TDR特性阻抗测试技术应用

当传输线的阻抗不连续时,将会产生多重反射,并破坏电路系统信号的完整性。通常使用时域反射计法（TDR）测量传输线的特性阻抗值。TDR法测试具有快速、简单、经济、实用、精度较高的特点。该测试方法又分为单端测量和差分测量两种,目前,单端测量的结果比较稳定,也较为常用。     

医用药剂中可见异物自动化检测研究

针对国内人工药品检测的低效率、低准确率的不足,文章介绍了一套根据国家行业标准设计的基于智能机器视觉的可见异物自动化检测系统。该系统主要包括机械传动模块、电气控制模块、图像识别与处理模块。根据异物运动连续性和噪声运动无序性等特点,提出了改进的三次差分和能量累积算法来提取运动杂质,然后采用基于基于SIFT特征匹配和最邻近匹配的目标跟踪算法对杂质进行跟踪,获取杂质的大小和数目并分析出杂质总类,最后检测出杂质情况。最后把检测结果与国家标准进行比对,判断出该药剂是否合格。测试表明,系统的检测准确率达90%以上,满足企业要求,基本能替代人工检测。     

基于DSP和DDS的差分跳频系统频率合成器设计

差分跳频技术以其跳速高、抗干扰能力强等特点,是今后短波跳频通信的发展方向。本文主要介绍一种差分跳频系统中的频率合成器设计方案,选用直接数字频率源DDS芯片AD9854作为核心器件,采用DSP芯片TMS320VC5402控制DDS的方式输出发射频率。实际测试结果表明:频率转换速率快,波形质量好。     

利用改进的差分进化算法求解等圆Packing问题

等圆Packing问题属于强约束的复杂组合优化问题之一,针对其强约束特点及难点,通过改进传统的差分进化算法,提出一种等圆Packing问题的求解方法。该改进算法特点是将有效解空间加入差分进化的变异约束中,并采用随机排序机制改进差分进化的选择机制。通过多次实验,表明此算法在求解小规模等圆Packing问题上取得的效果与目前所能找到的最优值相差不到0.6%,从而验证了演化计算在求解等圆Packing问题的可行性;与此同时,演化算法具有很好的收敛性,因此在其他强约束的复杂优化问题上将有很好的应用。     

泰坦再现 ASUS ROG CG8580

从ROG CG8565变成了CG8580,机箱内的硬件配置也随着核心技术的进步而发生了变化,从一款SandyBridge平台进化为Ivy Bridge平台。还记得华硕玩家国度游戏PC吗?没错,就是那个被称作泰坦的大家伙,又出现在我们的实验室中了!还是相同的外形,只是机器型号的数字大了一些--从ROGCG8565变成了CG8580(别问我这数字有什么规律,我也闹不明白);当然,机箱内的硬件配置也随着核心技术的进步而发生了变化,从一款Sandy Bridge平台进化为IvyBridge平台。ROG CG8580的主机沿用了上一代产品的设计,采用了一种棱角鲜明的犀利造型,据称是源自于核潜艇的设计灵感,表达了华硕希望它能     

DCKPDP：改进k-prototype聚类的差分隐私混合属性数据发布方法

当前混合属性数据发布中隐私保护方法大多存在隐私保护效果不佳或数据效用较差的问题,采用差分隐私与优化的k-prototype聚类方法相结合,提出改进k-prototype聚类的差分隐私混合属性数据发布方法(DCKPDP)。为解决传统k-prototype聚类算法没有考虑不同数值型属性对聚类结果有较大影响的问题,利用信息熵为每个数值型属性添加属性权重;为解决聚类初始中心点人为规定或者由随机算法随机确定,导致聚类结果精确度不高的问题,结合数据对象的局部密度和高密度对聚类过程中初始中心点进行自适应选择;为解决数据信息泄露风险较高的问题,对聚类中心值进行差分隐私保护。实验结果表明,DCKPDP算法满足差分隐私保护所需的噪声量更小,数据的可用性更好。     

横向联邦学习中PCA差分隐私数据发布算法

为了让不同组织在保护本地敏感数据和降维后发布数据隐私的前提下,联合使用PCA进行降维和数据发布,提出横向联邦PCA差分隐私数据发布算法。引入随机种子联合协商方案,在各站点之间以较少通信代价生成相同随机噪声矩阵。提出本地噪声均分方案,将均分噪声加在本地协方差矩阵上。一方面,保护本地数据隐私;另一方面,减少了噪声添加量,并且达到与中心化差分隐私PCA算法相同的噪声水平。理论分析表明,该算法满足差分隐私,保证了本地数据和发布数据的隐私性,较同类算法噪声添加量降低。实验从隐私性和可用性角度评估该算法,证明该算法与同类算法相比具有更高的可用性。     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。