半导体材料电子非电离能损的分析法计算

非电离能损(NIEL)可用于预测半导体器件在空间辐射环境中位移损伤引起的性能参数退化,计算模型选用经典NIEL模型,计算了能量范围为100 keV～200 MeV的电子入硅、锗、砷化镓材料的NIEL,及微分散射截面、林哈德因子和位移原子数量等信息.考虑到经典NIEL模型在入射电子能量较低的情况下得出的位移原子数量不够精确,所以用分子动力学(MD)方法加以改良,得出在低能区域更真实的位移原子数量,用于修正经典NIEL,并分析了MD模型下新的位移阈值能对计算结果的影响.     

不同偏置下10位双极模数转换器高低剂量率的辐射效应

研究了10位双极模数转换器(ADC)在60Coγ射线不同剂量率、不同偏置条件辐照下的电离辐射效应及退火特性。研究结果发现,此类模数混合信号电路在不同偏置和不同剂量率辐照下的电离辐照响应有较大差异。同一电参数既表现出低剂量率损伤增强效应(ELDRS)又表现出时间相关效应(TDE)。研究结果进一步表明,低剂量率辐照0 V偏置是最劣偏置;与之相反,高剂量率辐照5 V偏置是最劣偏置,而加电阻偏置对辐照损伤有一定的抑制作用。最后,结合空间电荷模型和边缘电场效应对其辐照损伤差异及退火机理进行了初步探讨。     

12位BiCMOS模数转换器的剂量率效应

对商用BiCMOS模数转换器(ADC)AD678进行不同剂量率下电离辐射效应及室温退火特性的研究.结果表明,ADC的敏感参数在不同剂量率下的响应有差异;模拟电源电流和数字电源电流的辐照响应差别较大,微分非线性误差(DNL)、积分非线性误差(INL)和失码(Misscode)在低剂量率下电离损伤更严重,表现出明显的低剂量...     

鄂尔多斯盆地南部三叠系延长组沟谷体系构造成因

鄂尔多斯盆地南部镇泾地区延长组顶部广泛发育沟谷体系,前人多认为是风化剥蚀和河流侵蚀所致。为了进一步厘清沟谷体系的发育特征、分布规律及其与区域构造的联系,基于三维地震资料对断裂的解释和前侏罗纪古地貌的恢复,刻画了延长组沟谷体系,探讨了其构造成因。结论显示,在延长组沉积晚期,受SW向区域构造挤压作用,玉都断裂发生左旋走滑,使延长组未成岩地层发生塑性变形,形成了一系列NW-SE向展布的挤压隆起与谷地;同时NW-SE向的拉张作用形成了NE-SW向的伸展谷地,最终形成了延长组晚期广泛分布的沟谷体系格局。该认识对于鄂尔多斯盆地南部延长组及其上覆的延安组的油气勘探都具有一定的指导意义。     

双极运算放大器在不同电子能量下的辐射效应和退火特性

介绍了LM837双极运算放大器分别在不同能量（1。8、1 MeV）不同束流、相同能量不同束流电子辐照环境中的响应特性及变化规律。分析了不同偏置状态下其电离辐照敏感参数在辐照后3种退火温度（室温,100、125 ℃）下随时间的变化,并讨论了引起电参数失效的机理。结果表明：与1 MeV 辐照相比,1。8 MeV电子辐照引起的LM837辐射损伤更明显;辐照过程中正偏条件下的偏置电流变化较零偏时的稍大;LM837辐照后的退火行为与温度有较大的依赖关系,而这种关系与辐照感生的界面态密度增长直接相关。     

高QoE的低时延智能网络数据传输调度算法

面向低时延、稳定传输、高用户体验质量(quality of experience, QoE)的网络实时传输需求场景,提出一种低时延智能网络数据传输调度算法。该算法由数据块排队控制策略和拥塞控制策略两部分组成。数据排队控制策略提出了综合数据块的创建时间和有效时限(effective time)的性价比模型,有效地解决了传输时间约束下的信息传输不均衡问题;拥塞控制策略提出了基于使用耿贝尔分布(Gumbel distribution)采样重参数化与混合经验优先级模型改进后的深度确定性策略梯度(deep deterministic policy gradient, DDPG)方法,解决了深度确定性策略梯度不适用于离散网络动作空间拥塞控制的问题,并通过学习自适应调整发送参数显著提升了网络拥塞控制质量。实验结果表明,实时传输场景下使用本文提出的排队算法能够有效提升QoE,采用改进后的DDPG进行拥塞控制能大幅降低传输时延。同样场景下,将提出的智能网络数据传输调度算法与排队策略及拥塞控制策略相结合,与传统的网络数据传输调度算法相比,能够更好地兼顾低时延和稳定传输,提供更高的数据传输质量。     

基于Payload2Vec的Tor匿名网络流量识别和分类

为有效识别和分类Tor匿名网络流量,提出基于有效载荷嵌入模型（Payload to Vector）的分类方法。首先将数据包字节序列直接转换为字符串,利用滑动窗口对字符串分割,得到流量字符串。然后将流量字符用高维向量表示,进一步引入基于多头自注意力机制的双向长短期记忆模型（Bidirectional Long Short-Term Memory,Bi-LSTM）。实验表明该方法相比传统LSTM神经网络提高44%的Tor流量识别准确率和64%的Tor流量分类准确率,并且大幅度提升模型训练速度,验证该模型的准确性与可行性。