自适应多采样扫描转换算法

随着片元着色器的可编程能力不断提高和新型图元的出现,扫描转换必须加强多采样时的处理能力.经典的边方程扫描转换算法便于实现多采样,但采样点测试的计算量大并且存在冗余测试,为此提出一种自适应多采样扫描转换算法.该算法的多采样集中在"边界片元",并结合点采样和区域采样技术根据自适应细分规则细分边界片元进行采样点的测试;避免了边方程算法中进行采样点测试时的乘法运算,减少了采样点的冗余测试,提高了多采样时扫描转换的性能.实验结果表明,文中算法在较小代价下达到或接近有相同采样点数的超采样反走样能力.

基于自适应相关多采样技术的CMOS图像传感器列级单斜ADC设计

为了降低CMOS图像传感器的噪声水平,本文提出了一种基于自适应相关多采样技术的单斜ADC,可以根据光强自动选择合适的斜坡信号完成A/D转换。通过在低照度下使用小范围、高增益的斜坡信号进行多采样操作,可以充分降低读出噪声。多斜坡发生器由温度计码电容型DAC实现,此外还分析并校准了斜坡信号的失调电压和增益误差。提出的单斜ADC是在标准的110 nm 1P4M工艺下设计仿真的。仿真结果表明:基于自适应相关多采样技术的单斜ADC不会增加总A/D转换时间,同时在8倍的前置放大器增益下实现了最低59μV_(rms)的读出噪声。此外当前置放大器为2倍增益时,读出噪声从强光下的211μV_(rms)降低到弱光下的92μV_(rms),噪声的降低对应于7.21 dB信噪比的提高。另外,本文的品质因数为3.77 nV_(rms)·s。

基于改进Dueling DQN的多园区网络动态路由算法

针对高度“中心”连接的多园区网络中,负载不均衡造成传输时延长和网络拥塞问题,提出一种基于自适应多采样机制的决斗深度强化网络(adaptive multi-sampling Dueling deep Q-network, AMD-DQN)动态路由优化算法。首先,在网络模型中引入决斗网络(dueling DQN)的思想,同时对多层感知器组成结构进行中心化处理改进,防止高估计价值函数;然后,经验回放机制采用了自适应多采样机制,该机制融合了随机、就近和优先采样方式,根据负载情况进行自适应调整,并根据权值概率随机选取采样模式;最后,利用AMD-DQN网络结构结合强化学习信号和随机梯度下降来训练神经网络,选出每步最大价值动作,直至传输成功。实验结果表明,相比传统的DQN和Dueling DQN算法,AMD-DQN算法平均时延为128.046 ms,吞吐量达到5.726个/s,有效减少了数据包的传输时延,提高了吞吐量,同时从5个方向对拥塞程度进行评价,取得了较好的实验结果,进一步缓解了网络的拥塞。