在线看片无码永久免费Av,中文字幕无码乱人伦

基于GPU的視頻SAR加速處理架構(gòu)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

視頻合成孔徑雷達(dá)（Video Synthetic Aperture Radar， ViSAR）可對(duì)目標(biāo)區(qū)域?qū)崿F(xiàn)動(dòng)態(tài)監(jiān)測(cè)，具備低時(shí)延、高分辨率的特點(diǎn)。高性能計(jì)算是ViSAR系統(tǒng)的關(guān)鍵技術(shù)。為滿足ViSAR系統(tǒng)的實(shí)時(shí)性要求，提出了一種基于圖形處理器（Graphics Processing Unit， GPU）的ViSAR成像方案。該方案將極坐標(biāo)格式算法（Polar Format Algorithm， PFA）部署到GPU上，使用并發(fā)流技術(shù)、異步并行技術(shù)等方法進(jìn)行優(yōu)化，并結(jié)合SAR成像的幀率與數(shù)據(jù)重疊率之間的關(guān)系，充分發(fā)揮GPU的計(jì)算性能。結(jié)果表明：本架構(gòu)處理單張尺寸大小為2 048×2 048的數(shù)據(jù)耗時(shí)0.17 s，較中央處理器（Central Processing Unit， CPU）平均加速32.8倍，有效解決了ViSAR系統(tǒng)的實(shí)時(shí)成像問(wèn)題。

發(fā)表于：6/24/2024

用于主動(dòng)學(xué)習(xí)的時(shí)序特征融合預(yù)測(cè)損失網(wǎng)絡(luò)[人工智能][工業(yè)自動(dòng)化]

通過(guò)主動(dòng)學(xué)習(xí)模型來(lái)選取最有價(jià)值的數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注是深度學(xué)習(xí)減少標(biāo)注數(shù)據(jù)量的一種方式。預(yù)測(cè)損失模型是一類與任務(wù)無(wú)關(guān)的主動(dòng)學(xué)習(xí)模型，該類模型在多個(gè)任務(wù)中都有不錯(cuò)的表現(xiàn)。但是這類模型均不是端到端的模型，不斷變化的輸入特征會(huì)導(dǎo)致?lián)p失預(yù)測(cè)網(wǎng)絡(luò)在訓(xùn)練時(shí)出現(xiàn)輸入偏差。提出了時(shí)序特征融合預(yù)測(cè)損失模型用于解決該模型的輸入偏差問(wèn)題。實(shí)驗(yàn)證明，提出的算法在各個(gè)任務(wù)中的性能與以往最先進(jìn)的算法相比，平均提升約1.5%，與原預(yù)測(cè)損失模型相比，平均提升5%。

發(fā)表于：6/24/2024

基于FPGA的LVDS多通道視頻流自動(dòng)校準(zhǔn)設(shè)計(jì)與實(shí)現(xiàn)[嵌入式技術(shù)][通信網(wǎng)絡(luò)]

基于Micro-LED產(chǎn)品系列，設(shè)計(jì)了一種基于FPGA的LVDS自動(dòng)校準(zhǔn)多通道視頻流傳輸系統(tǒng)。系統(tǒng)平臺(tái)外掛GSV2011解碼芯片，把解碼得到的2K@120 Hz/4K@60 Hz視頻流信號(hào)，通過(guò)自定義封裝為80 bit數(shù)據(jù)推送到LYDNT27001恒流源顯示驅(qū)動(dòng)芯片。系統(tǒng)中視頻流數(shù)據(jù)傳輸涉及多級(jí)FPGA芯片數(shù)據(jù)傳輸，使用LVDS低壓差分傳輸技術(shù)，在數(shù)據(jù)流傳輸過(guò)程中找到參考端和監(jiān)視端信號(hào)，從而去調(diào)節(jié)SerDes中數(shù)據(jù)位對(duì)齊和采樣穩(wěn)定性的問(wèn)題。該系統(tǒng)視頻流數(shù)據(jù)通過(guò)LVDS多通道傳輸，傳輸速率可達(dá)10 Gb/s。此試驗(yàn)工程表明，該系統(tǒng)能夠穩(wěn)定、可靠、高效工作，具備一定的工程實(shí)用價(jià)值。

發(fā)表于：6/24/2024

ɑFA：一種基于非信任字符比較的高性能正則表達(dá)式匹配算法[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

正則表達(dá)式匹配技術(shù)在數(shù)據(jù)治理、解析提取和深度包檢測(cè)方面有著重大應(yīng)用價(jià)值。然而，由于其在通用平臺(tái)上的匹配性能較低，無(wú)法滿足實(shí)際環(huán)境下數(shù)據(jù)實(shí)時(shí)處理的應(yīng)用需求，限制了其在高性能數(shù)據(jù)處理領(lǐng)域的應(yīng)用范圍。針對(duì)當(dāng)前正則表達(dá)式匹配性能較低的問(wèn)題，提出一種基于非信任字符比較的高性能正則表達(dá)式匹配算法，稱之為ɑFA。該算法通過(guò)每次判斷連續(xù)的若干個(gè)字符是否屬于最常被訪問(wèn)狀態(tài)的非信任字符集，獲取無(wú)需通過(guò)DFA匹配可直接跳過(guò)的字符數(shù)，減少字符匹配過(guò)程中訪問(wèn)內(nèi)存DFA狀態(tài)轉(zhuǎn)移表的次數(shù)，從而實(shí)現(xiàn)字符匹配的加速處理。實(shí)驗(yàn)結(jié)果表明，ɑFA算法可獲得相比于原始DFA匹配算法約為1.05~7.58倍的性能加速比。

發(fā)表于：6/24/2024

基于Kubernetes的調(diào)度算法綜述[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

在云計(jì)算領(lǐng)域，資源管理和任務(wù)調(diào)度的優(yōu)化對(duì)提升系統(tǒng)效率和資源利用率至關(guān)重要。Kubernetes（K8S）作為業(yè)界領(lǐng)先的容器編排工具，致力于應(yīng)用程序容器的自動(dòng)化部署、擴(kuò)展和管理，其核心優(yōu)勢(shì)之一在于利用高效的調(diào)度算法實(shí)現(xiàn)容器的跨集群部署與執(zhí)行，這一策略在提高應(yīng)用系統(tǒng)可移植性、安全性、優(yōu)化資源利用和集成部署方面發(fā)揮了重要作用，使其能夠更加敏捷高效地應(yīng)對(duì)不斷變化的業(yè)務(wù)需求。鑒于此，有關(guān)于K8S的調(diào)度算法成為了業(yè)界研究的熱點(diǎn)，全面調(diào)研和分析了K8S相關(guān)的調(diào)度算法及其在不同應(yīng)用領(lǐng)域中的實(shí)際表現(xiàn)，特別關(guān)注三個(gè)領(lǐng)域：通用調(diào)度算法的改進(jìn)、面向人工智能的調(diào)度策略以及基于彈性伸縮的調(diào)度技術(shù)。最后通過(guò)綜合分析，揭示當(dāng)前研究的不足之處和未來(lái)研究中亟待解決的問(wèn)題，為進(jìn)一步優(yōu)化K8S的調(diào)度算法提供借鑒和參考。

發(fā)表于：6/24/2024

神經(jīng)形態(tài)計(jì)算器件和陣列測(cè)試解決方案[人工智能][醫(yī)療電子]

　　神經(jīng)形態(tài)計(jì)算是一種新型的計(jì)算范式，它模仿生物神經(jīng)網(wǎng)絡(luò)（如人腦）的結(jié)構(gòu)和功能以在為人工智能、機(jī)器學(xué)習(xí)、機(jī)器人和感官處理等各種應(yīng)用實(shí)現(xiàn)高性能、低功耗和自適應(yīng)學(xué)習(xí)能力。

發(fā)表于：6/24/2024

Saab UK 為深?？碧綄?shí)現(xiàn)創(chuàng)新，降低潛水員及環(huán)境風(fēng)險(xiǎn)[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

不到兩年前，兩個(gè) Saab 遙控水下機(jī)器人 (ROV) 下潛 3000 多米，進(jìn)入寒冷的南極水域，尋找于1915 年沉沒(méi)的歐內(nèi)斯特·沙克爾頓爵士的“耐力號(hào)”船。這位英國(guó)探險(xiǎn)家的故事是一段具有無(wú)畏的領(lǐng)導(dǎo)力和毅力的傳奇。本次任務(wù)的成功離不開 Saab Seaeye ROV，它使用先進(jìn)的技術(shù)對(duì)殘骸進(jìn)行定位、檢察和拍攝，無(wú)需再由人類來(lái)執(zhí)行這種危險(xiǎn)的深海探測(cè)。

發(fā)表于：6/20/2024

利用精密信號(hào)鏈μModule解決方案簡(jiǎn)化設(shè)計(jì)、提高性能并節(jié)省寶貴時(shí)間[通信與網(wǎng)絡(luò)][工業(yè)自動(dòng)化]

　　摘要　　ADI公司的精密信號(hào)鏈μModule?解決方案為系統(tǒng)設(shè)計(jì)人員提供外形緊湊且高度可定制的集成解決方案，以簡(jiǎn)化設(shè)計(jì)、提高性能并節(jié)省寶貴的開發(fā)時(shí)間1。這有助于幫助客戶讓性能出色的產(chǎn)品更快地進(jìn)入市場(chǎng)，從而獲得巨大優(yōu)勢(shì)。

發(fā)表于：6/20/2024

SDV-SOA-SOSA工程師眼中的軟件定義汽車[模擬設(shè)計(jì)][汽車電子]

SDV-SOA-SOSA工程師眼中的軟件定義汽車

發(fā)表于：6/20/2024

一文了解SiC MOS的應(yīng)用[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

SiC MOS，碳化硅MOSFET，世輝，基本半導(dǎo)體

發(fā)表于：6/19/2024

機(jī)器人新紀(jì)元：邊緣處理、電源、傳感器與通信突破[人工智能][物聯(lián)網(wǎng)]

　　隨著傳感器和電子器件技術(shù)的突飛猛進(jìn)，移動(dòng)機(jī)器人領(lǐng)域正在快速發(fā)展。工程師們通過(guò)融合新技術(shù)，推動(dòng)了移動(dòng)機(jī)器人生態(tài)系統(tǒng)在多個(gè)層面的持續(xù)演進(jìn)。以下重要發(fā)展趨勢(shì)驅(qū)動(dòng)著處理、電源、傳感器以及通信領(lǐng)域的革新。

發(fā)表于：6/17/2024

電驅(qū)逆變器SiC功率模塊芯片級(jí)熱分析[電源技術(shù)][汽車電子]

　　摘要：本文提出一個(gè)用尺寸緊湊、高成本效益的DC/AC逆變器分析碳化硅功率模塊內(nèi)并聯(lián)裸片之間的熱失衡問(wèn)題的解決方案，該分析方法是采用紅外熱像儀直接測(cè)量每顆裸片在連續(xù)工作時(shí)的溫度，分析兩個(gè)電驅(qū)逆變模塊驗(yàn)證，該測(cè)溫系統(tǒng)的驗(yàn)證方法是，根據(jù)柵源電壓閾值選擇每個(gè)模塊內(nèi)的裸片。我們將從實(shí)驗(yàn)數(shù)據(jù)中提取一個(gè)數(shù)學(xué)模型，根據(jù)Vth 選擇標(biāo)準(zhǔn)，預(yù)測(cè)當(dāng)逆變器工作在電動(dòng)汽車常用的電壓和功率范圍內(nèi)時(shí)的熱不平衡現(xiàn)象。此外，我們還能夠延長(zhǎng)測(cè)試時(shí)間，以便分析在電動(dòng)汽車生命周期典型電流負(fù)荷下的芯片行為。測(cè)試結(jié)果表明，根據(jù)閾壓為模塊選擇適合的裸片可以優(yōu)化散熱性能，減少熱失衡現(xiàn)象。

發(fā)表于：6/17/2024

采用創(chuàng)新的FPGA 器件來(lái)實(shí)現(xiàn)更經(jīng)濟(jì)且更高能效的大模型推理解決方案[人工智能][數(shù)據(jù)中心]

　　摘要：本文根據(jù)完整的基準(zhǔn)測(cè)試，將Achronix Semiconductor公司推出的Speedster7t FPGA與GPU解決方案進(jìn)行比較，在運(yùn)行同一個(gè)Llama2 70B參數(shù)模型時(shí)，該項(xiàng)基于FPGA的解決方案實(shí)現(xiàn)了超越性的LLM推理處理。

發(fā)表于：6/17/2024

如何為保健醫(yī)療設(shè)備設(shè)計(jì)選擇合適的電池[電源技術(shù)][醫(yī)療電子]

　　摘要　　電池的化學(xué)組成和外形尺寸多種多樣，因此對(duì)于具體應(yīng)用，很難確定如何選擇合適的電池。本文將介紹不同的標(biāo)準(zhǔn)，旨在幫助工程師選擇適合其使用場(chǎng)景的電池。此外，本文還將討論目前市場(chǎng)上常見的五種原電池化學(xué)組成及其可能適合的應(yīng)用領(lǐng)域。本文將主要討論醫(yī)療健康應(yīng)用，并提供采用原電池的各種不同產(chǎn)品的適用指南。

發(fā)表于：6/17/2024

構(gòu)建軟件定義汽車的八項(xiàng)關(guān)鍵能力[模擬設(shè)計(jì)][汽車電子]

構(gòu)建軟件定義汽車的八項(xiàng)關(guān)鍵能力

發(fā)表于：6/13/2024