区块链技术影响下的供应链系统动态响应性研究

为解决供应链系统中信息时滞和不对称问题,加快推动区块链技术在供应链管理中的创新发展,本文运用控制理论构建由分销商和零售商组成的二级供应链系统控制模型,引入区块链技术影响下的信息校正因子,推导系统的传递函数,通过MATLAB仿真不同需求信号下的订单可变性和库存波动。仿真结果表明:(1)区块链技术的应用提高了库存系统的精准性和稳定性;(2)高库存可变性伴随着高订单可变性;(3)指数平滑系数和区块链技术影响下的信息校正因子有效抑制供应链中的牛鞭效应;(4)信息延迟时间越长,区块链技术影响下的信息校正因子对控制系统的抑制作用越显著。本研究量化了区块链技术对供应链中牛鞭效应的影响,提高了供应链系统的精准性和稳定性,丰富了区块链技术在供应链管理中的应用,为企业管理者提供新的研究思路。     

一种拼接结构红外探测器的封装电学设计

随着红外焦平面探测器技术日趋成熟,由多片红外探测器组成更大规模探测器的需求也更为广泛。红外探测器往往采用多片拼接结构,达到扩大探测器阵列规模的目的。从2×2,3×3到4×4甚至更大规模的拼接结构,其拼接设计的核心均为封装结构设计。在封装结构设计中,如何进行电学引出设计,也是设计中非常重要的一个环节。文章介绍了一种红外探测器拼接结构的封装电学设计,首先介绍拼接结构的概况,然后介绍为满足该种结构的电学设计采用的结构方案,最后介绍针对该种电学设计结构方案进行的电学布线设计。     

CdCl2后处理的Mn掺杂钙钛矿纳米晶光学性能及其白光LED

Mn²⁺离子掺杂全无机钙钛矿(Mn²⁺∶CsPbX₃,X=Cl, Br)纳米晶(NCs)具有宽发射带、长斯托克斯位移和高量子产率等优势,在固态照明、光电探测和成像等领域有广阔应用前景。然而,目前Mn²⁺掺杂的钙钛矿晶体量子产率很难超过70%,如何改善发光效率,同时调控Mn离子发射中心成为构建高质量白光LED的关键。文章通过CdCl₂后处理技术,进行室温下阳离子交换,获得了高效发光的Cd²⁺和Mn²⁺共掺杂的CsPbCl₃纳米晶。Mn的发射波长可以从604 nm连续调控到624 nm,实现稳定的红光发射。Cd离子掺杂改善了Mn-Cl八面体的晶体场环境,使Mn衰减寿命提高到1.32 ms。此外,通过绿色CsPbBr₃纳米晶和蓝-橙双色Mn∶CsPb(ClBr)₃纳米晶构建了高显色指数的暖白光发光二极管(WLED),其流明效率达60 lm/W,显色指数超过85。     

矩形窗正交时频空检测算法

针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统采用矩形窗函数时,信道矩阵结构复杂导致的鲁棒性差的问题,提出了一种基于时域处理和酉近似消息传递的检测算法。该算法首先添加循环前缀,将时域信道转换为分块对角矩阵;然后应用酉变换和近似消息传递建立迭代检测算法。仿真结果表明,所提检测算法能够在不增加复杂度的条件下有效提升检测精度和鲁棒性,特别是存在信道编码的条件下表现出2 dB的性能增益,使得该算法更适用于杂散多径、高速移动等环境,具有较高的应用价值。     

高频低温漂TC-SAW滤波器的设计

该文设计了一款温度补偿型声表面波（TC-SAW）滤波器,建立了弹性材料及压电材料温度方程,对滤波器的温度场进行仿真分析。通过在压电材料（128°YX-LiNbO₃）上沉积SiO₂作为温度补偿层,降低了滤波器的频率温度系数。为了解决在沉积SiO₂温度补偿层后,谐振器的反谐振频率处出现杂散响应,通过增加电极厚度,降低了谐振器杂散响应对滤波器性能的影响。采用四阶级联提高滤波器的带外抑制。仿真结果表明,设计的TC-SAW滤波器中心频率为2 497 MHz,频率温度系数为-9.89×10^-6/℃,-30~85 ℃工作温度范围内的带内最大插损为1.95 dB,带外抑制大于30 dB,-3 dB损耗带宽大于97 MHz。     

压电超声共振式风传感器风场闭环解算策略研究

为了能够在复杂环境下实现风速风向的高精度和高稳定性测量,在基于声学共振原理的风传感器系统的基础上,采用闭环控制扫描技术改进了系统的性能指标。采用声学共振的方式,同时对换能器产生的信号进行频率调制和强度调制,实现对超声换能器的线型扫描。频率调制解决了在不同压力、温度等环境因素影响下导致的共振频移的问题,强度调制解决了换能器性能随时间衰减问题,极大地提高了信噪比。实验结果表明,采用闭环控制的方法可以准确测量风速风向。风速测量范围0～50 m/s,风速测量精度为±0.5 m/s(≤15m/s)/±5%(>15 m/s且<35 m/s)/±9%(>35 m/s)。改进后的系统在复杂环境下受环境变化影响小、精度高、稳定性好、抗干扰能力强。     

基于改进DeepLabV3+的铣床碎屑图像分割方法

针对铣床碎屑形状不规则导致图像分割中碎屑轮廓不清晰、分割精度低的问题,本文提出一种改进的DeepLabV3+铣床碎屑分割算法。首先在DeepLabV3+的Xcepetion模块中嵌入通道与空间注意力机制(convolutional block attention module, CBAM)模型,优化通道的权重和位置信息,加强碎屑图像区域的特征学习;其次将DeepLabV3+的空洞空间卷积池化金字塔(atrous spatial pyramid pooling, ASPP)模块改为密集连接(dense conolutional network, DenseNet)方式,增大碎屑图像特征点的感受野,提升铣床碎屑图像特征的复用效率;最后在解码过程中采用多尺度自适应特征融合方法,聚合多尺度特征作为解码器的输入特征,提高碎屑图像分割的精度与鲁棒性。实验结果表明,本文算法优于其他分割算法,改进后算法相比DeepLabV3+,像素准确率提高0.026,平均交并比(mean intersection over union,MIOU)提高0.020,F₁值提高了0.013。     

基于卷积神经网络的随机因子重采样图像检测

图像重采样检测是图像取证领域的重要任务,其目的是检测图像是否经过重采样操作。现有的基于深度学习的重采样检测方法大多只针对特定的重采样因子进行研究,而较少考虑重采样因子完全随机的情况。本文根据重采样操作中所涉及的插值技术原理设计了一组高效互补的图像预处理结构以避免图像内容的干扰,并通过可变形卷积层和高效通道注意力机制(efficient channel attention, ECA)分别提取和筛选重采样特征,从而有效提高了卷积神经网络整合提取不同重采样因子的重采样特征的能力。实验结果表明,无论对于未压缩的重采样图像还是JPEG压缩后处理的重采样图像,本文方法都可以有效检测,且预测准确率相比现有方法均有较大提升。     

Phase unwrapping based on deep learning in light field fringe projection 3D measurement

Phase unwrapping is one of the key roles in fringe projection three-dimensional (3D) measurement technology. We propose a new method to achieve phase unwrapping in camera array light filed fringe projection 3D measurement based on deep learning. A multi-stream convolutional neural network (CNN) is proposed to learn the mapping relationship between camera array light filed wrapped phases and fringe orders of the expected central view, and is used to predict the fringe order to achieve the phase unwrapping. Experiments are performed on the light field fringe projection data generated by the simulated camera array fringe projection measurement system in Blender and by the experimental 3×3 camera array light field fringe projection system. The performance of the proposed network with light field wrapped phases using multiple directions as network input data is studied, and the advantages of phase unwrapping based on deep learning in light filed fringe projection are demonstrated.