123,123

基于多頭注意力的社交網(wǎng)絡(luò)用戶身份鏈接方法[人工智能][消費(fèi)電子]

隨著社交網(wǎng)絡(luò)的快速發(fā)展，人們?cè)谏缃痪W(wǎng)絡(luò)中擁有越來(lái)越多的虛擬身份，識(shí)別同一自然人不同網(wǎng)絡(luò)虛擬身份的網(wǎng)絡(luò)用戶身份鏈接問(wèn)題變得越來(lái)越重要。用戶身份鏈接有助于挖掘網(wǎng)絡(luò)用戶的隱信息，構(gòu)建全面的網(wǎng)絡(luò)用戶畫像，進(jìn)而促進(jìn)跨網(wǎng)絡(luò)的推薦、鏈接預(yù)測(cè)、信息傳播等多個(gè)研究領(lǐng)域發(fā)展?，F(xiàn)有的基于用戶屬性和基于網(wǎng)絡(luò)結(jié)構(gòu)的用戶身份鏈接方法，沒(méi)有考慮不同用戶之間影響力差異因素，收斂速度較慢?；谏疃扔巫叩挠脩羯矸萱溄臃椒?，融入多頭注意力機(jī)制，對(duì)用戶間影響力進(jìn)行建模，實(shí)驗(yàn)結(jié)果表明，該方法可以很好地改進(jìn)算法有效性，提高訓(xùn)練效率。

發(fā)表于：2024/12/16 16:34:14

基于改進(jìn)YOLOv5n的腐敗水果檢測(cè)模型[人工智能][消費(fèi)電子]

為了實(shí)現(xiàn)多種水果在采摘后自動(dòng)化篩選和分揀中腐敗水果識(shí)別的問(wèn)題，提出了改進(jìn)的YOLOv5n模型，命名為mobile-YOLO。首先將YOLOv5n的主干網(wǎng)絡(luò)替換為MobileNetV3并引入深度可分離卷積，相較于原模型，這種改進(jìn)在計(jì)算效率和速度上都有所提升，并且準(zhǔn)確率也得到了提高。為了進(jìn)一步提升速度，將C3模塊替換為C2f模塊，實(shí)現(xiàn)輕量化的同時(shí)獲得了更豐富的梯度流信息。最后將原有的CIoU替換為α-CIoU，以加快收斂速度并保證圖像框位置的準(zhǔn)確性。mobile-YOLO相較于原始的YOLOv5n，mAP@.5（mean Average Precision）達(dá)到了98.1%，mAP@.5：.95達(dá)到了94.2%，同時(shí)在P（Precision）值為97.1%和R（Recall）值為96.8%的情況下，參數(shù)量幾乎與YOLOv5n保持一致。

發(fā)表于：2024/12/16 16:24:06

一種基于狀態(tài)預(yù)測(cè)的多線程數(shù)據(jù)過(guò)濾算法[人工智能][其他]

數(shù)據(jù)過(guò)濾算法在大數(shù)據(jù)處理領(lǐng)域有著重要的作用?；谡齽t表達(dá)式匹配技術(shù)的數(shù)據(jù)過(guò)濾算法憑借強(qiáng)大的特征表達(dá)能力適合于處理大規(guī)模復(fù)雜數(shù)據(jù)。然而，傳統(tǒng)的正則表達(dá)式匹配過(guò)程為串行匹配，造成性能低，無(wú)法滿足現(xiàn)代數(shù)據(jù)處理的需求。針對(duì)傳統(tǒng)正則表達(dá)式匹配性能低的問(wèn)題，提出一種基于多線程和狀態(tài)預(yù)測(cè)的正則表達(dá)式加速匹配算法，稱之為μFA：基于向量指令執(zhí)行字符值比較，獲取可直接跳過(guò)的信任字符數(shù)。同時(shí)，基于多線程加速和狀態(tài)猜測(cè)技術(shù)，實(shí)現(xiàn)字符串的分段匹配處理，通過(guò)圈定字符危險(xiǎn)區(qū)域，研判各分段最終匹配結(jié)果的正確性。實(shí)驗(yàn)結(jié)果表明，μFA算法的吞吐率是原始DFA算法的10.12~91.36倍、ßFA算法的1.08~2.97倍。

發(fā)表于：2024/12/16 16:22:38

融合圖文預(yù)訓(xùn)練的漢越多模態(tài)神經(jīng)機(jī)器翻譯[人工智能][消費(fèi)電子]

由于漢語(yǔ)和越南語(yǔ)之間存在顯著的語(yǔ)法差異及語(yǔ)料稀缺，漢越神經(jīng)機(jī)器翻譯任務(wù)面臨名詞翻譯不準(zhǔn)確的挑戰(zhàn)。提出了一種新穎的多模態(tài)神經(jīng)機(jī)器翻譯方法，該方法融合了文本預(yù)訓(xùn)練模型和視覺(jué)語(yǔ)言聯(lián)合預(yù)訓(xùn)練模型。通過(guò)文本預(yù)訓(xùn)練模型，能夠捕獲深層的語(yǔ)言結(jié)構(gòu)和語(yǔ)義；而視覺(jué)語(yǔ)言聯(lián)合訓(xùn)練模型則提供了與文本相關(guān)聯(lián)的視覺(jué)上下文，這有助于模型更準(zhǔn)確地理解和翻譯名詞。兩種模型通過(guò)一個(gè)簡(jiǎn)潔高效的映射網(wǎng)絡(luò)結(jié)合，并通過(guò)Gumbel門控模塊動(dòng)態(tài)地整合多模態(tài)信息，以優(yōu)化翻譯輸出。在漢越及越漢翻譯任務(wù)中，該方法相比傳統(tǒng)Transformer模型分別提升了7.13和4.27的BLEU值。

發(fā)表于：2024/12/16 16:15:57

高速以太網(wǎng)均衡技術(shù)的綜述與思考[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

由于云計(jì)算、以太網(wǎng)、物聯(lián)網(wǎng)的廣泛運(yùn)用產(chǎn)生的數(shù)據(jù)爆炸式增長(zhǎng)，大型數(shù)據(jù)中心網(wǎng)絡(luò)的有線輸入輸出（I/O）帶寬需求迅速增長(zhǎng)，高速以太網(wǎng)的發(fā)展順應(yīng)了網(wǎng)絡(luò)流量的快速增長(zhǎng)趨勢(shì)。而隨著以太網(wǎng)數(shù)據(jù)傳輸速率的提升，對(duì)串行鏈路的信號(hào)完整性挑戰(zhàn)性進(jìn)一步增大。針對(duì)高速傳輸下以太網(wǎng)均衡技術(shù)面臨的挑戰(zhàn)，聚焦于各類均衡技術(shù)，對(duì)各類均衡技術(shù)進(jìn)行深入分析，探討各類均衡器的工作原理和特性以及闡述了這些均衡器在高速傳輸環(huán)境中的適用場(chǎng)景，為未來(lái)高速以太網(wǎng)均衡器的發(fā)展和優(yōu)化提供了參考，以更好地滿足通信中不斷增長(zhǎng)的對(duì)更高的傳輸效率和更低的誤碼率的需求。

發(fā)表于：2024/12/16 16:06:59

基于UVM的時(shí)間敏感網(wǎng)絡(luò)交換芯片的驗(yàn)證架構(gòu)設(shè)計(jì)[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

基于UVM驗(yàn)證方法學(xué)、自動(dòng)化比對(duì)和覆蓋率驅(qū)動(dòng)的驗(yàn)證思想，構(gòu)建了一個(gè)用于時(shí)間敏感網(wǎng)絡(luò)（TSN）交換芯片的系統(tǒng)驗(yàn)證架構(gòu)。該架構(gòu)采用分類和流水處理數(shù)據(jù)報(bào)文方法，結(jié)合流量檢測(cè)、時(shí)間槽檢測(cè)和數(shù)據(jù)報(bào)文自動(dòng)化比對(duì)方案，成功支撐TSN業(yè)務(wù)系統(tǒng)驗(yàn)證方法落地，保證了系統(tǒng)驗(yàn)證完備性。芯片回片經(jīng)測(cè)試滿足商用需求，再次論證了驗(yàn)證架構(gòu)的完備性。

發(fā)表于：2024/12/16 15:55:41

基于自適應(yīng)優(yōu)化的高速交叉矩陣設(shè)計(jì)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

提出了一種基于自適應(yīng)優(yōu)化的交叉矩陣傳輸設(shè)計(jì)，采用AHB協(xié)議并引入自適應(yīng)突發(fā)傳輸調(diào)整和自適應(yīng)優(yōu)先級(jí)調(diào)整的創(chuàng)新機(jī)制。通過(guò)動(dòng)態(tài)調(diào)整突發(fā)傳輸?shù)拈L(zhǎng)度和優(yōu)先級(jí)分配，實(shí)現(xiàn)了對(duì)數(shù)據(jù)流的有效管理，提升了系統(tǒng)的帶寬利用率和傳輸效率。對(duì)該設(shè)計(jì)進(jìn)行前端仿真和后端布局布線，仿真驗(yàn)證了該方法在不同負(fù)載環(huán)境下的優(yōu)越性，能夠優(yōu)化總線資源分配，提升傳輸速度，降低總體功耗。

發(fā)表于：2024/12/16 15:45:27

DRAM研究現(xiàn)狀與發(fā)展方向[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器（DRAM）因其高存儲(chǔ)密度和成本效益，在現(xiàn)代大規(guī)模計(jì)算機(jī)和超高速通信系統(tǒng)中得到廣泛應(yīng)用。主要介紹動(dòng)態(tài)DRAM的發(fā)展歷程、關(guān)鍵技術(shù)、國(guó)內(nèi)外研究進(jìn)展以及未來(lái)發(fā)展方向。首先，介紹了DRAM的分類、基本單元結(jié)構(gòu)、工作原理。其次，詳細(xì)介紹了DDR SDRAM的關(guān)鍵性能指標(biāo)以及專用DRAM的發(fā)展。然后，介紹了提高DRAM訪問(wèn)速度、容量與密度的創(chuàng)新DRAM架構(gòu)和技術(shù)，以及無(wú)電容存儲(chǔ)單元結(jié)構(gòu)、3D堆疊DRAM技術(shù)以及Rowhammer安全問(wèn)題及其防御機(jī)制。最后，展望了DRAM技術(shù)的未來(lái)發(fā)展方向，闡述了為了應(yīng)對(duì)日益增長(zhǎng)的高速、低功耗和高可靠性的存儲(chǔ)需求，對(duì)現(xiàn)有DRAM技術(shù)的進(jìn)行深入研究和創(chuàng)新的重要性。

發(fā)表于：2024/12/16 15:35:53

高速車載數(shù)據(jù)傳輸物理層接口芯片標(biāo)準(zhǔn)綜述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

作為實(shí)現(xiàn)汽車智能化的關(guān)鍵技術(shù)之一，高速、高可靠性、低時(shí)延的車載數(shù)據(jù)傳輸技術(shù)正獲得越來(lái)越多的關(guān)注；同時(shí)，對(duì)于打破私有協(xié)議壟斷、增強(qiáng)設(shè)備間互聯(lián)互通的需求日益增長(zhǎng)，推動(dòng)著車載數(shù)據(jù)傳輸公有標(biāo)準(zhǔn)的制定成為了國(guó)內(nèi)外標(biāo)準(zhǔn)組織的研究熱點(diǎn)。首先介紹了車載數(shù)據(jù)傳輸鏈路的特點(diǎn)，接著聚焦于高速車載數(shù)據(jù)傳輸物理層接口芯片標(biāo)準(zhǔn)，對(duì)主要標(biāo)準(zhǔn)組織及其標(biāo)準(zhǔn)的制定情況進(jìn)行了綜述，并對(duì)各標(biāo)準(zhǔn)的主要性能指標(biāo)與物理層技術(shù)進(jìn)行了分析與對(duì)比。

發(fā)表于：2024/12/16 15:26:15

基于深度學(xué)習(xí)的神經(jīng)歸一化最小和LDPC長(zhǎng)碼譯碼[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

LDPC碼是一種應(yīng)用廣泛的高性能糾錯(cuò)碼，近年來(lái)基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的LDPC譯碼成為研究熱點(diǎn)?；贑CSDS標(biāo)準(zhǔn)的（512，256）LDPC碼，首先研究了傳統(tǒng)的SP、MS、NMS、OMS的譯碼算法，為神經(jīng)網(wǎng)絡(luò)的構(gòu)建奠定基礎(chǔ)。然后研究基于數(shù)據(jù)驅(qū)動(dòng)（DD）的譯碼方法，即采用大量信息及其經(jīng)編碼、調(diào)制、加噪的LDPC碼作為訓(xùn)練數(shù)據(jù)在多層感知層（MLP）神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。為解決數(shù)據(jù)驅(qū)動(dòng)方法誤碼率高的問(wèn)題，又提出了將NMS算法映射到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)歸一化最小和（NNMS）譯碼，取得了比NMS更優(yōu)秀的誤碼性能，信道信噪比為3.5 dB時(shí)誤碼率下降85.19%。最后研究了提升NNMS網(wǎng)絡(luò)的SNR泛化能力的改進(jìn)訓(xùn)練方法。

發(fā)表于：2024/12/16 15:11:05