欧美乱码伦视频免费,性插爽视频欧美,欧美日韩国产成人高清视频，欧美日韩在线精品一

基于eIQ的中藥材圖像識別系統(tǒng)的設(shè)計與實現(xiàn)[嵌入式技術(shù)][醫(yī)療電子]

中藥材對人體疾病的預(yù)防及控制具有重要的作用，然而普通百姓對中藥材知識了解過少，可能由于濫用中藥材而帶來不可控的后果。因此，對中藥材進(jìn)行精準(zhǔn)識別是一項緊迫的任務(wù)。將輕量級神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到中藥材識別中，提出在微控制器上實現(xiàn)基于MobileNetV3模型的中藥材圖像識別系統(tǒng)。首先建立中藥材圖像數(shù)據(jù)集，在eIQ機器學(xué)習(xí)軟件開發(fā)環(huán)境中根據(jù)MobileNetV3構(gòu)建識別基礎(chǔ)模型，并通過調(diào)整模型參數(shù)實現(xiàn)對模型的優(yōu)化，最后將模型文件部署到i.MX RT1060上，實現(xiàn)了對30種中藥材的識別。最終在驗證集的準(zhǔn)確率達(dá)到86.79%。結(jié)果表明，在i.MX RT1060上實現(xiàn)中藥材識別具有很好的實際效果。

發(fā)表于：10/23/2023 5:42:30 PM

基于UVM和C語言驗證JTAG調(diào)試協(xié)議的研究與實現(xiàn)[可編程邏輯][工業(yè)自動化]

芯片驗證中，JTAG協(xié)議功能的好壞決定了芯片流片回來后是否具有可調(diào)試狀態(tài)。多數(shù)情況下是編寫一段既冗長且不易維護(hù)的TestBench代碼進(jìn)行驗證；有些情況依賴FPGA原型驗證手段去驗證JTAG協(xié)議，但在該情況下，一些模塊需進(jìn)行FPGA資源替換，無法保證與RTL級網(wǎng)表一致，可能導(dǎo)致流片后回來的芯片JTAG調(diào)試不通。針對這些情況，結(jié)合UVM方法學(xué)的通用性和C語言的便利性，提出一種基于UVM和C語言聯(lián)合驗證JTAG調(diào)試協(xié)議的實現(xiàn)方法。UVM搭建驗證JTAG協(xié)議的框架，C語言側(cè)編寫測試用例，用例通過調(diào)用UVM側(cè)實現(xiàn)的芯片JTAG接口驅(qū)動時序的方法來到達(dá)實現(xiàn)C語言驗證芯片JTAG協(xié)議的結(jié)果。

發(fā)表于：10/23/2023 5:36:00 PM

風(fēng)云三號衛(wèi)星監(jiān)測海洋滸苔、赤潮和溢油*[測試測量][航空航天]

風(fēng)云衛(wèi)星對海洋環(huán)境災(zāi)害（滸苔、赤潮和溢油）的定量遙感監(jiān)測業(yè)務(wù)能力需要提升。利用風(fēng)云三號D星中分辨率光譜成像儀MERSI-II資料以及部分高分衛(wèi)星數(shù)據(jù)，探索解決大氣校正和云檢測兩個技術(shù)難點問題的方法，分別依據(jù)滸苔、赤潮和溢油的光譜特征，建立相關(guān)的遙感監(jiān)測算法，實現(xiàn)對海洋滸苔、赤潮和溢油的判識，并在相應(yīng)個例中取得較好的監(jiān)測效果。

發(fā)表于：10/23/2023 5:29:00 PM

基于約束的多維Apriori改進(jìn)算法[其他][其他]

針對經(jīng)典多維關(guān)聯(lián)規(guī)則挖掘算法執(zhí)行效率不高、存在冗余規(guī)則的不足，提出基于約束的多維Apriori改進(jìn)算法，在多維Apriori算法的基礎(chǔ)上，將用戶約束引入挖掘過程，根據(jù)關(guān)于謂詞的約束產(chǎn)生用戶感興趣的頻繁謂詞集，并以此為依據(jù)刪減事務(wù)集。該算法一方面通過用戶約束大大縮減了候選謂詞集的產(chǎn)生，另一方面經(jīng)過刪減的事務(wù)集也降低了掃描數(shù)據(jù)庫的開銷，最終實現(xiàn)了挖掘效率的提高以及冗余規(guī)則的減少。應(yīng)用該算法在FPGA代碼缺陷事務(wù)集上進(jìn)行對比實驗，實驗結(jié)果證明了該算法相比多維Apriori算法，在搜索效率以及挖掘結(jié)果的準(zhǔn)確性方面均得到了改善，有效提高了FPGA代碼缺陷分析的準(zhǔn)確性。

發(fā)表于：10/23/2023 5:21:25 PM

基于云模型的變分自編碼器數(shù)據(jù)壓縮方法*[其他][醫(yī)療電子]

圖像數(shù)據(jù)解壓縮問題是一類重要的數(shù)據(jù)處理問題，數(shù)據(jù)特征學(xué)習(xí)在數(shù)據(jù)壓縮研究中有重要的研究價值。提出了一種基于云模型的變分自編碼器特征表征模型，將云模型作為變分自編碼器的先驗分布，解決變分自編碼器在特征表征上的局限性。變分自編碼器的編碼器部分負(fù)責(zé)構(gòu)建數(shù)據(jù)的特征空間，通過在該空間中采樣獲得隱變量，完成數(shù)據(jù)壓縮；解碼器部分完成從數(shù)據(jù)特征到原數(shù)據(jù)的生成，即數(shù)據(jù)的解壓。在人臉數(shù)據(jù)集上與原方法作實驗對比，驗證了該方法的正確性和有效性。

發(fā)表于：10/23/2023 5:16:30 PM

基于EWT-ARIMA組合模型的銀杏液流預(yù)測與因子關(guān)聯(lián)分析*[其他][其他]

樹干液流速率由于受到外在環(huán)境因子與內(nèi)在生長機理的綜合作用，往往呈現(xiàn)出非線性與高隨機的特點，單一的預(yù)測方法往往難以對其做出較為準(zhǔn)確的預(yù)測。對此，提出引入經(jīng)驗小波變換（EWT）方法，對非線性、高隨機的銀杏液流數(shù)據(jù)進(jìn)行分解，得到兩組多分辨率分析分量，分別對分量采用統(tǒng)計模型ARIMA進(jìn)行預(yù)測。根據(jù)真實數(shù)據(jù)實驗結(jié)果驗證，提出了EWT-ARIMA組合模型能夠較為準(zhǔn)確地預(yù)測樹干液流的變化趨勢，模型評價指標(biāo)MSE、MAE、MAPE、R2分別為11.05、2.488、0.1640、0.9599，相較單一ARIMA模型各項評價指標(biāo)均有較大提升。此外，還利用傳遞熵（EWT），無模型假設(shè)地對時滯內(nèi)環(huán)境因子與銀杏液流之間的因果關(guān)系進(jìn)行了探討。

發(fā)表于：10/23/2023 5:11:59 PM

面向車聯(lián)網(wǎng)多播業(yè)務(wù)中斷概率約束的資源優(yōu)化研究[通信與網(wǎng)絡(luò)][汽車電子]

隨著汽車工業(yè)和通信技術(shù)的迅速發(fā)展，獲取高質(zhì)量的交通信息在車輛緊急情況中至關(guān)重要。在車聯(lián)網(wǎng)中車輛的高速移動性會導(dǎo)致信息傳輸面臨中斷的風(fēng)險，同時隨著車輛數(shù)目的增加，有限的頻譜資源為車聯(lián)網(wǎng)的功率分配帶來了挑戰(zhàn)。為了解決這一難題，采用單頻網(wǎng)絡(luò)技術(shù)，通過資源分配策略來降低信干噪比的中斷概率，最小化單頻網(wǎng)絡(luò)中每個路邊單元的傳輸功率。該優(yōu)化問題被建模為馬爾可夫決策過程，并采用基于好奇心驅(qū)動的DQN（C-DQN）資源優(yōu)化算法來求解。大量仿真結(jié)果表明，該方案在滿足較低中斷概率的前提下最小化傳輸功率，所采用的算法與基準(zhǔn)算法相比，在學(xué)習(xí)速度和穩(wěn)定性方面具有良好的性能。

發(fā)表于：10/23/2023 5:08:17 PM

一種高效的衛(wèi)星通信多模式身份認(rèn)證協(xié)議方案的設(shè)計方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對現(xiàn)有星地協(xié)同認(rèn)證模式認(rèn)證時延高、地面認(rèn)證服務(wù)器受到攻擊易導(dǎo)致故障等問題，創(chuàng)新性地提出一種可切換的高效多模式身份認(rèn)證方案。該方案采用星上主用、地面?zhèn)溆玫恼J(rèn)證模式，星上認(rèn)證模式下，可有效降低傳統(tǒng)星地認(rèn)證傳輸過程帶來的通信高時延，實現(xiàn)在不依賴地面歸屬網(wǎng)絡(luò)的情況下快速認(rèn)證；當(dāng)星上認(rèn)證模式不可使用時，可迅速切換地面認(rèn)證模式，保證認(rèn)證過程穩(wěn)定可靠，提高系統(tǒng)穩(wěn)定性和抗毀壞性。同時，該方案采用哈希算法和對稱加密算法完成認(rèn)證核心運算，有效減少認(rèn)證過程計算開銷，在提高衛(wèi)星通信設(shè)備接入效率和安全性方面具有較高的應(yīng)用價值。

發(fā)表于：10/23/2023 5:04:26 PM

基于改進(jìn)OS-ELM的電子鼻在線氣體濃度檢測*[測試測量][消費電子]

電子鼻是一種仿生傳感系統(tǒng)，該設(shè)備能夠同時對多種氣體進(jìn)行識別，因此應(yīng)用在許多領(lǐng)域當(dāng)中。氣體濃度算法是電子鼻對氣體定量分析時的核心部分，為了提高電子鼻濃度檢測算法精度，提出一種基于在線序列極限學(xué)習(xí)機（Online Sequential-Extreme Learning Machine， OS-ELM）的預(yù)測模型。該模型通過一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM對氣體濃度進(jìn)行預(yù)測，并提出了一種改進(jìn)的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工調(diào)整模型參數(shù)的問題。由理論分析，改進(jìn)的算法比傳統(tǒng)PSO算法有更強的搜索能力。實驗結(jié)果表明，所提模型對氣體的預(yù)測精度上較傳統(tǒng)的預(yù)測模型具有更高的預(yù)測精度和泛化能力。

發(fā)表于：10/23/2023 4:46:25 PM

基于國產(chǎn)化云平臺的航天數(shù)據(jù)混合組播應(yīng)用技術(shù)[測試測量][航空航天]

構(gòu)建了一種基于云架構(gòu)的一體化計算機系統(tǒng)，系統(tǒng)國產(chǎn)化率100%。提出了基于國產(chǎn)化云平臺航天數(shù)據(jù)混合組播應(yīng)用技術(shù)，實現(xiàn)了操作系統(tǒng)、云平臺、虛擬機CPU資源三個層面技術(shù)優(yōu)化，解決了國產(chǎn)操作系統(tǒng)及云平臺網(wǎng)絡(luò)資源虛擬化對數(shù)據(jù)組播的性能瓶頸問題，提升了云平臺數(shù)據(jù)組播的性能。經(jīng)過實際測試，提升后性能可滿足了航天任務(wù)中心業(yè)務(wù)使用需求。

發(fā)表于：10/23/2023 4:35:52 PM