一种基于电流反馈放大器的新的通用滤波器

本文介绍了电流反馈放大器（CFA）的基本原理,用四个CFA和几个电阻、电容设计了一种三输入单输出的新的通用滤波器。这种滤波器在无需电阻电容匹配的情况下,能实现二阶的低通、带通、高通、带阻以及全通五种滤波功能。每种滤波功能的特征角频率ω0都能由接地电容调节,而品质因数Q可由接地电阻单独调节。该滤波器对有源和无源元件的灵敏度都不超过1。利用PSPICE软件对电路图进行了仿真,仿真结果与理论分析一致。     

一种双向的微电流检测电路

在纳米孔测序技术中,单个DNA分子被逐一驱动穿过纳米孔,并产生一个阻断电流,这个阻断电流被识别并转化为DNA序列,从而实现测序。由于阻断电流非常小,只有0～100 p A,因此需要一种高精度的微电流检测电路来识别它。为了解决这个问题,设计了一款具有双向、低噪声和小面积特性的电流检测电路,利用仿真工具对检测电路各部分进行噪声模拟和量化,降低了检测电路的噪声,提高了测序精度,同时优化检测电路的面积和功耗,提高了集成度和能效比。对比同类产品,该检测电路在精度、稳定性和通量等方面具有明显的优势。基于180 nm工艺平台,流片后的测试结果表明,该电流检测电路的检测范围为0～100 p A,精度小于3.2 p A,面积仅为80μm²,功耗为1.5μW,能够在两个方向上进行电流的检测。     

结构冲击畸变问题的直接相似方法研究

结构受冲击时由不同材料引起比例模型与全尺寸原型的畸变,通常通过修正比例模型的速度或密度进行补偿.然而传统的修正方法,存在需预先测试结构响应、依赖特殊本构方程、不能反映动态过程的缺陷,因而限制了相似理论在比例模型试验中的直接应用.本文提出了一种不同材料畸变问题的直接相似方法.它通过建立应变率区间上比例模型预测的流动屈服应力与原型流动屈服应力的最佳逼近关系,直接获得了修正速度或修正密度的比例因子,完成了比例模型与原型的动态相似关系.基于Norton-Hoff, Cowper-Symonds, Johnson-Cook三种经典的本构模型,研究了材料应变率敏感性特征参数、参考应变率、屈服应力、密度在动态相似关系中的作用.并通过受质量冲击的折板结构算例,验证了直接相似方法的有效性.分析表明,本文提出的直接相似方法不需要预先测试结构的响应,不依赖特殊的本构方程、强调动态相似特性,具有直接、高效、通用的特点.此外,动态相似关系的最佳逼近效果,受材料应变率敏感性特征参数控制,屈服应力、密度和参考应变率影响不大;当比例模型应变率敏感性特征参数与原型相近,可获得最佳逼近.     

破片撞击起爆柱面带壳装药的临界速度修正判据

为获得适用于柱面带壳装药的冲击起爆修正判据,以Picatinny工程判据为基础加入修正项进行修正。采用AUTODYN-3D软件对破片撞击柱面带钢壳的B炸药进行数值计算,获得了破片入射角、装药曲率半径对炸药临界起爆速度的影响规律;通过拟合得到修正项表达式,建立了考虑破片入射角、柱壳装药形状函数的炸药起爆临界速度修正判据。判据计算值与实验数据和数值计算值吻合较好,该判据能较好的预测柱形带壳装药的冲击起爆条件。     

直流断路器临界负载电流分断特性的研究

是否能够可靠地分断临界负载电流是衡量直流断路器性能的一个重要指标.按照直流断路器相关标准中规定的试验电流制定了试验方案,对分断不同试验电流产生的过电压和燃弧时间进行分析,总结了过电压和燃弧时间的变化规律,为低压直流断路器生产制造提供参考.     

温度对碲镉汞光伏芯片Ⅰ-Ⅴ特性的影响

对室温工作的短波碲镉汞光伏芯片进行了步进温度烘烤实验.烘烤温度从60℃开始,步长为5℃,到120℃结束,每个温度下的烘烤时间一般为24 h.实验结果显示当烘烤温度达到95℃以上时,Ⅰ-Ⅴ测试结果中反偏部分的电流有明显增大.通过理论分析得到扩散电流和产生复合电流是实验芯片的主要电流机制;较高温度的烘烤在势垒区内产生大量的缺陷,从而降低芯片的少子寿命,使扩散电流增大;同时芯片表面钝化层内的缺陷数目也在温度作用下增加,引起芯片表面复合速度增加.     

准确测算电压电流的半值法

提出采用同一台指针式万用电表某一电压挡,通过串联电阻方法,准确测算负载端电压和电源的电动势及其内阻。介绍用某一电流挡通过并联电阻方法准确测算负载电流和电源电动势及其内阻。统称为半值法。从而排除了由于电源内阻的压降和电压表的分流作用而使得测量电压抵于实际值。也排除了由于电流表的分压作用而使得测量电流低于实际值。     

改进的XGBoost杂散电流预测及可解释模型

为了解决影响地铁轨道的杂散电流特征众多,常规特征选择方法影响模型预测精度及模型结果可解释性差的问题,提出基于最优特征改进极端梯度提升（XGBoost）的杂散电流预测模型。利用遗传算法的灵活性和较强的搜索能力,在包含原始V个特征的集合中逐代寻找使目标函数均方误差（MSE）最小的前M个特征,建立最优特征选取方法下的杂散电流预测模型（OFS-XGBoost）。同时为了解决OFS-XGBoost模型预测结果较好,但是黑箱模型对预测结果解释性不足的问题,提出基于SHAP理论的归因分析框架,根据杂散电流特征样本的边际贡献,以易于理解的的方式显示特征集合对模型预测结果的影响,提高模型可解释性。结果表明：所提模型的预测误差仅为1.684%,低于相同优化策略下的随机森林、反向传播（BP）神经网络等预测模型;基于SHAP值的归因分析方法可以从全局与个体角度解释输入特征对杂散电流预测结果的影响,在提高模型可解释性的基础上辅助地铁智能化健康管理。