新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開了一種多核多線程環(huán)境下 NUMA 感知的同步方法， 屬于并行計算領(lǐng)域。本發(fā)明提出的方法是：線程將同步請求結(jié)點插入 鏈表并在局部鎖上自旋，如果局部鎖被釋放并且請求已被執(zhí)行則返回， 否則該線程作為 combiner 線程，設(shè)置宿主 NUMA 節(jié)點，執(zhí)行請求的 回溯位置，然后開始執(zhí)行自己以及其他線程的同步請求，執(zhí)行完畢后 從當前位置向前遍歷尋找來自宿主 NUMA 節(jié)點內(nèi)的線程，若找到則將 其作為新的 combin

本發(fā)明公開了一種基于地形改正的衛(wèi)星影像虛假地形感知現(xiàn)象改正方法，從改變光照方向的角度出 發(fā)，引入地形改正中的 C 校正模型，通過建立原始影像與虛假地形感知現(xiàn)象改正后影像經(jīng)過地形改正后 的輻射關(guān)系，獲得虛假地形感知現(xiàn)象改正前后影像輻射值的對應(yīng)關(guān)系，進而推導(dǎo)出改正后影像灰度值。 本發(fā)明方法能夠在改正虛假地形感知現(xiàn)象的同時，較好地保持原始影像的空間細節(jié)及光譜特性，可顯著 提高影像解譯準確度。

本發(fā)明提出了一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法(CFS)，本發(fā)明能夠?qū)?縮后的特征進行選擇，只使用區(qū)分度高的樣本特征進行分類;本發(fā)明能夠達到實時跟蹤，而且避免了由 于選擇了錯誤的特征導(dǎo)致的跟蹤失敗現(xiàn)象，有效的抑制了不好的特征對跟蹤結(jié)果的影響，并且明顯提高 了跟蹤速度和跟蹤精度。

1、復(fù)雜作業(yè)環(huán)境下多參數(shù)的智能感知技術(shù)；2、人工智能中樞控制系統(tǒng)實現(xiàn)；3、智能電液控制技術(shù)；4、終端軌跡規(guī)劃及精確控制技術(shù)；5、自動掃描、分析技術(shù)與系統(tǒng)協(xié)調(diào)作業(yè)；6、基于影像分析的地面監(jiān)控系統(tǒng)和遠程操作系統(tǒng)實現(xiàn)；7、井下多傳感信息融合及檢測技術(shù)；8、井下網(wǎng)絡(luò)數(shù)據(jù)傳輸系統(tǒng)平臺構(gòu)建；9、無線與有線光纜通信異構(gòu)融合與組網(wǎng)技術(shù)；10、地面井下信息互通，以及與礦井綜合自動化平臺的高效融合技術(shù)

基于無線射頻的智能交通公共平臺， 對進入系統(tǒng)的所有“物”， 包括系統(tǒng)平臺范圍內(nèi)的道路交通設(shè)備、車位、移動交通工具等采用基于射頻識別（RFID）技術(shù)的電子標簽作介質(zhì)，為被標識的交通工具建立起以身份特征信息為核心的、終身的、可靠的、唯一對應(yīng)的“電子鏡像”。 依托 RFID 的系列技術(shù)手段， 將這一“電子鏡像”真實、 可靠、 完整地映射到應(yīng)用系統(tǒng)的數(shù)字化公共信息平臺上。 通過對運行于這一信息平臺上的“電子鏡像”的監(jiān)管服務(wù)， 支持或?qū)崿F(xiàn)對活動在實景現(xiàn)場的被標識交通工具的物理實體的監(jiān)管、服務(wù)。

本發(fā)明公開了一種自感知工作點的電磁超聲檢測方法及裝置， 該方法包括步驟:S1、將線圈放于構(gòu)件上方，將永久磁鐵放置于線圈 上方，在構(gòu)件中激勵超聲導(dǎo)波信號;S2、調(diào)節(jié)永久磁鐵與被檢構(gòu)件間 的提離，在不同提離下采集超聲導(dǎo)波信號并轉(zhuǎn)換為檢測信號，確定其 首個非電磁脈沖信號峰峰值;同時采集不同提離下表征磁場強度的電 壓;S3、確定上述峰峰值的最大值，將其對應(yīng)的提離作為基準工作提 離，尋找鄰近提離作為工作提離;S4、在基準工作提離與工作提離中 確定最小提離和最大提離對應(yīng)的電壓，生成最佳工作電壓區(qū)間，根據(jù) 該區(qū)間

本發(fā)明公開了一種基于 flash 編程干擾錯誤感知的 LDPC 譯碼優(yōu)化方法，隨著 NAND 閃存存儲密度的提升，每個單元存儲較多的比特信息，單元之間的耦合干擾較強烈，造成嚴重的編程干擾錯誤，使得傳統(tǒng)的 BCH 碼不足以保證數(shù)據(jù)的可靠性，LDPC 碼具有優(yōu)于 BCH 碼的糾錯性能而被應(yīng)用于 NAND 閃存存儲系統(tǒng)中。使用被優(yōu)化的 LDPC譯碼算法具有重要意義。現(xiàn)已觀察，編程干擾錯誤具有數(shù)值相關(guān)性特征，當進行 LDPC

1.痛點問題 協(xié)作機器人與人類共享工作空間，通過直接（即物理上）或間接地與人類交互共同開展操作任務(wù)。相比傳統(tǒng)工業(yè)機器人，協(xié)作機器人有更高的安全性和更易于編程的特點，能夠通過人類示教部署于各種不同的任務(wù)并靈活地與人類配合。隨著傳統(tǒng)工業(yè)機器人帶來的效率提升趨于飽和，能夠安全配合人類的協(xié)作機器人能夠進一步提高制造業(yè)的生產(chǎn)效率，帶來可觀的經(jīng)濟效益。然而，現(xiàn)有的協(xié)作機器人存在以下兩大痛點問題。 問題一：安全和效率之間的權(quán)衡一直是人機交互中未系統(tǒng)解決的開放性問題。當存在人機直接接觸時，為了保證人的安全，現(xiàn)有的協(xié)作機器人是通過中止正在進行的任務(wù)、順從人的干預(yù)以保證安全；然而，不論人是有意地干預(yù)（即工人直接抓取機械臂來引導(dǎo)其任務(wù)）還是無意地接觸機器人，都將造成機器人暫停手頭工作；直到人類停止干預(yù)，機器人才能繼續(xù)執(zhí)行它的任務(wù)。雖然這種人機協(xié)作方式能夠保證機器人與工人合作的安全，但因為機器人需要在不同的工作模式之間切換，其工作效率將會受到影響。 問題二：如何提高人的示教效率為協(xié)作機器人的另一大痛點問題。協(xié)同機器人多用于能夠靈活拆裝的生產(chǎn)線，以適應(yīng)新的任務(wù)，因此新任務(wù)的編程效率很大程度上決定了工作效率。基于人類示教的編程方式具有自然、本能的優(yōu)勢，能夠直接傳遞人類的操作技巧與經(jīng)驗。其中，將示教軌跡參數(shù)化為可以編輯修改、適應(yīng)不同任務(wù)的形式是提高效率的核心問題。該示教軌跡不光應(yīng)該包含機器人末端的運動數(shù)據(jù)，而且應(yīng)該包含同時調(diào)整的冗余關(guān)節(jié)運動數(shù)據(jù)，從而同時完成末端主任務(wù)與關(guān)節(jié)避障任務(wù)，以適應(yīng)工作環(huán)境。現(xiàn)有的示教方式未能結(jié)合離線示教與在線介入，因此無法適用于需要同時記錄機器人末端和關(guān)節(jié)的示教任務(wù)。 2.解決方案 本項成果基于增強現(xiàn)實-觸覺感知技術(shù)，開發(fā)了混合交互接口與人機互補操作算法，以解決上述痛點問題。 ①對于問題一，本項成果提出了自適應(yīng)視覺控制與零空間阻尼控制的協(xié)作框架：在有限視場、未校正相機、關(guān)節(jié)奇異的情況下，保證了機器人在整個工作空間內(nèi)的全局穩(wěn)定性；在不影響機器人末端任務(wù)的前提下，允許人類專家隨時、安全地介入以改變機器人關(guān)節(jié)姿態(tài)，以應(yīng)對環(huán)境動態(tài)變化或突發(fā)事件，從而實現(xiàn)了安全與效率并重的人機協(xié)作方式。 ②對于問題二，本項成果構(gòu)建了增強現(xiàn)實-觸覺感知的混合接口，讓人類專家可以在任務(wù)和冗余聯(lián)合空間進行雙手演示，同時記錄機器人末端與機器人關(guān)節(jié)的數(shù)據(jù)。示教軌跡基于DMP方法進行參數(shù)化，能夠根據(jù)不同任務(wù)所需的末端位置、關(guān)節(jié)角度、運動速度進行自適應(yīng)調(diào)整，在保證末端任務(wù)精度的同時完成關(guān)節(jié)的避障任務(wù)。 技術(shù)核心： ①基于增強現(xiàn)實-觸覺感知的混合交互接口; ②用于雙手示教的機器人軌跡學習方法; ③自適應(yīng)全局穩(wěn)定控制算法。 預(yù)期產(chǎn)品：用于人機互補協(xié)同操作的設(shè)備與軟件 3.合作需求 1)資金需求：本項成果開發(fā)的人機互補協(xié)作平臺，在硬件與軟件研發(fā)階段需要資金投入，需約250-500萬元人民幣； 2)孵化資源：公司研發(fā)所需辦公及研發(fā)場地、實驗室、分析與測試實驗室等； 3)團隊：協(xié)作平臺開發(fā)團隊、商務(wù)開發(fā)與合作團隊、財務(wù)、法務(wù)等支持團隊； 4)生產(chǎn)制造企業(yè)合作：提供人機協(xié)同操作的場景與需求，開展工廠真實環(huán)境的測試與部署； 5)基礎(chǔ)研究合作：與協(xié)作機器人、增強現(xiàn)實、觸覺感知方向的國內(nèi)外基礎(chǔ)研究團隊合作，開發(fā)新的交互設(shè)備與算法。

本發(fā)明公開了一種糾刪碼存儲中負載感知的數(shù)據(jù)歸檔方法，包 括步驟：獲取糾刪碼存儲集群中生產(chǎn)集群的每個節(jié)點的負載權(quán)重值， 并將負載權(quán)重值存儲在數(shù)組中，并根據(jù)節(jié)點負載權(quán)重值來確定不同條 帶在生產(chǎn)集群中的歸檔節(jié)點集合。對第 i 個條帶，初始化其歸檔節(jié)點 集合為空，從第 i 個條帶的數(shù)據(jù)分布集合中選擇負載權(quán)重值最高的節(jié) 點，并判斷該節(jié)點的負載權(quán)重值是否大于該節(jié)點的數(shù)據(jù)塊個數(shù)，如果 為是，則將該節(jié)點對應(yīng)的數(shù)據(jù)塊填充在該條帶的歸檔

本發(fā)明公開了一種基于視覺感知特征的光譜降維方法及系統(tǒng)，包括構(gòu)造綜合人眼視覺色度特性和光 譜特性的權(quán)函數(shù) w(λ)，利用構(gòu)造的權(quán)函數(shù) w(λ)計算任意光譜樣本集 S 的權(quán)函數(shù) Siw(λ)，對樣本集的權(quán)函 數(shù) Siw(λ)進行均值化處理，得到樣本集均值權(quán)函數(shù)矩陣 Wfv，構(gòu)造用于均值權(quán)函數(shù) Wfv 平滑優(yōu)化模型及 約束目標函數(shù)，利用優(yōu)化目標函數(shù) ObjFunc 對平滑優(yōu)化模型進行約束，確定權(quán)函數(shù)矩陣 Wfv 最佳平滑優(yōu) 化函數(shù)參數(shù) n 值，利用確