排序方式: 共有4条查询结果,搜索用时 109 毫秒
1
1.
研究了纳米器件在空间轨道中质子引起单粒子翻转(SEU)率的预计方法。以65 nm SRAM为样品,利用加速器进行了质子和重离子单粒子翻转试验,分别基于质子试验数据和重离子试验数据,预计了空间轨道中质子引起的单粒子翻转率。结果表明,用重离子试验数据预计的质子单粒子翻转率比用质子试验数据预计的低1.5个数量级。研究认为,为了评估纳米器件单粒子翻转敏感性,需进行质子单粒子翻转试验,并基于质子试验数据进行在轨质子翻转率预计。 相似文献
2.
3.
4.
由于神经网络强大的学习能力与快速的运行速度,近年来基于深度学习的图像压缩感知(Image Com-pressive Sensing,ICS)研究备受关注.然而,大多数现有ICS神经网络的结构设计忽略了传统迭代重构算法中的数学理论基础,无法有效利用信号中的先验结构知识,可解释性较差.为了保留优化算法核心思想并同时利用深度学习的高性能,本文使用可学习的卷积层替代了传统平滑投影Landweber算法(Smooth Projected Landweber,SPL)中的人工设计参数,提出一种新型ICS神经网络SPLNet.在SPLNet中,设计了一个独特的网络结构SPLBlock实现SPL迭代过程中的三个核心步骤:(1)去除块效应的维纳滤波器;(2)在凸投影集合上的近似操作;(3)实现稀疏表示及去噪的变换域双变量收缩.仿真实验结果表明:与现有最优的ICS优化迭代算法GSR相比,SPLNet的重构图像平均PSNR提升了0.78dB;与最优的神经网络框架SCSNet相比,SPLNet的重构图像平均PSNR提升了0.92dB. 相似文献
1