使用有安全保障的闪存存储构建安全的汽车系统

最新设计资源

无中断向量重定位单片机中实现IAP和APP中断的方法[嵌入式技术][工业自动化]

独创了一种基于RAM中转的中断跳转方法，该方法以软件形式实现了单片机的中断向量重定位功能，实现了在应用中编程，克服了某类普通经济型单片机无法通过硬件寄存器设置中断跳转地址来实现跳转的局限性，使得这类单片机也能在同一片Flash内运行IAP和APP并相互跳转，大大拓展了实用性。采用某国产单片机(SWM240)实现了IAP和APP部分，并在生产实际中得到检验。

发表于：12/16/2020

一种高速网络流识别处理系统的设计与实现[通信与网络][通信网络]

随着骨干网络传输速率不断提高，对高速网络信号分析处理系统的需求十分迫切。骨干网络高速率、大带宽的特点给整个网络空间的管理带来了许多困难。采用五元组定义的网络流作为研究对象，通过理论分析，设计和实现了高速网络流识别处理系统硬件平台，实现网络信号在流层面的分析识别，并根据分析结果执行不同的处理策略，从而为网络流的分类处理提供了依据。

发表于：12/16/2020

基于深度学习的在线字临摹分析系统设计[其他][其他]

为方便和快速地进行字体临摹分析，该系统将纸面手写字与名人真迹字进行相似度比较，使用残差网络ResNet50模型和新的字相似度算法对手写字进行高精度识别并与名人真迹字快速地进行相似度计算。将自制的名人书法字数据集和普通中文数据集合在一起训练ResNet50模型，最后结合Web网站和Android开发了一个实时在线手写字与各名人书法字进行相似度比较的系统。Android端主要用来上传纸面手写字照片和展示处理的结果，搭建的Web网站用来对图片进行识别和相似度的计算与分析。

发表于：12/16/2020

基于Wi-Fi信号的环境反向散射技术分析[通信与网络][物联网]

环境反向散射技术给物联网低功耗设备部署的商业化带来了新的技术方案。首先简要概述反向散射技术的分类和基本特点，然后基于Wi-Fi信号下的环境反向散射技术，分析反向散射的设备通过接收Wi-Fi报文及反射信号来传递信息的可行性，讨论设备实现Wi-Fi双向通信的硬件框架和软件模块结构，介绍反向散射技术的应用场景，并归纳该技术的挑战和改进方向。最后展望了基于Wi-Fi信号的环境反向散射技术的发展趋势和研究方向。

发表于：12/16/2020

5G基站型路侧设备技术方案与应用研究[通信与网络][5G]

随着5G技术的发展和商用，基于车路协同的自动驾驶被业界认为是车联网未来发展的主要方向之一，路侧设备RSU是车路协同关键设备之一。立足于未来5G网络和C-V2X网络发展趋势，分析了5G基站型RSU的需求，并对5G基站型RSU的技术方案、基本功能进行了描述，展望了5G基站型RSU的应用场景。

发表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量预测[人工智能][物联网]

有效的交通流量预测对人们出行和交管部门监管都有着重要的意义。传统的交通量预测模型主要基于交通流的时间特性，未结合交通流的时间和空间特性进行深入挖掘，因此预测效果有时不佳。提出了一种基于CNN与LightGBM结合的交通流预测模型，首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性，实现对交通流数据的时空特征提取，然后将CNN提取到的特征向量输入到LightGBM模型中进行预测。为了验证模型的有效性，实验中使用了多种预测模型进行对比，实验结果表明，所提出的考虑到时空特性的CNNLightGBM组合的模型可以明显降低预测误差，是一种有效快速的交通流预测模型。

发表于：12/15/2020

一种邻域自适应的双阈值点云特征提取方法[其他][其他]

点云数据的特征提取是点云数据处理环节中的一项重要内容，对几何分析、数据分割、点云配准、模型重建等研究起关键作用。研究了基于法向量和曲率的点云特征提取技术，阐明了特征提取过程中邻域选取与单一参数计算存在的问题，提出了邻域自适应的双阈值点云特征提取方法。通过实验对比了该算法与基于曲率的特征提取算法的提取效果，验证了本算法的稳定性、准确性。该算法对于几何特征复杂的点云具有较好的提取效果，对提高点云特征点提取的精度及效率具有重要的意义。

发表于：12/15/2020

基于Flink框架的TopN堆排序优化算法[其他][其他]

为了解决大数据TopN排序问题，将传统的堆排序进行优化，阐述了优化后的HeapOptimize方法的处理过程。HeapOptimize方法基于Flink框架来完成TopN作业，可以实时地接收并处理大量的数据，根据单位时间需要处理的数据数量来调整算子的并行度，增加Flink框架的吞吐量，提高处理数据的速度。通过实验测量的数据结果佐证了HeapOptimize方法的优势。

发表于：12/15/2020

基于改进马尔科夫特征的图像拼接检测研究[通信与网络][信息安全]

针对传统马尔科夫特征拼接检测准确率不高的问题，提出了一种有效的马尔科夫特征提取方法。与传统马尔科夫特征的计算过程不同，只计算水平和垂直两个方向的转移概率矩阵，选择四个转移概率矩阵中对应位置求和后的值作为最终特征。求和操作不仅降低了特征维度，而且使真实图像与拼接图像之间的概率分布区分更加明显。所提出的算法的特征维度与数据集无关。该方法在哥伦比亚彩色拼接检测图库、CASIA V1.0和CASIA V2.0数据集上测试的准确率分别为94.38%、99.19%、96.02%。

发表于：12/15/2020

基于DAPA的卷积神经网络Web异常流量检测方法[测试测量][通信网络]

针对Web攻击流量检测问题，提出一种基于动态自适应池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷积神经网络模型。首先将数据集中每一条请求流量进行剪裁、对齐、补足等操作，生成一系列50×150的矩阵数据A作为输入，然后搭建基于动态自适应的卷积神经网络模型去进行异常流量检测，使之可以根据特征图的不同，动态地调整池化过程，在网络结构中添加Dropout层来解决流量特征提取过程中的过拟合问题。实验表明，该方法比未使用动态自适应池化的方式精确度提升了1.2%，损失值降低了2.6%，过拟合问题也得到了解决。

发表于：12/15/2020

基于KNN的剩余油形态识别[其他][其他]

对从实验中采集到的剩余油图像进行分析研究，可以为油藏后期开采提供理论依据。通过收集确定类型的剩余油特征数据作为样本集向量空间，对待分类剩余油特征数据进行归一化处理，之后求取欧氏距离。使用KNN（K近邻）分类方法近邻投票确定剩余油类别，可以较为快速准确地得到分类结果。

发表于：12/15/2020

基于方面情感的层次化双注意力网络[人工智能][信创产业]

基于深度学习的方面级情感分析，结合注意力机制的神经网络模型取得较好的分类效果，但常用方法仅考虑单一层面注意力机制，且无法获取句子间依赖关系。设计了一种层次化的双注意力神经网络模型用于方面级情感分析，针对特定方面引入方面目标的注意力机制以及文本上下文自注意力机制，获取方面特征信息和句子的全局依赖信息；设计层次化GRU网络，其中单词层嵌入特定方面信息，获取针对方面目标的句子内部特征信息，句子层网络通过双注意力机制和词语层的输入，获取句子间的特征依赖信息，从而实现深层次的方面情感分类。在SemEval 2014两个数据集和Twitter数据集上进行对比实验，验证了该方法的有效性，针对方面级情感，分类准确率均得到了有效提升。

发表于：12/15/2020

基于疲劳驾驶的人眼定位方法研究[人工智能][工业自动化]

人眼定位是疲劳驾驶的研究关键。由粗到精，先后进行了人脸检测、瞳孔定位。针对现有方向梯度直方图人脸检测算法泛化能力不佳的问题，提出了一种基于信息熵加权的HOG特征提取算法，该算法将待分类的人脸特征进行信息熵阈值加权，形成新的HOG特征，然后通过支持向量机进行分类；针对现有瞳孔定位算法准确率不高的问题，提出了多算法协同工作的瞳孔定位方法，以自商图为基准寻找二值分割点，实现了眼部区域光照不变性，以灰度积分投影为依据实现了瞳孔精确定位。实验结果表明，该文提出的人脸检测算法在CelebA验证数据集准确率可达到98.26%，较传统识别方法有更高的准确率；而瞳孔定位算法也可达到令人满意的精确度，提高了瞳孔定位的准确性。

发表于：12/15/2020

基于频域注意力时空卷积网络的步态识别方法[模拟设计][信创产业]

为了解决步态信息冗余多、特征重要性分布不均匀以及步态的时空特征难以学习的问题，提出了基于频域注意力的时空卷积网络进行步态识别。该方法改进了三维卷积网络(C3D)学习时空特征，同时提出了一种频域注意力卷积操作，既减少了冗余计算，注意力的调整又提高了学习效果。网络首先将步态信息划分为五组，然后通过改进的卷积进行时空特征抽取，最后通过Softmax层进行分类。在中科大数据集CASIA dataset B中进行测试，在Bag状态与Coat状态下准确率分别为88.5%、92.8%，分别较传统深度卷积网络(Deep CNN)提升3%左右，同时注意力在网络学习中重新分布，各个角度下的准确率也平均提升2%左右。

发表于：12/15/2020

基于双流卷积神经网络和生成式对抗网络的行人重识别算法[人工智能][信创产业]

近年来，针对行人重识别问题的深度学习技术研究取得了很大的进展。然而，在解决实际数据的特征样本不平衡问题时，效果仍然不理想。为了解决这一问题，设计了一个更有效的模型，该模型很好地解决了目标的不同姿态的干扰以及数据集中的图片数量不足的问题。首先，通过迁移姿态生成对抗网络生成行人不同姿势的图片，解决姿态干扰及图片数量不足的问题。然后利用两种不同的独立卷积神经网络提取图像特征，并将其结合得到综合特征。最后，利用提取的特征完成行人重识别。采用姿势转换方法对数据集进行扩展，有效地克服了由目标不同姿势引起的识别误差，识别错误率降低了6%。实验结果表明，该模型在Market-1501和DukeMTMC-Reid上达到了更好的识别准确度。在DukeMTMC-Reid数据集上测试时，Rank-1准确度增加到92.10%，mAP 达到84.60%。

发表于：12/15/2020