久久无码专区国产精品,成人无码高潮喷液AV无码久久

能量收集認(rèn)知傳感器網(wǎng)絡(luò)研究綜述[模擬設(shè)計][通信網(wǎng)絡(luò)]

能量收集認(rèn)知傳感器網(wǎng)絡(luò)采用能量收集技術(shù)和認(rèn)知無線電技術(shù)來解決節(jié)點(diǎn)能量的不足和頻譜資源的匱乏，實現(xiàn)網(wǎng)絡(luò)持續(xù)有效工作。然而，由于能量收集過程和可用頻譜資源動態(tài)、隨機(jī)變化的特征，該網(wǎng)絡(luò)在網(wǎng)絡(luò)資源管理方面面臨著巨大的挑戰(zhàn)。首先介紹了能量收集認(rèn)知傳感器網(wǎng)絡(luò)產(chǎn)生的背景，然后對現(xiàn)有研究工作進(jìn)行系統(tǒng)的歸納和總結(jié)，進(jìn)而討論現(xiàn)有的研究不足和可能解決方法及未來的研究方向。

發(fā)表于：10/17/2018 11:12:00 AM

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像著色[嵌入式技術(shù)][物聯(lián)網(wǎng)]

圖像著色的目標(biāo)是為灰度圖像的每一個像素分配顏色，它是圖像處理領(lǐng)域的熱點(diǎn)問題。以U-Net為主線網(wǎng)絡(luò)，結(jié)合深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了一個全自動的著色網(wǎng)絡(luò)模型。在該模型中，支線使用卷積神經(jīng)網(wǎng)絡(luò)SE-Inception-ResNet-v2作為高水平的特征提取器，提取圖像的全局信息，同時在網(wǎng)絡(luò)中使用PoLU(Power Linear Unit)函數(shù)替代線性整流函數(shù)(ReLU)。實驗結(jié)果證明此著色網(wǎng)絡(luò)模型能夠?qū)叶葓D像進(jìn)行有效的著色。

發(fā)表于：10/17/2018 11:00:00 AM

基于膠囊網(wǎng)絡(luò)的指靜脈識別研究[嵌入式技術(shù)][醫(yī)療電子]

針對卷積神經(jīng)網(wǎng)絡(luò)(CNN)中空間上的指靜脈信息丟失的問題，提出了一種基于膠囊網(wǎng)絡(luò)(Capsule Network，CapsNets)的指靜脈識別算法。CapsNets在整個學(xué)習(xí)過程中以“膠囊”的形式從底層傳遞至高層，如此以向量的形式封裝指靜脈的多維特征，特征會在網(wǎng)絡(luò)中被保存，而不是丟失后進(jìn)行恢復(fù)。采用60 000張圖像作為訓(xùn)練集，10 000張圖為測試集，通過對圖像增強(qiáng)、裁剪后進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。通過實驗表明，CapsNets的網(wǎng)絡(luò)結(jié)構(gòu)特征相比CNN在處理脊線區(qū)域時效果更加明顯，對比VGG精確度增加了13.6%，loss值也收斂到0.01。

發(fā)表于：10/16/2018 10:54:00 AM

基于深度學(xué)習(xí)的實時識別硬件系統(tǒng)框架設(shè)計[嵌入式技術(shù)][物聯(lián)網(wǎng)]

設(shè)計了一種基于深度學(xué)習(xí)的實時識別硬件系統(tǒng)框架。該系統(tǒng)框架使用Keras完成卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練并提取出網(wǎng)絡(luò)的參數(shù)，利用ZYNQ器件的FPGA+ARM軟硬件協(xié)同的方式，使用ARM完成對實時圖像數(shù)據(jù)的采集、預(yù)處理及顯示，通過FPGA實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的硬化并對圖像進(jìn)行識別，再將識別結(jié)果發(fā)送至上位機(jī)進(jìn)行實時顯示。系統(tǒng)框架采用MNIST和Fashion MNIST數(shù)據(jù)集作為網(wǎng)絡(luò)模型硬化試驗樣本，實驗結(jié)果表明，在一般場景下該系統(tǒng)框架能夠?qū)崟r、準(zhǔn)確地完成圖像數(shù)據(jù)的獲取、顯示及識別，并且具有可移植性高、處理速度快、功耗低的特點(diǎn)。

發(fā)表于：10/16/2018 10:42:00 AM

基于TensorFlow深度學(xué)習(xí)手寫體數(shù)字識別及應(yīng)用[嵌入式技術(shù)][物聯(lián)網(wǎng)]

手寫體數(shù)字的識別是人工智能識別系統(tǒng)中的重要組成部分。因個體手寫數(shù)字的差異，現(xiàn)有識別系統(tǒng)準(zhǔn)確率較低。基于TensorFlow深度學(xué)習(xí)框架完成手寫體數(shù)字的識別及應(yīng)用，首先建立TensorFlow深度學(xué)習(xí)框架，并分析了Softmax、卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型結(jié)構(gòu)，再對手寫體數(shù)據(jù)集MNIST的60 000個樣本進(jìn)行深度學(xué)習(xí)，然后進(jìn)行10 000個樣本的測試對比，最后移植最優(yōu)模型到Android平臺進(jìn)行應(yīng)用。實測數(shù)據(jù)驗證，相對于傳統(tǒng)的Softmax模型，基于TensorFlow深度學(xué)習(xí)CNN模型識別率高達(dá)99.17%，提升了7.6%，為人工智能識別系統(tǒng)的發(fā)展提供了一定的科研價值。

發(fā)表于：10/15/2018 11:54:00 AM

基于深度學(xué)習(xí)的人體行為識別算法[嵌入式技術(shù)][物聯(lián)網(wǎng)]

為改善人體行為識別任務(wù)中準(zhǔn)確率低的問題，提出了一種基于批歸一化的卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)結(jié)合的神經(jīng)網(wǎng)絡(luò)。CNN部分引入批歸一化思想，將輸入網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行小批量歸一化處理，經(jīng)過全連接之后，送入長短期記憶神經(jīng)網(wǎng)絡(luò)中。該算法采用時空雙流網(wǎng)絡(luò)模型結(jié)構(gòu)，視頻數(shù)據(jù)的RGB圖像作為空間流網(wǎng)絡(luò)輸入，光流場圖像作為時間流網(wǎng)絡(luò)輸入，再將時空雙流網(wǎng)絡(luò)各自得到的識別結(jié)果進(jìn)行加權(quán)融合得到最終的行為識別結(jié)果。實驗結(jié)果表明，本文設(shè)計的時空雙流神經(jīng)網(wǎng)絡(luò)算法在人體行為識別任務(wù)上具有較高的識別準(zhǔn)確率。

發(fā)表于：10/15/2018 11:42:00 AM

LLC諧振變換器在兩級充電機(jī)的應(yīng)用研究[電源技術(shù)][汽車電子]

針對傳統(tǒng)電動汽車充電機(jī)低功率密度、低充電效率和輸入電流諧波含量高等問題，采用了一種新的拓?fù)浣Y(jié)構(gòu)。前級采用兩級交錯并聯(lián)Boost PFC電路，能有效提高前級變換器功率密度，降低輸入電流的THD值；后級采用半橋LLC諧振電路，以提高后級變換器的功率密度以及充電效率。詳細(xì)分析了兩級交錯并聯(lián)Boost PFC和半橋LLC諧振變換器的工作原理，采用基波分析方法(First Harmonic Approximation，F(xiàn)HA)對LLC諧振網(wǎng)絡(luò)進(jìn)行了建模，并在此基礎(chǔ)上確定了開關(guān)頻率的范圍及最優(yōu)工作區(qū)間，仿真并實驗驗證了其數(shù)學(xué)模型和參數(shù)設(shè)計的正確性。最后，設(shè)計了一臺輸入電壓范圍為175 V～265 V，最大輸出功率為1.5 kW的充電機(jī)，實驗結(jié)果表明其前級變換器功率因數(shù)達(dá)到0.996，輸入電流THD為4%，整機(jī)效率可達(dá)94%。

發(fā)表于：10/12/2018 2:25:00 PM

一種新型的單相整流器控制方法的研究[電源技術(shù)][其他]

針對傳統(tǒng)單相PWM整流器直接功率控制(Direct Power Control，DPC)存在系統(tǒng)動態(tài)響應(yīng)慢、抗干擾能力差、頻率不固定等問題，采用了一種電容儲能的外環(huán)反饋控制和無差拍預(yù)測直接功率的內(nèi)環(huán)控制方法。外環(huán)將電容儲能作為反饋量，提高了系統(tǒng)動態(tài)響應(yīng)速度和抗干擾能力。同時，內(nèi)環(huán)采用自回歸算法，解決了傳統(tǒng)算法中延時補(bǔ)償問題，簡化了控制器設(shè)計。通過空間矢量調(diào)制算法(Space Vector Pulse Width Modulation，SVPWM)固定了開關(guān)頻率。此外，該方法無需電壓相位檢測裝置，降低了設(shè)計成本。最后對所提出的控制算法和傳統(tǒng)電壓外環(huán)直接功率控制分別進(jìn)行了仿真分析，仿真結(jié)果驗證了該算法的有效性。

發(fā)表于：10/11/2018 10:13:00 PM

新型雙輸入Sepic直流變換器[電源技術(shù)][智能電網(wǎng)]

在多輸入的分布式能源供電系統(tǒng)中,采用多輸入直流變換器替代多個單輸入直流變換器,不僅能夠簡化電路結(jié)構(gòu)、降低系統(tǒng)成本，同時可提高分布式發(fā)電系統(tǒng)供電的可靠性。提出一種新型雙輸入Sepic直流變換器，該變換器具備結(jié)構(gòu)簡單、電壓增益高、開關(guān)器件電壓應(yīng)力低，既可單獨(dú)向負(fù)載供電,又可同時向負(fù)載供電等優(yōu)點(diǎn)。分析雙輸入Sepic變換器的工作原理，給出變換器的輸入/輸出穩(wěn)態(tài)關(guān)系式，最后通過MATLAB仿真驗證了電路拓?fù)浜屠碚摲治龅恼_性。

發(fā)表于：10/11/2018 1:59:00 PM

基于滑模變結(jié)構(gòu)與內(nèi)?？刂?相結(jié)合的VIENNA整流器控制策略研究[電源技術(shù)][智能電網(wǎng)]

針對VIENNA整流器需直流側(cè)電壓穩(wěn)定且具有良好的動態(tài)性能和魯棒性，提出一種基于內(nèi)?？刂坪突Ｗ兘Y(jié)構(gòu)控制相結(jié)合的VIENNA整流器新型非線性控制策略。依據(jù)主電路拓?fù)浣IENNA整流器的數(shù)學(xué)模型并設(shè)計了基于內(nèi)模理論和滑模變結(jié)構(gòu)理論的VIENNA整流器控制器。對此進(jìn)行了仿真和實驗驗證，仿真和實驗結(jié)果表明該控制策略能有效達(dá)到控制目的，具有魯棒性強(qiáng)、動態(tài)響應(yīng)速度快、有較強(qiáng)的抗干擾能力等特點(diǎn)。

發(fā)表于：10/11/2018 1:47:00 PM