一种二氧化钒膜的新的生长模式

采用直流反应磁控溅射法,在Si(100)基片表面沉积厚度为1000nm的二氧化钒膜。利用X射线衍射(XRD)仪和扫描电镜(SEM)分析膜的晶相和形貌,观察到二氧化钒膜的一种新的生长模式。X射线衍射分析表明生成的膜为典型的多晶二氧化钒膜,其(200)晶面衍射峰较强。扫描电镜(SEM)分析表明,随着膜厚的增加,膜表面晶粒增大,膜表面的晶粒呈现出独特的纺锤状或棒状;膜具有明显的柱状生长特征,在膜厚380nm以上时,柱状晶生长速率快速提高。样品的阻温特性分析表明,生成的二氧化钒膜具有典型的金属-半导体相变特征。     

退火对氧化钒薄膜成分及热敏性能的影响

在衬底上溅射沉积一层金属钒膜,然后对其退火制备氧化钒薄膜.研究了原位退火热处理和后续退火热处理对氧化钒薄膜成分及其热敏性能的影响.XPS分析表明,原位380 ℃退火处理得到的氧化钒薄膜中4价态和5价态钒的比例为1.097:1,经后续退火处理后,该比例变为0.53:1;同时,原位退火处理得到的氧化钒薄膜的V/O比为1:2.24,经后续退火处理变为1:2.33.AFM分析后显示,经后续退火处理的薄膜晶粒尺寸有所增大.测试了薄膜方阻随温度的变化,结果显示,生成的薄膜具有明显的金属-半导体相变;原位退火热处理后的薄膜方阻(R)为5.46 kΩ/□(25 ℃),方阻温度系数(TRC)为-1.5%/℃(25 ℃);后续退火热处理后,薄膜方阻增大到231 kΩ/□(25 ℃),方阻温度系数升高为-2.74%/℃(25 ℃).此外,就氧化钒薄膜的成分、热敏性能与退火处理之间的关系进行了讨论.     

基于全阶滑模控制的双轮移动机器人跟踪误差研究

针对双轮移动机器人运动轨迹跟踪误差较大的问题,设计了全阶滑模控制器,并对控制输出误差进行仿真验证.建立双轮机器人简图模型,推导出移动机器人动力学方程式.介绍了移动机器人线速度和角速度的控制过程,对传统PI控制器进行改进,设计了全阶滑模控制器.采用李雅普诺夫函数对控制器的稳定性进行了证明,从而得到机器人运动线速度和角速度...     

一款雷达芯片的基于扫描路径法可测性设计

针对一款雷达芯片电路采用基于扫描路径法的可测性设计,在设计过程中采用时钟复用技术、IP隔离技术,以及针对具体的时钟产生电路采用了其他特殊处理技术;通过采用多种恰当有效的可测性设计策略后,大大提高了该芯片电路可测性设计的故障覆盖率,最终其测试覆盖率可达到97%,完全满足设计指标的要求.     

Ta/Al合金薄膜TCR的方差分析

在用直流共溅射法制备Ta/Al合金电阻薄膜的工艺中,研究了主要工艺参数,例如靶基距、气压、溅射电压和热处理时间等对薄膜电阻温度系数(TCR)的影响。采用方差分析和正交试验方法获取薄膜的最佳工艺条件和TCR值。结果表明只要适当选取和很好控制四种主要工艺参数就可以制出TCR性能优良的Ta/Al合金薄膜,同时证实了方差分析法行之有效。     

钽铝合金薄膜工艺的正交试验

钽铝合金薄膜由于具有优良的热稳定性而适合制作薄膜功率型电阻网络。薄膜制备工艺条件对薄膜的电性能有很大的影响。该论文介绍了一种正交试验方法以获取最佳工艺条件。根据正交试验的算法，用ＦＯＲＴＲＡＮ语言编写了优化程序，在微机上进行了数据处理。用所选取的最佳工艺条件制出了性能优良的钽铝薄膜中功率衰减器，从而证实了正交试验法是行之有效的。     

掺硼金刚石膜的热敏特性

用微波ＰＣＶＤ法将掺硼金刚石膜淀积在Ｓｉ３Ｎ４基片上，用Ｔｉ薄膜作为欧姆接触电极蒸发在金刚石表面上，为防止Ｔｉ在高温下氧化，上面镀上了Ａｕ薄膜，从室温到６００℃范围内测试了这些金刚石膜样的电阻（Ｒ），发现Ｔ＾－１和Ｒ之间呈线性关系，若改变掺硼浓度以及热处理条件可以控制掺硼金刚石膜的热敏特性，结果表明掺硼金刚石膜显示了高的敏感性和好的稳定性，是一咱优良的热敏电阻材料。     

能量制约耦合比值一致性约束的图像匹配算法

针对当前较多图像匹配算法主要依靠阈值调节来完成特征匹配,导致算法的匹配正确度不高以及鲁棒性较差,设计了一种采用比值一致性约束的图像匹配算法。通过盒式滤波器替代高斯偏导函数,求取SIFT行列式,以提取图像特征。在特征点的邻域内计算Hu不变矩,求其特征向量。以特征点的向量为依据,并引入特征点邻域的区域能量,以获取特征匹配结果。利用匹配点对在空间上的距离关系,建立比值一致性约束方法,利用匹配点对的欧氏度量比值,搜索错误匹配,优化特征匹配结果。通过实验分析发现,与当前已有的图像匹配算法相比,所提算法的具有更高的匹配正确度和鲁棒性。     

采用逆神经网络模型的移动机器人速度控制回路研究

针对移动机器人运动轨迹容易受到不确定外界因素干扰的问题,采用逆神经网络模型设计移动机器人控制系统。分别采用逆神经网络控制器和传统PI控制器模型对两轮差动移动机器人运动速度和角速度进行跟踪控制。传统PI控制器模型使用了近似于线性的等效负载驱动器,而逆神经网络控制器使用前馈多层感知神经网络模型,该模型结合了其运动学和动力学的数学模型,在特定工作区域内,对逆神经网络模型进行离散训练。在平面内,对移动机器人的速度跟踪控制进行仿真。结果表明:采用PI控制器模型,移动机器人车轮运动速度和角速度与理论值存在较大误差,而采用逆神经网络模型时误差较小。采用逆神经网络模型设计移动机器人速度控制回路,可以提高移动机器人运动性能,更好地适应外界环境的变化。