久久99国产综合精品三级婷婷 ,亚洲精品麻豆,亚洲中文综合网五月俺也去

基于IP包拆分重組技術(shù)的混合語音壓縮編碼算法研究[通信與網(wǎng)絡][通信網(wǎng)絡]

針對某特殊通信網(wǎng)業(yè)務系統(tǒng)中，在10 kb/s的窄帶信道上傳輸1路標準G.729編碼格式的VoIP語音數(shù)據(jù)的特殊通信場景，提出一種基于IP包拆分重組技術(shù)的混合語音壓縮編碼算法，將G.729壓縮后的語音數(shù)據(jù)進行解壓縮，再通過AMBE進行二次壓縮，結(jié)合IP包拆分重組技術(shù)，保留語音數(shù)據(jù)中有效載荷，剔除多余開銷數(shù)據(jù)，減小語音數(shù)據(jù)傳輸所需帶寬。仿真實驗驗證了該方法的有效性，當G.729和AMBE的語音壓縮編碼速率分別為8 kb/s、2.4 kb/s，載荷長度為20 ms，IP包打包周期為8包時，實驗表明無論在何種光路狀態(tài)下，平均句子可懂度達85%以上，話音信號等級達3級以上，滿足話音傳輸系統(tǒng)要求。

發(fā)表于：2/19/2025 4:52:27 PM

基于RINSIM2.0仿真平臺的安全級儀控系統(tǒng)的仿真應用研究[測試測量][工業(yè)自動化]

介紹了VVER堆型全范圍模擬機基于國產(chǎn)化RINSIM2.0仿真平臺的改造開發(fā)過程。由于原Linux平臺與國產(chǎn)化平臺在操作系統(tǒng)、編譯器等方面存在顯著差異，針對仿真模型、西門子安全級儀控（TXS）系統(tǒng)、通信接口、堆芯儀控系統(tǒng)以及教練員站等方面進行了深入的開發(fā)與改造并完成RINSIM2.0仿真平臺集成。詳細介紹了西門子安全級儀控系統(tǒng)在國產(chǎn)化平臺的開發(fā)過程，在此基礎上開展了瞬態(tài)測試驗證，測試結(jié)果表明，國產(chǎn)化RINSIM2.0仿真平臺的計算結(jié)果與原平臺基本一致，驗證了仿真平臺國產(chǎn)化開發(fā)工作的成功，為中國核電VVER堆型全范圍模擬機的數(shù)字化轉(zhuǎn)型和集約化管理奠定了堅實基礎。

發(fā)表于：2/19/2025 4:37:05 PM

基于SGMD-LSTM的GIS局部放電故障診斷方法[測試測量][工業(yè)自動化]

為準確對氣體絕緣開關(guān)設備（GIS）局部放電進行故障診斷，提出一種基于辛幾何模態(tài)分解（SGMD）與改進長短神經(jīng)網(wǎng)絡（LSTM）的故障診斷方法。引入SGMD對局部放電信號進行分解；對信號進行多維特征提取，構(gòu)造時-頻-熵值混合特征向量；通過魚鷹-柯西變異的麻雀優(yōu)化算法（Osprey-Cauchy-Sparrow Search Algorithm， OCSSA）對LSTM的隱含層節(jié)點數(shù)和學習率進行自適應尋優(yōu)；最后使用OCSSA-LSTM進行局部放電識別。實驗結(jié)果表明，OCSSA在收斂精度、速度上有較大提升，表現(xiàn)優(yōu)異；與其他故障診斷模型對比，OCSSA-LSTM故障診斷模型準確率最高可達97.5%，對實際GIS運維數(shù)據(jù)也能準確識別。

發(fā)表于：2/19/2025 3:44:56 PM

一種便攜式穩(wěn)譜源探測器的研制[測試測量][工業(yè)自動化]

目前國內(nèi)專業(yè)化測井公司大多擁有內(nèi)置源上千枚，國家對放射源的管控極其嚴格，穩(wěn)譜源管控成為安全管理的關(guān)鍵環(huán)節(jié)。儀器在維修或運輸過程中丟失或被盜，如不能及時發(fā)現(xiàn)，可能導致人員誤照射或放射源失控風險?，F(xiàn)有的放射源探測器由于涉源儀器高密度金屬外殼屏蔽、選用晶體體積小等原因，均不能檢測出儀器內(nèi)部穩(wěn)譜源信號。為解決該問題，研制了一種便攜式能譜源探測器，該裝置采用高分辨率大體積碘化鈉（NaI）晶體和光電倍增管（PMT），采用該類別檢測器獨有的峰值采樣原理，實現(xiàn)了對屏蔽后的納居里級穩(wěn)譜源快速、準確的檢測。研制的穩(wěn)譜源探測器不僅操作簡便、探測效率高，而且能夠在不拆卸儀器、儀器不工作的情況下，有效識別儀器內(nèi)部的穩(wěn)譜源。

發(fā)表于：2/19/2025 3:31:51 PM

多級可配置CIC濾波器設計[微波|射頻][通信網(wǎng)絡]

針對超大規(guī)模集成電路的發(fā)展以及Sigma Delta模數(shù)轉(zhuǎn)換器的廣泛應用，提出一種面向24位Sigma Delta模數(shù)轉(zhuǎn)換器的多級可配置級聯(lián)積分梳狀（Cascade Integral Comb，CIC）濾波器結(jié)構(gòu)。濾波器結(jié)構(gòu)借助級數(shù)調(diào)節(jié)和分時復用技術(shù)減少運算邏輯和存儲邏輯單元，從而實現(xiàn)降低面積的目的。通過MATLAB Simulink搭建CIC濾波器模型進行仿真，并實現(xiàn)電路設計，仿真結(jié)果表明該濾波器可實現(xiàn)64~8 192倍8種降采樣可調(diào)和2級或3級級聯(lián)可調(diào)?；?80nm COMS標準單元工藝庫進行ASIC版圖設計，與傳統(tǒng)CIC濾波器比較，數(shù)字電路在面積上具有顯著優(yōu)勢。

發(fā)表于：2/19/2025 2:10:00 PM

DSP片上Flash測試系統(tǒng)設計與實現(xiàn)[模擬設計][工業(yè)自動化]

在DSP芯片的可靠性篩選考核試驗中，片上Flash擦寫耐久和數(shù)據(jù)保持測試是最重要的試驗之一。針對內(nèi)建自測試和外部自動化機臺測試的局限性，提出了一種DSP片上Flash測試系統(tǒng)的設計與實現(xiàn)方法。在分析了Flash故障類型和測試算法的基礎上，給出了硬件原理圖和軟件實現(xiàn)流程，并搭建了實物平臺進行效果評估。測試結(jié)果表明：該系統(tǒng)可實現(xiàn)多工位DSP片上Flash自動化測試，無需人工參與。同時工作狀態(tài)可實時顯示，測試過程中的數(shù)據(jù)和結(jié)果自動保存在外部存儲器中，便于后期進行測試結(jié)果統(tǒng)計分析。

發(fā)表于：2/19/2025 1:52:29 PM

一種用于時間交織ADC的低時間失配采樣方法[模擬設計][工業(yè)自動化]

為了應對時間交織型模數(shù)轉(zhuǎn)換器中時間失配導致的性能下降問題，提出了一種高效的分層串聯(lián)采樣方法。該采樣方法的思路是將與采樣精度相關(guān)的時鐘源集總在主采樣開關(guān)位置，緩解由于多路子采樣開關(guān)控制時鐘存在時間失配導致采樣精度下降的問題。此外，還設計了一種高速自舉式采樣開關(guān)，具有開啟速度快、線性度高的特點。該采樣方法基于22 nm CMOS工藝搭建電路并進行后仿真驗證。仿真結(jié)果表明該采樣方法對時間失配不敏感，在0.9 V電源電壓，輸入信號頻率為2 GHz下，采樣網(wǎng)絡的信號噪聲失真比（SNDR）達到72 dB。

發(fā)表于：2/18/2025 5:25:29 PM

針對總劑量效應4H-SiC功率器件的加固設計方法[模擬設計][工業(yè)自動化]

介紹了總劑量效應對4H-SiC功率器件的影響以及對應的加固方案。首先介紹了4H-SiC功率器件的電氣特性以及工作時面臨的輻照環(huán)境。接著根據(jù)輻射對器件特性的影響，識別輻射缺陷，并建立了退化機制。然后，分析了單極性器件和雙極性器件的輻照的特性。最后，針對器件在輻照環(huán)境中的退化機理，分別從工藝、器件結(jié)構(gòu)、版圖與電路方面提出了加固設計方法。

發(fā)表于：2/18/2025 5:11:17 PM

基于深度學習的電廠跑冒滴漏視頻識別應用研究[人工智能][工業(yè)自動化]

為解決火電廠設備在運行過程中會存在“跑冒滴漏”現(xiàn)象，通過視覺識別技術(shù)及深度學習的應用，提出基于卷積神經(jīng)網(wǎng)絡模型的電廠跑冒滴漏視頻識別模型，并對模型進行優(yōu)化和改進。該方法基于火電廠攝像頭進行現(xiàn)場圖像的采集，進行數(shù)據(jù)預處理和優(yōu)化，同時按照缺陷形態(tài)建立對應數(shù)據(jù)集。然后，通過語義分割、數(shù)據(jù)增強、注意力機制、更改激活函數(shù)等技術(shù)與卷積神經(jīng)網(wǎng)絡結(jié)合，對YOLOv5算法進行深層次優(yōu)化，包括訓練策略的改進和模型評價調(diào)整，增強了模型算法對復雜場景識別理解能力，可有效提高視頻識別精度與速度，有助于提高火電廠巡檢的自動化、智能化水平，具有較好的工程應用前景。

發(fā)表于：2/18/2025 4:59:07 PM

面向密集行人場景的YOLOv8n改進算法[人工智能][智能交通]

為了解決傳統(tǒng)算法在密集行人場景中識別精度不足和檢測不準確的問題，提出一種基于YOLOv8n的改進型密集行人檢測模型。首先，引入SPPELAN模塊替換骨干網(wǎng)絡中的SPPF模塊，以提升模型對多尺度目標的特征感知能力。其次，設計一種殘差注意力機制，提高模型對細微特征的提取能力，進而提高檢測精度。最后通過添加DySample算子、改進的小目標檢測層提高模型對小尺度目標的定位識別能力。實驗結(jié)果顯示，改進的模型相較于YOLOv8n在CrowdHuman數(shù)據(jù)集上的召回率、mAP50和mAP50-95分別提升了2.5%、2.9%和2.4%，并且該模型在WiderPerson和CityPersons數(shù)據(jù)集上表現(xiàn)優(yōu)異。實驗結(jié)果表明，該算法能更好適用于密集行人檢測任務。

發(fā)表于：2/18/2025 4:46:57 PM