毫米波三维异质异构集成技术的进展与应用

三维异质异构集成技术是实现电子信息系统向着微型化、高效能、高整合、低功耗及低成本方向发展的最重要方法,也是决定信息化平台中微电子和微纳系统领域未来发展的一项核心高技术。文章详细介绍了毫米波频段三维异质异构集成技术的优势、近年来的发展趋势以及面临的挑战。利用硅基MEMS 光敏复合薄膜多层布线工艺可实现异质芯片的低损耗互连,同时三维集成高性能封装滤波器、高辐射效率封装天线等无源元件,还能很好地处理布线间的电磁兼容和芯片间的屏蔽问题。最后介绍了一款新型毫米波三维异质异构集成雷达及其在远距离生命体征探测方面的应用。     

面向复杂系统创新的TRIZ与DFSS集成应用模式

针对目前现有创新方法在解决复杂系统问题时出现问题定位不准,分析不彻底,难以产生创新性方案,以及复杂系统设计领域尚缺乏系统的方法论的问题.研究创新设计理论(Theory of Innovation Problem Solving,TRIZ)与六西格玛设计(Design For Six Sigma,DFSS)集成方法,根据复杂系统特点在不同设计阶段动态地集成各种工具,以完善的需求管理方法实现设计需求的无偏转化,运用AFD等工具在设计早期进行系统功能失效预测,集成多冲突问题与TRIZ工具实现概念设计阶段创新性求解,进而建立面向复杂系统创新的T-DFSS模型.最后以船舶模块化可倒栏杆创新设计实例验证该集成模式的有效性.     

水平一阶导数在航磁圈定断裂中的应用

对于区域磁场任意水平方向求一阶导数,相当于这个方向两侧边缘磁性体产生的磁异常,因此可以突出垂直于这个方向上的磁异常,使沿垂直此方向展布的断裂有明显的反映.该文对该方法进行了理论模型的分析研究,并通过实例证明了该方法在增强断裂磁场特征及准确划定断裂位置方面具有明显的效果.     

基于Stacking集成算法的岩爆等级预测研究

岩爆是地下工程面临的一个巨大灾害，岩爆预测可以降低岩爆带来的危害。机器学习是岩爆预测方法的研究热点和发展方向，但现阶段各机器学习算法表现不同，并且相互独立工作，没有融合，不能优势互补，导致各机器学习算法的准确率、泛化性和稳定性较低。本文采用Stacking集成算法，融合现阶段使用较多的8个机器学习算法(4个集成算法和4个基本算法)，充分发挥各算法的优势，实现优势互补；为保证新特征信息具有多样性，结合各种机器学习算法的原理和岩爆样本库的特点，提出3组考虑多个岩爆预测指标的Stacking集成算法，每组算法拥有不同基模型和多个元模型，解决了传统Stacking集成算法接受特征信息受限和元模型选择困难的难题。对比分析各组Stacking集成算法与独立算法的准确率、精确率、召回率和F1值，结果表明构建的Stacking集成算法可以有效融合各机器学习算法，预测性能显著提升。在3组Stacking集成算法中，Stacking集成算法二的基模型由Random Forest Classifier,Extra Trees Classifier,Gradient Boosting Classifier和L...     

圆柱型活性蓄冷器换热性能的试验研究

基于磁热效应原理,采用颗粒Gd作为磁工质,水为换热流体,并结合活性蓄冷器的换热特点对往复式室温磁制冷系统的换热性能进行试验分析。试验工况包括:在室温18℃下,基于不同磁场移动速度(40,70,100,130和160 mm/s),研究不同"冷热吹"时间(500,600,700,800和900 ms)对圆柱型活性蓄冷器的换热性能的影响。测量了在不同工况条件下蓄冷器冷热端温度的变化,分析了圆柱型活性蓄冷器换热性能系数。研究表明,当磁场移动速度为160 mm/s时,"冷热吹"时间700ms所对应的冷端最低温度可达到5.2℃,且对应的活性蓄冷器的换热性能系数最大,趋近于0.55。     

水氯镁石制备金属镁的过程集成与能量分析

以无水氯化镁和氧化镁作为中间产物，电解和热还原为两个关键方法，集成各种相关过程，构建了从水氯镁石到金属镁的综合过程网络，其中涉及24个物种、20个化学过程和25个工艺路线；建立了最低能耗分析模型用于简单和复合过程的能量分析；利用物质的标准生成焓和多温等压摩尔热容，计算得出全部反应过程及工艺过程的能量消耗和热量移除。结果表明基于还原法的最优路径是水氯镁石用石灰法转为氢氧化镁，进而煅烧成氧化镁，再铝热还原成金属镁，该过程能耗360.15 kJ/mol，放出热量–315.46 kJ/mol；基于电解法的最优路径是石灰乳法生成氢氧化镁，再煅烧成氧化镁，通过在熔融电解质中电解生成金属镁，该过程能耗738.54 kJ/mol，放出热量–135.42 kJ/mol。无水氯化镁制备耗能高，不在最优路径中。     

基于主动学习的离群点集成挖掘方法研究

离群点检测任务通常缺少可用的标注数据，且离群数据只占整个数据集的很小一部分，相较于其他的数据挖掘任务，离群点检测的难度较大，尚没有单一的算法适合于所有的场景。因此，结合多样性模型集成和主动学习思想，提出了一种基于主动学习的离群点集成检测方法OMAL（Outlier Mining based on Active Learning）。在主动学习框架指导下，根据各种基学习器的对比分析，选择了基于统计的、基于相似性的、基于子空间划分的三个无监督模型作为基学习器。将各基学习器评判的处于离群和正常边界的数据整合后呈现给人类专家进行标注，以最大化人类专家反馈的信息量；从标注的数据集和各基学习器投票产生的数据集中抽样，基于GBM（Gradient BoostingMachine）训练一个有监督二元分类模型，并将该模型应用于全数据集，得出最终的挖掘结果。实验表明，提出方法的AUC有了较为明显的提升，且具有良好的运行效率，具备较好的实用价值。