-
公开(公告)号：CN1276345C
公开(公告)日：2006-09-20
申请号：CN200410016754.2
申请日：2004-03-03
Applicant: 浙江大学
IPC: G06F9/38
Abstract: 本发明公开了一种微处理器及计算机系统，旨在提供一种静态实现数据旁路和对寄存器文件数据写入控制的处理器及编译方法，特别是媒体处理器中流水寄存器的编译控制。本发明提供了一种静态实现数据旁路和对寄存器文件数据写入控制的媒体处理器，该处理器没有硬件旁路逻辑，包含6级流水。本发明还提供了一种静态实现数据旁路及寄存器文件数据写入控制的编译方法，在使用前述的媒体处理器时，没有硬件旁路逻辑，流水线旁路的数据通道用于传送需要被旁路的数据。本发明的有益效果是用静态实现数据旁路功能无需对每个旁路数据进行比较，只需要硬件保留旁路的数据通道，硬件的结构非常简单。
-
公开(公告)号：CN1560732A
公开(公告)日：2005-01-05
申请号：CN200410016754.2
申请日：2004-03-03
Applicant: 浙江大学
IPC: G06F9/38
Abstract: 本发明公开了一种微处理器及计算机系统，旨在提供一种静态实现数据旁路和对寄存器文件数据写入控制的处理器及编译方法，特别是媒体处理器中流水寄存器的编译控制。本发明提供了一种静态实现数据旁路和对寄存器文件数据写入控制的媒体处理器，该处理器没有硬件旁路逻辑，包含6级流水。本发明还提供了一种静态实现数据旁路及寄存器文件数据写入控制的编译方法，在使用前述的媒体处理器时，没有硬件旁路逻辑，流水线旁路的数据通道用于传送需要被旁路的数据。本发明的有益效果是用静态实现数据旁路功能无需对每个旁路数据进行比较，只需要硬件保留旁路的数据通道，硬件的结构非常简单。
-
公开(公告)号：CN118756217B
公开(公告)日：2025-05-09
申请号：CN202410892456.7
申请日：2024-07-04
Applicant: 浙江大学 , 浙江省白马湖实验室有限公司
IPC: C25B11/091 , C25B1/04 , C25D9/04 , C25D11/02
Abstract: 本发明公开了一种过渡金属掺杂镍羟基氧化物催化剂及其制备方法和应用，属于海水电解制氢领域，方法包括：(1)构建三电极体系，以导电基底作为工作电极，混合金属盐溶液作为电解液，利用恒电压法进行电沉积，取出负载有预催化剂的导电基底；其中混合金属盐溶液包括第一金属盐镍盐、第二金属盐铁盐和第三金属盐，第三金属盐为钴盐、铬盐、锰盐、钼盐中的至少一种；(2)构建三电极体系，以负载有预催化剂的导电基底为工作电极，碱溶液作为电解液，利用恒电流法使预催化剂原位转化形成过渡金属掺杂镍羟基氧化物催化剂；该催化剂催化活性高、选择性和稳定性高，可以在高电流密度下长时间稳定运行，在海水电解制氢系统中具有很大的应用潜力。
-
公开(公告)号：CN119541698A
公开(公告)日：2025-02-28
申请号：CN202411528605.8
申请日：2024-10-30
Applicant: 浙江大学
IPC: G16C20/70 , F23N5/20 , G16C20/10 , G16C20/20 , G06F18/10 , G06F18/2113 , G06F18/20 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N3/0985
Abstract: 本发明提供一种基于CNN‑LSTM模型的燃烧装置CO2排放浓度预测方法，该方法包括以下步骤：根据各输入变量与CO2排放浓度之间的相关系数，对输入变量数据集进行筛选；进行数据转换处理；构建CNN‑LSTM模型作为初始预测模型，将训练集输入初始预测模型进行训练，直至平均绝对误差损失小于5％，保存该模型作为训练模型；改变初始预测模型的超参数，进行多次训练，选取其中均方根误差最小和决定系数最大的训练模型作为最终预测模型；将当前时间步的相关特征变量参数输入最终预测模型，获得下一时间步的CO2排放浓度预测值。本发明能够实时准确地预测燃烧装置CO2的排放浓度。
-
公开(公告)号：CN117873904B
公开(公告)日：2024-07-19
申请号：CN202410257192.8
申请日：2024-03-07
Abstract: 本发明公开了一种基于t‑分布鲸鱼优化算法生成浮点数测试激励方法和装置，初始化鲸鱼优化算法的参数；初始化鲸鱼种群位置；建立UVM验证平台收集功能覆盖率集合并计算适应度值；更新参数用于鲸鱼个体位置计算；进行第t次迭代，使用收缩包围机制或螺旋更新策略移动鲸鱼个体位置；位置更新，根据鲸鱼个体位置前后适应度值大小决定位置是否替换；采用t‑分布变异算子对种群个体进行扰动计算生成新种群，并更新个体位置；判断是否满足结束条件，如果达到预设的结束条件，则退出整体的算法循环；否则更新参数继续迭代直至满足结束条件。本发明采用鲸鱼优化算法来避免遍历整个搜索空间，朝尽早覆盖所有功能覆盖点的方向前进。
-
Patent Agency Ranking
公开(公告)号：CN118332999A
公开(公告)日：2024-07-12
申请号：CN202410421798.0
申请日：2024-04-09
Applicant: 浙江大学
IPC: G06F30/392 , G06F111/08 , G06F111/04
Abstract: 本发明提供一种芯粒系统内存控制器布局优化方法，包括，根据目标芯粒系统架构中的互连关系和各个组件的物理位置关系分别构建无向图和二维网格图；基于无向图中提供的目标芯粒系统架构内各个组件的互连关系和二维网格图中提供的目标芯粒系统架构内各个组件的物理位置关系，对处理器核心访问末级缓存的缺失率进行计算，对处理器核心访问缓存或内存的延迟进行计算；根据末级缓存缺失率和延迟数据，构建目标芯粒系统性能模型；确定目标芯粒系统约束条件和求解目标，对目标芯粒系统性能模型进行求解，获得对应的内存控制器布局方式，处理器核心数量以及末级缓存容量，使得芯粒系统的处理器核心访存延迟降低，提高芯粒系统的整体架构性能。
-
公开(公告)号：CN116819045B
公开(公告)日：2024-06-04
申请号：CN202310817679.2
申请日：2023-07-05
Applicant: 浙江大学
Abstract: 本发明涉及一种实现多变量同步监测的滑坡模型试验方法与装置，土体边坡模拟单元堆积土体边坡模型并模拟边坡的不同倾斜度，降雨模拟单元模拟不同强度的降雨并诱发滑坡发生，径流‑渗流分离单元实现降雨作用下边坡径流和渗流的分离，监测模块监测降雨作用下边坡径流和渗流流量、坡内含水率和孔隙水压力变化及边坡形态变化，基于流量变化获得降雨诱发滑坡变形破坏机理。本发明可以实现降雨作用下坡表径流与坡内渗流的分离，自动实时监测径流与渗流流量，可实时监测包括但不限于孔隙水压力、土体含水量等土坡内部参数变化及边坡形态变化，获取边坡对降雨响应的多角度数据，为研究降雨作用下斜坡的水文响应机制及其对斜坡稳定性的影响提供数据参考。
-
公开(公告)号：CN117873904A
公开(公告)日：2024-04-12
申请号：CN202410257192.8
申请日：2024-03-07
Abstract: 本发明公开了一种基于t‑分布鲸鱼优化算法生成浮点数测试激励方法和装置，初始化鲸鱼优化算法的参数；初始化鲸鱼种群位置；建立UVM验证平台收集功能覆盖率集合并计算适应度值；更新参数用于鲸鱼个体位置计算；进行第t次迭代，使用收缩包围机制或螺旋更新策略移动鲸鱼个体位置；位置更新，根据鲸鱼个体位置前后适应度值大小决定位置是否替换；采用t‑分布变异算子对种群个体进行扰动计算生成新种群，并更新个体位置；判断是否满足结束条件，如果达到预设的结束条件，则退出整体的算法循环；否则更新参数继续迭代直至满足结束条件。本发明采用鲸鱼优化算法来避免遍历整个搜索空间，朝尽早覆盖所有功能覆盖点的方向前进。
-
公开(公告)号：CN117713218A
公开(公告)日：2024-03-15
申请号：CN202311847004.9
申请日：2023-12-29
Applicant: 浙江大学 , 东方电气股份有限公司 , 东方电气长三角(杭州)创新研究院有限公司
IPC: H02J3/38 , G06F18/10 , G06F18/23213 , G06F18/25 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于知识与数据融合驱动的光伏出力预测方法，涉及电力系统技术领域，包括采集光伏历史数据、地理位置数据及NWP天气数据，进行数据预处理，分析光伏板吸收辐照度的机理建立有效辐照度机理模型，依据发电数据和天气数据，将数据聚类为晴天、阴天、雨天三个场景，结合天气数据和机理模型得到的特征序列，在不同天气场景下利用CNN‑LSTM神经网络建模得到不同场景下的光伏出力预测模型，判断未来一段时间内的天气类别，输入对应算法模型得到光伏出力预测数据，在晴天场景下，知识与数据融合驱动的光伏出力预测模型的预测结果相较于传统的BP神经网络模型、单一的LSTM数据模型、CNN‑LSTM混合数据模型，RMSE分别降低了32％、37％、26％，预测精度得到较大提升。
-
公开(公告)号：CN117009729B
公开(公告)日：2024-01-26
申请号：CN202311293166.2
申请日：2023-10-08
Abstract: 本说明书公开了一种基于softmax的数据处理方法及装置，将目标模型部署在服务器中，通过目标模型的前处理层，确定待处理数据对应的目标矩阵，并通过在服务器上运行归一化层的第一算子，确定该目标矩阵中各行数据分别对应的归一化参数，再通过在服务器上运行第二算子，确定该目标矩阵对应的全局最大值和全局指数和，进而当目标模型的后处理层启动时，通过在服务器上运行融合算子，确定目标矩阵的归一化结果，并根据该归一化结果执行该后处理层对应的数据处理任务。本方法中的服务器不需要对目标矩阵中的数据同时进行处理，即可确定出目标矩阵的全局最大值和全局指数和，减少了对服务器的算力的要求，提高了任务处理效率。
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.073 seconds)
