一种碳化硅晶须增韧的陶瓷涂层及其制备方法和应用

    公开(公告)号:CN117820029A

    公开(公告)日:2024-04-05

    申请号:CN202410041195.8

    申请日:2024-01-11

    Abstract: 本发明属于陶瓷涂层技术领域,具体涉及一种碳化硅晶须增韧的陶瓷涂层及其制备方法和应用。本发明提供的碳化硅晶须增韧的陶瓷涂层在陶瓷层和基底之间设有SiC晶须穿插的SiC过渡层,SiC晶须可以穿插至基底表面和陶瓷层表面,从而提高陶瓷层与基底之间的结合力,而且过渡层本身分布均匀,能缓解基底与陶瓷层之间热膨胀系数差异产生的影响,使陶瓷层与基底链接紧密,解决传统陶瓷外涂层与基底的结合能力不足且易脱落的问题。本发明所提供的带含碳化硅过渡层(含碳化硅晶须)的陶瓷外防护层可以在超高温下具有紧密结合力,断裂韧性高,不容易脱落。

    一种光通信的方法、装置、存储介质及电子设备

    公开(公告)号:CN116781176B

    公开(公告)日:2024-03-12

    申请号:CN202310878239.8

    申请日:2023-07-17

    Abstract: 本说明书公开了一种光通信的方法、装置、存储介质及电子设备,光信号接收端对原始光信号进行采样,得到采样信号序列,并可确定误差比例系数。采用Gardner定时算法,对采样信号序列进行定时误差估计,得到误差估计信号序列。使用误差比例系数对误差估计信号序列进行放缩,对放缩后的误差估计信号序列进行卡尔曼滤波,得到平稳误差序列,且对插值参数进行优化。使用优化后的插值参数,对后续得到的采样信号序列进行线性插值并输出。通过对误差估计信号序列进行卡尔曼滤波,以优化插值参数,解决了光信号接收端存在的频率偏差问题,使用线性插值以及卡尔曼滤波的方法,提高计算效率,基于误差比例系数放缩误差估计信号序列,增强了实用性。

    一种多模态网络流量预测方法及装置

    公开(公告)号:CN117201334B

    公开(公告)日:2024-01-26

    申请号:CN202311481132.6

    申请日:2023-11-08

    Abstract: 本说明书公开了一种多模态网络流量预测方法及装置。所述任务执行方法包括:将获取到的多模态网络中的历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。再根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,进而根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的多模态网络在预设时间段内整体所产生的流量值。

    一种算子调用代码自动生成的方法、装置、介质及设备

    公开(公告)号:CN116932092B

    公开(公告)日:2024-01-09

    申请号:CN202311202669.4

    申请日:2023-09-18

    Abstract: 本说明书公开了一种算子调用代码自动生成的方法、装置、介质及设备。所述方法包括:获取后端硬件平台对应的算子库基本信息以及目标深度学习算法的计算图;根据算子库基本信息生成算子调用代码的代码头;对计算图进行解析,确定计算图中的各前端算子;针对每个前端算子,根据该前端算子与算子调用模板之间的映射关系,确定该算子对应算子调用模板的声明语句以及模板函数的调用语句;根据代码头、声明语句、调用语句以及该算子对应的配置信息,生成完整的后端算子的调用代码;根据每个后端算子的调用代码调用各后端算子,以通过各后端算子执行计算任务。(56)对比文件丁然;林建文;朱振华;刘弋波.一种类CPU的深度学习协处理器架构.中国集成电路.2020,(第Z4期),全文.王秉睿;兰慧盈;陈云霁.深度学习编程框架.大数据.2018,(第04期),全文.傅鹂;鲁先志;蔡斌.一种基于数据流驱动的数据流连续查询模型.重庆工学院学报(自然科学版).2008,(第10期),全文.

    一种多模态网络流量预测方法及装置

    公开(公告)号:CN117201334A

    公开(公告)日:2023-12-08

    申请号:CN202311481132.6

    申请日:2023-11-08

    Abstract: 本说明书公开了一种多模态网络流量预测方法及装置。所述任务执行方法包括:将获取到的多模态网络中的历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。再根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,进而根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的多模态网络在预设时间段内整体所产生的流量值。

    一种高性能算子选择的动态决策方法及装置

    公开(公告)号:CN117171577A

    公开(公告)日:2023-12-05

    申请号:CN202311450171.X

    申请日:2023-11-02

    Abstract: 本说明书公开了一种高性能算子选择的动态决策方法及装置,包括:在选择模型中特定算子应该由算子库中具体的哪一个算子实现时,需要定位到模型中特定算子的shape特征的特征区间下,并确定该特征区间下的性能排序子表是否被更新过,若是,则可以直接通过该特征区间下更新好的性能排序子表选取出目标算子,若还未更新,则在模型训练阶段可以在每一轮训练时选取不同的算子在模型中进行训练,从而得到算子的性能分数,对性能排序子表进行更新,那么在后续训练这个模型(或者其他模型中需要相同特征区间下的shape特征的算子)时,可以直接使用该性能排序子表选取出合适的算子,从而相比于现有技术能够更加准确的选择出性能良好的算子。

    一种基于光收发芯片的内存管理系统、方法、介质及设备

    公开(公告)号:CN117093161A

    公开(公告)日:2023-11-21

    申请号:CN202311359193.5

    申请日:2023-10-19

    Abstract: 本说明书公开了一种基于光收发芯片的内存管理系统、方法、介质及设备,第一节点的服务器将内存操作指令发送给第一节点的光收发芯片设备,光收发芯片设备将内存操作指令转换成第一光信号发送给第二节点的内存管理设备,内存管理设备将第一光信号转换成内存操作指令,并执行对应操作,将内存操作结果转换成第二光信号返回第一节点的光收发芯片设备,光收发芯片设备将第二光信号转换成内存操作结果并返回第一节点的服务器,服务器接收内存操作结果。系统中的各节点之间不再依赖TCP协议,通过光链路传输操作指令以及返回操作结果。实现了高速低延时的内存共享,还能减少对处理器计算资源的占用,提高系统运行效率,提高内存资源的使用率。

    一种算子调用代码自动生成的方法、装置、介质及设备

    公开(公告)号:CN116932092A

    公开(公告)日:2023-10-24

    申请号:CN202311202669.4

    申请日:2023-09-18

    Abstract: 本说明书公开了一种算子调用代码自动生成的方法、装置、介质及设备。所述方法包括:获取后端硬件平台对应的算子库基本信息以及目标深度学习算法的计算图;根据算子库基本信息生成算子调用代码的代码头;对计算图进行解析,确定计算图中的各前端算子;针对每个前端算子,根据该前端算子与算子调用模板之间的映射关系,确定该算子对应算子调用模板的声明语句以及模板函数的调用语句;根据代码头、声明语句、调用语句以及该算子对应的配置信息,生成完整的后端算子的调用代码;根据每个后端算子的调用代码调用各后端算子,以通过各后端算子执行计算任务。

    一种算子优化方法、装置、存储介质及电子设备

    公开(公告)号:CN116663618A

    公开(公告)日:2023-08-29

    申请号:CN202310941263.1

    申请日:2023-07-28

    Abstract: 本说明书公开了一种算子优化方法、装置、存储介质及电子设备。在本说明书提供的算子优化方法中,获取目标神经网络模型,并确定目标神经网络模型的计算图;针对计算图中每个算子,确定包含该算子所有可行解的搜索空间;在搜索空间中选择若干可行解作为候选解,确定各候选解的评估值,并将评估值最高的作为待定解;确定目标硬件运行待定解的运行时间,并增加迭代次数;当运行时间小于当前最优时间或不存在当前最优时间时,将运行时间确定为当前最优时间,并将待定解确定为当前最优解;当迭代次数小于指定次数时,重新在该算子的搜索空间中选择指定数量个未被选择过的候选解;当迭代次数不小于指定次数时,将当前最优解确定为该算子的最优解。

Patent Agency Ranking