基于多端忆阻器的组合逻辑电路设计

微型忆阻器为大脑神经网络的发展提供了新的机遇,简单而精确的忆阻器可以提高各种神经网络和运算电路的性能。以传统二端忆阻模型为基础,通过引入控制端口,设计了一种多端忆阻器,使忆阻器在电路设计和应用中更加灵活实用。鉴于多端忆阻器的电阻由金属区、低电阻区和高电阻区三部分组成,采用三段分片线性法来分别拟合这三个区域。通过推导忆阻器的公式和工作原理,建立了该忆阻器的模型,并对所构建的电路进行了磁滞曲线与逻辑电路测试。仿真结果表明:构建的多端忆阻器能够产生符合忆阻特性的滞回曲线,并且实现了组合逻辑电路功能。由于搭建的忆阻器电路仅由MOS管构成,与传统忆阻逻辑电路相比,所使用的元件数量降低了63.9%。

基于轻量级Transformer的隧道裂缝分割

裂缝检测对保证隧道结构安全至关重要,及时发现隧道裂缝缺陷,有利于降低工程维修成本和保障行车安全。然而,传统卷积神经网络在隧道裂缝检测任务中主要侧重提高检测精度和算法复杂度,如何平衡裂缝检测的精度和实时性是当前研究的一个难点。针对这一问题,本文提出一种基于轻量级Transformer的裂缝分割方法 CrackViT。首先,采用卷积神经网络与Transformer混合的MobileViT网络构建裂缝特征提取网络,减少网络模型参数和计算量,并且有效提取裂缝图像全局信息和局部特征信息。然后,提出改进空洞空间金字塔池化解码器实现不同尺度的特征提取和信息融合,实现像素级概率分布。同时,裂缝图像存在细节信息缺失问题,引入高效通道注意力模块,增强对裂缝特征信息的提取能力。此外,针对裂缝与背景类别不平衡问题,设计了在线困难样本挖掘损失函数进行缓解。实验结果表明:在单个3050Ti GPU上,CrackViT算法最终在裂缝数据集上以63 FPS的速度获得了75.62%的IoU,模型参数量仅为2.43 M。CrackViT-L模型精度IoU为76.83%,模型参数量为3.56 M,模型推理速度达到61FPS。算法测试精度优于大多数主流模型,并且需要更少的模型参数。研究结果表明,CrackViT所预测的隧道裂缝分割图像边缘更加清晰和完整,保持推理速度的同时,能够有效检测裂缝,该算法有助于隧道裂缝检测实际应用。