国产黄色一区,国产精品视频免费看,一级做a爰片久久毛片美女图片

航天發(fā)射通用化指顯數(shù)據(jù)處理方法及應(yīng)用[其他][航空航天]

隨著航天發(fā)射任務(wù)的日趨頻繁、新式飛行器和測(cè)控設(shè)備的不斷應(yīng)用以及多級(jí)一體化指揮的迫切需求，對(duì)發(fā)射任務(wù)指揮顯示系統(tǒng)提出了更高的通用性和適應(yīng)性要求。為解決上述問(wèn)題，提出了一種彈性的指揮顯示數(shù)據(jù)處理方法。該方法通過(guò)離線態(tài)定義協(xié)議模型和主題模型，完成數(shù)據(jù)接入內(nèi)外部協(xié)議映射；在線態(tài)采用組件化方式逐級(jí)實(shí)現(xiàn)外部數(shù)據(jù)的接入、解析、存儲(chǔ)與轉(zhuǎn)發(fā)等工作。試驗(yàn)應(yīng)用表明，該方法通過(guò)模型的定義實(shí)現(xiàn)了處理邏輯和數(shù)據(jù)協(xié)議的解耦，可在不更動(dòng)平臺(tái)框架的前提下實(shí)現(xiàn)指顯數(shù)據(jù)的靈活快速接入，極大地提高了航天發(fā)射指揮顯示系統(tǒng)的任務(wù)準(zhǔn)備效率。

發(fā)表于：2022/11/9

基于PSO優(yōu)化小波變換的測(cè)井信號(hào)去噪研究[其他][其他]

小波變換被廣大科研工作者用于測(cè)井信號(hào)去噪研究上，而小波參數(shù)的選取直接影響最后的去噪效果，所以需要設(shè)計(jì)獲取測(cè)井信號(hào)最佳小波變換參數(shù)的算法。為應(yīng)對(duì)測(cè)井信號(hào)處理中多種多樣的情況，創(chuàng)新性地提出用粒子群算法來(lái)改進(jìn)小波變換參數(shù)的選取，并應(yīng)用隨機(jī)慣性權(quán)重策略改變粒子群算法權(quán)重參數(shù)，提升粒子群算法收斂速度，增強(qiáng)搜索尋優(yōu)能力，引入自然選擇機(jī)制以增加種群多樣性，獲得對(duì)應(yīng)測(cè)井?dāng)?shù)據(jù)的最佳小波變換參數(shù)，將最佳小波變換參數(shù)應(yīng)用到閾值法小波變換去噪中，有效分離了有用信號(hào)和無(wú)用噪聲。該算法有效地提高了測(cè)井信號(hào)的信噪比，降低了均方根差，實(shí)現(xiàn)了對(duì)測(cè)井信號(hào)中噪聲的有效去除。

發(fā)表于：2022/11/9

基于一體化云架構(gòu)的測(cè)控中心系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[測(cè)試測(cè)量][航空航天]

測(cè)控中心系統(tǒng)作為航天任務(wù)工程中的重要組成部分，通常采用雙機(jī)雙工、服務(wù)器集群、磁盤(pán)冗余、數(shù)據(jù)備份恢復(fù)等技術(shù)來(lái)保障航天任務(wù)系統(tǒng)的持續(xù)運(yùn)行和穩(wěn)定可靠，但同時(shí)存在軟硬件緊耦合、資源共享效率低、系統(tǒng)擴(kuò)展能力較差等問(wèn)題，所有這些限制了整個(gè)航天測(cè)控系統(tǒng)的發(fā)展。針對(duì)以上問(wèn)題，研究并設(shè)計(jì)基于一體化云架構(gòu)的測(cè)控中心系統(tǒng)，實(shí)現(xiàn)服務(wù)按需定制、資源共享互通、系統(tǒng)彈性擴(kuò)展，并已經(jīng)過(guò)航天任務(wù)的實(shí)施檢驗(yàn)。

發(fā)表于：2022/11/9

考慮數(shù)字控制延時(shí)的UPS逆變系統(tǒng)控制器設(shè)計(jì)[電源技術(shù)][其他]

為了對(duì)不間斷電源(UPS)逆變控制系統(tǒng)進(jìn)行精確設(shè)計(jì)，分析了數(shù)字控制延時(shí)對(duì)逆變控制系統(tǒng)性能的影響，并提出考慮延時(shí)環(huán)節(jié)的逆變系統(tǒng)控制器設(shè)計(jì)方法。首先，基于狀態(tài)空間平均法建立逆變系統(tǒng)的數(shù)學(xué)模型，分析了控制延時(shí)環(huán)節(jié)對(duì)系統(tǒng)穩(wěn)定性的影響；然后，針對(duì)單相220 V/50 Hz的逆變系統(tǒng)將數(shù)字化PID雙環(huán)控制技術(shù)應(yīng)用其中，得到一種參數(shù)易于整定的單相UPS逆變控制算法，采用廣義Z變換理論來(lái)描述數(shù)字控制延時(shí)環(huán)節(jié)，改進(jìn)控制系統(tǒng)的模型，給出了考慮延時(shí)環(huán)節(jié)的數(shù)字PID控制器參數(shù)的修正設(shè)計(jì)方法；最后，通過(guò)MATLAB/Simulink仿真和實(shí)驗(yàn)進(jìn)行了驗(yàn)證。結(jié)果表明，在考慮控制延時(shí)下，采用數(shù)字PID雙環(huán)控制的單相UPS逆變控制系統(tǒng)的輸出電壓穩(wěn)壓精度小于1%，THD(諧波失真)小于2%，負(fù)載端突變時(shí)系統(tǒng)恢復(fù)常態(tài)的時(shí)間約為1.2 ms，可以有效提升逆變系統(tǒng)輸出的穩(wěn)態(tài)性能和動(dòng)態(tài)響應(yīng)性能。

發(fā)表于：2022/11/9

基于視覺(jué)顯著性的毫米波隱匿物品檢測(cè)算法[微波|射頻][其他]

針對(duì)毫米波圖像中隱匿物品與人體灰度差異小、形狀多變的問(wèn)題，提出了一種基于視覺(jué)顯著性的隱匿物品檢測(cè)算法。該算法在雙邊濾波后，結(jié)合OTSU和形態(tài)學(xué)運(yùn)算完成預(yù)處理以獲得人體區(qū)域，再根據(jù)頻域顯著性計(jì)算定位前景，經(jīng)背景抑制后生成顯著圖完成檢測(cè)。實(shí)驗(yàn)數(shù)據(jù)表明，所提算法與典型的主動(dòng)式毫米波成像檢測(cè)算法相比，檢出率分別提高5.87%和9.08%，有更好的檢測(cè)性能。

發(fā)表于：2022/11/9

TTE網(wǎng)絡(luò)通信鏈路自動(dòng)規(guī)劃方法研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)TTE網(wǎng)絡(luò)中存在的消息調(diào)度以及鏈路規(guī)劃依賴于手工配置、難以負(fù)擔(dān)龐大的網(wǎng)絡(luò)結(jié)構(gòu)等問(wèn)題，對(duì)TTE網(wǎng)絡(luò)的通信鏈路規(guī)劃方法進(jìn)行了仿真研究，構(gòu)建了鏈路規(guī)劃模型，通過(guò)頭腦風(fēng)暴算法這種新型的啟發(fā)式算法來(lái)尋找問(wèn)題的解。通過(guò)實(shí)驗(yàn)仿真對(duì)比，驗(yàn)證了頭腦風(fēng)暴優(yōu)化算法的有效性以及在規(guī)劃后期有比遺傳算法更加穩(wěn)定的執(zhí)行效果，提升了網(wǎng)絡(luò)傳輸效率，有很廣泛的應(yīng)用前景。

發(fā)表于：2022/11/9

基于數(shù)值特征與圖像特征融合的調(diào)制識(shí)別方法[其他][其他]

為解決低信噪比條件下相移鍵控和正交幅度調(diào)制類(lèi)信號(hào)利用時(shí)頻圖像分類(lèi)時(shí)識(shí)別率低的問(wèn)題，提出一種信號(hào)特征融合的方法。首先對(duì)接收信號(hào)數(shù)據(jù)進(jìn)行高階累積量計(jì)算，獲取一維數(shù)值特征向量；其次采用時(shí)頻分析方法預(yù)處理得到信號(hào)時(shí)頻圖，利用卷積神經(jīng)網(wǎng)絡(luò)提取其一維圖像特征向量；將兩類(lèi)特征向量級(jí)聯(lián)得到一維融合特征向量，基于融合后的特征向量經(jīng)過(guò)全連接網(wǎng)絡(luò)進(jìn)一步運(yùn)算后得出分類(lèi)識(shí)別結(jié)果。仿真結(jié)果顯示，在1 dB條件下，相比于單一圖像特征，采用特征融合的方法可將調(diào)制信號(hào)的識(shí)別準(zhǔn)確率提高10%～30%。

發(fā)表于：2022/11/9

基于SDNSR-Net深度網(wǎng)絡(luò)的大規(guī)模MIMO信號(hào)檢測(cè)算法[其他][其他]

大規(guī)模多輸入多輸出(MIMO)系統(tǒng)能有效地提高頻譜效率，當(dāng)天線規(guī)模漸進(jìn)趨向于無(wú)窮時(shí)，最小均方誤差(MMSE)檢測(cè)算法能達(dá)到接近最優(yōu)的檢測(cè)性能。然而由于算法中存在矩陣求逆的步驟，帶來(lái)極高的計(jì)算復(fù)雜度，在大規(guī)模MIMO系統(tǒng)中難以實(shí)現(xiàn)。理查森(Richardson)算法能夠在不對(duì)矩陣求逆的情況下，以迭代的形式達(dá)到MMSE算法的檢測(cè)性能，但該算法受其松弛參數(shù)影響較大。在結(jié)合最陡梯度下降算法的Richardson算法(SDNSR)中，松弛參數(shù)的誤差可由梯度下降算法彌補(bǔ)，卻提高了計(jì)算復(fù)雜度。首先通過(guò)深度展開(kāi)的思想，將SDNSR的迭代過(guò)程映射為深度檢測(cè)網(wǎng)絡(luò)(SDNSR-Net)；然后，通過(guò)修改網(wǎng)絡(luò)結(jié)構(gòu)及添加可訓(xùn)練參數(shù)來(lái)降低計(jì)算復(fù)雜度并提高檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明，在上行鏈路大規(guī)模MIMO系統(tǒng)中不同信噪比和天線配置的情況下，SDNSR-Net都優(yōu)于其他典型的檢測(cè)算法，可作為實(shí)際中有效的待選檢測(cè)方案。

發(fā)表于：2022/11/9

基于矩陣式軟件庫(kù)的航天系統(tǒng)快速構(gòu)建[通信與網(wǎng)絡(luò)][航空航天]

針對(duì)地面航天器數(shù)據(jù)中心多型號(hào)軟件系統(tǒng)構(gòu)建，提出了一種基于多維矩陣式軟件庫(kù)的快速定制構(gòu)建方法。首先，分析了航天數(shù)據(jù)中心系統(tǒng)的整體結(jié)構(gòu)，提出了可以滿足云計(jì)算應(yīng)用的多態(tài)多層兼容復(fù)雜結(jié)構(gòu)；其次，介紹了適應(yīng)航天數(shù)據(jù)中心的硬件系統(tǒng)微模塊機(jī)房部署方式，提出了操作使用與操作場(chǎng)地分離、軟件系統(tǒng)與硬件系統(tǒng)解耦的架構(gòu)設(shè)計(jì)；最后，提出了一種矩陣式定制化動(dòng)態(tài)調(diào)度軟件庫(kù)，實(shí)現(xiàn)按需求靈活定制組建新應(yīng)用系統(tǒng)、快速加載卸載應(yīng)用系統(tǒng)的能力，并介紹了按需快速生成和動(dòng)態(tài)加載卸載的流程。系統(tǒng)滿足了航天數(shù)據(jù)中心多系列多衛(wèi)星地面數(shù)據(jù)處理系統(tǒng)構(gòu)建的任務(wù)要求，有效降低了系統(tǒng)開(kāi)發(fā)成本，減少了系統(tǒng)運(yùn)維工作。

發(fā)表于：2022/11/9

邊緣計(jì)算在用戶用電信息采集系統(tǒng)中的應(yīng)用[其他][其他]

隨著當(dāng)下的電力企業(yè)和電力用戶之間的溝通與交流越來(lái)越密切，用戶用電信息采集規(guī)模不斷增大，采集數(shù)據(jù)類(lèi)型不斷增多，對(duì)數(shù)據(jù)采集頻率的要求也越來(lái)越高。目前，對(duì)用戶用電信息采集系統(tǒng)的研究大多為對(duì)系統(tǒng)架構(gòu)的優(yōu)化，少有對(duì)采集方法進(jìn)行研究。因此，提出一種基于邊緣計(jì)算的快速抄表方法，將計(jì)算能力和數(shù)據(jù)存儲(chǔ)資源下沉至靠近數(shù)據(jù)源的位置，就近為終端設(shè)備提供低時(shí)延、高效率的采集存儲(chǔ)服務(wù)。并與傳統(tǒng)抄表方法的時(shí)間開(kāi)銷(xiāo)及可靠性進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，將聚集的數(shù)據(jù)邊緣化處理提高了密集的用戶用電信息的采集效率。

發(fā)表于：2022/11/9

基于信號(hào)調(diào)理芯片的運(yùn)算放大器設(shè)計(jì)[電子元件][智能電網(wǎng)]

基于國(guó)內(nèi)40 V雙極型工藝設(shè)計(jì)了一種全差分運(yùn)算放大器，應(yīng)用于信號(hào)調(diào)理芯片的驅(qū)動(dòng)模塊，運(yùn)放輸出信號(hào)的幅值可通過(guò)外接電阻調(diào)節(jié)。整體電路結(jié)構(gòu)包含輸入級(jí)、中間級(jí)、輸出級(jí)、反饋電路和基準(zhǔn)電路。輸入級(jí)電路引入電流并聯(lián)負(fù)反饋實(shí)現(xiàn)電壓到電流轉(zhuǎn)換，通過(guò)外圍電阻分流信號(hào)的一部分來(lái)設(shè)置主信號(hào)幅值。中間級(jí)采用共集-共射的電路結(jié)構(gòu)，提高電壓增益；功率輸出級(jí)采用全NPN的B類(lèi)結(jié)構(gòu)，實(shí)現(xiàn)大功率輸出，提高電路驅(qū)動(dòng)能力。同時(shí)電路引入共模反饋的電阻網(wǎng)絡(luò)，使輸出共模電壓集中在正負(fù)電源之間。在電源電壓為±15 V條件下測(cè)試結(jié)果為：輸出電壓有效值幅值范圍為1.488 V~18.57 V，直流失調(diào)電壓為-169 mV，輸出短路電流為65 mA，總諧波失真為-41.2 dB。

發(fā)表于：2022/11/9

一種用于PCIe多通道的De-skew電路設(shè)計(jì)[模擬設(shè)計(jì)][其他]

在PCIe多通道數(shù)據(jù)傳輸過(guò)程中，當(dāng)各通道數(shù)據(jù)到達(dá)時(shí)間不一致時(shí)，會(huì)引入相位偏移(Skew)問(wèn)題。為了保證每條通道的接收端能夠同時(shí)且正確處理接收到的數(shù)據(jù)，需要對(duì)傳輸數(shù)據(jù)進(jìn)行預(yù)處理。提出了一種De-skew邏輯電路，利用同步FIFO實(shí)現(xiàn)了多通道的De-skew，完成了相應(yīng)的邏輯設(shè)計(jì)。并利用UVM以及VIP技術(shù)搭建了驗(yàn)證平臺(tái)，測(cè)試結(jié)果驗(yàn)證了設(shè)計(jì)的正確性和可行性。與其他常用解決方案對(duì)比表明，該邏輯設(shè)計(jì)具有全面性、優(yōu)越性和可復(fù)用性。

發(fā)表于：2022/11/9

關(guān)聯(lián)動(dòng)態(tài)特征的目標(biāo)自適應(yīng)跟蹤算法[其他][其他]

在復(fù)雜的靶場(chǎng)試驗(yàn)場(chǎng)景中，試驗(yàn)現(xiàn)場(chǎng)常常涉及揚(yáng)塵、強(qiáng)光、遮擋等多變的自然環(huán)境。針對(duì)這種情況下快速運(yùn)動(dòng)的目標(biāo)物體跟蹤，提出了一種關(guān)聯(lián)動(dòng)態(tài)特征的單目標(biāo)跟蹤算法。首先使用門(mén)控循環(huán)單元(Gated Recurrent Unit，GRU)提取待跟蹤目標(biāo)的時(shí)序動(dòng)態(tài)特征，獲得候選處理目標(biāo)框集合；然后利用卷積網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取候選目標(biāo)框的深度卷積特征并確定目標(biāo)位置，同時(shí)分離出背景卷積特征；在跟蹤過(guò)程中，使用分離出的背景卷積特征圖對(duì)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，增強(qiáng)網(wǎng)絡(luò)的魯棒性與自適應(yīng)性。實(shí)驗(yàn)結(jié)果表明，所提出的算法可以對(duì)靶場(chǎng)圖像采集系統(tǒng)中的被試移動(dòng)目標(biāo)進(jìn)行自適應(yīng)跟蹤，并且在復(fù)雜環(huán)境背景下算法仍能保持優(yōu)異的魯棒性與適應(yīng)性。

發(fā)表于：2022/11/9

基于動(dòng)態(tài)圖注意力聚合多跳鄰域的實(shí)體對(duì)齊[其他][其他]

實(shí)體對(duì)齊是實(shí)現(xiàn)對(duì)不同來(lái)源知識(shí)庫(kù)進(jìn)行融合的重要技術(shù)方法，在知識(shí)圖譜、知識(shí)補(bǔ)全領(lǐng)域具有廣泛應(yīng)用?，F(xiàn)有基于圖注意力的實(shí)體對(duì)齊模型多使用靜態(tài)圖注意力網(wǎng)絡(luò)且忽略了實(shí)體屬性中的語(yǔ)義信息，導(dǎo)致模型存在有限注意、難以擬合、表達(dá)能力不足等問(wèn)題。針對(duì)這些問(wèn)題，開(kāi)展基于動(dòng)態(tài)圖注意力結(jié)構(gòu)建模實(shí)體對(duì)齊方法研究，首先使用圖卷積層建模目標(biāo)實(shí)體的單跳節(jié)點(diǎn)表示，其次應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)獲得多跳節(jié)點(diǎn)注意力系數(shù)并建模，再次利用逐層門(mén)控網(wǎng)絡(luò)聚合圖卷積層與動(dòng)態(tài)圖注意力層輸出的單跳、多跳節(jié)點(diǎn)信息，最后拼接通過(guò)外部知識(shí)預(yù)訓(xùn)練自然語(yǔ)言模型提取的實(shí)體名稱(chēng)屬性嵌入并進(jìn)行相似度計(jì)算。該方法在DBP15K的三類(lèi)跨語(yǔ)言數(shù)據(jù)集中都獲得了一定的提高，證明了應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)與融入實(shí)體屬性語(yǔ)義在提高實(shí)體表示能力上的有效性。

發(fā)表于：2022/11/9

基于DBN-BP深度算法的熱軋板帶橫斷面預(yù)測(cè)[其他][其他]

隨著各工業(yè)領(lǐng)域的快速發(fā)展，市場(chǎng)對(duì)薄規(guī)格、高強(qiáng)度板帶產(chǎn)品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產(chǎn)品質(zhì)量的主要評(píng)價(jià)指標(biāo)?；跀?shù)據(jù)挖掘技術(shù)，對(duì)軋機(jī)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行分析與處理，其中數(shù)據(jù)挖掘技術(shù)采用深度置信網(wǎng)絡(luò)(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結(jié)合，構(gòu)建板帶橫向厚度分布的預(yù)測(cè)模型。DBN-BP算法由多個(gè)限制玻爾茲曼網(wǎng)絡(luò)(Restricted Botlzmann Machine，RBM)逐層堆疊而成，并使用無(wú)監(jiān)督的逐層訓(xùn)練的方式得到網(wǎng)絡(luò)的權(quán)值矩陣和偏置供BP算法使用，而B(niǎo)P算法通過(guò)誤差反向傳播的方式對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。該方法克服了BP算法因隨機(jī)初始化權(quán)值參數(shù)而陷入局部最優(yōu)和訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)。通過(guò)與BP算法相比較可知，采用DBN-BP方法預(yù)測(cè)終軋道次穩(wěn)定軋制時(shí)板帶中點(diǎn)厚度誤差在±5.6 μm范圍內(nèi)的概率可達(dá)95%；而B(niǎo)P算法的預(yù)測(cè)誤差范圍為±11 μm。并且通過(guò)對(duì)板帶橫斷面形狀的預(yù)測(cè)結(jié)果分析可知，相比于BP算法，DBN-BP深度學(xué)習(xí)方法對(duì)于板帶邊部厚度的預(yù)測(cè)更具有優(yōu)勢(shì)。

發(fā)表于：2022/11/9