简介:在高速链路中,差分线由于具有很高的鲁棒性从而应用广泛,因此差分线的补偿就显得至关重要。以寻找最优的补偿方法为研究目的,结合实际PCB工作中的层叠结构,通过在HFSS和ADS中搭建模型,对比验证不同补偿方式对差分信号质量的影响。最后,指出存在的问题并总结归纳解决方法,为今后PCB布线中差分信号线的补偿方式提出了一些建议。
简介:无线传感器网络栅栏覆盖在入侵监测领域发挥着重要的作用,知何高效、低代价地构建栅栏以及栅栏出现间隙后如何修复是重点研究问题。针对该问题提出一种能耗优先的WSN栅栏覆盖方法,首先根据静态传感器节点构建全连接拓扑图,然后将全连持拓扑图转换为可移动节点需求拓扑图,接着采用K一最每路径算法和匈牙利算法选择可移动节点需求拓扑图中的最佳栅栏构建路径并派遣可移动节点完成栅栏的构建。该方法在充分利用静态传感器节点的基础上派遣少量可移动传感器节点即可完成栅栏的构建。实验结果表明在栅栏构建和修复方面与其他方法相比节约了能量,且栅栏修复率比Optimal方法提高了8%.
简介:以TI公司的TMS320C57S为例,讨论C54xDSP的主机接口与Intel80386EX处理器的连接技术,及软件设计中的注意事项。
简介:在丝绸等织物生产过程中,经常会出现织物产生非正常花纹的缺陷。目前对织物缺陷的检测主要是通过人工肉眼判别,该方法花费时间长、人工成本高,会给企业带来较大的经济负担。本文通过使用BP和SAE两种神经网络对织物进行缺陷检测,并判断是何种缺陷:首先介绍了使用BP神经网络对大量样本训练并保存,得到最佳权值,从而实现对于图像的缺陷检测和分类;训练样本通过SAE深度神经网络训练得到重构图像,再不断微调参数,获得最佳的权重数值,运用滤波器过滤噪声,最终得到结果。通过大量的实验,结果表明两种方法对织物缺陷检测均具有非常良好的效果,充分证明了深度神经网络在工业生产织物过程中运用的可行性。
简介:传统的生物医学命名实体识别方法需要大量的标注数据样本,但是在实际应用中标注样本代价高昂。为降低生物医学命名实体识别对标注样本的需求,本文提出通过使用PU学习中的两步法方法,将生物医学命名实体识别问题转化为PU场景下的命名实体识别问题。在第一步中分别使用1-DNF、Spy、NB和Rocchio算法在未标注数据中抽取强负例,然后在已有的正例数据和强负例数据的基础上构建隐马尔可夫模型,最后对待分类数据进行命名实体识别。在GENIA语料库上的实验结果显示,在标注数据较少的情况下,通过使用PU学习方法的两步法构建分类模型,其性能显著优于直接使用标注数据构建的分类模型,同时降低了人工标注数据的成本。