摘要：蚯蚓与蚯蚓粪快速高效分离是规模化蚯蚓生物消解农业废弃物的关键技术环节。针对目前电刺激分离蚯蚓方法在实际生产应用中缺乏相关定量参数等问题,该研究探讨了蚯蚓分离率对电刺激方式、强度、通断电循环周期时长、通电时长及电刺激耦合物料含水率、物料厚度等因子的响应关系,并分析了电刺激对蚯蚓生理生化指标的影响。结果表明,电刺激可促进蚯蚓与蚓粪分离,间歇式电刺激方式较持续式电刺激具有更好的分离效果;间歇式电刺激方式下,蚯蚓分离率与电刺激强度、通断电循环周期时长、通电时长均呈显著的开口向下一元二次抛物线关系,蚯蚓生长的物料含水率适宜值为52.60%,物料厚度越小,越有利于电刺激分离率的提高;电刺激处理对蚯蚓体内过氧化氢酶、超氧化物歧化酶、乙酰胆碱酯酶、纤维素酶、可溶性蛋白含量无显著影响,但显著提高了丙二醛含量,蚯蚓经过5 d的恢复性驯养后,丙二醛含量可恢复至对照处理水平;综合蚯蚓分离率、技术参数易操作性等,采用间歇式电刺激方式分离蚯蚓,设计电刺激强度2 mA、通断电周期时长30 s、通电时长1 s,控制物料含水率50%左右、物料厚度20~25 cm,辅助210 lx白光光照,电刺激作业时间30 min,蚯蚓分离效率可达85%左右。研究可为快速高效分离蚯蚓活体与蚯蚓粪的设备研发与应用提供参考。

摘要：为解决沙柳割后枝条散落无序的问题,通过量化关键参数,设计出一款结构合理的沙柳联合割灌机。分析了该割灌机的设计要求并绘制出三维几何简图,对该机的进给量、锯切功率及爬坡能力进行量化,可为动力装置的选型和结构的进一步优化提供理论依据。割灌机的建模及关键参数的量化是设计沙柳联合割灌机的关键。

摘要：图卷积神经网络(GCN)算法在处理图结构数据任务中取得了突破性的成功,然而训练图卷积神经网络需要大量的内存空间及多次的随机内存访问等,这限制该算法的进一步部署应用。现有图卷积神经网络的部署及加速方案大多基于VitisHLS工具,该工具利用C/C++进行开发,几乎没有采用硬件描述语言的方案,存在软硬件加速不彻底问题。针对上述问题,设计一种面向GCN的FPGA部署及加速架构。该架构主要由计算模块和存储模块构成,两者都是利用硬件描述语言实现。计算模块主要是用硬件描述语言来实现图卷积神经网络的关键算法,即将图卷积神经网络的关键算法映射到现场可编程门阵列中以实现硬件加速;缓存模块主要是调用ROM IP核以及定义二维寄存器组,对输入节点特征、归一化后的邻接矩阵、各个层的量化参数以及中间变量进行存储,从而提高GCN算法的并行度。首先在Pycharm平台上进行模型训练并提取参数进行量化,然后在Vivado平台上对图卷积神经网络进行设计和仿真测试,对比CPU、GPU的运算性能。实验结果表明,所设计的图卷积神经网络加速架构提升了模型的推理速度。

摘要：为了解决电力行业图像智能识别由于云端集中推理模式带来的网络带宽限制和数据传输时延方面的问题,在云边协同应用与人工智能深度学习网络模型轻量化压缩两个方向上进行探索研究和融合应用,通过云边协同架构体系和主流人工智能深度学习网络模型压缩方法进行对比分析,提出了一种基于参数量化模型压缩的云边协同应用模式,并在实际运行中的智能配电站房中进行现场测试,通过业务应用测试和数据结论验证了该应用模式的可行性,通过该云边协同应用模式实现了云端模型复用,减少了额外开发边端模型的人力物力投入,具有较高的示范和推广价值。

摘要：轻量化神经网络模型的设计及其在边缘端的部署是实现无人装备智能化的关键技术。从构造轻量级深度神经网络的角度出发,研究面向无人装备嵌入式平台应用的智能边缘计算软技术,重点分析模型剪枝、知识蒸馏和参数量化等方法,并以目标识别为例进行各类智能边缘计算技术性能分析,结合各类轻量化模型设计方法的优缺点,提出一种边缘计算的处理框架,即通过模型压缩方法来设计轻量化的神经网络模型,通过引入知识蒸馏的方法对轻量化模型进行有效训练,通过参数量化来加速模型推理时间。随着参数量化和知识蒸馏算法的成熟,该框架正逐渐变得有效可行,为智能边缘计算技术在无人化装备上的应用提供了技术参考。

摘要：目的:设计和实现符合实验要求的经颅磁刺激系统,并对磁刺激系统的各主要参数进行量化研究。方法:利用储存电能的电容器对线圈放电产生强脉冲磁场的原理,设计了磁刺激系统的电源电路和刺激线圈,并利用单片机实现了对电路的控制。测量磁刺激系统的感应电场分布等主要参数,进行了量化研究。结果:分别对圆形线圈和八字线圈进行了测试。其中圆形线圈的内外半径各为1cm和5cm,共20匝,电感为21.5μH,电阻为12.8mΩ。八字线圈的内外半径各为3.5cm和5cm,一个线圈有7匝,电感为17μH,电阻为24.6mΩ。实际测试结果与仿真计算结果都表明,作者设计的磁刺激系统各项指标均满足经颅磁刺激实验研究的要求。结论:该套经颅磁刺激系统可应用于临床应用研究和生物学实验研究。

摘要：为了能通过障碍物设置提升人群疏散效率,缓解疏散过程中的拥挤问题,对火灾疏散场景进行仿真。根据恐慌状态下人群的“非适应性”行为理论构建社会心理模型,并将模型的量化参数引入疏散仿真过程中,进而对人群的疏散过程做出更加精准的模拟。在此基础上,研究了障碍物的形态、大小和布局对疏散效率和拥挤程度的影响,仿真数据显示,合理的进行障碍物布置能有效提高疏散效率。根据仿真结果总结出障碍物设计思路,并加以完善和检验,为实际建筑设计中的疏散逃逸设计提供参考。

摘要：为适应移动智能时代对实时目标检测的需求,人们针对面向移动端的目标检测优化问题提出了众多解决思路。其优化思路可归纳为轻量化网络设计和模型压缩两类:一类是基于手工设计或自动化机器学习(AutoML)手段,在网络设计之初就采用轻量化卷积设计构建轻量化网络;另一类是借助张量分解、模型剪枝、参数量化等压缩手段,调整现有的目标检测模型来优化检测性能。考虑到优化方法的发展规律不尽相同且彼此之间有所关联,分别采取了不同的分析角度和对比维度。从市场角度剖析了国内面向移动端的目标检测产业化现状,并对其优化研究的潜在问题和发展方向进行了总结与展望。

摘要：近年来人工智能(AI)应用飞速发展,嵌入式设备与移动设备等有限资源设备对深度神经网络(DNN)的需求急剧增加。如何在不影响DNN效果的基础上对神经网络进行压缩具有极大理论与现实意义,也是当下深度学习的热门研究话题。首先,针对DNN因模型大、计算量大而难以移植至移动设备等有限资源设备的问题,深入分析已有DNN压缩算法在内存占用、运行速度及压缩效果等方面的实验性能,从而挖掘DNN压缩算法的影响要素;然后,设计学生网络和教师网络组成的知识迁移结构,融合知识蒸馏、结构设计、网络剪枝和参数量化机制,提出基于混合机制的DNN优化压缩算法。在mini-ImageNet数据集上以AlexNet为Benchmark,进行实验比较与分析。实验结果表明,所提算法在压缩结果的准确率降低6.3%的情况下,使压缩后的AlexNet的容量减小98.5%,验证了所提算法的有效性。

摘要：近年来,随着图形处理器性能的飞速提升,深度神经网络取得了巨大的发展成就,在许多人工智能任务中屡创佳绩。然而,主流的深度学习网络模型由于存在计算复杂度高、内存占用较大、耗时长等缺陷,难以部署在计算资源受限的移动设备或时延要求严格的应用中。因此,在不显著影响模型精度的前提下,通过对深度神经网络进行压缩和加速来轻量化模型逐渐引起研究者们的重视。本文回顾了近年来的深度神经网络压缩和加速技术。这些技术分为四类:参数量化、模型剪枝、轻量型卷积核设计和知识蒸馏。对于每个技术类别,本文首先分析了各自的性能及存在的缺陷。另外,本文总结了模型压缩与加速的性能评估方法。最后,讨论了模型压缩与加速领域存在的挑战和未来研究的可能方向。