光寻址电位传感器及其应用

光寻址电位传感器(LAPS)是一种基于半导体光电效应的化学传感器,在稳定性、重复性、灵敏度、准确性和响应速度等方面具有优良的性能。介绍了LAPS的基本原理和测量方法,阐述了LAPS在细胞传感器、图像传感器、金属离子敏感薄膜传感器、气体传感器及生物医学领域中的应用,并对其存在问题和研究方向进行了总结和展望。     

基于McBSP实现DSPs与串行AD/DA的接口设计

重点介绍了利用DSPs的多通道缓冲串口McBSP实现与A/D、D/A串行接口的设计.TI公司TMS320C67x系列DSPs的McBSP有两种配置方式,一种是配置成串口的模式,一种是配置成通用I/O的模式,本文分别用这两种模式进行了A/D和D/A接口的设计,其硬件及软件的实现方法简单、方便,可节省程序代码空间和CPU运行时间.     

基于Web的罗非鱼养殖质量安全可追溯系统的设计与实现

通过对某罗非鱼养殖企业的实际调研,在分析罗非鱼养殖流程基础上,进一步结合HACCP原理对养殖中关系产品质量安全的关键信息进行了相关分析,并设计了系统的功能模块以及体系结构,建立基于Web的罗非鱼养殖质量安全可追溯系统.该系统既能够控制影响罗非鱼质量的关键环节,又减少了不必要的信息追溯,节约了成本,为消费者提供方便的查询平台,而且为罗非鱼养殖管理和罗非鱼质量安全监控提供了良好的操作平台.     

一种改进的LMS均衡算法研究

在分析均衡系统中常见的变步长LMS算法的基础上,提出了一种改进的变步长LMS均衡算法.通过计算机仿真结果表明,该算法在低信噪比及低输入功率时的情况下,其收敛性、稳态误差性能以及运算时间的综合性能优于原算法.     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

无线传感器网络的认证协议分析

通过对现有无线传感器网络的认证协议进行比较和分析,总结了各协议的优点及存在问题,根据目前对传感器节点软硬件性能研究的进展,探讨了无线传感器网络安全认证协议研究的进一步发展方向.     

基于微波无线能量传输多径效应的多角度超表面能量收集器

文中深入研究了基于微波无线能量传输技术的多径效应及其对多角度超表面能量收集器的性能的影响。首先,概述了微波无线能量传输技术的基本原理与发展现状,随后详细讨论了超表面结构在多角度能量接收中的应用。通过理论分析与仿真实验,文中提出了一种优化的超表面设计方案,以提高能量收集效率。实验结果显示,该方案能显著提高多角度超表面能量收集器在复杂传播环境下的能量收集性能,不仅为超表面能量收集器的设计提供了新的视角,也为未来无线能量传输技术的发展提供了理论参考。     

基于宽频等值电路的配电变压器局部放电电气定位研究

当配电变压器中发生局部放电时,脉冲电流信号会沿着绕组传播,检测低压绕组中性点接地处脉冲电流即可实现配电变压器局部放电检测。以往的配电变压器局部放电检测及评价方法无法判断放电位置与放电类型,难以准确评估配电变压器绝缘状态。建立了配电变压器宽频等值电路模型,研究了不同位置、不同类型局部放电脉冲电流信号在配电变压器绕组中的传播规律,提出了小波-经验模态联合去噪算法过滤现场检测中的噪声信号。通过计算脉冲电流信号的能量值以及三相波形相似系数实现了配电变压器局部放电的电气定位,以对多组不同噪声水平的信号进行验证,均可实现准确定位,验证了去噪算法和定位方法的有效性。     

预训练语言模型实体匹配的可解释性

实体匹配可以判断两个数据集中的记录是否指向同一现实世界实体,对于大数据集成、社交网络分析、网络语义数据管理等任务不可或缺.作为在自然语言处理、计算机视觉中取得大量成功的深度学习技术,预训练语言模型在实体识别任务上也取得了优于传统方法的效果,引起了大量研究人员的关注.然而,基于预训练语言模型的实体匹配技术效果不稳定、匹配结果不可解释,给这一技术在大数据集成中的应用带来了很大的不确定性.同时,现有的实体匹配模型解释方法主要面向机器学习方法进行模型无关的解释,在预训练语言模型上的适用性存在缺陷.因此,以Ditto、JointBERT等BERT类实体匹配模型为例,提出3种面向预训练语言模型实体匹配技术的模型解释方法来解决这个问题:(1)针对序列化操作中关系数据属性序的敏感性,对于错分样本,利用数据集元特征和属性相似度实现属性序反事实生成;(2)作为传统属性重要性衡量的补充,通过预训练语言模型注意力机制权重来衡量并可视化模型处理数据时的关联性;(3)基于序列化后的句子向量,使用k近邻搜索技术召回与错分样本相似的可解释性优良的样本,增强低置信度的预训练语言模型预测结果.在真实公开数据集上的实验结果...     

基于动态门控特征融合的轻量深度补全算法

稠密深度图在自动驾驶和机器人等领域至关重要,但是现今的深度传感器只能产生稀疏的深度测量,所以有必要对其进行补全.在所有辅助模态中, RGB图像是常用且易得的信息.现今的许多方法都采用RGB和稀疏深度信息结合进行补全.然而它们绝大部分都是利用通道拼接或逐元素求和简单的对两种模态的信息进行融合,没有考虑到不用场景下不同模态特征的置信度.提出一种以输入深度稀疏分布为指导,结合双模态信息量的动态门控融合模块,通过动态产生融合权重的方式对两个模态特征进行更高效的结合.并且根据不同模态的数据特征设计了精简的网络结构.实验结果表明所提出模块和改进的有效性,提出的网络在两个有挑战性的公开数据集KITTI depth completion和NYU depth v2上,使用了很少的参数量达到了先进的结果,取得了性能和速度的优秀平衡.