Saltar navegación e ir al contenido principal
Biblioteca digital de Bogotá
Logo BibloRed
Cargando contenido
¿Qué estás buscando?
  • Escribe palabras clave como el título de un contenido, un autor o un tema que te interese.

  • Búsqueda avanzada

Seleccionar

Contenidos y Experiencias Digitales

Filtrar

Formatos de Contenido
Tipo de colección
Género
Idioma
Derechos de uso

Selecciona contenidos según las condiciones legales para su uso y distribución.

Estás filtrando por

Cargando contenido

Se encontraron 110737 resultados en recursos

  • Exclusivo BibloRed
Imagen de apoyo de  Determining the Image Base of ARM Firmware by Matching Function Addresses

Determining the Image Base of ARM Firmware by Matching Function Addresses

Por: Hindawi | Fecha: 2021

El firmware es un software incrustado en un dispositivo y actúa como el trabajo más fundamental de un sistema. El desmontaje es un paso necesario para entender el mecanismo operativo o detectar las vulnerabilidades del firmware. Al desmontar un firmware, primero se debe obtener el tipo de procesador del entorno de ejecución y la base de la imagen del firmware. En general, el tipo de procesador se puede obtener desmontando el dispositivo o consultando el manual del producto. Sin embargo, en la actualidad, todavía no hay una herramienta automatizada que se pueda utilizar para obtener la base de la imagen de todos los tipos de firmware. En este documento, nos centramos en el firmware en ARM y proponemos un método automatizado para determinar la dirección de la base de la imagen. En primer lugar, estudiando la regla de almacenamiento y el modo de carga de la dirección de la función, podemos obtener el desplazamiento de la función y la dirección de la función cargada por la instrucción LDR, respectivamente. Luego, con esta información, proponemos un algoritmo, llamado Determinación de la base de la imagen mediante la coincidencia
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Determining the Image Base of ARM Firmware by Matching Function Addresses

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  VLSI Implementation of Green Computing Control Unit on Zynq FPGA for Green Communication

VLSI Implementation of Green Computing Control Unit on Zynq FPGA for Green Communication

Por: Hindawi | Fecha: 2021

El problema de la escasez de energía está afectando a todo el planeta. Esto está ocurriendo debido al crecimiento masivo de la población y la industria en todo el mundo. Como resultado, todo el mundo está intentando implementar sistemas de red ecológicos y fabricar productos eficientes en energía. Este trabajo de investigación discute las tecnologías de los sistemas de red ecológicos. Este trabajo introduce un diseño de unidad de control (CU) eficiente en energía implementado en el FPGA (Field Programmable Gate Array) Zynq SoC (System on Chip) de ultrascalado. Se utiliza la suite de diseño VIVADO HLx para simular y analizar el modelo de la CU, que se considera uno de los componentes clave de la unidad central de procesamiento (CPU), utilizado para fines de comunicación de datos. La CU se adapta para la comunicación ecológica haciéndola eficiente en energía. Por lo tanto, se analiza el consumo de energía de la CU para varios valores de frecuencia establecidos que van desde 100MHz hasta 5GHz, y se descubre que a medida que la frec
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

VLSI Implementation of Green Computing Control Unit on Zynq FPGA for Green Communication

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Novel Stream Ciphering Algorithm for Big Data Images Using Zeckendorf Representation

Novel Stream Ciphering Algorithm for Big Data Images Using Zeckendorf Representation

Por: Hindawi | Fecha: 2021

Big data es un término utilizado para conjuntos de datos muy grandes. Los equipos digitales producen vastas cantidades de imágenes todos los días; la necesidad de encriptación de imágenes es cada vez más pronunciada, por ejemplo, para salvaguardar la privacidad de los datos de imágenes médicas de los pacientes en un disco en la nube. Existe una clara contradicción entre la seguridad y privacidad y el uso generalizado de big data. Hoy en día, el motor más importante para proporcionar confidencialidad es la encriptación. Sin embargo, el cifrado por bloques no es adecuado para los enormes datos en un entorno en tiempo real debido a la fuerte correlación entre píxeles y la alta redundancia; el cifrado por flujo se considera una solución ligera para cifrar imágenes de alta definición (es decir, con un alto volumen de datos). Para un cifrado por flujo, dado que el algoritmo de encriptación es determinista, lo único que se puede hacer es hacer que la clave parezca aleatoria. Este artículo demuestra que la probabilidad de que el dígito 1 aparez
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Novel Stream Ciphering Algorithm for Big Data Images Using Zeckendorf Representation

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management

Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management

Por: Hindawi | Fecha: 2021

Después de la reforma y la apertura, la economía de nuestro país ha desarrollado rápidamente, y las condiciones de vida de la gente han mejorado cada vez más. Como resultado, tienen mucho tiempo para prestar atención a su salud, lo que ha promovido el rápido desarrollo de la industria deportiva y de fitness en mi país. Ante el creciente desarrollo del sector deportivo y de fitness de mi país, el estado actual de la administración de los miembros de la industria deportiva y de fitness no está a la altura del desarrollo de la industria deportiva y de fitness de mi país. Con base en esto, este artículo utiliza un algoritmo de árbol de decisión difuso para establecer un árbol de decisión basado en las características de los datos de los clientes y perder a los clientes existentes. Analizar la situación es de importancia estratégica para mejorar la competitividad del club. Este artículo selecciona los 7 conjuntos de datos más comúnmente utilizados del conjunto de datos de UCI como los datos experimentales iniciales para el entrenamiento del modelo en tres formatos diferentes y luego utiliza los datos de un miembro específico
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Innovative Styling and Structural Design of New Duplex Wide-Body Passenger Aircraft Based on Mobile Edge Computing

Innovative Styling and Structural Design of New Duplex Wide-Body Passenger Aircraft Based on Mobile Edge Computing

Por: Hindawi | Fecha: 2021

La investigación está diseñada para explorar aviones de fuselaje ancho que sean más adecuados en 2035-2040. El diseño innovador del avión de fuselaje ancho adopta la forma de la cabina principal de pasajeros y la separación del ala, la cabina de pasajeros en forma de un automóvil de un solo motor a través del tránsito ferroviario y el viaje del automóvil de transferencia juntos. El automóvil de transferencia entrega los dos automóviles de motor sucesivamente al avión, que está conectado de manera segura a la estructura ferroviaria mediante garras mecánicas. Los automóviles de motor pueden separarse en la estación de transferencia, ayudando así en la desviación de pasajeros. El interior del automóvil de motor ha sido optimizado. Se ha diseñado una máscara visual para aislamiento en los asientos. Y un dispositivo está diseñado para aligerar las piernas de los pasajeros para aliviar el síndrome de la clase económica. El análisis de datos correspondiente
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Innovative Styling and Structural Design of New Duplex Wide-Body Passenger Aircraft Based on Mobile Edge Computing

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Research on Modeling and Scheduling Methods of an Intelligent Manufacturing System Based on Deep Learning

Research on Modeling and Scheduling Methods of an Intelligent Manufacturing System Based on Deep Learning

Por: Hindawi | Fecha: 2021

Bajo el telón de fondo de la fabricación inteligente, la modelización y programación de un sistema de fabricación inteligente impulsado por big data han atraído cada vez más atención de todos los ámbitos de la vida. El aprendizaje profundo puede encontrar más conocimiento oculto en el proceso de extracción de características de la estructura jerárquica y tiene una buena adaptabilidad de datos en la adaptación de dominio. Desde la perspectiva del sistema de fabricación, la programación inteligente es insustituible en la producción inteligente cuando la cantidad de piezas a fabricar es pequeña o los productos cambian constantemente. Este artículo expone las ventajas sobresalientes del aprendizaje profundo en la modelización de sistemas de fabricación inteligente, lo cual proporciona una manera efectiva y una herramienta poderosa para el diseño del sistema de fabricación inteligente, análisis de rendimiento y monitoreo del estado de funcionamiento, y ofrece una dirección clara para seleccionar, diseñar o implementar la arquitectura de aprendizaje profundo en el campo de la modelización y programación de sistemas de fabricación inteligente
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Research on Modeling and Scheduling Methods of an Intelligent Manufacturing System Based on Deep Learning

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  A Novel SAR Image Target Recognition Algorithm under Big Data Analysis

A Novel SAR Image Target Recognition Algorithm under Big Data Analysis

Por: Hindawi | Fecha: 2021

La tecnología de reconocimiento de objetivos de imágenes de radar de apertura sintética (SAR) tiene como objetivo determinar automáticamente la presencia o ausencia de información de objetivos a partir de la imagen SAR de entrada y mejorar la eficiencia y precisión de la interpretación de imágenes SAR. Basándose en el análisis de big data, se elimina la información incorrecta, se devuelve la información correcta y se realiza un procesamiento estandarizado de los datos de imagen SAR. Al mismo tiempo, mediante el establecimiento de un modelo estadístico de puntos coherentes, se utiliza el autoencoder convolucional para reducir el ruido de la imagen SAR. Finalmente, se utiliza un modelo de red modificado por la pérdida de entropía cruzada softmax y la pérdida de Fisher para el reconocimiento automático de objetivos. Basándose en el conjunto de datos MSTAR, se utilizan dos gráficos de escena que contienen el objetivo sintetizado por la imagen de fondo y la porción del objetivo para experimentos. Varios experimentos comparativos han verificado la efectividad del modelo de clasificación y reconocimiento en este documento.
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

A Novel SAR Image Target Recognition Algorithm under Big Data Analysis

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Research on Marketing Prediction Model Based on Markov Prediction

Research on Marketing Prediction Model Based on Markov Prediction

Por: Hindawi | Fecha: 2021

Muchas actividades en la gestión del marketing empresarial moderno son aleatorias y repetitivas. El efecto del marketing está constantemente influenciado por una variedad de factores como el cambio en la oferta y la demanda del mercado, las intenciones de compra de los clientes y la política financiera nacional. Como resultado, el análisis de Markov se puede utilizar para analizar el estado y la tendencia de algunas variables, es decir, para predecir el estado y la tendencia futuros de una variable basándose en su estado y tendencia actuales, con el fin de prever posibles cambios en el futuro y tomar medidas correctivas apropiadas. El modelo matemático de predicción de marketing de productos se presenta en este documento mediante el establecimiento de la matriz de probabilidad de transición de estado del producto y analizando y calculando con la cadena de Markov, lo que resulta en una base teórica práctica y confiable para la predicción económica. Después de utilizar el método de análisis de Markov, se puede crear un modelo matemático adecuado basado en la investigación de mercado y las estadísticas, lo cual es extrem
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Research on Marketing Prediction Model Based on Markov Prediction

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  Efficient Semantic Enrichment Process for Spatiotemporal Trajectories

Efficient Semantic Enrichment Process for Spatiotemporal Trajectories

Por: Hindawi | Fecha: 2021

La creciente disponibilidad de tecnologías de adquisición de ubicación ha permitido recopilar trayectorias espacio-temporales a gran escala, a partir de las cuales podemos derivar información semántica en entornos urbanos, incluyendo ubicación, tiempo, dirección, velocidad y punto de interés. Dicha información semántica puede proporcionarnos una interpretación semántica de los comportamientos de movimiento de objetos en movimiento. Sin embargo, los enfoques existentes de procesos de enriquecimiento semántico, que pueden producir trayectorias semánticas, suelen ser generalmente lentos. En este artículo, proponemos un marco de proceso de enriquecimiento semántico eficiente para anotar trayectorias espacio-temporales utilizando conocimientos geográficos y del dominio de aplicación. El marco incluye principalmente una fase de almacenamiento de trayectorias semánticas preanotadas, una fase de medición de similitud espacio-temporal y una fase de coincidencia de información semántica. Tras observar las trayectorias comunes en las mismas escenas de objetos geoespaciales, propon
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

Efficient Semantic Enrichment Process for Spatiotemporal Trajectories

Copia el enlace o compártelo en redes sociales

  • Exclusivo BibloRed
Imagen de apoyo de  SW-LZMA, Parallel Implementation of LZMA Based on SW26010 Many-Core Processor

SW-LZMA, Parallel Implementation of LZMA Based on SW26010 Many-Core Processor

Por: Hindawi | Fecha: 2021

Con el desarrollo de la informática de alto rendimiento y las aplicaciones de big data, la escala de datos transmitidos, almacenados y procesados por los sistemas de clúster de computación de alto rendimiento está aumentando explosivamente. La compresión eficiente de datos a gran escala y la reducción del espacio requerido para el almacenamiento y la transmisión de datos es una de las claves para mejorar el rendimiento de los sistemas de clúster de computación de alto rendimiento. En este artículo, presentamos SW-LZMA, un diseño paralelo y optimización de LZMA basado en el procesador heterogéneo de muchos núcleos Sunway 26010. Combinado con las características de los procesadores SW26010, analizamos los requisitos de espacio de almacenamiento, las características de acceso a memoria y las funciones de punto caliente del algoritmo LZMA e implementamos el paralelismo a nivel de subproceso del algoritmo LZMA basado en la interfaz Athread. Además, realizamos un diseño detallado del espacio de direcciones LDM para lograr el algoritmo de ventana deslizante c
Fuente: Revista Virtual Pro Formatos de contenido: Otros

Compartir este contenido

SW-LZMA, Parallel Implementation of LZMA Based on SW26010 Many-Core Processor

Copia el enlace o compártelo en redes sociales

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones

¿Deseas limpiar los términos de la búsqueda avanzada?

Vas a limpiar los términos que has aplicado hasta el momento para poder rehacer tu búsqueda.

Selecciona las Colecciones en las que vas a añadir el contenido

Para consultar los contenidos añadidos busca la opción Tus colecciones en el menú principal o en Mi perfil.

Mis colecciones

Cargando colecciones