一种基于纳米级CMOS工艺的互连线串扰RLC解析模型

基于纳米级CMOS工艺,综合考虑电容耦合与电感耦合效应,提出了分布式RLC耦合互连解析模型.采用函数逼近理论与降阶技术,在斜阶跃输入信号下提出了受扰线远端的数值表达式. 基于90和65 nm CMOS工艺,对不同的互连耦合尺寸下的分布式RLC串扰解析模型和Hspice仿真结果进行了比较,误差绝对值都在4%内,能应用于纳米级片上系统（SOC）的电子设计自动化（EDA）设计和集成电路优化设计. 关键词： 纳米级CMOS 互连串扰 分布式 RLC解析模型')" href="#">RLC解析模型     

基于多导体传输线理论的差模激励新型线束串扰模型研究

传统的线束串扰模型只是在系统内共模激励的基础上建立的, 没有考虑系统间差模激励下线束串扰的情况. 针对差模激励下系统独立回路间线束串扰的物理问题, 提出了一种基于多导体传输线理论的差模激励新型线束串扰的计算方法.该方法根据差模激励下线间的耦合机理, 利用传输线传播横向电磁模式得到新型三导体传输线寄生参数电路及数学矩阵模型, 通过镜像法以及诺埃曼公式推导出寄生参数的计算公式, 并在频域内得到新型线束串扰的链参数矩阵方程, 根据新型差模串扰模型始端、终端边界条件最终得到串扰电压的频域解.以差模激励下平行双线回路对其他回路受扰线的串扰为例, 通过仿真受扰线不同布置情况下的串扰电压, 得到了差模激励源的线束间串扰的物理规律, 即受扰线位于差模回路之间时所受的串扰要远大于位于回路外时所受的串扰, 并验证所提出的模型及方法可以计算不同频率差模激励引起的干扰. 利用解析的方法解决了线束串扰中差模激励下的导线串扰问题, 为实际中如大量导线的捆扎以及导线干扰的预测等电磁兼容问题提供了理论依据, 具有指导意义, 完善了多导体传输线理论在线束串扰中的应用.     

一种基于纳米级CMOS工艺的互连线串扰RLC解析模型

基于纳米级CMOS工艺,综合考虑电容耦合与电感耦合效应,提出了分布式RLC耦合互连解析模型.采用函数逼近理论与降阶技术,在斜阶跃输入信号下提出了受扰线远端的数值表达式. 基于90和65 nm CMOS工艺,对不同的互连耦合尺寸下的分布式RLC串扰解析模型和Hspice仿真结果进行了比较,误差绝对值都在4%内,能应用于纳米级片上系统(SOC)的电子设计自动化(EDA)设计和集成电路优化设计.     

WDM网中同频串扰的研究

串扰是波分复用(WDM)光网络中限制光交叉连接(OXC)节点容量的一个重要因素.本文分析了相干和非相干串扰对通过OXC节点的光信号的影响,给出了固定和最佳判决门限两种情况下的光功率恶化,并进行了仿真计算.结果表明相干串扰对系统的影响很大.与固定判决相比,采用最佳判决可以降低串扰影响.串扰引起的光功率恶化主要取决于复用波数M,而与输入光纤数N关系不大.为了减小串扰对网络的限制,可以在OXC节点内使用滤波器.     

基于GMPLS的光突发交换网络传输性能分析

针对基于多协议标记交换的光突发交换网络在组网过程中存在传输性能劣化的问题,采用最坏值的方法,从典型光交叉节点的串扰特性入手,分析推导了网络中多个节点级联后同频串扰对传输性能的影响,并通过仿真进行验证.分析结果表明,核心节点级联产生的串扰累积是导致该网络传输性能劣化的重要因素.     

多导体传输线串扰实验不确定度的预测

利用随机降阶模型（SROM）对影响线缆串扰的不确定变量进行了敏感性分析,在此基础上预测了在这些不确定性变量影响下的串扰不确定度。并搭建三导体传输线串扰实验系统,测量了近端串扰和远端串扰,根据标准GB/Z 6113.401—2018/CISPR/TR 16-4-1:2009,评估了串扰实验的测量不确定度。将基于SROM方法的串扰不确定度,与实际测量获得的不确定度进行对比。结果表明,二者随频率变化趋势一致,且实验测试不确定度在预测不确定度范围内。采用SROM方法选取样本计算的不确定度可用于预测串扰实际测量结果不确定度。     

全光网中的同频串扰

本文分析了全光网中光分插复用节点和光交叉连接节点的同频串扰问题.同频串扰分为相干串扰和非相干串扰,他们对网络性能的影响不同.我们对节点的同频串扰进行了详细的分析和理论推导,并得到了其光功率代价和同频串扰之间的数学关系.     

串扰对密集波分复用网络扩展性的影响

串扰是限制密集波分复用网络扩展的一个重要因素。理论分析了三种典型光交叉连接中的串扰。结果表明基于扩展贝奈斯光交换结构的光交叉连接可以完全消除低于二阶的各类串扰,同时,若将可调谐的窄带滤波器引入到结构2中可以消除低于三阶的各类串扰。用数值模拟的方法分析了带内串扰对强度调制直接检测网络扩展性的影响。结果表明,基于扩展贝奈斯光交换结构的光交叉连接对器件串扰系数的要求得到了很大的放宽,用它来组建的密集波分复用网络具有很好的扩展性。串扰多是由构成光交换节点中各种器件的非理想性造成的,通过分析得出器件中产生的串扰可以从系统中得到很好的解决。     

密集波分复用条件下的光轨网络串扰分析与仿真

光轨网络是一种能够利用成熟的光学器件实现带宽灵活分配和信息交换的新型网络.串扰是限制光轨网络的物理层性能及其扩展性的重要因素.本文讨论了典型的光轨网络节点中异频串扰和同频串扰的产生原因,理论分析了两者对光轨网络的物理层传输性能的影响.给出了3种串扰性能的评价方法.以密集波分复用技术为应用背景,分别搭建了器件隔离度为20 dB和30 dB的、具有3个节点5个波长且单波长速率为2.5 Gbps的光轨网络,仿真了串扰在光轨网络中的传播过程,并计算了光轨网络的误码率、功率代价和相对串扰.理论分析和仿真结果表明:光滤波器、解复用器和复用器是光轨网络中串扰产生的关键器件,且提高器件的隔离度等性能对于提高光轨网络的传输性能会有较显著的效果;在密集波分复用条件下,串扰对单波长速率为2.5 Gbps的光轨网络的误码率和功率代价具有显著的影响,从而限制了光轨网络实际可用的节点数目.     

密集波分复用条件下的光轨网络串扰分析与仿真

光轨网络是一种能够利用成熟的光学器件实现带宽灵活分配和信息交换的新型网络.串扰是限制光轨网络的物理层性能及其扩展性的重要因素.本文讨论了典型的光轨网络节点中异频串扰和同频串扰的产生原因,理论分析了两者对光轨网络的物理层传输性能的影响.给出了3种串扰性能的评价方法.以密集波分复用技术为应用背景,分别搭建了器件隔离度为20dB和30dB的、具有3个节点5个波长且单波长速率为2.5Gbps的光轨网络,仿真了串扰在光轨网络中的传播过程,并计算了光轨网络的误码率、功率代价和相对串扰.理论分析和仿真结果表明:光滤波器、解复用器和复用器是光轨网络中串扰产生的关键器件,且提高器件的隔离度等性能对于提高光轨网络的传输性能会有较显著的效果;在密集波分复用条件下,串扰对单波长速率为2.5Gbps的光轨网络的误码率和功率代价具有显著的影响,从而限制了光轨网络实际可用的节点数目.     

Kohonen网络与BP网络用于钨和钼的同时测定

Kohonen与BP人工神经网络结合用于解析钨和钼的吸收光谱,讨论了Kohonen网络输出层的拓扑结构,并利用确定的结构对钨和钼的重叠光谱进行波长选择,在全光谱中选择最能代表光谱特征的不同类波长。所选波长处的吸光度作为三层BP-ANN网络的输入集,分光光度法同时测定了钨和钼。利用Kohonen网络选择全谱特征波长,优化了BP-ANN的输入层。与常规的波长选择方法进行比较,分析结果表明, 经K-ANN方法进行波长选择后,提高了BP-ANN的预测能力。确立了Kohonen网络作为选择最优波长集的一种工具。     

粉末涂料电脑配色的人工神经网络模型

提出一种基于多层BP人工神经网络的粉末涂料配方预测模型;用BP算法人工神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。把人工神经网络的配方预测模型应用到典型的粉末涂料样品的测配色实验过程中。实验结果表明,基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,对64个节点的平均训练精度达到了1个CIELAB色差单位。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

应用BP神经网络识别内层表面细小缺陷的研究

内层表面细小凹坑的识别是超声无损评估的一个难点。本文利用人工神经网络对于信号的分类功能,建构和训练了一个BP神经网络,并用它对尺寸为1mm的圆锥形和半球形两种凹坑成功地进行了识别。研究表明,应用凹坑回波的DCT谱作为缺陷特片输入,可使BP神经网络的训练和缺陷识别既快捷又有效。     

基于BP神经网络的图像质量评价参数优化

 在基于噪声图像的无参考峰值信噪比质量评价方法中,为了得到最优的阈值参数,提出以图像块均方误差阈值threshold1、噪声检测阈值threshold2为输入因子, 以Pearson相关系数和Spearman等级相关系数为输出因子, 以实验值为样本建立［2 7 2］单隐层BP神经网络模型,应用BP神经网络的泛化能力实现对相关阈值参数的预测优化,为阈值参数的选择提供理论依据。实验结果表明,所建立的数学模型可靠,预测结果与试验值的偏差小,训练好的BP神经网络能够比较准确地预测不同阈值参数下的相关系数。优化后,选取threshold1=101,threshold2=4,Pearson相关系数达到了-0.895 0,Spearman等级相关系数达到了-0.913 6,评价效果得到提高,且节省大量时间。     

声发射辅以模糊神经网络的质量检测

利用铸铁工件在加载与卸载时所产生的声发射信号作为神经网络模式识别的输入特征，并对网络输入量与输出量进行模糊化隶属度计算，用最陡下降的BP学习法对连接权重系数进行优化，成功地实现了对铸铁工件样本组的训练和分类。     

三维荧光光谱结合平行因子及神经网络对清香型白酒的年份鉴别

以某清香型白酒为研究对象,将三维荧光光谱技术与平行因子分析方法(parallel factor analysis,PARAFAC)、BP神经网络结合,建立清香型白酒年份鉴别模型。首先,利用FLS920全功能型荧光光谱仪测量获得不同年份白酒的三维荧光光谱数据,对激发发射三维矩阵进行三线性分解,得到四个主成分对应的浓度得分和激发-发射光谱轮廓图。将这4个浓度得分作为BP神经网络的输入,建立10,20和30年份白酒的鉴别模型。随机选取每个年份的10个样本,共30个样本组成测试集,剩余的90个白酒样本组成训练集建立训练模型。据此对未知样品进行预测,其预测正确率分别为90%,100%和100%。同时将该方法与多维偏最小二乘判别分析法(multi-way partial least squares discriminant analysis, NPLS-DA)进行了比较。研究结果表明：平行因子结合神经网络的判别模型具有更强的预测能力,该方法能够有效提取年份白酒的特征光谱信息,同时又降低了神经网络输入变量的维数,取得较好的鉴别效果。     

色貌模型的人工神经网络方法的研究

色貌模型(CAM)主要解决不同观察条件、不同背景和不同环境下的颜色真实再现问题。采用人工神经网络(ANN)的方法来实现目前最新的色貌模型CIECAM02的预测,包括正向预测(从色度参数到色貌属性参数)和逆向预测(从色貌属性参数到色度参数),应用自然色系统(NCS)中的部分色样作为神经网络的训练和测试样本。由于正向输出色貌属性参数空间不是均匀的,对于网络预测精度用特殊方法评估,而对于逆向模型则可直接利用LAB色差公式评价。测试的结果表明:用神经网络对CIECAM02模型的预测达到了较高的精度。     

红外光谱评价内燃机油抗氧化性能的研究

红外光谱快速检测石油产品性能是近年来发展的新技术,目前国内外在该领域的研究仅限于测试燃料油性能,由于润滑油组成、结构复杂,红外光谱技术测试润滑油性能的研究还未见报道。文章研究了润滑油组成、结构的红外光谱特征,提出了根据内燃机油组成、结构对抗氧化性能的贡献来提取其光谱信息的技术路线。结合BP神经网络和自组织神经网络的优点,发展了量化自组织神经网络数学模型,该数学模型具有自组织神经网络的定性聚类功能和BP神经网络的定量分析功能,与BP神经网络相比较,量化自组织神经网络具有更好的鲁棒性,测试结果优于BP神经网络,该论文的研究为润滑油性能的快速检测提供了一种新的技术手段。     

主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究

为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明：原水经过好氧阶段氨氮从45.3 mg·L-1下降到2.7 mg·L-1,亚硝酸盐氮从0.01 mg·L-1上升到19.6 mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6 mg·L-1下降至1.2 mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明：前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示：BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示：BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。