校园AV中日韩无码高清,中国少妇无码专区

一種基于熱噪聲振蕩器的高速真隨機數(shù)設計[電源技術][智能電網]

分析和設計了一種基于振蕩器的真隨機數(shù)發(fā)生器，電阻熱噪聲作低頻時鐘的噪聲源。利用兩個獨立工作的高、低頻振蕩器之間的相對關系采樣噪聲源，用帶有抖動的低頻振蕩器通過D觸發(fā)器采樣有固定周期的高頻振蕩器，產生隨機數(shù)序列。電路采用SMIC 28 nm CMOS工藝設計，完成了版圖設計和流片，仿真結果表明，基于熱噪聲的真隨機數(shù)產生器輸出吞吐率范圍為1.8～12 Mb/s，隨機數(shù)輸出滿足AIS31真隨機數(shù)熵源測試要求，電路整體功耗為0.388 mW。

發(fā)表于：10/18/2018 11:17:00 AM

能量收集認知傳感器網絡研究綜述[模擬設計][通信網絡]

能量收集認知傳感器網絡采用能量收集技術和認知無線電技術來解決節(jié)點能量的不足和頻譜資源的匱乏，實現(xiàn)網絡持續(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)、隨機變化的特征，該網絡在網絡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知傳感器網絡產生的背景，然后對現(xiàn)有研究工作進行系統(tǒng)的歸納和總結，進而討論現(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

基于卷積神經網絡的圖像著色[嵌入式技術][物聯(lián)網]

圖像著色的目標是為灰度圖像的每一個像素分配顏色，它是圖像處理領域的熱點問題。以U-Net為主線網絡，結合深度學習和卷積神經網絡設計了一個全自動的著色網絡模型。在該模型中，支線使用卷積神經網絡SE-Inception-ResNet-v2作為高水平的特征提取器，提取圖像的全局信息，同時在網絡中使用PoLU(Power Linear Unit)函數(shù)替代線性整流函數(shù)(ReLU)。實驗結果證明此著色網絡模型能夠對灰度圖像進行有效的著色。

發(fā)表于：10/17/2018 11:00:00 AM

基于膠囊網絡的指靜脈識別研究[嵌入式技術][醫(yī)療電子]

針對卷積神經網絡(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絡(Capsule Network，CapsNets)的指靜脈識別算法。CapsNets在整個學習過程中以“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，特征會在網絡中被保存，而不是丟失后進行恢復。采用60 000張圖像作為訓練集，10 000張圖為測試集，通過對圖像增強、裁剪后進行網絡學習。通過實驗表明，CapsNets的網絡結構特征相比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

基于深度學習的實時識別硬件系統(tǒng)框架設計[嵌入式技術][物聯(lián)網]

設計了一種基于深度學習的實時識別硬件系統(tǒng)框架。該系統(tǒng)框架使用Keras完成卷積神經網絡模型的訓練并提取出網絡的參數(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、預處理及顯示，通過FPGA實現(xiàn)卷積神經網絡的硬化并對圖像進行識別，再將識別結果發(fā)送至上位機進行實時顯示。系統(tǒng)框架采用MNIST和Fashion MNIST數(shù)據(jù)集作為網絡模型硬化試驗樣本，實驗結果表明，在一般場景下該系統(tǒng)框架能夠實時、準確地完成圖像數(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。

發(fā)表于：10/16/2018 10:42:00 AM

基于TensorFlow深度學習手寫體數(shù)字識別及應用[嵌入式技術][物聯(lián)網]

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)準確率較低。基于TensorFlow深度學習框架完成手寫體數(shù)字的識別及應用，首先建立TensorFlow深度學習框架，并分析了Softmax、卷積神經網絡(CNN)模型結構，再對手寫體數(shù)據(jù)集MNIST的60 000個樣本進行深度學習，然后進行10 000個樣本的測試對比，最后移植最優(yōu)模型到Android平臺進行應用。實測數(shù)據(jù)驗證，相對于傳統(tǒng)的Softmax模型，基于TensorFlow深度學習CNN模型識別率高達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

基于深度學習的人體行為識別算法[嵌入式技術][物聯(lián)網]

為改善人體行為識別任務中準確率低的問題，提出了一種基于批歸一化的卷積神經網絡（CNN）與長短期記憶(LSTM)神經網絡結合的神經網絡。CNN部分引入批歸一化思想，將輸入網絡的訓練樣本進行小批量歸一化處理，經過全連接之后，送入長短期記憶神經網絡中。該算法采用時空雙流網絡模型結構，視頻數(shù)據(jù)的RGB圖像作為空間流網絡輸入，光流場圖像作為時間流網絡輸入，再將時空雙流網絡各自得到的識別結果進行加權融合得到最終的行為識別結果。實驗結果表明，本文設計的時空雙流神經網絡算法在人體行為識別任務上具有較高的識別準確率。

發(fā)表于：10/15/2018 11:42:00 AM

LLC諧振變換器在兩級充電機的應用研究[電源技術][汽車電子]

針對傳統(tǒng)電動汽車充電機低功率密度、低充電效率和輸入電流諧波含量高等問題，采用了一種新的拓撲結構。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諧振網絡進行了建模，并在此基礎上確定了開關頻率的范圍及最優(yōu)工作區(qū)間，仿真并實驗驗證了其數(shù)學模型和參數(shù)設計的正確性。最后，設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，實驗結果表明其前級變換器功率因數(shù)達到0.996，輸入電流THD為4%，整機效率可達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][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測直接功率的內環(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)響應速度和抗干擾能力。同時，內環(huán)采用自回歸算法，解決了傳統(tǒng)算法中延時補償問題，簡化了控制器設計。通過空間矢量調制算法(Space Vector Pulse Width Modulation，SVPWM)固定了開關頻率。此外，該方法無需電壓相位檢測裝置，降低了設計成本。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行了仿真分析，仿真結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][智能電網]

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構、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，該變換器具備結構簡單、電壓增益高、開關器件電壓應力低，既可單獨向負載供電,又可同時向負載供電等優(yōu)點。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)關系式，最后通過MATLAB仿真驗證了電路拓撲和理論分析的正確性。

發(fā)表于：10/11/2018 1:59:00 PM