av午夜精品一区二区三区,日日摸日日碰夜夜爽亚洲

頭條

Gartner：2024年全球半導(dǎo)體收入增長21%

根據(jù)Gartner的最終統(tǒng)計結(jié)果，2024年全球半導(dǎo)體總收入為6559億美元，較2023年的5421億美元增長了21%。同時，英偉達超越了三星電子和英特爾，首次躍居首位。 Gartner研究副總裁Gaurav Gupta表示：“前十大半導(dǎo)體廠商收入排名變動的主要原因在于強勁的AI基礎(chǔ)設(shè)施需求以及73.4%的內(nèi)存收入增長。英偉達之所以能夠躍至首位，主要在于其獨立圖形處理單元（GPU）需求顯著增長，GPU已成為數(shù)據(jù)中心AI工作負載的首選。” Gupta表示：“供需失衡引起價格大幅反彈，三星電子的DRAM和閃存收入增長，得以繼續(xù)保持在第二位。英特爾2024年的半導(dǎo)體收入僅增長了0.8%，原因在于其主要產(chǎn)品線面臨的競爭威脅正在加劇，而且英特爾未能把握AI處理需求強勁增長這一機遇?！?023-2024年全球排名前十半導(dǎo)體廠商收入（單位：百萬美元）

美四大運營商因非法出售客戶位置信息被罰1.96億美元

4 月 30 日消息，美國聯(lián)邦通信委員會（FCC）今天發(fā)布公告，宣布對 AT&T、Verizon 和 Sprint / T-Mobile 處以總計 1.96 億美元

發(fā)表于：4/30/2024

自研AI服務(wù)器芯片，競爭升級

自研AI服務(wù)器芯片，競爭升級有越來越多的互聯(lián)網(wǎng)和IT設(shè)備大廠開始自研AI服務(wù)器芯片，最近，這一風(fēng)潮吹到了蘋果公司，據(jù)悉，該智能設(shè)備龍頭正在開發(fā)用于AI服務(wù)器的定制芯片。與微軟和谷歌等競爭對手相比，蘋果在推出生成式AI方面進展較慢，不過，蘋果公司CEO庫克稱，AI已經(jīng)在蘋果產(chǎn)品的幕后發(fā)揮作用，此前有媒體報道，蘋果計劃使用AI來提高搜索存儲在蘋果設(shè)備上的數(shù)據(jù)的能力。

發(fā)表于：4/30/2024

基于藍牙Mesh分布式控制和平均一致性的智慧照明系統(tǒng)

針對維持電力系統(tǒng)平衡向運行儲備提出的更高要求，以及大型室內(nèi)場所中LED照明負荷成為非旋轉(zhuǎn)儲備的問題，設(shè)計了一種基于藍牙Mesh分布式控制和平均一致性算法的智慧照明系統(tǒng)。該照明系統(tǒng)采用藍牙Mesh組網(wǎng)搭建的分布式網(wǎng)絡(luò)，結(jié)合平均一致性算法，以較低的運算量控制大量燈具，在實現(xiàn)功率調(diào)整的同時確保用戶舒適度趨于一致。實驗結(jié)果表明：該系統(tǒng)中所有燈具能夠在較短時間內(nèi)完成目標功率容量的調(diào)節(jié)，同時減小了功率調(diào)節(jié)對用戶舒適度造成的影響，有著網(wǎng)絡(luò)資源消耗低、穩(wěn)定性強、易擴展等優(yōu)勢，可以滿足實際需求。

發(fā)表于：4/29/2024

基于深度學(xué)習(xí)技術(shù)的水稻環(huán)境因素產(chǎn)量預(yù)測

水稻作為全球重要的糧食作物，準確預(yù)測水稻產(chǎn)量在農(nóng)業(yè)發(fā)展中起著重要作用。由于水稻在環(huán)境因子與其生長機理的作用下往往呈現(xiàn)出非線性的特點，難以對其做出較為準確的預(yù)測，因此，提出CE-CGRU水稻產(chǎn)量預(yù)測模型，對非線性環(huán)境因子Copula熵（CE）方法進行提取特征并與CNN和GRU技術(shù)結(jié)合在一起。其目的是在水稻品種確定的條件下，識別產(chǎn)量預(yù)測的重要特征。根據(jù)使用浙江省臨安區(qū)真實數(shù)據(jù)分析和比較所提出的模型的性能，構(gòu)建了其他5個產(chǎn)量預(yù)測模型進行對比，分別是MLR、RF、LSTM、GRU和CNN-LSTM。結(jié)果顯示，CE-CGRU模型的MAE、MSE和MAPE分別為0.677、0.87和5.029％，表明CE-CGRU模型具有更好的能力來捕捉水稻產(chǎn)量與環(huán)境因素之間的復(fù)雜非線性關(guān)系。此外，還對不同的特征選擇方法以及不同時間步長進行了比較和分析。

發(fā)表于：4/29/2024

基于改進AOD-Net的圖像去霧算法

為了更好解決圖像去霧后顏色失真、去霧不徹底和耗時等問題，提出了一種基于改進AOD-Net的圖像去霧算法。首先，在原有的卷積模塊中引入殘差連接，并保留了第二個特征融合層第一層的特征信息，以增強網(wǎng)絡(luò)的特征提取能力。其次，在第三個特征融合層后引入注意力模塊，強化霧圖中的關(guān)鍵特征信息，抑制無關(guān)背景干擾。最后，采用新的復(fù)合損失函數(shù)進行訓(xùn)練。實驗結(jié)果表明，改進算法在公共數(shù)據(jù)集上的峰值信噪比提高了3.8 dB，結(jié)構(gòu)相似性達到了93.6%。相較于其他去霧算法，該算法在去霧精度和處理效率方面均表現(xiàn)出色。

發(fā)表于：4/29/2024

基于系統(tǒng)級封裝的RISC-V電路設(shè)計與實現(xiàn)

為滿足電子系統(tǒng)在性能、功耗、體積、重量和國產(chǎn)化等方面的需求，設(shè)計了一款基于系統(tǒng)級封裝技術(shù)的RISC-V電路。該電路以采用自主指令集架構(gòu)和國內(nèi)工藝的處理器為核心，并集成了國產(chǎn)外圍電路，實現(xiàn)了一款完全自主創(chuàng)新的、具備常用控制與通信接口的微系統(tǒng)電路。經(jīng)過測試與驗證，該電路各項功能和性能均達到設(shè)計指標，有效地提高了功能密度，很好地滿足了電子系統(tǒng)在小型化、輕量化和低功耗等方面的需求。

發(fā)表于：4/29/2024

一種SSD主控芯片數(shù)據(jù)加解密模塊的設(shè)計與驗證

為了增強固態(tài)硬盤（Solid State Disk， SSD）的數(shù)據(jù)安全，介紹了SSD主控芯片中一種滿足《安全芯片密碼檢測準則》二級要求設(shè)計的數(shù)據(jù)SM4加解密模塊。另外，為了驗證模塊設(shè)計的正確性，介紹了基于通用驗證方法學(xué)（Universal Verification Methodology， UVM）設(shè)計的自動化驗證平臺，以設(shè)計功能點和代碼覆蓋率為衡量指標，數(shù)據(jù)加解密模塊被該驗證平臺較充分地驗證，最終達到片上系統(tǒng)（System on Chip， SoC）的流片交付標準。

發(fā)表于：4/29/2024

TSN時間敏感網(wǎng)絡(luò)幀搶占的研究與電路實現(xiàn)

時間敏感網(wǎng)絡(luò)（Time Sensitive Network， TSN）是一種新型網(wǎng)絡(luò)技術(shù)，在傳統(tǒng)的以太網(wǎng)技術(shù)基礎(chǔ)上，對關(guān)鍵數(shù)據(jù)的實時性、可靠性和安全性方面進行了增強，可滿足工業(yè)互聯(lián)網(wǎng)、自動駕駛、醫(yī)療健康等領(lǐng)域的需求。針對TSN中的幀搶占技術(shù)進行了研究分析，實現(xiàn)了幀搶占電路。作為TSN網(wǎng)絡(luò)交換芯片的重要部分，實現(xiàn)了TSN幀搶占等芯片實現(xiàn)的自主創(chuàng)新，在相關(guān)時間敏感領(lǐng)域具有較好的應(yīng)用價值。

發(fā)表于：4/29/2024

融合蛋白質(zhì)語言模型與深度神經(jīng)網(wǎng)絡(luò)的植物蛋白質(zhì)相互作用預(yù)測研究

預(yù)測植物中的蛋白質(zhì)-蛋白質(zhì)相互作用（PPI）具有重要的生物學(xué)意義。同時采用了4種編碼方法及深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了蛋白質(zhì)相互作用預(yù)測模型。結(jié)果表明，提出的融合蛋白質(zhì)語言模型Ankh與深度神經(jīng)網(wǎng)絡(luò)的方法構(gòu)建的PPI預(yù)測模型性能在3種植物數(shù)據(jù)集上均獲得了最優(yōu)的AUPR和AUC值，Sen及MCC值也均優(yōu)于其他4種蛋白質(zhì)相互作用預(yù)測模型。當(dāng)模型在水稻、大豆的植物PPI數(shù)據(jù)集上進行測試時，所提出的模型AUPR值分別為0.802 5、0.730 1，AUC值分別為0.956 2、0.950 7。這些優(yōu)異的結(jié)果表明，融合蛋白質(zhì)語言模型Ankh的PPI模型可以作為植物蛋白質(zhì)相互作用預(yù)測的一個有前途的工具。

發(fā)表于：4/29/2024

混合CNN-SVM的心音信號分類算法的研究

針對當(dāng)前心音信號識別算法檢測精度不佳問題，提出了一種混合卷積神經(jīng)網(wǎng)絡(luò)-支持向量機模型（CNN-SVM）的心音信號分類方法。通過PASCAL挑戰(zhàn)實驗數(shù)據(jù)，整理出正常與不正常兩類心音信號數(shù)據(jù)庫，通過預(yù)處理濾波及MFCC、一二階差分特征提取、PCA降維，輸入CNN-SVM模型進行訓(xùn)練。并從準確率、召回率、特異性、精確率和F分數(shù)5個方面進行性能評估。為了驗證此算法的有效性，將混合CNN-SVM模型與單一SVM、CNN模型分別進行了對比。實驗結(jié)果表明，該方法能夠以較高識別率將兩種心音信號區(qū)分開，其平均識別準確率接近于99%，相較于單一CNN方法提高了2.48%，同樣高于單一SVM算法。

發(fā)表于：4/29/2024