资源受限的机械振动 WSN 层次分解 CNN 边缘计算方法

用于机械振动监测的无线传感器网络节点的微控制器需要进行复杂的边缘计算,然而硬件资源受到限制。 卷积神经网 络作为一种性能优越的深度学习算法,若将其运行在 MCU 上可增强边缘 WSN 节点的计算能力。 本文提出了一种不修改 CNN 模型的层次分解方法,解决了难以在资源受限的 MCU 上运行不轻量化 CNN 的问题,实现了机械振动 WSN 节点的计算能力增 强。 首先通过设计文件结构用于分解并存储 CNN 模型参数,然后提出内存管理方法并推导随机存取存储器的消耗过程,最后 提出参数定位方法准确高效地读取模型参数。 实验表明仅使用 1. 76 KB RAM 与 2. 14 KB Flash,在 3. 15 ms 内便可实现高准确 率的边缘计算识别任务。     

基于CeO2-x-TiO2薄膜厚度的数模阻变转换机理

采用溶胶凝胶法和旋涂工艺在FTO衬底制备阻变层CeO_2-x-TiO₂薄膜，通过在CeO_2-x-TiO₂薄膜表面热蒸镀Al电极制备Al/CeO_2-x-TiO₂/FTO阻变器件，采用XRD和XPS表征CeO_2-x-TiO₂薄膜的晶相组成和晶体结构。结果表明：阻变层中主要由TiO₂和CeO_2-x组成。与Al/CeO₂/FTO器件相比，Al/CeO_2-x-TiO₂/FTO阻变器件的电学性能得到提升。I-V测试表明Al/CeO_2-x-TiO₂/FTO器件具有无初始化过程的双极性阻变特性。对不同CeO_2-x-TiO₂厚度下的阻变器件进行电学分析，研究表明Al/CeO_2-x-TiO₂/FT...     

基于CeO_(2-x)-TiO_(2)薄膜厚度的数模阻变转换机理EI北大核心

采用溶胶凝胶法和旋涂工艺在FTO衬底制备阻变层CeO_(2-x)-TiO_(2)薄膜,通过在CeO_(2-x)-TiO_(2)薄膜表面热蒸镀Al电极制备Al/CeO_(2-x)-TiO_(2)/FTO阻变器件,采用XRD和XPS表征CeO_(2-x)-TiO_(2)薄膜的晶相组成和晶体结构。结果表明:阻变层中主要由TiO_(2)和CeO_(2-x)组成。与Al/CeO_(2)/FTO器件相比,Al/CeO_(2-x)-TiO_(2)/FTO阻变器件的电学性能得到提升。I-V测试表明Al/CeO_(2-x)-TiO_(2)/FTO器件具有无初始化过程的双极性阻变特性。对不同CeO_(2-x)-TiO_(2)厚度下的阻变器件进行电学分析,研究表明Al/CeO_(2-x)-TiO_(2)/FTO器件在不同CeO_(2-x)-TiO_(2)膜厚下其低阻态呈欧姆导电机制。随着CeO_(2-x)-TiO_(2)厚度的增加,高阻态的阻变机制会发生本质变化,器件的阻变机制从氧空位导电细丝机制转变为缺陷对电荷的捕获/释放机制。研究发现Al/CeO_(2-x)-TiO_(2)界面处的AlO_(x)层是阻变机制转变的关键,AlO_(x)层的增厚使器件从“数字型”转变为“模拟型”。