基于Parity-Time对称结构极点效应构建光学三极管模型

为了构建光学三极管模型,设计了一个基于半导体磁性材料InSb的PT(parity-time)对称耦合微腔的结构模型。通过结构参数优化,产生了PT对称结构磁场强耦合的极点效应。在极点频率附近,通过改变输入电流信号改变施加在磁性材料上的磁感应强度,实现极点状态下信号的放大输出。这种放大可以是同相,也可以是反相,该设计实现了特殊光学三极管模型。     

掺钪AlN材料特性及HBAR器件性能研究

该文基于掺钪AlN薄膜制备了高次谐波体声波谐振器(HBAR),研究了钪(Sc)掺杂浓度对AlN压电薄膜材料特性及器件性能的影响。研究表明,当掺入Sc的摩尔分数从0增加到25%时,压电应力系数e₃₃增加、刚度 下降,导致Al₁-_xSc_xN压电薄膜的机电耦合系数 从5.6%提升至15.8%,从而使HBAR器件的有效机电耦合系数 提升了3倍。同时,当Sc掺杂摩尔分数达25%时,Al₁-_xSc_xN(x为Sc掺杂摩尔分数)压电薄膜的声速下降13%,声学损耗提高,导致HBAR器件的谐振频率和品质因数降低。     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

电磁谐振耦合无线电能传输实验装置研究

电磁谐振耦合无线电能传输技术是现今最流行的WPT技术之一,其最主要的特点就是中等传输距离以及高校非辐射能量传输。该技术是以电磁场为媒介,运用2个或者是多个相同谐振频率以及高品质因数的对应电磁谐振体系,经过磁耦合谐振的作用来呈现电能传输无线输电技术,该技术可以说是无线输电技术的新研究趋向。     

一种基于用户行为特征的精准容量预测方法

随着大流量套餐业务的推广,用户行为随之转变,网络资源的需求也不断升高。因此,文章提出一种基于用户行为特征的精准容量预测方法,提前做好市场容量预判,并结合用户行为特征实现场景化网络解决方案,确保用户感知。     

基于旋转基线的仿生学测向研究

基于奥米亚棕蝇耦合处理机制研究了一种新型测向方法,与常规两阵元模型不同的是生物两耳间存在不可忽略的耦合响应,将生物的耦合效应量化成增加有效基线长度的度量。在前人建立的简化力学模型的基础上,研究其物理本质和动力学特性,分析时域响应和频域响应,研究了高斯噪声对响应的影响。与基线旋转相结合初步完成了对信号源的测向要求。研究表明,利用生物的耦合效应增加了基线长度,为超短基线高精度测向提供了理论依据。