0.1 um GaAs pHEMT工艺模型及其PDK技术研究

这是一篇关于pHEMT,全波电磁仿真,模型,PDK技术,模型优化的论文, 主要内容为砷化镓pHEMT器件因其高电子迁移率、高电子浓度、低噪声等特性而受到广泛关注,已被应用于雷达、通信以及自动控制等领域。多年来学术界和企业界一直致力于改良pHEMT器件结构和生产工艺,如今,pHEMT器件在工艺上已经能够做到0.1 μm,应用在W波段(75～110GHz)。在应用改良应用的过程中,人们发现随着工艺集成度提高,传统经验电路设计模式已无法满足设计需求,现今的电路设计必须先通过EDA模拟环境,找存在的不足,修正后再去生产。因此,高质量的PDK结合EDA软件已成为设计者缩短产品研制周期的必备工具。在EDA软件全球市场中,新思科技、楷登科技、是德科技三家公司占据了 80%的份额,而国内只有华大九天一家公司凭借全流程占据了极少量份额,这为我国半导体领域带来了重大的安全隐患。为了维护国防信息安全,急需开发出国产EDA工具下桥接生产制造和电路设计的工艺设计包(PDK),配合高精度PDK器件库,构建国产EDA生态。本文阐述了国产射频微波软件AetherMW PDK开发技术,研究了频率达110G的PDK模型库建模技术,提出了利用全波电磁场仿真对晶体管进行尺寸和应用频率拓展,最后论述了 PDK质量验证方案。本文在前人的基础上,为建立高频段的GaAs pHEMT工艺PDK并完成质量验证,本文做了以下工作和创新:(1)介绍了 0.1 μm GaAs pHEMT工艺结构和晶体管特性,详细说明了PDK各组成部分在电路设计中的作用以及PBQ开发管理AetherMW PDK的方法,最后借助该工具在开源iPDK标准下,成功开发了100 μm GaAs衬底上2 μm InGaP HBT 工艺 PDK、100 μm GaAs 衬底上 0.25 μm GaAs pHEMT 工艺 PDK、75 μm GaAs 衬底上 0.25 μm GaAs pHEMT 工艺 PDK、100 μm GaAs 衬底上0.15 μm GaAs pHEMT 工艺 PDK,100 SiC 衬底上 0.25 μm GaN HEMT 工艺PDK,50 μm GaAs 衬底上 0.1 μm GaAs pHEMT 工艺 PDK,本文选取 0.1 μm GaAs pHEMT工艺PDK展开叙述。(2)结合器件版图结构和制造工艺,对W波段PDK器件库中的器件进行了建模研究。在模型参数提取过程中,改进了等效电路,引入了并联的电阻和电感表征高频趋肤效应。同时为解决直接提取法参数变动对模型精度影响大的问题,提出引入误差函数,利用算法完成对模型参数的优化。(3)针对pHEMT晶体管的寄生效应复杂测试困难的问题,提出利用PDK建立HFSS三维结构,并将晶体管三维结构拆解分块以提取各部分寄生,最后证明了该方法可以用于器件缩放和推广到更高频率代替测试数据。(4)PDK的严谨性、规范性是衡量一份PDK质量高低的关键因素。面对目前人工创建案例对PDK进行质量验证,耗时耗力且难保证验证的完备性的问题。提出利用脚本创建配置文件结合质量验证工具,完成对PDK的多方面质量验证。最终利用通过质量验证的PDK进行电路设计,证明了本课题PDK器件库、PDK模型文件与EDA电路设计工具三者的适配性良好,可用于射频微波电路的开发。

支持模型迭代优化的企业成长性评价模型管理系统的设计与实现

这是一篇关于企业成长性评价,机器学习模型,模型优化,模型管理系统的论文, 主要内容为在企业融资过程中,监管机构和服务机构需对企业的成长性(发展阶段、科创能力等)进行评估,了解企业未来发展潜力和竞争力以便匹配资本市场产品和服务。当前对企业成长性评价的方法仍以尽职调查为基础,领域专家人工评价为手段,缺乏从数据层面、系统方面和智能算法分析层面的有效支撑。随着机器学习和大数据技术的快速发展,在对企业成长性评价的过程中,可以借助机器学习技术来提高其自动化程度,为企业提供更准确的数据分析和更快速的决策支持。因此某企业建立了科创企业大数据平台,其中包含了企业成长阶段、科创能力、财务风险等机器学习评价模型。然而随着企业成长性分析需求的不断增加,系统未来还会集成更多的机器学习模型,所以迫切需要建立能够支持模型迭代优化的模型管理系统。本文设计并实现了一个支持模型迭代优化的企业成长性评价模型管理系统,用户通过该系统可以管理大数据平台中使用的机器学习模型、模型训练数据以及用于模型训练的服务器硬件资源。为解决随着业务数据增长机器学习模型精度失效的问题,本文提出了一种基于数据驱动迭代机器学习模型的方法,引入领域专家验证模型结果形成反馈,并基于数据版本进行模型的再训练及模型版本管理。机器学习专家可以利用此数据迭代方法完成训练数据集的迭代,快速训练新的企业成长性评价模型并部署模型至大数据平台。最终,通过本系统实现了对企业成长性评价模型的生命周期管理和迭代优化。本系统已经集成至科创企业大数据平台中,并投入实际使用,系统运行状态良好。机器学习专家通过使用该系统可快速迭代优化原有企业成长性评价各种模型,能够有效提高企业成长性评价模型的应用准确性及优化效率,并且能够降低领域专家参与难度,进而能够提高应用模型进行企业成长性评价的准确性及有效性。

支持模型迭代优化的企业成长性评价模型管理系统的设计与实现

这是一篇关于企业成长性评价,机器学习模型,模型优化,模型管理系统的论文, 主要内容为在企业融资过程中,监管机构和服务机构需对企业的成长性(发展阶段、科创能力等)进行评估,了解企业未来发展潜力和竞争力以便匹配资本市场产品和服务。当前对企业成长性评价的方法仍以尽职调查为基础,领域专家人工评价为手段,缺乏从数据层面、系统方面和智能算法分析层面的有效支撑。随着机器学习和大数据技术的快速发展,在对企业成长性评价的过程中,可以借助机器学习技术来提高其自动化程度,为企业提供更准确的数据分析和更快速的决策支持。因此某企业建立了科创企业大数据平台,其中包含了企业成长阶段、科创能力、财务风险等机器学习评价模型。然而随着企业成长性分析需求的不断增加,系统未来还会集成更多的机器学习模型,所以迫切需要建立能够支持模型迭代优化的模型管理系统。本文设计并实现了一个支持模型迭代优化的企业成长性评价模型管理系统,用户通过该系统可以管理大数据平台中使用的机器学习模型、模型训练数据以及用于模型训练的服务器硬件资源。为解决随着业务数据增长机器学习模型精度失效的问题,本文提出了一种基于数据驱动迭代机器学习模型的方法,引入领域专家验证模型结果形成反馈,并基于数据版本进行模型的再训练及模型版本管理。机器学习专家可以利用此数据迭代方法完成训练数据集的迭代,快速训练新的企业成长性评价模型并部署模型至大数据平台。最终,通过本系统实现了对企业成长性评价模型的生命周期管理和迭代优化。本系统已经集成至科创企业大数据平台中,并投入实际使用,系统运行状态良好。机器学习专家通过使用该系统可快速迭代优化原有企业成长性评价各种模型,能够有效提高企业成长性评价模型的应用准确性及优化效率,并且能够降低领域专家参与难度,进而能够提高应用模型进行企业成长性评价的准确性及有效性。

基于多气象要素降维的光伏发电功率预测研究

这是一篇关于光伏发电功率预测,模型优化,气象要素降维,系统设计的论文, 主要内容为当前,太阳能作为一种绿色可再生能源得到了广泛应用,然而光伏发电功率受环境因素的影响,具有较大的不稳定性和间歇性,这对光伏发电系统大规模并入电网及储能系统开发提出了挑战。因此,研究如何提高光伏发电功率预测精度对促进光伏并网和电力系统调度具有重要意义。本文以光伏发电功率预测为研究目标,针对国内外光伏发电功率预测的研究现状,提出了基于OVMD-t SSA-LSSVM的光伏发电功率预测模型和基于PCC-GRA-PCA的多气象要素降维方法,并设计开发了一套光伏发电功率预测系统。本文主要研究内容如下:首先对当前在光伏发电功率预测领域常用的循环神经网络、极限学习机和最小二乘支持向量机进行了研究,并分别建立光伏发电功率模型加以预测分析。通过对各个模型不同天气类型下的预测结果进行比较,发现最小二乘支持向量机有较高的光伏发电功率预测性能,对于不同的天气类型均具有较高预测精度和预测稳定性,动态性能更好。其次,为了更加精准预测光伏发电功率,本文提出了一种基于优化变分模态分解(OVMD)、自适应t分布的麻雀搜索算法(t SSA)和最小二乘支持向量机(LSSVM)的光伏发电功率预测模型。首先利用OVMD对输入光伏时间序列数据进行分解处理以提高数据分解精度,避免信息丢失。为避免算法后期陷入局部最优,引入t SSA算法对LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏发电功率预测模型,并使用校内光伏发电系统提供的历史光伏数据和气象数据进行模型性能验证。通过使用决定系数(R2),平均绝对误差(MAE),均方根误差(RMSE)和平均绝对百分比误差(MAPE)四个指标对模型性能综合评价,可以得出本文提出的OVMD-t SSA-LSSVM模型的预测精度和拟合效果均优于对比模型。实验数据表明,该模型在不同天气类型下的MAPE均小于0.0789、RMSE小于0.4035,同时,该模型的R2超过了96%。然后,为了去除数据集中无关和冗余的信息,减少模型的复杂度和计算量,本文提出了一种基于PCC-GRA-PCA的降维方法。该降维方法通过Pearson相关系数(PCC)和灰色关联分析(GRA)对多种气象要素进行了特征重要度分析,从特征选择的角度实现了数据的初步降维;再通过主成分分析(PCA)对初步降维后的数据进行处理,从特征转换的角度实现了对气象数据的二次降维;最后结合第四章所创立模型和降维后的气象数据得到预测结果,经过对比分析发现模型预测精度得到进一步的提高,其RMSE在晴天、多云和雨天天气下分别下降了0.1939、0.1207和0.1432,验证了基于PCC-GRA-PCA降维方法的有效性。最后,基于本研究提出的降维方法与优化后光伏发电功率预测模型,设计开发出了集数据预处理、数据降维、光伏发电功率预测以及光伏组件转换效率监测于一体的光伏发电功率预测系统,并利用校园内光伏站点对预测系统进行了实际案例测试。在为期31天的实验数据中,合计预测误差占比为5.15%,系统预测耗时均值为35 ms,验证了本文设计的光伏发电功率预测系统的稳定性和实用性。论文结尾对研究内容进行了总结,并对下一步值得研究的问题进行了展望。

嵌入式人脸活体检测技术研究与实现

这是一篇关于嵌入式,人脸识别,活体检测,模型优化的论文, 主要内容为嵌入式人脸识别系统由于具有非接触、安装便捷、识别准确等特性,使得其广泛运用于通勤打卡、刷脸支付。但同时,人脸识别系统也存在安全性问题。用户可能使用打印照片、电子屏幕、3D面具等攻击手段通过人脸识别系统,从而冒用他人身份,由此造成安防系统失效和用户信息泄漏等问题。因此,嵌入式人脸识别系统需要添加人脸活体检测模块,来保障系统的安全性。在对国内外现有人脸活体检测技术进行充分研究后,选用基于深度学习的方法来实现人脸活体检测的功能。为了保证算法能够在嵌入式设备中实时运行,选择专为移动端设计的轻量级神经网络Mobile Face Net。首先,在Mobile Face Net的基础上对模型的图像尺寸和通道进行压缩,通道压缩时,普通卷积基于权重剪枝,逐层卷积基于相似性剪枝。压缩后模型参数量下降为原来的56.5%。然后,使用傅里叶辅助分支在模型训练中进行监督,同时引入注意力模块,修改卷积算子为中心差分卷积对模型进行优化。最后,采用对人脸框放大4.0倍的方式提取图像的背景信息。原始人脸框与放大人脸框图像分别各自进行模型的训练,然后进行两个模型的融合。实验结果表明优化后模型相较于原始Mobile Face Net模型,精度有了较大的提升。将优化后的融合模型部署到rv1126嵌入式设备中,实现人脸识别系统中的活体检测模块。活体检测模块使用三层架构的方式进行开发。模型部署前需要先将模型转化为rv1126嵌入式设备支持的格式,在模型层中,加载转化格式成功的模型,并输入图像完成其神经网络的前向推理。业务逻辑层对应用层传入视频帧照片及人脸框进行处理,调用模型层接口来实现人脸活体检测功能。应用层主要实现图像格式转换、活体检测阈值设置以及检测结果的显示。完成模型部署后,系统测试结果表明人脸活体检测模块能在人脸识别系统中正确运行,且模块实时性和精度都满足人脸活体检测的需求。

支持模型迭代优化的企业成长性评价模型管理系统的设计与实现

这是一篇关于企业成长性评价,机器学习模型,模型优化,模型管理系统的论文, 主要内容为在企业融资过程中,监管机构和服务机构需对企业的成长性(发展阶段、科创能力等)进行评估,了解企业未来发展潜力和竞争力以便匹配资本市场产品和服务。当前对企业成长性评价的方法仍以尽职调查为基础,领域专家人工评价为手段,缺乏从数据层面、系统方面和智能算法分析层面的有效支撑。随着机器学习和大数据技术的快速发展,在对企业成长性评价的过程中,可以借助机器学习技术来提高其自动化程度,为企业提供更准确的数据分析和更快速的决策支持。因此某企业建立了科创企业大数据平台,其中包含了企业成长阶段、科创能力、财务风险等机器学习评价模型。然而随着企业成长性分析需求的不断增加,系统未来还会集成更多的机器学习模型,所以迫切需要建立能够支持模型迭代优化的模型管理系统。本文设计并实现了一个支持模型迭代优化的企业成长性评价模型管理系统,用户通过该系统可以管理大数据平台中使用的机器学习模型、模型训练数据以及用于模型训练的服务器硬件资源。为解决随着业务数据增长机器学习模型精度失效的问题,本文提出了一种基于数据驱动迭代机器学习模型的方法,引入领域专家验证模型结果形成反馈,并基于数据版本进行模型的再训练及模型版本管理。机器学习专家可以利用此数据迭代方法完成训练数据集的迭代,快速训练新的企业成长性评价模型并部署模型至大数据平台。最终,通过本系统实现了对企业成长性评价模型的生命周期管理和迭代优化。本系统已经集成至科创企业大数据平台中,并投入实际使用,系统运行状态良好。机器学习专家通过使用该系统可快速迭代优化原有企业成长性评价各种模型,能够有效提高企业成长性评价模型的应用准确性及优化效率,并且能够降低领域专家参与难度,进而能够提高应用模型进行企业成长性评价的准确性及有效性。

基于PSO-RBF神经网络的刀具寿命预测方法研究

这是一篇关于刀具寿命预测,RBF神经网络,模型优化,PSO算法,PSO-RBF的论文, 主要内容为在机械加工的过程中,刀具承担着重要的作用,它的状态在很大程度上决定了产品的质量。刀具在加工的过程中会受到摩擦、化学腐蚀以及材料挤压等诸多因素的干扰,使得刀具加工的寿命缩短。如果可以很好地预测刀具的寿命,则对加工的效率、精度等有很大帮助,传统的刀具寿命预测方法适用性差,预测精度也不高。因此,建立一个可以满足实际需求且拥有良好预测性能的刀具寿命预测模型,对制造效能的增长、产品品质的保障等有很好的指导意义。本文根据所研究对象的特点,首先运用RBF神经网络建立了刀具寿命预测模型,然后通过改进的PSO算法对所建立的模型进行优化,最后结合研究内容和相关计算机技术开发了一个刀具寿命预测管理系统。本文的主要研究内容如下:(1)提出了基于RBF神经网络的刀具寿命预测模型。针对传统预测方法适用场景有限且无法准确预测的问题,利用RBF神经网络建立了模型,通过对刀具寿命造成影响的诸多因素的分析,根据实际情况选择,将其作为模型的输入,刀具寿命作为输出,RBF神经网络经过训练学习实现寿命预测,最后通过实验验证了所提出模型的有效性。(2)提出了利用改进的PSO算法优化模型。针对所建立的刀具寿命预测模型存在预测精度不足的问题,利用PSO算法进行模型优化。首先对于PSO算法本身存在的问题,采用对学习因子的调整、惯性权重的自适应调整以及基于混沌理论的高速收敛等对其进行改进,然后用改进的PSO算法确定模型中RBF神经网络的中心、宽度以及连接权值这3个关键参数的值,从而实现模型优化,最后通过对比实验表明优化后的刀具寿命预测模型预测的结果平均相对误差为6.16%,比原模型降低了17.14%,提高了模型的预测精度,进一步验证了优化方法的可行性,也说明PSO-RBF神经网络的刀具寿命预测模型拥有更好的预测效果,可以更好地满足实际需求。(3)刀具寿命预测管理系统的设计与实现。结合对刀具寿命预测的研究,通过分析系统的功能需求和开发条件,利用SSM框架、Vue框架、Java开发技术以及My SQL数据库等实现了可以预测刀具寿命,同时也可以管理刀具的信息、库存、采购以及调度等功能的系统。

基于PSO-RBF神经网络的刀具寿命预测方法研究

这是一篇关于刀具寿命预测,RBF神经网络,模型优化,PSO算法,PSO-RBF的论文, 主要内容为在机械加工的过程中,刀具承担着重要的作用,它的状态在很大程度上决定了产品的质量。刀具在加工的过程中会受到摩擦、化学腐蚀以及材料挤压等诸多因素的干扰,使得刀具加工的寿命缩短。如果可以很好地预测刀具的寿命,则对加工的效率、精度等有很大帮助,传统的刀具寿命预测方法适用性差,预测精度也不高。因此,建立一个可以满足实际需求且拥有良好预测性能的刀具寿命预测模型,对制造效能的增长、产品品质的保障等有很好的指导意义。本文根据所研究对象的特点,首先运用RBF神经网络建立了刀具寿命预测模型,然后通过改进的PSO算法对所建立的模型进行优化,最后结合研究内容和相关计算机技术开发了一个刀具寿命预测管理系统。本文的主要研究内容如下:(1)提出了基于RBF神经网络的刀具寿命预测模型。针对传统预测方法适用场景有限且无法准确预测的问题,利用RBF神经网络建立了模型,通过对刀具寿命造成影响的诸多因素的分析,根据实际情况选择,将其作为模型的输入,刀具寿命作为输出,RBF神经网络经过训练学习实现寿命预测,最后通过实验验证了所提出模型的有效性。(2)提出了利用改进的PSO算法优化模型。针对所建立的刀具寿命预测模型存在预测精度不足的问题,利用PSO算法进行模型优化。首先对于PSO算法本身存在的问题,采用对学习因子的调整、惯性权重的自适应调整以及基于混沌理论的高速收敛等对其进行改进,然后用改进的PSO算法确定模型中RBF神经网络的中心、宽度以及连接权值这3个关键参数的值,从而实现模型优化,最后通过对比实验表明优化后的刀具寿命预测模型预测的结果平均相对误差为6.16%,比原模型降低了17.14%,提高了模型的预测精度,进一步验证了优化方法的可行性,也说明PSO-RBF神经网络的刀具寿命预测模型拥有更好的预测效果,可以更好地满足实际需求。(3)刀具寿命预测管理系统的设计与实现。结合对刀具寿命预测的研究,通过分析系统的功能需求和开发条件,利用SSM框架、Vue框架、Java开发技术以及My SQL数据库等实现了可以预测刀具寿命,同时也可以管理刀具的信息、库存、采购以及调度等功能的系统。

基于目标识别算法分析脂质囊泡图像的研究

这是一篇关于囊泡融合,目标识别,YOLOv5,模型优化,囊泡分析的论文, 主要内容为目标识别算法近几年在许多领域取得令人瞩目的成就,尤其是在医疗影像,公共安全和自动驾驶方面。而在国际前沿的人造细胞领域,人造细胞的融合更多只能通过研究人员肉眼识别统计,费时费力。因此本文将目标识别算法与人造细胞融合领域相结合,建立相应的融合模型。在合成生物学中,通常使用脂质囊泡作为人造细胞的模拟器,囊泡是体积相对较小的细胞内囊状构造,一般是由至少一层磷脂双分子层将其与外界细胞质内容隔开,形成了相对封闭的内部环境,为生化反应提供了微米级的空间。与活细胞相比,囊泡的结构更加简单,但具有脂质成分可调整的可塑性。因此本文通过光控法诱导囊泡进行可控融合并通过流式细胞仪和共聚焦显微镜获取相应图像结合计算机视觉技术进行建模分析。本文将囊泡图像数据作为数据源,利用目标识别算法YOLOv5(You Only Look Once version 5)建立囊泡融合识别模型。本文所做工作主要包括以下内容:生物囊泡制备,利用光控法诱导囊泡融合,通过流式细胞仪以及共聚焦显微镜获取图像数据,进行建模分析,并部署模型到本地。模型方面,基于YOLOv5预训练模型建立囊泡融合图像模型,模型的优化包括主干网络替换,使用新损失函数CIo U(Complete Intersection over Union)和DIo U(Distance Intersection over Union),超参数的调整,冻结部分层,并对模型进行横向性能对比。由于显微镜图像中包含大数量的囊泡信息,因此利用YOLT(You only look twice)思想优化预测阶段精度。在预测阶段新增功能记录相应类别个数与信息,再通过比例尺还原囊泡实际大小并进行数据分析并可视化,分析功能主要包括生成相应的Diameter直方图以及Aspect Ratio分布图,前者用于囊泡质检并与流式数据进行比对校验,后者反应囊泡形状以及融合状态。最后利用Flask对模型进行部署到本地服务器,并利用Vue框架实现简单前端界面,利于同实验室成员的使用。实现从人工统计到自动化的过程。

基于PSO-RBF神经网络的刀具寿命预测方法研究

这是一篇关于刀具寿命预测,RBF神经网络,模型优化,PSO算法,PSO-RBF的论文, 主要内容为在机械加工的过程中,刀具承担着重要的作用,它的状态在很大程度上决定了产品的质量。刀具在加工的过程中会受到摩擦、化学腐蚀以及材料挤压等诸多因素的干扰,使得刀具加工的寿命缩短。如果可以很好地预测刀具的寿命,则对加工的效率、精度等有很大帮助,传统的刀具寿命预测方法适用性差,预测精度也不高。因此,建立一个可以满足实际需求且拥有良好预测性能的刀具寿命预测模型,对制造效能的增长、产品品质的保障等有很好的指导意义。本文根据所研究对象的特点,首先运用RBF神经网络建立了刀具寿命预测模型,然后通过改进的PSO算法对所建立的模型进行优化,最后结合研究内容和相关计算机技术开发了一个刀具寿命预测管理系统。本文的主要研究内容如下:(1)提出了基于RBF神经网络的刀具寿命预测模型。针对传统预测方法适用场景有限且无法准确预测的问题,利用RBF神经网络建立了模型,通过对刀具寿命造成影响的诸多因素的分析,根据实际情况选择,将其作为模型的输入,刀具寿命作为输出,RBF神经网络经过训练学习实现寿命预测,最后通过实验验证了所提出模型的有效性。(2)提出了利用改进的PSO算法优化模型。针对所建立的刀具寿命预测模型存在预测精度不足的问题,利用PSO算法进行模型优化。首先对于PSO算法本身存在的问题,采用对学习因子的调整、惯性权重的自适应调整以及基于混沌理论的高速收敛等对其进行改进,然后用改进的PSO算法确定模型中RBF神经网络的中心、宽度以及连接权值这3个关键参数的值,从而实现模型优化,最后通过对比实验表明优化后的刀具寿命预测模型预测的结果平均相对误差为6.16%,比原模型降低了17.14%,提高了模型的预测精度,进一步验证了优化方法的可行性,也说明PSO-RBF神经网络的刀具寿命预测模型拥有更好的预测效果,可以更好地满足实际需求。(3)刀具寿命预测管理系统的设计与实现。结合对刀具寿命预测的研究,通过分析系统的功能需求和开发条件,利用SSM框架、Vue框架、Java开发技术以及My SQL数据库等实现了可以预测刀具寿命,同时也可以管理刀具的信息、库存、采购以及调度等功能的系统。