亚洲理论中文幕,亚洲福利片无码最新在线播放,在线播放免费人成毛片软件

氣體鉆井微波傳輸隨鉆監(jiān)測(cè)系統(tǒng)軟件設(shè)計(jì)[其他][其他]

國(guó)內(nèi)氣體鉆井施工過(guò)程已開(kāi)始采用微波中繼傳輸?shù)姆绞綐?gòu)建隨鉆監(jiān)控系統(tǒng)，但目前在該施工條件下應(yīng)用的配套隨鉆監(jiān)控軟件不成熟，數(shù)據(jù)解析時(shí)間長(zhǎng)，測(cè)傳速率低且無(wú)信道監(jiān)管功能，制約了氣體鉆井的發(fā)展。針對(duì)氣體現(xiàn)場(chǎng)實(shí)際需要，采用事件驅(qū)動(dòng)軟件架構(gòu)開(kāi)發(fā)配套隨鉆監(jiān)測(cè)軟件，將氣體鉆井施工過(guò)程中各工程參數(shù)以曲線、數(shù)值、刻度等多種方式進(jìn)行人機(jī)交互，并能對(duì)井筒內(nèi)微波信道進(jìn)行監(jiān)管，為氣體鉆井隨鉆實(shí)時(shí)監(jiān)控及鉆后分析研究提供了軟件支撐。并且該軟件的應(yīng)用大幅提升監(jiān)測(cè)系統(tǒng)測(cè)傳速率，其最大測(cè)傳速率達(dá)到1.194 kb/s，信道監(jiān)管功能的引入可增加入井微波中繼器的數(shù)量，使測(cè)傳深度突破3 000 m，基本滿足目前氣體鉆井隨鉆監(jiān)測(cè)的需要。

發(fā)表于：9/27/2021

基于電子鼻傳感器性能的互信息特征選擇算法[其他][其他]

當(dāng)前的互信息特征選擇算法為提高泛化性能而未對(duì)專(zhuān)一應(yīng)用領(lǐng)域進(jìn)行優(yōu)化，電子鼻傳感器陣列優(yōu)化作為一類(lèi)特殊的特征選擇問(wèn)題，使用傳統(tǒng)算法難以搜索出最優(yōu)的特征子集。結(jié)合氣體傳感器陣列特殊的冗余性和特有的敏感性，提出了一種基于電子鼻傳感器性能的互信息特征選擇算法并對(duì)陣列進(jìn)行優(yōu)化，通過(guò)兩種不同的電子鼻公開(kāi)數(shù)據(jù)集驗(yàn)證了傳感器特性對(duì)識(shí)別精度的影響，證明了所提出算法的有效性。

發(fā)表于：9/27/2021

基于優(yōu)化多視角圖像采集的點(diǎn)云分類(lèi)[其他][其他]

基于二維多視角3D識(shí)別方法中，可使用多個(gè)2D投影圖表示三維模型特征信息，但不同視角投影圖像的特征不同，神經(jīng)網(wǎng)絡(luò)對(duì)其學(xué)習(xí)效率也有所差異。卷積神經(jīng)網(wǎng)絡(luò)能夠映射圖像的特征，可用此方法分析這個(gè)問(wèn)題?；旌弦暯菙?shù)據(jù)集分析不同視角投影特征在卷積神經(jīng)網(wǎng)絡(luò)中的重要性，根據(jù)重要性的不同優(yōu)化混合視角數(shù)據(jù)集的采集密度。最終實(shí)驗(yàn)結(jié)果表明，不同視角產(chǎn)生的二維圖像分類(lèi)準(zhǔn)確率不一樣，其中俯視角度投影的分類(lèi)準(zhǔn)確率最差，優(yōu)化后的數(shù)據(jù)集在相同神經(jīng)網(wǎng)絡(luò)模型下達(dá)到了最優(yōu)分類(lèi)準(zhǔn)確率。

發(fā)表于：9/27/2021

云數(shù)據(jù)中心基于皮爾遜相關(guān)系數(shù)的虛擬機(jī)選擇策略[其他][其他]

提出了云數(shù)據(jù)中心基于皮爾遜相關(guān)系數(shù)的虛擬機(jī)選擇策略(Pearson Correlation coefficient Virtual Machine Selection，PC-VMS)。PC-VMS把統(tǒng)計(jì)學(xué)中的皮爾遜相關(guān)系數(shù)應(yīng)用于虛擬機(jī)CPU歷史利用率數(shù)據(jù)，建立了衡量每對(duì)虛擬機(jī)CPU利用率之間的相關(guān)性的數(shù)學(xué)模型；PC-VMS會(huì)獲取每對(duì)虛擬機(jī)最近n次的CPU利用率，根據(jù)輸入的兩組數(shù)據(jù)來(lái)計(jì)算皮爾遜相關(guān)系數(shù)，最后在一組相關(guān)性最高的虛擬機(jī)中選擇一個(gè)CPU利用率最高的進(jìn)行遷移，隨后結(jié)合虛擬機(jī)放置策略分配到新的目標(biāo)物理主機(jī)上。仿真結(jié)果表明，PC-VMS與CloudSim4.0內(nèi)置的虛擬機(jī)選擇策略相比，各類(lèi)性能指標(biāo)都有改善，PC-VMS可以為企業(yè)節(jié)能云數(shù)據(jù)中心的構(gòu)造提供參考。

發(fā)表于：9/27/2021

基于非正交波形的超奈奎斯特采樣[其他][其他]

針對(duì)超奈奎斯特(Faster-than-Nyquist，F(xiàn)TN)系統(tǒng)，提出了基于非正交波形編碼的超奈奎斯特采樣，并與傳統(tǒng)的正交波形FTN和傳統(tǒng)的正交Nyquist系統(tǒng)進(jìn)行了對(duì)比分析。在99.99%的功率帶寬和5次迭代檢測(cè)譯碼的條件下，仿真結(jié)果表明：相比于升余弦的正交波形FTN系統(tǒng)，基于高斯和擴(kuò)展高斯(Extended Gaussian Functions，EGF)脈沖成形的非正交波形FTN系統(tǒng)可以獲得4.4 dB的成形增益，同時(shí)由于良好的時(shí)頻聚焦特性，其均衡復(fù)雜度只是升余弦的1/16。

發(fā)表于：9/27/2021

5G公網(wǎng)與專(zhuān)網(wǎng)融合場(chǎng)景的關(guān)鍵技術(shù)研究[通信與網(wǎng)絡(luò)][5G]

介紹了3GPP R16標(biāo)準(zhǔn)中提出的非公共網(wǎng)絡(luò)技術(shù)(Non -Public Network，NPN)的兩種組網(wǎng)方式和應(yīng)用現(xiàn)狀，分析了企業(yè)對(duì)5G專(zhuān)網(wǎng)的需求以及公專(zhuān)融合的趨勢(shì)。結(jié)合NPN與公共陸地移動(dòng)網(wǎng)(Public Land Mobile Network，PLMN)部署的關(guān)系，提出了兩種典型的5G公網(wǎng)和專(zhuān)網(wǎng)融合部署模式：連續(xù)模式、重疊模式。并針對(duì)兩種模式下需要重點(diǎn)解決的業(yè)務(wù)連續(xù)性和并發(fā)連接問(wèn)題，介紹了3GPP R17標(biāo)準(zhǔn)中提出的兩種技術(shù)方案。

發(fā)表于：9/27/2021

基于改進(jìn)型極限學(xué)習(xí)機(jī)的電子鼻氣體濃度檢測(cè)[其他][其他]

針對(duì)目前電子鼻應(yīng)用于氣體污染物濃度檢測(cè)時(shí)難以達(dá)到理想精度的問(wèn)題，提出基于粒子群算法與人工蜂群算法的極限學(xué)習(xí)機(jī)(Particle Swarm Optimization and Artificial Bee Colony algorithm based Extreme Learning Machine，PSOABC-ELM)算法，通過(guò)改進(jìn)極限學(xué)習(xí)機(jī)輸入層與隱含層權(quán)值和隱含層閾值隨機(jī)的缺陷，提高電子鼻濃度檢測(cè)的精度。將PSOABC-ELM算法與其他算法進(jìn)行比較，并在公開(kāi)數(shù)據(jù)集上進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，PSOABC-ELM算法用于電子鼻氣體濃度檢測(cè)時(shí)比其他算法精準(zhǔn)度更高，檢測(cè)結(jié)果誤差更小，模型穩(wěn)定性更強(qiáng)，為電子鼻氣體濃度檢測(cè)提供了一種新的方法。

發(fā)表于：9/27/2021

基于LabVIEW和FPGA的半實(shí)物仿真平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

針對(duì)電力電子本科或研究生教學(xué)實(shí)驗(yàn)，基于LabVIEW和簡(jiǎn)易FPGA板卡，設(shè)計(jì)了一種高性?xún)r(jià)比的電力電子半實(shí)物實(shí)時(shí)仿真教學(xué)實(shí)驗(yàn)平臺(tái)。仿真平臺(tái)系統(tǒng)由上位機(jī)和模型運(yùn)算單元FPGA板卡組成，人機(jī)界面及實(shí)驗(yàn)波形數(shù)據(jù)顯示基于LabVIEW軟件平臺(tái)編制，通過(guò)以太網(wǎng)實(shí)現(xiàn)與FPGA板卡數(shù)據(jù)交換，平臺(tái)系統(tǒng)可以進(jìn)行多種電路拓?fù)淠Ｐ偷南螺d安裝和HIL實(shí)時(shí)仿真實(shí)驗(yàn)。

發(fā)表于：9/27/2021

一種用于電池管理系統(tǒng)的高壓多路選擇器[電源技術(shù)][其他]

高壓多路選擇器是電池管理系統(tǒng)的重要組成部分，目前研究的高壓多路選擇器會(huì)給電池引入漏電流，影響電池電壓檢測(cè)精度。為了降低高壓多路選擇器開(kāi)關(guān)控制信號(hào)對(duì)電池的漏電流影響，提高電壓檢測(cè)精度，設(shè)計(jì)了一種新型柵極驅(qū)動(dòng)型高壓開(kāi)關(guān)。該高壓開(kāi)關(guān)采用了柵極自舉結(jié)構(gòu)，可以直接級(jí)聯(lián)，并且開(kāi)關(guān)控制信號(hào)不對(duì)信號(hào)源引入漏電流。最后采用0.5 μm 40 V BCD工藝，搭建一個(gè)7路高壓多路選擇器進(jìn)行了仿真驗(yàn)證。后仿真結(jié)果表明，高壓開(kāi)關(guān)相鄰信道的隔離度為-47 dB@1 MHz，最大輸入電壓35 V，電路版圖面積1.2 mm×1.5 mm，滿足應(yīng)用場(chǎng)合。

發(fā)表于：9/27/2021

一種超低輸入共模電壓的動(dòng)態(tài)比較器電路設(shè)計(jì)[其他][其他]

為了適應(yīng)物聯(lián)網(wǎng)低功耗的應(yīng)用場(chǎng)景，并滿足低電源電壓和低輸入共模電壓的工作要求，提出了一種適用于超低輸入共模電壓的雙正反饋回路動(dòng)態(tài)比較器。該比較器采用時(shí)序開(kāi)關(guān)控制輸入輸出，解決了傳統(tǒng)動(dòng)態(tài)比較器在輸入電壓低于閾值電壓時(shí)無(wú)法正常工作的問(wèn)題，增大了輸入動(dòng)態(tài)范圍；電源到地之間僅堆疊兩級(jí)MOS管，降低了最小電源電壓；引入兩個(gè)正反饋回路，提高了分辨率。采用TSMC 180 nm CMOS工藝設(shè)計(jì)和驗(yàn)證，仿真結(jié)果表明，在電源電壓為900 mV，差模電壓為1 mV情況下，提出的比較器最低共模電壓為51 mV，與傳統(tǒng)StrongARM動(dòng)態(tài)比較器和DoubleTail動(dòng)態(tài)比較器相比，分別降低了374 mV和264 mV；當(dāng)輸入共模電壓低于閾值電壓時(shí)，在中等的功耗下實(shí)現(xiàn)了最低的延時(shí)。

發(fā)表于：9/27/2021

基于SiP封裝的DDR3時(shí)序仿真分析與優(yōu)化[其他][其他]

針對(duì)DDR3系統(tǒng)設(shè)計(jì)對(duì)時(shí)序要求的特殊性，對(duì)某一SiP(System in Package)中DDR3封裝和基板設(shè)計(jì)進(jìn)行時(shí)序仿真和優(yōu)化，通過(guò)仿真指導(dǎo)設(shè)計(jì)，提高SiP產(chǎn)品DDR3的設(shè)計(jì)成功率，減少設(shè)計(jì)周期。通過(guò)ANSYS SIwave軟件提取信號(hào)S參數(shù)，再經(jīng)過(guò)Cadence SystemSI軟件搭建拓?fù)溥M(jìn)行時(shí)序仿真分析，利用信號(hào)完整性相關(guān)理論，討論信號(hào)時(shí)序與波形的關(guān)系，結(jié)合版圖分析，給出實(shí)際的優(yōu)化方案，并經(jīng)過(guò)仿真迭代驗(yàn)證，最終使所設(shè)計(jì)的DDR3滿足JEDEC協(xié)議中的時(shí)序要求。

發(fā)表于：9/27/2021

面向SoC的SRAM讀出電路加固設(shè)計(jì)[其他][其他]

SRAM存儲(chǔ)器在SoC芯片中的應(yīng)用已經(jīng)越來(lái)越普遍，存儲(chǔ)單元的加固設(shè)計(jì)已成為抗輻射SoC芯片設(shè)計(jì)首要考慮的問(wèn)題之一。提出了兩種SRAM讀出電路的加固結(jié)構(gòu)，分別從讀出電路結(jié)構(gòu)、數(shù)據(jù)讀出速度和抗單粒子翻轉(zhuǎn)能力等方面進(jìn)行了對(duì)比。兩種讀出結(jié)構(gòu)的SRAM均有較好的抗單粒子能力，但相比較單模雙互鎖結(jié)構(gòu)的SRAM，雙模雙互鎖讀出結(jié)構(gòu)的SRAM讀出時(shí)間更短。

發(fā)表于：9/27/2021

基于注意力特征金字塔的輕量級(jí)目標(biāo)檢測(cè)算法[其他][其他]

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法因其模型復(fù)雜度和對(duì)計(jì)算能力的要求，難以部署在移動(dòng)設(shè)備等低算力平臺(tái)上。為了降低模型的規(guī)模，提出一種輕量級(jí)目標(biāo)檢測(cè)算法。該算法在自頂向下的特征融合的基礎(chǔ)之上，通過(guò)添加注意力機(jī)制構(gòu)建特征金字塔網(wǎng)絡(luò)，以達(dá)到更細(xì)粒度的特征表達(dá)能力。該模型以分辨率為320×320的圖像作為輸入，浮點(diǎn)運(yùn)算量只有0.72 B，并在VOC數(shù)據(jù)集上取得了74.2%的mAP，達(dá)到了與傳統(tǒng)單階段目標(biāo)檢測(cè)算法相似的精度。實(shí)驗(yàn)數(shù)據(jù)表明，該算法在保持了檢測(cè)精度的同時(shí)顯著降低了模型運(yùn)算量，更適合低算力條件下的目標(biāo)檢測(cè)。

發(fā)表于：9/27/2021

一種基于成詞率和譜聚類(lèi)的電力文本領(lǐng)域詞發(fā)現(xiàn)方法[其他][其他]

考慮到當(dāng)前電力行業(yè)仍缺少有效的領(lǐng)域詞發(fā)現(xiàn)方法，以電力行業(yè)科技項(xiàng)目文本為原始語(yǔ)料庫(kù)，將基于互信息與左右熵的統(tǒng)計(jì)特征與傳統(tǒng)語(yǔ)言構(gòu)詞規(guī)則特征相融合，提出了電力文本成詞率的概念。所提方法首先利用成詞率對(duì)電力文本進(jìn)行無(wú)監(jiān)督篩選得到初始候選詞集，然后對(duì)候選詞集進(jìn)行文本切片算法和常用詞過(guò)濾操作，最后進(jìn)行詞嵌入和譜聚類(lèi)得到最終所需的電力文本領(lǐng)域詞。實(shí)驗(yàn)結(jié)果表明，所提出的方法準(zhǔn)確有效，為電力文本的領(lǐng)域詞發(fā)現(xiàn)提供了一種新方法。

發(fā)表于：9/27/2021

人工智能與區(qū)塊鏈技術(shù)融合發(fā)展研究[人工智能][其他]

人工智能(AI)、區(qū)塊鏈作為新一代信息技術(shù)發(fā)展的重要領(lǐng)域，已成為國(guó)家戰(zhàn)略性前沿技術(shù)。隨著人工智能和區(qū)塊鏈技術(shù)的齊驅(qū)并進(jìn)，在不斷突破自身領(lǐng)域技術(shù)發(fā)展、推動(dòng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)的同時(shí)，也面臨著數(shù)據(jù)孤島、技術(shù)壁壘高、算力成本高等問(wèn)題。結(jié)合人工智能和區(qū)塊鏈技術(shù)特點(diǎn)，從數(shù)據(jù)共享、算法共享、算力供給等6大融合關(guān)鍵點(diǎn)進(jìn)行剖析，并對(duì)兩者融合發(fā)展能夠解決的技術(shù)難題進(jìn)行了初步探究，為助推新一代信息技術(shù)向多元化、智能化、安全化發(fā)展提供參考。

發(fā)表于：9/27/2021