卜范玉
- 作品数:25 被引量:48H指数:4
- 供职机构:内蒙古财经大学更多>>
- 发文基金:国家自然科学基金辽宁省自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域:自动化与计算机技术电子电信文化科学农业科学更多>>
- 单片机在数字式多路温度采集系统中的应用
- 2009年
- SPCE061A是一款具有语音处理功能的16位单片机。SPCE061A采用Soc架构,最高可运行在49MHz时钟频率下。内置的专用MIC接口和双路10bit DAC使之非常适合于开发语音电子产品,可方便灵活地实现高品质语音录制、语音播放等功能。SPCE061A内嵌2KWords RAM、32K Words Flash、8通道10bit ADC、2路16位定时器、UART接口、看门狗、时基输出以及电压监测等模块。
- 卜范玉王晓飞
- 关键词:SPCE061ADS18B20多路采集语音
- 一种物联网农业用防虫摄像装置
- 本实用新型涉及物联网农业装置技术领域,且公开了一种物联网农业用防虫摄像装置,包括摄像装置本体,所述摄像装置本体顶部设有顶棚,所述顶棚底部设有摄像头,所述摄像头尾端固定连接清扫结构。该物联网农业用防虫摄像装置,通过伺服电机...
- 高博卜范玉唐达赖徐琳琳
- 文献传递
- 一种多深度土壤湿度传感器
- 本实用新型公开了一种多深度土壤湿度传感器,包括控制箱和传感器骨架,所述控制箱的一侧通过导线与传感器骨架的输出引脚连接,所述传感器骨架的底部通过连接装置卡接有湿度检测单元,所述连接装置包括连接套环,所述连接套环的内壁分别滑...
- 武文韬卜范玉
- 文献传递
- 基于博弈论的无线传感网能量均衡模型被引量:2
- 2015年
- 提出一种基于贝叶斯博弈的无线传感网能量均衡算法,该算法将每次数据转发过程分解为两个阶段的博弈.第一阶段博弈是指节点结合自身能量水平及参与博弈其他节点的战略,构造静态贝叶斯博弈模型,以最优化期望收益函数的解作为节点参与路由转发数据包的最优决策概率;第二阶段博弈是指源节点与邻居节点根据能量水平及相互战略,构造博弈模型,根据最大化期望收益函数的解,决定双方在博弈阶段的最优转发包数量.仿真实验结果表明,本文提出的算法能够有效地均衡网络的能量消耗,延长网络的生存时间.
- 卜范玉张清辰
- 关键词:能量均衡无线传感网络博弈论
- 一种智慧农机玉米秸秆回收设备
- 本实用新型公开了一种智慧农机玉米秸秆回收设备,包括外壳,所述外壳内部的一端设置有收集结构,所述外壳内部的另一端设置有打包结构,所述外壳表面的一端安装有牵引梁,所述外壳表面的另一端铰接有取货门,所述收集结构包括有安装在外壳...
- 卜范玉高博唐达赖徐琳琳
- 文献传递
- 面向物联网应用的数据处理与保密通讯的研究
- 高博兰中周卜范玉
- 物联网设备已经广泛应用于人们生活,这些设备在为人们的生活带来方便的同时,也带来了一些的安全威胁。物联网设备的计算能力较弱、存储空间有限,而物联网环境中的数据对实时性、保密性、完整性却有很高的要求。如何确保物联网上大量数据...
- 关键词:
- 关键词:移位寄存器网络安全
- 一种神经网络标题生成模型
- 本发明涉及自然语言处理技术领域,更具体而言,涉及一种神经网络标题生成模型。包括:富信息词向量层;节点间交互注意力层;节点内交互注意力层;节点选择层;解码层。本发明创造性地提出将基础神经网络模型所生成的采样结果当做软模板,...
- 阿雅娜卜范玉
- 基于云计算的物联网数据挖掘模型被引量:10
- 2012年
- 物联网中的数据具有数据量大、数据类型复杂、高度动态性与异构性、复杂时空特性等特点,为数据挖掘带来新的挑战。传统的数据挖掘方法无法直接应用于物联网之中。基于此,提出一种基于云计算的物联网数据挖掘模型,以云计算作为技术支持平台,在构建面向物联网的分布式时空数据库的基础上,搭建面向物联网海量数据的数据挖掘模型。通过分析表明该模型能够有效地完成物联网中的数据挖掘任务。
- 卜范玉王鑫张清辰
- 关键词:物联网云计算数据挖掘
- 基于深度学习的不完整大数据填充算法被引量:12
- 2014年
- 提出一种基于深度学习的不完整大数据填充算法.算法首先以自动编码机为基础建立填充自动编码机.在此基础上,构建深度填充网络模型,分析不完整大数据的深度特征并根据逐层训练思想和反向传播算法计算网络参数.最后利用深度填充网络来还原不完整大数据,对缺失值进行填充.实验表明,提出的算法能够有效提高不完整大数据的填充精度.
- 卜范玉陈志奎张清辰
- 关键词:大数据
- 支持增量式更新的大数据特征学习模型被引量:7
- 2015年
- 大数据具有高速变化特性,其内容与分布特征均处于动态变化之中,目前的前馈神经网络模型是一种静态学习模型,不支持增量式更新,难以实时学习动态变化的大数据特征。针对这个问题,提出一种支持增量式更新的大数据特征学习模型。通过设计一个优化目标函数对参数进行快速增量式更新,为了在更新过程中保持网络的原始知识,最小化平方误差函数。对于特征变化频繁的数据,通过增加隐藏层神经元数目网络对结构进行更新,使得更新后的网络能够实时学习动态变化大数据的特征。在对网络参数与结构更新之后,通过权重矩阵SVD分解对更新后的网络结构进行优化,删除冗余的网络连接,增强网络模型的泛化能力。实验结果表明提出的模型能够在尽可能保持网络模型原始知识的基础上,通过不断更新神经网络的参数与结构实时学习动态大数据的特征。
- 卜范玉陈志奎张清辰
- 关键词:大数据前馈神经网络增量式学习