极品国产av,成人日韩中文字幕

一種多遺忘因子自適應(yīng)卡爾曼降噪的MEMS間接對(duì)準(zhǔn)[模擬設(shè)計(jì)][航空航天]

針對(duì)MEMS慣性器件輸出精度低導(dǎo)致慣導(dǎo)系統(tǒng)初始對(duì)準(zhǔn)誤差大問題,，提出了一種先利用多遺忘因子自適應(yīng)卡爾曼(MFFAKF)對(duì)原始數(shù)據(jù)降噪處理后再采用磁強(qiáng)計(jì)輔助的MEMS間接粗對(duì)準(zhǔn)的方法,。該方法采用多重遺忘因子調(diào)節(jié)不同的濾波通道對(duì)加速度計(jì)與磁強(qiáng)計(jì)傳來的原始數(shù)據(jù)進(jìn)行預(yù)處理后再進(jìn)行姿態(tài)角解算,，提高初始對(duì)準(zhǔn)精度,，縮短對(duì)準(zhǔn)時(shí)間,。實(shí)驗(yàn)結(jié)果表明,，采用MFFAKF得到的粗對(duì)準(zhǔn)航向角精度滿足MEMS慣導(dǎo)系統(tǒng)粗對(duì)準(zhǔn)要求,。

發(fā)表于：10/22/2018 2:17:00 PM

基于FPGA的SRRC濾波及多速率變換[可編程邏輯][通信網(wǎng)絡(luò)]

為消除通信系統(tǒng)中的碼間串?dāng)_,，提高頻帶利用率,，常采用平方根升余弦濾波器來實(shí)現(xiàn)基帶信號(hào)的成形濾波處理,；為實(shí)現(xiàn)不同符號(hào)率的信號(hào)在通信系統(tǒng)中的高速率傳輸,，常采用數(shù)字信號(hào)處理中的多速率變換技術(shù)提高數(shù)字信號(hào)的采樣率。采用平方根升余弦濾波器及半帶,、CIC,、Farrow濾波器級(jí)聯(lián)，基于FPGA實(shí)現(xiàn)了一種多速率變換模塊,。該模塊能夠?qū)崿F(xiàn)任意倍數(shù)的上采樣變換,，且通過在線重載升余弦滾降系數(shù)，及CIC濾波器,、Farrow濾波器上采樣倍數(shù),，有效節(jié)約了FPGA內(nèi)部資源。在ISE平臺(tái)采用Verilog編程及IP核調(diào)用實(shí)現(xiàn)了該SRRC濾波及多速率變換模塊,，并給出了ModelSim仿真波形及實(shí)驗(yàn)結(jié)果,，驗(yàn)證了其升余弦滾降及變速率特性，有效消除了碼間干擾,，提高頻帶利用率,。其實(shí)現(xiàn)方式簡(jiǎn)單、高效,。

發(fā)表于：10/19/2018 2:46:00 PM

小波變換的開關(guān)電流電路實(shí)現(xiàn)[電源技術(shù)][工業(yè)自動(dòng)化]

為更好地滿足工程應(yīng)用中低功耗、實(shí)時(shí)信號(hào)處理的需要,，提出了一種基于開關(guān)電流電路的小波變換實(shí)現(xiàn),。研究了小波變換在時(shí)頻兩域的實(shí)現(xiàn)原理，采用開關(guān)電流電路實(shí)現(xiàn)沖激響應(yīng)為高斯一階導(dǎo)數(shù)的小波濾波器,，通過調(diào)節(jié)時(shí)鐘頻率可實(shí)現(xiàn)不同尺度的小波變換,，提出方法的有效性得到了仿真結(jié)果的驗(yàn)證。

發(fā)表于：10/19/2018 2:34:00 PM

基于CMOS-MEMS工藝的高深寬比體硅刻蝕方法的研究[MEMS|傳感技術(shù)][汽車電子]

為了滿足提高M(jìn)EMS傳感器陣列的集成度和精度以及降低成本等需求,，對(duì)高深寬比的體硅深槽刻蝕方法進(jìn)行研究,。在一種小尺寸、高集成度的MEMS傳感器陣列的制造中,，需要加工一種深寬比為25 μm/0.8 μm的隔離深槽,，并且為了便于MEMS傳感器和CMOS集成電路的集成，需要采用COMS工藝兼容的MEMS工藝,。為此,，采用了RIE、Bosch工藝以及RIE和Bosch工藝結(jié)合的3種方法進(jìn)行深槽刻蝕工藝的探索,，并最終采用RIE和Bosch工藝結(jié)合的方法獲得槽側(cè)壁非常光滑的深槽形貌,。

發(fā)表于：10/18/2018 11:34:00 AM

一種基于熱噪聲振蕩器的高速真隨機(jī)數(shù)設(shè)計(jì)[電源技術(shù)][智能電網(wǎng)]

分析和設(shè)計(jì)了一種基于振蕩器的真隨機(jī)數(shù)發(fā)生器，電阻熱噪聲作低頻時(shí)鐘的噪聲源,。利用兩個(gè)獨(dú)立工作的高,、低頻振蕩器之間的相對(duì)關(guān)系采樣噪聲源,，用帶有抖動(dòng)的低頻振蕩器通過D觸發(fā)器采樣有固定周期的高頻振蕩器，產(chǎn)生隨機(jī)數(shù)序列,。電路采用SMIC 28 nm CMOS工藝設(shè)計(jì),，完成了版圖設(shè)計(jì)和流片，仿真結(jié)果表明,，基于熱噪聲的真隨機(jī)數(shù)產(chǎn)生器輸出吞吐率范圍為1.8～12 Mb/s,，隨機(jī)數(shù)輸出滿足AIS31真隨機(jī)數(shù)熵源測(cè)試要求，電路整體功耗為0.388 mW,。

發(fā)表于：10/18/2018 11:17:00 AM

能量收集認(rèn)知傳感器網(wǎng)絡(luò)研究綜述[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

能量收集認(rèn)知傳感器網(wǎng)絡(luò)采用能量收集技術(shù)和認(rèn)知無線電技術(shù)來解決節(jié)點(diǎn)能量的不足和頻譜資源的匱乏,，實(shí)現(xiàn)網(wǎng)絡(luò)持續(xù)有效工作。然而,，由于能量收集過程和可用頻譜資源動(dòng)態(tài),、隨機(jī)變化的特征，該網(wǎng)絡(luò)在網(wǎng)絡(luò)資源管理方面面臨著巨大的挑戰(zhàn),。首先介紹了能量收集認(rèn)知傳感器網(wǎng)絡(luò)產(chǎn)生的背景,，然后對(duì)現(xiàn)有研究工作進(jìn)行系統(tǒng)的歸納和總結(jié)，進(jìn)而討論現(xiàn)有的研究不足和可能解決方法及未來的研究方向,。

發(fā)表于：10/17/2018 11:12:00 AM

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像著色[嵌入式技術(shù)][物聯(lián)網(wǎng)]

圖像著色的目標(biāo)是為灰度圖像的每一個(gè)像素分配顏色,，它是圖像處理領(lǐng)域的熱點(diǎn)問題。以U-Net為主線網(wǎng)絡(luò),，結(jié)合深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)全自動(dòng)的著色網(wǎng)絡(luò)模型,。在該模型中，支線使用卷積神經(jīng)網(wǎng)絡(luò)SE-Inception-ResNet-v2作為高水平的特征提取器,，提取圖像的全局信息,，同時(shí)在網(wǎng)絡(luò)中使用PoLU(Power Linear Unit)函數(shù)替代線性整流函數(shù)(ReLU)。實(shí)驗(yàn)結(jié)果證明此著色網(wǎng)絡(luò)模型能夠?qū)叶葓D像進(jìn)行有效的著色,。

發(fā)表于：10/17/2018 11:00:00 AM

基于膠囊網(wǎng)絡(luò)的指靜脈識(shí)別研究[嵌入式技術(shù)][醫(yī)療電子]

針對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)中空間上的指靜脈信息丟失的問題,，提出了一種基于膠囊網(wǎng)絡(luò)(Capsule Network，CapsNets)的指靜脈識(shí)別算法,。CapsNets在整個(gè)學(xué)習(xí)過程中以“膠囊”的形式從底層傳遞至高層,，如此以向量的形式封裝指靜脈的多維特征，特征會(huì)在網(wǎng)絡(luò)中被保存,，而不是丟失后進(jìn)行恢復(fù),。采用60 000張圖像作為訓(xùn)練集，10 000張圖為測(cè)試集,，通過對(duì)圖像增強(qiáng),、裁剪后進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。通過實(shí)驗(yàn)表明,，CapsNets的網(wǎng)絡(luò)結(jié)構(gòu)特征相比CNN在處理脊線區(qū)域時(shí)效果更加明顯,，對(duì)比VGG精確度增加了13.6%,，loss值也收斂到0.01。

發(fā)表于：10/16/2018 10:54:00 AM

基于深度學(xué)習(xí)的實(shí)時(shí)識(shí)別硬件系統(tǒng)框架設(shè)計(jì)[嵌入式技術(shù)][物聯(lián)網(wǎng)]

設(shè)計(jì)了一種基于深度學(xué)習(xí)的實(shí)時(shí)識(shí)別硬件系統(tǒng)框架,。該系統(tǒng)框架使用Keras完成卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練并提取出網(wǎng)絡(luò)的參數(shù),，利用ZYNQ器件的FPGA+ARM軟硬件協(xié)同的方式，使用ARM完成對(duì)實(shí)時(shí)圖像數(shù)據(jù)的采集,、預(yù)處理及顯示,，通過FPGA實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的硬化并對(duì)圖像進(jìn)行識(shí)別，再將識(shí)別結(jié)果發(fā)送至上位機(jī)進(jìn)行實(shí)時(shí)顯示,。系統(tǒng)框架采用MNIST和Fashion MNIST數(shù)據(jù)集作為網(wǎng)絡(luò)模型硬化試驗(yàn)樣本,，實(shí)驗(yàn)結(jié)果表明，在一般場(chǎng)景下該系統(tǒng)框架能夠?qū)崟r(shí),、準(zhǔn)確地完成圖像數(shù)據(jù)的獲取,、顯示及識(shí)別，并且具有可移植性高,、處理速度快,、功耗低的特點(diǎn)。

發(fā)表于：10/16/2018 10:42:00 AM

基于TensorFlow深度學(xué)習(xí)手寫體數(shù)字識(shí)別及應(yīng)用[嵌入式技術(shù)][物聯(lián)網(wǎng)]

手寫體數(shù)字的識(shí)別是人工智能識(shí)別系統(tǒng)中的重要組成部分,。因個(gè)體手寫數(shù)字的差異,，現(xiàn)有識(shí)別系統(tǒng)準(zhǔn)確率較低?；赥ensorFlow深度學(xué)習(xí)框架完成手寫體數(shù)字的識(shí)別及應(yīng)用,，首先建立TensorFlow深度學(xué)習(xí)框架，并分析了Softmax,、卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型結(jié)構(gòu)，再對(duì)手寫體數(shù)據(jù)集MNIST的60 000個(gè)樣本進(jìn)行深度學(xué)習(xí),，然后進(jìn)行10 000個(gè)樣本的測(cè)試對(duì)比,，最后移植最優(yōu)模型到Android平臺(tái)進(jìn)行應(yīng)用。實(shí)測(cè)數(shù)據(jù)驗(yàn)證,，相對(duì)于傳統(tǒng)的Softmax模型,，基于TensorFlow深度學(xué)習(xí)CNN模型識(shí)別率高達(dá)99.17%，提升了7.6%,，為人工智能識(shí)別系統(tǒng)的發(fā)展提供了一定的科研價(jià)值,。

發(fā)表于：10/15/2018 11:54:00 AM