延时约束下的异构通信网络稳定性控制技术

传统的异构通信网络稳定性控制技术传输过程中容易发生信号失真, 且稳定性控制效果不明显。 为此,研究了一种延时约束下的异构通信网络稳定性控制技术。 引用分数阶方法设计了技术工作框架, 根据电子信号种类不同, 设置不同的采集模板处理信息, 选用模式识别、 概率法和转换算法对稳定性控制的输出结果进行识别。 在工作流程方面进行了简化处理, 共分为初始数据检查、 自由网建立、 位移变化率建立和波动值控制4 步, 有效提高了异构通信网络系统的抗干扰能力。 与传统控制技术进行了对比实验, 并对正常运行、 故障运行和恢复运行状态进行了研究, 实验结果表明, 设计的稳定性控制技术能有效提高控制效率, 使异构通信网络始终保持在稳定状态下运行。     

KCPNet:张量分解的轻量卷积模块设计、部署与应用

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题，在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上，提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解，生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积和两层负责特征提取的变通道可分离卷积，再将这4层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU,并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明：在ImageNet大规模标准数据集上，相比ResNet、ResNeXt等已有的张量分解卷积模块，KCPNet在准确率相近的情况下能够兼顾空间和计算复杂度的效率；在中等规模标准数据集CIFAR-10上，KCPNet能够在无明显精度损失的前提下将传统的VGG模型压缩至原先的16.1%并节约75.5%的计算量；在面向嵌入式GPU时，并行部署的KCPNet可使CIFAR-10的识别速度达到100帧/s。以KCPNet为核心开发的手势识别应用程序可达到99.5%的准确率和100帧/s以上的运...