123,123,123

面向云计算环境的后处理服务[其他][其他]

后处理分析是计算流体力学仿真分析中的一个重要组成部分。面向云计算环境设计了一种后处理服务模型，基于模型实现了一个后处理服务原型软件，用户可以通过客户端访问实现对流场数据的后处理分析。这种面向云计算环境的后处理服务充分利用了云端服务器的高性能计算资源，实现了大规模数据的高效后处理计算，实现了“云+端”的灵活后处理分析，具有良好的可扩展性。

發(fā)表于：2022/7/1

基于改进中值滤波的手机玻璃瑕疵图像增强方法[其他][其他]

手机盖板玻璃瑕疵检测主要分为图像获取、图像预处理、图像分割和瑕疵分类这几个步骤。由于高质量图像获取难度大，接下来的图像预处理就会显得尤其重要。传统的滤波方法在处理图像噪声时，都或多或少对图片产生一定的模糊，损失部分有效信息，通常噪声的存在会使得附近邻域内的极值上下差距较大，所以滤波变成不可或缺的步骤。改进传统的中值滤波，通过判断目标像素点是否需要进行滤波处理的办法，增强图像的同时，使得有用瑕疵信息的损失降低。在滤波处理后用直方图均衡化对图像进一步处理，起到图像增强的效果。相比于传统的中值滤波，该方法不仅会保留瑕疵边缘信息，同时图像增强后的效果也更好。

發(fā)表于：2022/7/1

基于AIDC链路的多模式串口切换系统的设计与实现[其他][其他]

目前，民航管制单位在与相邻管制单位进行AIDC移交时，如果采用的是X.25专线方式，则需要在本地2套自动化系统之间共享一条物理链路。当自动化系统主备状态切换时，往往需要人工方式切换线缆连接，切换时间较长且增加了故障风险。提出了一种串口切换设备的设计方案，使2套自动化系统的X.25处理设备能够以切换的方式共享一条专线链路，并且支持3种切换模式。目前切换器样机已在北京区管测试平台上进行了功能测试，在主备自动化系统AIDC链路切换场景下能够实现物理链路的快速切换。

發(fā)表于：2022/7/1

基于YOLO的手机外观缺陷视觉检测算法[其他][其他]

针对在小规模手机屏幕缺陷数据检测效率不高的问题，提出了一个基于YOLO v3的手机外观缺陷视觉检测算法，即YOLO-q-v3算法。YOLO-q-v3算法通过改进DarkNet-53网络结构，减少原网络的层数和相应的模型参数，有效地提高算法的检测效率。将YOLO v3算法和本文提出的YOLO-q-v3算法对同一数据集进行对比实验，实验结果表明，YOLO-q-v3算法能够正确识别手机屏幕裂痕，YOLO-q-v3在检测速率上比YOLO v3算法提高了24%。

發(fā)表于：2022/7/1

面向城市数字孪生的多尺度三维建模方法研究[其他][其他]

城市三维模型作为城市物理实体的立体可视化表达，是连接物理空间与数字空间的桥梁，也是实现城市数字孪生的关键基础。对当前城市数字化三维重建技术及应用进行研究，从不同尺度的三维建模方法出发，对“天空地室元”多尺度全要素建模方法进行总结，并分析数字孪生城市三维重建面临的挑战和趋势。

發(fā)表于：2022/7/1

卫星通信链路上/下行及单/双通道计算方法研究[其他][航空航天]

针对卫星X波段通信系统链路设计需求，详细研究了传输过程中的各项损耗、干扰及系统指标和特性，提出了卫星通信系统的上、下行及单、双通道情况下的多种链路计算方法，并通过实际示例验证该计算模型的可行性。该计算方法模型可用于卫星通信系统的参数选择、信号质量链路能力的预测，对卫星通信系统的设计具有指导意义。

發(fā)表于：2022/7/1

基于轻量级密集神经网络的车载自组网入侵检测方法[通信与网络][汽车电子]

在车载自组网中，攻击者可以通过伪造、篡改消息等方式发布虚假交通信息，导致交通拥堵甚至是严重的交通事故，而传统的入侵检测方法不能满足车载自组网的应用需求。为了解决现阶段车载网中入侵检测方法性能低且存储与时间成本高的问题，提出了一种基于密集神经网络的入侵检测方法L-DenseNet(Light Dense Neural Network)，通过降低模型复杂性，提升算法训练速度和部署适应性，使其更适用于车载自组网中的入侵检测。在VeReMi数据集上进行对比实验，结果表明，该方法在识别各类攻击的精确率和召回率的综合表现最好，且具有较少的时间成本和存储开销。

發(fā)表于：2022/7/1

基于自校验孪生神经网络的故障区段定位方法[通信与网络][通信网络]

针对中压配电网区段定位方法所存在的由系统中性点接地方式、故障点距离和过渡电阻大小等环境因素，以及电流互感器极性未知或智能电表错误安装等人为因素所导致的定位不准确问题，提出一种平稳小波极性校验下基于孪生神经网络的故障区段定位方法。首先，分析了零序电流暂态特征，指出了传统线性相关法存在的定位缺陷；其次，使用平稳小波变换解决信号同步和设备反接的问题；最后引入孪生神经网络对故障点上下游信号进行相似性匹配，经训练该模型可以准确定位故障区段。通过仿真验证，该方法具有较强的抗干扰能力，对于定位盲区也有较高的识别率。

發(fā)表于：2022/7/1

基于表面扫描法的SiP器件近场电磁辐射测试方法[其他][其他]

在近场电磁辐射测试研究中，还没有一套完整的面向单个元器件的测试方法。针对此问题，基于表面扫描法对SiP器件的近场电磁辐射测试方法进行研究。第一，利用X光研究SiP器件内部结构并进行干扰源分析；第二，完成硬件、软件层搭建使器件进入工作状态；第三，搭建近场测试系统，对工作中的器件实施近场测试。在案例研究中，所用SiP器件内部封装外围器件和作为主要干扰源的处理器。近场测试结果显示，PCB上辐射主要集中在SiP器件周围，器件近场辐射集中在处理器芯片处。案例研究的结果说明这种测试方法可以有效测量SiP器件的近场电磁辐射，并对器件内干扰源进行分析。

發(fā)表于：2022/7/1

大摆幅输出的高速线性行波驱动器[其他][其他]

基于0.13 μm SiGe BiCMOS工艺设计了高速线性行波马赫-曾德尔调制器(Mach-Zehnder Modulators，MZM)驱动器。驱动器主要由三个部分组成，分别是输入级、输出级和直流消除(Direct Current Offset Compensation，DCOC)。输入级在差分对的发射极引入可变电容和可变电阻来实现增益可调的功能，在输出节点采用了并联电感峰化技术来提高带宽；输出级中采用了击穿电压倍增技术来获得大摆幅输出电压，以及采用了并联电感峰化技术来提高带宽；DCOC通过在行波MZM驱动器的输出和输入之间建立反馈以消除直流失调，并且采用了一阶低通滤波器以保证环路稳定。仿真结果显示，驱动器的增益可以在较大的范围内可调，DCOC环路的相位裕度高达82°，最高工作速率为100 Gb/s，输出Vpp约为4 V，可以很好地驱动行波MZM。

發(fā)表于：2022/7/1

C-R型多通道10 bit SAR-ADC设计[模拟设计][其他]

采用0.13 μm工艺，设计并实现了一款单端CR型分级的10 bit SAR-ADC。在设计中，CR型分级的采用显著降低了芯片面积，高5位的温度计码控制有效消除时钟溃通等误差，自举开关的设计提高了采样精度，前置放大器的高精度静态比较器有效降低失调、提升了转换精度。设计的ADC内核尺寸为580 μm×290 μm，后仿真结果显示，在采样率1 MS/s下，输入正弦信号200 kHz时，ENOB可达9.5位，EO=1 LSB。

發(fā)表于：2022/7/1

Yolo神经网络在集成电路焊盘布局规则检测上的应用研究[模拟设计][通信网络]

为探索深度学习在集成电路设计自动化上的应用，以电源和接地焊盘的排列规则作为检查案例，研究了Yolo v3神经网络在版图检查上的可行性。采用Python脚本批量生成版图样本图片，并使用LabelImg进行标签标记。使用TensorFlow框架编写了基于Yolo v3的版图检查器。结果显示，版图检查器在判断焊盘布局正确性上实现了高精确率与高召回率。此外，还通过调整版图的大小、形状、对称性与焊盘数目的方式对检查器进行了进一步测试。检查器仍表现卓越，体现出良好的扩展性。研究表明Yolo v3可以很好地找出焊盘布局的错误。深度学习在集成电路版图检查中的潜力大，值得继续探索。

發(fā)表于：2022/7/1

基于SiP技术的某分组件及测试系统设计与实现[模拟设计][工业自动化]

系统级封装SiP已成为突破摩尔定律的主要技术路线，是未来武器装备小型化和多功能化的重要依托，在武器装备研制和应用领域具有广阔的市场和前景。针对区域信号目标识别系统轻量化、小型化、集成化、低功耗等要求，设计一种基于SiP技术的某分组件并为此开发一套自动化测试系统，通过该自动化测试系统对200多套产品进行试验，得出该产品性能稳定、可靠；轻量化、小型化、低功耗等要求也满足客户要求。

發(fā)表于：2022/7/1

基于YOLOv3-tiny的视频监控目标检测算法[其他][其他]

目标检测算法在视频监控领域有着较大的实用价值。针对当前在资源受限的视频监控系统中实现实时目标检测较为困难的情况，提出了一种基于YOLOv3-tiny改进的目标检测算法。该算法在YOLOv3-tiny架构的基础之上，通过添加特征重用来优化骨干网络结构，并提出全连接注意力混合模块来学习到更丰富的空间信息，更适合资源约束条件下的目标检测。实验数据表明，该算法相比于YOLOv3-tiny在模型体积降低39.2%，参数量降低39.8%，且在VOC数据集上提高了2.7%的mAP，在提高检测精度的同时显著降低了模型资源占用。

發(fā)表于：2022/7/1

基于YOLOv5l的囊型肝包虫病病灶检测研究[其他][医疗电子]

针对临床医生在诊断肝包虫病时需要通过个人经验判断囊型肝包虫病分型，研究基于目标检测算法的肝包虫病灶自动检测与分类模型，实现对肝包虫病超声影像的自动识别与分类。使用YOLOv5l模型作为囊型肝包虫病病灶目标检测的模型，利用本地肝包虫病超声影像数据集对网络模型进行训练。基于YOLOv5l模型与随机梯度下降算法(SGD)优化算法的肝包虫病病灶自动检测分类模型可以很好地对5种类型的病灶进行有效的检测，平均精度均值(mAP)为88.1%，经过测试，该模型的测试速度可达40 f/s。实验结果表明，基于YOLOv5l与SGD算法的肝包虫病病灶自动检测分类模型能够较好地识别病灶的具体位置，可以很好地辅助医生诊断肝包虫病。

發(fā)表于：2022/7/1