123,123,123

基于空間深度置信網(wǎng)絡的風速預測優(yōu)化方法[測試測量][通信網(wǎng)絡]

風能是目前應用最為廣泛、技術最為成熟的可再生能源。為了保證風電場的穩(wěn)定和安全運行，風速的準確預測至關重要。除傳統(tǒng)的數(shù)值天氣預報以外，機器學習技術已經廣泛應用于不同時間尺度的風速預測。然而這些工作大多局限于單一地點的風速序列分析，沒有考慮和利用風速的空間相關性。對此，使用深度置信網(wǎng)絡(Deep Belief Network，DBN)對同一區(qū)域內多個地點的風速序列進行空間相關性特征識別。在訓練過程中，深度置信網(wǎng)絡充分挖掘了該區(qū)域內歷史風速的聯(lián)合分布，借此改善未來的風速預測。多組風速預測實驗表明，空間深度置信網(wǎng)絡能夠有效降低風速的預測誤差，經過空間深度置信網(wǎng)絡重構后的風速預測誤差平均降低了0.4 m/s。

發(fā)表于：8/9/2022 2:12:00 PM

基于Flutter開發(fā)框架的數(shù)據(jù)存儲訪問機制研究[可編程邏輯][數(shù)據(jù)中心]

移動端應用程序需要存儲與訪問的數(shù)據(jù)越來越多，而移動端設備的存儲空間有限，很難滿足用戶需要，在進行移動端應用程序開發(fā)時，選擇合適、高效的數(shù)據(jù)存儲與訪問機制受到普遍關注。針對Google推出的Flutter跨平臺移動開發(fā)框架提供的key-value鍵值對、File文件、SQLite數(shù)據(jù)庫和網(wǎng)絡4種數(shù)據(jù)存儲訪問機制，深入闡述了它們的內在工作原理，給出了具體實現(xiàn)方法和實現(xiàn)代碼。最后，根據(jù)4種數(shù)據(jù)存儲訪問機制各自的特點和實際的應用程序開發(fā)需求，分析了每種機制的應用場景。

發(fā)表于：8/9/2022 2:08:00 PM

基于虛實交互場景的綜合演訓平臺研究與實現(xiàn)[其他][其他]

近年來隨著現(xiàn)場科學技術的迅速發(fā)展并廣泛應用于軍事領域，相關業(yè)務訓練必將進行相應的改革，對專業(yè)知識化、新技術平臺化、系統(tǒng)集成化等應用領域的要求亦將大大提高。由于訓練內容日益增加，出現(xiàn)了訓練內容加大及訓練難度強化的必然趨勢。實際場景下，由于受場地、設備、器械等原因無法開展相關業(yè)務的訓練及全過程全要素的演練，故需要采用全新的科學技術手段，通過虛擬與實際相結合、演訓與考核相結合等不斷改革專業(yè)訓練方法。通過虛實交互技術使訓練方式的操作靈活性、便利性及易用性顯而易見，也為新技術新設備的研發(fā)測試帶來更安全更可靠的技術支撐。本演訓平臺充分運用模擬訓練部署、模擬業(yè)務部署等方式通過網(wǎng)絡、控制、仿真、光電等技術實現(xiàn)軍事業(yè)務訓練演練全過程要素應用，實現(xiàn)規(guī)范訓練內容、提高訓練質量、強化訓練效果、衡量訓練水平及檢驗訓練成果等目的。

發(fā)表于：8/9/2022 2:03:00 PM

GFDM中基于高階長短時記憶神經網(wǎng)絡的自適應均衡器[通信與網(wǎng)絡][5G]

在廣義頻分復用系統(tǒng)(GFDM)中，為解決5G網(wǎng)絡下車載移動通信在Sub-6 GHz頻段信道中信號嚴重失真的問題，提出一種基于高階長短時記憶神經網(wǎng)絡(HO-LSTM)結構的自適應均衡器。HO-LSTM自適應均衡器在傳統(tǒng)高階前饋神經網(wǎng)絡(HO-FNN)的基礎上，采用復雜度更低的廣義記憶多項式模型(GMP)代替Volterra模型，并引入LSTM神經網(wǎng)絡使其更適用于復雜非線性模型的預測。結果表明，相比于傳統(tǒng)HO-FNN均衡器和LSTM均衡器，所提出的HO-LSTM均衡器的均衡效果顯著提升，系統(tǒng)性能也得到進一步改善。

發(fā)表于：8/9/2022 1:40:00 PM

基于光纖波分復用的時頻信號分發(fā)傳輸技術[微波|射頻][其他]

在數(shù)字相控陣中為保證多通道之間信號合成效率，需要系統(tǒng)為相控陣的多個子陣提供高穩(wěn)定的時頻信號。傳統(tǒng)相控陣采用電纜直接分發(fā)傳輸?shù)姆椒ù嬖诜嘁恢滦圆畹膯栴}。提出了一種基于光纖波分復用的時頻信號分發(fā)傳輸技術，可有效解決數(shù)字相控陣中時頻信號高效穩(wěn)定分發(fā)傳輸問題，分發(fā)傳輸后的各支路信號幅度隨溫度變化在±0.5 dBm之內，相位隨溫度變化在±3°之內。該時頻信號分發(fā)傳輸技術已經成功應用于某數(shù)字相控陣多目標統(tǒng)一測控系統(tǒng)。

發(fā)表于：8/9/2022 1:36:00 PM

星載雙頻雙端口天線設計[模擬設計][航空航天]

針對星載收發(fā)機的使用需求，設計了一種雙頻段、雙端口、雙天線共口徑的微帶天線。通過輻射貼片加載短路過孔技術，配合外部方形圓孔貼片和內部圓形貼片切角技術，使雙天線均工作在主模。雙天線共口徑工作，分別輻射左旋圓極化和右旋圓極化波，有效降低星載雙天線布局復雜度。仿真結果表明：天線在中心頻點1.615 GHz處回波損耗為-13 dB，10 dB帶寬為50 MHz，增益為6 dB，半功率波束寬度為90°，±60°波束內軸比小于3 dB；天線在中心頻點2.491 GHz處回波損耗為-18 dB，10 dB帶寬為40 MHz，增益為6 dB,半功率波束寬度為90°，±60°波束內軸比小于3 dB；雙端口隔離度優(yōu)于32 dB。經加工，實測結果與仿真結果一致，該天線對星載雙頻段、雙端口共口徑天線設計具有一定指導意義。

發(fā)表于：8/9/2022 1:32:00 PM

基于虛擬儀器的顯示器音頻自動測試系統(tǒng)設計[測試測量][其他]

針對傳統(tǒng)顯示器音頻測試過程中需通過繁瑣人工操作導致耗時冗長的問題，結合顯示器音頻測試基本原理提出了一種基于虛擬儀器技術的顯示器音頻自動測試系統(tǒng)方案。該方案設計了計算機與待測顯示器的通信電路，并通過LabVIEW與VC++的混合編程實現(xiàn)遠程通信；接著，通過虛擬儀器的相關工具實現(xiàn)對測量儀器的控制；最后，結合音頻測試步驟設計系統(tǒng)測試流程，實現(xiàn)全測試項目自動執(zhí)行。經過實驗驗證表明，相較于人工操作，相同精度情況下，該系統(tǒng)自動化程度較高，測試平均時長縮短了84.25%，為顯示設備音頻自動測試提供了一種切實可行的參考方案。

發(fā)表于：8/9/2022 1:28:00 PM

旋轉環(huán)境下的無線時鐘抖動估計與修正方法[其他][其他]

直升機旋翼表面非定常載荷測量試驗中，導電滑環(huán)的性能優(yōu)劣和現(xiàn)場環(huán)境的電磁輻射對外部時鐘信號的質量影響較大，受影響的外部時鐘信號會導致錯誤的采集動作，從而無法準確地獲取特定方位角處的載荷數(shù)據(jù)。為提高外部時鐘信號的品質，提出一種用于旋轉環(huán)境下的數(shù)據(jù)采集系統(tǒng)的無線時鐘抖動估計及修正方法，即外部時鐘信號經無線收發(fā)模塊傳輸，采用兩組相位差90°的三角波進行等幅度斜邊估計時鐘抖動量，并且使用拉格朗日插值算法修正傳感器的采樣值。仿真與風洞表明，該方法能有效地減小外部時鐘抖動造成的采集誤差，對準確測量旋轉環(huán)境下旋翼表面的載荷信號具有顯著效果。

發(fā)表于：8/9/2022 1:23:00 PM

基于時頻色譜圖的串聯(lián)故障電弧識別[其他][其他]

由于電力線老化損壞以及連接處松動會產生故障電弧，可能會意外引起嚴重的電氣火災。不同類型的負載所引起的故障電弧存在差異，導致住宅區(qū)故障電弧識別變得困難。提出了一種基于時頻圖和深度卷積神經網(wǎng)絡的串聯(lián)故障電弧識別的方法。通過故障電弧實驗采集了負載正常工作和故障電弧的電流數(shù)據(jù)。單個負載半周期電流數(shù)據(jù)將通過連續(xù)小波變換轉換為三維特征圖像，然后將這些圖像輸入到改進的深度卷積神經網(wǎng)絡中進行訓練、測試。實驗結果表明，單個負載正常和電弧狀態(tài)識別的精度在99.31%，對多個負載工作狀態(tài)的識別準確率平均可以達到99.2%。

發(fā)表于：8/9/2022 1:19:00 PM

從RTL到GDS的功耗優(yōu)化全流程[人工智能][工業(yè)自動化]

功耗作為大型SoC芯片的性能功耗面積(PPA)三要素之一，已經變得越來越重要。尤其是當主流設計平臺已經發(fā)展到了7 nm以下。AI芯片一般會有多個核心并行執(zhí)行高性能計算任務。這種行為會產生巨大的功耗。因此在AI芯片的設計過程中，功耗優(yōu)化變得尤為重要。利用一個典型的功耗用例波形或者一組波形，可以從RTL進來開始功耗優(yōu)化?；镜姆绞绞墙柚鶭oules-replay實現(xiàn)基于RTL波形產生相對應的網(wǎng)表波形。在Genus的syn-gen、syn-map、syn-opt三個綜合階段，都可以加入Joules-replay，并且產生和綜合網(wǎng)表相對應的波形，用于Innovus PR階段進一步地進行功耗優(yōu)化。在Innovus中實現(xiàn)Place和Routing也分為3個階段：place_opt、cts_opt和route_opt。同樣每一步都可以引入Joules-replay來生成功耗優(yōu)化所需的網(wǎng)表波形。最終在Tempus timing signoff的環(huán)境中，再次引入波形進行功耗優(yōu)化?；谏厦娴囊幌盗懈鱾€節(jié)點的精確功耗優(yōu)化該設計可以獲得10%以上的功耗節(jié)省。此時再結合multi-bit技術，最終可以獲得21%的功耗節(jié)省。

發(fā)表于：8/9/2022 1:14:00 PM