設計資源-AET-電子技術應用

加速實現(xiàn)3D：泛林集團推出開創(chuàng)性的選擇性刻蝕解決方案[EDA與制造][工業(yè)自動化]

在3D時代創(chuàng)造下一代芯片所面臨的復雜挑戰(zhàn)。

發(fā)表于：3/22/2022

工作場所中的協(xié)作：新一代協(xié)作機器人如何改善手動工作的性質[模擬設計][工業(yè)自動化]

自動化技術可以讓工作變得不那么危險、繁重和乏味，但需要小心實施，且需要經(jīng)過再培訓。本文將分享ADI公司全球機器人大使Nicola O’Byrne對此的看法和見解。

發(fā)表于：3/21/2022

如何最大限度減小電源設計中輸出電容的數(shù)量和尺寸[模擬設計][工業(yè)自動化]

電源輸出電容一般是100 nF至100 μF的陶瓷電容，它們耗費資金，占用空間，而且，在遇到交付瓶頸的時候還會難以獲得。所以，如何最大限度減小輸出電容的數(shù)量和尺寸，這個問題反復被提及。

發(fā)表于：3/21/2022

采用恩智浦應用軟件包快速啟動產(chǎn)品開發(fā)[EDA與制造][工業(yè)自動化]

處理邊緣連接的機器學習（ML）應用的復雜性是一個艱巨而漫長的過程。將相關應用功能與在經(jīng)濟高效的平臺上部署此ML模型的復雜性結合起來，需要花費大量的精力和時間。恩智浦基于ML的系統(tǒng)狀態(tài)監(jiān)測應用軟件包（App SW Pack）為快速開發(fā)此類復雜應用提供了量產(chǎn)源代碼。

發(fā)表于：3/18/2022

macOS突然卡頓無法上網(wǎng)，郁悶兩天終于找到解決方案[通信與網(wǎng)絡][通信網(wǎng)絡]

這次電腦變卡而且上不了網(wǎng)對自己的影響挺大的，而解決方案非常簡單，操作僅需5秒。但是為了找到這個解決方案，我經(jīng)歷了2個晚上電腦無網(wǎng)可上的尷尬。于是想整理一篇文章分享給到大家，如果大家遇到類似的癥狀，按照解決方案操作就可以輕松恢復。

發(fā)表于：3/17/2022

計算隔離式精密高速DAQ的采樣時鐘抖動的簡單步驟[模擬設計][工業(yè)自動化]

本文將說明如何解讀ADI公司的LVDS數(shù)字隔離器的抖動規(guī)格參數(shù)，以及與精密高速產(chǎn)品（例如ADAQ23875DAQ µModule®解決方案）接口時，哪些規(guī)格參數(shù)比較重要。本文的這些指導說明也適用于其他帶有LVDS接口的精密高速ADC。在介紹與ADN4654千兆LVDS隔離器配合使用的ADAQ23875時，還將說明計算對SNR預期影響采用的方法。

發(fā)表于：3/17/2022

燃料電池測試設備怎么選？選擇IT-M3800[電源技術][汽車電子]

ITECH新品IT-M3800系列回饋式直流電子負載可為燃料電池測試提供新方案。 IT-M3800系列回饋式直流電子負載具有10V、32V至1500V7檔電壓等級，可適應電芯至燃料電池電堆的測試需求。10V電壓下單機電流最大可達720A，最小操作電壓僅為0.6V。32V機型最小操作電壓為0.32V。同時單機功率為1.2kW-12kW貼合客戶功率需求，無需采購容量過大的設備。當用戶產(chǎn)品升級有更大功率、電流需求時，專利的簡易主/從并機功能在擴大功率的同時保持性能，可實現(xiàn)4000A負載拉載能力。IT-M3800系列還具有CC/CV/CP/CW/CC+CV/CV+CR/CR+CC/CC+CV+CW+CR 等8種操作模式模擬不同負載特性。

發(fā)表于：3/17/2022

嵌入式邊緣AI應用開發(fā)簡化指南[人工智能][消費電子]

如果在沒有嵌入式處理器供應商提供的合適工具和軟件的支持下，既想設計高能效的邊緣人工智能（AI）系統(tǒng)，同時又要加快產(chǎn)品上市時間，這項工作難免會冗長乏味。面臨的一系列挑戰(zhàn)包括選擇恰當?shù)纳疃葘W習模型、針對性能和精度目標對模型進行訓練和優(yōu)化，以及學習使用在嵌入式邊緣處理器上部署模型的專用工具。

發(fā)表于：3/16/2022

基于差量特征與AdaBoost的家用負荷識別方法研究[其他][其他]

針對家用負荷提出了一種使用智能電表進行數(shù)據(jù)采集的非侵入式負荷在線識別方法。該方法使用智能電表計算出負荷的差量特征向量預先建立特征庫，訓練以決策樹作為弱分類器的AdaBoost分類器模型，利用負荷投切時電表的告警信息中包含的特征向量進行分類以實現(xiàn)負荷在線識別，實時性好且提高了單一決策樹模型的識別效果。實驗結果證明了該方法的可行性，實現(xiàn)了負荷使用信息的獲取，具有較好的實際應用價值。

發(fā)表于：3/16/2022

基于C3D的化學實驗室人員不安全行為模式識別[通信與網(wǎng)絡][信息安全]

針對因人的不安全行為導致化學實驗室安全事故的預防問題，提出了基于三維卷積網(wǎng)絡(Convolutional 3D，C3D)的化學實驗室人員不安全行為模式識別方法。定義了5種典型的人員不安全行為模式，以某高校化學實驗室作為研究區(qū)域，構建了人員不安全行為模式數(shù)據(jù)集，建立了基于C3D的人員不安全行為模式識別模型，并對模型在不同應用場景下的性能進行了評估。結果表明：在特定人員于特定實驗場景中出現(xiàn)上述5種不安全行為時，該模型在測試集上得到的F1指數(shù)平均值均能達到97%以上；在非特定人員與非特定場景中出現(xiàn)不安全行為時，模型能夠有效識別部分不安全行為。該研究成果預期可以為化學實驗室人員不安全行為的預測、預警、預防提供技術支持。

發(fā)表于：3/16/2022

PLC控制系統(tǒng)的上下位機安全通信方案[其他][其他]

隨著科技的發(fā)展和社會的進步，工業(yè)控制網(wǎng)絡與互聯(lián)網(wǎng)日益融合，工控通信所面臨的安全隱患日益增多。針對工控通信安全事件頻發(fā)的問題，以PLC控制系統(tǒng)為例，對PLC控制系統(tǒng)的上下位機的系統(tǒng)結構、通信安全隱患等方面進行分析；從通信協(xié)議選擇、安全連接建立、傳輸數(shù)據(jù)加密方式、通信過程等方面進行了方案設計，提出了一種基于SCTP協(xié)議的安全保密通信方案。

發(fā)表于：3/16/2022

基于雙向GRU與殘差擬合的車輛跟馳建模[其他][其他]

為了提高微觀交通仿真中車輛跟馳建模的準確性與泛化能力，將物理類模型與深度學習相結合，提出一種基于雙向GRU(門控循環(huán)單元)與殘差擬合的跟馳模型框架。該框架使用雙向GRU網(wǎng)絡對物理類跟馳模型預測值與真實值的殘差進行學習，并在NGSIM公開數(shù)據(jù)集上進行測試。通過對比IDM、GIPPS、GM三種跟馳模型下的殘差擬合效果，表明雙向GRU網(wǎng)絡可以對原模型預測結果的偏差進行有效的修正。選用IDM作為本框架的物理類模型，提出了Bi-GRU-IDM模型，與現(xiàn)有SVR模型、BPNN模型、GRU模型進行對比，結果表明Bi-GRU-IDM在預測精度、泛化性能上明顯優(yōu)于其他三種模型。

發(fā)表于：3/16/2022

基于ResNet50對地震救援中人體姿態(tài)估計的研究[其他][其他]

調查發(fā)現(xiàn)，地震中死亡人數(shù)增加的原因主要是錯過救援的黃金時間，因此可通過救援無人機自動對受災人員進行行為識別與狀態(tài)分析。人體姿態(tài)估計是指對圖像中人體關節(jié)點和肢體進行檢測的過程，在人機交互和行為識別應用中起著重要的作用，然而由于背景復雜、肢體被遮擋等因素導致標注人體關節(jié)點和肢體十分困難。因此提出一種結合ResNet50及CPM的模型，該模型通過獲取圖像特征和精調機制，計算出關節(jié)點依賴關系，最后劃分到對應人體。實驗表明，該模型與其他模型對比能夠提高復雜場景下人體姿態(tài)估計的效果。

發(fā)表于：3/16/2022

基于聚類的雙溫度優(yōu)化控制基站空調節(jié)能算法[其他][其他]

基站空調的節(jié)能是電信行業(yè)節(jié)能減排十分重要的一環(huán)，通過數(shù)據(jù)挖掘方法從空調系統(tǒng)運行數(shù)據(jù)中找到提升運行性能的規(guī)則和手段，具有重要的現(xiàn)實意義和研究價值。針對基站空調的節(jié)能減排問題，對基站實時采集到的數(shù)據(jù)流，首先建立空調節(jié)能模型找到目標約束條件下最優(yōu)控制溫度；隨后針對空調啟停次數(shù)頻繁的問題繼續(xù)提出雙溫度控制模型，減少空調啟動次數(shù)的同時進一步降低了空調能耗；最后為了應對室外溫度、設備能耗等一些不確定因素的變化，提出了基于聚類的空調溫度分段控制算法并加以改進，通過聚類結果分析得到對應的用電模式，對不同用電模式分別設計相應控制策略，最終實現(xiàn)了基站空調能耗降低25%的效果，為企業(yè)空調節(jié)能控制提供了可靠依據(jù)。

發(fā)表于：3/16/2022

利用LMedS算法與特征值法的點云平面擬合方法[其他][其他]

針對三維點云數(shù)據(jù)中存在的異常點會對平面擬合過程產(chǎn)生不利的影響，提出了一種將最小平方中值算法(Least Median of Squares，LMedS)與特征值法相結合的點云平面擬合新方法。首先，通過LMedS算法進行多次迭代確定最佳閾值并剔除點云數(shù)據(jù)中的異常點。然后，采用特征值法對剔除完異常點后的點云數(shù)據(jù)進行平面擬合，以獲得更加精確的擬合平面參數(shù)解。最后，分別采用最小二乘法、特征值法、RANSAC+主成分分析法與所提出方法對仿真和實測點云數(shù)據(jù)進行平面擬合計算。實驗結果表明，相比于其他方法，該方法的平面擬合精度更高，適用于對含有異常點的點云數(shù)據(jù)進行平面擬合，具有較高的魯棒性。

發(fā)表于：3/16/2022