欧美青青,一区视频在线,最新日本中文字幕

電感參數(shù)可視化測(cè)量方法研究[測(cè)試測(cè)量][智能電網(wǎng)]

電感器有很多參數(shù)，其中最重要的兩個(gè)參數(shù)決定了電感器的性能：電感值和飽和電流。既有的電感參數(shù)測(cè)量方法要么能比較精確地測(cè)量電感值，要么能用其他輔助手段測(cè)量飽和電流，但都不能同時(shí)測(cè)量電感值和飽和電流。結(jié)合數(shù)字存儲(chǔ)示波器特殊的單次觸發(fā)和圖形顯示技術(shù)，設(shè)計(jì)簡(jiǎn)易的電阻電感串聯(lián)測(cè)量電路，根據(jù)電感值的測(cè)量定義，測(cè)量出電感兩端的電壓值以及取樣電阻的電流變動(dòng)值，從而計(jì)算出電感值。數(shù)字存儲(chǔ)示波器顯示測(cè)量曲線的拐點(diǎn)，即可求出電感飽和電流。通過實(shí)驗(yàn)驗(yàn)證，此方法能得到精確的電感值，同時(shí)能得到直觀的飽和電流值。方法原理簡(jiǎn)單，設(shè)計(jì)合理，易于操作，是在實(shí)驗(yàn)室缺少LCR測(cè)試儀的情況下一個(gè)經(jīng)濟(jì)有效的電感參數(shù)測(cè)量方法。

發(fā)表于：5/31/2023 2:05:45 PM

基于改進(jìn)模糊PID位置隨動(dòng)系統(tǒng)控制[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

針對(duì)直流有刷電機(jī)在使用傳統(tǒng)模糊PID控制器進(jìn)行位置隨動(dòng)控制時(shí)，由于負(fù)載轉(zhuǎn)矩變化導(dǎo)致系統(tǒng)跟隨性能下降以及負(fù)載轉(zhuǎn)矩未知的問題，提出了基于負(fù)載觀測(cè)器的改進(jìn)模糊PID控制器代替?zhèn)鹘y(tǒng)模糊PID控制器，在傳統(tǒng)模糊控制結(jié)構(gòu)的基礎(chǔ)上增加負(fù)載觀測(cè)器，實(shí)時(shí)觀測(cè)系統(tǒng)負(fù)載轉(zhuǎn)矩，并利用負(fù)載轉(zhuǎn)矩實(shí)時(shí)調(diào)節(jié)系統(tǒng)控制器參數(shù)，提升了系統(tǒng)在負(fù)載轉(zhuǎn)矩突變時(shí)的位置跟隨能力。仿真結(jié)果表明：負(fù)載觀測(cè)器能實(shí)時(shí)、準(zhǔn)確地觀測(cè)負(fù)載轉(zhuǎn)矩，改進(jìn)模糊PID控制器對(duì)負(fù)載擾動(dòng)有較強(qiáng)的抑制能力，并有效減小了系統(tǒng)的調(diào)節(jié)時(shí)間和穩(wěn)態(tài)誤差。

發(fā)表于：5/31/2023 1:59:12 PM

基于USB2.0總線的NAND Flash檢測(cè)及控制方法[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

在高速大容量存儲(chǔ)裝置設(shè)計(jì)中多采用NAND Flash存儲(chǔ)器，針對(duì)目前采用串口檢測(cè)壞塊、實(shí)現(xiàn)數(shù)據(jù)讀寫的方法存在檢測(cè)速度慢、等待時(shí)間長(zhǎng)等缺點(diǎn)，提出了基于USB2.0總線的NAND Flash檢測(cè)與控制方法。利用FPGA邏輯控制功能和高速USB接口芯片設(shè)計(jì)通信和控制電路，并通過上位機(jī)軟件實(shí)現(xiàn)對(duì)Flash的命令、操作控制，由用戶通過PC應(yīng)用程序完成對(duì)NAND Flash的讀寫、擦除檢測(cè)及壞塊標(biāo)定。經(jīng)實(shí)驗(yàn)應(yīng)用驗(yàn)證，該方法檢測(cè)、讀寫速度快，使用靈活，能準(zhǔn)確、有效實(shí)現(xiàn)數(shù)據(jù)的快速讀寫、擦除及壞塊標(biāo)定，可廣泛應(yīng)用于存儲(chǔ)測(cè)試裝置的設(shè)計(jì)研制中。

發(fā)表于：5/31/2023 1:52:17 PM

基于木馬特征風(fēng)險(xiǎn)敏感的硬件木馬檢測(cè)方法[測(cè)試測(cè)量][信息安全]

針對(duì)現(xiàn)有硬件木馬檢測(cè)方法中存在的木馬檢出率偏低問題，提出一種基于木馬特征風(fēng)險(xiǎn)敏感的門級(jí)硬件木馬檢測(cè)方法。通過分析木馬電路的結(jié)構(gòu)特征和信號(hào)特征，構(gòu)建11維硬件木馬特征向量；提出了基于Borderline-SMOTE的硬件木馬特征擴(kuò)展算法，有效擴(kuò)充了訓(xùn)練數(shù)據(jù)集中的木馬樣本信息；基于PSO智能尋優(yōu)算法優(yōu)化SVM模型參數(shù)，建立了木馬特征風(fēng)險(xiǎn)敏感分類模型。該方法基于Trust-Hub木馬庫(kù)中的17個(gè)基準(zhǔn)電路展開實(shí)驗(yàn)驗(yàn)證，其中16個(gè)基準(zhǔn)電路的平均真陽率（TPR）達(dá)到100%，平均真陰率（TNR）高達(dá)99.04%，與現(xiàn)有的其他檢測(cè)方法相比，大幅提升了硬件木馬檢出率。

發(fā)表于：5/31/2023 1:44:50 PM

基于OpenMV的共享單車規(guī)范停車檢測(cè)[人工智能][智能交通]

為了解決城市中共享單車亂停亂放的問題，提出了一種基于OpenMV的共享單車規(guī)范停車系統(tǒng)。系統(tǒng)主要由OpenMV開發(fā)板、BC20通信定位模塊以及OneNET云服務(wù)器等組成。其中OpenMV完成對(duì)停車狀態(tài)的檢測(cè)與識(shí)別，借助BC20內(nèi)置的網(wǎng)絡(luò)模塊與OneNET云服務(wù)器進(jìn)行數(shù)據(jù)交互，并將檢測(cè)結(jié)果反饋至小程序客戶端，從而實(shí)現(xiàn)對(duì)共享單車的停車檢測(cè)和控制。系統(tǒng)通過大量的測(cè)試，實(shí)驗(yàn)結(jié)果表明系統(tǒng)運(yùn)行穩(wěn)定，識(shí)別準(zhǔn)確率為94.1%，可以實(shí)現(xiàn)共享單車的規(guī)范停車自動(dòng)檢測(cè)，具有良好的市場(chǎng)應(yīng)用前景與價(jià)值。

發(fā)表于：5/31/2023 1:34:42 PM

基于單頁語義特征的垃圾網(wǎng)頁檢測(cè)[人工智能][通信網(wǎng)絡(luò)]

為解決垃圾網(wǎng)頁檢測(cè)中特征提取難度高、計(jì)算量大的問題，提出一種僅基于當(dāng)前網(wǎng)頁的HTML腳本提取語義特征的方法。首先使用深度優(yōu)先搜索和動(dòng)態(tài)規(guī)劃相結(jié)合的記憶化搜索算法對(duì)域名進(jìn)行單詞切割，采用隱含狄利克雷分布提取主題詞，基于Word2Vec詞向量和詞移距離計(jì)算3個(gè)單頁語義相似度特征；然后將單頁語義相似度特征融合單頁統(tǒng)計(jì)特征，使用隨機(jī)森林等分類算法構(gòu)建分類模型進(jìn)行垃圾網(wǎng)頁檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于單頁內(nèi)容提取語義特征融合單頁統(tǒng)計(jì)特征進(jìn)行分類的AUC值達(dá)到88.0%，比對(duì)照方法提高4%左右。

發(fā)表于：5/31/2023 1:29:26 PM

基于動(dòng)態(tài)圖卷積的點(diǎn)云補(bǔ)全網(wǎng)絡(luò)[人工智能][通信網(wǎng)絡(luò)]

大多數(shù)傳統(tǒng)的深度學(xué)習(xí)點(diǎn)云補(bǔ)全學(xué)習(xí)方法僅僅使用了全局特征而忽略了局部特征，為了更好地提取和使用點(diǎn)云的局部特征，提出了一個(gè)基于深度學(xué)習(xí)的端到端點(diǎn)云補(bǔ)全網(wǎng)絡(luò)。在點(diǎn)云補(bǔ)全網(wǎng)絡(luò)（PCN）的基礎(chǔ)上，編碼部分引入針對(duì)局部特征改進(jìn)的動(dòng)態(tài)圖卷積（DGCNN），使用多個(gè)不同維度的邊卷積提取較為豐富的局部特征，并按照距離弱化遠(yuǎn)點(diǎn)的特征；然后用深度殘差網(wǎng)絡(luò)連接的思想優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)多尺度特征的融合，并加入平均池化彌補(bǔ)全局池化造成的信息損失；在解碼部分引入折疊網(wǎng)絡(luò)（FoldingNet），使輸出的點(diǎn)云更加完整。實(shí)驗(yàn)結(jié)果表明，該點(diǎn)云補(bǔ)全網(wǎng)絡(luò)相對(duì)PCN等點(diǎn)云補(bǔ)全網(wǎng)絡(luò)有部分提升，驗(yàn)證了新方法的有效性。

發(fā)表于：5/31/2023 1:24:32 PM

紋理特征提取方法綜述[其他][其他]

圖像紋理特征提取是圖像紋理分類與分割的基礎(chǔ)，廣泛應(yīng)用于醫(yī)學(xué)圖像、遙感圖像等領(lǐng)域。對(duì)近期的主流紋理特征提取方法以及融合方法進(jìn)行了分析與總結(jié)，并探討了紋理特征提取方法未來的研究方向。首先詳細(xì)介紹了12個(gè)主流的公開紋理數(shù)據(jù)集的特點(diǎn)及其適用場(chǎng)景；接著總結(jié)了近幾年出現(xiàn)的一些紋理特征提取方法，并根據(jù)特征融合方式從多個(gè)角度對(duì)紋理特征融合方法進(jìn)行了分類介紹；最后總結(jié)了紋理特征提取存在的難點(diǎn)和挑戰(zhàn)，并對(duì)未來的紋理特征提取方法研究方向進(jìn)行思考和討論。

發(fā)表于：5/31/2023 1:19:13 PM

空基網(wǎng)絡(luò)定向天線對(duì)準(zhǔn)與跟蹤技術(shù)綜述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為了滿足寬頻帶、大容量、遠(yuǎn)距離和多成員等未來通信需求，定向天線逐漸廣泛地投入應(yīng)用。由于定向天線只在某些特定方向上收發(fā)電磁波，相比于全向天線其隱蔽性和抗干擾性強(qiáng)，增加了輻射功率的有效利用率，因此能擴(kuò)大通信距離，更好地適應(yīng)多節(jié)點(diǎn)的復(fù)雜環(huán)境。但同時(shí)該特性也使得“定向天線對(duì)準(zhǔn)”成為了研究熱點(diǎn)，尤其是為了緩解通信頻段變高后傳播損耗帶來的影響，定向天線波束收窄，導(dǎo)致對(duì)準(zhǔn)難度進(jìn)一步加??；而空基環(huán)境中通信雙方高速運(yùn)動(dòng)，如何保持實(shí)時(shí)跟蹤也成為關(guān)鍵問題。因此針對(duì)空-空應(yīng)用場(chǎng)景，綜述定向天線對(duì)準(zhǔn)及跟蹤過程中指向求解、角度測(cè)量和波束跟蹤等方法，并討論分析了各方法的優(yōu)缺點(diǎn)；總結(jié)出以軌跡預(yù)測(cè)為輔助，基于坐標(biāo)-信號(hào)聯(lián)合跟蹤控制方案的系統(tǒng)架構(gòu)，說明了定向天線對(duì)準(zhǔn)及跟蹤技術(shù)的潛在挑戰(zhàn)和未來的發(fā)展方向。

發(fā)表于：5/31/2023 1:14:53 PM

計(jì)算法學(xué)的體系思考與未來展望[其他][其他]

發(fā)表于：5/23/2023 4:25:55 PM