国产香蕉97碰碰视频va碰碰看,亚洲AV毛片一区二区久久

基于強化學(xué)習(xí)的特征工程算法研究[其他][其他]

特征工程可以自動地處理和生成那些判別性高的特征，而無需人為的操作。特征工程在機器學(xué)習(xí)中是不可避免的一環(huán)，也是至關(guān)重要的一環(huán)。提出一種基于強化學(xué)習(xí)(RL)的方法，將特征工程作為一個馬爾可夫決策過程(MDP)，在上限置信區(qū)間算法(UCT)的基礎(chǔ)上提出一個近似的方法求解二分類數(shù)值數(shù)據(jù)的特征工程問題，來自動獲得最佳的變換策略。在5個公開的數(shù)據(jù)集上驗證所提出方法的有效性，F(xiàn)Score平均提高了9.032%，同時與其他用有限元變換進行特征工程的方法進行比較。該方法確實可以得到判別性高的特征，提高模型的學(xué)習(xí)能力，得到更高的精度。

發(fā)表于：7/5/2021 4:12:00 PM

從算法發(fā)展研究人工智能應(yīng)用問題與對策[人工智能][其他]

基礎(chǔ)硬件的發(fā)展帶來了算力的提高，深度學(xué)習(xí)算法的出現(xiàn)和應(yīng)用奠定了人工智能技術(shù)理論基礎(chǔ)，Google、百度等高科技公司將人工智能應(yīng)用的作為重點領(lǐng)域而加大投入，從而加速了人工智能的落地。當(dāng)前人工智能已成為引領(lǐng)信息產(chǎn)業(yè)革命的最重要的技術(shù)手段。與此同時，人工智能對人類的潛在威脅也在加劇。對人工智能算法進行分析，歸納算法發(fā)展過程及缺陷，并總結(jié)這些缺陷可能引發(fā)的技術(shù)問題和倫理問題。最后，對人工智能的應(yīng)用，從算法和倫理角度給出一定的對策。

發(fā)表于：7/5/2021 4:10:00 PM

2.3～2.7 GHz雙模式低噪聲射頻接收前端全集成芯片的設(shè)計[微波|射頻][其他]

基于GaAs pHEMT工藝設(shè)計了一款2.3～2.7 GHz雙模式低噪聲射頻接收前端全集成芯片。該接收前端芯片包含一個單刀雙擲(SPDT)收發(fā)開關(guān)及一個帶旁路功能的低噪聲放大器。一方面，采用帶源級電感負(fù)反饋的共源共柵結(jié)構(gòu)實現(xiàn)了放大器模式，將SPDT開關(guān)作為放大器輸入匹配網(wǎng)絡(luò)的一部分，一體化優(yōu)化設(shè)計獲得最少元件及較高Q值的輸入匹配網(wǎng)絡(luò)，進而實現(xiàn)低噪聲、高增益和良好的輸入回波損耗匹配；另一方面，采用多組開關(guān)聯(lián)合實現(xiàn)了旁路功能用于衰減高輸入功率的射頻信號。測試結(jié)果表明，在2.3～2.7 GHz的寬頻帶范圍內(nèi)，實現(xiàn)的接收前端芯片在LNA模式下的噪聲系數(shù)可達到1.53～1.64 dB的較低水平，且增益在18.1～19.2 dB之間，在2.5 GHz時輸入1 dB壓縮點為-1.5 dBm；在旁路模式下，插入損耗在工作頻段內(nèi)維持在約6～7 dB的水平。

發(fā)表于：7/5/2021 4:07:00 PM

Ka波段頻率源建模分析與設(shè)計[其他][其他]

利用鎖相環(huán)與多次倍頻的方式設(shè)計了一個Ka波段的用于小型化交會參數(shù)探測單元的頻率源。該頻率源輸出頻率為36 GHz，輸出功率大于15 dBm。在設(shè)計時使用數(shù)學(xué)建模的方法對鎖相環(huán)各個部分進行建模，然后得到系統(tǒng)的傳遞函數(shù)，通過對閉環(huán)系統(tǒng)的系統(tǒng)函數(shù)分析，得到能夠使系統(tǒng)穩(wěn)定工作的系統(tǒng)參數(shù)。最后使用裸芯片以微組裝的形式加工到RO4350和RO5880基板與腔體上，并完成測試。測試結(jié)果表明，使用數(shù)學(xué)建模的方式能夠得到穩(wěn)定工作頻率源。

發(fā)表于：7/5/2021 4:06:00 PM

基于場路耦合的反激變換器板級輻射研究[電源技術(shù)][其他]

輻射干擾問題是制約電源產(chǎn)品高頻化、小型化的因素之一?；趫雎否詈系姆抡嫠悸罚OSFET的電磁場有限元模型和高頻變壓器的等效高頻電路模型。結(jié)合從SIwave電磁仿真軟件中提取的PCB網(wǎng)絡(luò)參數(shù)，對一款5 W輸出的反激變換器的板級輻射干擾進行聯(lián)合仿真，并對比了兩種高頻變壓器模型對遠場仿真結(jié)果的影響。實驗結(jié)果表明，在230 MHz以內(nèi)的頻段3 m遠場仿真超標(biāo)頻點與實測吻合，驗證了該仿真方法的正確性，且簡化的變壓器二電容模型具有更寬頻帶的適用性；所得到的近場電磁場分布表明MOSFET和變壓器副邊的整流二極管是主要的輻射源。

發(fā)表于：7/5/2021 4:02:00 PM

采用平面分柵結(jié)構(gòu)的高增益寬帶射頻VDMOS研制[微波|射頻][其他]

硅基射頻場效應(yīng)晶體管具有線性度好、驅(qū)動電路簡單、開關(guān)速度快、熱穩(wěn)定性好、沒有二次擊穿等優(yōu)點，在HF、VHF和UHF波段具有廣闊的應(yīng)用前景。針對射頻場效應(yīng)晶體管寬帶、高增益和高效率的應(yīng)用需求，基于標(biāo)準(zhǔn)平面MOS工藝，采用平面分柵(split gate)結(jié)構(gòu)，通過優(yōu)化結(jié)構(gòu)和工藝參數(shù)研制出一款工作電壓為28 V的硅基射頻垂直雙擴散金屬氧化物半導(dǎo)體場效應(yīng)晶體管(VDMOS)。該器件在30~90 MHz頻段范圍內(nèi)，小信號增益大于19 dB，在60 MHz頻點下連續(xù)波輸出功率可以達到87 W，功率附加效率達72.4 %，具有優(yōu)異的射頻性能。

發(fā)表于：7/5/2021 3:57:00 PM

基于SEIR模型的復(fù)雜網(wǎng)絡(luò)上的動態(tài)隔離措施研究[其他][其他]

在尚未研發(fā)出有效疫苗前，對潛在感染者和易感者的隔離對于流行病控制而言具有十分重要的意義。研究采用潛伏者具有傳染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出兩種動態(tài)隔離方法：一是在掌握網(wǎng)絡(luò)全局信息時，計算候選隔離對象一階鄰居的有效度、介數(shù)、距離確診者節(jié)點的路徑長度之和，把三者乘積作為其權(quán)重；二是在僅有節(jié)點局域信息時，將候選隔離對象的有效邊數(shù)和相鄰感染節(jié)點數(shù)的同趨化之和作為其權(quán)重。仿真實驗表明，隔離容量為1%～10%時，優(yōu)先隔離借助全局信息識別出的高權(quán)重節(jié)點可使90%以上節(jié)點免受感染，優(yōu)先隔離借助局域信息識別出的高權(quán)重節(jié)點可使70%以上節(jié)點免受感染，從而達到抑制疾病傳播的目的。

發(fā)表于：6/10/2021 4:00:02 PM

基于NOR Flash的存算一體模擬乘加電路設(shè)計[其他][其他]

提出一種基于NOR Flash的存算一體模擬乘加電路以及相應(yīng)的偏置電路，運用NOR Flash工作于深線性區(qū)的I-V特性，實現(xiàn)模擬乘累加運算。通過將同一位線、不同字線的兩個浮柵管上電流相減，實現(xiàn)其閾值電壓差值與漏源電壓的乘法運算。同時將同一字線、不同位線的浮柵管電流相加，實現(xiàn)乘法結(jié)果的加法運算。給出電路使NOR Flash位線電流相加、字線電流相減，將運算結(jié)果以偽差分的形式輸出，仿真結(jié)果表明電路可以實現(xiàn)存算一體的模擬乘累加運算。

發(fā)表于：6/10/2021 3:48:24 PM

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設(shè)計[其他][其他]

基于壓控振蕩器(VCO)結(jié)構(gòu)的比較器，提出了一種二階噪聲整形逐次逼近型(NS-SAR)模數(shù)轉(zhuǎn)換器(ADC)。首先采用對電源電壓敏感度較低且噪聲性能更優(yōu)越的VCO比較器，隨后通過動態(tài)放大器優(yōu)化噪聲傳遞函數(shù)的零極點，最后通過噪聲整形結(jié)構(gòu)抑制信號帶內(nèi)噪聲?；?80 nm CMOS 工藝，設(shè)計了一款12位20 MS/s NS-SAR ADC。仿真結(jié)果表明，在1.3 V電源電壓下，功耗為1.12 mW，過采樣率（OSR）為8時，信號噪聲失真比(SNDR)為72.7 dB，無雜散動態(tài)范圍(SFDR)為88 dB，優(yōu)值(FoMs)為163 dB；并且在1.3～1.8 V電源電壓范圍內(nèi)，其有效位數(shù)(ENOB)>11.7 bit。

發(fā)表于：6/10/2021 3:43:42 PM

一種基于實例分割和點云配準(zhǔn)的六維位姿估計方法[其他][其他]

本文提出一種基于Mask R-CNN實例分割網(wǎng)絡(luò)和Super4PCS點云配準(zhǔn)算法來估計物體六維姿態(tài)的方法。通過目標(biāo)點云與已知位姿的參考點云進行配準(zhǔn)，可以獲取目標(biāo)的六維姿態(tài)。但實際中往往采用三維設(shè)備掃描目標(biāo)的整體環(huán)境，生成的點云數(shù)量龐大，直接作為源點云與參考點云配準(zhǔn)時，會由于候選集較多從而導(dǎo)致運算時間太長，因此本文先對目標(biāo)實例分割處理后再配準(zhǔn)：首先，利用深度相機獲取整體環(huán)境的RGB-D圖，其次利用Mask R-CNN模型將把目標(biāo)分割出來，并將分割的目標(biāo)RGB-D圖轉(zhuǎn)化為點云圖，利用Super4PCS點云配準(zhǔn)算法與參考點云進行配準(zhǔn)，最終得到目標(biāo)的六維位姿。在自制作的數(shù)據(jù)集上進行了驗證，對比分割前后的四組實驗，時間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：6/10/2021 3:33:45 PM