Pb90Sn10焊点硅基器件与PCB板组装的温循可靠性研究

采用有限元仿真和实验两者相结合的方法,对-40～70℃使用环境下的Pb₉₀Sn₁₀焊点硅基器件与PCB板组装的组件,选择-55～85℃温度循环条件进行可靠性分析和研究。Anand模型仿真分析焊点在温循下应力应变行为,提取模型焊点在最后一个温度循环结束时的等效塑性应变分布并进行分析,确定最易发生热疲劳失效的关键焊点和关键位置。基于Coffin-Manson方程对热循环条件下焊点的服役寿命和失效模式进行预测。仿真结果表明焊点失效机理为热疲劳失效,失效模式为焊点开裂,失效循环周期为3 984 cycles。实验表明：温度循环500次,未出现焊点裂纹、空洞等缺陷;温度循环2 000次后焊点形貌由球形变为椭球形,焊点未出现明显缺陷。     

单帧红外图像弱小目标检测研究综述

远距离广视角场景中由于红外热成像仪成像原理的局限性、大气环境的干扰、远距离传输介质对红外辐射的衰减,检测目标面临巨大挑战。本文在详细分析了图像背景复杂、目标特性弱小、图像对比度低和结构特性缺失等红外弱小目标图像特性的基础上,从基于目标突显和背景预测两大类概述了单帧红外图像弱小目标检测技术的研究现状,并探讨了红外弱小目标检测研究的发展趋势。     

一种基于机器学习的卫星重叠隐蔽通信方法

针对传统卫星重叠通信中单个掩护信号带宽以及功率容限不够的问题,利用卫星转发器频谱环境中多个掩护信号提出了一种频域分割-子谱功率控制联合优化的多掩护信号重叠通信方法,建立了隐蔽通信信号传输性能和隐蔽性能的双目标优化问题,信关站侧采用感知的历史频谱数据训练生成支持向量机回归预测模型,用来预测不同转发器频谱环境下隐蔽信号的通信性能和隐蔽性能,并将训练好的预测模型下载到通信终端;终端侧利用双目标背包算法将支持向量机回归预测模型预测的隐蔽信号的通信性能和隐蔽性能作为价值因素、掩护信号个数作为背包重量来选择转发器频谱环境中的掩护信号,并且求解出隐蔽信号的频域分割和子频谱的功率控制参数,从而实现终端通信信号隐藏在卫星转发器的频谱环境中的目的。     

车用双面散热IGBT模块随机振动性能分析与应力预测

针对双面散热绝缘栅双极型晶体管(IGBT)模块在车载状态下由不同频率的振动载荷导致的焊料层失效问题,分别从材料和结构两个角度,以直接覆铜(DBC)板陶瓷层材料、陶瓷层厚度以及焊料层厚度为变量,以芯片底面焊料层应力为指标进行随机振动分析优化与应力预测,得到模块结构的最佳参数值组合。3个变量对芯片底面焊料层应力的影响由大到小为：陶瓷层厚度、焊料层厚度、陶瓷层材料。最后提出一种对芯片下焊料层应力的预测模型,相较仿真的准确率为95.61%。该研究结果对车载双面散热IGBT模块的振动性能分析提供参考,同时为模块结构的设计提供理论依据。     

生存分析在电信客户流失中的应用

近年来电信行业发展迅猛,电信市场趋于饱和,在目前的市场环境下,预测电信客户的流失及流失时间有利于挽留客户,减少客户损失。针对电信客户流失的预测,文中采用KM与Cox的电信客户生存分析模型预测电信客户流失的时间,将KM分析模型用于电信客户流失的组间比较;运用Cox风险比例模型对多因素进行分析,全面预测电信客户的生存时间。通过构建生存分析模型可实现对潜在流失客户及客户流失时间的预测,从而制定相应的有效方案挽留目标。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

深度学习在IP网络优化中的应用

随着新型业务涌现和IP网络技术的不断演进,云网融合步入新阶段,展现出数字化、智能化和服务化的发展特征。其中智能化需要结合相关的人工智能技术,而深度学习和深度强化学习是常用的人工智能算法。图神经网络等技术的发展,也使得深度学习和深度强化学习分别在图信息表示和最优化问题处理方面的能力得到本质提升。IP网络可以用图结构抽象化表示,相关的预测和优化问题可以用深度学习和深度强化学习算法处理和求解。因此阐述了深度学习和深度强化学习在流量预测、网络规划和流量工程3个场景下的相关算法与应用,分析了在实践过程中可能面临的问题与挑战。     

基于自适应神经模糊推理系统的智能电表大数据分析研究

随着电力需求的不断增长和智能电表的大量应用,电力数据量大幅提升,对智能电表大数据分析分析提出了更高的要求。为此本文从模糊数学理论和人工神经网络出发建立了自适应神经模糊推理模型,基于安装在用电户的智能电表实际计量得到的电力大数据,进行了模型的训练和测试,最后利用预测模型进行了用电户在24小时内的电力功耗预测,并与智能电表实际测得的功耗数据进行了对比。研究结果表明基于当前智能电表采集的电力大数据,本文提出的预测模型精度得到了较大提升,总体预测精度为84.02%;其中白天时段由于用电随机性较大预测精度在70%左右,而夜间的预测精度均在90%以上。     

基于时空特征的多模型网络流量短期预测方法

网络流量短期预测由于其波动性大,突发性强,采样随机性高等特点一直是研究人员重点关注的课题之一,其对于网络调度,异常预警等网络规划工作具有重要的指导作用。从网络短期流量的时间周期性和空间关联性入手,对原始短期流量数据进行时空特征维度构造,并使用长短期记忆LSTM和LightGBM决策树对未来不同采样时刻的流量进行预测,最终在多个数据集的实验中达到了良好的预测精度。     

基于灰色理论和多元回归分析方法的江苏交通技能人才需求预测

为科学预测江苏交通技能人才需求,运用灰色理论和多元回归分析方法,构建交通技能人才预测模型。 预测 结果表明,随着经济增长、交通运输投入持续增大,江苏省交通运输基础设施不断完善,客运和货运能力不断增强,交通运 输管理、建设、研发等的人才需求总量也在逐年增加。 “十四五”期间,江苏交通运输需求人数增长 8 万余人,至 2025 年,交 通人才需求总量约为 64 万人。 经检验分析,预测模型具有较高的精度,可为构建交通技能人才培养体系提供理论参考。