123,123

一種用于PCIe多通道的De-skew電路設計[模擬設計][其他]

在PCIe多通道數據傳輸過程中，當各通道數據到達時間不一致時，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據，需要對傳輸數據進行預處理。提出了一種De-skew邏輯電路，利用同步FIFO實現了多通道的De-skew，完成了相應的邏輯設計。并利用UVM以及VIP技術搭建了驗證平臺，測試結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：2022/11/9 14:07:00

關聯(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絡進行參數更新，增強網絡的魯棒性與自適應性。實驗結果表明，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：2022/11/9 14:03:00

基于動態(tài)圖注意力聚合多跳鄰域的實體對齊[其他][其他]

實體對齊是實現對不同來源知識庫進行融合的重要技術方法，在知識圖譜、知識補全領域具有廣泛應用?，F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)圖注意力結構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)圖注意力網絡獲得多跳節(jié)點注意力系數并建模，再次利用逐層門控網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的三類跨語言數據集中都獲得了一定的提高，證明了應用動態(tài)圖注意力網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：2022/11/9 13:55:00

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、高強度板帶產品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產品質量的主要評價指標?；跀祿诰蚣夹g，對軋機數據庫中的數據進行分析與處理，其中數據挖掘技術采用深度置信網絡(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結合，構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絡的權值矩陣和偏置供BP算法使用，而BP算法通過誤差反向傳播的方式對整個網絡進行微調。該方法克服了BP算法因隨機初始化權值參數而陷入局部最優(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：2022/11/9 13:39:00

智慧軍營研究綜述及展望[其他][其他]

首先介紹了智慧軍營的研究背景以及其在國防領域的重要性。其次結合智慧營區(qū)研究建設目前處于初級階段所存在的問題與挑戰(zhàn)，對智慧軍營體系架構和其中各層級的研究現狀及成果進行了詳細探討和評價。最后結合技術發(fā)展趨勢和項目建設經驗論述了智慧軍營未來的研究方向和發(fā)展趨勢。

發(fā)表于：2022/11/9 13:35:00

智能計算芯片技術及產業(yè)趨勢和對北京的建議[其他][其他]

智能計算芯片是處理海量數據，體現計算能力的硬件載體，是承載數字經濟時代生產力的重要支撐。隨著人工智能、5G、大數據、區(qū)塊鏈等新一代信息技術的規(guī)?；瘧?，行業(yè)數字化轉型和產業(yè)智能化升級對計算資源的需求呈現指數級增長。加上集成電路的發(fā)展進入后摩爾時代，現行計算架構(馮·諾依曼架構)缺陷所導致的瓶頸愈加凸顯，發(fā)展受到嚴重挑戰(zhàn)。而滿足多樣化計算需求的新型計算架構和計算范式、滿足智能計算需求的先進封裝技術、基于新材料新工藝的新型計算器件也進入到創(chuàng)新活躍的階段，智能計算芯片迎來了快速發(fā)展的黃金時代。綜合分析了數字經濟時代智能計算芯片的戰(zhàn)略重要性，梳理了國內外智能計算主要產業(yè)格局、新興關鍵技術以及發(fā)展機遇，并對北京發(fā)展智能計算芯片的機遇與路徑提出相關建議。

發(fā)表于：2022/11/9 13:30:00

針對遙感影像的MSA-YOLO儲油罐目標檢測[其他][其他]

原油作為一種重要的戰(zhàn)略物資，在我國經濟和軍事等多個領域均起到重要作用。提出一種算法MSA-YOLO(MultiScale Adaptive YOLO)，該算法在YOLOv4算法的基礎上進行優(yōu)化，并基于以吉林一號光學遙感衛(wèi)星影像為主的遙感圖像數據集進行實驗，對特定監(jiān)控區(qū)域內的儲油罐進行識別與分類。算法優(yōu)化內容包括：為簡化儲油罐監(jiān)測模型同時保證模型的效率，對YOLOv4的網絡結構中的多尺度識別模塊進行修剪；使用k-means++聚類算法進行初始錨框的選取，使模型加速收斂；使用基于CIoU-NMS的優(yōu)化，進一步提升推理速度和準確度。實驗結果表明，與YOLOv4相比，MSA-YOLO模型參數數量減少25.84%；模型尺寸減少62.13%；在Tesla V100的GPU環(huán)境下，模型的訓練速度提升6 s/epoch，推理速度提升15.76 F/s；平均精度為95.65%。與此同時，MSA-YOLO算法在多種通用目標識別算法進行的對比實驗中均體現出了更高效的特點。MSA-YOLO算法對儲油罐進行準確且實時的識別具有通用可行性，可為遙感數據在能源期貨領域提供技術參考。

發(fā)表于：2022/11/9 13:26:00

基于Involution Prediction Head的小目標檢測算法[其他][其他]

針對通用目標檢測算法在檢測小目標時存在錯檢和漏檢等問題,提出了一種小目標檢測算法IPH(Involution Prediction Head)，將其運用在YOLOv4和YOLOv5的檢測頭部分，在VOC2007數據集上的實驗結果表明，運用IPH后的YOLOv4小目標檢測精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。經智能交通檢測數據集進一步檢驗，IPH算法和去下采樣能有效提升小目標檢測精度，減少錯檢和漏檢的情況。

發(fā)表于：2022/11/9 13:22:00

基于改進暗通道先驗的車牌圖像去霧方法研究[MEMS|傳感技術][智能交通]

針對霧霾場景下車牌識別系統(tǒng)存在識別精度較差的問題，提出改進型車牌識別模型。該模型運用改進型暗通道先驗去霧算法進行去霧處理，考慮到原去霧算法處理含明亮區(qū)域霧霾圖像時會出現顏色失真等問題，首先對大氣光值進行閾值限制，其次對引入因子進行優(yōu)化選擇，最后引入容差機制以修正透射率，并對圖像亮度進行調整以提升圖像可視化效果。仿真結果表明，運用改進后算法得到的去霧結果在PSNR、SSIM、Entropy、e性能上相對于改進前分別平均提升1.934 dB、0.082、0.235、38.995。將去霧前后車牌圖像進行識別測試，車牌識別精度提升22%，證明了所提模型的優(yōu)越性。

發(fā)表于：2022/11/9 13:17:00

基于Swin Transformer的肝囊型包蟲病超聲圖分類研究[其他][醫(yī)療電子]

為了提高肝包蟲病的篩查和診斷效率，彌補部分地區(qū)醫(yī)療資源不足的情況，提出一種基于Swin Transformer的肝包蟲病病灶智能分型方法，結合卷積注意力機制模型，通過學習圖像的整體和局部細節(jié)特征來實現對五種類型的囊型包蟲病病灶的全自動分類。為了驗證模型具有優(yōu)越性，將提出的預測模型與常見分類模型對比分析。結果顯示基于改進的Swin Transformer模型在測試集上分類準確率可達92.6%。實驗結果表明相較于其他算法，基于改進的Swin Transformer網絡能較好地分類出肝囊型包蟲超聲圖像，并且該方法可以推廣到其他醫(yī)療應用中。

發(fā)表于：2022/11/9 13:13:00