www.日日爱,亚洲欲色,欧美黄a

TSN交換機(jī)PSFP方法設(shè)計(jì)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

時(shí)間敏感網(wǎng)絡(luò)（Time Sensitive Network，TSN）將傳統(tǒng)以太網(wǎng)“Best Effor”傳輸方式所具備的靈活性與時(shí)間敏感網(wǎng)絡(luò)的實(shí)時(shí)性、確定性等特點(diǎn)相結(jié)合，具有支持不同類型應(yīng)用的能力。TSN的逐流過濾和監(jiān)管（Per-Stream Filtering and Policing， PSFP）協(xié)議通過提供策略，可阻止非法報(bào)文的攻擊及流量過載。基于該協(xié)議的工作原理，對(duì)流過濾、流門控和流測(cè)量功能進(jìn)行了研究，同時(shí)提出一種PSFP的實(shí)現(xiàn)方法，并在TSN交換機(jī)上設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浼皩?shí)驗(yàn)進(jìn)行了驗(yàn)證。結(jié)果表明，該方法可根據(jù)報(bào)文特征自動(dòng)識(shí)別滿足一定規(guī)則的異常報(bào)文，并按照要求進(jìn)行阻斷或限流操作，驗(yàn)證了合理性。該方法不受限于硬件或軟件實(shí)現(xiàn)的TSN，對(duì)TSN在工業(yè)、車載等行業(yè)的應(yīng)用有一定的參考價(jià)值。

發(fā)表于：11/14/2024 3:40:09 PM

基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷[模擬設(shè)計(jì)][智能電網(wǎng)]

針對(duì)傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復(fù)雜含噪PD信號(hào)存在局限性并依賴于人工去噪和專家經(jīng)驗(yàn)，難以學(xué)習(xí)到PD特征多樣化表達(dá)等問題，分別提出殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學(xué)習(xí)的PD故障診斷模型。RAADNet基于殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，通過集成CAM注意力機(jī)制和軟閾值函數(shù)實(shí)現(xiàn)自適應(yīng)去噪；Stacking集成模型的基學(xué)習(xí)器分別由基于卷積神經(jīng)網(wǎng)絡(luò)的RAADNet、基于多頭自注意力機(jī)制的Transformer以及基于Boosting集成策略的XGBoost多個(gè)差異化模型共同構(gòu)建構(gòu)成。實(shí)驗(yàn)結(jié)果表明，提出的RAADNet優(yōu)于其他先進(jìn)方法，識(shí)別準(zhǔn)確率達(dá)到93.99%，Stacking集成模型則通過學(xué)習(xí)多樣化特征表達(dá)，進(jìn)一步提高模型性能，達(dá)到96.79%識(shí)別準(zhǔn)確率。

發(fā)表于：11/14/2024 3:26:02 PM

圓形陣列式霍爾電流傳感器抗磁干擾算法研究[MEMS|傳感技術(shù)][智能電網(wǎng)]

陣列式霍爾電流傳感器是電力電子領(lǐng)域中的一個(gè)研究熱點(diǎn)，特別是在直流電測(cè)量方面，它具有線性度高、動(dòng)態(tài)范圍大、體積小、功耗低等優(yōu)點(diǎn)，是對(duì)鐵磁磁芯的電流傳感器的改進(jìn)。然而，由于沒有鐵芯聚磁，在汽車電子、配電系統(tǒng)等場(chǎng)所內(nèi)，導(dǎo)體排布密集，外部磁場(chǎng)很容易進(jìn)入磁傳感器，從而影響測(cè)量精度。因此，提出了一種抗磁干擾算法來解決這一問題，采用構(gòu)造超越方程的方法，不僅可以計(jì)算被測(cè)電流，還可以計(jì)算任意位置的干擾電流，并通過數(shù)值模擬、有限元分析和室內(nèi)實(shí)驗(yàn)對(duì)該算法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在受到強(qiáng)干擾電流的影響下，誤差在3.5%以內(nèi)，驗(yàn)證了構(gòu)造的圓形傳感器陣列及抗磁干擾算法的有效性。

發(fā)表于：11/14/2024 3:12:54 PM

某型接收機(jī)中放大器自激機(jī)理分析與預(yù)防措施[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

對(duì)某型接收機(jī)中頻噪底升高故障進(jìn)行了分析處理，分析結(jié)果表明射頻模塊腔體內(nèi)存在個(gè)體差異，導(dǎo)致本振放大器在脈沖工作條件下產(chǎn)生自激，通過對(duì)放大器自激機(jī)理的分析給出了相應(yīng)的預(yù)防措施，在射頻小盒側(cè)壁中粘貼吸波材料，可以有效消除自激。論文對(duì)今后腔體自激問題的處理分析具有參考價(jià)值。

發(fā)表于：11/14/2024 2:57:00 PM

基于ARM 架構(gòu)的安全總線橋設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

為提高SoC（System-On-Chip）系統(tǒng)安全性能，設(shè)計(jì)了一種基于ARM（Advanced RISC Machine）架構(gòu)的安全總線橋電路。該電路設(shè)計(jì)了一個(gè)橋接模塊和一個(gè)訪問控制功能模塊。仿真表明，該電路能夠在任意倍頻的AHB（Advanced High-Performance Bus）和APB（Advanced Peripheral Bus）時(shí)鐘頻率下完成AHB傳輸協(xié)議向APB傳輸協(xié)議的轉(zhuǎn)換，同時(shí)支持靈活配置主從設(shè)備的訪問權(quán)限和保護(hù)模式，防止外設(shè)寄存器數(shù)據(jù)被非法訪問和惡意篡改，提高了系統(tǒng)的安全性能和適用性。

發(fā)表于：11/14/2024 2:44:30 PM

基于改進(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別的研究[人工智能][消費(fèi)電子]

近期，人臉識(shí)別技術(shù)在社會(huì)上廣受關(guān)注，其非接觸式的識(shí)別特性相較于指紋等傳統(tǒng)接觸式識(shí)別方法展現(xiàn)出明顯優(yōu)勢(shì)。在深度學(xué)習(xí)領(lǐng)域，由于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別任務(wù)上的準(zhǔn)確性和速度尚有提升空間，因此提出采用改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。通過實(shí)驗(yàn)驗(yàn)證，與傳統(tǒng)卷積網(wǎng)絡(luò)相比，改進(jìn)后的AlexNet在人臉識(shí)別上不僅準(zhǔn)確度更高，而且識(shí)別過程更為穩(wěn)定。

發(fā)表于：11/14/2024 2:29:57 PM

計(jì)及可再生能源接入配電網(wǎng)的負(fù)荷預(yù)測(cè)和優(yōu)化[人工智能][智能電網(wǎng)]

目前，可再生能源大量接入配電網(wǎng)，但是太陽能、風(fēng)能、光伏及風(fēng)電等可再生能源的間歇性和隨機(jī)性不可避免地會(huì)造成配電網(wǎng)的波動(dòng)。考慮電網(wǎng)內(nèi)可再生能源發(fā)電功率與用電負(fù)荷隨時(shí)間變化的特點(diǎn)，提出一種基于小波變換和神經(jīng)網(wǎng)絡(luò)的可再生能源接入配電網(wǎng)的負(fù)荷預(yù)測(cè)和優(yōu)化方法。首先采集配電網(wǎng)的發(fā)電與負(fù)荷數(shù)據(jù)，利用小波變換處理收集到的數(shù)據(jù)，得到局部尺度和頻率分解的特征參數(shù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；然后，對(duì)經(jīng)過小波變換后得到的特征參數(shù)進(jìn)行訓(xùn)練，根據(jù)預(yù)測(cè)負(fù)荷對(duì)可再生能源的發(fā)電量進(jìn)行調(diào)節(jié)，保持配電網(wǎng)供需側(cè)的動(dòng)態(tài)平衡。結(jié)果表明，所提方法能夠?qū)ω?fù)荷進(jìn)行有效預(yù)測(cè)，通過提前預(yù)測(cè)負(fù)荷量，保證配電網(wǎng)用電穩(wěn)定性的同時(shí)，最大化利用可再生能源。

發(fā)表于：11/14/2024 2:16:53 PM

基于Transformer殘差網(wǎng)絡(luò)的事件重建算法[人工智能][消費(fèi)電子]

目前的人工視覺系統(tǒng)仍然無法處理一些涉及高速運(yùn)動(dòng)場(chǎng)景和高動(dòng)態(tài)范圍的真實(shí)世界場(chǎng)景。事件相機(jī)因其低延遲和高動(dòng)態(tài)范圍捕捉高速運(yùn)動(dòng)的優(yōu)勢(shì)具有消除上述問題的能力。然而，由于事件數(shù)據(jù)的高度稀疏和變化性質(zhì)，在保證其快速性的同時(shí)將事件重建為視頻仍然具有挑戰(zhàn)性。因此提出了一種基于Transformer殘差網(wǎng)絡(luò)和光流估計(jì)的事件流重建算法，通過光流估計(jì)和事件重建的聯(lián)合訓(xùn)練，實(shí)現(xiàn)自監(jiān)督的重建過程，并引入去模糊預(yù)處理和亞像素上采樣模塊來提高重建質(zhì)量。實(shí)驗(yàn)結(jié)果表明，在公開數(shù)據(jù)集上，提出的方法可以有效提高事件流的重建效果。

發(fā)表于：11/14/2024 2:03:50 PM

稀疏矩陣在C66x上的應(yīng)用及優(yōu)化[模擬設(shè)計(jì)][其他]

隨著大數(shù)據(jù)的爆炸式發(fā)展，稀疏矩陣已經(jīng)成為機(jī)器學(xué)習(xí)和邊緣計(jì)算的重要一環(huán)。在機(jī)器學(xué)習(xí)領(lǐng)域，數(shù)據(jù)集的稀疏矩陣化既可以保存信息又可以節(jié)省內(nèi)存，已成為不可避免的趨勢(shì)。SpMV（稀疏矩陣向量乘）作為稀疏矩陣計(jì)算中的核心，其迭代求解過程的空間復(fù)雜度和時(shí)間復(fù)雜度具有重要研究意義。分析稀疏矩陣C00、CSR、ELLPACK和DIA壓縮格式，改變稀疏矩陣的稀疏度和非零元素的分布，得出COO讀取數(shù)據(jù)、CSR進(jìn)行計(jì)算的SpMV通用性更強(qiáng)。利用C66x的VLIW指令構(gòu)架，采用軟件流水的方式對(duì)SpMV_CSR算法進(jìn)行指令并行優(yōu)化，利用SIMD單指令多數(shù)據(jù)指令集對(duì)SpMV_CSR算法完成數(shù)據(jù)并行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的SpMV_CSR算法相較于優(yōu)化前的加速比平均達(dá)到5倍以上。

發(fā)表于：11/14/2024 1:55:39 PM

一種基于Yarn云平臺(tái)的基因啟發(fā)式多序列比對(duì)算法[模擬設(shè)計(jì)][醫(yī)療電子]

提出一種基于Yarn云平臺(tái)的基因啟發(fā)式多序列比對(duì)算法。建立核酸替換等價(jià)矩陣作為基因啟發(fā)式數(shù)學(xué)模型，構(gòu)建Yarn云平臺(tái)邏輯架構(gòu)，通過對(duì)基因數(shù)據(jù)預(yù)處理、基因數(shù)據(jù)存儲(chǔ)、基因序列比對(duì)、基因數(shù)據(jù)管理、基因數(shù)據(jù)分析等步驟，對(duì)數(shù)據(jù)分類保存，劃分錯(cuò)誤率較高的長(zhǎng)序列，得到多個(gè)較短的基因片段。對(duì)不同片段實(shí)施定位，將其中的變長(zhǎng)種子生成，進(jìn)行骨架構(gòu)建和孔隙填補(bǔ)，可以實(shí)現(xiàn)基因啟發(fā)式多序列比對(duì)。結(jié)果表明，設(shè)計(jì)的算法在不同數(shù)據(jù)集下處理時(shí)間縮短，多序列比對(duì)SP（Sum of Pairs）的分值較高，實(shí)驗(yàn)驗(yàn)證了該多序列比對(duì)方法具有很好的應(yīng)用價(jià)值。

發(fā)表于：11/14/2024 1:45:24 PM