并進行相似度計算。該方法在DBP15K的三類跨語言數(shù)據(jù)集中都獲得了一定的提高，證明了應用動態(tài)圖注意力網(wǎng)絡與融入實體屬性語義在提高實體表示能力上的有效性。

發(fā)表于：11/9/2022 1:55:00 PM

基于DBN-BP深度算法的熱軋板帶橫斷面預測[其他][其他]

隨著各工業(yè)領域的快速發(fā)展，市場對薄規(guī)格、高強度板帶產(chǎn)品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產(chǎn)品質(zhì)量的主要評價指標?；跀?shù)據(jù)挖掘技術(shù)，對軋機數(shù)據(jù)庫中的數(shù)據(jù)進行分析與處理，其中數(shù)據(jù)挖掘技術(shù)采用深度置信網(wǎng)絡(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結(jié)合，構(gòu)建板帶橫向厚度分布的預測模型。DBN-BP算法由多個限制玻爾茲曼網(wǎng)絡(Restricted Botlzmann Machine，RBM)逐層堆疊而成，并使用無監(jiān)督的逐層訓練的方式得到網(wǎng)絡的權(quán)值矩陣和偏置供BP算法使用，而BP算法通過誤差反向傳播的方式對整個網(wǎng)絡進行微調(diào)。該方法克服了BP算法因隨機初始化權(quán)值參數(shù)而陷入局部最優(yōu)和訓練時間長的缺點。通過與BP算法相比較可知，采用DBN-BP方法預測終軋道次穩(wěn)定軋制時板帶中點厚度誤差在±5.6 μm范圍內(nèi)的概率可達95%；而BP算法的預測誤差范圍為±11 μm。并且通過對板帶橫斷面形狀的預測結(jié)果分析可知，相比于BP算法，DBN-BP深度學習方法對于板帶邊部厚度的預測更具有優(yōu)勢。

發(fā)表于：11/9/2022 1:39:00 PM