基于FPGA的编码器倍频-鉴相电路

光电轴角编码器,又称光电角位置传感器,是电气传动系统中用来测量电动机转速和转子位置的核心部件.文章分析光电编码器四倍频原理,提出了一种基于可编程逻辑器件FPGA对光电编码器输出信号倍频、鉴相、计数的具体方法,它对提高编码器分辨率与实现高精度、高稳定性的信号检测及位置伺服控制具有一定的现实意义.     

基于MSH263编码器协同系统的设计与实现

使用代理动态链接库对Windows(R)NetMeeting(R)调用MSH263编码的过程进行了记录.通过与标准调用序列的对比,发现了未公开的两个ICM消息和一组状态数据,使得MSH263编码器可以在用户程序中应用.给出了MSH263编码帧中隐含的RTP切分索引数据格式,并由此提出了快速切分算法.基于以上方法构造的实时多媒体协同系统,可以与AccessGrid及H.323系统良好互通,已成功应用于多项国家级项目.     

基于FPGA的视频传输流发送系统设计

介绍了一种利用FPGA实现DVB-ASI视频传输流发送系统的组成原理和实现方法.不同于使用Cypress公司的CY78923的方法,使用FPGA编程实现ASI接口转换与发送功能,具有更大的灵活性,且接口复合DVB-ASI接口规范,可实现270Mbps的Mpeg2传输流传输.文中介绍了ASI的特点与构成;并详细阐述了使用FPGA实现ASI高速接口的硬件实现方法.最后给出了相应的测试实验.通过高清编码器和解码器的测试实验表明设计的正确性与可靠性.     

一种SSAE+BPNN的变工况飞灰含碳量软测量方法

火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降。研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法：首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析。经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10^–3,平方相关系数为0.983 2,其预测精度和泛化能力显著优于BPNN。将其应用于某台灵活调峰的超超临界660 MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91%,总体相对误差控制在±5%以内,具有良好的工程应用价值。     

引入自监督机制的燃料电池水管理系统健康状态检测方法EI北大核心CSCD

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。     

田湾核电VVER型机组厂用电系统国产化进程中若干问题分析

田湾一期工程使用全套的俄罗斯技术和设备,其二次保护系统及自动装置仍普遍采用电磁式,近年来已逐步更新换代为微机保护。田湾二期工程在设计思路上沿袭了一期的设计思路,相对于设备的不断更新,原有的设计思路也存在着诸多需要重新思考分析的地方。针对田湾核电一期、二期先后两次厂用电源切换失败事件和6 kV母线低电压保护误动触发机组降功率停堆事件,从设计思路本身出发,对原有设计提出改进建议,并就发电机励磁变冷却风机系统薄弱环节提出改进思路。     

基于重建误差的任务型对话未知意图检测

现有未知意图检测模型通常将语句映射到向量空间,并使用局部异常因子算法定义密度较小的特征点为未知意图,但经交叉熵损失训练的已知意图特征簇更加狭长,簇内的整体间距、密度和分散情况不均匀,进而增加了检测难度。针对上述问题,提出一种基于自动编码器重建误差的未知意图检测模型。在训练阶段,使用融入标签知识的联合损失函数训练已知意图分类器,使已知意图特征类间距离大且类内距离小,并利用这些特征训练一个仅能获取已知意图信息的自动编码器。在测试阶段,利用自动编码器将重建误差较大的样本视为未知意图,其余样本视为已知意图正常分类。在SNIPS数据集上的实验结果表明,在已知意图占比为25%、50%、75%时,该模型的Macro F1得分相比于表现最优的增强语义的高斯混合损失基线模型分别提升了16.93%、1.14%和2.37%,能够检测到更多的未知意图样本,同时在类别分布极不平衡的ATIS数据集上也有较好的性能表现。     

局部全局特征耦合与交叉尺度注意的医学图像融合

现有基于深度学习的多模态医学图像融合方法存在全局特征表示能力不足的问题。对此,提出一种基于局部全局特征耦合与交叉尺度注意的医学图像融合方法。该方法由编码器、融合规则和解码器三部分组成。编码器中采用并行的卷积神经网络(CNN)和Transformer双分支网络分别提取图像的局部特征与全局表示。在不同尺度下,通过特征耦合模块将CNN分支的局部特征嵌入Transformer分支的全局特征表示中,最大程度地结合互补特征,同时引入交叉尺度注意模块实现对多尺度特征表示的有效利用。编码器提取待融合原始图像的局部、全局以及多尺度特征表示,根据融合规则融合不同源图像的特征表示后再输入到解码器中生成融合图像。实验结果表明,与CBF、PAPCNN、IFCNN、DenseFuse和U2Fusion方法相比,该方法在特征互信息、空间频率、边缘信息传递因子、结构相似度、感知图像融合质量这5个评价指标上分别平均提高6.29%、3.58%、29.01%、5.34%、5.77%,融合图像保留了更清晰的纹理细节和更高的对比度,便于疾病的诊断与治疗。     

基于注意力机制特征融合的中文命名实体识别

命名实体识别是自然语言处理领域中信息抽取、信息检索、知识图谱等任务的基础。在命名实体识别任务中,Transformer编码器更加关注全局语义,对位置和方向信息不敏感,而双向长短期记忆（BiLSTM）网络可以提取文本中的方向信息,但缺少全局语义信息。为同时获得全局语义信息和方向信息,提出使用注意力机制动态融合Transformer编码器和BiLSTM的模型。使用相对位置编码和修改注意力计算公式对Transformer编码器进行改进,利用改进的Transformer编码器提取全局语义信息,并采用BiLSTM捕获方向信息。结合注意力机制动态调整权重,深度融合全局语义信息和方向信息以获得更丰富的上下文特征。使用条件随机场进行解码,实现实体标注序列预测。此外,针对Word2Vec等传统词向量方法无法表示词的多义性问题,使用RoBERTa-wwm预训练模型作为模型的嵌入层提供字符级嵌入,获得更多的上下文语义信息和词汇信息,增强实体识别效果。实验结果表明,该方法在中文命名实体识别数据集Resume和Weibo上F1值分别达到96.68%和71.29%,相比ID-CNN、BiLSTM、CAN-NER等...     

双路自编码器的属性网络表示学习

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0...