在线免费一区三区,久久久久久久久久久99999,香蕉亚洲视频

基于改進(jìn)蟻群算法的機(jī)器人路徑規(guī)劃方法[可編程邏輯][工業(yè)自動(dòng)化]

根據(jù)傳統(tǒng)蟻群算法在機(jī)器人的路線規(guī)劃中具有收斂速度慢、容易陷入局部最優(yōu)解的缺陷，提供了一個(gè)經(jīng)過改進(jìn)的蟻群算法。使用柵格法建立路徑矩陣，建立一種轉(zhuǎn)角啟發(fā)函數(shù)，增加選擇指定路徑的概率，提高算法的搜索速度；將A*算法與改進(jìn)蟻群算法結(jié)合，提出一種改進(jìn)的距離啟發(fā)函數(shù)，避免了陷入局部最優(yōu)解；并提出一種可根據(jù)迭代次數(shù)而改變的信息素?fù)]發(fā)因子，增強(qiáng)了全域搜尋能力。根據(jù)相關(guān)數(shù)據(jù)分析，與Ant Colony Algorithm with Multiple Inspired Factor（ACAM）算法相比，改進(jìn)的蟻群算法對(duì)于解決算法收斂速度慢、防止進(jìn)入局部最優(yōu)解等方面效果更好。

發(fā)表于：1/13/2023

基于5G架構(gòu)超密集組網(wǎng)粒子群優(yōu)化算法改進(jìn)[通信與網(wǎng)絡(luò)][5G]

隨著移動(dòng)通信技術(shù)的發(fā)展，傳統(tǒng)智能終端設(shè)備無法滿足快速增長(zhǎng)的海量數(shù)據(jù)計(jì)算要求，移動(dòng)邊緣計(jì)算為物聯(lián)網(wǎng)中移動(dòng)用戶提供了低延遲和靈活的計(jì)算方案。綜合考慮邊緣服務(wù)器上有限的計(jì)算資源以及網(wǎng)絡(luò)中用戶的動(dòng)態(tài)需求，提出通過二進(jìn)制粒子群優(yōu)化算法分配發(fā)射功率優(yōu)化傳輸能耗。將請(qǐng)求卸載與資源調(diào)度作為雙重決策問題進(jìn)行分析，基于粒子群優(yōu)化算法提出了一種新的多目標(biāo)優(yōu)化算法求解該問題。仿真結(jié)果表明，二進(jìn)制粒子群優(yōu)化算法可以節(jié)省傳輸能耗，且具有良好的收斂性。所提出的新算法在響應(yīng)率方面優(yōu)于現(xiàn)有算法，在動(dòng)態(tài)邊緣計(jì)算網(wǎng)絡(luò)中可以保持良好的性能。

發(fā)表于：1/13/2023

基于能量均衡高效的LEACH改進(jìn)算法[可編程邏輯][通信網(wǎng)絡(luò)]

LEACH路由協(xié)議是無線傳感器網(wǎng)絡(luò)一個(gè)經(jīng)典的分簇路由方法，但在限能嚴(yán)重的無線網(wǎng)絡(luò)中，節(jié)點(diǎn)功耗高、生存時(shí)間短等問題嚴(yán)重影響網(wǎng)絡(luò)性能，為此提出了改進(jìn)的基于能量均衡高效的LEACH-X協(xié)議。通過加入最優(yōu)簇首數(shù)，提出修正的剩余能量因子，考慮節(jié)點(diǎn)的剩余能量、周期內(nèi)當(dāng)選過簇首的次數(shù)以及密度因子，并對(duì)部署區(qū)域分區(qū)，針對(duì)區(qū)域調(diào)整距離因子增益參數(shù)的權(quán)重來修正簇首選舉閾值函數(shù)；接著進(jìn)行二次競(jìng)爭(zhēng)并最終選舉簇首，從而減小節(jié)點(diǎn)能耗，使WSN存活時(shí)間得到一定的延長(zhǎng)。仿真結(jié)果表明，與傳統(tǒng)LEACH協(xié)議進(jìn)行對(duì)比，LEACH-X協(xié)議降低了網(wǎng)絡(luò)能耗，延長(zhǎng)了網(wǎng)絡(luò)生存時(shí)間。

發(fā)表于：1/13/2023

基于時(shí)差法的雙聲道超聲波水流量計(jì)[其他][其他]

針對(duì)中小管徑單聲道超聲波流量計(jì)由于聲道少而易受流場(chǎng)分布不均勻的影響，提出了一種基于時(shí)差法的雙聲道超聲波水流量計(jì)。流量計(jì)的硬件系統(tǒng)由STM32L431低功耗模塊、高精度計(jì)時(shí)模塊TDC-GP22等組成。根據(jù)雙聲道管段結(jié)構(gòu)，提出了基于卡爾曼濾波算法的數(shù)據(jù)融合方法，將兩個(gè)聲道的測(cè)量數(shù)據(jù)融合并完成濾波處理，提高了流量計(jì)的測(cè)量精度。實(shí)驗(yàn)測(cè)試表明，流量計(jì)測(cè)量誤差在2.5%以內(nèi)，卡爾曼融合濾波算法可以有效提高流量計(jì)測(cè)量精度。

發(fā)表于：1/13/2023

基于ZYNQ的陣列渦流無損檢測(cè)系統(tǒng)[其他][其他]

圓柱形金屬試件的陣列渦流檢測(cè)可以通過幾個(gè)圍繞試件布局的陣列線圈組成的探頭來完成，陣列渦流探頭由完全相同的8個(gè)線圈組成并在一定的空間結(jié)構(gòu)下完成對(duì)金屬試件的探測(cè)。設(shè)計(jì)1個(gè)基于Zynq-7020的陣列渦流檢測(cè)系統(tǒng)，該系統(tǒng)借助激勵(lì)通道的8個(gè)模擬開關(guān)可以對(duì)一個(gè)或多個(gè)線圈進(jìn)行激勵(lì)，借助一個(gè)8選1模擬開關(guān)可以對(duì)8個(gè)陣列線圈進(jìn)行分時(shí)采集，通過數(shù)字相敏檢波算法完成對(duì)信號(hào)的提取。試驗(yàn)結(jié)果表明，此系統(tǒng)可以保存、傳輸、處理陣列探頭的激勵(lì)信號(hào)和感應(yīng)信號(hào)，并完成測(cè)量陣列探頭靈敏度的試驗(yàn)任務(wù)。

發(fā)表于：1/13/2023

基于ESN的鋰電池SOC評(píng)估方法與仿真研究[電源技術(shù)][其他]

以新能源車載鋰電池為研究對(duì)象，建立基于回聲狀態(tài)網(wǎng)絡(luò)（ESN）預(yù)測(cè)鋰電池的荷電狀態(tài)（SOC）評(píng)估模型。采用交叉驗(yàn)證方法優(yōu)選回聲狀態(tài)網(wǎng)絡(luò)參數(shù)，以此解決網(wǎng)絡(luò)模型的參數(shù)選擇困難。通過帶遺忘因子的遞歸最小二乘法訓(xùn)練建立的回聲狀態(tài)網(wǎng)絡(luò)模型，實(shí)時(shí)更新輸出權(quán)值矩陣以此提高網(wǎng)絡(luò)的適應(yīng)性和精度。通過模型仿真分析驗(yàn)證了預(yù)測(cè)算法的可行性，進(jìn)一步對(duì)比分析了所建立的ESN預(yù)測(cè)模型與BP神經(jīng)網(wǎng)絡(luò)算法、徑向基（RBF）網(wǎng)絡(luò)算法在UDDS、US06和NYCC工況條件下的鋰電池SOC評(píng)估預(yù)測(cè)效果，結(jié)果表明所建立的回聲狀態(tài)網(wǎng)絡(luò)模型方法用于鋰電池SOC評(píng)估預(yù)測(cè)的性能和效果優(yōu)于BP算法和RBF算法，具有較好的應(yīng)用前景，可以為鋰電池SOC長(zhǎng)期長(zhǎng)效預(yù)測(cè)評(píng)估提供參考。

發(fā)表于：1/13/2023

一種基于Hierarchy LUT的可重構(gòu)S-box實(shí)現(xiàn)方法[其他][其他]

基于查找表方法構(gòu)建的Substitution box （S-box）在可重構(gòu)分組密碼實(shí)現(xiàn)中廣泛使用，然而因消耗的資源過大，其面積利用效率低。為提高可重構(gòu)S-box面積利用效率，提出一種基于4R/1W存儲(chǔ)結(jié)構(gòu)的分層查找表（Hierarchy LUT），構(gòu)建可重構(gòu)S-box。所提出的4R/1W存儲(chǔ)結(jié)構(gòu)能減少存儲(chǔ)單元的例化數(shù)量，提高存儲(chǔ)密度。在40nm CMOS工藝下，實(shí)現(xiàn)基于Hierarchy LUT的可重構(gòu)S-box，其面積利用效率得到改善，對(duì)比Table Lookup Unit （TLU）和Memory Sharing的可重構(gòu)S-box方案，效率分別提高了51.76%和6.88%。

發(fā)表于：1/13/2023

基于EMIF總線接口的橋芯片設(shè)計(jì)[模擬設(shè)計(jì)][消費(fèi)電子]

EMIF是DSP（數(shù)字信號(hào)處理器）器件上的外部存儲(chǔ)接口，基于TMS320VC5510電路的EMIF接口，提出了一種橋芯片的設(shè)計(jì)方法。該橋芯片包含了多個(gè)低速外設(shè)如I2C、UART以及SDIO接口，同時(shí)集成了IDO、ADC模擬IP，設(shè)計(jì)進(jìn)行了充分的EDA仿真和FPGA驗(yàn)證，并進(jìn)行了流片驗(yàn)證，實(shí)裝測(cè)試結(jié)果表明EMIF接口可與橋芯片通信無誤，實(shí)現(xiàn)了TMS320VC5510電路的外設(shè)擴(kuò)展功能。該橋芯片的設(shè)計(jì)方法大大增加了市場(chǎng)上SoC設(shè)計(jì)的靈活度，有效地降低了設(shè)計(jì)周期，節(jié)約了設(shè)計(jì)成本。

發(fā)表于：1/13/2023

基于CMOS閾值電壓設(shè)計(jì)的電壓基準(zhǔn)源[電源技術(shù)][其他]

基于TSMC 0.18 µm標(biāo)準(zhǔn)CMOS工藝，提出了一種新型無電阻低溫漂電壓基準(zhǔn)源。通過采用CMOS閾值電壓（Vth）和與溫度成正比的電壓（VPTAT）作為基礎(chǔ)線性溫度單元加權(quán)求和的方式，消除了電壓基準(zhǔn)源輸出中殘留的非線性溫度分量，最終得到高精度的電壓基準(zhǔn)輸出。其中CMOS閾值電壓由無電阻結(jié)構(gòu)產(chǎn)生，VPTAT的產(chǎn)生和與CMOS閾值電壓的加權(quán)求和由非對(duì)稱差分運(yùn)放完成。實(shí)測(cè)結(jié)果證明，在-55 ℃~125 ℃溫度范圍內(nèi)，電壓基準(zhǔn)源輸出為1.23 V，溫度系數(shù)為4.5 ppm/℃。在無濾波電容的情況下，基準(zhǔn)電源抑制比可達(dá)-93 dB。

發(fā)表于：1/13/2023

eFuse失效分析與可靠性電路設(shè)計(jì)[模擬設(shè)計(jì)][其他]

電編程熔絲（eFuse）基于電子遷移原理，通過熔斷熔絲使其電阻特性發(fā)生不可逆改變來實(shí)現(xiàn)編程操作。提高可靠性是eFuse系統(tǒng)和電路優(yōu)化設(shè)計(jì)的核心目標(biāo)。從eFuse工作原理以及失效模式分析入手，重點(diǎn)介紹了影響其可靠性的系統(tǒng)原因和主要機(jī)理及過程，并在綜合常規(guī)電路設(shè)計(jì)基礎(chǔ)上，結(jié)合考慮各種工作模式下和具體模塊中存在的影響可靠性的因素，最后提出了具有針對(duì)性的電路設(shè)計(jì)解決方案。

發(fā)表于：1/13/2023

自適應(yīng)跨平臺(tái)PSS中間件架構(gòu)及開發(fā)[可編程邏輯][消費(fèi)電子]

芯片工藝、規(guī)模不斷在提升，所包含的功能越來越復(fù)雜。多核、多線程中央處理器（Central Processing Unit，CPU），多維度片上網(wǎng)絡(luò)（Network on Chip，NoC），高速、高密度接口，各類外設(shè)等IP（Intellectual Property）集成在芯片上系統(tǒng)（System on Chip，SoC），使芯片開發(fā)階段的仿真驗(yàn)證場(chǎng)景極其復(fù)雜，對(duì)芯片特別是SoC開發(fā)和驗(yàn)證完備性帶來巨大挑戰(zhàn)。當(dāng)前在芯片開發(fā)領(lǐng)域，便攜式測(cè)試和激勵(lì)標(biāo)準(zhǔn)（Portable Test and Stimulus， PSS）是在UVM（Universal Verification Methodology）驗(yàn)證方法學(xué)基礎(chǔ)上進(jìn)一步解決隨機(jī)化和跨平臺(tái)的復(fù)雜組合場(chǎng)景定義和代碼生成難題。

發(fā)表于：1/13/2023

基于Darknet23和特征融合的交通標(biāo)志檢測(cè)方法[測(cè)試測(cè)量][智能交通]

道路交通標(biāo)志檢測(cè)是智能交通的重要環(huán)節(jié)之一，針對(duì)交通標(biāo)志檢測(cè)存在背景復(fù)雜、目標(biāo)較小、檢測(cè)速度慢等問題，選取工業(yè)界青睞的YOLOv3模型提出一種改進(jìn)的檢測(cè)方法。利用雙向特征金字塔結(jié)構(gòu)實(shí)現(xiàn)圖像低、中、高層特征語(yǔ)意信息的雙向融合，提升低層預(yù)測(cè)目標(biāo)的分類和高層預(yù)測(cè)目標(biāo)的定位能力；將原模型的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出Darknet23網(wǎng)絡(luò)，以提高網(wǎng)絡(luò)的提取能力和減少計(jì)算量；根據(jù)目標(biāo)形狀的特點(diǎn)，使用K-means聚類算法得到用于訓(xùn)練合適的錨點(diǎn)框，并在邊框回歸中引入靈活性更強(qiáng)的L_(α-CIOU)損失函數(shù)，使網(wǎng)絡(luò)朝著預(yù)測(cè)框與真實(shí)框重疊度較高的方向去優(yōu)化。實(shí)驗(yàn)結(jié)果表明，該方法在CCTSDB數(shù)據(jù)集上mAP@0.75達(dá)到86.10%、mAP@0.5：0.05：0.95達(dá)到70.017%，相比原網(wǎng)絡(luò)分別提升10.17％和5.656％，參數(shù)量減少3 622 091，速度提升8.27 f/s，且優(yōu)于SSD和Faster RCNN等主流的檢測(cè)網(wǎng)絡(luò)。

發(fā)表于：1/13/2023

基于BERT-CNN的新聞文本分類的知識(shí)蒸餾方法研究[通信與網(wǎng)絡(luò)][數(shù)據(jù)中心]

近年來，隨著大數(shù)據(jù)時(shí)代進(jìn)入人類的生活之后，人們的生活中出現(xiàn)很多無法識(shí)別的文本、語(yǔ)義等其他數(shù)據(jù)，這些數(shù)據(jù)的量十分龐大，語(yǔ)義也錯(cuò)綜復(fù)雜，這使得分類任務(wù)更加困難。如何讓計(jì)算機(jī)對(duì)這些信息進(jìn)行準(zhǔn)確的分類，已成為當(dāng)前研究的重要任務(wù)。在此過程中，中文新聞文本分類成為這個(gè)領(lǐng)域的一個(gè)分支，這對(duì)國(guó)家輿論的控制、用戶日常行為了解、用戶未來言行的預(yù)判都有著至關(guān)重要的作用。針對(duì)新聞文本分類模型參數(shù)量多和訓(xùn)練時(shí)間過長(zhǎng)的不足，在最大限度保留模型性能的情況下壓縮訓(xùn)練時(shí)間，力求二者折中，故提出基于BERT-CNN的知識(shí)蒸餾。根據(jù)模型壓縮的技術(shù)特點(diǎn)，將BERT作為教師模型，CNN作為學(xué)生模型，先將BERT進(jìn)行預(yù)訓(xùn)練后再讓學(xué)生模型泛化教師模型的能力。實(shí)驗(yàn)結(jié)果表明，在模型性能損失約2.09%的情況下，模型參數(shù)量壓縮約為原來的1/82，且時(shí)間縮短約為原來的1/670。

發(fā)表于：1/13/2023

智能道路標(biāo)牌系統(tǒng)設(shè)計(jì)綜述[模擬設(shè)計(jì)][智能交通]

智能標(biāo)牌系統(tǒng)是實(shí)現(xiàn)智能交通和智能城市快速發(fā)展的重要工具。傳統(tǒng)的道路標(biāo)牌只能用固定的文字、符號(hào)、顏色向交通參與者單方面?zhèn)鬟f信息，無法實(shí)現(xiàn)對(duì)交通流的有效控制和滿足人們的出行需求，智能標(biāo)牌的出現(xiàn)彌補(bǔ)了這些缺陷。首先對(duì)傳統(tǒng)道路標(biāo)牌的現(xiàn)狀進(jìn)行了綜述，針對(duì)智能標(biāo)牌在人們出行和未來城市道路發(fā)展方面的影響，從信息感知、信息通信、低功耗不同角度分析了傳統(tǒng)標(biāo)牌的不足和智能標(biāo)牌的發(fā)展需求，闡述了智能標(biāo)牌中的關(guān)鍵技術(shù)，最后對(duì)未來的發(fā)展做了展望與總結(jié)。

發(fā)表于：1/13/2023

實(shí)時(shí)控制和通信領(lǐng)域的 IT/OT 融合如何推動(dòng)工業(yè)自動(dòng)化[通信與網(wǎng)絡(luò)][工業(yè)自動(dòng)化]

在之前的實(shí)時(shí)控制系列文章中，我們探討了用于感應(yīng)、驅(qū)動(dòng)和處理的實(shí)時(shí)控制 (RTC) 儀器。而要將它們貫穿起來需要借助“指揮”：實(shí)時(shí)通信。在本文中，我們將以基于實(shí)時(shí)通信和控制的工業(yè) 4.0 作為討論的出發(fā)點(diǎn)。

發(fā)表于：1/12/2023