亚洲福利久久,精品视频资源站,精品少妇v888av

基于SEIR模型的復雜網(wǎng)絡上的動態(tài)隔離措施研究[其他][其他]

在尚未研發(fā)出有效疫苗前，對潛在感染者和易感者的隔離對于流行病控制而言具有十分重要的意義。研究采用潛伏者具有傳染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出兩種動態(tài)隔離方法：一是在掌握網(wǎng)絡全局信息時，計算候選隔離對象一階鄰居的有效度、介數(shù)、距離確診者節(jié)點的路徑長度之和，把三者乘積作為其權(quán)重；二是在僅有節(jié)點局域信息時，將候選隔離對象的有效邊數(shù)和相鄰感染節(jié)點數(shù)的同趨化之和作為其權(quán)重。仿真實驗表明，隔離容量為1%～10%時，優(yōu)先隔離借助全局信息識別出的高權(quán)重節(jié)點可使90%以上節(jié)點免受感染，優(yōu)先隔離借助局域信息識別出的高權(quán)重節(jié)點可使70%以上節(jié)點免受感染，從而達到抑制疾病傳播的目的。

發(fā)表于：6/10/2021

基于NOR Flash的存算一體模擬乘加電路設計[其他][其他]

提出一種基于NOR Flash的存算一體模擬乘加電路以及相應的偏置電路，運用NOR Flash工作于深線性區(qū)的I-V特性，實現(xiàn)模擬乘累加運算。通過將同一位線、不同字線的兩個浮柵管上電流相減，實現(xiàn)其閾值電壓差值與漏源電壓的乘法運算。同時將同一字線、不同位線的浮柵管電流相加，實現(xiàn)乘法結(jié)果的加法運算。給出電路使NOR Flash位線電流相加、字線電流相減，將運算結(jié)果以偽差分的形式輸出，仿真結(jié)果表明電路可以實現(xiàn)存算一體的模擬乘累加運算。

發(fā)表于：6/10/2021

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設計[其他][其他]

基于壓控振蕩器(VCO)結(jié)構(gòu)的比較器，提出了一種二階噪聲整形逐次逼近型(NS-SAR)模數(shù)轉(zhuǎn)換器(ADC)。首先采用對電源電壓敏感度較低且噪聲性能更優(yōu)越的VCO比較器，隨后通過動態(tài)放大器優(yōu)化噪聲傳遞函數(shù)的零極點，最后通過噪聲整形結(jié)構(gòu)抑制信號帶內(nèi)噪聲?；?80 nm CMOS 工藝，設計了一款12位20 MS/s NS-SAR ADC。仿真結(jié)果表明，在1.3 V電源電壓下，功耗為1.12 mW，過采樣率（OSR）為8時，信號噪聲失真比(SNDR)為72.7 dB，無雜散動態(tài)范圍(SFDR)為88 dB，優(yōu)值(FoMs)為163 dB；并且在1.3～1.8 V電源電壓范圍內(nèi)，其有效位數(shù)(ENOB)>11.7 bit。

發(fā)表于：6/10/2021

一種基于實例分割和點云配準的六維位姿估計方法[其他][其他]

本文提出一種基于Mask R-CNN實例分割網(wǎng)絡和Super4PCS點云配準算法來估計物體六維姿態(tài)的方法。通過目標點云與已知位姿的參考點云進行配準，可以獲取目標的六維姿態(tài)。但實際中往往采用三維設備掃描目標的整體環(huán)境，生成的點云數(shù)量龐大，直接作為源點云與參考點云配準時，會由于候選集較多從而導致運算時間太長，因此本文先對目標實例分割處理后再配準：首先，利用深度相機獲取整體環(huán)境的RGB-D圖，其次利用Mask R-CNN模型將把目標分割出來，并將分割的目標RGB-D圖轉(zhuǎn)化為點云圖，利用Super4PCS點云配準算法與參考點云進行配準，最終得到目標的六維位姿。在自制作的數(shù)據(jù)集上進行了驗證，對比分割前后的四組實驗，時間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：6/10/2021

基于單階段GANs的文本生成圖像模型[其他][其他]

針對目前生成以文本為條件的圖像通常會遇到生成質(zhì)量差、訓練不穩(wěn)定的問題，提出了通過單階段生成對抗網(wǎng)絡(GANs)生成高質(zhì)量圖像的模型。具體而言，在GANs的生成器中引入注意力機制生成細粒度的圖像，同時通過在判別器中添加局部-全局語言表示，來精準地鑒別生成圖像和真實圖像；通過生成器和判別器之間的相互博弈，最終生成高質(zhì)量圖像。在基準數(shù)據(jù)集上的實驗結(jié)果表明，與具有多階段框架的最新模型相比，該模型生成的圖像更加真實且取得了當前最高的IS值，能夠較好地應用于通過文本描述生成圖像的場景。

發(fā)表于：6/10/2021

聯(lián)合隨機性策略的深度強化學習探索方法[其他][其他]

目前深度強化學習算法已經(jīng)可以解決許多復雜的任務，然而如何平衡探索和利用的關(guān)系仍然是強化學習領(lǐng)域的一個基本的難題，為此提出一種聯(lián)合隨機性策略的深度強化學習探索方法。該方法利用隨機性策略具有探索能力的特點，用隨機性策略生成的經(jīng)驗樣本訓練確定性策略，鼓勵確定性策略在保持自身優(yōu)勢的前提下學會探索。通過結(jié)合確定性策略算法DDPG和提出的探索方法，得到基于隨機性策略指導的確定性策略梯度算法(SGDPG)。在多個復雜環(huán)境下的實驗表明，面對探索問題，SGDPG的探索效率和樣本利用率要優(yōu)于DDPG算法。

發(fā)表于：6/10/2021

基于浮柵器件的低位寬卷積神經(jīng)網(wǎng)絡研究[其他][其他]

浮柵器件(Flash)能夠?qū)⒋鎯陀嬎愕奶匦韵嘟Y(jié)合，實現(xiàn)存算一體化，但是單個浮柵單元最多只能存儲位寬為4 bit的數(shù)據(jù)。面向Nor Flash，研究了卷積神經(jīng)網(wǎng)絡參數(shù)的低位寬量化，對經(jīng)典的AlexNet、VGGNet以及ResNet通過量化感知訓練。采用非對稱量化，將模型參數(shù)從32位浮點數(shù)量化至4位定點數(shù)，模型大小變?yōu)樵瓉淼?/8，針對Cifar10數(shù)據(jù)集，4位量化模型的準確率相對于全精度網(wǎng)絡僅下降不到2%。最后將量化完成的卷積神經(jīng)網(wǎng)絡模型使用Nor Flash陣列加速。Hspice仿真結(jié)果表明，相對于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗證了卷積神經(jīng)網(wǎng)絡部署在Nor Flash上的可行性。

發(fā)表于：6/10/2021

融合外觀特征的行人重識別方法[其他][其他]

針對行人重識別中由于姿勢變化、視角改變、遮擋等引起的識別率不高的問題，提出了融合外觀特征的行人重識別方法。該方法通過兩個網(wǎng)絡分支的設計，分別提取行人的全局特征和局部特征，二者融合后得到行人的外觀特征。同時結(jié)合分類損失和度量學習損失，通過多任務學習策略對兩個網(wǎng)絡分支進行模型優(yōu)化。此外，該模型設計了隨機擦除算法，在數(shù)據(jù)集中加入噪聲，增強模型的魯棒性。實驗結(jié)果表明：融合外觀特征的行人重識別方法大大提高了行人重識別的準確率，在Market-1501數(shù)據(jù)集上rank1達到了92.82%、mAP 達到了80.51%，在DukeMTMC-reID數(shù)據(jù)集上rank1達到了85.06%、mAP達到了72.72%。

發(fā)表于：6/10/2021

基于深度學習的車輛檢測算法研究[其他][其他]

針對目前車輛實時檢測中存在定位不準確、檢測精度低等問題，采用了一種以Darknet-53為骨架網(wǎng)絡的YOLOv3車輛檢測算法，將該算法模型在標準數(shù)據(jù)集Pascal-VOC2012上進行訓練，以拍攝的西安南二環(huán)路的圖片作為測試集進行測試。實驗結(jié)果表明，YOLOv3算法的檢測精度達到84.9%，相比于SSD算法，其檢測精度提高了11.3%，檢測速度提高了3.8 f/s。因此YOLOv3算法檢測精度更好，檢測速度更快，能準確地檢測出圖像中的車輛信息，滿足車輛實時檢測的要求。

發(fā)表于：6/10/2021

函數(shù)級別的復用開源代碼檢測方法[其他][其他]

軟件開發(fā)中對開源代碼的復用會帶來開源代碼漏洞和違反開源許可等問題。傳統(tǒng)復用代碼檢測方法常常檢出較多偶然克隆代碼，影響了復用代碼的檢測準確性。為此，提出了一種基于復用度量指標的函數(shù)級別復用開源代碼檢測方法。該方法對被測代碼和開源代碼庫，先使用克隆檢測工具獲取克隆函數(shù)，然后使用依據(jù)克隆代碼行和共用標識符在開源代碼庫中的出現(xiàn)頻率的復用度量指標，判定每對克隆函數(shù)是否為復用。在公開有標注數(shù)據(jù)集和真實數(shù)據(jù)集上的實驗結(jié)果均表明所提方法優(yōu)于基于逆文檔頻率的方法。

發(fā)表于：6/10/2021

面向工控現(xiàn)場應用的邊緣網(wǎng)關(guān)架構(gòu)設計和性能評估[通信與網(wǎng)絡][物聯(lián)網(wǎng)]

工業(yè)現(xiàn)場控制作為邊緣網(wǎng)關(guān)的典型應用場景，是物聯(lián)網(wǎng)與人工智能交叉學科的研究熱點。在場景中，傳感器的數(shù)據(jù)經(jīng)過高速無線網(wǎng)絡匯集至邊緣網(wǎng)關(guān)，算法模塊根據(jù)傳感器數(shù)據(jù)向設備發(fā)送控制指令，完成控制閉環(huán)。與傳統(tǒng)網(wǎng)關(guān)僅僅收集和轉(zhuǎn)發(fā)數(shù)據(jù)相比，邊緣計算網(wǎng)關(guān)還承擔了數(shù)據(jù)加工和控制生成的重要功能，所以其安全與性能顯得尤為重要。針對邊緣網(wǎng)關(guān)中的安全與性能要求，提出了一種工業(yè)邊緣網(wǎng)關(guān)架構(gòu)，該架構(gòu)在基于X86的Linux平臺上進行了模擬仿真和實機測試，結(jié)果表明該邊緣網(wǎng)關(guān)可以滿足工業(yè)現(xiàn)場控制的典型應用場景，并滿足了傳統(tǒng)網(wǎng)關(guān)的基準性能。

發(fā)表于：6/10/2021

一種利用類別顯著性映射生成對抗樣本的方法[其他][其他]

如果對抗樣本的遷移性越強，則其攻擊結(jié)構(gòu)未知的深度神經(jīng)網(wǎng)絡模型的效果越好，所以設計對抗樣本生成方法的一個關(guān)鍵在于提升對抗樣本的遷移性。然而現(xiàn)有方法所生成的對抗樣本，與模型的結(jié)構(gòu)和參數(shù)高度耦合，從而難以對結(jié)構(gòu)未知的模型進行有效攻擊。類別顯著性映射能夠提取出樣本的關(guān)鍵特征信息，而且在不同網(wǎng)絡模型中有較高的相似度?；陲@著性映射的這一特點，在樣本生成過程中，引入類別顯著性映射進行約束，實驗結(jié)果表明，該方法生成的對抗樣本具有較好的遷移性。

發(fā)表于：6/10/2021

域名畫像系統(tǒng)的設計與實現(xiàn)[通信與網(wǎng)絡][通信網(wǎng)絡]

網(wǎng)絡空間逐漸成為人類生產(chǎn)活動的第二空間，網(wǎng)絡空間測繪對人們了解認識網(wǎng)絡空間資源分布、網(wǎng)絡關(guān)系和威脅情況等具有重要意義。當前對域名這一網(wǎng)絡空間重要資產(chǎn)的測繪研究相對較少，因此針對域名資產(chǎn)進行探測分析，結(jié)合多源域名數(shù)據(jù)對域名的基礎(chǔ)屬性、譜系關(guān)系、規(guī)模狀況和時空變化等情況進行分析，形成域名畫像。該研究有助于用戶掌握互聯(lián)網(wǎng)域名整體發(fā)展情況，可對網(wǎng)絡流量過濾和惡意域名檢測、網(wǎng)絡空間資產(chǎn)屬性識別等提供支撐。

發(fā)表于：6/10/2021

泛林集團計算產(chǎn)品部副總裁David Fried博士：晶體管與IC架構(gòu)的未來 [電子元件][其他]

泛林集團計算產(chǎn)品部副總裁David Fried接受了行業(yè)媒體Semiconductor Engineering (SE)的采訪，探討并分享他對于芯片縮放、晶體管、新型架構(gòu)和封裝等話題的看法。以下內(nèi)容節(jié)選自采訪原文。

發(fā)表于：6/8/2021

在后疫情時代替換觸控屏幕[顯示光電][消費電子]

新冠已經(jīng)永久改變了我們的世界，在我們開始迎接挑戰(zhàn)以面對新的現(xiàn)實生活時，許多領(lǐng)域會與之前完全不同。

發(fā)表于：6/8/2021