123,123,123

基于區(qū)塊鏈與RISC-V實(shí)現(xiàn)物聯(lián)網(wǎng)數(shù)據(jù)互聯(lián)[其他][物聯(lián)網(wǎng)]

針對(duì)物聯(lián)網(wǎng)特點(diǎn)與痛點(diǎn)，提出以區(qū)塊鏈技術(shù)為核心、結(jié)合物聯(lián)網(wǎng)技術(shù)并運(yùn)用RISC-V架構(gòu)實(shí)現(xiàn)區(qū)塊鏈功能下沉至終端。通過芯片承載區(qū)塊鏈的功能使得每一個(gè)終端成為區(qū)塊鏈的節(jié)點(diǎn)，基于區(qū)塊鏈的分布式這一特點(diǎn)，滿足物聯(lián)網(wǎng)終端節(jié)點(diǎn)功用。通過芯片從源頭解決上鏈數(shù)據(jù)的可信，針對(duì)現(xiàn)有的區(qū)塊鏈功能進(jìn)行輕量化改造，使其符合芯片的硬件特性。通過RISC-V的模塊化、高性能、可自定義的指令集實(shí)現(xiàn)芯片對(duì)于區(qū)塊鏈功能的承載。經(jīng)過合理的分析與例證，能夠利用終端作為區(qū)塊鏈節(jié)點(diǎn)的方式去解決物聯(lián)網(wǎng)多樣化的應(yīng)用場(chǎng)景，滿足安全可信的同時(shí)提高性能，降低成本。

發(fā)表于：9/19/2022

基于改進(jìn)DeepLabv3+網(wǎng)絡(luò)的風(fēng)機(jī)葉片分割算法研究[其他][其他]

為了提高風(fēng)機(jī)葉片圖像的分割質(zhì)量，提出了一種改進(jìn)DeepLabv3+網(wǎng)絡(luò)的風(fēng)機(jī)葉片分割算法。由于無人機(jī)采集風(fēng)機(jī)葉片圖像具有背景復(fù)雜和葉片占比差異較大的問題，提出的算法在DeepLabv3+網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)了ASPP模塊和Decoder模塊。DASPP通過級(jí)聯(lián)多個(gè)空洞卷積層，使用密集連接的方式將每個(gè)空洞卷積層的輸出傳遞給后續(xù)的空洞卷積層，通過一系列的特征連接編碼不同尺度的中間特征，獲得了更大范圍的感受野。在Decoder階段添加多層特征融合，以恢復(fù)在降采樣過程中丟失的細(xì)節(jié)信息和各級(jí)特征。通過對(duì)風(fēng)機(jī)葉片數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，MIoU值達(dá)到了0.991 3，PA值達(dá)到了0.996 8，實(shí)驗(yàn)表明該設(shè)計(jì)的算法對(duì)風(fēng)機(jī)葉片的分割效果優(yōu)于DeepLabv3+網(wǎng)絡(luò)，具有更好的細(xì)節(jié)信息。

發(fā)表于：9/19/2022

統(tǒng)一身份認(rèn)證技術(shù)在企業(yè)信息化系統(tǒng)中的應(yīng)用研究[其他][其他]

針對(duì)企業(yè)信息化建設(shè)過程中面臨的應(yīng)用系統(tǒng)集成、用戶身份管理等問題，基于4A統(tǒng)一安全管理規(guī)范，并結(jié)合企業(yè)多元化集成需求，提出統(tǒng)一身份認(rèn)證與單點(diǎn)登錄解決方案，建立統(tǒng)一身份管理平臺(tái)。對(duì)系統(tǒng)功能進(jìn)行分析與設(shè)計(jì)，并著重探討基于Token的身份認(rèn)證機(jī)制以及單點(diǎn)登錄關(guān)鍵技術(shù)，提出多元化集成的單點(diǎn)登錄方案，采用Spring Security實(shí)現(xiàn)JWT認(rèn)證和授權(quán)。該系統(tǒng)可實(shí)現(xiàn)信息系統(tǒng)統(tǒng)一、高效、安全的用戶身份管理，方便新應(yīng)用系統(tǒng)的集成。

發(fā)表于：9/19/2022

基于鄰域搜索粒子群算法的節(jié)點(diǎn)定位算法研究[其他][其他]

針對(duì)DV-Hop定位算法誤差大的缺點(diǎn)，深入分析定位誤差來源后，在改進(jìn)的PSO(Particle Swarm Optimization)算法的基礎(chǔ)上提出了IDVHop-NSPSO(Improved DVHop-Neighborhood Search Particle Swarm Optimization)節(jié)點(diǎn)定位算法。該算法通過對(duì)三部分的改進(jìn)達(dá)到DV-Hop定位精度提高的要求：(1)增設(shè)半跳細(xì)化最小跳數(shù)；(2)在計(jì)算平均跳距時(shí)引入權(quán)重系數(shù)使求得的跳距更加精確；(3)利用鄰域搜索粒子群優(yōu)化算法替代最小二乘法來計(jì)算未知節(jié)點(diǎn)的位置。仿真實(shí)驗(yàn)的結(jié)果表明：相較于DV-Hop算法、DV-Hop+PSO算法、模擬退火加權(quán)DV-Hop算法，IDVHop-NSPSO算法可在不顯著增加計(jì)算資源的同時(shí)，明顯地提高定位精度。

發(fā)表于：9/19/2022

基于延長WSN生命周期的優(yōu)化算法研究[其他][其他]

LEACH協(xié)議作為一種經(jīng)典的低功耗自適應(yīng)層次路由協(xié)議，在要求連續(xù)監(jiān)控的應(yīng)用場(chǎng)景被廣泛使用。雖然LEACH協(xié)議一定程度上均衡了網(wǎng)絡(luò)能耗，但由于缺乏節(jié)點(diǎn)能量、位置信息等參數(shù)的限制，導(dǎo)致其存在能量消耗不均勻、節(jié)點(diǎn)過早死亡等問題。針對(duì)上述問題，提出了一種全新的LEACH-PC協(xié)議，在將網(wǎng)絡(luò)進(jìn)行區(qū)域劃分的基礎(chǔ)上考慮了簇的大小，同時(shí)對(duì)簇頭選舉閾值函數(shù)的增益參數(shù)進(jìn)行了優(yōu)化。通過仿真實(shí)驗(yàn)表明，LEACH-PC協(xié)議相對(duì)于LEACH協(xié)議降低了網(wǎng)絡(luò)能耗，同時(shí)延長了WSN的網(wǎng)絡(luò)壽命。

發(fā)表于：9/19/2022

分布式多代多任務(wù)航天復(fù)雜系統(tǒng)架構(gòu)設(shè)計(jì)[其他][其他]

針對(duì)航天數(shù)據(jù)處理中心(Space Data Processing Center，SDPC)的時(shí)域、地域和功能等不同維度需求下的體系化建設(shè)，提出了一種分布式異地部署的多代多任務(wù)“云”平臺(tái)架構(gòu)，分析了長期在線并行任務(wù)系統(tǒng)的實(shí)現(xiàn)路徑，介紹了多中心、多系統(tǒng)、多任務(wù)、多功能的復(fù)雜系統(tǒng)組成、連接和架構(gòu)設(shè)計(jì)，研究了航天數(shù)據(jù)處理中心結(jié)合應(yīng)用下的在線運(yùn)行的系統(tǒng)切換、高可用的數(shù)據(jù)管理、安全防護(hù)的運(yùn)維管理、用戶分離的虛擬桌面等關(guān)鍵技術(shù)。通過在航天數(shù)據(jù)處理中心部署構(gòu)建和應(yīng)用，實(shí)現(xiàn)了航天數(shù)據(jù)處理中心在異地異構(gòu)的容災(zāi)系統(tǒng)和備份中心系統(tǒng)并行運(yùn)行、內(nèi)部不同任務(wù)系統(tǒng)功能相對(duì)獨(dú)立和不同用戶操作相對(duì)分離條件下的高可靠運(yùn)行，滿足多年的航天器運(yùn)控規(guī)劃、衛(wèi)星在軌服務(wù)、資源調(diào)度等多任務(wù)要求。

發(fā)表于：9/19/2022

衛(wèi)星擴(kuò)頻測(cè)控基帶系統(tǒng)設(shè)計(jì)[其他][其他]

衛(wèi)星測(cè)控分系統(tǒng)負(fù)責(zé)遙測(cè)、遙控信號(hào)在衛(wèi)星與地面站之間的傳輸。擴(kuò)頻測(cè)控體制由于抗干擾性強(qiáng)、保密性好、易于實(shí)現(xiàn)多星測(cè)控等優(yōu)勢(shì)，已經(jīng)逐漸成為主流測(cè)控方式。在測(cè)控頻段上，X頻段由于頻率資源豐富且對(duì)商業(yè)測(cè)控開放，已經(jīng)成為商業(yè)航天使用的主要測(cè)控頻段。根據(jù)低軌衛(wèi)星測(cè)控分系統(tǒng)需求，設(shè)計(jì)了一套X頻段擴(kuò)頻測(cè)控應(yīng)答機(jī)基帶系統(tǒng)，能夠?qū)崿F(xiàn)X頻段擴(kuò)頻測(cè)控信號(hào)的發(fā)射和接收。通過優(yōu)化設(shè)計(jì)二維捕獲、跟蹤環(huán)路等模塊，系統(tǒng)可以滿足低軌衛(wèi)星高動(dòng)態(tài)多普勒下的性能需求。

發(fā)表于：9/19/2022

速變參數(shù)預(yù)處理裝置[其他][其他]

針對(duì)遙測(cè)系統(tǒng)上測(cè)量參數(shù)多、耗時(shí)長以及傳輸質(zhì)量要求高的問題，將采集數(shù)據(jù)由時(shí)域轉(zhuǎn)換到頻域，大大壓縮了數(shù)據(jù)傳輸量，節(jié)省了傳輸時(shí)間，提高了飛行器的數(shù)據(jù)傳輸效率?；谙到y(tǒng)電路，分析了CAN_FD總線接口、DSP和FPGA通信接口及供電接口的設(shè)計(jì)。速變參數(shù)預(yù)處理裝置可處理振動(dòng)、沖擊和噪聲信號(hào)，三者基于同一硬件平臺(tái)而運(yùn)用不同算法，當(dāng)采集數(shù)據(jù)量達(dá)到要求時(shí)，F(xiàn)PGA產(chǎn)生中斷并由DSP進(jìn)行處理，DSP處理后的結(jié)果發(fā)送給FPGA，再轉(zhuǎn)發(fā)至接收設(shè)備。實(shí)驗(yàn)中通過模擬測(cè)試環(huán)境完成系統(tǒng)驗(yàn)證，實(shí)踐證明，速變參數(shù)預(yù)處理裝置的誤差在5%以下，且無丟幀現(xiàn)象，具有較強(qiáng)的實(shí)用價(jià)值。

發(fā)表于：9/19/2022

LDO器件噪聲特性分析及輸出噪聲測(cè)試方法研究[其他][其他]

隨著國產(chǎn)LDO器件在裝備中的大量使用，為保障元器件應(yīng)用可靠性，需針對(duì)LDO輸出噪聲指標(biāo)測(cè)試方法進(jìn)行研究。結(jié)合實(shí)際驗(yàn)證工作，基于TCAD仿真，分析LDO器件噪聲的主要來源模塊，包括基準(zhǔn)電路、誤差放大器和反饋電阻網(wǎng)絡(luò)。采用低噪聲鎳氫電池組作為偏置源進(jìn)行供電，并在測(cè)試電路中加入濾波電容和耦合電容，可有效降低測(cè)試系統(tǒng)本底噪聲對(duì)噪聲測(cè)試結(jié)果的影響。搭建輸出應(yīng)用驗(yàn)證測(cè)試平臺(tái)，驗(yàn)證可有效測(cè)試LDO的輸出噪聲，提升LDO參數(shù)測(cè)試技術(shù)及性能可靠性保障能力。

發(fā)表于：9/19/2022

高集成度多標(biāo)記光刻版版圖的快速處理技術(shù)[其他][其他]

介紹了一種高集成度多標(biāo)記光刻版版圖的快速處理技術(shù)。其中包括以下四個(gè)模塊： chip芯片排布模塊、標(biāo)記排布模塊、芯粒數(shù)統(tǒng)計(jì)模塊和自動(dòng)版號(hào)模塊。在版圖編輯工具L-edit中使用這些模塊可以大幅提升微光刻中的高集成度多標(biāo)記光刻版版圖的排布效率并提高準(zhǔn)確度，從而有效縮短掩膜版的生產(chǎn)周期。

發(fā)表于：9/19/2022

一種改進(jìn)型高速1553B總線發(fā)送器斜率控制電路[其他][其他]

傳統(tǒng)的1553B總線通信速率為1 Mb/s，難以滿足目前電子設(shè)備對(duì)通信總線高速率的要求。設(shè)計(jì)了一種新型的發(fā)送器斜率控制電路，并應(yīng)用于高速1553B總線發(fā)送器芯片，提升了發(fā)送器的速率，改善了總線波形質(zhì)量。測(cè)試表明，采用本文設(shè)計(jì)的改進(jìn)型1553B總線發(fā)送器，通信速率最高可達(dá)4 Mb/s，達(dá)到現(xiàn)有標(biāo)準(zhǔn)速率的4倍，性能提升效果顯著。

發(fā)表于：9/19/2022

一種基于MCU芯片的FPGA原型驗(yàn)證平臺(tái)設(shè)計(jì)[其他][其他]

為了縮短MCU芯片開發(fā)周期，提出了一種基于MCU芯片F(xiàn)PGA原型驗(yàn)證平臺(tái)設(shè)計(jì)。該設(shè)計(jì)是將傳統(tǒng)FPGA原型驗(yàn)證過程中使用FPGA的RAM原型替換程序存儲(chǔ)單元，改為使用FPGA雙端口RAM替換。其中一個(gè)端口控制按照傳統(tǒng)的接入方法,另一端口控制信號(hào)接到專門的控制邏輯上，獨(dú)立控制，而且不影響原MCU芯片功能。該方法不僅節(jié)省多次FPGA綜合實(shí)現(xiàn)的時(shí)間,而且可以靈活實(shí)時(shí)監(jiān)測(cè)RAM，方便查錯(cuò)。同時(shí)該方法具有通用性，可移植到類似的SoC系統(tǒng)架構(gòu)FPGA原型驗(yàn)證系統(tǒng)中去。

發(fā)表于：9/19/2022

基于邊緣計(jì)算的局部放電模式識(shí)別[其他][其他]

局部放電是設(shè)備處于高電場(chǎng)強(qiáng)下，由于電場(chǎng)分布不均而導(dǎo)致的絕緣介質(zhì)放電現(xiàn)象，設(shè)備產(chǎn)生局部放電對(duì)于絕緣層的危害很大，迅速檢測(cè)識(shí)別設(shè)備的放電類型是工業(yè)正常運(yùn)作的保障。針對(duì)電氣設(shè)備局部放電類型識(shí)別問題，考慮到電氣設(shè)備監(jiān)測(cè)系統(tǒng)在診斷識(shí)別方面的時(shí)效性及精度，提出了基于邊緣計(jì)算的局部放電模式識(shí)別方法，利用邊緣計(jì)算架構(gòu)的優(yōu)勢(shì)，基于云層訓(xùn)練、邊緣推理思路，將復(fù)雜的識(shí)別算法訓(xùn)練優(yōu)化過程部署在云層，將計(jì)算量大的識(shí)別算法卸載到邊緣層，而計(jì)算量小的特征提取保留在終端設(shè)備層處理。通過構(gòu)造局部放電相位分布譜圖提取局部放電的統(tǒng)計(jì)特征參數(shù)，采用粒子群優(yōu)化算法對(duì)廣義回歸神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，最后將統(tǒng)計(jì)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入量，對(duì)放電類型進(jìn)行識(shí)別。結(jié)果表明，所提模式識(shí)別方法識(shí)別準(zhǔn)確率高，識(shí)別效率高。

發(fā)表于：9/19/2022

融合用戶行為和評(píng)論文本的圖神經(jīng)網(wǎng)絡(luò)推薦[其他][其他]

現(xiàn)有的基于圖神經(jīng)網(wǎng)絡(luò)的推薦算法能夠利用圖結(jié)構(gòu)信息使得推薦效果得到較好的提升，但主要的圖結(jié)構(gòu)都是圍繞著用戶和項(xiàng)目的一種交互，卻忽略了用戶的多種行為，如點(diǎn)擊、收藏、分享、加入購物車等都表達(dá)著用戶不同的語義；又如評(píng)論信息，可能影響著該類型物品的下一次購買意圖。為此提出一種基于用戶行為和評(píng)論信息的圖神經(jīng)網(wǎng)絡(luò)推薦算法，算法通過圖卷積網(wǎng)絡(luò)學(xué)習(xí)用戶行為的強(qiáng)度及語義，再利用評(píng)論文本圖表示學(xué)習(xí)評(píng)論中用戶和商品的偏好，最后進(jìn)行融合提升推薦效果。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)于推薦效果有一定的提升。

發(fā)表于：9/19/2022

基于XGBoost與LightGBM集成的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型[其他][汽車電子]

隨著電動(dòng)汽車規(guī)?；l(fā)展，充電站負(fù)荷對(duì)電網(wǎng)造成一定影響，為保障電網(wǎng)平穩(wěn)運(yùn)行，提出一種基于極端梯度提升(eXtreme Gradient Boosting，XGBoost)與輕量級(jí)梯度提升機(jī)(Light Gradient Boosting Machine，LightGBM)融合的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。該方法運(yùn)用Stacking集成學(xué)習(xí)的策略：首先根據(jù)時(shí)間特征與歷史負(fù)荷數(shù)據(jù)采用XGBoost與LightGBM算法構(gòu)建負(fù)荷預(yù)測(cè)的基學(xué)習(xí)器，然后采用嶺回歸(Ridge Regression，RR)算法將基學(xué)習(xí)器的輸出結(jié)果進(jìn)行融合之后輸出負(fù)荷預(yù)測(cè)值。為了對(duì)比多種不同的負(fù)荷預(yù)測(cè)模型，采用上海市嘉定區(qū)的充電站訂單數(shù)據(jù)進(jìn)行試驗(yàn)，結(jié)果表明，該方法所構(gòu)建的負(fù)荷預(yù)測(cè)模型相比單一算法模型具有更高的預(yù)測(cè)準(zhǔn)確度，對(duì)電網(wǎng)平穩(wěn)運(yùn)行有一定理論及實(shí)用價(jià)值。

發(fā)表于：9/19/2022