快速卷积算法的综述研究

卷积神经网络是深度学习算法应用最广泛的方向之一,目前卷积神经网络的应用不仅仅是停留在科技领域,已经扩展到医学、军事等领域,并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分,卷积运算占整个网络70%以上的时间,所以针对卷积运算的加速研究就显得十分重要。首先介绍近年来的卷积算法,并对其复杂度进行分析,总结了这些算法各自的优点和不足,最后对其理论研究和应用领域可能存在的突破进行了探讨和展望。     

疫情下数据结构课程线上教学模式探索与实践

为了在新冠肺炎疫情的影响下充分保障正常的教学秩序,全力做到“停课不停教、停课不停学”,落实“教师真在教、学生真在学”,数据结构教学团队利用超星“一平三端”智慧教学系统和钉钉直播相结合的方式,在教学准备、教学实施、学习评价和教学改进等四个方面开展线上教学模式探索和实践,实现了将线上线下混合式教学转变为纯线上教学模式,体现了“以学生为中心”的教学理念,达到线上与线下同质同效。     

基于5G定位系统的标准时间同步系统设计

传统的被动式定位,时钟同步采用空口同步技术,这样在小区信号覆盖不好或者同频干扰严重的地方,同步性能急剧恶化,导致定位效率大大降低。基于5G的无线定位时间同步系统,为了克服上述场景的缺陷,将空口同步技术与GNSS授时技术相结合,借助无线通信模块,将室内定位系统与室外定位系统同步组网,协同定位,提升了在复杂场景的定位效率。     

基于大数据的药品安全网络舆情监测系统设计

该文介绍了在大数据时代背景下针对药品安全网络舆情监测现状,梳理分析了药品安全网络舆情监测系统需求,根据需求和网络舆情监测的特点,提出了药品安全网络舆情监测系统的软件设计框架,介绍了实现该系统所需的主要舆情监测处理技术。该系统设计该设计集监测、预警、分析、报告于一体,合理融合了大数据处理与自然语言处理技术,同时提出了用传统统计分析和深度学习方法来解决舆情分析中“文本分类和情感分析”等关键技术问题。最后,从用户交互的层面给出了药品安全网络舆情监测系统的可视化方案,为药品安全行业网络舆情监测提供了一种实现途径。     

Hierarchical control for cornering stability of dual-motor RWD vehicles with electronic differential system using PSO optimized SOSMC method

This paper proposes a novel control scheme with a three-layer hierarchical structure to improve the cornering stability of the dual-motor rear-wheel drive (RWD) vehicles with the electronic differential system (EDS). The proposed hierarchical structure for the control system includes the observing layer, control layer, and actuation layer. In the observing layer, the driver model is designed to obtain the nominal steering angle, and the state observer is designed to obtain the yaw angle which cannot be easily measured. Then, particle swarm optimization (PSO) and second order sliding mode control (SOSMC) are employed in the control layer. The SOSMC part is used to design the control law to eliminate the chattering problem in the sliding mode algorithm, and the PSO part is used to obtain the optimal weights in the sliding mode surface to meet the minimum sideslip angle error and yaw rate error. The actuation layer allocates the corrected yaw moment by distributing the driving force to each independent driving wheel. Finally, the numerical tests are carried out under the double line change (DLC) maneuver. The results show that the proposed control system can effectively improve the cornering stability of the dual-motor RWD vehicles and reduce their motor power consumption.     

An H∞non‐fragile observer‐based adaptive sliding mode controller design for uncertain fractional‐order nonlinear systems with time delay and input nonlinearity

In this paper the problem of non‐fragile adaptive sliding mode observer design is addressed for a class of nonlinear fractional‐order time‐delay systems with uncertainties, external disturbance, exogenous noise, and input nonlinearity. An H_∞ observer‐based adaptive sliding mode control considering the non‐fragility of the observer is proposed for this system. The sufficient asymptotic stability conditions are derived in the form of linear matrix inequalities. It is proven that the sliding surface is reachable in finite time. An illustrative example is provided which corroborates the effectiveness of the theoretical results.     

基于RISC-V处理器的卷积加速SoC系统设计

为提高卷积神经网络（CNN）的计算效率和能效,以8 bit定点数据作为输入,设计一个支持激活、批标准化以及池化等CNN网络中常见计算类型的卷积加速器,优化循环计算顺序并将其与数据复用技术相结合,以提高卷积计算的效率。基于软硬件协同设计思想,构建包含RISC-V处理器和卷积加速器的SoC系统,RISC-V处理器基于开源的指令集标准,可以根据具体的设计需求扩展指令功能。将该SoC系统部署在Xilinx ZCU102开发板上,RISC-V处理器和卷积加速器分别工作在100 MHz和300 MHz频率下,测试结果表明,该加速器的算力达到153.6 GOP/s,运行VGG16网络进行图片推理计算时加速效果较好。     

多量级应急数据无监督离散化方法研究

在对连续的多量级应急数据进行离散化时,采用传统无监督离散化方法难以找出量级变化点完成离散。提出一种针对多量级应急数据的无监督离散化方法。根据量级变化的差异性将离散数据由大到小排序,结合拟合函数和二阶导数计算得到准确的量级变化点作为数据截断点,将截断所得较大数据构成的离散类移出待离散数据集,不断重复上述操作直到待离散数据满足设定的离散系数阈值,最终完成全部数据的离散。实验结果表明,该方法实现了地震相关多量级应急数据的均匀离散,其离散系数较等频离散化、层次聚类离散化等传统方法更低,可有效离散化隐藏多量级差异的应急数据。     

基于统计聚类方法的儿童下肢肌电信号周期识别

为运用肌电信号分析髋脱位儿童和正常儿童的差异,提出一种基于统计的聚类方法,识别步态中下肢肌电信号的周期起始时刻。使用非参数贝叶斯模型将肌电信号序列聚类为状态序列,并通过k均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态,将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置,并且利用窗函数方法提高预测准确性。实验结果表明,该方法对于预测正常儿童周期起始位置的识别误差较小,平均值为2.15%,并且在5%的置信度水平下与SampEN、SNEO和IP等检测算法相比具有较高的预测准确率。     

Spark平台上利用网络加权Voronoi图的分散迭代社区聚类并行化研究

针对当下数据大规模增长对计算能力需求的急剧增长,传统独立运行的机器在大规模网络社区中执行社区检测操作时无法提供所需的数据处理能力的问题,提出一种网络加权Voronoi图的并行分散迭代社区聚类法(NWVD-PDICCM)。利用基于网络加权Voronoi图的分散迭代社区聚类方法(NWVD-DICCM)提取大型网络的有效社区结构。结合并行聚类方法,将DICCM方法的操作从串行过程转换为并行计算。利用执行并行社区聚类时的图分区,通过最小化从属工作者之间的通信来加速该过程。仿真实验结果表明,NWVD-PDICCM可以与一系列计算机架构平台共同运行,并且实现基于Spark平台的并行操作,相比其他几种较新的方法,在大规模网络数据处理能力方面得到显著提升。