spank国外打屁股的免费网站,kesari nandan在线观看,免费一级特黄

基于NOMA的D2D用戶(hù)和蜂窩用戶(hù)通信方案[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

LTE網(wǎng)絡(luò)采用非正交多址來(lái)增強(qiáng)網(wǎng)絡(luò)容量，采用D2D來(lái)提高頻譜效率；讓D2D用戶(hù)使用非正交多址技術(shù)共享蜂窩用戶(hù)的頻譜資源可以緩解當(dāng)下頻譜資源短缺的問(wèn)題，但也會(huì)在D2D用戶(hù)和蜂窩用戶(hù)之間引入干擾。提出了一種基于非正交多址技術(shù)（Non-orthogonal Multiple Access，NOMA）的D2D用戶(hù)和蜂窩用戶(hù)的共享研究方案，對(duì)于蜂窩用戶(hù)和D2D用戶(hù)之間的干擾采用SIC技術(shù)消除。該方案不僅通過(guò)調(diào)整用戶(hù)的傳輸功率來(lái)優(yōu)化系統(tǒng)的吞吐量，而且提高了邊緣用戶(hù)的性能。仿真結(jié)果表明，基于NOMA的D2D用戶(hù)和蜂窩用戶(hù)之間的通信方案在性能上優(yōu)于傳統(tǒng)的蜂窩資源分配方案和干擾控制方案。

發(fā)表于：3/29/2023 3:29:00 PM

風(fēng)電場(chǎng)智能鑰匙安全管控系統(tǒng)的研發(fā)與應(yīng)用[通信與網(wǎng)絡(luò)][信息安全]

風(fēng)電場(chǎng)鎖具與鑰匙管理的信息化和智能化是進(jìn)一步提升風(fēng)電場(chǎng)運(yùn)維管理水平的關(guān)鍵。設(shè)計(jì)出一種用于風(fēng)電場(chǎng)的智能鑰匙安全管控架構(gòu)；再結(jié)合提出的近距離無(wú)線(xiàn)通信抗干擾技術(shù)、密鑰加密、動(dòng)態(tài)攻擊檢測(cè)技術(shù)，研發(fā)出了一套風(fēng)電場(chǎng)智能鑰匙安全管控系統(tǒng)。系統(tǒng)能實(shí)現(xiàn)開(kāi)閉鎖信息追溯、風(fēng)險(xiǎn)防控等功能，提升了風(fēng)電場(chǎng)運(yùn)維的網(wǎng)絡(luò)化、數(shù)字化、智能化水平。

發(fā)表于：3/29/2023 3:23:00 PM

基于改進(jìn)EO-BP神經(jīng)網(wǎng)絡(luò)的高壓線(xiàn)損預(yù)測(cè)[測(cè)試測(cè)量][智能電網(wǎng)]

針對(duì)高壓線(xiàn)損預(yù)測(cè)精度不高的問(wèn)題，提出一種基于均衡優(yōu)化器（Equilibrium Optimizer，EO）和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的線(xiàn)損預(yù)測(cè)模型。首先，為了提高EO算法的尋優(yōu)能力，利用多種混沌映射關(guān)系初始化種群，使種群多樣性增加，全局搜索能力得到改善；同時(shí)，采用物競(jìng)天擇概率跳脫策略改進(jìn)EO算法，使模型依概率跳出局部最優(yōu)而收斂于全局最優(yōu)解。其次，采用改進(jìn)的EO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置進(jìn)行優(yōu)化，進(jìn)而改善BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。最后，實(shí)驗(yàn)結(jié)果證明，所提線(xiàn)損預(yù)測(cè)模型相對(duì)于回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、模擬退火算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型和EO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型具有更高的預(yù)測(cè)精度。

發(fā)表于：3/29/2023 3:19:00 PM

一種片外電容交叉充放電型振蕩電路設(shè)計(jì)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

CMOS環(huán)形振蕩器具有版圖面積小、調(diào)諧范圍大、電路簡(jiǎn)單便于集成等優(yōu)點(diǎn)，廣泛應(yīng)用于各類(lèi)電源系統(tǒng)及電子通信應(yīng)用中。在常規(guī)的環(huán)形振蕩電路基礎(chǔ)上，設(shè)計(jì)了獨(dú)立的充放電控制通路，實(shí)現(xiàn)了一種交叉充放電型環(huán)形振蕩電路，并通過(guò)外接片外電容的方式，得到更低頻率的振蕩周期。基于0.18 μm工藝，采用HSIM工具對(duì)電路進(jìn)行功能仿真，經(jīng)過(guò)后端物理實(shí)現(xiàn)后，版圖面積為172 μm×76 μm，對(duì)電路進(jìn)行提參后仿，結(jié)果表明：在3.3 V電壓及25 ℃條件下，外接10 nF接地電容時(shí)，電路獲得約1.2 ms的穩(wěn)定振蕩周期。在Vcc=2.7 V~5.5 V、T=-55 ℃~125 ℃條件下，時(shí)鐘周期的最大偏移為5.83%。該電路已成功應(yīng)用于某電源控制芯片中。

發(fā)表于：3/29/2023 3:04:00 PM

基于PCIE轉(zhuǎn)SATA多通道高速存儲(chǔ)電路設(shè)計(jì)與原型驗(yàn)證[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

針對(duì)傳統(tǒng)SATA控制器接口單一且無(wú)法充分發(fā)揮固態(tài)盤(pán)性能的問(wèn)題，設(shè)計(jì)了一款基于PCIE轉(zhuǎn)SATA多通道高速存儲(chǔ)電路。充分利用PCIE總線(xiàn)高帶寬低延時(shí)特性，并遵循AHCI協(xié)議，大幅縮短硬盤(pán)無(wú)用的尋道次數(shù)和數(shù)據(jù)查找時(shí)間，提高固態(tài)盤(pán)的讀寫(xiě)性能，同時(shí)本設(shè)計(jì)可支持4路SATA通道，具有良好的可拓展性。設(shè)計(jì)結(jié)合PCIE和SATA協(xié)議特點(diǎn)，介紹了PCIE轉(zhuǎn)SATA高速存儲(chǔ)電路的系統(tǒng)架構(gòu)，詳細(xì)闡述了基于A(yíng)HCI協(xié)議的數(shù)據(jù)流傳輸過(guò)程。最后基于FPGA原型驗(yàn)證對(duì)電路進(jìn)行測(cè)試，電路的單盤(pán)讀寫(xiě)速率分別為562 MB/s和527 MB /s，相比傳統(tǒng)SATA控制器的讀寫(xiě)性能具有較大提升，測(cè)試結(jié)果表明設(shè)計(jì)的PCIE轉(zhuǎn)SATA高速存儲(chǔ)電路讀寫(xiě)性能優(yōu)異，且具備良好的穩(wěn)定性和可拓展性。

發(fā)表于：3/29/2023 2:44:00 PM

一種快速瞬態(tài)響應(yīng)片上LDO電路[電子元件][工業(yè)自動(dòng)化]

基于雙有源反饋米勒補(bǔ)償結(jié)構(gòu)設(shè)計(jì)了一種單極點(diǎn)系統(tǒng)的無(wú)電容片上低壓差線(xiàn)性穩(wěn)壓器，該線(xiàn)性穩(wěn)壓器中誤差放大器采用全差分結(jié)構(gòu)，兩個(gè)并聯(lián)的前饋通路可在提升電路瞬態(tài)響應(yīng)性能的同時(shí)額外在功率管柵端構(gòu)成推挽驅(qū)動(dòng)級(jí)，最終電路在輕重載時(shí)具有對(duì)稱(chēng)的瞬態(tài)響應(yīng)特性。基于TSMC 0.18µm BCD工藝仿真結(jié)果表明，在2 V~4 V電源電壓下，輸入輸出最小壓差為200 mV，最大負(fù)載電流為120 mA，瞬態(tài)響應(yīng)恢復(fù)時(shí)間≤0.7 µs，相位裕度≥60°。

發(fā)表于：3/28/2023 5:08:00 PM

基于YOLOX融合自注意力機(jī)制的FSA-FPN重構(gòu)方法[人工智能][其他]

隨著目前目標(biāo)檢測(cè)任務(wù)輸入圖像分辨率的不斷增大，在特征提取網(wǎng)絡(luò)的感受野不變的情況下，網(wǎng)絡(luò)提取的特征信息會(huì)越來(lái)越局限，相鄰特征點(diǎn)之間的信息重合度也會(huì)越來(lái)越高。提出一種FSA（Fusion Self-Attention）-FPN，設(shè)計(jì)SAU（Self-Attention Upsample）模塊，SAU內(nèi)部結(jié)構(gòu)通過(guò)CNN與自注意力機(jī)制（Self-Attention）進(jìn)行交叉計(jì)算以進(jìn)一步進(jìn)行特征融合，并通過(guò)重構(gòu)FCU（Feature Coupling Unit）消除二者之間的特征錯(cuò)位，彌補(bǔ)語(yǔ)義差距。以YOLOX-Darknet53為主干網(wǎng)絡(luò)，在Pascal VOC2007數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，對(duì)比原網(wǎng)絡(luò)的FPN，替換FSA-FPN后的平均精度值mAP@［.5：.95］提升了1.5%，預(yù)測(cè)框的位置也更為精準(zhǔn)，在需要更高精度的檢測(cè)場(chǎng)景下有更為出色的使用價(jià)值。

發(fā)表于：3/28/2023 4:56:00 PM

基于深度學(xué)習(xí)的變壓器故障信號(hào)識(shí)別算法[人工智能][其他]

針對(duì)變壓器結(jié)構(gòu)復(fù)雜、維護(hù)成本高等特點(diǎn)，提出一種基于深度學(xué)習(xí)的變壓器故障信號(hào)識(shí)別算法。首先分析變壓器工作狀態(tài)下的聲紋信號(hào)并進(jìn)行二維圖像信號(hào)的轉(zhuǎn)換，利用VGG16神經(jīng)網(wǎng)絡(luò)在圖像中的優(yōu)勢(shì)，并在此基礎(chǔ)上提出一種MCA注意力機(jī)制，該注意力機(jī)制能夠同時(shí)保留背景信息和細(xì)節(jié)信息；其次對(duì)VGG16中的最大池化下采樣進(jìn)行優(yōu)化，采用一種軟池化的采樣方法，減少圖像中最大池化下采樣帶來(lái)的特征損失；最后為避免過(guò)擬合現(xiàn)象的發(fā)生，將VGG16頂層結(jié)構(gòu)中的激活函數(shù)進(jìn)行優(yōu)化，引用可以自歸一化的SELU激活函數(shù)。實(shí)驗(yàn)證明，廣義S變換是將一維時(shí)域信號(hào)轉(zhuǎn)換為二維圖像信號(hào)的最佳選擇，所提算法對(duì)于6類(lèi)故障信號(hào)的平均識(shí)別率達(dá)到99.15%。

發(fā)表于：3/28/2023 4:50:00 PM

一種深度神經(jīng)網(wǎng)絡(luò)的分布式訓(xùn)練方法[人工智能][數(shù)據(jù)中心]

深度神經(jīng)網(wǎng)絡(luò)在高維數(shù)據(jù)的分類(lèi)和預(yù)測(cè)中取得了巨大成功。訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)密集型的任務(wù)，需從多個(gè)數(shù)據(jù)源收集大規(guī)模的數(shù)據(jù)。這些數(shù)據(jù)中通常包含敏感信息時(shí)，使得深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程容易泄露數(shù)據(jù)隱私。針對(duì)訓(xùn)練過(guò)程中的數(shù)據(jù)隱私和通信代價(jià)問(wèn)題，提出了一種深度神經(jīng)網(wǎng)絡(luò)的分布式訓(xùn)練方法，允許基于多個(gè)數(shù)據(jù)源共同訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。首先，提出了分布式訓(xùn)練架構(gòu)，由1個(gè)計(jì)算中心和多個(gè)代理組成。其次，提出了基于多代理的分布式訓(xùn)練算法，允許代理在數(shù)據(jù)不出本地和減少通信代價(jià)的情況下，通過(guò)切割深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)分布式地共同訓(xùn)練模型。然后，分析了算法的正確性。最后，實(shí)驗(yàn)結(jié)果表明該方法是有效的。

發(fā)表于：3/28/2023 4:42:00 PM

計(jì)算機(jī)文本分析算法發(fā)展綜述[其他][其他]

計(jì)算機(jī)文本分析是自然語(yǔ)言處理領(lǐng)域的一個(gè)重要分支，是研究如何在文本數(shù)據(jù)中提取出給定語(yǔ)料的各類(lèi)信息的計(jì)算機(jī)技術(shù)。目前，計(jì)算機(jī)文本分析已經(jīng)進(jìn)入了新的歷史階段，一方面關(guān)鍵詞提取算法已經(jīng)逐漸完備，另一方面隨著B(niǎo)ERT方法的出現(xiàn)，詞向量計(jì)算問(wèn)題也取得了極大的進(jìn)步。但是，無(wú)論是關(guān)鍵詞提取還是詞向量計(jì)算都仍存在一些有待解決的問(wèn)題。另外，現(xiàn)有的許多適合使用文本分析的研究仍在使用早期的文本分析方法。因此在未來(lái)，如何更好地降低模型尺寸以促進(jìn)學(xué)科融合、提升文本分析的綜合社會(huì)效益，成為文本分析算法發(fā)展的重要問(wèn)題。

發(fā)表于：3/28/2023 4:37:00 PM