嗯~教官不要~受不了了,最新大黄网站免费,国产...

基于改進(jìn)OS-ELM的電子鼻在線氣體濃度檢測(cè)*[測(cè)試測(cè)量][消費(fèi)電子]

電子鼻是一種仿生傳感系統(tǒng)，該設(shè)備能夠同時(shí)對(duì)多種氣體進(jìn)行識(shí)別，因此應(yīng)用在許多領(lǐng)域當(dāng)中。氣體濃度算法是電子鼻對(duì)氣體定量分析時(shí)的核心部分，為了提高電子鼻濃度檢測(cè)算法精度，提出一種基于在線序列極限學(xué)習(xí)機(jī)（Online Sequential-Extreme Learning Machine， OS-ELM）的預(yù)測(cè)模型。該模型通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM對(duì)氣體濃度進(jìn)行預(yù)測(cè)，并提出了一種改進(jìn)的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工調(diào)整模型參數(shù)的問(wèn)題。由理論分析，改進(jìn)的算法比傳統(tǒng)PSO算法有更強(qiáng)的搜索能力。實(shí)驗(yàn)結(jié)果表明，所提模型對(duì)氣體的預(yù)測(cè)精度上較傳統(tǒng)的預(yù)測(cè)模型具有更高的預(yù)測(cè)精度和泛化能力。

發(fā)表于：10/23/2023 4:46:25 PM

基于國(guó)產(chǎn)化云平臺(tái)的航天數(shù)據(jù)混合組播應(yīng)用技術(shù)[測(cè)試測(cè)量][航空航天]

構(gòu)建了一種基于云架構(gòu)的一體化計(jì)算機(jī)系統(tǒng)，系統(tǒng)國(guó)產(chǎn)化率100%。提出了基于國(guó)產(chǎn)化云平臺(tái)航天數(shù)據(jù)混合組播應(yīng)用技術(shù)，實(shí)現(xiàn)了操作系統(tǒng)、云平臺(tái)、虛擬機(jī)CPU資源三個(gè)層面技術(shù)優(yōu)化，解決了國(guó)產(chǎn)操作系統(tǒng)及云平臺(tái)網(wǎng)絡(luò)資源虛擬化對(duì)數(shù)據(jù)組播的性能瓶頸問(wèn)題，提升了云平臺(tái)數(shù)據(jù)組播的性能。經(jīng)過(guò)實(shí)際測(cè)試，提升后性能可滿足了航天任務(wù)中心業(yè)務(wù)使用需求。

發(fā)表于：10/23/2023 4:35:52 PM

H.265/HEVC熵解碼的分組并行流水線實(shí)現(xiàn)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

針對(duì)高效視頻編碼（H.265/HEVC）中CABAC熵解碼模塊的高資源消耗和數(shù)據(jù)依賴性，設(shè)計(jì)了一種多路并行的高效FPGA實(shí)現(xiàn)結(jié)構(gòu)。根據(jù)不同類(lèi)型語(yǔ)法元素特性，采用分組并行數(shù)據(jù)調(diào)度方法，減少數(shù)據(jù)處理等待時(shí)間和內(nèi)部存儲(chǔ)器訪問(wèn)次數(shù)，同時(shí)利用流水線技術(shù)實(shí)現(xiàn)運(yùn)算加速。評(píng)估驗(yàn)證結(jié)果表明，熵解碼模塊吞吐量可以達(dá)到1.64位元/時(shí)鐘周期，滿足當(dāng)下超高清視頻實(shí)時(shí)解碼的要求。

發(fā)表于：10/23/2023 4:28:30 PM

一種應(yīng)用分段式電容陣列的20 MS/s 10-bit SAR ADC*[電子元件][工業(yè)自動(dòng)化]

設(shè)計(jì)了一個(gè)10位分辨率，20 MS/s采樣率的逐次逼近型模擬數(shù)字轉(zhuǎn)換器（SAR ADC）。該電路通過(guò)采用分段式電容陣列設(shè)計(jì)，縮短了量化過(guò)程中高位電容翻轉(zhuǎn)后所需要的穩(wěn)定時(shí)間，從而提高了量化速度。此外，還提出了一種新穎、高效的比較器校準(zhǔn)方法，以較低的成本實(shí)現(xiàn)了比較器失調(diào)電壓的抑制。該ADC芯片基于180 nm CMOS工藝設(shè)計(jì)制造，核心面積為0.213 5 mm2。實(shí)際測(cè)試結(jié)果表明，在1.8 V電源電壓、20 MS/s采樣頻率下，該ADC的信號(hào)噪聲失真比（SNDR）達(dá)到了58.24 dB。

發(fā)表于：10/23/2023 4:15:01 PM

一種基于深度學(xué)習(xí)模型的無(wú)人機(jī)巡檢輸電線路山火檢測(cè)方法[人工智能][智能電網(wǎng)]

輸電巡檢圖像的背景復(fù)雜，目標(biāo)檢測(cè)易受干擾，基于YOLOX神經(jīng)網(wǎng)絡(luò)模型，提出一種輸電線路山火檢測(cè)方法。首先采用YOLOX的主干特征提取網(wǎng)絡(luò)框架，并將其中多尺度特征提取模塊的常規(guī)卷積替換為可變形卷積；其次在加強(qiáng)特征提取階段增加了通道注意力和空間注意力模塊的融合，能夠自適應(yīng)火焰的外形多變特點(diǎn)，更加有效地提取到山火特征，從而提高目標(biāo)檢測(cè)的準(zhǔn)確率。經(jīng)實(shí)驗(yàn)驗(yàn)證，所提方法能夠較為準(zhǔn)確地檢測(cè)到山火，滿足日常巡檢的需求。

發(fā)表于：10/23/2023 4:09:21 PM

結(jié)合不確定性估計(jì)的輕量級(jí)人體關(guān)鍵點(diǎn)檢測(cè)算法[人工智能][醫(yī)療電子]

人體關(guān)鍵點(diǎn)檢測(cè)在智能視頻監(jiān)控、人機(jī)交互等領(lǐng)域有重要應(yīng)用。針對(duì)基于熱圖的人體關(guān)鍵點(diǎn)檢測(cè)算法依賴高分辨率熱圖、計(jì)算資源消耗大的問(wèn)題，提出一種結(jié)合不確定性估計(jì)的輕量級(jí)算法。使用低分辨率熱圖，結(jié)合不確定性估計(jì)預(yù)測(cè)誤差分布的尺度參數(shù)，提高了預(yù)測(cè)結(jié)果的可信度；利用尺度參數(shù)監(jiān)督和約束熱圖，緩解梯度消失，增強(qiáng)了網(wǎng)絡(luò)的魯棒性。COCO數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果表明，與積分姿態(tài)回歸算法相比，改進(jìn)后算法的平均精度提高了3.3%，降低了資源占用。

發(fā)表于：10/23/2023 3:43:41 PM

集成電路產(chǎn)業(yè)的多源數(shù)據(jù)融合前沿識(shí)別研究[電子元件][數(shù)據(jù)中心]

大數(shù)據(jù)時(shí)代，能夠精準(zhǔn)及時(shí)地識(shí)別研究前沿對(duì)于科技戰(zhàn)略的定位和科研方向的部署尤為重要，可提供更加全面的決策參考和依據(jù)。利用自開(kāi)發(fā)的多源數(shù)據(jù)融合分析方法，從全球期刊論文、會(huì)議論文、專利文獻(xiàn)、科技新聞、研究報(bào)告、科技政策、標(biāo)準(zhǔn)等數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和去噪，有效識(shí)別出集成電路領(lǐng)域當(dāng)前的研究前沿和技術(shù)清單。當(dāng)前全球集成電路領(lǐng)域的研究熱點(diǎn)和重點(diǎn)發(fā)展方向集中在半導(dǎo)體制造設(shè)備、高制程制造技術(shù)上，重點(diǎn)產(chǎn)品集中在高端芯片、功率器件、傳感器、存儲(chǔ)器以及第三代半導(dǎo)體的相關(guān)產(chǎn)品上。中國(guó)半導(dǎo)體產(chǎn)業(yè)國(guó)產(chǎn)化迫在眉睫，前沿識(shí)別結(jié)果為政府與企業(yè)提供有價(jià)值的決策支持和參考。

發(fā)表于：10/23/2023 3:38:38 PM

考慮多主體利益電力-交通耦合網(wǎng)絡(luò)定價(jià)策略*[電源技術(shù)][智能電網(wǎng)]

隨著電動(dòng)汽車(chē)滲透率的增加，電力網(wǎng)絡(luò)和交通網(wǎng)絡(luò)在時(shí)空上的耦合更加密切。為降低電動(dòng)汽車(chē)無(wú)序并入給電網(wǎng)安全穩(wěn)定運(yùn)行帶來(lái)的挑戰(zhàn)，充分考慮電力負(fù)荷需求和交通路況不確定性的影響，建立電動(dòng)汽車(chē)用戶-充電站聚合商-電網(wǎng)運(yùn)營(yíng)商多主體利益分層博弈模型，在滿足約束條件的前提下基于改進(jìn)型蝙蝠算法對(duì)多主體利益分層優(yōu)化問(wèn)題進(jìn)行求解。由仿真算例可知，電網(wǎng)運(yùn)營(yíng)商針對(duì)不同電動(dòng)汽車(chē)滲透率積極調(diào)整定價(jià)策略可以獲得更高的運(yùn)行效益。所提方法能有效改善電網(wǎng)電壓質(zhì)量以確保系統(tǒng)安全穩(wěn)定運(yùn)行，為完善電力產(chǎn)業(yè)價(jià)值鏈體系提供理論支撐。

發(fā)表于：10/23/2023 3:33:14 PM

基于圖像識(shí)別的用電安全檢查子系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)*[電源技術(shù)][智能電網(wǎng)]

用電安全檢查是保障電網(wǎng)正常運(yùn)行的重要途徑，傳統(tǒng)的用電安全檢查主要依賴人工的形式對(duì)存在安全隱患的場(chǎng)所、設(shè)備進(jìn)行逐一排查。隨著人工智能技術(shù)的發(fā)展，基于圖像數(shù)據(jù)的智能分析可協(xié)助及時(shí)排查相關(guān)安全隱患，也可減少對(duì)于檢查人員的經(jīng)驗(yàn)要求，在提升效率的同時(shí)，保障安全檢查準(zhǔn)確性。為了更好地提升用電安全檢查的準(zhǔn)確性，提出了基于YOLO神經(jīng)網(wǎng)絡(luò)的用電隱患識(shí)別算法，該算法可對(duì)用電設(shè)備的指示燈進(jìn)行識(shí)別，并與正常狀態(tài)進(jìn)行比對(duì)，發(fā)現(xiàn)異常狀態(tài)及時(shí)發(fā)出告警信息。基于該算法，還設(shè)計(jì)并實(shí)現(xiàn)了基于圖像識(shí)別的用電安全檢查子系統(tǒng)。通過(guò)實(shí)際數(shù)據(jù)驗(yàn)證，系統(tǒng)對(duì)設(shè)備指示燈狀態(tài)不一致性檢測(cè)等可達(dá)到較高水平，滿足對(duì)用電安全檢查的需求。

發(fā)表于：10/23/2023 3:27:19 PM

計(jì)及MCMC方法的電網(wǎng)概率檢修計(jì)劃指標(biāo)優(yōu)化模型*[電源技術(shù)][智能電網(wǎng)]

電力檢修是保證電力系統(tǒng)正常運(yùn)行的重要環(huán)節(jié)，有效的電力檢修計(jì)劃安排將大幅提升電網(wǎng)運(yùn)行的可靠性。通過(guò)設(shè)備狀態(tài)分級(jí)、設(shè)備運(yùn)行年限、設(shè)備運(yùn)行成本等指標(biāo)構(gòu)建概率檢修模型，實(shí)現(xiàn)檢修計(jì)劃的優(yōu)化，采用概率檢修計(jì)劃優(yōu)化策略提高電網(wǎng)可靠性和經(jīng)濟(jì)性指標(biāo)，并在檢修模型采用馬爾可夫鏈-蒙特卡洛法用于提高模型準(zhǔn)確度。最后通過(guò)仿真對(duì)概率檢修模型與傳統(tǒng)檢修模型進(jìn)行分析比較，在確定最優(yōu)檢修概率的同時(shí)，突顯了概率檢修模型的優(yōu)越性，為電力產(chǎn)業(yè)價(jià)值鏈體系中電力檢修環(huán)節(jié)的完善提供理論基礎(chǔ)。

發(fā)表于：10/23/2023 3:22:46 PM