123,123

B5G/6G通信的IRS技術(shù)綜述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

智能反射面(IRS)技術(shù)可以顯著增強(qiáng)信號(hào)的覆蓋范圍，是B5G/6G的關(guān)鍵技術(shù)之一。針對(duì)IRS的當(dāng)前理論研究中的關(guān)鍵技術(shù)，重點(diǎn)介紹信道估計(jì)、波束管理以及IRS輔助的NOMA、物理層安全增強(qiáng)方面的研究進(jìn)展，同時(shí)給出了未來的研究方向。

發(fā)表于：2021/6/1 16:05:00

基于群組層次分析法的DNS安全狀態(tài)多級(jí)評(píng)估[其他][其他]

提出一種基于群組層次分析法的多級(jí)評(píng)估體系，全面考察當(dāng)下主流的DNSSEC、惡意域名過濾等DNS安全策略以及系統(tǒng)容災(zāi)部署方式、配置界面容錯(cuò)性等指標(biāo)對(duì)于DNS系統(tǒng)安全性的影響，具備監(jiān)測(cè)項(xiàng)廣泛的優(yōu)點(diǎn)?；谌航M層次分析法，設(shè)置各級(jí)指標(biāo)的權(quán)重系數(shù)，得到量化的安全狀態(tài)綜合指標(biāo)，有效評(píng)估以不同形式搭建的DNS系統(tǒng)的安全狀態(tài)。以某電力公司DNS系統(tǒng)改造實(shí)例說明該方法的應(yīng)用過程及評(píng)估結(jié)果，為DNS服務(wù)相關(guān)的改造項(xiàng)目提供可行性論證。

發(fā)表于：2021/5/13 16:29:49

基于顏色分割的發(fā)票識(shí)別與自校正系統(tǒng)研究[其他][其他]

傳統(tǒng)基于二值圖像的框線特征提取信息的票據(jù)識(shí)別技術(shù)，其結(jié)果存在一定的差錯(cuò)率，針對(duì)此問題，提出了基于顏色分割的發(fā)票識(shí)別與驗(yàn)證系統(tǒng)。通過顏色分割和版式分析，將文字區(qū)域、二維碼及圖章等不同區(qū)域進(jìn)行分割，分區(qū)域進(jìn)行識(shí)別處理后，對(duì)發(fā)票關(guān)鍵信息進(jìn)行比對(duì)驗(yàn)證。與傳統(tǒng)的票據(jù)識(shí)別技術(shù)相比，該系統(tǒng)不僅可以完成發(fā)票自動(dòng)識(shí)別，還可以結(jié)合二維碼信息進(jìn)行自我驗(yàn)證，提高了發(fā)票識(shí)別信息的準(zhǔn)確性和完整性。

發(fā)表于：2021/5/13 16:14:10

一種資源受限環(huán)境下的軟件負(fù)載均衡策略[其他][其他]

現(xiàn)有的以Web Service為主的SOA實(shí)現(xiàn)方案普遍存在占用通信帶寬高、信息編碼不適應(yīng)窄帶消息傳遞效率等問題，難以適應(yīng)戰(zhàn)術(shù)級(jí)作戰(zhàn)部隊(duì)高速機(jī)動(dòng)、窄帶網(wǎng)絡(luò)、資源受限的作戰(zhàn)特點(diǎn)。針對(duì)戰(zhàn)術(shù)級(jí)作戰(zhàn)信息系統(tǒng)在資源受限環(huán)境下實(shí)現(xiàn)服務(wù)化的需要，結(jié)合資源受限環(huán)境特點(diǎn)，分析現(xiàn)有負(fù)載均衡算法存在的不足，基于最小連接算法提出了一種動(dòng)態(tài)權(quán)值分配算法。經(jīng)過實(shí)驗(yàn)證明，該算法可有效提高資源受限下的高并發(fā)負(fù)載能力。

發(fā)表于：2021/5/13 15:42:05

一種高耐壓SPST天線調(diào)諧開關(guān)設(shè)計(jì)[其他][其他]

設(shè)計(jì)實(shí)現(xiàn)了一款高耐壓?jiǎn)蔚秵螖S天線調(diào)諧開關(guān)，用于Sub-6 GHz的天線孔徑調(diào)諧、阻抗調(diào)諧以及寬帶開關(guān)。設(shè)計(jì)采用串-并聯(lián)和體區(qū)自適應(yīng)偏置結(jié)構(gòu)，兼顧插入損耗和隔離度；此外基于傳統(tǒng)的堆疊結(jié)構(gòu)進(jìn)行改進(jìn)，通過設(shè)計(jì)各級(jí)晶體管的尺寸不均勻，極大程度地提高了開關(guān)并聯(lián)支路承受電壓的能力；通過采用兩級(jí)偏置網(wǎng)絡(luò)，減小了柵端和體端的泄露從而削弱關(guān)斷狀態(tài)下寄生電容不等效應(yīng)，最終實(shí)現(xiàn)支路電壓耐受能力的提高。所提出的設(shè)計(jì)采用130 nm SOI CMOS工藝，仿真結(jié)果表明工作頻率為0.1 GHz~5 GHz，導(dǎo)通電阻為1.24 Ω，關(guān)斷電容為112 fF，插入損耗為0.14~0.48 dB，隔離度帶內(nèi)大于30 dB，電壓承受能力大于60 V。

發(fā)表于：2021/5/13 15:37:31

基于分層信息過濾的生成式文本摘要模型[其他][其他]

文本摘要模型的輸入數(shù)據(jù)中通常包含被視為噪聲的冗余信息，對(duì)輸入數(shù)據(jù)中的噪聲進(jìn)行過濾可以提高摘要模型的表現(xiàn)。提出了基于動(dòng)態(tài)路由指導(dǎo)的分層信息過濾(Dynamic Routing Based Hierarchical Information Filtering，DRBHIF)層，該層首先通過動(dòng)態(tài)路由模塊根據(jù)編碼器的輸出動(dòng)態(tài)地計(jì)算全局向量，然后根據(jù)全局向量從詞層面和語義層面對(duì)輸入文本中的噪聲進(jìn)行過濾。具體來說，首先通過全局向量和編碼器的輸出從詞層面上對(duì)原文中的關(guān)鍵字進(jìn)行選擇，然后通過雙門語義噪聲過濾算法在語義層面上進(jìn)行噪聲過濾。在Gigaword和CNN/Daily Mail兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，DRBHIF能夠有效地對(duì)輸入文本中的噪聲進(jìn)行過濾，并且能提升摘要模型的表現(xiàn)。

發(fā)表于：2021/5/13 15:26:00

基于距離正則化的單視圖三維重建[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)從一張物體有限的二維RGB圖像信息中還原物體的三維形狀信息，提出了基于距離正則化的單視圖三維重建。利用二維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)設(shè)計(jì)圖像編碼器和三維卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)殘差塊，再利用殘差塊為基礎(chǔ)設(shè)計(jì)三維形狀生成器,即三維殘差生成器。給定一張物體的二維RGB圖像，首先使用圖像編碼器提取RGB圖像的語義信息；然后，三維形狀生成器使用語義信息，恢復(fù)RGB圖像中物體的三維形狀信息。同時(shí)，提出了距離規(guī)則化損失，在訓(xùn)練過程中，保證三維物體形狀重建質(zhì)量。實(shí)驗(yàn)結(jié)果顯示，本方法在交并比(Intersection over Union，IoU)評(píng)價(jià)指標(biāo)上超過了之前最好的方法。

發(fā)表于：2021/5/13 15:07:52

基于AE-SVM的嗅覺描述符分類[其他][其他]

嗅覺產(chǎn)生于人們對(duì)化學(xué)物質(zhì)氣味的感知。然而，由于氣味的復(fù)雜性，人們至今還難以理清嗅覺描述符和各種物理化學(xué)參數(shù)之間的映射關(guān)系。因此，沒有建立起根據(jù)物理化學(xué)特性來預(yù)測(cè)化學(xué)物質(zhì)的氣味描述的通用方法。設(shè)計(jì)了一種基于AE-SVM(Autoencoder- Support Vector Networks，AE-SVM)的預(yù)測(cè)模型，該模型使用自動(dòng)編碼器提取質(zhì)譜數(shù)據(jù)的特征，解決質(zhì)譜數(shù)據(jù)高維稀疏的問題，并用支持向量機(jī)進(jìn)行分類。結(jié)果表明，AE-SVM利用化學(xué)物質(zhì)的質(zhì)譜數(shù)據(jù)成功預(yù)測(cè)嗅覺描述符，并且準(zhǔn)確度達(dá)到85.71%，對(duì)于理解化學(xué)物質(zhì)和嗅覺描述符之間映射關(guān)系具有較為重要意義。

發(fā)表于：2021/5/13 14:55:00

基于實(shí)時(shí)數(shù)據(jù)流特征提取的設(shè)備能耗異常識(shí)別算法研究[其他][其他]

能耗設(shè)備的節(jié)能是企業(yè)節(jié)能減排中非常重要的一環(huán)，及時(shí)發(fā)現(xiàn)能耗設(shè)備運(yùn)行中出現(xiàn)的異常，對(duì)減少不必要的企業(yè)能耗具有重要意義。利用采集到的設(shè)備實(shí)時(shí)能耗數(shù)據(jù)流，提出了一種基于多特征提取的設(shè)備能耗異常識(shí)別分類方法。首先，對(duì)樣本數(shù)據(jù)提取了低能耗時(shí)間比、高能耗時(shí)間量、DTW距離等特征量，隨后利用孤立森林算法和K-means聚類算法對(duì)每條樣本數(shù)據(jù)進(jìn)行類型標(biāo)定，最后構(gòu)建了注意力機(jī)制與LSTM相結(jié)合的設(shè)備能耗異常分類算法。實(shí)驗(yàn)結(jié)果表明，該算法的分類正確率達(dá)到了97.76%，可以高效識(shí)別出不同類型的設(shè)備能耗異常，從而為企業(yè)及時(shí)作出處理、減少能耗損失提供了決策依據(jù)。

發(fā)表于：2021/5/13 14:49:21

基于NSST和NLMF的多聚焦圖像融合[其他][其他]

為對(duì)融合圖像的信息豐富度、邊緣清晰度以及視覺效果作進(jìn)一步的提升，設(shè)計(jì)了一種基于非下采樣剪切波變換(NSST)結(jié)合非局部均值濾波(NLMF)的多聚焦圖像融合算法。首先，將源圖像通過NSST變換進(jìn)行多尺度、多方向分解得到高、低頻子帶系數(shù)。其次，對(duì)低頻子帶系數(shù)采用局部區(qū)域的改進(jìn)拉普拉斯能量和以及非局部均值濾波融合方法構(gòu)建低頻子帶系數(shù)融合權(quán)重;對(duì)高頻子帶系數(shù)采用基于相關(guān)系數(shù)的空間頻率與能量相結(jié)合的融合規(guī)則，再加以相位一致性規(guī)則，構(gòu)建高頻子帶系數(shù)融合權(quán)重；最后，通過NSST反變換得到最終融合圖像。從三組不同聚焦圖像的實(shí)驗(yàn)結(jié)果來看，所提算法不論是在主觀視覺上，還是在客觀評(píng)價(jià)上，融合圖像的輪廓、紋理等信息保留度以及視覺清晰度都有較好的提升。

發(fā)表于：2021/5/13 14:39:41