一种基于图像识别的高性能混沌特性判别算法

利用混沌阵子可以检测强噪声背景下极其微弱的周期信号。该方法应用中的关键问题是混沌特性的判别。提出了一种新的基于图像识别的混沌特性判别方法,该方法需要的存储量小,算法简单易行,尤其适合系统资源受限的场合,比如嵌入式系统。阐述了该混沌特性判别算法的原理,给出了一个基于此方法的完整判别程序流程。计算机仿真结果表明,该方法用于Duffing信号幅值检测系统是有效的。     

一种面向无源RFID电子标签的电流灵敏放大器设计

提出了一种适用于无源射频识别RFID电子标签中多次可编程MTP非易失性存储器NVM的新型电流灵敏放大器结构。该电路在不增加面积的情况下具有低功耗、高速度、高可靠性和高灵敏度的优越性能。基于GSMC 0.13μm CMOS工艺下的仿真结果表明,新型灵敏放大器在-40℃~80℃的环境下具有很高的读取速度,且能够工作在低电压（0.8 V）下。在1.2 V工作电压、27℃室温下电路的读出延时是10.5 ns,平均功耗为6.1 μW@25MHz,分辨率可达到33 nA。     

如何提高士官学员学习“计算机应用”的兴趣

"计算机应用"课程是士官学校的一门基础课程,计算机操作技能对于学员来说是一项最基本的技能。在教学过程中,通过精心设计教学过程的导入、丰富课堂的教学方法、提高教学语言的技巧、分层设计教学目标、精心组织技能竞赛等多种方法来激发和提高学员学习"计算机应用"课程的兴趣。     

改进约束三角网在沉积相带图中的应用研究

针对在沉积相带追踪中,常规三角剖分算法构造的三角网无法自动解决河道砂体跨井排不连通问题,提出了一种相带边界线自动识别方法。该方法的关键步骤是采用逐点插入法先生成无约束三角网;再根据河道砂体连通情况插入虚拟井,并通过该虚拟井建立跨井排井的连通线,将这两条线作为约束边插入第一步生成的三角网中,将三角网部分重构,形成最终约束三角网,对该三角网进行相带边界追踪。系统前端采用。 NET网页框架和Applet网页嵌入技术,核心绘图功能采用Java 2D绘图技术,效果良好。     

交流电量采集技术在LF炉的应用

介绍交流电量采集系统的设计,及其在LF精炼炉中的应用.     

一种伺服电机测控仪的结构与外观设计

随着现代制造技术的发展进步和用户审美艺术的不断提升,在产品设计时仅关注软件和硬件而忽略结构和外观造型的创新设计已经不能满足当下用户的使用和审美需求。因此文中提出了一种便携式伺服电机测控仪设计方案,重点从测控仪的结构、外观造型、色彩等方面进行了详细的设计说明,既满足了测控仪的基本功能又增加了其美感,极大地提高了测控仪的市场竞争力。     

基于情境学习的射孔仿真培训系统应用研究

由于传统的仿真培训中只能通过鼠标的点击与键盘进行交互,存在着现场感缺乏以及用户体验不足等缺点,针对油田射孔岗位仿真培训中的交互问题,提出了应用情境学习理论结合体感交互技术的仿真培训系统。通过将Unity与体感交互技术结合,学习者可以运用手势与姿势来实现与仿真培训系统的交互操作。结合应用这一技术可以使得学习者能够在更逼真的虚拟学习环境中尽情的体会和学习,满足学习者的体验和参与需求,可以有效促进学习者从具体的感知经验上升到抽象的知识概念,为教学培训的顺利开展创设有利的条件。     

新工科背景下应用型本科专业建设的研究与实践

文章针对新工科背景下应用型本科高校学生培养方面的缺失,采用产教城深度融合的形式,从专业人才培养目标、专业课程体系和课程教学设计三个方面开展了相应研究与实践,提出了以学生的实践能力为目标的人才培养方案、以学生的学习成果为中心的课程体系以及以激发学生的学习内驱力为方式的课程教学方式,从而达到培养具有扎实专业知识和交叉学科知识、自主学习能力和团队协作能力的复合型创新型工程技术人才.     

基于Octave卷积的混合精度神经网络量化方法

浮点数位宽的深度神经网络需要大量的运算资源,这导致大型深度神经网络难以在低算力场景（如边缘计算）上部署。为解决这一问题,提出一种即插即用的神经网络量化方法,以压缩大型神经网络的运算成本,并保持模型性能指标不显著下降。首先,基于Octave卷积将输入特征图的高频和低频成分进行分离;其次,分别对高低频分量应用不同位宽的卷积核进行卷积运算;第三,使用不同位宽的激活函数将高低频卷积结果量化至相应位宽;最后,混合不同精度的特征图来获得该层卷积结果。实验结果证实了所提方法压缩模型的有效性,在CIFAR-10/100数据集上,将模型压缩至1+8位宽时,该方法可保持准确率指标的下降小于3个百分点;在ImageNet数据集上,使用该方法将ResNet50模型压缩至1+4位宽时,其正确率指标仍高于70%。     

指针生成网络和覆盖损失优化的Transformer在生成式文本摘要领域的应用

针对生成式文本摘要应用场景,提出了以Transformer为基础的摘要模型,并在Transformer模型中加入了指针生成（Pointer Generator）网络和覆盖损失（Coverage Loss）进行优化。首先,提出了基于Transformer模型作为基础结构的方法,利用其注意力机制更好地捕捉上下文的语意信息。然后,在模型的损失函数中引入Coverage Loss来惩罚不断出现的重复的词的分布和覆盖范围,从而解决Transformer模型中的注意力机制在生成式任务中出现不断生成同一个词的问题。最后,在模型中加入了Pointer Generator网络,从而允许模型从源文本中复制词用作生成词来解决词表无法覆盖（OOV）的问题。探索了改进后的模型是否减少了不准确的表达以及重复出现相同词的现象是否得以解决。该模型相较于原始的Transformer模型在ROUGE-1评测函数上得分提升了1.98个百分点、ROUGE-2评测函数上得分提升0.95个百分点,在ROUGE-L评测函数上得分提升了2.27个百分点,并提升了摘要结果的可读性及准确性。实验结果表明,Transformer在加入Coverage Loss和Pointer Generator网络后可应用于生成式文本摘要领域。