“电工学实验”混合教学模式的探索与实践

在大类培养改革背景下,基于“电工学实验”开放式实践教学体系现状进行了“电工学实验”混合教学模式的研究,建立了“微课”资源并通过新型教学平台进行推送,确立了完备的混合教学模式应用机制并在部分专业进行了试点,通过分析试点调查数据得出混合教学模式具有在实验教学中提高学生学习效率、激发学生学习动力、促进学生个性发展、培养学生实践应用能力的优势,是落实创新应用型人才培养目标的重要举措。     

就诊等待服务APP适老化设计研究

目的 将数字化服务融入老年患者就诊流程，建立适老化就诊等待服务系统，在APP开发设计研究中实现软件流程优化。方法 依据ERG理论对老年患者在就诊等待过程中的需求点进行分类整理和层次划分。调研目标用户将分析结果融入服务设计理论，为指导软件开发所涉及的医院就诊流程、用户需求痛点，提出系统性的解决策略。基于交互设计原则展开APP界面设计。结论 构建了以老年患者为中心的就诊等待服务系统，帮助提升其等待过程中的自我效能。完善了基于产品使用方式层级的适老化就诊等待服务APP设计策略，为适老化、数字化产品研发提供了新思路;最终产出APP设计实例，提高了老年群体社会参与度，鼓励老年患者自主就诊，帮助其更加轻松地享受信息化时代带来的红利。     

掘进机截割头钻速优化分析

文章基于EBZ120型悬臂式掘进机进行截割临界转速分析优化,通过利用微元法和弹性力学建立力学模型,确定临界状态下,截割头转速解析解,然后深入分析影响截割转速的因素,依据影响程序确定影响介个转速的因素次序,为截割临界转速的确定提供实际操作提供依据。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

基于三维模型的NPN双极型晶体管电离辐射效应仿真模拟北大核心

为更加迅速可靠地评估星用双极型晶体管抗电离辐射损伤性能,建立了三维NPN晶体管模型,并对其电离辐射效应进行了数值模拟。仿真计算了电离辐射在晶体管中产生的氧化物正电荷陷阱以及界面陷阱,以此模拟不同总剂量、剂量率电离辐照对晶体管的损伤;以漂移扩散模型计算了晶体管典型性能的响应,验证了晶体管的总剂量效应和低剂量率损伤增强效应。结果表明晶体管对电离辐射敏感的区域位于基区和发射结区附近的Si/SiO_(2)界面,从Gummel曲线提取的归一化增益发现,电离辐射损伤可能使晶体管增益降低50%以上,这对晶体管性能影响很大。该方法可以在降低成本、缩短周期的前提下,为晶体管抗电离辐射可靠性评估提供合理的技术支撑和可借鉴的理论数据。     

4英寸f_(max)=620 GHz的0.25μm InP DHBT北大核心

报道了一款在101.6 mm(4英寸)InP晶圆上制备的特征尺寸为0.25μm的磷化铟双异质结双极型晶体管。采用发射极自对准技术和介质钝化工艺,器件的发射极典型尺寸为0.25μm×3.00μm,最大电流增益为25,当发射极电流密度为10μA/μm^(2)时,器件的击穿电压达到了4.2 V,电流增益截止频率为390 GHz,最高振荡频率为620 GHz。建立了用于提取器件寄生参数的小信号等效电路模型,模型的仿真结果与高频实测数据具有很好的拟合精度。     

基于移动窗口法的城市遥感生态质量评价研究

为进一步提高城市生态监测的精确度，在前人开展的城市生态遥感监测研究的基础上引入“区域尺度”的概念，充分考虑小区域范围内不同地物间的交互作用，并利用移动窗口模型(Moving Window-Remote Sensing Ecology Index, MW-RSEI)对沈阳市浑南区的遥感影像进行逐像元分析。实验结果表明，MW-RSEI模型和生态遥感监测模型（Remote Sensing Ecology Index, RSEI)在整体生态评价趋势上表现出一致性。但MW-RSEI模型对城市生态中的细节区域表征更明显。考虑到建筑及裸地周围植被的影响，其较差生态区域的占比仅为6%，生态评价为优的区域占比为11%。研究区生态评价结果表现得较为连续，并未出现明显的断层现象。该结果具有现实意义且与实际生态分布更为符合。MW-RSEI模型在城市生态监测中更为适用，可为相关部门提供一定的技术参考。     

基于BERTCA的新闻实体与正文语义相关度计算模型

目前的搜索引擎仍然存在“重形式,轻语义”的问题,无法做到对搜索关键词和文本的深层次语义理解,因此语义检索成为当前搜索引擎中亟需解决的问题。为了提高搜索引擎的语义理解能力,该文提出一种语义相关度的计算方法。首先,标注了金融类新闻标题实体与新闻正文语义相关度语料1万条,然后建立新闻实体与正文语义相关度计算的BERTCA(Bidirectional Encoder Representation from Transformers Co-Attention)模型,通过使用BERT预训练模型,综合考虑细粒度的实体和粗粒度的正文的语义信息,然后经过协同注意力,实现实体与正文的语义匹配,不仅能计算出金融新闻实体与新闻正文之间的相关度,还能根据相关度阈值来判定相关度类别,实验表明该模型在1万条标注语料上准确率超过95%,优于目前主流模型,最后通过具体搜索示例展示了该模型的优秀性能。