一种基于联想记忆系统实现图像压缩的新方法

针对传统神经网络用于图像压缩时存在的训练时间长、泛化能力弱等问题,提出一种基于联想记忆型神经网络的图像压缩新方法.利用牛顿前向插值多项式构建联想记忆系统,对图像数据进行建模.首先将图像数据分为多个数据块,然后利用数据块对联想记忆系统进行训练,训练结束后得到该数据块的特征数据,特征数据的数量小于原始数据块,且数值大多在零附近.最后对所有数据块的特征数据重新排序,进行熵编码,从而实现图像数据的压缩.实验结果表明该方法是可行的和有效的,相比传统神经网络,联想记忆系统无需预先训练,不依赖训练集数据和初始值,可以实时编码.      

纠错码与神经网络

从两个方面推广了Bruck和Blaum的工作。一方面,证明了在软判决译码的情况下,线性分组码的最大似然译码等价于一个神经网络收敛于它能量函数的全局极大状态。另一方面,对GF(p)上的线性分组码,构造了一个联想记忆神经网络,使得每一个线性分组码的码字都对应于神经网络的一个全局稳定状态。     

基于脉冲激光定位的SRAM单粒子闩锁事件率预估

器件单粒子闩锁效应(SEL)预估方法一般是建立在只有一个敏感体积单元的长方体(RPP)模型上,静态随机存储器(SRAM)单粒子闩锁敏感区的定位试验结果表明敏感体积单元不仅有一个.利用脉冲激光定位SRAM K6R4016V1D单粒子闩锁效应敏感区的试验结果对器件在轨SEL事件率进行了修正计算.首先利用脉冲激光定位SRAM SEL敏感区,获得敏感区的分布情况,并确定整个器件敏感体积单元的数量.然后针对不同的空间轨道、辐射粒子以及敏感体积厚度和敏感体积单元数进行了相应的器件SEL事件率计算,并对计算结果进行了分析讨论.结果表明,重离子引起的SEL事件率随敏感体积单元数量的增大而减小;修正敏感体积单元数量对预估质子引起的SEL事件率非常必要,否则将会过高评估质子直接电离作用对SEL事件率的贡献.      

高轨卫星星载计算机优化设计与实现

首先对当前星载计算机系统在高轨卫星领域的应用现状进行了分析,主要涉及处理器最小系统的存储器设计、数据共享及总线协议设计等。针对上述3个方面存在的不足,提出了处理器最小系统存储器优化设计方案,解决了存储器应用与选型的困境;采用“存储器+FPGA电路”的设计方法,实现了主备机数据共享;提出了一种自适应总线协议设计方法,解决了1553B总线协议通用性较差等问题。提出的设计方法,在中国下一代大容量通信卫星平台的星务计算机系统中得以应用,并取得了较好的效果,为星载计算机系统后续优化设计工作提供了新的思路。     

静态随机存储器在轨自检算法

静态随机存储器（SRAM）在轨自检应用于星载电子设备上电初始化过程中,能够在电子设备开始工作前发现存储器的故障单元,为评估电子设备健康状态提供依据。分析了SRAM的结构和常见的故障原理,针对在轨应用这一特殊背景开展研究,提出了对典型测试算法的改进方案。在完成对改进方案的分析和评价后,以8 K×8 bit存储器为例开展算法的实现,并验证了改进方案的可行性。与典型测试算法相比,所提改进方案具有资源开销少、故障覆盖率高等优点。      

基于FPGA内置RAM的抗辐射有限状态机设计

在现代卫星设计中广泛使用的可重构现场可编程门阵列(FPGA),在空间高能粒子的影响下很容易产生单粒子翻转(SEU),从而功能紊乱甚至失效。在面向航天应用的FPGA设计中,必须采用容错设计技术来弥补器件本身抗辐射能力的不足。本文首先分析了有限状态机(FSM)的内部结构,并指出由于自身电路结构的特点,传统的FPGA容错设计方法应用于FSM时有一定的局限性。然后,针对基于FPGA的FSM容错设计技术进行了研究,根据现代FPGA的结构特点,提出了一种基于FPGA内置双端口随机存取存储器(RAM)、具有周期校验功能的FSM设计方案。经过可靠性分析和实验可以看出,与采用传统容错设计方法的FSM相比,采用本文方案构建的FSM在太空辐射环境下具有更高的长期可靠性、更小的FPGA资源占用量和更低的功耗。     

复旦大学成功研制出半浮栅晶体管器件

<正>据中国科技部网站2013年8月29日消息,复旦大学专用集成电路与系统国家重点实验室,近期取得重大突破,成功研发出半浮栅晶体管(SFGT)。采用该新器件构成的动态随机存储器,无需电容器便可实现传统动态随机存储器全部功能,不但成本大幅降低,而且集成度更高,读写速度更快。此外,半浮栅晶体管还可应用于主动式图像传感器芯片,提高感光单元密度,从而提升图像传感器的分辨率和灵敏度。半浮栅晶体管     

鲁棒自联想神经网络在故障传感器信号恢复中的应用

总结和归纳了传感器的六类故障模式，仿真结果显示出采取鲁棒自联想神经网络能恢复发生故障的传感器信号。     

两种神经网络应用于数控系统故障诊断

介绍了双向联想记忆（ＢＡＭ）学习算法神经网络和误差后向传播（ＢＰ）神经网络在数控系统故障诊断中的应用实例。这两种神经网络在数控系统故障诊断方面都有着重要的应用价值，都能实现故障的联想、容错、自学习等功能。但因为各自具有的特点不同，又使得ＢＰ网络更适于故障样本多的情况，而ＢＡＭ则适于要求对错误的故障征兆进行纠错的故障诊断系统