异步Viterbi解码器同步接口的设计

提出了一种利用异步 FIFO ( First In First Out)连接异步逻辑电路与同步逻辑电路的方法 ,并设计实现了相应的异步 FIFO电路 ,作为连接异步 viterbi解码器和其他同步逻辑电路的同步接口。对异步 FIFO的级数与异步 viterbi解码器内部的时序关系进行了分析。用逻辑仿真的动态时序分析表明 ,当同步电路时钟的周期大于 130 ns时 ,具有同步接口的异步 viterbi解码器可以与同步电路正常协同工作。具有简单接口电路的异步解码器 ,既能发挥异步电路功率效率高的优点 。

Viterbi解码器RTL级设计优化

当今芯片产业竞争激烈,速度低、面积大、功耗高的产品难以在市场中占有一席之地。Viterbi解码器作为一种基于最大后验概率的最优化卷积码解码器,被广泛应用于多种数字通信系统中,却由于其较高算法复杂程度,给芯片设计带来了挑战。针对芯片的速度、面积和功耗,通过对Viterbi解码器RTL级设计的若干优化方法进行研究和讨论,实现了一个应用于DVB-S系统的面积约为2万门的Viterbi解码器。

Viterbi解码器的纠错门限及其对多用户检测的影响

多用户检测技术因可极大提高CDMA系统的容量而受到广泛关注.文中研究了结合前向纠错解码的多级并行干扰对消多用户检测器的性能,讨论了卷积码的纠错能力,给出了Viterbi解码器的输入和输出特性曲线,提出了Viterbi解码器的纠错门限及其两种表示方法.系统仿真结果表明,接收信号的信干比低于Viterbi解码器的纠错门限时,多用户检测器将不能正常工作,在设计实际多用户检测接收机时要设法克服纠错门限造成的影响.

SOSNet:一种非对称编码器-解码器结构的非小细胞肺癌CT图像分割模型

非小细胞肺癌严重损害人类健康,早期非小细胞肺癌CT(Computed Tomography)图像中的肿瘤结节体积小,不易发现,极易造成漏诊和误诊.为了精确分割非小细胞肺癌CT图像中的小体积肿瘤结节,本文提出SOSNet(Small Object Segmentation Networks)自动分割模型,利用ResNet(Residual Network)基础层和空洞卷积构造非对称编码器-解码器结构作为分割主网络,利用轴向取反注意力模块ARA(Axial Reverse Attention)逐步擦除背景中对分割有影响的结构,再使用结构细化模块SR(Structure Refinement)对主网络输出的粗略特征图进行结构细化,从而实现非小细胞肺癌肿瘤结节分割.在非小细胞肺癌公开数据集的实验测试表明,本文提出的小目标自动分割模型SOSNet可以有效分割出非小细胞肺癌CT图像中的小体积肿瘤结节,其mDice(mean-Dice)、mIoU(mean Intersection over Union)、Sensitivity、F1、Specificity、平均绝对误差MAE(Mean Absolute Error)均优于当前最先进的小目标分割模型CaraNet(Context Axial Reverse Attention Network).

基于门控循环单元编解码器的锂离子电池荷电状态估计

锂离子电池荷电状态(state of charge,SOC)估计技术是电池管理系统(battery management system,BMS)里的关键性技术之一,其精度要求随着锂离子电池应用领域的不断拓宽而越来越高。由此,该文提出一种基于门控循环单元(gated recurrent unit,GRU)编解码器(encoder decoder,ED)的估计方法;在编解码器框架下,首先利用双向GRU网络对可测量变量序列双向捕获依赖关系并将相关信息编码成语境向量,然后使用单向GRU网络完成对语境向量的解码。相比之前提出的循环神经网络,此类端到端模型可以从输入序列中更完整地学习到序列信息以建立出更精确的非线性SOC估计模型。实验数据验证表明,相较于3种双向循环神经网络,该文提出的门控循环单元编解码器(gated recurrent unit encoderdecoder,GRU-ED)模型在固定环境温度下取得了最佳的SOC估计效果;同时还在变温环境下实现了小误差的SOC估计,得到的平均绝对误差(meanabsoluteerror,MAE)与最大误差(maximum error,MAX)分别为0.92%与4.96%。

基于注意力编解码器及多残差网络的逆半色调方法

针对当前逆半色调方法恢复的图像存在细节不清晰甚至丢失的问题,提出了一种基于注意力编解码器及多残差网络(Encoder-decoder with attention and multi-residual network,EDAMRNet)的逆半色调方法。首先,设计融合注意力机制的编解码器结构,在其跳跃连接处添加非对称特征融合模块,以有效提取图像上下文信息;然后,构造多残差网络,捕获并保留图像空间细节信息;最后,应用监督注意力模块对图像上下文信息进行加强,再传递到多残差网络,以恢复出高质量的连续色调图像。实验结果表明:该方法与现有最优方法相比,在Urban100和Manga109数据集下的峰值信噪比平均值均提高了0.1 dB,结构相似性平均值分别提高了0.0010和0.0005。该方法能够在提取图像上下文信息的同时保留图像空间细节信息,可更好地恢复图像纹理信息,提高图像清晰度,为图像逆半色调方法研究提供了一种新的方案。

面向图像高清传输的解码器同步触发信号调制技术

当前解码器同步触发信号在调制过程中容易受到噪声影响造成信号失真,导致解码后的图像细节模糊;为了增强图像清晰度,提出面向图像高清传输的解码器同步触发信号调制技术;在设计的FPGA平台中,采用并发控制机制确保SRAM存储模块多任务访问时避免数据冲突与不一致;并结合电力载波模块和PLC网络传输器保证系统的同步性与一致性;基于16×16并行累加器输出对SRAM进行寻址,并通过同相与正交频率运算获取基带信号;同时结合DDS数字合成理论实现符号速率自由控制,在此基础上,使用5通道解码器同步触发信号调制将传输信息位映射成同步传输序列,并通过施加振荡电流,并利用数据拟合辨识方法构建传递函数,调整调制信号以改善传输中的畸变与衰减,由此完成信号调制;实验结果表明,该技术对BPSK、QPSK、FSK信号的调制误差分别为1 dB、1 dB、2 dB,对图像解码效果的影响较低,能够获得细节清晰的高清图像。

基于双模编码器-解码器框架的联机手写数学公式识别

为了充分利用联机手写数学公式的笔迹特征和全局二维结构特征,将联机模式和脱机模式联合,设计了一种基于编码器-解码器框架的双模识别模型。该模型可接受一维坐标点序列和二维静态图像形式的手写数学公式数据,通过联机编码器从输入的坐标点序列中提取笔迹特征信息,并通过脱机编码器从静态图像中提取二维结构特征信息,进而充分保留手写笔迹特征和全局二维结构特征。在编码器阶段,针对联机模式提出正弦编码,对输入的坐标点序列进行编码,补充笔画级别的信息,能够有效避免笔画间隔模糊导致的笔画信息丢失的问题;针对脱机模式提出平滑注意力机制,通过引入平滑窗口的方式,实现特征图中每个像素特征的感受野的自适应调整,在一定程度上解决了普通的注意力机制无法同时对尺寸相差较大的手写符号筛选有效特征信息的问题,有效提升了注意力机制捕捉有效手写区域的能力。实验结果表明,该模型的公式识别准确率可达58.76%,并且与相同领域内其他的识别模型相比,其可将公式识别准确率提升1.56%~4.71%,达到较高水平。

基于Transformer_LSTM编解码器模型的船舶轨迹异常检测方法

[目的]为提升船舶轨迹异常检测的精度和效率,解决传统异常检测方法存在的特征表征能力有限、补偿精度不足、容易出现梯度消失、过拟合等问题,提出一种基于Transformer_LSTM编解码器模型的无监督船舶轨迹异常检测方法。[方法]该方法基于编码器解码器架构,由Transformer_LSTM模块替代传统神经网络实现轨迹特征提取和轨迹重构;将Transformer嵌入LSTM的递归机制,结合循环单元和注意力机制,利用自注意力和交叉注意力实现对循环单元状态向量的计算,实现对长序列模型的有效构建;通过最小化重构输出和原始输入之间的差异,使模型学习一般轨迹的特征和运动模式,将重构误差大于异常阈值的轨迹判定为异常轨迹。[结果]采用2021年1月的船舶AIS数据进行实验,结果表明,模型在准确率、精确率以及召回率上相较于LOF,DBSCAN,VAE,LSTM等经典模型有着明显提升;F1分数相较于VAE_LSTM模型提升约8.11%。[结论]该方法的异常检测性能在各项指标上显著优于传统算法,可有效、可靠地运用于海上船舶轨迹异常检测。

一种基于CommView的自定义解码器开发方案

针对通信协议的多样性,每次制定一种新协议,均需要相应的报文解码器验证协议的正确性,这就需要一种报文引擎,提供自定义协议的解码接口,而CommView满足自定义解码显示要求,因此提出了一种基于CommView的自定义解码器开发方案。方案以CommView开发自定义解码器为实例,调用CommView报文引擎,以实现IECGOOSE报文的解码、结构层次树显示为实例,介绍了具体的自定义解码器的开发流程。实际证明通过CommView开发自定义解码器,能够有效提高网络通信协议的开发调试效率。

基于视频处理模块的高清编解码器设计与实现

该文设计并实现了基于视频处理模块的高清编解码器,能够对高清视频进行H.265编解码处理。该设备接口丰富,可对多种格式和分辨率的视频进行编码,同时能在视频上直接叠加字幕,目前已成功应用于卫星通信领域。

平台全面升级更好声更好用 AURALiC声韵 白羊座ARIESG2.2无线流媒体播放器+织女星VEGA G2.2流媒体解码器

现在音乐爱好者们有许多途径欣赏高清规格的数字音乐,虽然音频规格没有继续提高,但厂商仍在努力改良技术,将现在的高清音乐的潜力尽数挖掘。数字音乐在转换为模拟信号前,需要经过多重环节传输数据,而每一次传输都是一次考验,音乐数据可能发生变化,使音乐丢失细节、产生失真。所以数字音频产品的更新换代,要提升解码性能、改善传输质量,还要有强大的运算能力来管理这些功能的顺利运行。

瑞萨推出全新四通道视频解码器,助力车载摄像头实现经济型环视应用

全球半导体解决方案供应商瑞萨电子(TSE:6723)今日宣布推出车载高清链路(AHL)产品组合中的最新器件RAA279974,使汽车制造商能够通过低成本的电缆和连接器传输高清视频。全新RAA279974四通道AHL视频解码器可同时处理四个输入源,成为环视和多摄像头应用的经济型解决方案。瑞萨AHL技术基于调制模拟信号传输视频。其频率比目前市场上的数字传输解决方案低10倍(前者约为37MHz,后者为3GHz或更高),从而使其具有强大的抗噪能力,并能使用非屏蔽双绞线和标准连接器实现更长的传输距离(20-30米),同时也支持现有标清模拟视频电缆及连接器。

基于双重判别解码器的三维点云形状补全网络

针对碗状文物模型由于碎片缺失导致的逆向几何重建保真度不高的问题,为此提出了一种基于双重判别解码器的三维点云形状补全网络。首先基于编码解码器构建基本点云生成网络,然后根据生成对抗网络框架优化解码器结构,通过将全局特征进行解码获取目标骨架点云,保证点云的全局特征,进而在对骨架点云的基础上进一步进行局部点云细化生成判别,保证目标点云的局部特征。最后面向特征缺失拼接模型搭建双分支形状补全网络。实验结果表明在公开数据集ShapeNet的点云补全实验中,本文方法的平均误差更小,相较对比网络,本文方法在碗状文物模型的三维形状补全任务更好,平均倒角距离提高了20.2%,为后续的模型逼真化提供了一个基础,具有更强的性能和良好的应用价值。

数字液力解码器密封与摩擦特性试验研究

根据数字液力解码器阀体本身设计一个垂直布置的往复高压油液的密封试验台架,通过试验方法探究解码器在不同介质压力、往复速度及压缩率的条件下的密封性能及摩擦特性。结果表明:高压时,数字液力解码器需要较大的启动力,当启动力未达到最大静摩擦力时,其动作响应会存在一定的延迟现象,同时较大的滞后摩擦力会使密封系统的随动性变差;最大静摩擦力和滑动摩擦力随介质压力增加均呈线性增加,0~16 MPa与16~32 MPa两阶段的线性增长率不同,16~32 MPa时增长率变小;在高压高速时,解码器密封部位容易发生泄漏失效;初始压缩率对解码器的密封性能影响明显,初始压缩率为23.25%时,能够满足解码器正常工作时的密封要求。

基于集合经验模态分解和编码器-解码器的风电功率多步预测

准确的风电功率预测对于推动风电大规模并网具有积极意义,现有的研究多集中于超短期范围内的单步预测。为了实现更加贴近工程应用实际的风电功率多步预测,提出了一种基于集合经验模态分解和编码器-解码器的风电功率多步预测方法。首先采用k均值聚类算法对风电机组进行聚类,然后引入集合经验模态分解算法对机组群功率序列进行分解,从而提取风电场功率的时空分布特征,通过预先搭建的基于门控循环单元的编码器-解码器预测网络实现风电功率的超前多步预测,最后将各预测值重构获得风电场总功率的预测值。利用某风电场的真实数据进行算例分析,结果表明所提算法在超前1~6 h不同应用场景下的预测性能均优于其他传统模型,预测准确度提升了6.45%~13.56%。

基于编码器—解码器的工艺过程生成方法

针对现有工艺过程生成方法对于不同专业适用性较差的问题,提出一种基于深度学习编码器—解码器结构的工艺过程生成方法。该方法利用工艺大纲文件数据,通过编码器提取大纲文件中工艺属性的特征,形成工艺属性文本表征向量,解码器根据表征向量逐步生成工艺过程。在钣金零件制造与装配两个专业工艺大纲文件数据上,比较研究了24种编码器—解码器结构,最高准确率分别达到0.8287和0.6973,即生成的工艺过程有82.87%和69.73%可直接接受,不需要后续修改。这一方面表明所提出方法能够有效地从数据中学习工艺属性与工艺方法间的关系,从而生成工艺过程;另一方面,在两个专业采用相同编码器—解码器结构,表明所提方法对于不同专业的适用性,具有迁移能力。

基于增强多尺度特征解码器的图像语义分割

针对语义分割模型SegFormer在进行图像分割时存在多尺度语义信息利用不充分、细节特征丢失等问题,提出了一种改进的轻量级的语义分割算法,并设计了一个新的解码器来增强多尺度特征表示.采用新提出的瓶颈空间金字塔池化模块(BoSPP)以获得丰富且准确的多尺度信息,所提出模型采用拉普拉斯金字塔来获得编码阶段更精确的高分辨率细节特征,并将其应用于解码阶段来解决细节特征丢失的问题;最后对特征进行逐步融合,以避免上采样率过大导致细节损失,极大地保留丰富的细节特征进而增强最终的语义分割效果.ADE20K数据集的实验结果表明,使用改进后的解码器进行语义分割,在精度和运算量方面都有所改善.以使用MiT-B0编码器的实验为例,其mIoU指标相比原网络提升了1.36%,浮点运算量仅为原网络的51%.实验结果表明,改进后的模型在不增加大量计算成本的情况下提升了模型的分割精度,且浮点运算量更少,改进后的语义分割模型优于原模型,在增强多尺度特征和图像边界细节特征方面有更好的分割效果.

3D-SPRNet:一种基于并行解码器和双注意力机制的胆囊癌分割模型

利用深度学习对胆囊CT癌变部分进行分割,能够为临床医生提供诊断参考。现有方法均采用二维影像切片作为输入,缺少空间上下文信息以及对癌变边界区域的细化。为提高边界分割的准确性,保证空间信息的连续性,本文提出3D-SPRNet胆囊癌分割模型:采用并行解码器提取多尺度高级特征并解码;使用通道注意力帮助网络强调特征提取信息;利用反向注意力关注未被预测的区域,逐步细化癌变边界。选取304位来自上海交通大学医学院附属新华医院胆囊癌患者的CT影像进行实验,得到的MIoU、IoU及Dice系数分别为0.85、0.70、0.83,优于大多数主流分割网络,通过消融实验验证各模块的有效性。实验结果表明,本文提出的网络模型能够改善分割边界粗糙的问题,提高胆囊癌变部分的分割精度。

基于注意力机制编码器-解码器的手写数学公式识别模型

针对现有的手写数学公式识别(HMER)方法经过卷积神经网络(CNN)多次池化后,图像分辨率降低、特征信息丢失,从而引起解析错误的问题,提出基于注意力机制编码器-解码器的HMER模型。首先,采用稠密卷积网络(DenseNet)作为编码器,使用稠密连接加强特征提取,促进梯度传播,并缓解梯度消失;其次,采用门控循环单元(GRU)作为解码器,并引入注意力机制,将注意力分配到图像的不同区域,从而准确地实现符号识别和结构分析;最后,对手写数学公式图像进行编码,将编码结果解码为LaTeX序列。在在线手写数学公式识别竞赛(CROHME)数据集上的实验结果表明,所提模型的识别率提升到40.39%,而在3个级别的允许误差范围内,识别率分别提升到52.74%、58.82%和62.98%。相较于双向长短期记忆(BLSTM)网络模型,所提模型的识别率提高了3.17个百分点;而在3个级别的允许误差范围内,识别率分别提高了8.52、11.56和12.78个百分点。可见,所提模型能够准确地解析手写数学公式图像,生成LaTeX序列,提升识别率。