基于CPU-FPGA異構(gòu)系統(tǒng)的排序算法加速[其他][其他]

傳統(tǒng)的排序方法主要以軟件串行的方式實(shí)現(xiàn),，包括冒泡排序,、選擇排序等,。這些算法往往采用順序比較，運(yùn)算的時(shí)間復(fù)雜度較高,。近年來已經(jīng)提出了一些并行度較高的排序算法，但是由于CPU的硬件特點(diǎn),，不能很好地利用這些算法的并行性,。而FPGA具有良好的靈活性、并行性和集成性等特點(diǎn),，因此在FPGA上可以更好地發(fā)揮這些并行算法的優(yōu)勢,，從而大大提高數(shù)據(jù)排序的實(shí)時(shí)性,。基于此設(shè)計(jì)了一個(gè)CPU-FPGA異構(gòu)系統(tǒng),，將一些排序算法移植到FPGA上,，并進(jìn)行功能驗(yàn)證和理論性能評(píng)估。結(jié)果顯示,，該系統(tǒng)對(duì)于并行性高的排序算法具有良好的加速效果,，但邏輯資源消耗巨大，適用于實(shí)時(shí)性要求高的算法加速場景,。

發(fā)表于：1/7/2022 9:07:00 AM

一種基于CORDIC算法的高精度反正切求解[其他][其他]

傳統(tǒng)的CORDIC(坐標(biāo)旋轉(zhuǎn)計(jì)算機(jī))算法進(jìn)行高精度反正切求解時(shí)存在迭代次數(shù)多,、收斂速度慢、資源消耗大等問題,，提出一種改進(jìn)的高精度CORDIC 算法,。該方法利用傳統(tǒng)的CORDIC算法迭代數(shù)次后得到正弦信息，并利用角度和正弦值近似的原理,，對(duì)迭代后的結(jié)果進(jìn)行誤差補(bǔ)償,，有效提高了相同迭代步數(shù)下的計(jì)算精度。實(shí)驗(yàn)數(shù)據(jù)表明：32位改進(jìn)的CORDIC算法,，保證絕對(duì)誤差小于5×10-9情況下,，查找表資源消耗降低了64.8%，觸發(fā)器資源消耗降低了35.3%,，輸出時(shí)延降低了53.3%,。在分子動(dòng)力學(xué)應(yīng)用場景下，觸發(fā)器資源消耗可降低63.2%,，輸出時(shí)延可降低60%,。改進(jìn)的CORDIC算法在資源消耗、輸出時(shí)延方面優(yōu)于傳統(tǒng)CORDIC算法,，適用于高精度計(jì)算的場景,。

發(fā)表于：1/7/2022 9:02:00 AM

基于最小割劃分的數(shù)模混合仿真系統(tǒng)通信性能優(yōu)化方法[其他][其他]

數(shù)?；旌戏抡媸抢斫庹鎸?shí)電網(wǎng)運(yùn)行情況，支撐電網(wǎng)安全保障的重要手段,。復(fù)雜的電網(wǎng)拓?fù)渑c硬實(shí)時(shí)的仿真需求對(duì)其計(jì)算性能提出了很高的要求,。目前數(shù)模混合仿真多采用并行計(jì)算技術(shù)提高計(jì)算性能。隨著處理器和集群技術(shù)的發(fā)展,，異構(gòu)集群系統(tǒng)逐漸成為高性能計(jì)算系統(tǒng)的主要構(gòu)建方式,。針對(duì)多層次的系統(tǒng)架構(gòu)，已有的電網(wǎng)劃分方式無法充分利用集群計(jì)算能力,。如何應(yīng)對(duì)多層次核間通信延遲變化問題,，及引入設(shè)備交互導(dǎo)致的節(jié)點(diǎn)資源不對(duì)稱問題是數(shù)模混合仿真任務(wù)劃分與映射的新挑戰(zhàn),。針對(duì)中國電力科學(xué)研究院自研電磁暫態(tài)仿真系統(tǒng)ADPSS,，基于最小割劃分設(shè)計(jì)了兩階段的電網(wǎng)劃分與進(jìn)程映射一體化優(yōu)化算法，在計(jì)算負(fù)載均衡和最小化通信上取得更好的平衡,，進(jìn)一步降低了電磁暫態(tài)仿真的通信時(shí)間,。同時(shí)，該算法有效解決了集群節(jié)點(diǎn)資源不對(duì)稱情況下的任務(wù)優(yōu)化映射問題,。通過在西北和華東真實(shí)電網(wǎng)算例上的模擬測試,，所提出算法較ADPSS默認(rèn)劃分與映射算法取得了平均40%和50%的通信性能提升，平均10%和12%的總體計(jì)算性能提升,。

發(fā)表于：1/7/2022 8:48:00 AM

測控設(shè)備狀態(tài)分析輔助決策系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

針對(duì)一些測控任務(wù)對(duì)各類測控?cái)?shù)據(jù)的分析利用程度較低的問題,，提出了一種綜合分析測控設(shè)備的工作狀態(tài)，并形成相關(guān)輔助決策信息的技術(shù),。并且基于“主框架+組件”的模式,，設(shè)計(jì)實(shí)現(xiàn)了相應(yīng)的軟件系統(tǒng)，系統(tǒng)通過匯集測控設(shè)備上報(bào)的各類測量數(shù)據(jù)信息,，對(duì)測量數(shù)據(jù)的實(shí)時(shí)性,、準(zhǔn)確性、穩(wěn)定性,、有效性等進(jìn)行綜合分析,，形成輔助決策結(jié)論。目前該系統(tǒng)已成功應(yīng)用于實(shí)際工程,，對(duì)未來測控任務(wù)的執(zhí)行具有一定的借鑒價(jià)值,。

發(fā)表于：12/15/2021 9:46:00 PM

ADS-B信號(hào)干擾源自動(dòng)監(jiān)測與粗定位技術(shù)研究[其他][其他]

針對(duì)自動(dòng)廣播相關(guān)監(jiān)視(ADS-B)數(shù)據(jù)鏈存中GPS信號(hào)容易受到干擾的情況，提出了一種自動(dòng)監(jiān)測和粗定位方法來確定GPS信號(hào)干擾源,。該技術(shù)處理方法在不改變現(xiàn)有ADS-B系統(tǒng)的基礎(chǔ)上,，只是對(duì)系統(tǒng)軟件功能進(jìn)行擴(kuò)展，利用ADS-B地面站接收的目標(biāo)數(shù)據(jù),，實(shí)時(shí)跟蹤每個(gè)目標(biāo)的運(yùn)動(dòng)軌跡,，制定跟蹤規(guī)則和算法，開展GPS信號(hào)干擾分析,，準(zhǔn)確獲取GPS信號(hào)丟失和恢復(fù)的時(shí)間,、經(jīng)緯度,、高度等數(shù)據(jù)，并與飛機(jī)的飛行軌跡進(jìn)行對(duì)比分析,，同時(shí)將分析數(shù)據(jù)展現(xiàn)在電子地圖上，通過飛行大數(shù)據(jù)分析降低GPS信號(hào)干擾排查成本,，提升人工排查GPS信號(hào)干擾源的效率,，減少民航飛行安全隱患。

發(fā)表于：12/15/2021 9:41:18 PM

通用指揮顯示數(shù)據(jù)引擎架構(gòu)及應(yīng)用設(shè)計(jì)[其他][其他]

航天發(fā)射場指揮顯示不僅涉及各大系統(tǒng)的多種方式,、多類協(xié)議的數(shù)據(jù)接入,，還存在不同參試系統(tǒng)型號(hào)以及臨時(shí)新增參數(shù)帶來的參數(shù)內(nèi)容、協(xié)議字段調(diào)整的問題,。如何在不更改現(xiàn)有平臺(tái)軟件代碼的情況下完成各類接口參數(shù)的接收,、傳輸、處理與存儲(chǔ)是指顯數(shù)據(jù)引擎架構(gòu)設(shè)計(jì)的重點(diǎn),。針對(duì)上述情況,，提出了一種面向試驗(yàn)任務(wù)指揮顯示的通用數(shù)據(jù)引擎架構(gòu)。該架構(gòu)基于“平臺(tái)+組件”的設(shè)計(jì)思想,，通過數(shù)據(jù)接入,、解析、存儲(chǔ)組件化,，從而實(shí)現(xiàn)通過配置,，靈活完成指顯系統(tǒng)與內(nèi)外部系統(tǒng)的信息交換，并支持集中式,、分布式,、混合式多種指顯數(shù)據(jù)接入分發(fā)應(yīng)用模式。

發(fā)表于：12/15/2021 9:37:56 PM

基于ARM和深度學(xué)習(xí)的智能行人預(yù)警系統(tǒng)[其他][其他]

針對(duì)行人交通安全問題,，開發(fā)行人檢測系統(tǒng)以提醒行人和司機(jī)危險(xiǎn)的發(fā)生,。對(duì)目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析和對(duì)比實(shí)驗(yàn)，選取以darknet為網(wǎng)絡(luò)框架的YOLO-fastest模型進(jìn)行改進(jìn)優(yōu)化并采用分類并標(biāo)簽的實(shí)時(shí)交通數(shù)據(jù)進(jìn)行訓(xùn)練,，最終將訓(xùn)練模型部署至開發(fā)板完成實(shí)時(shí)性檢測并能夠根據(jù)車輛速度反饋給行人危險(xiǎn)信號(hào),。實(shí)驗(yàn)結(jié)果表明YOLO-fastest模型的平均檢測精度為96.1%，檢測速度為33 f/s,，模型大小為1.2 MB,，既滿足檢測精度又滿足檢測速度的要求，能夠完成對(duì)真實(shí)交通場景下的實(shí)時(shí)性檢測,。

發(fā)表于：12/15/2021 9:31:00 PM

基于混合表征學(xué)習(xí)的專利分類方法研究[其他][其他]

專利分類是專利分析的基本任務(wù),，而基于深度學(xué)習(xí)的自動(dòng)化專利分類方法可以有效地執(zhí)行專利分類任務(wù)。現(xiàn)有研究大多利用自然語言處理方法,，基于單個(gè)專利的文本內(nèi)容(如摘要和標(biāo)題)對(duì)專利文本進(jìn)行分類,，而專利及標(biāo)簽之間的宏觀關(guān)系(如專利之間的引用和標(biāo)簽之間的共現(xiàn))在很大程度上被忽略,。為了緩解專利分類中單一專利信息的問題，構(gòu)建了三個(gè)圖網(wǎng)絡(luò)表示專利及其標(biāo)簽之間的宏觀關(guān)系,，然后提出一個(gè)基于混合表征學(xué)習(xí)的專利分類框架,，將專利及標(biāo)簽的宏觀關(guān)系融入分類中，以提高專利的自動(dòng)化分類的準(zhǔn)確性,。在真實(shí)的專利數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,，該分類方法在多個(gè)評(píng)價(jià)指標(biāo)上取得了最佳的性能。

發(fā)表于：12/15/2021 9:27:45 PM

基于YOLOV5的藥品表面缺陷實(shí)時(shí)檢測方法[其他][其他]

藥品在實(shí)際生產(chǎn)過程中總會(huì)伴隨著異物,、缺粒,、藥體破損等表面缺陷，這些缺陷輕則影響產(chǎn)品使用效果,重則會(huì)在使用過程中產(chǎn)生巨大事故造成生命財(cái)產(chǎn)損失,。針對(duì)深度學(xué)習(xí)模型在實(shí)際工業(yè)產(chǎn)品表面缺陷檢測中缺陷樣本少以及細(xì)小缺陷檢測精度低的應(yīng)用問題,，將目前主流的目標(biāo)檢測算法之一——YOLOV5應(yīng)用于藥品檢測場景，提出了一種精度高,、所需標(biāo)注樣本少,、檢測速度快的one-stage實(shí)時(shí)缺陷檢測系統(tǒng)——RDD_YOLOV5(Real-time Defects Detection_YOLOV5)。利用原始圖像初級(jí)特征進(jìn)行數(shù)據(jù)增強(qiáng),，結(jié)合注意力機(jī)制與多尺度特征融合,，增加骨干網(wǎng)絡(luò)提取跨通道語義信息能力，充分融合高層語義信息與底層細(xì)粒度信息以提升模型在小缺陷檢測方面的識(shí)別效果,，在有限的樣本條件下達(dá)到較高的準(zhǔn)確率,。該方法檢測效果達(dá)到了96.6%mAP，32 FPS,。

發(fā)表于：12/15/2021 9:24:14 PM

基于LUT的多目機(jī)場視頻實(shí)時(shí)拼接算法設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

針對(duì)機(jī)場中多路實(shí)時(shí)視頻信號(hào)的情況,，開展了8路視頻實(shí)時(shí)全景拼接的算法研究工作，基本完成了8路視頻實(shí)時(shí)全景拼接算法的設(shè)計(jì)與實(shí)現(xiàn),。首先,，借助現(xiàn)有全景圖片合成軟件，完成了圖像配準(zhǔn),，即找出每路視頻圖像到全景圖的像素坐標(biāo)映射關(guān)系,；完成圖像配準(zhǔn)之后，根據(jù)像素坐標(biāo)映射關(guān)系建立查找表,，利用查找表,，同時(shí)使用OpenMP多核并行加速，完成視頻每一幀的實(shí)時(shí)拼接,。相鄰兩路視頻之間的重疊區(qū)域使用線性融合的方法進(jìn)行融合,。實(shí)驗(yàn)結(jié)果表明，該研究方法可完成8路960×540分辨率視頻的實(shí)時(shí)全景拼接,，得到無明顯畸變?nèi)爱嬅妗?/a>