基于圆形参数域和重要性采样的三维模型网格重建

给出了一个基于参数化和重要性采样的网格重建算法.算法搜索一条切线将三维模型表面切分成一片碟形表面,并将其参数化到二维单位圆中.根据模型的曲率信息和参数化的扭曲度生成一张控制图.利用蓝噪声采样算法对用控制图调制后的采样密度采样得到离散采样点.通过对采样点进行平面三角化并将其映射回三维空间实现了三维网格重建.实验证明,该方法有效地改善了参数化的扭曲度,并能得到具有自适应性的高度规则网格.     

变频调速恒压供水系统新方法

针对当前多数恒压供水系统水泵运行状态单一、不能自动完成多台水泵循环工作,影响水泵使用寿命且使其它水泵长期停歇造成资源浪费的问题。提出了采用支持图形化逻辑电路编程的LOGO!可编程控制器,依据增泵条件和减泵条件,实现了变频恒压供水系统多泵自动循环工作和定时自动切换的控制功能。实际运行结果表明,该方法控制有效,系统运行稳定可靠、功能完善。     

变频调速系统恒线速控制器的设计

针对数控机床工件恒线速加工时的特殊要求,提出了一种应用于变频调速系统的恒线速控制方法。该方法根据直径变化而自动调整主轴电机转速,以达到恒线速加工的目的,并使用PID算法来实现系统的稳定可靠运行。该控制器具有简单、快速、稳定的特点。将此控制器应用于变频数控机床,明显改善了工件的表面加工质量,以较低的成本大大提高了生产效率,取得了明显的经济效益。     

双馈发电机变速恒频系统矢量控制的研究

分析双馈异步发电机的工作及设计原理,建立其数学模型,推导定子磁链定向的矢量控制方程j,最终确定双馈异步发电机的控制框图,并通过仿真验证该控制策略的有效性。     

时变步长恒模医学CT图像盲均衡算法

提出一种基于误差信号峰度的自适应时变步长恒模医学CT图像盲均衡算法,通过降维处理将图像的恢复过程等效为一维盲均衡运算,构建行列等效变换的降维医学CT图像恒模盲均衡代价函数,利用误差信号峰度控制步长因子,加快算法的收敛速度。仿真结果表明,该算法能改善恢复效果,减小稳态剩余误差。     

QingLong:一种基于常变量异步拷贝的神经网络编程模型

近年来,人工神经网络的研究取得了巨大成就,在图像识别、自然语言处理等领域均有突破性的成果,同时产生了众多商业应用,方便了我们的生活,比如语音助手、辅助驾驶等.由于神经网络算法属于计算密集型和访存密集型的负载,传统CPU处理器已不能满足其大规模商业化应用的需求,因此学术界和产业界试图在GPU、FPGA和ASIC上寻求突破.其中,神经网络加速器作为一种ASIC,它提供了高性能、低功耗的硬件解决方案,相关研究也越来越多.神经网络加速器作为一种协处理器,在其计算前后需要将数据在主机与设备之间进行搬运.特别是对吞吐量要求较高的神经网络前向推理任务,需要将网络模型参数、硬件指令等常量数据和输入、输出等变量数据,分别从主机内存拷入设备内存.如果常量数据在每一份输入数据计算前都拷贝一次,就存在常量数据重复拷贝的问题,浪费了时间与存储资源.如何在神经网络开发工具软件中实现拷贝多次变量数据但只拷贝一次常量数据,如何保证指令在每次计算中都正确寻址常量和变量,如何简化用户编程,提供用户友好的接口,就成为一系列值得研究的问题.在本文中,我们提出了一种基于常变量异步拷贝的神经网络开发工具软件及其编程模型QingLong来解决上述问题.QingLong编程模型包含三个阶段:定义网络、编译网络和计算.在定义网络阶段,用户可以为神经网络的数据节点绑定常量数据;在编译网络阶段,通过REOFF数据包装法将常量数据封装为数据包;在计算网络阶段,用户拷贝一次数据包后即可多次拷入输入数据并计算输出结果.该编程模型具有编译、计算分离,常变量异步拷贝,计算和数据拷贝可切分为三级流水线等优势.实验表明,在连续计算100份输入样本时,QingLong比DLPlib有平均17.48倍的性能提升,且输入样本越多,性能提升的倍数越大.     

自助重要性采样用于实时多目标视觉跟踪

多目标视觉跟踪的主要困难来自于多个目标交互(部分或完全遮挡)导致的歧义性. 马尔可夫随机场(Markov random field, MRF)可以消除这种歧义性且无需显式的数据关联. 但是, 通用概率推理算法的计算代价很高. 针对上述问题, 本文做出了3点贡献: 1)设计了新的具有"分散-集中-分散"结构的递归贝叶斯跟踪框架—自助重要性采样粒子滤波器, 它 使用融入当前时刻观测的重要性密度函数解决维数灾难问题, 将计算复杂度从指数增长变为线性增长; 2)提出了新的蒙特卡洛策略— 自助重要性采样, 利用MRF的因子分解性质进行重要性采样, 并使用自助法产生低成本高质量的样本、降低似然度计算次数和维持多模式分布; 3)采用了新的边缘化技术—使用辅助变量采样进行边缘化, 使用自助直方图对边缘后验分布进行密度估计. 实验结果表明, 本文提出的算法能够对大量目标进行实时跟踪, 能够处理目标间复杂的交互, 能够在目标消失后维持多模式分布.