基于ZnO@rGO/PVDF柔性复合薄膜的压电纳米发电机

采用简单的一步水热法合成了自支撑的氧化锌纳米棒(ZnO NRs)@还原氧化石墨烯(rGO)复合材料,通过旋涂法制备ZnO@rGO/聚偏二氟乙烯(PVDF)柔性复合薄膜压电纳米发电机。研究结果表明,ZnO@rGO/PVDF柔性复合薄膜压电纳米发电机的输出性能随ZnO@rGO掺杂质量先增大后减小,当ZnO@rGO的质量分数为3.0%时,输出电压可达9.06 V,输出电流可达0.74μA,与仅掺杂3.0%ZnO NRs的ZnO/PVDF纳米发电机相比,其输出电压和电流分别提高了120%和124%。当负载电阻为10 MΩ时,ZnO@rGO/PVDF柔性复合薄膜压电纳米发电机输出功率最大为5.79μW。经过4 000次循环测试表明,该文所制备ZnO@rGO/PVDF柔性复合薄膜压电纳米发电机的输出性能稳定。该纳米发电机可以监测人体行走和跑步姿势,记录运动次数。有望作为自供电压力传感器件植入可穿戴电子设备中。     

一种电流失配自适应补偿宽带锁相环设计

针对宽带自偏置锁相环(PLL)中存在严重的电荷泵电流失配问题,提出了一种电流失配自适应补偿自偏置锁相环。锁相环通过放大并提取参考时钟与反馈时钟的锁定相位误差脉冲,利用误差脉冲作为误差判决电路的控制时钟,通过逐次逼近方法自适应控制补偿电流的大小,逐渐减小鉴相误差,从而减小了锁相环输出时钟信号抖动。锁相环基于40 nm CMOS工艺进行设计,后仿真结果表明,当输出时钟频率为5 GHz时,电荷泵输出噪声从-115.7 dBc/Hz@1 MHz降低至-117.7 dBc/Hz@1 MHz,均方根抖动从4.6 ps降低至1.6 ps,峰峰值抖动从10.3 ps降低至4.7 ps。锁相环输出时钟频率为2～5 GHz时,补偿电路具有良好的补偿效果。     

基于积分宽度法测量发光二极管结温方法的研究

本文提出了一种基于光谱积分宽度法来测量发光二极管(light emitting diode, LED)结温的新方法,并进行了理论分析和实验研究。本方法主要分为光谱数据采集、定标函数的测定和结温测量三个过程。首先,为了测量成本的降低和精度的提高而采用在正常工作电流下采集LED光谱数据,并通过采用不同温度下的光谱积分宽度与选定的某一基准状态下的值逐差可得到线性度达0.99以上的定标函数,并通过此定标函数可实时测定任意状态下的结温。其次,为了比较本方法测量结温的精确性,分别对单色和白光LED采用本方法和业界主流的正向电压法,通过自行设计的基于积分宽度法结温测量系统和美国Mentor Graphics公司的T3Ster型仪器的测量结果进行比较,两种方法测出的结温最大偏差为2.1℃,在可接受的误差范围内。实验结果表明积分宽度法测结温具有高效便捷且低成本的的特点,具有一定的应用前景。     

基于自注意力机制和CycleGAN的高分三号ScanSAR图像的扇贝效应抑制

高分三号卫星是我国首颗分辨率达到1 m的C波段 多极化合成孔径雷达(synthetic aperture radar,SAR) 卫星,其中扫描 式合成孔径雷达(scan synthetic aperture radar,ScanSAR)模式是高分三号卫星重要的工 作模式之一,由于该模式的工作机制导致生成的图像可能发生扇贝效应,一般呈现为明暗相 间的条纹。本文针对高分三号卫星ScanSAR模式下存在的扇贝效应,提出自注意力机制与循 环一致对抗网络(cycle-consistent adversarial networks,CycleGAN)结合的模型对Scan S AR图像进行处理,从而抑制扇贝效应产生的条纹现象。本文所示方法与传统扇贝效应抑制方 法和深度学习相关算法进行比较,并通过亮度均值、平均梯度等指标进行分析。实验结果表 明,本文方法可以对高分三号ScanSAR图像存在的扇贝效应进行较好的处理,有效抑制图像 的条纹现象,使得图像质量得到提升,具有较大的实用意义。     

基于模糊控制的储能参与一次调频综合控制策略

针对储能调频控制模式间以临界值方式直接切换造成功率跃变及储能荷电状态（SOC）过高过低,储能出力受限问题,提出一种基于模糊控制的储能参与的一次调频综合控制策略。首先,分析储能虚拟下垂、虚拟惯量和虚拟负惯量控制参数对系统频率响应的影响,确定各控制参数调频优势和稳定变化范围;其次,设计含虚拟负惯量控制的模糊控制器,实现控制模式之间的平滑切换和优势互补,加快频率恢复;最后,采用logistics函数设计SOC反馈控制策略和SOC自恢复控制策略,使储能容量得到更好的保持,提高储能的调频能力。仿真实验验证了所提策略的有效性。     

一种改进线性扩张状态观测器的自抗扰控制宽频带振荡抑制方法研究

针对自抗扰控制策略在并网系统参数变化时能否维持逆变器接入弱电网的稳定性展开了进一步研究。首先,建立了计及频率耦合的自抗扰控制型并网逆变器等效单输入单输出序阻抗模型,并采用Nyquist稳定判据定量分析逆变器输出功率、电网短路比、锁相环以及自抗扰控制器参数变化对并网系统稳定性的影响。其次,针对上述参数变化所导致的弱电网下自抗扰控制型逆变器稳定性降低、宽频带振荡等问题,提出了一种改进线性扩张状态观测器(enhanced linear expansion state observer, e-LESO)的自抗扰控制宽频带振荡抑制方法。通过在传统一阶自抗扰控制器中LESO内部增添比例支路和滤波环节,重塑自抗扰控制型并网逆变器输出阻抗,拓宽其中频段(100 Hz~1 kHz)内呈正阻尼特性的频率范围,从而增强自抗扰型并网逆变器鲁棒性,实现宽频带振荡抑制。最后,通过仿真验证了所提方法的有效性。     

基于自组织映射网络的微表情运动规律分析方法

表情是人类情感交互的重要方式。神经生理学研究表明：微表情很难由主观意识所控制,是人类真实情感的流露。与宏表情不同,微表情发生常常伴随着面部左右和上下的不对称移动,运动模式复杂。但由于微表情运动幅度小,人眼难以直接观察,微表情运动规律尚未被深入解析。在公共安保等领域,对微表情识别算法的可靠性与可解释性有很高要求。因此,本文旨在研究微表情运动规律分析方法,实现微表情运动规律的系统性解析。本文工作包括：研究基于自组织映射网络（Self-Organizing Maps, SOM）的微表情特征无监督聚类方法,得到微表情运动模式及其概率。定义微表情运动相似度指标,它从面部14个感兴趣区域运动趋势的角度来衡量两个微表情运动特征的差异程度,并作为调节SOM网络权值的依据。本文对CASMEII、SAMM、SMIC和MMEW数据集的微表情样本进行分析,并根据SOM网络的聚类结果总结微表情运动规律,该规律可以指导微表情识别算法特征提取,提升可靠性。     

声子极化激元干涉条纹周期的精密测量研究EI北大核心CSCD

二维材料由于其独特的物理化学性质,对纳米光子学及光电子学的应用与发展具有重要研究价值。特别是二维材料中声子与光子耦合激发产生的声子极化激元高度局域在纳米尺度,在片上光子学的光学操控和能量传输等前沿研究领域具有极大的应用潜力。同时,光电器件制造进入纳米节点,器件应用对材料表征精度具有纳米级的要求。然而目前对声子极化激元特性分析的关键之一在于测量其干涉条纹周期,测量结果准确性依赖于仪器设备校准。因此,为实现对声子极化激元干涉条纹的精确测量,文中提出构建铬原子自溯源型光栅与二维材料的复合结构,分析金属光栅结构周期性变化对二维材料的声子极化激元耦合增强与调制作用,以及基于该原理实现对声子极化激元干涉条纹周期的精密测量。研究实现了测量干涉条纹周期为(261.01±0.34)nm的亚纳米级高精度测量,相比具有不确定度为4 nm的传统拟合测量方式具有可溯源的计量精度,同时实现了对测量仪器的亚纳米级精密校准。自溯源光栅天然溯源至基本自然常数的特性使得测量结果具备极好的准确性和可靠性,为二维材料在微纳光子学器件领域的应用提供了保障。     

结合感知损失与双重对抗网络的低剂量CT图像去噪

低剂量计算机断层扫描（LDCT）成像技术在医学诊断中得到广泛应用,但其斑纹噪声和非平稳条纹伪影复杂,目前多数算法仅依靠推断条件后验概率来实现图像去噪,无法应对LDCT图像噪声复杂、数据量少、先验知识缺乏的问题。提出一种结合感知损失的双重对抗网络去噪算法,以实现LDCT图像复原。该算法包含一个去噪器和一个生成器,分别从图像去噪和噪声生成2个角度来建模干净-噪声图像对的联合分布,通过联合学习使得去噪器和生成器相互指导,从而充分学习数据中的噪声信息和清晰图像信息,且学习到的去噪器可以直接用于LDCT图像修复。考虑到通过感知损失学习语义特征差异可以使去噪结果保留更多的细节和边缘信息,提出一种掩膜自监督方法,针对CT图像域训练一个语义特征提取网络用于计算感知损失。实验结果表明,与BM3D、RED-CNN、WGAN-VGG等主流去噪算法相比,该算法可以有效抑制噪声并去除伪影,最大程度地保留边缘轮廓和纹理细节,产生更符合人眼视觉特性的去噪效果,与当下LDCT图像去噪性能较好的SACNN算法相比,所提算法的PSNR和SSIM指标分别提升1.26 dB和1.8%。     

基于特征空间多分类对抗机制的红外与可见光图像融合

为突破传统融合规则带来的性能瓶颈,提出一个基于特征空间多类别对抗机制的红外与可见光图像融合网络.相较于现存方法,其融合规则更合理且性能更好.首先,训练一个引入注意力机制的自编码器网络实现特征提取和图像重建.然后,采用生成式对抗网络(generative adversarial network, GAN)在训练好的编码器提取的特征空间上进行融合规则的学习.具体来说,设计一个特征融合网络作为生成器融合从源图像中提取的特征,然后将一个多分类器作为鉴别器.这种多分类对抗学习可使得融合特征同时逼近红外和可见光2种模态的概率分布,从而保留源图像中最显著的特征.最后,使用训练好的译码器从特征融合网络输出的融合特征重建出融合图像.实验结果表明：与最新的所有主流红外与可见光图像融合方法包括GTF, MDLatLRR, DenseFuse, FusionGAN, U2Fusion相比,所提方法主观效果更好,客观指标最优个数为U2Fusion的2倍,融合速度是其他方法的5倍以上.