微量Mg元素添加对Cu-Cr合金析出行为及性能的影响

通过熔炼铸造工艺制备了Cu-Cr和Cu-Cr-Mg合金,评价了Mg元素对Cu-Cr合金硬度、导电和抗软化性能的影响,研究了Mg元素对Cu-Cr合金析出相的细化作用,探讨了Mg元素的迁移行为。结果表明,相比于Cu-Cr二元合金,时效态Cu-Cr-Mg合金具有更高的硬度和软化温度,且保持较高的导电性能。两种合金的主要时效强化相均为纳米Cr析出相,Mg元素的加入抑制了纳米沉淀相的长大和结构转变,峰时效态Cu-Cr-Mg合金的析出相与基体可能仍保持共格界面关系,过时效态合金中出现与Heulser相结构相同的析出相,且峰时效态Cu-Cr-Mg合金经过高温保温处理后,其强化相的尺寸明显小于Cu-Cr合金析出相。EDS的结果表明,在时效初期Mg和Cr共存于析出相内部,而在时效后期析出相内部只有Cr元素存在,Mg元素发生迁移,同时理论估算结果显示,Mg元素可明显降低Cu(fcc)/Cr(bcc)之间的界面能,导致其偏聚于基体/析出相界面处,这可能是Mg元素能够细化析出相和提高合金性能的主要原因。     

"数码"语音识别系统中滤波器组的实现方法

介绍了一种采用有源滤波器集成电路LTC1068实现“数码”语音识别系统的模拟滤波器组的方法，重点说明了硬件电路设计时应注意的问题及如何使用开发辅助软件。     

FIR自适应滤波的语音增强算法

提出一种基于线性预测FIR自适应滤波的语音增强算法,该算法可实时过滤被噪声污染的语音信号,提高信噪比,从而提高语音识别系统的识别率。仿真结果证明该算法具有较好的降噪效果。     

穿孔阳极在铝电解槽上的应用试验

从阳极极距模型出发,分析了降低阳极气泡层的方法,提出并设计了穿孔阳极。通过在3台168kA普通平底电解槽上试验,获得了槽平均电压3.777V,电流效率91.85%,比对比槽提高0.70%,工艺直流电耗12252kWh/t-Al,比对比槽降低634kWh/t-Al的效果;在30台168kA普通平底电解槽上试验,也获得了槽平均电压3.786V,电流效率91.447%,工艺直流电耗12337kWh/t-Al的效果。     

电解铝炭阳极的消耗分析

计算了铝电解过程中炭阳极的理论消耗,并与实际消耗量进行了比较,炭阳极利用率只有87％左右.分析了导致炭阳极多耗的原因,以及炭阳极多耗对铝电解生产的影响.重庆天泰铝业穿孔阳极两年多的工业试验表明其可以降低阳极净耗,提高炭阳极利用率.文章最后还提出了降低炭阳极消耗的几条建议.     

穿孔阳极在铝电解槽上的应用试验

从阳极极距模型出发,分析了降低阳极气泡层的方法,提出并设计了穿孔阳极。通过在3台普通平底电解槽上试验,获得了比同类对比槽降低槽电压160 mV,提高电流效率0.78%,降低电解铝直流电耗634kWh/t-AI的良好效果。     

深度神经网络在线训练硬件加速器的数据量化综述

随着算法和数据的爆炸式增长,深度神经网络（Deep Neural Network, DNN）逐渐在实际应用中扮演愈发重要的角色。然而,真实场景中的数据与线下训练数据之间往往并不满足独立同分布假设,导致预训练DNN模型在实际应用中性能严重下降。所以,在资源供给相对有限的平台上进行DNN模型在线训练成为其有效应用的保证。为了满足真实场景对DNN模型质量与速度的多维度性能要求,如何在保证算法精度的同时显著降低计算复杂度是在此类应用中部署DNN的关键。数据量化是降低计算复杂度的主流优化技术之一,能够通过降低模型参数、中间值等数据的位宽来减少硬件加速器的资源耗费。因此,从软件和硬件两个方面对深度神经网络训练加速器中关于数据量化的研究进行总结。对国内外最新发表的相关文献进行归纳总结。首先,从软件的角度总结了不同的量化方法,包括简单映射数据量化和复杂映射数据量化;其次,从硬件的角度总结了DNN加速器对网络在线训练各计算步骤的量化支持;再次,阐述了数据量化对加速器设计的影响,包括存储单元和计算单元;最后,对本领域的研究进行总结,并展望了未来本领域的发展方向。文章提出的分类方法有助于对之前的DNN加速器...     

一种提高采样率的方法

提出一种以软代硬提高采样率的方法，该方法适用于周期性重复信号的采集。     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。