基于CFD 的炮口制退器结构特征量特性研究

为了减少火炮的后座动能提高炮口制退器的作用,提出一种利用计算流体力学的方法计算炮口制退器流场来研究炮口制退器结构特征量的方法。通过推导结构特征量在定常流和非定常流条件下结构特征量的计算算式,计算3种不同类型炮口制退器在定常流条件下的结构特征量;并选取一种炮口制退器,在线性和非线性入口非定常流条件下,计算它的结构特征量。计算结果证明:炮口制退器的结构特征量与入口总压、总温大小,以及流动是定常流或者非定常流都没有关系,是一个不变的常量,与火炮试验结果一致。     

火箭炮交流位置伺服系统滑模变结构控制策略

对多管火箭炮负载特性，转动惯量变化规律及其燃气流冲击力矩作用规律进行了定量分析，基于此设计了多管火箭炮交流位置伺服系统结构并提出了滑模变结构控制策略，对其具体控制结构的形式进行了分析，提出了统一滑模变结构控制和串级滑模变结构控制两种方案。最后给出了两种滑模变结构控制结构的计算机仿真结果，结果表明该控制策略具有较强的抗负载扰动能力和参数鲁棒性，可以适应多管火箭炮的负载干扰力矩以及转动惯量的变化。     

基于精简标准单元库的OPC复用技术

提出了一种对标准单元的光学邻近效应校正结果进行复用的方法,并通过将传统标准单元中的所有核心逻辑通过反相器和二选一多路选择器的组合来实现,得到了一套可制造性强的精简标准单元库,从而使OPC复用技术得以有效实施,并将在很大程度上提高芯片生产效率和降低掩模数据存储量.精简标准单元库中单元的电气仿真结果表明其在面积、速度、功耗方面与传统标准单元库相比性能损失很小.     

基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究

终点碳含量是决定钢质量的关键因素,是转炉炼钢过程中需要控制的核心变量之一.本文建立了一种基于莱维飞行的鲸鱼优化算法（Levy Whale Optimization Algorithm,LWOA）和最小二乘向量机（Least Squares Support Vector Machine,LSSVM）的钢水终点碳含量综合预测模型.通过莱维飞行代替了传统鲸鱼优化算法（Whale Optimization Algorithm,WOA）参数的随机选择,优化了鲸鱼算法中跳出局部最优的能力;借助改变鲸鱼算法的系数向量收敛方式明显提高了鲸鱼优化算法的泛化能力、预测精度和收敛速度.数据仿真结果表明,所提出的LWOA-LSSVM预测模型,不仅能够克服局部寻优获取全局最优解,而且具有快速的收敛速度和更高的预测精度,得出预测结果的均方根误差、平均绝对误差和平均绝对百分比误差与遗传算法BP神经网络、遗传算法最小二乘支持向量机和传统鲸鱼算法最小二乘支持向量机相比均有着明显提高.同时,通过调整目标命中率和训练输入样本量验证了预测模型具有更好的鲁棒性.     

版图图形特征对铜电镀工艺的影响

铜电镀工艺后表面的不平整度通常取决于版图关键特征,包括线宽,线间距和金属密度。本文设计了一款测试芯片并在一家半导体厂加工制造。版图特征效应被真正的测试数据所检查和验证。通过分析金属蝶形、介质腐蚀、金属厚度和SEM照片,得出一些结论。线宽是决定表面形貌及产生铜金属蝶形和介质层腐蚀的最关键因素。经过铜电镀工艺发现,铜线越细铜生长的越厚,铜线越宽铜金属蝶形越大,发现了3种典型表面形貌。而且,通过测试数据,量化版图特征的影响并用曲率增强加速剂覆盖率的理论解释,这可以用于开发铜电镀工艺模型和开展可制造性设计研究。     

金属结单电子晶体管的模型建立及实验验证

在正统理论的基础上，使用主方程法建立了金属结单电子晶体管的器件模型和算法流程．将电容、电阻和温度等参数代入器件模型得到的I-V特性曲线与实验结果吻合较好，从而验证了模型、算法以及程序流程的正确性．此外，通过详细讨论模拟与实验的三组曲线差别，得到模型使用主方程的稳态解是导致模拟与实验之间结果存在差别的主要原因，即求解含有时间的主方程将增加模拟精度；而且，指出镜像电荷引起的电势使电流随电压呈现指数增加的主要影响因素，明显偏离理论模拟的线性增加趋势．     

基于精简标准单元库的OPC复用技术

提出了一种对标准单元的光学邻近效应校正结果进行复用的方法,并通过将传统标准单元中的所有核心逻辑通过反相器和二选一多路选择器的组合来实现,得到了一套可制造性强的精简标准单元库,从而使OPC复用技术得以有效实施,并将在很大程度上提高芯片生产效率和降低掩模数据存储量.精简标准单元库中单元的电气仿真结果表明其在面积、速度、功耗方面与传统标准单元库相比性能损失很小.     

自动交换光网络控制平面功能结构的探讨

文章主要讨论了自动交换光网络(ASON)控制平面的两种不同结构：控制平面在网元外部的结构和控制平面部分集成在网元内部的结构，并对这两种结构进行了比较．     

空天地海一体化海洋环境数据多步预测

辅助海洋管理决策的多步预测预警意义重大且极具挑战性。实时、稳定、高效的广域海洋环境数据获取是保障多步预测性能的前提,未来6G空天地海一体化网络部署将有效地提升海洋分布式态势感知能力,提供高质量的数据支撑。众所周知,多步长模式下数据间的时序依赖性被极大地弱化,对此,本文提出了基于多阶段特征学习的海洋环境数据多步预测模型。结构上,该模型主要包括卷积神经网络（Convolutional Neural Networks,CNN）、优化组合的长短期记忆网络（Long Short-Term Memory Network,LSTM）和全连接层。这里,CNN用于提取海洋环境数据的细粒度特征,而基于粒子群优化的多LSTM组合方法,可以有效地挖掘数据间的时序依赖关系（粗粒度特征）。实验结果表明该模型的预测性能明显优于CNN、LSTM以及门控制循环单元,并进行了统计验证。