聚酰亚胺衬底柔性非晶硅薄膜电池集成串联组件的研究

研究了柔性Si基薄膜太阳电池集成串联组件的制备与关键技术。对导电栅线在柔性薄膜太阳电池集成串联组件中的重要性进行了模拟计算,对柔性薄膜太阳电池激光刻蚀进行了理论分析与实验优化,并对柔性Si基薄膜太阳电池集成串联组件进行了设计与研制。在聚酰亚胺(PI)衬底上,通过卷对卷磁控溅射与卷对卷等离子增强化学气相沉积(PECVD)依次沉积复合背反射层Ag/ZnO、Si基薄膜层和透明导电膜层,采用激光刻蚀与丝网印刷工艺相结合实现集成串联,制备了柔性非晶Si(a-Si)薄膜太阳电池集成串联组件。柔性单结集成串联组件有效面积转换效率达到了4.572%(AM0),开路电压Voc=5.065V,填充因子FF=0.552。     

基于人工神经网络的脉冲激光烧蚀Ag纳米粒子胶体的预测和验证

为有效缩短蒸馏水中脉冲激光烧蚀制备Ag纳米粒子胶体工艺中繁琐的实验过程,采用LinNet PF神经网络平台对制备工艺与平均粒径及粒径分布的关系进行建模,并将其运用到平均粒径及其分布的预测中去,讨论了激光能量密度、激光重复率、烧蚀时间和平均粒径及其分布的关系.克服了以往单因素实验法不能正确反映制备工艺和平均粒径及其分布之间复杂的非线性关系的弱点.预测和验证结果均表明实验值和网络预测值之间相对误差都在10%以内,从而表明神经网络能够更精确、更可靠地逼近它们之间的非线性关系.该方法为有效、快捷、经济地开发研制金属纳米粒子胶体提供了新的思路和有效手段.     

脉冲激光沉积制备TiN/AlN多层薄膜的研究

采用脉冲激光沉积(PLA)法,在单晶Si试样表面沉积制备了一系列TiN/AlN硬质多层膜,并采用基于免疫算法的免疫径向基函数(IRBF)神经网络对AlN厚度建立预测模型,设计出具有可控调制周期和调制比的TiN/AlN多层膜。X射线衍射(XRD)结果表明,小调制层周期下,过高或过低的工艺条件下薄膜通常为非晶态,适当的工艺条件下TiN、AlN形成具有强烈织构的超晶格柱状晶多层膜;与此相应,纳米多层膜产生了硬度和弹性模量异常增高;随着调制比增加,使纳米多层膜形成非晶AlN层和纳米晶TiN层的多层结构,多层膜的硬度和弹性模量逐渐下降。XPS结果表明,薄膜界面由Ti+4、Ti+3离子组成,N的负二价、三价亚谱结构预示着非当量TiN、AlN的形成。AFM研究显示,薄膜的调制周期均在10~200 nm范围内,且薄膜表面较均匀;当多层薄膜调制周期在50 nm以下时,薄膜的纳米硬度值明显高于TiN和AlN的混合硬度值,达30 Gpa。     

双光束复合脉冲激光辐照沉积纳米金刚石薄膜

利用双光束复合脉冲激光辐照石墨悬浮液沉积技术,制备了高效率、高质量的纳米金刚石薄膜,成功解决了金刚石薄膜沉积不均匀和衬底温度对金刚石薄膜的影响。通过拉曼光谱仪和高分辨率透射电镜对薄膜的微观结构和组成进行了检测分析,实验结果表明,Raman光谱的D峰出现在1334cm-1处,G峰出现在1571cm-1处,沉积的薄膜致密均匀,晶粒平均尺寸在5nm左右。在制备过程中通过复合激光束辅以温度为金刚石薄膜的生长提供了更有利的条件,并在常温常压下连续制备出了粒度分布均匀的纳米金刚石薄膜。     

钛合金薄板激光焊接参数的多目标优化

激光焊接过程产生的焊斑熔深和热影响区宽度直接影响焊接质量。激光焊接过程复杂,影响因素众多,许多参数难以量化。本文以TC4钛合金薄板为实验样品进行脉冲激光焊接实验。利用两个径向基函数神经网络分别预测焊斑熔深和热影响区宽度。将上述两个径向基函数神经网络作为多目标优化算法的目标函数,以提高焊接熔深并减小热影响区宽度。通过模拟退火算法寻求多目标优化所得的非劣解集中的最优解。实验证明,该方法可有效平衡激光焊接过程的焊斑熔深和热影响区宽度。     

基于神经网络方法预测薄膜的厚度

首次利用前馈三层神经网络模型,建立了场发射薄膜的膜厚的神经网络预测模型,用金刚石薄膜的膜厚数据进行验证.结果表明,该模型预测的相对误差小于6.1％.     

一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法

文中提出了一种利用自组织映射（KSOM）和径向基函数（KR）神经网络进行网络拥塞预测的方法．目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候．因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系．现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法．这一过程使网络能满足不同类型的数据．在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较．实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果．     

基于神经网络方法预测薄膜的厚度

首次利用前馈三层神经网络模型 ,建立了场发射薄膜的膜厚的神经网络预测模型 ,用金刚石薄膜的膜厚数据进行验证 .结果表明 ,该模型预测的相对误差小于 6.1 % .     

RBF神经网络在激光测平仪非线性修正中的应用

针对PSD非线性对激光测平仪测量范围和测量精度的影响,采用一种新方法——径向基函数神经网络算法.该方法通过选择径向基函数中心、确定神经网络隐层神经元的数目和调整每一层的权值和阈值,对由于PSD非线性产生的误差进行修正.将其应用于某型号导弹平台调平测试,试验结果表明,该方法能有效消除非线性的影响,激光测平仪线性测量范围由...     

不锈钢激光着色机理及基于神经网络的颜色预测

研究了离焦量、脉冲能量、扫描间距、扫描速度和重复频率等激光加工参数对金属表面着色及微纳结构制备的影响机理,诱导制备了氧化膜、类光栅、凹坑和柱状突起4种结构,这些结构会使不锈钢表面产生薄膜干涉、光栅衍射和陷光等现象。通过Matlab软件在工艺参数与颜色HSB值之间建立了一个单隐含层的反向传播(BP)神经网络,该神经网络的训练均方根误差为0.0078,色相H、饱和度S和亮度B的测试相对误差分别为23%,10.4%和5.6%。该神经网络在一定程度上揭示了工艺参数与颜色之间的映射关系,使用该神经网络模型可以对激光着色效果作出有效的预测。     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。      

RBF神经网络在定日镜场故障诊断中的应用

针对定日镜场故障与征兆之间的关系特点,介绍了RBF神经网络运用于定日镜场故障诊断的基本方法。利用MATLAB神经网络工具箱建立和训练RBF神经网络,并对网络进行了测试。结果说明RBF神经网络在定日镜场故障诊断中具有较高的准确性和可靠性。     

Flood forecasting using radial basis function neural networks

A radial basis function (RBF) neural network (NN) is proposed to develop a rainfall-runoff model for three-hour-ahead flood forecasting. For faster training speed, the RBF NN employs a hybrid two-stage learning scheme. During the first stage, unsupervised learning, fuzzy min-max clustering is introduced to determine the characteristics of the nonlinear RBFs. In the second stage, supervised learning, multivariate linear regression is used to determine the weights between the hidden and output layers. The rainfall-runoff relation can be considered as a linear combination of some nonlinear RBFs. Rainfall and runoff events of the Lanyoung River collected during typhoons are used to train, validate,and test the network. The results show that the RBF NN can be considered a suitable technique for predicting flood flow     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的RBF神经网络信道参数预测...     

RBF神经网络在薄膜厚度控制系统中的应用

针对双向拉伸薄膜厚度控制系统中,经典的PID控制器难以达到理想控制效果的问题,设计一个基于RBF神经网络整定的PID控制器。该控制器由RBF网络对系统进行在线辨识,找到最佳控制参数,并将其反馈给PID控制器,从而实现控制器参数的在线调整。仿真结果表明,本控制器具有超调量小,响应速度快和自适应性强等优点,可有效提高双向拉伸薄膜厚度控制系统的性能。     

基于改进的支持向量机的开关磁阻电机的模型建立

开关磁阻电机具有结构简单、工作可靠、运行效率高等优点。但开关磁阻电机的磁路高度饱和、非线性化,很难建立准确的数学模型,难以实现高精度控制。在研究开关磁阻电机的电磁与转矩特性的基础上,结合支持向量机算法在解决小样本、非线性、高维数、局部极小值问题上的优势,建立了径向基函数核函数的支持向量机的开关磁阻电机的数学模型,通过仿真与传统BP神经网络算法对比,证明该算法具有较高的性能,实验平台检测的数据表明,所构建的开关磁阻电机模型是可行的,证明了模型的正确性和有效性。     

基于神经网络的GaAs HBT器件模型研究

建立精确的模型是使用砷化镓异质结双极晶体管器件（GaAs HBT）设计集成电路的必要基础,传统经验模型建立过程复杂,在输出功率、增益、功率附加效率等功率特性方面的模拟精度不太高,给电路设计带来了一定的难度。本文利用径向基函数(RBF)神经网络算法和反向传播(BP)神经网络算法分别建立GaAs异质结双极晶体管器件的大信号模型。这些模型的训练和测试数据分别来自于测试的双端口散射参数,以及测试的直流特性和功率特性数据。然后将模型数据与实测结果进行对比,结果发现,基于神经网络的器件模型能够精确地模拟器件特性,而且RBF神经网络模型相比BP神经网络模型,误差更小,预测更精确。