微纳级双极晶体管的热耗散研究

对于双极性晶体管,由于自身存在的自加热现象,严重地影响着器件的特性。基于热电流方程、泊松方程及电流密度方程,在二维器件仿真环境下,进行了微纳级小尺寸npn双极性晶体管热现象的器件物理特性分析。重点研究了器件的集电极电流IC与晶格温度T的因变关系。研究结果显示,随着IC的增加,器件的晶格温度逐渐升高,VCE保持在3.0V、VBE达到最大值0.735V时,随器件晶格温度的升高VBE将减小。最后,笔者给出了描述晶体管温变关系的三维曲线。     

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)、选通递归单元(Gated Recurrent Unit, GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。     

基于CNN的键盘电磁信息泄漏识别检测方法

针对键盘电磁信息安全问题,分析了PS/2键盘的工作原理以及信号特征,提出一种基于深度学习的检测方法。该方法针对键盘设备的电磁泄漏信号特征,对卷积神经网络(CNN)结构进行了适应性调整;结合改进的梯度加权类激活映射方法,实现了对键盘电磁信息的智能识别和精准定位。对4个按键的电磁信号进行测试,分类准确率达到了98%;在噪声环境下的分类准确率也达到了81%。将梯度加权类激活映射方法及其改进方法对键盘电磁信息的定位效果进行了对比,实验结果证明改进后的方法定位效果更佳。     

一种基于实例语义图的屏幕反窃照识别算法

目前防窃照技术手段主要依靠图像采集设备实时采集视频流,对拍照行为进行识别检测,但受复杂环境影响,现有识别方法存在精确度低、实时性差等问题。针对上述问题,提出了一种基于实例语义图的屏幕反窃照识别算法。该算法首先通过图像分割模型U²-Net提取原图像的显著视觉目标后生成实例语义图,然后通过微调单阶段的目标检测模型YOLO-v5实现对语义图中感兴趣对象的目标检测,最后通过设计的基于Inception-ResNet的拍照识别二分类模型实现对屏幕窃照行为的识别。实验结果表明,该算法在实际场景下的平均识别准确率达到95%以上。     

基于钉板分布稀疏变分自编码器的异常检测算法研究

异常检测由于其广泛的应用一直是数据挖掘中一个重要的研究分支,它有助于研究人员获得重要的信息进而对数据做出更好的决策。提出了一种基于钉板分布稀疏变分自编码器的异常检测模型。首先,使用离散-连续混合模型钉板分布作为变分自编码器的先验,模拟隐变量所在空间的稀疏性,得到数据特征的稀疏表示;其次,以所提出的自编码器构建深度支持向量网络,对特征空间进行压缩,并采用最优超球体区分正常数据和异常数据;再次,以数据特征和超球体中心之间的欧氏距离完成异常检测;最后,在基准数据集MNIST （modifiednational institute of standards and technology database）和Fashion-MNIST上的实验评估表明,与现存的异常检测算法相比,本文所提出的算法具有更好的检测效果。     

基于YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR（YOLO for Multi-scale IR image）。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

一种基于深度学习的高轨卫星CEI信号频率估计算法

针对高轨卫星连线干涉测量(Connected Element Interferometry,CEI)信号的高精度频率估计这一难题,建立了CEI中的正弦信号频率估计模型。设计了基于深度学习框架的CEI信号频率估计算法,将算法划分为基于前馈深度神经网络的频率表征模块和基于卷积神经网络的频率计算及估计模块,在此基础上设计了各模块的具体结构和学习训练流程。对于算法的核心模块进行了仿真实验验证,并将所提算法与前人的相关算法进行了比较与分析,证明了该算法的有效性、稳定性和优越性。     

AlN成核层厚度对Si上外延GaN的影响

采用低温AlN成核层,在Si(111)衬底上,用金属有机化学气相沉积(MOCVD)法生长了GaN薄膜。采用高分辨X射线衍射(XRD)、椭圆偏振光谱仪和原子力显微镜(AFM)研究了AlN成核层的厚度对GaN外延层的影响。对AlN的测试表明,AlN的表面粗糙度(RMS)随着厚度增加而变大。对GaN的测试表明,所有GaN样品在垂直方向处于压应变状态,并且随AlN厚度增加而略有减弱。GaN的(0002)_ω扫描的峰值半宽(FWHM)随着AlN成核层厚度增加而略有升高,GaN(10-12)_ω扫描的FWHM随着厚度增加而有所下降。(10-12)_ω扫描的FWHM与GaN的刃型穿透位错密度相关,A1N成核层的厚度较大时会降低刃型穿透位错密度,并减弱c轴方向的压应变状态。     

802.11系列标准演进的支撑技术分析

移动数据流量迅猛增长,给成本高、速率低的2G、3G、4G移动网络带来了巨大压力,运营商开始大规模部署WLAN(无线局域网),以减轻移动网络压力。文章介绍从最初支持2Mbps接入速率的WLAN标准到目前千兆标准的演进历程,分析支撑其传输速率节节攀升的关键技术,包括分布在物理层的信道捆绑、MIMO(多输入多输出)天线技术、OFDM(正交频分复用)、高效的调制编码及MAC(介质访问控制)层的帧聚合、块确认等。     

基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。