VxWorks END网络驱动软件的开发与实现

网络资源的广泛、便捷和资源共享等优势使得网络技术在各个领域的应用越来越广泛,嵌入式系统也不例外,但是嵌入式操作系统自身支持的网卡设备不是太多,这就极大地限制了嵌入式实时操作系统VxWorks对网络资源的使用,因此对VxWorks网络驱动软件的开发就成为了当下的热点和难点;在详细介绍了一种基于MUX下END型网络驱动软件的开发过程,对板级支持包BSP的配置和功能以及MUX在VxWorks END网络驱动软件中的作用进行了详细的研究和论述,并结合实践中用到的RTL8139D型的网卡在Vx-Works实时操作系统下驱动程序的开发为例,给出了END驱动程序的基本框架和开发流程,对所有基于MUX机制下的VxWorks网络驱动软件开发具有参考价值。

Vx Works END网络驱动软件的开发与实现

网络资源的广泛、便捷和资源共享等优势使得网络技术在各个领域的应用越来越广泛,嵌入式系统也不例外,但是嵌入式操作系统自身支持的网卡设备不是太多,这就极大的限制了嵌入式实时操作系统VxWorks对网络资源的使用,因此对VxWorks网络驱动软件的开发就成为了当下的热点和难点。在这里详细介绍了一种基于MUX下END型网络驱动软件的开发过程,对板级支持包BSP的配置和功能以及MUX在VxWorks END网络驱动软件中的作用进行了详细的研究和论述,并结合实践中用到的RTL8139D型的网卡在VxWorks实时操作系统下驱动程序的开发为例,给出了END驱动程序的基本框架和开发流程,对所有基于MUX机制下的VxWorks网络驱动软件开发具有参考价值。

VxWorks增强型网络驱动程序(END)的分析与实现*

随着嵌入式操作系统VxWorks在国内外各种领域越来越广泛的应用,如何让VxWorks支持各种硬件平台成了亟待解决的问题。介绍了设备驱动相关的一些基础知识,阐述如何在VxWorks中添加END驱动,最后对WindRiver提供的END网卡驱动程序模板进行流程上的分析。

基于RefineNet的端到端语音增强方法

为提高神经网络对语音信号时域波形的直接处理能力,提出了一种基于RefineNet的端到端语音增强方法.本文构建了一个时频分析神经网络,模拟语音信号处理中的短时傅里叶变换,利用RefineNet网络学习含噪语音到纯净语音的特征映射.在模型训练阶段,用多目标联合优化的训练策略将语音增强的评价指标短时客观可懂度(Short-time objective intelligibility,STOI)与信源失真比(Source to distortion ratio,SDR)融入到训练的损失函数.在与具有代表性的传统方法和端到端的深度学习方法的对比实验中,本文提出的算法在客观评价指标上均取得了最好的增强效果,并且在未知噪声和低信噪比条件下表现出更好的抗噪性.

基于VxWorks的百兆以太网通讯在嵌入式系统中的实现

介绍了VxW orks操作系统的概念,分析了VxW orks下以太网通讯的模型。并以MPC8260微处理器为例,讨论了在嵌入式系统中实现百兆以太网通讯的硬件设计方法,详细描述了基于VxW orks的以太网驱动程序的开发过程。

基于MPC8260和VxWorks实现快速以太网通信

MPC8260芯片因其强大的通信处理能力和多种协议的支持而被广泛应用于通信和网络领域。以MPC8260微处理器为例,讨论在嵌入式系统中实现快速以太网通信的硬件设计方法,分析了VxWorks网络系统的结构,描述了基于VxWorks的以太网驱动程序的开发方法及其流程。对所有基于MUX(多路选择)机制下的VxWorks网络设备驱动程序开发者具有参考价值。

基于超轻量通道注意力的端对端语音增强方法

全卷积时域音频分离网络(Conv-TasNet)是近年提出的一种主流的端对端语音分离模型。Conv-TasNet利用膨胀卷积扩大感受野,使其在空间上可以融合更多语音特征,极大地提高了网络的语音分离性能,但同时忽略了信息在不同卷积通道间的重要性。基于此,提出一种基于超轻量通道注意力的端对端语音增强方法,该方法结合了Conv-TasNet和通道注意力,并在Conv-TasNet编解码器部分增加一组滤波器来提高网络语音特征提取能力,使卷积神经网络可以更有效地结合空间信息和通道信息来提高语音增强效果。实验验证了所提方法的模型容量在只增加了约0.02%的情况下,语音增强性能获得了有效提升。

WCDMA网络端到端业务性能优化

互联网和无线网的融合极大地影响着WCDMA系统所承载的数据业务性能,因而扩展了无线网络运维与优化的问题域,仅关注空中接口的性能将很难满足端到端业务的需求。本文从网络层面、应用层面、数据链路层面、终端层面等角度系统介绍了有利于端到端业务性能优化的主要技术。

基于端到端学习的视觉车道线保持方法研究

针对传统自主驾驶汽车复杂的车道检测、路径规划和运动控制技术问题,基于卷积神经网络设计了一种视觉车道保持系统,该方法可直接从视觉传感器中获取数据以控制车辆转向。基于消失线方法对图像进行区域剪切获取感兴趣区域,解决了训练过程需标记大量的数据集而时间成本高的问题。采用上、下采样结合及色彩空间转换方法进行数据增强,避免了数据不平衡和过拟合现象。最后,结合实际情况修正了转角损失与油门损失权重比。将预处理后的数据馈送到神经网络进行训练,通过仿真实验验证了方法的可行性,实现了基于端到端学习的DIY小车在所设置轨道上的自主驾驶。

HP-Indigo技术及其照片应用

HP-Indigo数字印刷机应用了基于电子油墨(ElectroInk~?)和热转印橡皮布的液体电子照相技术。通过多束激光扫描单元使光电导体充电后产生潜影,然后再通过多色显影站,使潜影产生油墨显影。利用电场将油墨转移至橡皮布,油墨载体溶剂在橡皮布上蒸发,生成热熔性油墨薄膜,凭借压力和粘性转移至承印物。端到端的工作流程和整理解决方案也由HP-Indigo通过合作网络伙伴提供。工作流程解决方案包括创建软件、自动图像增强服务器、拼版、高速图像处理(rips)和颜色转换。裁切解决方案包括在线层压、在线液体涂布、切割、堆叠、书籍装订等。

基于特征增强和ELU的神经网络建筑物提取研究

近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、"编码器-特征增强-解码器"结构的网络模型FE-Net。实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到"U-Net6+ReLU+特征增强"的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net(U-Net6+ELU+特征增强)。比较3个网络模型(U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net(U-Net6+ELU+特征增强))的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松F1值达到97.23%,比"U-Net6+ReLU"和"U-Net6+ReLU+特征增强"2个网络模型分别高出0.36%和0.12%,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取。