十七岁免费观看日本电影 ,人人人爽人人澡人人高潮

基于CMOS-MEMS工藝的高深寬比體硅刻蝕方法的研究[MEMS|傳感技術(shù)][汽車電子]

為了滿足提高M(jìn)EMS傳感器陣列的集成度和精度以及降低成本等需求，對(duì)高深寬比的體硅深槽刻蝕方法進(jìn)行研究。在一種小尺寸、高集成度的MEMS傳感器陣列的制造中，需要加工一種深寬比為25 μm/0.8 μm的隔離深槽，并且為了便于MEMS傳感器和CMOS集成電路的集成，需要采用COMS工藝兼容的MEMS工藝。為此，采用了RIE、Bosch工藝以及RIE和Bosch工藝結(jié)合的3種方法進(jìn)行深槽刻蝕工藝的探索，并最終采用RIE和Bosch工藝結(jié)合的方法獲得槽側(cè)壁非常光滑的深槽形貌。

發(fā)表于：10/18/2018 11:34:00 AM

一種基于熱噪聲振蕩器的高速真隨機(jī)數(shù)設(shè)計(jì)[電源技術(shù)][智能電網(wǎng)]

分析和設(shè)計(jì)了一種基于振蕩器的真隨機(jī)數(shù)發(fā)生器，電阻熱噪聲作低頻時(shí)鐘的噪聲源。利用兩個(gè)獨(dú)立工作的高、低頻振蕩器之間的相對(duì)關(guān)系采樣噪聲源，用帶有抖動(dòng)的低頻振蕩器通過(guò)D觸發(fā)器采樣有固定周期的高頻振蕩器，產(chǎn)生隨機(jī)數(shù)序列。電路采用SMIC 28 nm CMOS工藝設(shè)計(jì)，完成了版圖設(shè)計(jì)和流片，仿真結(jié)果表明，基于熱噪聲的真隨機(jī)數(shù)產(chǎn)生器輸出吞吐率范圍為1.8～12 Mb/s，隨機(jī)數(shù)輸出滿足AIS31真隨機(jī)數(shù)熵源測(cè)試要求，電路整體功耗為0.388 mW。

發(fā)表于：10/18/2018 11:17:00 AM

能量收集認(rèn)知傳感器網(wǎng)絡(luò)研究綜述[模擬設(shè)計(jì)][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(wú)線電技術(shù)來(lái)解決節(jié)點(diǎn)能量的不足和頻譜資源的匱乏，實(shí)現(xiàn)網(wǎng)絡(luò)持續(xù)有效工作。然而，由于能量收集過(guò)程和可用頻譜資源動(dòng)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(duì)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(lái)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(gè)像素分配顏色，它是圖像處理領(lǐng)域的熱點(diǎn)問(wèn)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(jì)了一個(gè)全自動(dòng)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(shí)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(shí)驗(yàn)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(shí)別研究[嵌入式技術(shù)][醫(yī)療電子]

針對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)中空間上的指靜脈信息丟失的問(wèn)題，提出了一種基于膠囊網(wǎng)絡(luò)(Capsule Network，CapsNets)的指靜脈識(shí)別算法。CapsNets在整個(gè)學(xué)習(xí)過(guò)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(huì)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(cè)試集，通過(guò)對(duì)圖像增強(qiáng)、裁剪后進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。通過(guò)實(shí)驗(yàn)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(shí)效果更加明顯，對(duì)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(shí)時(shí)識(shí)別硬件系統(tǒng)框架設(shè)計(jì)[嵌入式技術(shù)][物聯(lián)網(wǎng)]

設(shè)計(jì)了一種基于深度學(xué)習(xí)的實(shí)時(shí)識(shí)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(duì)實(shí)時(shí)圖像數(shù)據(jù)的采集、預(yù)處理及顯示，通過(guò)FPGA實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的硬化并對(duì)圖像進(jìn)行識(shí)別，再將識(shí)別結(jié)果發(fā)送至上位機(jī)進(jìn)行實(shí)時(shí)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(yàn)樣本，實(shí)驗(yàn)結(jié)果表明，在一般場(chǎng)景下該系統(tǒng)框架能夠?qū)崟r(shí)、準(zhǔn)確地完成圖像數(shù)據(jù)的獲取、顯示及識(shí)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(shí)別及應(yīng)用[嵌入式技術(shù)][物聯(lián)網(wǎng)]

手寫體數(shù)字的識(shí)別是人工智能識(shí)別系統(tǒng)中的重要組成部分。因個(gè)體手寫數(shù)字的差異，現(xiàn)有識(shí)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(shí)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(duì)手寫體數(shù)據(jù)集MNIST的60 000個(gè)樣本進(jìn)行深度學(xué)習(xí)，然后進(jìn)行10 000個(gè)樣本的測(cè)試對(duì)比，最后移植最優(yōu)模型到Android平臺(tái)進(jìn)行應(yīng)用。實(shí)測(cè)數(shù)據(jù)驗(yàn)證，相對(duì)于傳統(tǒng)的Softmax模型，基于TensorFlow深度學(xué)習(xí)CNN模型識(shí)別率高達(dá)99.17%，提升了7.6%，為人工智能識(shí)別系統(tǒng)的發(fā)展提供了一定的科研價(jià)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(shí)別算法[嵌入式技術(shù)][物聯(lián)網(wǎng)]

為改善人體行為識(shí)別任務(wù)中準(zhǔn)確率低的問(wèn)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(zhǎng)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(guò)全連接之后，送入長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)中。該算法采用時(shí)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(chǎng)圖像作為時(shí)間流網(wǎng)絡(luò)輸入，再將時(shí)空雙流網(wǎng)絡(luò)各自得到的識(shí)別結(jié)果進(jìn)行加權(quán)融合得到最終的行為識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的時(shí)空雙流神經(jīng)網(wǎng)絡(luò)算法在人體行為識(shí)別任務(wù)上具有較高的識(shí)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(jí)充電機(jī)的應(yīng)用研究[電源技術(shù)][汽車電子]

針對(duì)傳統(tǒng)電動(dòng)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(wèn)題，采用了一種新的拓?fù)浣Y(jié)構(gòu)。前級(jí)采用兩級(jí)交錯(cuò)并聯(lián)Boost PFC電路，能有效提高前級(jí)變換器功率密度，降低輸入電流的THD值；后級(jí)采用半橋LLC諧振電路，以提高后級(jí)變換器的功率密度以及充電效率。詳細(xì)分析了兩級(jí)交錯(cuò)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(duì)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(shí)驗(yàn)驗(yàn)證了其數(shù)學(xué)模型和參數(shù)設(shè)計(jì)的正確性。最后，設(shè)計(jì)了一臺(tái)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(shí)驗(yàn)結(jié)果表明其前級(jí)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(duì)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(dòng)態(tài)響應(yīng)慢、抗干擾能力差、頻率不固定等問(wèn)題，采用了一種電容儲(chǔ)能的外環(huán)反饋控制和無(wú)差拍預(yù)測(cè)直接功率的內(nèi)環(huán)控制方法。外環(huán)將電容儲(chǔ)能作為反饋量，提高了系統(tǒng)動(dòng)態(tài)響應(yīng)速度和抗干擾能力。同時(shí)，內(nèi)環(huán)采用自回歸算法，解決了傳統(tǒng)算法中延時(shí)補(bǔ)償問(wèn)題，簡(jiǎn)化了控制器設(shè)計(jì)。通過(guò)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(wú)需電壓相位檢測(cè)裝置，降低了設(shè)計(jì)成本。最后對(duì)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(yàn)證了該算法的有效性。

發(fā)表于：10/11/2018 10:13:00 PM