ADI公司推出集成式精密解決方案，助力電池制造業(yè)實(shí)現(xiàn)更高安全性與高達(dá)50％的效率提升

中國(guó)，北京 – Analog Devices, Inc.(ADI)今日宣布推出一款用于電池測(cè)試和化成的集成式精密解決方案，這套解決方案集模擬前端、控制器和脈寬調(diào)制器(PWM)于一體，能夠提高鋰離子電池化成與分級(jí)的系統(tǒng)精度和效率。與傳統(tǒng)技術(shù)相比，新款A(yù)D8452能夠在相同空間內(nèi)多提供50％的通道，從而擴(kuò)充容量并提高電池產(chǎn)量。AD8452所采用的開關(guān)技術(shù)可在放電時(shí)回收電池的能量，精度高達(dá)傳統(tǒng)開關(guān)解決方案的10倍。更高的精度意味著電池包內(nèi)可以放更多的電芯，這有助于延長(zhǎng)電動(dòng)汽車等應(yīng)用的電池壽命。此外，該器件還兼具更為出色的檢測(cè)和監(jiān)控功能，能夠有效防止可能導(dǎo)致電池故障的過度充電和充電不足行為，從而提高制造過程的安全性。AD8452可為充電/放電板節(jié)省高達(dá)50％的物料清單(BoM)成本，系統(tǒng)成本可節(jié)約20％左右。該器件具有配套的系統(tǒng)仿真演示板，能夠?yàn)闇y(cè)試設(shè)備制造商降低研發(fā)工程成本并縮短上市時(shí)間。

發(fā)表于：11/17/2017

數(shù)據(jù)遠(yuǎn)見者通過數(shù)字化轉(zhuǎn)型顛覆并重塑行業(yè)格局，幫助企業(yè)走上蓬勃發(fā)展之路

中國(guó)，北京 — 2017 年 11 月 15 日 — 全球混合云數(shù)據(jù)管理領(lǐng)域權(quán)威NetApp公司（納斯達(dá)克股票代碼：NTAP）今天公布了一項(xiàng)旨在幫助企業(yè)積極開展數(shù)字化轉(zhuǎn)型的全球研究項(xiàng)目的結(jié)果。通過與 IDC 合作，該研究項(xiàng)目提供了可供所有企業(yè)在轉(zhuǎn)型過程中利用的即時(shí)、有效的步驟。

發(fā)表于：11/17/2017

融合用戶屬性信息的冷啟動(dòng)推薦算法

協(xié)同過濾算法廣泛應(yīng)用于個(gè)性化推薦系統(tǒng)中?，F(xiàn)有的基于社群相似性的協(xié)同過濾算法在新用戶新商品的冷啟動(dòng)場(chǎng)景中難以使用，性能較差。對(duì)此，提出了一種基于矩陣分解和神經(jīng)網(wǎng)絡(luò)映射的冷啟動(dòng)推薦算法。首先，使用矩陣分解方法求出用戶在潛在興趣空間的向量表示；然后，訓(xùn)練神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)從用戶屬性數(shù)據(jù)到潛在興趣向量的映射關(guān)系；最后，融合用戶的歷史評(píng)分?jǐn)?shù)據(jù)與屬性數(shù)據(jù)各自生成的興趣向量，給出平滑的推薦預(yù)測(cè)值。實(shí)驗(yàn)表明，當(dāng)用戶的評(píng)分記錄很少時(shí)，預(yù)測(cè)性能有明顯提升，融合用戶的屬性信息能較好地改善“冷啟動(dòng)”情況下推薦系統(tǒng)的性能。

發(fā)表于：11/16/2017

后驗(yàn)概率改進(jìn)Fisher向量的高性能圖像檢索算法

提出了一種高性能的圖像檢索方法，結(jié)合紋理分類和改進(jìn)的Fisher向量實(shí)現(xiàn)圖像檢索。首先，將圖像劃分為互不重疊的圖像子塊，對(duì)每一圖像子塊依據(jù)紋理復(fù)雜度進(jìn)行分類，對(duì)不同類別的圖像子塊提取不同的特征。其次，采用基于后驗(yàn)概率改進(jìn)的Fisher向量進(jìn)行特征編碼，依據(jù)乘積量化和非對(duì)稱距離計(jì)算方法，分段計(jì)算兩特征向量之間的距離，快速求取相似度指標(biāo)，據(jù)此進(jìn)行圖像檢索。在Holidays數(shù)據(jù)集上進(jìn)行圖像檢索的實(shí)驗(yàn)結(jié)果表明，該方法的查準(zhǔn)率和召回率高，且耗費(fèi)的查詢時(shí)間少。

發(fā)表于：11/14/2017

西部數(shù)據(jù)發(fā)布首款移動(dòng)固態(tài)硬盤 高速移動(dòng)固態(tài)硬盤 - my passport? SSD 以精美而小巧的設(shè)計(jì)為用戶提供強(qiáng)大性能

2017年11月13日–北京，存儲(chǔ)解決方案提供商西部數(shù)據(jù)公司 (NASDAQ: WDC)日前宣布推出旗下運(yùn)行速度更快的WD®品牌移動(dòng)固態(tài)硬盤My Passport? SSD。新款My Passport? SSD擁有極快的讀寫速度和優(yōu)美的外型設(shè)計(jì)，為西部數(shù)據(jù)公司領(lǐng)先的存儲(chǔ)硬盤產(chǎn)品。新款My Passport? SSD可說專為大文件使用者和科技愛好者設(shè)計(jì)，將卓越的讀寫速度和便攜性的巧妙結(jié)合用于海量檔案的管理。

發(fā)表于：11/14/2017

Intel PSG 2017全國(guó)教師會(huì)議勝利閉幕

日前，Intel PSG 2017全國(guó)高校教師會(huì)議在美麗的三亞成功召開，來自英國(guó)的學(xué)術(shù)界代表、超過100 位國(guó)內(nèi)外頂尖高校的專家學(xué)者、英特爾技術(shù)專家一起交流并分享了當(dāng)今前沿技術(shù)與英特爾創(chuàng)新技術(shù)成果、人才培養(yǎng)和教學(xué)科研創(chuàng)新等方面的真知灼見，共同探索產(chǎn)學(xué)研合作新途徑?！峨娮蛹夹g(shù)應(yīng)用》全媒體傳播平臺(tái)受邀參加了本屆盛會(huì)，與老朋友回顧合作歷程，與新朋友暢談技術(shù)趨勢(shì)，筑夢(mèng)更廣闊的未來。

發(fā)表于：10/25/2017

結(jié)合本征分解和抽樣學(xué)習(xí)的快速SVM分類器

為了提高經(jīng)典支持向量機(jī)（SVM）分類器的運(yùn)算效率，提出一種改進(jìn)的快速SVM分類器。針對(duì)低維空間向高維空間變換時(shí)核矩陣運(yùn)算效率低的問題，采用本征分解方法對(duì)核矩陣進(jìn)行降維處理，得到核矩陣的近似表示；同時(shí)，對(duì)訓(xùn)練子集進(jìn)行劃分，隨機(jī)抽樣訓(xùn)練樣本進(jìn)行學(xué)習(xí)，進(jìn)一步提高SVM分類器的運(yùn)算效率。圖像分類實(shí)驗(yàn)結(jié)果表明，改進(jìn)的SVM分類器不僅分類正確率高于經(jīng)典SVM、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)分類器，而且訓(xùn)練耗時(shí)最少，平均分類耗時(shí)也低于經(jīng)典SVM分類器。

發(fā)表于：10/23/2017

人工智能下棋已不新鮮，未來還要當(dāng)一名優(yōu)秀“寫手”？

現(xiàn)在人工智能的寫作也在快速發(fā)展，一些簡(jiǎn)單的新聞以及文稿如今已經(jīng)不弱于一般人的寫作。

發(fā)表于：10/23/2017

拳打AlphaLee，腳踢AlphaMaster，全新AlphaZero實(shí)現(xiàn)自我學(xué)習(xí)

柯潔稱：“一個(gè)純凈、純粹自我學(xué)習(xí)的alphago是最強(qiáng)的...對(duì)于alphago的自我進(jìn)步來講...人類太多余了?！?/a>

基于MapReduce的并行抽樣路徑K-匿名隱私保護(hù)算法

K-匿名算法及現(xiàn)存K-匿名改進(jìn)算法大多使用犧牲時(shí)間效率降低發(fā)布數(shù)據(jù)信息損失量的方法實(shí)現(xiàn)數(shù)據(jù)的匿名化，但隨著數(shù)據(jù)量的急劇增長(zhǎng)，傳統(tǒng)的數(shù)據(jù)匿名化方法已不適用于對(duì)較大數(shù)據(jù)的處理。針對(duì)K-匿名算法在單機(jī)執(zhí)行過程中產(chǎn)生大量頻繁項(xiàng)集和重復(fù)搜索數(shù)據(jù)表的缺點(diǎn)，將MapReduce模型引入到抽樣泛化路徑K-匿名算法中對(duì)其進(jìn)行優(yōu)化。該方法兼具M(jìn)apReduce及抽樣泛化算法的優(yōu)點(diǎn)，高效分布式匿名化數(shù)據(jù)集，降低發(fā)布數(shù)據(jù)集信息損失量，提高數(shù)據(jù)的可用性。實(shí)驗(yàn)結(jié)果表明：當(dāng)數(shù)據(jù)量較大時(shí)，該優(yōu)化算法在時(shí)間效率及數(shù)據(jù)精度方面有顯著提高。

發(fā)表于：10/20/2017

基于FPGA的LMS自適應(yīng)濾波器設(shè)計(jì)

提出一種基于LMS（Least Mean Square）自適應(yīng)算法的濾波方法，介紹該方法在低頻信號(hào)濾波上的應(yīng)用及在FPGA平臺(tái)上實(shí)現(xiàn)。傳統(tǒng)數(shù)字濾波器FIR、IIR濾波器針對(duì)不同的系統(tǒng)和干擾信號(hào)，其濾波參數(shù)不固定。因此，在窄帶信號(hào)的濾波處理中，傳統(tǒng)濾波器對(duì)信號(hào)濾波降噪的效果往往受到衰減增益限制。提出的方法先以CORDIC(Coordinate Rotation Digital Computer)算法產(chǎn)生的正弦信號(hào)來調(diào)制采樣信號(hào)，根據(jù)采樣信號(hào)與基準(zhǔn)信號(hào)誤差使其權(quán)向量沿負(fù)梯度方向終止于維納解。該方法在類直流輸入及帶寬窄的情況下仍能有效過濾高頻噪聲，讀取低檢測(cè)信號(hào)幅值。理論分析和實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)濾波方法對(duì)比，該濾波方法在處理窄帶信號(hào)的濾波上更具有優(yōu)勢(shì)。

發(fā)表于：10/17/2017

基于跨平臺(tái)的實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)的設(shè)計(jì)

設(shè)計(jì)實(shí)現(xiàn)了一款實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)，是SCADA（數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)）的數(shù)據(jù)核心。在基于國(guó)產(chǎn)軟硬件平臺(tái)的基礎(chǔ)上，采用跨平臺(tái)的架構(gòu)設(shè)計(jì)，介紹了實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)的功能及設(shè)計(jì)實(shí)現(xiàn)。該實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)采用在共享內(nèi)存中創(chuàng)建多個(gè)隊(duì)列的方式存放輸入和輸出的數(shù)據(jù)，既方便多個(gè)進(jìn)程同時(shí)存取數(shù)據(jù)，又保證了數(shù)據(jù)處理的實(shí)時(shí)性。

發(fā)表于：10/16/2017

結(jié)合改進(jìn)編輯距離與SVM的圖像分類方法

提出了一種圖像分類方法，結(jié)合圖像的多尺度字符串表示以及改進(jìn)的編輯距離和SVM分類器進(jìn)行圖像分類。首先，對(duì)圖像進(jìn)行多尺度分塊，提取各個(gè)歸一化圖像子塊上的方向梯度直方圖特征，并將生成的多尺度特征向量用多個(gè)字符串進(jìn)行表示；然后，提出融合編輯操作，改進(jìn)字符串的編輯距離，通過計(jì)算兩幅圖像對(duì)應(yīng)的兩組字符串之間的改進(jìn)編輯距離來測(cè)量?jī)煞鶊D像的相似度；最后，采用改進(jìn)的編輯距離計(jì)算徑向基函數(shù)，進(jìn)行改進(jìn)的SVM分類。實(shí)驗(yàn)結(jié)果表明，該方法的分類正確率高，且平均分類耗時(shí)少。

發(fā)表于：9/14/2017

基于KELM決策融合的語(yǔ)音情感識(shí)別

針對(duì)語(yǔ)音情感信號(hào)的復(fù)雜性和單一分類器識(shí)別的局限性，提出一種核函數(shù)極限學(xué)習(xí)機(jī)（KELM）決策融合的方法用于語(yǔ)音情感識(shí)別。首先對(duì)語(yǔ)音信號(hào)提取不同的特征，并訓(xùn)練相應(yīng)的基分類器，同時(shí)將輸出轉(zhuǎn)化為概率型輸出；然后利用測(cè)試集在基分類器的輸出概率值計(jì)算自適應(yīng)動(dòng)態(tài)權(quán)值；最后對(duì)各基分類器的輸出進(jìn)行線性加權(quán)融合得到最終的分類結(jié)果。利用該方法對(duì)柏林語(yǔ)音庫(kù)中4種情感進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果表明，提出的融合KELM方法優(yōu)于常用的單分類器以及多分類器融合方法，有效地提高了語(yǔ)音情感識(shí)別系統(tǒng)的性能。

發(fā)表于：9/14/2017

基于基元自相關(guān)圖和結(jié)構(gòu)元直方圖的圖像檢索

針對(duì)目前的基元自相關(guān)圖在表達(dá)圖像顏色特征時(shí)空間相關(guān)性不強(qiáng)、基于單一特征檢索時(shí)精度低的問題，提出了一種改進(jìn)的基元自相關(guān)圖和結(jié)構(gòu)元直方圖的圖像檢索方法。首先，將彩色圖像非均勻的量化為63種顏色，并且對(duì)圖像進(jìn)行均勻分塊，同時(shí)采用子塊顏色代表值代替子塊內(nèi)每個(gè)像素點(diǎn)的顏色值；然后用定義的基元和結(jié)構(gòu)元分別統(tǒng)計(jì)每個(gè)子塊信息并提取圖像基元自相關(guān)圖和結(jié)構(gòu)元直方圖；最后綜合提取的兩個(gè)特征進(jìn)行相似性度量。實(shí)驗(yàn)結(jié)果表明，相較于以顏色自相關(guān)圖、基元自相關(guān)圖及基于結(jié)構(gòu)元的圖像檢索方法，該方法有效地提高了檢索的精準(zhǔn)率，改善了檢索結(jié)果的排序值，并具有很好的穩(wěn)定性。

發(fā)表于：9/13/2017