設(shè)計(jì)資源-AET-電子技術(shù)應(yīng)用

多分支卷積神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計(jì)與優(yōu)化[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對拓寬神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會導(dǎo)致計(jì)算量增大，計(jì)算性能降低，需要針對并行的網(wǎng)絡(luò)進(jìn)行更有效的優(yōu)化以及調(diào)度。通過分析FPGA平臺上實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算吞吐量和所需的帶寬，在計(jì)算資源和訪存帶寬的限制下，采用了屋頂模型進(jìn)行了設(shè)計(jì)空間的探索，提出了在不同支的卷積神經(jīng)網(wǎng)絡(luò)中使用不同的循環(huán)展開因子，從而實(shí)現(xiàn)同一卷積層中不同支神經(jīng)網(wǎng)絡(luò)的并行計(jì)算，保證計(jì)算資源和內(nèi)存資源的合理分配。實(shí)驗(yàn)結(jié)果表明，所提出的設(shè)計(jì)與先前研究相比獲得了1.31×的性能提升。

發(fā)表于：7/5/2021

基于MEMS微鏡的混合式掃描同步設(shè)計(jì)[MEMS|傳感技術(shù)][其他]

為了解決MEMS微鏡掃描角度較小的缺點(diǎn)，設(shè)計(jì)了一種MEMS微鏡與無刷電機(jī)同步掃描系統(tǒng)。該系統(tǒng)由STM32微控制器、DDS驅(qū)動電路、相位檢測電路組成。通過設(shè)計(jì)光柵碼盤實(shí)現(xiàn)對無刷電機(jī)速度的測量，由PID算法控制電機(jī)轉(zhuǎn)速使電機(jī)反饋信號與MEMS微鏡反饋信號頻率相同，并檢測兩路反饋信號的相位差，調(diào)節(jié)DDS驅(qū)動信號的相位實(shí)現(xiàn)相位同步。實(shí)驗(yàn)表明，系統(tǒng)工作穩(wěn)定，相位誤差不超過1.5%。

發(fā)表于：7/5/2021

基于自補(bǔ)償技術(shù)的模數(shù)混合標(biāo)準(zhǔn)電能表設(shè)計(jì)[其他][其他]

目前數(shù)字化電能表溯源方面存在很多問題，針對這一情況，描述了一款模擬數(shù)字混合標(biāo)準(zhǔn)電能表的設(shè)計(jì)方法，使數(shù)字化電能表溯源統(tǒng)一到傳統(tǒng)的模擬溯源體系中。介紹了功率角自補(bǔ)償?shù)姆椒ǎ嵘β式堑臏y量精度；通過一系列技術(shù)措施，克服了61850-9-2數(shù)字報(bào)文采樣率偏低的困難，使得該標(biāo)準(zhǔn)表準(zhǔn)確度等級達(dá)到了0.01級，對于開展電力公司常用的0.05級數(shù)字電能表校驗(yàn)儀檢定工作有重要的意義。

發(fā)表于：7/5/2021

電動公交車充電插座識別方法研究[電源技術(shù)][汽車電子]

隨著電動公交車在城市交通的廣泛應(yīng)用，充電工作量隨之加大。由于充電功率較大，充電電纜比較粗重，且插拔充電槍需要較大的操作力，人工作業(yè)勞動強(qiáng)度較大。采用通用機(jī)械臂代替人工實(shí)現(xiàn)自動插接充電槍具有廣泛的需求，識別充電插座是實(shí)現(xiàn)自動插接的前提。以充電插座為識別目標(biāo)，提出一種基于Canny算子的亞像素精度輪廓幾何匹配檢測方法，通過Halcon軟件應(yīng)用圖像處理和機(jī)器視覺技術(shù)對目標(biāo)區(qū)域進(jìn)行特征提取與模板匹配，實(shí)現(xiàn)充電插座的自動識別。實(shí)驗(yàn)證明，該方法對于有外部光照環(huán)境影響具有良好的魯棒性。

發(fā)表于：7/5/2021

基于特征級注意力的方面級情感分類模型研究[其他][數(shù)據(jù)中心]

近年來大數(shù)據(jù)、自然語言處理等技術(shù)得到了飛速發(fā)展。情感分析作為自然語言處理細(xì)分領(lǐng)域的前沿技術(shù)之一，得到了極大的重視。然而，低參數(shù)量、高精度依然是制約情感分析的關(guān)鍵因素之一。為實(shí)現(xiàn)模型參數(shù)少、模型分類精度高的情感分析需求，通過改進(jìn)特征級注意力機(jī)制的輸入向量，以及前饋神經(jīng)網(wǎng)絡(luò)與注意力編碼的前后位置關(guān)系，得到可復(fù)位特征級注意力機(jī)制，并基于該機(jī)制提出了基于可復(fù)位特征級注意力方面級情感分類模型(RFWA)和基于可復(fù)位特征級自注意力方面級情感分類模型(RFWSA)，實(shí)現(xiàn)了高精度的方面級情感分析效果。在公開數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，相比現(xiàn)有的主流情感分析方法，所提出的模型有明顯的優(yōu)勢，尤其是在取得相當(dāng)分類效果的情況下，模型的參數(shù)量僅為最新AOA網(wǎng)絡(luò)的1/4。

發(fā)表于：7/5/2021

基于ReliefF-DDC特征選擇算法的非侵入式負(fù)荷識別研究[其他][其他]

提取有效的負(fù)荷運(yùn)行數(shù)據(jù)特征對于提高非侵入式負(fù)荷識別的精度具有重要作用。針對數(shù)據(jù)特征選擇欠佳導(dǎo)致負(fù)荷識別準(zhǔn)確率不高的問題，提出了一種基于ReliefF-DDC特征選擇算法，用于降低特征維數(shù)減少復(fù)雜度，改善負(fù)荷識別效果。首先，利用ReliefF算法分析各特征與類別的關(guān)系計(jì)算特征權(quán)重，篩選無關(guān)特征；其次，利用DDC算法計(jì)算特征之間與類別的互信息分析相關(guān)性，根據(jù)特征子集評價(jià)度量刪除冗余特征；最后，采用孿生支持向量機(jī)(TWSVM)作分類器進(jìn)行負(fù)荷識別。實(shí)驗(yàn)表明，所提出的算法在提升分類效果的同時(shí)減少了運(yùn)行時(shí)間。

發(fā)表于：7/5/2021

基于無線指紋數(shù)據(jù)庫的認(rèn)知無線電頻譜感知[其他][其他]

提出了一種基于無線指紋數(shù)據(jù)庫的頻譜感知方案。首先，在蜂窩認(rèn)知無線電網(wǎng)絡(luò)(Cell Cognitive Radio Network，CCRN)覆蓋的目標(biāo)地理區(qū)域內(nèi)，次用戶設(shè)備(Secondary User Equipment，SUE)收集大量頻譜觀測數(shù)據(jù)，基于各種機(jī)器學(xué)習(xí)算法對頻譜觀測數(shù)據(jù)進(jìn)行處理得到授權(quán)頻譜上主用戶發(fā)射機(jī)(Primary User Transmit，PUT)的傳輸模式；隨后，在PUT不同的傳輸模式下劃分地理位置區(qū)域，采用基于空間距離計(jì)算的方法獲取網(wǎng)格標(biāo)簽，建立無線指紋數(shù)據(jù)庫；最后，有感知需求的次用戶設(shè)備(Secondary User Equipment，SUE)根據(jù)接收到的基站(Base Station，BS)參考信號的到達(dá)時(shí)間(Time Of Arrival，TOA)估計(jì)值來獲取其無線指紋，然后與無線指紋數(shù)據(jù)庫(Wireless FingerPrint Database，WFPD)中的無線指紋(Wireless FingerPrint，WFP)進(jìn)行匹配確定其地理位置，并由此確定授權(quán)頻段的接入標(biāo)簽。仿真結(jié)果表明，本方案方案在減少對主用戶干擾的前提下，增加了授權(quán)頻譜的接入機(jī)會。

發(fā)表于：7/5/2021

不同隱蔽通信管控策略下的任務(wù)性能分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對隱蔽通信的任務(wù)性能評估問題，首先提出隱蔽通信下的任務(wù)性能評估指標(biāo)，然后比較了通斷管控、功率管控以及功率和速率聯(lián)合管控3種不同策略下的隱蔽通信任務(wù)性能，最后通過仿真驗(yàn)證了不同管控策略的效果。仿真結(jié)果表明，功率和速率聯(lián)合管控策略的通信時(shí)長為通斷管控策略的2.24倍，為功率管控策略的1.57倍，大大提高了隱蔽通信的可通時(shí)間，任務(wù)性能最佳。

發(fā)表于：7/5/2021

一種支持任意碼率的高斯低通濾波器設(shè)計(jì)[微波|射頻][其他]

GMSK(高斯最小偏移鍵控)調(diào)制技術(shù)具有較高的頻譜調(diào)制效率，適用于航空航天高碼率遙測領(lǐng)域。高斯低通濾波器是GMSK調(diào)制技術(shù)的關(guān)鍵單元。介紹了高斯低通濾波器的設(shè)計(jì)原理，通過采用LUT查表法和異或運(yùn)算的方法在Xilinx的FPGA中實(shí)現(xiàn)了一種支持任意碼率、低資源消耗的高斯低通濾波器。對仿真和實(shí)現(xiàn)結(jié)果進(jìn)行分析，該濾波器在未使用DSP48E1s資源和較少的LUT資源條件下實(shí)現(xiàn)了任意碼率切換功能。

發(fā)表于：7/5/2021

基于空間占用率判定的智能電梯控制系統(tǒng)設(shè)計(jì)[電子元件][其他]

針對傳統(tǒng)電梯控制系統(tǒng)存在的質(zhì)量雖未達(dá)到電梯系統(tǒng)的閾值設(shè)定，但電梯內(nèi)部空間被占滿，導(dǎo)致依據(jù)質(zhì)量指標(biāo)判定，響應(yīng)外部請求而使門控進(jìn)行無效打開的問題，對電梯控制系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì)。系統(tǒng)釆用STM32單片機(jī)作為主控芯片，利用光敏傳感器進(jìn)行電梯空間占用率的感知。采用LabVIEW搭建上位機(jī)，對電梯運(yùn)行數(shù)據(jù)實(shí)時(shí)監(jiān)測。測試結(jié)果表明，該系統(tǒng)能夠準(zhǔn)確檢測電梯空間占用率，并根據(jù)空間占用率進(jìn)行電梯運(yùn)行控制，解決了因無法判定電梯內(nèi)部空間占有率而產(chǎn)生的門控?zé)o效打開問題，極大節(jié)約了電力資源，節(jié)省了乘客搭乘時(shí)間，提高了電梯的運(yùn)行能效。

發(fā)表于：7/5/2021

一種應(yīng)用于CAN收發(fā)器的寬輸入范圍的遲滯比較器設(shè)計(jì)[其他][其他]

為了將CAN(Controller Area Network)總線上的-12~12 V的信號轉(zhuǎn)化為0~5 V的串行數(shù)字信號，設(shè)計(jì)了一種應(yīng)用于CAN收發(fā)器的寬輸入范圍的遲滯比較器。實(shí)現(xiàn)的方案是先使用電阻將電源和總線上的信號線性疊加得到5 V電壓內(nèi)的信號，再使用全差分放大器進(jìn)行鉗位，使用共模反饋穩(wěn)定共模工作點(diǎn)，最后使用對尾電流進(jìn)行溫度補(bǔ)償?shù)膬?nèi)部正反饋的遲滯比較器比較得到數(shù)字信號。基于VIS 0.4 μm BCD工藝，使用Hspice進(jìn)行了仿真驗(yàn)證。仿真結(jié)果表明：電路能夠?qū)?12~12 V的電壓比較得到正確的數(shù)字信號。在常溫即25 ℃，TT工藝角下，遲滯門限為108.9 mV。在溫度從-40 ℃~125 ℃變化時(shí)，遲滯門限電壓變化小于9.16 mV，溫度系數(shù)為0.055 5 mV/℃。

發(fā)表于：7/5/2021

一種基于MEMS的小型化雙通帶寬帶濾波器芯片[MEMS|傳感技術(shù)][通信網(wǎng)絡(luò)]

基于Micro-Electro-Mechanical System(MEMS)工藝，采用雙層諧振腔濾波結(jié)構(gòu)，分析并設(shè)計(jì)了一種基于MEMS的硅基Substrate Integrated Waveguide(SIW)雙通帶寬帶帶通濾波器芯片。設(shè)計(jì)的濾波器芯片在21.25～29 GHz以及43～47.5 GHz雙通帶頻帶內(nèi)插入損耗小于3 dB，相對帶寬分別為30%以及10%，帶外抑制度大于20 dB，并且在雙通帶間產(chǎn)生了零點(diǎn)，尺寸僅為4.2 mm×1.1 mm×0.8 mm。該濾波器是平面堆疊結(jié)構(gòu)，具有體積小、頻帶寬、易集成等優(yōu)點(diǎn)，有較好的應(yīng)用價(jià)值。

發(fā)表于：7/5/2021

一種用于時(shí)間交織型SAR ADC的電容校正技術(shù)[其他][其他]

時(shí)間交織型SAR ADC對包括電容失配在內(nèi)的通道間失配較敏感，其中電容失配既包括通道內(nèi)的失配也包括通道間的失配，是影響時(shí)間交織型SAR ADC性能的重要因素。為了提升時(shí)間交織型SAR ADC的性能，基于對SAR ADC中DAC電容失配對時(shí)間交織型SAR ADC影響的分析，結(jié)合單通道低速工作SAR ADC的電容校正方法，提出了一套適用于時(shí)間交織型SAR ADC的電容校正方法，實(shí)現(xiàn)了超過9 dB的SFDR和超過2.5 dB的SNDR性能提升。

發(fā)表于：7/5/2021

高頻驅(qū)動電路與高效GaN HEMT電源模塊的實(shí)現(xiàn)[電源技術(shù)][其他]

為了滿足當(dāng)前電源模塊高效大功率的要求，針對氮化鎵器件設(shè)計(jì)一款高頻驅(qū)動電路，并搭建形成高頻高效的電源模塊。電路通過調(diào)節(jié)死區(qū)最小化處理模塊與非重疊模塊，抑制功率器件的大電流直通現(xiàn)象，有助于提升電源模塊的效率；利用氮化鎵器件的高頻特性，使電源系統(tǒng)的工作頻率大幅提升。電源系統(tǒng)測試結(jié)果表明，1 MHz時(shí)輸出波形上升沿、下降沿時(shí)間分別為10 ns和5 ns；10 MHz時(shí)輸出波形上升沿、下降沿時(shí)間分別為14 ns和8 ns。系統(tǒng)可實(shí)現(xiàn)10 W左右的大功率輸出。1 MHz和10 MHz工作頻率下系統(tǒng)達(dá)到的效率分別為93.7%和83.5%。

發(fā)表于：7/5/2021

Faster RCNN和LGDF結(jié)合的肝包蟲病CT圖像病灶分割[測試測量][醫(yī)療電子]

針對人工閱片工作量大、閱片質(zhì)量不佳且容易出現(xiàn)漏檢、錯判等問題，將Faster RCNN目標(biāo)檢測模型應(yīng)用于肝包蟲病CT圖像的檢測，并對目標(biāo)檢測模型進(jìn)行改進(jìn)：基于圖片分辨率低、病灶大小不同的特點(diǎn)，使用網(wǎng)絡(luò)深度更深的殘差網(wǎng)絡(luò)(ResNet101)代替原來的VGG16網(wǎng)絡(luò)，用以提取更豐富的圖像特征；根據(jù)目標(biāo)檢測模型得出的病灶坐標(biāo)信息引入LGDF模型進(jìn)一步對病灶進(jìn)行分割，從而輔助醫(yī)生更高效的診斷疾病。實(shí)驗(yàn)結(jié)果表明，基于ResNet101特征提取網(wǎng)絡(luò)的目標(biāo)檢測模型能夠有效提取目標(biāo)的特征，檢測準(zhǔn)確率相比原始檢測模型提高2.1%，具有較好的檢測精度。同時(shí)，將病灶坐標(biāo)信息引入LGDF模型，相比于原始的LGDF模型更好地完成了對肝包蟲病病灶的分割，Dice系數(shù)提高了5%，尤其對多囊型肝包蟲病CT圖像的分割效果較好。

發(fā)表于：7/5/2021