手机永久无码国产av,处破女轻点疼98分钟,亚洲成a人亚洲无码

基于視覺顯著性的毫米波隱匿物品檢測算法[微波|射頻][其他]

針對毫米波圖像中隱匿物品與人體灰度差異小、形狀多變的問題，提出了一種基于視覺顯著性的隱匿物品檢測算法。該算法在雙邊濾波后，結(jié)合OTSU和形態(tài)學(xué)運(yùn)算完成預(yù)處理以獲得人體區(qū)域，再根據(jù)頻域顯著性計(jì)算定位前景，經(jīng)背景抑制后生成顯著圖完成檢測。實(shí)驗(yàn)數(shù)據(jù)表明，所提算法與典型的主動(dòng)式毫米波成像檢測算法相比，檢出率分別提高5.87%和9.08%，有更好的檢測性能。

發(fā)表于：11/9/2022

TTE網(wǎng)絡(luò)通信鏈路自動(dòng)規(guī)劃方法研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對TTE網(wǎng)絡(luò)中存在的消息調(diào)度以及鏈路規(guī)劃依賴于手工配置、難以負(fù)擔(dān)龐大的網(wǎng)絡(luò)結(jié)構(gòu)等問題，對TTE網(wǎng)絡(luò)的通信鏈路規(guī)劃方法進(jìn)行了仿真研究，構(gòu)建了鏈路規(guī)劃模型，通過頭腦風(fēng)暴算法這種新型的啟發(fā)式算法來尋找問題的解。通過實(shí)驗(yàn)仿真對比，驗(yàn)證了頭腦風(fēng)暴優(yōu)化算法的有效性以及在規(guī)劃后期有比遺傳算法更加穩(wěn)定的執(zhí)行效果，提升了網(wǎng)絡(luò)傳輸效率，有很廣泛的應(yīng)用前景。

發(fā)表于：11/9/2022

基于數(shù)值特征與圖像特征融合的調(diào)制識(shí)別方法[其他][其他]

為解決低信噪比條件下相移鍵控和正交幅度調(diào)制類信號(hào)利用時(shí)頻圖像分類時(shí)識(shí)別率低的問題，提出一種信號(hào)特征融合的方法。首先對接收信號(hào)數(shù)據(jù)進(jìn)行高階累積量計(jì)算，獲取一維數(shù)值特征向量；其次采用時(shí)頻分析方法預(yù)處理得到信號(hào)時(shí)頻圖，利用卷積神經(jīng)網(wǎng)絡(luò)提取其一維圖像特征向量；將兩類特征向量級聯(lián)得到一維融合特征向量，基于融合后的特征向量經(jīng)過全連接網(wǎng)絡(luò)進(jìn)一步運(yùn)算后得出分類識(shí)別結(jié)果。仿真結(jié)果顯示，在1 dB條件下，相比于單一圖像特征，采用特征融合的方法可將調(diào)制信號(hào)的識(shí)別準(zhǔn)確率提高10%～30%。

發(fā)表于：11/9/2022

基于SDNSR-Net深度網(wǎng)絡(luò)的大規(guī)模MIMO信號(hào)檢測算法[其他][其他]

大規(guī)模多輸入多輸出(MIMO)系統(tǒng)能有效地提高頻譜效率，當(dāng)天線規(guī)模漸進(jìn)趨向于無窮時(shí)，最小均方誤差(MMSE)檢測算法能達(dá)到接近最優(yōu)的檢測性能。然而由于算法中存在矩陣求逆的步驟，帶來極高的計(jì)算復(fù)雜度，在大規(guī)模MIMO系統(tǒng)中難以實(shí)現(xiàn)。理查森(Richardson)算法能夠在不對矩陣求逆的情況下，以迭代的形式達(dá)到MMSE算法的檢測性能，但該算法受其松弛參數(shù)影響較大。在結(jié)合最陡梯度下降算法的Richardson算法(SDNSR)中，松弛參數(shù)的誤差可由梯度下降算法彌補(bǔ)，卻提高了計(jì)算復(fù)雜度。首先通過深度展開的思想，將SDNSR的迭代過程映射為深度檢測網(wǎng)絡(luò)(SDNSR-Net)；然后，通過修改網(wǎng)絡(luò)結(jié)構(gòu)及添加可訓(xùn)練參數(shù)來降低計(jì)算復(fù)雜度并提高檢測精度。實(shí)驗(yàn)結(jié)果表明，在上行鏈路大規(guī)模MIMO系統(tǒng)中不同信噪比和天線配置的情況下，SDNSR-Net都優(yōu)于其他典型的檢測算法，可作為實(shí)際中有效的待選檢測方案。

發(fā)表于：11/9/2022

基于矩陣式軟件庫的航天系統(tǒng)快速構(gòu)建[通信與網(wǎng)絡(luò)][航空航天]

針對地面航天器數(shù)據(jù)中心多型號(hào)軟件系統(tǒng)構(gòu)建，提出了一種基于多維矩陣式軟件庫的快速定制構(gòu)建方法。首先，分析了航天數(shù)據(jù)中心系統(tǒng)的整體結(jié)構(gòu)，提出了可以滿足云計(jì)算應(yīng)用的多態(tài)多層兼容復(fù)雜結(jié)構(gòu)；其次，介紹了適應(yīng)航天數(shù)據(jù)中心的硬件系統(tǒng)微模塊機(jī)房部署方式，提出了操作使用與操作場地分離、軟件系統(tǒng)與硬件系統(tǒng)解耦的架構(gòu)設(shè)計(jì)；最后，提出了一種矩陣式定制化動(dòng)態(tài)調(diào)度軟件庫，實(shí)現(xiàn)按需求靈活定制組建新應(yīng)用系統(tǒng)、快速加載卸載應(yīng)用系統(tǒng)的能力，并介紹了按需快速生成和動(dòng)態(tài)加載卸載的流程。系統(tǒng)滿足了航天數(shù)據(jù)中心多系列多衛(wèi)星地面數(shù)據(jù)處理系統(tǒng)構(gòu)建的任務(wù)要求，有效降低了系統(tǒng)開發(fā)成本，減少了系統(tǒng)運(yùn)維工作。

發(fā)表于：11/9/2022

邊緣計(jì)算在用戶用電信息采集系統(tǒng)中的應(yīng)用[其他][其他]

隨著當(dāng)下的電力企業(yè)和電力用戶之間的溝通與交流越來越密切，用戶用電信息采集規(guī)模不斷增大，采集數(shù)據(jù)類型不斷增多，對數(shù)據(jù)采集頻率的要求也越來越高。目前，對用戶用電信息采集系統(tǒng)的研究大多為對系統(tǒng)架構(gòu)的優(yōu)化，少有對采集方法進(jìn)行研究。因此，提出一種基于邊緣計(jì)算的快速抄表方法，將計(jì)算能力和數(shù)據(jù)存儲(chǔ)資源下沉至靠近數(shù)據(jù)源的位置，就近為終端設(shè)備提供低時(shí)延、高效率的采集存儲(chǔ)服務(wù)。并與傳統(tǒng)抄表方法的時(shí)間開銷及可靠性進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，將聚集的數(shù)據(jù)邊緣化處理提高了密集的用戶用電信息的采集效率。

發(fā)表于：11/9/2022

基于信號(hào)調(diào)理芯片的運(yùn)算放大器設(shè)計(jì)[電子元件][智能電網(wǎng)]

基于國內(nèi)40 V雙極型工藝設(shè)計(jì)了一種全差分運(yùn)算放大器，應(yīng)用于信號(hào)調(diào)理芯片的驅(qū)動(dòng)模塊，運(yùn)放輸出信號(hào)的幅值可通過外接電阻調(diào)節(jié)。整體電路結(jié)構(gòu)包含輸入級、中間級、輸出級、反饋電路和基準(zhǔn)電路。輸入級電路引入電流并聯(lián)負(fù)反饋實(shí)現(xiàn)電壓到電流轉(zhuǎn)換，通過外圍電阻分流信號(hào)的一部分來設(shè)置主信號(hào)幅值。中間級采用共集-共射的電路結(jié)構(gòu)，提高電壓增益；功率輸出級采用全NPN的B類結(jié)構(gòu)，實(shí)現(xiàn)大功率輸出，提高電路驅(qū)動(dòng)能力。同時(shí)電路引入共模反饋的電阻網(wǎng)絡(luò)，使輸出共模電壓集中在正負(fù)電源之間。在電源電壓為±15 V條件下測試結(jié)果為：輸出電壓有效值幅值范圍為1.488 V~18.57 V，直流失調(diào)電壓為-169 mV，輸出短路電流為65 mA，總諧波失真為-41.2 dB。

發(fā)表于：11/9/2022

一種用于PCIe多通道的De-skew電路設(shè)計(jì)[模擬設(shè)計(jì)][其他]

在PCIe多通道數(shù)據(jù)傳輸過程中，當(dāng)各通道數(shù)據(jù)到達(dá)時(shí)間不一致時(shí)，會(huì)引入相位偏移(Skew)問題。為了保證每條通道的接收端能夠同時(shí)且正確處理接收到的數(shù)據(jù)，需要對傳輸數(shù)據(jù)進(jìn)行預(yù)處理。提出了一種De-skew邏輯電路，利用同步FIFO實(shí)現(xiàn)了多通道的De-skew，完成了相應(yīng)的邏輯設(shè)計(jì)。并利用UVM以及VIP技術(shù)搭建了驗(yàn)證平臺(tái)，測試結(jié)果驗(yàn)證了設(shè)計(jì)的正確性和可行性。與其他常用解決方案對比表明，該邏輯設(shè)計(jì)具有全面性、優(yōu)越性和可復(fù)用性。

發(fā)表于：11/9/2022

關(guān)聯(lián)動(dòng)態(tài)特征的目標(biāo)自適應(yīng)跟蹤算法[其他][其他]

在復(fù)雜的靶場試驗(yàn)場景中，試驗(yàn)現(xiàn)場常常涉及揚(yáng)塵、強(qiáng)光、遮擋等多變的自然環(huán)境。針對這種情況下快速運(yùn)動(dòng)的目標(biāo)物體跟蹤，提出了一種關(guān)聯(lián)動(dòng)態(tài)特征的單目標(biāo)跟蹤算法。首先使用門控循環(huán)單元(Gated Recurrent Unit，GRU)提取待跟蹤目標(biāo)的時(shí)序動(dòng)態(tài)特征，獲得候選處理目標(biāo)框集合；然后利用卷積網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取候選目標(biāo)框的深度卷積特征并確定目標(biāo)位置，同時(shí)分離出背景卷積特征；在跟蹤過程中，使用分離出的背景卷積特征圖對網(wǎng)絡(luò)進(jìn)行參數(shù)更新，增強(qiáng)網(wǎng)絡(luò)的魯棒性與自適應(yīng)性。實(shí)驗(yàn)結(jié)果表明，所提出的算法可以對靶場圖像采集系統(tǒng)中的被試移動(dòng)目標(biāo)進(jìn)行自適應(yīng)跟蹤，并且在復(fù)雜環(huán)境背景下算法仍能保持優(yōu)異的魯棒性與適應(yīng)性。

發(fā)表于：11/9/2022

基于動(dòng)態(tài)圖注意力聚合多跳鄰域的實(shí)體對齊[其他][其他]

實(shí)體對齊是實(shí)現(xiàn)對不同來源知識(shí)庫進(jìn)行融合的重要技術(shù)方法，在知識(shí)圖譜、知識(shí)補(bǔ)全領(lǐng)域具有廣泛應(yīng)用?，F(xiàn)有基于圖注意力的實(shí)體對齊模型多使用靜態(tài)圖注意力網(wǎng)絡(luò)且忽略了實(shí)體屬性中的語義信息，導(dǎo)致模型存在有限注意、難以擬合、表達(dá)能力不足等問題。針對這些問題，開展基于動(dòng)態(tài)圖注意力結(jié)構(gòu)建模實(shí)體對齊方法研究，首先使用圖卷積層建模目標(biāo)實(shí)體的單跳節(jié)點(diǎn)表示，其次應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)獲得多跳節(jié)點(diǎn)注意力系數(shù)并建模，再次利用逐層門控網(wǎng)絡(luò)聚合圖卷積層與動(dòng)態(tài)圖注意力層輸出的單跳、多跳節(jié)點(diǎn)信息，最后拼接通過外部知識(shí)預(yù)訓(xùn)練自然語言模型提取的實(shí)體名稱屬性嵌入并進(jìn)行相似度計(jì)算。該方法在DBP15K的三類跨語言數(shù)據(jù)集中都獲得了一定的提高，證明了應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)與融入實(shí)體屬性語義在提高實(shí)體表示能力上的有效性。

發(fā)表于：11/9/2022

基于DBN-BP深度算法的熱軋板帶橫斷面預(yù)測[其他][其他]

隨著各工業(yè)領(lǐng)域的快速發(fā)展，市場對薄規(guī)格、高強(qiáng)度板帶產(chǎn)品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產(chǎn)品質(zhì)量的主要評價(jià)指標(biāo)?；跀?shù)據(jù)挖掘技術(shù)，對軋機(jī)數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析與處理，其中數(shù)據(jù)挖掘技術(shù)采用深度置信網(wǎng)絡(luò)(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結(jié)合，構(gòu)建板帶橫向厚度分布的預(yù)測模型。DBN-BP算法由多個(gè)限制玻爾茲曼網(wǎng)絡(luò)(Restricted Botlzmann Machine，RBM)逐層堆疊而成，并使用無監(jiān)督的逐層訓(xùn)練的方式得到網(wǎng)絡(luò)的權(quán)值矩陣和偏置供BP算法使用，而BP算法通過誤差反向傳播的方式對整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。該方法克服了BP算法因隨機(jī)初始化權(quán)值參數(shù)而陷入局部最優(yōu)和訓(xùn)練時(shí)間長的缺點(diǎn)。通過與BP算法相比較可知，采用DBN-BP方法預(yù)測終軋道次穩(wěn)定軋制時(shí)板帶中點(diǎn)厚度誤差在±5.6 μm范圍內(nèi)的概率可達(dá)95%；而BP算法的預(yù)測誤差范圍為±11 μm。并且通過對板帶橫斷面形狀的預(yù)測結(jié)果分析可知，相比于BP算法，DBN-BP深度學(xué)習(xí)方法對于板帶邊部厚度的預(yù)測更具有優(yōu)勢。

發(fā)表于：11/9/2022

智慧軍營研究綜述及展望[其他][其他]

首先介紹了智慧軍營的研究背景以及其在國防領(lǐng)域的重要性。其次結(jié)合智慧營區(qū)研究建設(shè)目前處于初級階段所存在的問題與挑戰(zhàn)，對智慧軍營體系架構(gòu)和其中各層級的研究現(xiàn)狀及成果進(jìn)行了詳細(xì)探討和評價(jià)。最后結(jié)合技術(shù)發(fā)展趨勢和項(xiàng)目建設(shè)經(jīng)驗(yàn)論述了智慧軍營未來的研究方向和發(fā)展趨勢。

發(fā)表于：11/9/2022

智能計(jì)算芯片技術(shù)及產(chǎn)業(yè)趨勢和對北京的建議[其他][其他]

智能計(jì)算芯片是處理海量數(shù)據(jù)，體現(xiàn)計(jì)算能力的硬件載體，是承載數(shù)字經(jīng)濟(jì)時(shí)代生產(chǎn)力的重要支撐。隨著人工智能、5G、大數(shù)據(jù)、區(qū)塊鏈等新一代信息技術(shù)的規(guī)模化應(yīng)用，行業(yè)數(shù)字化轉(zhuǎn)型和產(chǎn)業(yè)智能化升級對計(jì)算資源的需求呈現(xiàn)指數(shù)級增長。加上集成電路的發(fā)展進(jìn)入后摩爾時(shí)代，現(xiàn)行計(jì)算架構(gòu)(馮·諾依曼架構(gòu))缺陷所導(dǎo)致的瓶頸愈加凸顯，發(fā)展受到嚴(yán)重挑戰(zhàn)。而滿足多樣化計(jì)算需求的新型計(jì)算架構(gòu)和計(jì)算范式、滿足智能計(jì)算需求的先進(jìn)封裝技術(shù)、基于新材料新工藝的新型計(jì)算器件也進(jìn)入到創(chuàng)新活躍的階段，智能計(jì)算芯片迎來了快速發(fā)展的黃金時(shí)代。綜合分析了數(shù)字經(jīng)濟(jì)時(shí)代智能計(jì)算芯片的戰(zhàn)略重要性，梳理了國內(nèi)外智能計(jì)算主要產(chǎn)業(yè)格局、新興關(guān)鍵技術(shù)以及發(fā)展機(jī)遇，并對北京發(fā)展智能計(jì)算芯片的機(jī)遇與路徑提出相關(guān)建議。

發(fā)表于：11/9/2022

針對遙感影像的MSA-YOLO儲(chǔ)油罐目標(biāo)檢測[其他][其他]

原油作為一種重要的戰(zhàn)略物資，在我國經(jīng)濟(jì)和軍事等多個(gè)領(lǐng)域均起到重要作用。提出一種算法MSA-YOLO(MultiScale Adaptive YOLO)，該算法在YOLOv4算法的基礎(chǔ)上進(jìn)行優(yōu)化，并基于以吉林一號(hào)光學(xué)遙感衛(wèi)星影像為主的遙感圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對特定監(jiān)控區(qū)域內(nèi)的儲(chǔ)油罐進(jìn)行識(shí)別與分類。算法優(yōu)化內(nèi)容包括：為簡化儲(chǔ)油罐監(jiān)測模型同時(shí)保證模型的效率，對YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)中的多尺度識(shí)別模塊進(jìn)行修剪；使用k-means++聚類算法進(jìn)行初始錨框的選取，使模型加速收斂；使用基于CIoU-NMS的優(yōu)化，進(jìn)一步提升推理速度和準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，與YOLOv4相比，MSA-YOLO模型參數(shù)數(shù)量減少25.84%；模型尺寸減少62.13%；在Tesla V100的GPU環(huán)境下，模型的訓(xùn)練速度提升6 s/epoch，推理速度提升15.76 F/s；平均精度為95.65%。與此同時(shí)，MSA-YOLO算法在多種通用目標(biāo)識(shí)別算法進(jìn)行的對比實(shí)驗(yàn)中均體現(xiàn)出了更高效的特點(diǎn)。MSA-YOLO算法對儲(chǔ)油罐進(jìn)行準(zhǔn)確且實(shí)時(shí)的識(shí)別具有通用可行性，可為遙感數(shù)據(jù)在能源期貨領(lǐng)域提供技術(shù)參考。

發(fā)表于：11/9/2022

基于Involution Prediction Head的小目標(biāo)檢測算法[其他][其他]

針對通用目標(biāo)檢測算法在檢測小目標(biāo)時(shí)存在錯(cuò)檢和漏檢等問題,提出了一種小目標(biāo)檢測算法IPH(Involution Prediction Head)，將其運(yùn)用在YOLOv4和YOLOv5的檢測頭部分，在VOC2007數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，運(yùn)用IPH后的YOLOv4小目標(biāo)檢測精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。經(jīng)智能交通檢測數(shù)據(jù)集進(jìn)一步檢驗(yàn)，IPH算法和去下采樣能有效提升小目標(biāo)檢測精度，減少錯(cuò)檢和漏檢的情況。

發(fā)表于：11/9/2022