1037232數(shù)控機(jī)床主軸編碼器sick秉銘DFS60B-S4CA01024探測是我國的空間探索工程項(xiàng)目,是中國航天進(jìn)入深空領(lǐng)域針對帶寬有限的地火通信信道和預(yù)期拍攝的大量火星照片,采用新一代靜態(tài)圖像編碼標(biāo)準(zhǔn)JPEG2000進(jìn)行圖像壓縮。JPEG2000壓縮性能優(yōu)異,但算法結(jié)構(gòu)復(fù)雜,特別是EBCOT中的MQ編碼和碼率控制。MQ編碼包含了相當(dāng)?shù)谋忍丶夁\(yùn)算和復(fù)雜的控制關(guān)系,而碼率控制則需要消耗大量存儲空間并進(jìn)行多次的迭代截取,兩者是在資源受限的火星探測硬件平臺上實(shí)現(xiàn)JPEG2000算法的主要瓶頸。因此,MQ編碼和碼率控制的面積優(yōu)化設(shè)計(jì),對實(shí)現(xiàn)火星探測JPEG2000圖像編碼系統(tǒng)有重要意義。究了JPEG2000標(biāo)準(zhǔn)的算法原理和工作流程,深入分析了MQ算術(shù)編碼和碼率控制的算法特征及在硬件實(shí)現(xiàn)中的技術(shù)瓶頸。結(jié)合現(xiàn)有技術(shù)與圖像編碼的具體需求,實(shí)現(xiàn)并優(yōu)化了兩個模塊。主要研究成果如下:1究了MQ算術(shù)編碼算法,針對其數(shù)據(jù)高度串行的特點(diǎn),設(shè)計(jì)了基于三級流水的MQ編碼器。在此基礎(chǔ)上,分析二級流水的電路結(jié)構(gòu),針對其多路選擇器扇出過大的資源瓶頸,通過減少選擇器輸入輸出分支,大幅降低了面積開銷;分析了MQ編碼器的輸出特點(diǎn),針對其無法連續(xù)吞吐數(shù)據(jù)的問題,在第三級流水中添加移位寄存器,并證明該移位寄存器的小有效位寬為3字節(jié),實(shí)現(xiàn)了MQ編碼器對輸入數(shù)據(jù)的無間隔吞吐。2、本文研究了碼率控制算法,提出了一種將斜率計(jì)算模塊由Tier2編碼提前至Tier1編碼的EBCOT硬件結(jié)構(gòu),使得Tier1編碼產(chǎn)生的通道信息不必進(jìn)行中間緩存,有效減少了存儲面積的開銷。在該結(jié)構(gòu)的基礎(chǔ)上,設(shè)計(jì)并實(shí)現(xiàn)了碼率控制模塊,其主要由兩個部分組成:向前剔除三次奇異點(diǎn)的斜率計(jì)算模塊,其資源消耗優(yōu)于*剔除奇異點(diǎn),而截取性能優(yōu)于剔除當(dāng)前奇異點(diǎn);進(jìn)行包頭預(yù)估計(jì)的并行截取模塊,與現(xiàn)有實(shí)現(xiàn)相比,提升了碼率控制的精度和速度。3、本文實(shí)現(xiàn)的MQ編碼器和碼率控制模塊已經(jīng)應(yīng)用在基于JPEG2000的火星探測圖像編碼系統(tǒng)中。該系統(tǒng)能夠滿足多種壓縮模式,12比特深度,3072*4096大分辨率等各類指標(biāo)的實(shí)時圖像處理要求。經(jīng)過軟硬件協(xié)同驗(yàn)證和大規(guī)模圖像測試,以及對硬件實(shí)現(xiàn)結(jié)果的分析,終證明該系統(tǒng)輸出的編碼碼流符合JPEG2000標(biāo)準(zhǔn),且壓縮性能和資源消耗均滿足火星探測工程的需求指標(biāo)。本文基于火星探測的工程背景,設(shè)計(jì)并實(shí)現(xiàn)了面積優(yōu)化的MQ編碼器和碼率控制模塊,能夠滿足火星探測圖像處理單元資源低耗的工程需求,但相對應(yīng),本文實(shí)現(xiàn)的電路工作頻率不高,處理速度較慢,主要的處理對象為火星探測中的中分圖像和高分圖像,不適用于網(wǎng)絡(luò)通信、醫(yī)療成像、數(shù)字圖書館等其他場景,在今后的工作中,應(yīng)面向更廣闊的應(yīng)用機(jī)床系統(tǒng)中,主軸單元占據(jù)著關(guān)鍵位置,其中需要安裝光電式或磁性環(huán)式旋轉(zhuǎn)編碼器,以實(shí)現(xiàn)數(shù)控機(jī)床的功能,也就是檢測主軸轉(zhuǎn)速,加工螺紋,準(zhǔn)?？刂啤，F(xiàn)階段,傳統(tǒng)旋轉(zhuǎn)編碼器的安裝方式主要包含同步帶和齒輪傳動的外置式結(jié)構(gòu),其可以實(shí)現(xiàn)主軸功能,但是其中依舊存在許多缺陷,亟待彌補(bǔ)。而空心軸式旋轉(zhuǎn)編碼器具有其自身的*優(yōu)勢,充分合理利用以實(shí)現(xiàn)編碼器安裝方式的進(jìn)一步優(yōu)化,直接完善為直聯(lián)式安裝結(jié)構(gòu),勢在必行。據(jù)此,本文主要對數(shù)控機(jī)床主軸編碼器安裝結(jié)構(gòu)設(shè)計(jì)的優(yōu)化與完善進(jìn)行了詳細(xì)分析。因此探究性能良好的情感分析算法具有巨大的實(shí)際意義。常用的情感分析方法主要分為基于傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)、基于情感詞典和基于深度學(xué)習(xí)的方法?；谏疃葘W(xué)習(xí)的方法依靠無監(jiān)督訓(xùn)練的詞向量來表示文本,但是這種方法沒用充分表示出文本的上下文語境關(guān)系,而且經(jīng)常用于處理文本的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜,訓(xùn)練難度較大。另外,隨著各個領(lǐng)域新產(chǎn)品的不斷涌現(xiàn),新的領(lǐng)域往往缺少大量的有標(biāo)簽數(shù)據(jù)來訓(xùn)練模型,因此,研究如何利用已有領(lǐng)域的有標(biāo)簽訓(xùn)練數(shù)據(jù)對新的領(lǐng)域進(jìn)行情感分析具有重要意義。本文針對現(xiàn)有的情感分析算法存在的問題進(jìn)行了研究,探究了遷移學(xué)習(xí)技術(shù)在情感分析算法中的應(yīng)用,主要的工作內(nèi)容包括以下三個方面:（1）針對無監(jiān)督訓(xùn)練的詞向量無法表示上下文語境關(guān)系的問題,本文提出基于模型遷移的分層注意力網(wǎng)絡(luò)的情感分析算法,利用機(jī)器翻譯任務(wù)訓(xùn)練一個編碼器,并將這個編碼器模型結(jié)構(gòu)遷移到情感分析任務(wù)中,用于生成文本的分布式表示。由于翻譯模型需要充分提取上下文中的關(guān)鍵信息才能夠盡可能準(zhǔn)確地實(shí)現(xiàn)一種語言到另一種語言的轉(zhuǎn)換,因此,經(jīng)過這種方式獲得的詞向量涵蓋了上下文語境關(guān)系,對情感分析算法的性能有很大的提升。（2）本文使用分層的注意力機(jī)制神經(jīng)網(wǎng)絡(luò)完成文本情感分析任務(wù),網(wǎng)絡(luò)主要分為單詞層和句子層,在每層都使用一種稱為小門單元的簡化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),減少了模型參數(shù),降低了模型訓(xùn)練難度,并且在每層均引入了注意力機(jī)制來提取重要的信息。（3）針對在一個領(lǐng)域內(nèi)訓(xùn)練的情感分析算法無法應(yīng)用于其他領(lǐng)域的問題,本文提出了基于特征的跨領(lǐng)域遷移的情感分析算法,利用編碼器提取領(lǐng)域無關(guān)的公有特征和目標(biāo)領(lǐng)域的私有特征,然后結(jié)合這兩種特征利用源領(lǐng)域有標(biāo)簽樣本數(shù)據(jù)和小部分目標(biāo)領(lǐng)域有標(biāo)簽樣本數(shù)據(jù)訓(xùn)練分類器,實(shí)現(xiàn)跨領(lǐng)域情感分類。

 1037232數(shù)控機(jī)床主軸編碼器sick秉銘DFS60B-S4CA01024機(jī)視覺領(lǐng)域,自然語言處理領(lǐng)域和語音處理領(lǐng)域取得了飛速的發(fā)展和的成功,其中表示學(xué)習(xí)領(lǐng)域研究的不斷進(jìn)步對這次深度學(xué)習(xí)技術(shù)的崛起起到了促進(jìn)作用。學(xué)習(xí)良好的數(shù)據(jù)嵌入與特征表示,使得在構(gòu)建預(yù)測模型或者分類器時更容易從數(shù)據(jù)中提取有用的特征信息。然而,目前主流的深度學(xué)習(xí)模型存在黑盒屬性,缺乏相應(yīng)神經(jīng)科學(xué)的理論性指導(dǎo)。主流的深度學(xué)習(xí)模型不能進(jìn)行推理任務(wù)。深度學(xué)習(xí)模型的結(jié)構(gòu)往往是固定的,缺乏對應(yīng)的結(jié)構(gòu)學(xué)習(xí)算法。深度學(xué)習(xí)的研究主要圍繞著有監(jiān)督的深度學(xué)習(xí),主流深度學(xué)習(xí)模型的訓(xùn)練離不開大規(guī)模的人工標(biāo)注數(shù)據(jù)。但是大規(guī)模人工標(biāo)注數(shù)據(jù)的獲取是非常困難的,甚至在一些任務(wù)中是不可能的。因此,使用半監(jiān)督或者無監(jiān)督的深度學(xué)習(xí)成為迫切的研究需求。近年來,在無監(jiān)督深度學(xué)習(xí)領(lǐng)域,自動編碼器取得了廣泛的成功。但是傳統(tǒng)的深度自動編碼器存在很多局限性,比如:首先,自動編碼器模型中編碼器與存在結(jié)構(gòu)對偶屬性,但在傳統(tǒng)的自動編碼器模型應(yīng)用中,這點(diǎn)被忽略。其次,編碼器與解訓(xùn)練過程是分離的,編碼器與間的反饋信息沒有共享。針對上述問題,本文研究一種新型的概率深度學(xué)習(xí)模型和積網(wǎng)絡(luò)。和積網(wǎng)絡(luò)模型具有遞歸概率語義,具有很強(qiáng)的理論性支持。和積網(wǎng)絡(luò)能進(jìn)行推理,其結(jié)構(gòu)可以使用結(jié)構(gòu)學(xué)習(xí)算法從數(shù)據(jù)中生成網(wǎng)絡(luò)結(jié)構(gòu)?；诤头e網(wǎng)絡(luò)的這些優(yōu)點(diǎn),本文提出一種層次和積網(wǎng)絡(luò)作為特征提取器并設(shè)計(jì)改進(jìn)的和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法。受到對偶學(xué)習(xí)啟發(fā),本文還提出一種基于對偶和積網(wǎng)絡(luò)的自動編碼器架構(gòu)。主要工作概述如下:1介紹了和積網(wǎng)絡(luò)的相關(guān)基本知識。第二,說明了和積網(wǎng)絡(luò)的推理模式。然后,介紹了和積網(wǎng)絡(luò)的生成式與判別式參數(shù)學(xué)習(xí)方法。后,介紹了和積網(wǎng)絡(luò)的主流結(jié)構(gòu)學(xué)習(xí)方法。2、對和積網(wǎng)絡(luò)在兩個方面做出了改進(jìn)出了層次和積網(wǎng)絡(luò)特征提取器。和積網(wǎng)絡(luò)結(jié)構(gòu)。然后,排列和積網(wǎng)絡(luò)節(jié)點(diǎn)為層次順序結(jié)構(gòu),同層包含相同節(jié)點(diǎn),不同層包含不同節(jié)點(diǎn),增加輸入層輸出到每一個和積網(wǎng)絡(luò)的隱藏層。第二,提出了一種改進(jìn)的和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法,首先,在實(shí)例變量矩陣劃分之前,將其分為兩部分,然后引入樹分布作為葉子節(jié)點(diǎn)分布。后,引入變量熵值限制變量劃分過程。3、為了驗(yàn)證層次和積網(wǎng)絡(luò)作為特征提取器與改進(jìn)和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法的性能,本文進(jìn)行了大量的對比實(shí)驗(yàn)。首先,可視化層次和積網(wǎng)絡(luò)的樣本生成。然后,可視化層次和積網(wǎng)絡(luò)的特征提取。后,使用層次和積網(wǎng)絡(luò)進(jìn)行圖像分類任務(wù),對比模型證明了層次和積網(wǎng)絡(luò)在特征提取與圖像分類的*性能。本文還設(shè)計(jì)了改進(jìn)的和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法對比傳統(tǒng)和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法Learn SPNs的實(shí)驗(yàn),在模型參數(shù)統(tǒng)計(jì)與平均測試邏輯似然函數(shù)指標(biāo)中驗(yàn)證了改進(jìn)的和積網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法的有效性。4、提出了對偶和積網(wǎng)絡(luò)自動編碼器。首先,設(shè)計(jì)其結(jié)構(gòu)作為對偶閉環(huán)。然后,引入概率結(jié)構(gòu)對偶正則化項(xiàng)監(jiān)督對偶和積網(wǎng)絡(luò)的自動編碼器訓(xùn)練過程。后,同時訓(xùn)練對偶和積網(wǎng)絡(luò)自動編碼器中的SPNs編碼器與MPNs解使反饋信息在兩個模型中共享。5、為了驗(yàn)證對偶和積網(wǎng)絡(luò)自動編碼器的表示學(xué)習(xí)能力,本文設(shè)計(jì)了數(shù)據(jù)集嵌入重構(gòu)實(shí)驗(yàn)與多標(biāo)簽分.