国产线视频精品免费观看视频,黄污在线观看,免费人成黄页在线观看忧物

在電壓反饋(VFB)和電流反饋(CFB)運(yùn)算放大器之間選擇[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

電流反饋和電壓反饋具有不同的應(yīng)用優(yōu)勢。在很多應(yīng)用中，CFB和VFB的差異并不明顯。當(dāng)今的許多高速CFB和VFB放大器在性能上不相上下，但各有其優(yōu)缺點(diǎn)。本指南將考察與這兩種拓?fù)浣Y(jié)構(gòu)相關(guān)的重要考慮因素。

發(fā)表于：6/20/2021

IoTConnect平臺(tái)：解鎖數(shù)據(jù)的潛能[模擬設(shè)計(jì)][物聯(lián)網(wǎng)]

據(jù)IHS分析師的預(yù)計(jì)，未來十年中，全球物聯(lián)網(wǎng)設(shè)備的數(shù)量將以每年12%的速度增長，到2030年預(yù)計(jì)總數(shù)將達(dá)到1250億臺(tái)。如此海量的聯(lián)網(wǎng)設(shè)備，其最核心的工作之一就是“生產(chǎn)”數(shù)據(jù)。

發(fā)表于：6/20/2021

漏電流 AN-113[其他][其他]

漏電流是流經(jīng)保護(hù)接地導(dǎo)體到大地的電流。在沒有接地連接的情況下，如果存在導(dǎo)電路徑（例如人體），則電流可以從任何導(dǎo)電部件或非導(dǎo)電部件的表面通過人體流到地面。

發(fā)表于：6/18/2021

以太網(wǎng)用于運(yùn)動(dòng)控制的三個(gè)原因[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

就運(yùn)動(dòng)控制而言，以太網(wǎng)、現(xiàn)場總線以及其他技術(shù)（如外圍組件互連）歷來都是相互競爭的，用以在工業(yè)自動(dòng)化和控制系統(tǒng)中獲得對一些最苛刻要求的工作負(fù)載的處理權(quán)限。運(yùn)動(dòng)控制應(yīng)用要求確定性（保證網(wǎng)絡(luò)能夠及時(shí)將工作負(fù)載傳送至預(yù)定的節(jié)點(diǎn)），這是確保位置保持所必需的，這進(jìn)而又將確保驅(qū)動(dòng)器的精確停止、適當(dāng)?shù)募铀?減速以及其他任務(wù)。

發(fā)表于：6/16/2021

TE 新品｜帶彈性插針的MAG-MATE端子，多層PCB板連接的理想解決方案[模擬設(shè)計(jì)][其他]

對于電機(jī)設(shè)計(jì)和制造商來說，在選擇材料的時(shí)候，性能、成本和可靠性，一個(gè)都不能少。于是在成本效益、重量和市場波動(dòng)性上，相比銅漆包線都更有優(yōu)勢的鋁漆包線，在近年脫穎而出。

發(fā)表于：6/16/2021

多通道RF到數(shù)據(jù)開發(fā)平臺(tái)助力相控陣原型開發(fā) [模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

ADI公司的高速轉(zhuǎn)換器在單芯片上集成了ADC、DAC和數(shù)字信號(hào)算法模塊。圖1所示的MxFE?四通道16位、12 GSPS RF DAC和四通道12位、4 GSPS RF ADC即是一個(gè)示例，包含4個(gè)ADC、4個(gè)DAC、多個(gè)數(shù)字上/下變頻器，以及數(shù)控振蕩器(NCO)和有限脈沖響應(yīng)(FIR)數(shù)字濾波器。DAC的采樣速率為12 GSPS，ADC的采樣速率為4 GSPS。模擬帶寬在S頻段內(nèi)提供直接采樣和波形生成，并進(jìn)入低C頻段。

發(fā)表于：6/15/2021

動(dòng)力電池測試必備解決方案[電源技術(shù)][其他]

動(dòng)力電池是新能源汽車的核心部件之一，它的安全性和穩(wěn)定性對于電動(dòng)汽車的動(dòng)力性能至關(guān)重要。CAN-bus通訊則在其中扮演著重要角色。那么，如何高效的完成動(dòng)力電池的充放電測試呢？

發(fā)表于：6/10/2021

基于SEIR模型的復(fù)雜網(wǎng)絡(luò)上的動(dòng)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(dòng)態(tài)隔離方法：一是在掌握網(wǎng)絡(luò)全局信息時(shí)，計(jì)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(shí)，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(yàn)表明，隔離容量為1%～10%時(shí)，優(yōu)先隔離借助全局信息識(shí)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(shí)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：6/10/2021

基于NOR Flash的存算一體模擬乘加電路設(shè)計(jì)[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(gè)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(shí)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：6/10/2021

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設(shè)計(jì)[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(dòng)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(hào)帶內(nèi)噪聲。基于180 nm CMOS 工藝，設(shè)計(jì)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(shí)，信號(hào)噪聲失真比(SNDR)為72.7 dB，無雜散動(dòng)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：6/10/2021

一種基于實(shí)例分割和點(diǎn)云配準(zhǔn)的六維位姿估計(jì)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(jì)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(shí)，會(huì)由于候選集較多從而導(dǎo)致運(yùn)算時(shí)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(yàn)證，對比分割前后的四組實(shí)驗(yàn)，時(shí)間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：6/10/2021

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(huì)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(shí)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(yàn)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：6/10/2021

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(gè)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(yàn)樣本訓(xùn)練確定性策略，鼓勵(lì)確定性策略在保持自身優(yōu)勢的前提下學(xué)會(huì)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(gè)復(fù)雜環(huán)境下的實(shí)驗(yàn)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：6/10/2021

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?chǔ)和計(jì)算的特性相結(jié)合，實(shí)現(xiàn)存算一體化，但是單個(gè)浮柵單元最多只能存儲(chǔ)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(yàn)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：6/10/2021

融合外觀特征的行人重識(shí)別方法[其他][其他]

針對行人重識(shí)別中由于姿勢變化、視角改變、遮擋等引起的識(shí)別率不高的問題，提出了融合外觀特征的行人重識(shí)別方法。該方法通過兩個(gè)網(wǎng)絡(luò)分支的設(shè)計(jì)，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(shí)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(gè)網(wǎng)絡(luò)分支進(jìn)行模型優(yōu)化。此外，該模型設(shè)計(jì)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(yàn)結(jié)果表明：融合外觀特征的行人重識(shí)別方法大大提高了行人重識(shí)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：6/10/2021