123,123,123

基于場路耦合的反激變換器板級輻射研究[電源技術(shù)][其他]

輻射干擾問題是制約電源產(chǎn)品高頻化、小型化的因素之一?；趫雎否詈系姆抡嫠悸?，建立MOSFET的電磁場有限元模型和高頻變壓器的等效高頻電路模型。結(jié)合從SIwave電磁仿真軟件中提取的PCB網(wǎng)絡(luò)參數(shù)，對一款5 W輸出的反激變換器的板級輻射干擾進(jìn)行聯(lián)合仿真，并對比了兩種高頻變壓器模型對遠(yuǎn)場仿真結(jié)果的影響。實(shí)驗結(jié)果表明，在230 MHz以內(nèi)的頻段3 m遠(yuǎn)場仿真超標(biāo)頻點(diǎn)與實(shí)測吻合，驗證了該仿真方法的正確性，且簡化的變壓器二電容模型具有更寬頻帶的適用性；所得到的近場電磁場分布表明MOSFET和變壓器副邊的整流二極管是主要的輻射源。

發(fā)表于：2021/7/5 16:02:00

采用平面分柵結(jié)構(gòu)的高增益寬帶射頻VDMOS研制[微波|射頻][其他]

硅基射頻場效應(yīng)晶體管具有線性度好、驅(qū)動電路簡單、開關(guān)速度快、熱穩(wěn)定性好、沒有二次擊穿等優(yōu)點(diǎn)，在HF、VHF和UHF波段具有廣闊的應(yīng)用前景。針對射頻場效應(yīng)晶體管寬帶、高增益和高效率的應(yīng)用需求，基于標(biāo)準(zhǔn)平面MOS工藝，采用平面分柵(split gate)結(jié)構(gòu)，通過優(yōu)化結(jié)構(gòu)和工藝參數(shù)研制出一款工作電壓為28 V的硅基射頻垂直雙擴(kuò)散金屬氧化物半導(dǎo)體場效應(yīng)晶體管(VDMOS)。該器件在30~90 MHz頻段范圍內(nèi)，小信號增益大于19 dB，在60 MHz頻點(diǎn)下連續(xù)波輸出功率可以達(dá)到87 W，功率附加效率達(dá)72.4 %，具有優(yōu)異的射頻性能。

發(fā)表于：2021/7/5 15:57:00

基于SEIR模型的復(fù)雜網(wǎng)絡(luò)上的動態(tài)隔離措施研究[其他][其他]

在尚未研發(fā)出有效疫苗前，對潛在感染者和易感者的隔離對于流行病控制而言具有十分重要的意義。研究采用潛伏者具有傳染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出兩種動態(tài)隔離方法：一是在掌握網(wǎng)絡(luò)全局信息時，計算候選隔離對象一階鄰居的有效度、介數(shù)、距離確診者節(jié)點(diǎn)的路徑長度之和，把三者乘積作為其權(quán)重；二是在僅有節(jié)點(diǎn)局域信息時，將候選隔離對象的有效邊數(shù)和相鄰感染節(jié)點(diǎn)數(shù)的同趨化之和作為其權(quán)重。仿真實(shí)驗表明，隔離容量為1%～10%時，優(yōu)先隔離借助全局信息識別出的高權(quán)重節(jié)點(diǎn)可使90%以上節(jié)點(diǎn)免受感染，優(yōu)先隔離借助局域信息識別出的高權(quán)重節(jié)點(diǎn)可使70%以上節(jié)點(diǎn)免受感染，從而達(dá)到抑制疾病傳播的目的。

發(fā)表于：2021/6/10 16:00:02

基于NOR Flash的存算一體模擬乘加電路設(shè)計[其他][其他]

提出一種基于NOR Flash的存算一體模擬乘加電路以及相應(yīng)的偏置電路，運(yùn)用NOR Flash工作于深線性區(qū)的I-V特性，實(shí)現(xiàn)模擬乘累加運(yùn)算。通過將同一位線、不同字線的兩個浮柵管上電流相減，實(shí)現(xiàn)其閾值電壓差值與漏源電壓的乘法運(yùn)算。同時將同一字線、不同位線的浮柵管電流相加，實(shí)現(xiàn)乘法結(jié)果的加法運(yùn)算。給出電路使NOR Flash位線電流相加、字線電流相減，將運(yùn)算結(jié)果以偽差分的形式輸出，仿真結(jié)果表明電路可以實(shí)現(xiàn)存算一體的模擬乘累加運(yùn)算。

發(fā)表于：2021/6/10 15:48:24

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設(shè)計[其他][其他]

基于壓控振蕩器(VCO)結(jié)構(gòu)的比較器，提出了一種二階噪聲整形逐次逼近型(NS-SAR)模數(shù)轉(zhuǎn)換器(ADC)。首先采用對電源電壓敏感度較低且噪聲性能更優(yōu)越的VCO比較器，隨后通過動態(tài)放大器優(yōu)化噪聲傳遞函數(shù)的零極點(diǎn)，最后通過噪聲整形結(jié)構(gòu)抑制信號帶內(nèi)噪聲。基于180 nm CMOS 工藝，設(shè)計了一款12位20 MS/s NS-SAR ADC。仿真結(jié)果表明，在1.3 V電源電壓下，功耗為1.12 mW，過采樣率（OSR）為8時，信號噪聲失真比(SNDR)為72.7 dB，無雜散動態(tài)范圍(SFDR)為88 dB，優(yōu)值(FoMs)為163 dB；并且在1.3～1.8 V電源電壓范圍內(nèi)，其有效位數(shù)(ENOB)>11.7 bit。

發(fā)表于：2021/6/10 15:43:42

一種基于實(shí)例分割和點(diǎn)云配準(zhǔn)的六維位姿估計方法[其他][其他]

本文提出一種基于Mask R-CNN實(shí)例分割網(wǎng)絡(luò)和Super4PCS點(diǎn)云配準(zhǔn)算法來估計物體六維姿態(tài)的方法。通過目標(biāo)點(diǎn)云與已知位姿的參考點(diǎn)云進(jìn)行配準(zhǔn)，可以獲取目標(biāo)的六維姿態(tài)。但實(shí)際中往往采用三維設(shè)備掃描目標(biāo)的整體環(huán)境，生成的點(diǎn)云數(shù)量龐大，直接作為源點(diǎn)云與參考點(diǎn)云配準(zhǔn)時，會由于候選集較多從而導(dǎo)致運(yùn)算時間太長，因此本文先對目標(biāo)實(shí)例分割處理后再配準(zhǔn)：首先，利用深度相機(jī)獲取整體環(huán)境的RGB-D圖，其次利用Mask R-CNN模型將把目標(biāo)分割出來，并將分割的目標(biāo)RGB-D圖轉(zhuǎn)化為點(diǎn)云圖，利用Super4PCS點(diǎn)云配準(zhǔn)算法與參考點(diǎn)云進(jìn)行配準(zhǔn)，最終得到目標(biāo)的六維位姿。在自制作的數(shù)據(jù)集上進(jìn)行了驗證，對比分割前后的四組實(shí)驗，時間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：2021/6/10 15:33:45

基于單階段GANs的文本生成圖像模型[其他][其他]

針對目前生成以文本為條件的圖像通常會遇到生成質(zhì)量差、訓(xùn)練不穩(wěn)定的問題，提出了通過單階段生成對抗網(wǎng)絡(luò)(GANs)生成高質(zhì)量圖像的模型。具體而言，在GANs的生成器中引入注意力機(jī)制生成細(xì)粒度的圖像，同時通過在判別器中添加局部-全局語言表示，來精準(zhǔn)地鑒別生成圖像和真實(shí)圖像；通過生成器和判別器之間的相互博弈，最終生成高質(zhì)量圖像。在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗結(jié)果表明，與具有多階段框架的最新模型相比，該模型生成的圖像更加真實(shí)且取得了當(dāng)前最高的IS值，能夠較好地應(yīng)用于通過文本描述生成圖像的場景。

發(fā)表于：2021/6/10 15:20:13

聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法[其他][其他]

目前深度強(qiáng)化學(xué)習(xí)算法已經(jīng)可以解決許多復(fù)雜的任務(wù)，然而如何平衡探索和利用的關(guān)系仍然是強(qiáng)化學(xué)習(xí)領(lǐng)域的一個基本的難題，為此提出一種聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法。該方法利用隨機(jī)性策略具有探索能力的特點(diǎn)，用隨機(jī)性策略生成的經(jīng)驗樣本訓(xùn)練確定性策略，鼓勵確定性策略在保持自身優(yōu)勢的前提下學(xué)會探索。通過結(jié)合確定性策略算法DDPG和提出的探索方法，得到基于隨機(jī)性策略指導(dǎo)的確定性策略梯度算法(SGDPG)。在多個復(fù)雜環(huán)境下的實(shí)驗表明，面對探索問題，SGDPG的探索效率和樣本利用率要優(yōu)于DDPG算法。

發(fā)表于：2021/6/10 15:15:53

基于浮柵器件的低位寬卷積神經(jīng)網(wǎng)絡(luò)研究[其他][其他]

浮柵器件(Flash)能夠?qū)⒋鎯陀嬎愕奶匦韵嘟Y(jié)合，實(shí)現(xiàn)存算一體化，但是單個浮柵單元最多只能存儲位寬為4 bit的數(shù)據(jù)。面向Nor Flash，研究了卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的低位寬量化，對經(jīng)典的AlexNet、VGGNet以及ResNet通過量化感知訓(xùn)練。采用非對稱量化，將模型參數(shù)從32位浮點(diǎn)數(shù)量化至4位定點(diǎn)數(shù)，模型大小變?yōu)樵瓉淼?/8，針對Cifar10數(shù)據(jù)集，4位量化模型的準(zhǔn)確率相對于全精度網(wǎng)絡(luò)僅下降不到2%。最后將量化完成的卷積神經(jīng)網(wǎng)絡(luò)模型使用Nor Flash陣列加速。Hspice仿真結(jié)果表明，相對于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗證了卷積神經(jīng)網(wǎng)絡(luò)部署在Nor Flash上的可行性。

發(fā)表于：2021/6/10 15:08:15

融合外觀特征的行人重識別方法[其他][其他]

針對行人重識別中由于姿勢變化、視角改變、遮擋等引起的識別率不高的問題，提出了融合外觀特征的行人重識別方法。該方法通過兩個網(wǎng)絡(luò)分支的設(shè)計，分別提取行人的全局特征和局部特征，二者融合后得到行人的外觀特征。同時結(jié)合分類損失和度量學(xué)習(xí)損失，通過多任務(wù)學(xué)習(xí)策略對兩個網(wǎng)絡(luò)分支進(jìn)行模型優(yōu)化。此外，該模型設(shè)計了隨機(jī)擦除算法，在數(shù)據(jù)集中加入噪聲，增強(qiáng)模型的魯棒性。實(shí)驗結(jié)果表明：融合外觀特征的行人重識別方法大大提高了行人重識別的準(zhǔn)確率，在Market-1501數(shù)據(jù)集上rank1達(dá)到了92.82%、mAP 達(dá)到了80.51%，在DukeMTMC-reID數(shù)據(jù)集上rank1達(dá)到了85.06%、mAP達(dá)到了72.72%。

發(fā)表于：2021/6/10 15:04:00