排序方式: 共有31条查询结果,搜索用时 15 毫秒
1.
鉴于已有室内定位算法定位精度与运算效率之间的矛盾,该文提出一种将LANDMARC区域定位与基于模拟退火优化正则化正交匹配追踪(SROMP)的压缩感知位置估计相结合的双段式定位算法(LANDMARC- SROMP CS)。首先,利用LANDMARC定位算法快速锁定目标所在区域范围;在锁定的区域内,再引入压缩感知理论实现目标位置估计。此部分,首先根据锁定区域范围建立虚拟参考标签;然后由新型组合核函数相关向量机算法训练得到室内传播损耗模型,计算获得虚拟标签处接收信号强度值,构建测量矩阵;最后利用SROMP压缩感知重构算法求解出目标的位置索引矩阵,对索引矩阵中的位置相关点加权平均得到目标的位置信息。实验结果表明,所提定位算法平均定位误差为0.6445 m,算法运算效率相对较高,可以较好地满足室内定位的要求。 相似文献
2.
本文介绍了用于SOC功能验证的RVM验证方法学,描述RVM验证平台的层次化结构,介绍了RVM的随机测试和基于覆盖率驱动技术的验证策略.文中以一个UART模块为例,详细说明了RVM验证平台在SOC功能验证中的应用;并对验证平台的重用性进行了阐述. 相似文献
3.
外接存储卡是手机越来越普及的一项功能,因此,在手机芯片中集成一个或多个存储卡接口娈得十分必要.本文将首先介绍RVM验证方法学的特点、层次化结构;然后介绍如何利用RVM验证方法学搭建存储卡接口的验证平台,对芯片的存储卡接口进行模块级和系统级的验证. 相似文献
4.
首先介绍了RVM层次化验证方法学的基本思想和方法,将其与传统的芯片验证技术进行了对比,并进一步对基于RVM方法学的验证平台结构和各个组成模块进行了详细的介绍。最后以IIC模块为例对RVM验证平台的搭建进行了具体说明,并给出了仿真波形。 相似文献
5.
食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)收集12 400~4 000 cm-1范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。 相似文献
6.
在搭建层次化验证平台时,产生器是一个重要的模块,它能否根据需要产生随机向量直接关系到测试平台的可靠性.传统的激励产生方法由于是用人工生成的,效率低且性能也不令人满意,已经不能满足当前大规模芯片验证的需求.介绍了一种基于事务的随机向量产生器,它把基于事务的验证策略和随机向量产生器结合起来,通过产生受限的随机数据,提高了激励的覆盖率.与传统的向量产生方法相比,基于事务的随机向量产生器能够使验证平台更可靠,同时减轻了验证工程师的工作,加快了芯片上市的时间. 相似文献
7.
RVM(Reference Verification Method)SYNOPSYS基于OpenVera提出的相关验证技术。它的提出使得OpenVera这门验证语言的优越性更好地体现出来。在分析传统功能验证方法缺陷的基础上,介绍了RVM的特点和优势.并重点研究了RVM中所提供的各种新技术和新功能。将RVM用于所搭建的ⅡC总线功能验证平台中,对新的验证平台的覆盖率进行了分析.结果表明使用RVM的验证平台的代码覆盖率和功能覆盖率都明显优于传统的验证平台。 相似文献
8.
本文介绍了RVM验证方法学和覆盖率驱动技术,验证方法学的关键就是搭建验证平台.覆盖率驱动技术是让我们搭建的验证平台达到覆盖率期望的要求,从而确保DUT的功能得到充分的验证.本文是根据覆盖率驱动技术搭建了基于RVM的SD/MMC卡控制器的验证平台,该验证平台从上到下分为测试层,产生器层,功能层,命令层和信号层,最后在此基础上给出了SD/MMC卡控制器的仿真波形,并根据波形分析不断修改SD控制器的源代码完善其功能,从而达到验证目的. 相似文献
9.
为了更准确的估计高光谱图像噪声强度,提出了一种基于相关向量机(RVM)的高光谱图像噪声评估算法。对该算法所采用的RVM 回归原理、残差与噪声的关系等进行了研究。首先,介绍了高光谱图像噪声评估中应用较为广泛的空间/光谱维去相关法的特点及不足。接着,对可有效进行非线性回归分析的RVM 进行了介绍。然后,针对传统的空间/光谱维去相关法在系统中存在较强的非线性关系时,得到的残差将会过大这一问题,提出利用RVM 回归分析去除具有高相关性的信号,利用得到的残差图像对噪声进行估算,从而提高评估系统的稳定性。实验结果表明:噪声强度估计精度优于8%;相比传统算法更有效。总体看,该算法可以满足自动高光谱图像噪声评估的稳定可靠、精度高等要求。 相似文献
10.