应用于RFID的超低功耗CMOS温度传感器设计

针对融合射频识别( RFlD)的无线温度传感器节点设计的需求,采用0. 18μm 1P6M台积电CMOS工艺,设计了一种低功耗集成温度传感器.该温度传感器首先将温度信号转换为电压信号,然后通过经压控振荡器将电压信号转换为受温度控制的频率信号,再通过计数器,将频率信号转换为数字信号.传感器电路利用MOS管工作在亚阈值区,并采用动态阈值技术获得超低功耗.测试结果显示:所设计的温度传感器仅占用0. 051 mm2 ,功耗仅为101 nW,在0~100℃范围内误差为-1. 5~1. 2℃.     

解读AlphaGo背后的人工智能技术

随着人工智能在各个领域的应用,越来越多的问题通过人工智能得到更优的解决,但是围棋因其本身的复杂度一直是人工智能领域的难解之题.AlphaGo团队利用了人工智能中的一个重要分支—深度学习训练了一款围棋人工智能程序,并在2016年3月与职业九段选手李世石的对弈中以4:1的比分获胜,受到了大众的广泛关注.本文介绍了AlphaGo这一程序背后的复杂的网络构造以及不同网络的优缺点.     

基于罗克韦尔PLC的时钟伺服控制系统

采用了罗克韦尔PLC设计了时钟的伺服控制系统.控制系统硬件主要采用罗克韦尔自动化公司的ControlLogix1756控制器、1756-M08SE运动模块、3个Ultra3000数字伺服驱动器和3个Y-1002伺服电机,其中时针、分针和秒针分别由一个伺服电机单独驱动.在此基础上,开发了控制程序和人机界面.系统实际运行结果表明,所设计的时钟伺服控制系统具有良好的可靠性和精度.     

基于近红外与高光谱技术的小麦种子多指标检测方法

采集47份小麦样本的高光谱图像,提取感兴趣区内的平均光谱,结合反映小麦品质的水分、蛋白质和湿面筋三个指标基础数据,通过OPUS软件搜寻最佳的光谱预处理和波段组合,分别建立了三个指标的偏最小二乘法(PLS)定量分析模型.同时与采用近红外(.NIR)光谱技术建立的三个指标的近红外模型进行比较,发现高光谱模型的各性能指标均明显优于近红外模型.结果表明:当被测样品为颗粒状且内部化学成分分布不均匀时,近红外模型的准确性和稳定性会受其测量条件的限制,而高光谱采样面积大,获取信息更全面,展现出强大的分析检测潜质,为小麦品质评价提供了新方法.     

瞬变电磁法在变电站地质物探中的应用

在电力系统地质探测方面,为了查明引发滑坡的地质形态特征,简要介绍了瞬变电磁法(TEM)的工作原理及其探测方法,并以滇东北区某变电站周边边坡进行探测为例,通过对视电阻率成像图进行分析,得到了视深断面图的地形特征,总结了地质形态的分布情况.与传统的电阻率法相比,瞬变电磁法能够高效、简便地运用在山地环境的地质物探中.     

光滑分段孪生支持向量机

为了解决Sigmoid的积分函数对正号函数的逼近精度低的问题,引入一种具有更强逼近正号函数能力的光滑函数即分段函数,提出了光滑分段孪生支持向量机,并用快速Newton-Armijo算法对其求解.在NDC和UCI数据集上的实验结果表明:光滑分段孪生支持向量机能够有效地处理大规模和高维度数据,且分类精度和分类速度与光滑孪生支持向量机相比得到了改进.     

基于面板数据的接近性和相似性关联度模型

对于面板数据, 首先给出面板数据的空间投射方法, 将面板数据投射为空间的向量序列. 然后, 基于空间向量的夹角和距离分别构建相似性和接近性关联度模型. 具体方法为: 利用向量夹角构建面板数据的相似性关联度模型; 同时, 基于向量差的模构建面板数据的接近性关联度模型. 分别讨论两种关联度模型的规范性和对称性等性质. 最后, 通过实例验证了相似性和接近性关联度模型的合理性. 分析结果表明, 所提出的关联度模型能较好地反映面板数据的相似性和接近性的关联程度.

     

通用稀疏多核学习

针对L1范数多核学习方法产生核权重的稀疏解时可能会导致有用信息的丢失和泛化性能退化,Lp范数多核学习方法产生核权重的非稀疏解时会产生很多冗余信息并对噪声敏感,提出了一种通用稀疏多核学习方法。该算法是基于L1范数和Lp范数(p>1) 混合的网状正则化多核学习方法,不仅能灵活的调整稀疏性,而且鼓励核权重的组效应,L1范数和Lp范数多核学习方法可以认为是该方法的特例。该方法引进的混合约束为非线性约束,故对此约束采用二阶泰勒展开式近似,并使用半无限规划来求解该优化问题。实验结果表明,改进后的方法在动态调整稀疏性的前提下能获得较好的分类性能,同时也支持组效应,从而验证了改进后的方法是有效可行的。     

基于模糊层次分析法的社交编程网站开发者评估方法

社交编程网站Github是一种较为流行的分布式版本控制系统,近年来得到了快速的发展,而Github中没有对开发者能力构建度量模型,使得如何从众多开发者中选择合适的开发者加入到核心开发者之中成为一个有待解决的问题。为处理此问题,通过构建开发者度量模型,对开发者能力具体量化,同时使用模糊层次分析法对开发者度量模型进行评估,根据量化评估值选择合适的开发者加入到核心开发者之中。通过一个实例分析说明该方法如何评估开发者并选择合适的开发者,从而为Github项目社区招募核心开发者提供支持。     

基于Adaboost-CSHG的特定类目标跟踪识别

目标跟踪识别是计算机视觉领域的热点研究对象。首先采用基于Adaboost的目标检测算法,训练得到了特定类目标坦克模型的级联分类器,对图像中的坦克目标完成了 “粗检测”;通过构建类属超图(CSHG)模型,采取Adaboost与CSHG相结合的方式,有效滤除了大量虚警,实现了对坦克目标的“精检测”,同时完成了对目标的跟踪;最后利用基于类属超图的目标识别原理对目标进行识别,实验结果表明该方法在简单背景和复杂背景图像条件下均具有可行性。