欧美性色19P,99国产精品国产成人综合,一级AV免费在线

衛(wèi)星通信鏈路上/下行及單/雙通道計算方法研究[其他][航空航天]

針對衛(wèi)星X波段通信系統(tǒng)鏈路設(shè)計需求，詳細研究了傳輸過程中的各項損耗、干擾及系統(tǒng)指標和特性，提出了衛(wèi)星通信系統(tǒng)的上、下行及單、雙通道情況下的多種鏈路計算方法，并通過實際示例驗證該計算模型的可行性。該計算方法模型可用于衛(wèi)星通信系統(tǒng)的參數(shù)選擇、信號質(zhì)量鏈路能力的預(yù)測，對衛(wèi)星通信系統(tǒng)的設(shè)計具有指導(dǎo)意義。

發(fā)表于：7/1/2022 3:07:00 PM

基于輕量級密集神經(jīng)網(wǎng)絡(luò)的車載自組網(wǎng)入侵檢測方法[通信與網(wǎng)絡(luò)][汽車電子]

在車載自組網(wǎng)中，攻擊者可以通過偽造、篡改消息等方式發(fā)布虛假交通信息，導(dǎo)致交通擁堵甚至是嚴重的交通事故，而傳統(tǒng)的入侵檢測方法不能滿足車載自組網(wǎng)的應(yīng)用需求。為了解決現(xiàn)階段車載網(wǎng)中入侵檢測方法性能低且存儲與時間成本高的問題，提出了一種基于密集神經(jīng)網(wǎng)絡(luò)的入侵檢測方法L-DenseNet(Light Dense Neural Network)，通過降低模型復(fù)雜性，提升算法訓(xùn)練速度和部署適應(yīng)性，使其更適用于車載自組網(wǎng)中的入侵檢測。在VeReMi數(shù)據(jù)集上進行對比實驗，結(jié)果表明，該方法在識別各類攻擊的精確率和召回率的綜合表現(xiàn)最好，且具有較少的時間成本和存儲開銷。

發(fā)表于：7/1/2022 3:03:00 PM

基于自校驗孿生神經(jīng)網(wǎng)絡(luò)的故障區(qū)段定位方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對中壓配電網(wǎng)區(qū)段定位方法所存在的由系統(tǒng)中性點接地方式、故障點距離和過渡電阻大小等環(huán)境因素，以及電流互感器極性未知或智能電表錯誤安裝等人為因素所導(dǎo)致的定位不準確問題，提出一種平穩(wěn)小波極性校驗下基于孿生神經(jīng)網(wǎng)絡(luò)的故障區(qū)段定位方法。首先，分析了零序電流暫態(tài)特征，指出了傳統(tǒng)線性相關(guān)法存在的定位缺陷；其次，使用平穩(wěn)小波變換解決信號同步和設(shè)備反接的問題；最后引入孿生神經(jīng)網(wǎng)絡(luò)對故障點上下游信號進行相似性匹配，經(jīng)訓(xùn)練該模型可以準確定位故障區(qū)段。通過仿真驗證，該方法具有較強的抗干擾能力，對于定位盲區(qū)也有較高的識別率。

發(fā)表于：7/1/2022 2:59:00 PM

基于表面掃描法的SiP器件近場電磁輻射測試方法[其他][其他]

在近場電磁輻射測試研究中，還沒有一套完整的面向單個元器件的測試方法。針對此問題，基于表面掃描法對SiP器件的近場電磁輻射測試方法進行研究。第一，利用X光研究SiP器件內(nèi)部結(jié)構(gòu)并進行干擾源分析；第二，完成硬件、軟件層搭建使器件進入工作狀態(tài)；第三，搭建近場測試系統(tǒng)，對工作中的器件實施近場測試。在案例研究中，所用SiP器件內(nèi)部封裝外圍器件和作為主要干擾源的處理器。近場測試結(jié)果顯示，PCB上輻射主要集中在SiP器件周圍，器件近場輻射集中在處理器芯片處。案例研究的結(jié)果說明這種測試方法可以有效測量SiP器件的近場電磁輻射，并對器件內(nèi)干擾源進行分析。

發(fā)表于：7/1/2022 2:55:00 PM

大擺幅輸出的高速線性行波驅(qū)動器[其他][其他]

基于0.13 μm SiGe BiCMOS工藝設(shè)計了高速線性行波馬赫-曾德爾調(diào)制器(Mach-Zehnder Modulators，MZM)驅(qū)動器。驅(qū)動器主要由三個部分組成，分別是輸入級、輸出級和直流消除(Direct Current Offset Compensation，DCOC)。輸入級在差分對的發(fā)射極引入可變電容和可變電阻來實現(xiàn)增益可調(diào)的功能，在輸出節(jié)點采用了并聯(lián)電感峰化技術(shù)來提高帶寬；輸出級中采用了擊穿電壓倍增技術(shù)來獲得大擺幅輸出電壓，以及采用了并聯(lián)電感峰化技術(shù)來提高帶寬；DCOC通過在行波MZM驅(qū)動器的輸出和輸入之間建立反饋以消除直流失調(diào)，并且采用了一階低通濾波器以保證環(huán)路穩(wěn)定。仿真結(jié)果顯示，驅(qū)動器的增益可以在較大的范圍內(nèi)可調(diào)，DCOC環(huán)路的相位裕度高達82°，最高工作速率為100 Gb/s，輸出Vpp約為4 V，可以很好地驅(qū)動行波MZM。

發(fā)表于：7/1/2022 2:50:00 PM

C-R型多通道10 bit SAR-ADC設(shè)計[模擬設(shè)計][其他]

采用0.13 μm工藝，設(shè)計并實現(xiàn)了一款單端CR型分級的10 bit SAR-ADC。在設(shè)計中，CR型分級的采用顯著降低了芯片面積，高5位的溫度計碼控制有效消除時鐘潰通等誤差，自舉開關(guān)的設(shè)計提高了采樣精度，前置放大器的高精度靜態(tài)比較器有效降低失調(diào)、提升了轉(zhuǎn)換精度。設(shè)計的ADC內(nèi)核尺寸為580 μm×290 μm，后仿真結(jié)果顯示，在采樣率1 MS/s下，輸入正弦信號200 kHz時，ENOB可達9.5位，EO=1 LSB。

發(fā)表于：7/1/2022 2:46:00 PM

Yolo神經(jīng)網(wǎng)絡(luò)在集成電路焊盤布局規(guī)則檢測上的應(yīng)用研究[模擬設(shè)計][通信網(wǎng)絡(luò)]

為探索深度學(xué)習(xí)在集成電路設(shè)計自動化上的應(yīng)用，以電源和接地焊盤的排列規(guī)則作為檢查案例，研究了Yolo v3神經(jīng)網(wǎng)絡(luò)在版圖檢查上的可行性。采用Python腳本批量生成版圖樣本圖片，并使用LabelImg進行標簽標記。使用TensorFlow框架編寫了基于Yolo v3的版圖檢查器。結(jié)果顯示，版圖檢查器在判斷焊盤布局正確性上實現(xiàn)了高精確率與高召回率。此外，還通過調(diào)整版圖的大小、形狀、對稱性與焊盤數(shù)目的方式對檢查器進行了進一步測試。檢查器仍表現(xiàn)卓越，體現(xiàn)出良好的擴展性。研究表明Yolo v3可以很好地找出焊盤布局的錯誤。深度學(xué)習(xí)在集成電路版圖檢查中的潛力大，值得繼續(xù)探索。

發(fā)表于：7/1/2022 2:42:00 PM

基于SiP技術(shù)的某分組件及測試系統(tǒng)設(shè)計與實現(xiàn)[模擬設(shè)計][工業(yè)自動化]

系統(tǒng)級封裝SiP已成為突破摩爾定律的主要技術(shù)路線，是未來武器裝備小型化和多功能化的重要依托，在武器裝備研制和應(yīng)用領(lǐng)域具有廣闊的市場和前景。針對區(qū)域信號目標識別系統(tǒng)輕量化、小型化、集成化、低功耗等要求，設(shè)計一種基于SiP技術(shù)的某分組件并為此開發(fā)一套自動化測試系統(tǒng)，通過該自動化測試系統(tǒng)對200多套產(chǎn)品進行試驗，得出該產(chǎn)品性能穩(wěn)定、可靠；輕量化、小型化、低功耗等要求也滿足客戶要求。

發(fā)表于：7/1/2022 2:38:00 PM

基于YOLOv3-tiny的視頻監(jiān)控目標檢測算法[其他][其他]

目標檢測算法在視頻監(jiān)控領(lǐng)域有著較大的實用價值。針對當(dāng)前在資源受限的視頻監(jiān)控系統(tǒng)中實現(xiàn)實時目標檢測較為困難的情況，提出了一種基于YOLOv3-tiny改進的目標檢測算法。該算法在YOLOv3-tiny架構(gòu)的基礎(chǔ)之上，通過添加特征重用來優(yōu)化骨干網(wǎng)絡(luò)結(jié)構(gòu)，并提出全連接注意力混合模塊來學(xué)習(xí)到更豐富的空間信息，更適合資源約束條件下的目標檢測。實驗數(shù)據(jù)表明，該算法相比于YOLOv3-tiny在模型體積降低39.2%，參數(shù)量降低39.8%，且在VOC數(shù)據(jù)集上提高了2.7%的mAP，在提高檢測精度的同時顯著降低了模型資源占用。

發(fā)表于：7/1/2022 2:33:00 PM

基于YOLOv5l的囊型肝包蟲病病灶檢測研究[其他][醫(yī)療電子]

針對臨床醫(yī)生在診斷肝包蟲病時需要通過個人經(jīng)驗判斷囊型肝包蟲病分型，研究基于目標檢測算法的肝包蟲病灶自動檢測與分類模型，實現(xiàn)對肝包蟲病超聲影像的自動識別與分類。使用YOLOv5l模型作為囊型肝包蟲病病灶目標檢測的模型，利用本地肝包蟲病超聲影像數(shù)據(jù)集對網(wǎng)絡(luò)模型進行訓(xùn)練?；赮OLOv5l模型與隨機梯度下降算法(SGD)優(yōu)化算法的肝包蟲病病灶自動檢測分類模型可以很好地對5種類型的病灶進行有效的檢測，平均精度均值(mAP)為88.1%，經(jīng)過測試，該模型的測試速度可達40 f/s。實驗結(jié)果表明，基于YOLOv5l與SGD算法的肝包蟲病病灶自動檢測分類模型能夠較好地識別病灶的具體位置，可以很好地輔助醫(yī)生診斷肝包蟲病。

發(fā)表于：7/1/2022 2:29:00 PM