排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
本文介绍如何在Quartus Ⅱ开发平台上,使用Altera Nios Ⅱ软核处理器实现信道模拟器的控制功能.使用Nios Ⅱ软核处理器是一项新的设计思路和方法,本文从实例开发角度,详细讨论了基于SOPC的信道模拟系统控制单元硬件的设计思路与实现方法. 相似文献
2.
无数据缓存的容错环形NoC 总被引:1,自引:0,他引:1
提出一种分层双组双环NoC拓扑结构,该结构中链路分为两组环网,其中有一组环网为主环,另一组为备用环网,用于NoC网络的容错.每组环网中包含一个控制环和一个数据环,控制环采用包的形式交换结点之间路由、链路错误和差错控制信息,数据环用电路交换方式进行数据通信.针对以上NoC拓扑结构,提出交换结点无需缓冲区的三级流水线结构,使得各个IP之间的数据通信延时最小.环网中采用时分复用和优先级相结合的机制,实现了公平路由和带宽的空分复用.仿真结果表明,该结构可以有效避免拥塞、死锁和饥饿,保证带宽充分利用,与理论分析一致. 相似文献
3.
诊断是一种提升互连网络可靠性的常用手段.条件诊断是假设系统中任一节点的所有相邻节点不会同时发生故障,这种诊断大大提高了诊断的有效性.提出一种在PMC模型下超立方体的条件诊断算法,通过广度优先搜索遍历整个超立方体,在遍历过程中通过相邻节点之间的诊断结果将超立方体节点分成若干个集合,再通过集合之间的关系和集合中所含元素的数量识别出故障集合和无故障集合.对于n维超立方体,节点数为N,该算法的时间复杂度为O(N2)。 相似文献
4.
深度包检测技术(DPI)已成为网络信息安全的研究重点。基于硬件实现模式匹配的DPI技术凭借其更强的处理能力受到广泛关注。本文提出一种基于TCAM模式匹配的方法实现DPI,规则表项按字节分别存储在TCAM(三态内容寻址存储器)中,输入字符按不同字节与TCAM中内容进行匹配,提高了DPI中模式匹配的处理速度。针对该技术功耗大的缺点,提出BF(Bloom Filter)和TCAM相结合的两级模式匹配技术,BF可将较少可疑包转发给TCAM处理模块,从而降低了系统功耗,大大提高了系统处理速度。 相似文献
5.
利用表面等离子激元共振生物传感器研究聚合酶与敏感表面上自组装的DNA的相互作用 总被引:1,自引:0,他引:1
利用SPR生物传感器研究了人的型DNA聚合酶与DNA模板一引物二聚体以及单链DNA的相互作用情况.同时,观察了两种抑制剂(神经酸和亚油酸)对这些相互作用的影响.结果表明,神经酸和亚油酸可以使β聚合酶与DNA二聚体的亲和力分别下降20倍和5倍,神经酸的抑制作用更加明显.利用这些方法,有助于清楚了解抑制剂对β聚合酶与DNA相互作用的影响和抗癌及抗病毒药物的研制. 相似文献
6.
一种用于细胞固定和溶液稀释的微流控水池结构是多层微流控芯片装置其中一层上的一个小的腔室,覆盖相对结合的另一层基底上的两条或者多条微通道.与通常的宏观流动不同,在微芯片内部的流动呈层流状态,具有确定并可控制的方向.在这个微水池结构中的流动分布对水池结构和位置的变化很敏感.通过改变水池的形状或者位置就可以实现简单的流动控制.它比传统的流动控制方法,如微阀或者压力控制,更加简单,因此具有广泛的用途.例如,通过控制液体在水池中的流向可以固定细胞到特定的位置,也可以通过不同结构层之间的快速扩散来实现快速的溶液混合. 相似文献
7.
本文在深度学习目标跟踪算法SiameseFC的框架下,结合角点特征提取算法和角点特征匹配算法提出了一种基于角度分析的车辆跟踪算法,增强了相似车辆干扰下车辆跟踪算法的鲁棒性与准确性。采用OPE评估标准对从公开数据集DETRAC中选取的2组视频,并与SiameseFC算法和MDNet算法进行了对比。测试结果表明:该算法的鲁棒性与准确性均优于对比算法,跟踪精度达96.9%,成功率达85.39%。相比于SiameseFC算法,跟踪精度提高了24.55%,成功率提高了18.31%:相比于MDNet算法,跟踪精度提高了16.56%,成功率提高了24.01%。 相似文献
8.
针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率高于传统基于特征提取和模板匹配的工件识别。 相似文献
9.
10.