i-TDNN：一种基于TDNN改进的含噪声纹识别方法

针对声纹识别任务在含噪背景下鲁棒性欠佳的问题,文章提出了一种基于TDNN改进的含噪声纹识别方法。该算法先提取说话人音频的梅尔频谱,利用自注意力机制（SE）使得网络更加聚焦于重要特征,引入残差连接（Res）修正梅尔频谱与输出层的特征损失信息,一定程度缓解神经网络退化的问题,使用多层特征聚合（MFA）密集连接输出特征,生成关注统计池的特征,最终生成一种强鲁棒性的声纹特征。在AISHELL-ASR0009含噪数据集进行实验表明：与BaseTDNN相比,i-TDNN算法的识别准确率提升16.63%,验证了此算法在含噪背景下的鲁棒性。     

具关联因子预测器的变增益模糊控制系统

滞后系统的控制问题是控制工程中的难点之一。在此提出的具关联因子预测器的变增益模糊控制系统方案适宜用于大滞后且没有精确数学模型的被控对象。     

一种具有变深槽电容的横向功率p-MOSFET

提出了一种含介质深槽的横向p沟道功率MOSFET(p-MOSFET)。深槽内填充了线性组合的高介电常数(high-k)介质和二氧化硅,以调变寄生的深槽电容(CDT),使CDT充电电荷增大且使该充电电荷沿纵向接近均匀分布。在深槽一侧,通过提高p型漂移区剂量来提供负极板充电电荷,在深槽另一侧,通过增设n型区来提供正极板充电电荷。两侧漂移区的电荷补偿效应均得到增强,器件性能获得提高。仿真结果表明,当击穿电压VB为450 V时,器件的比导通电阻RON,SP为9.5 mΩ·cm²,优值达21.3 MW/cm²,优值为现有器件的2.7倍。该项研究成果为功率集成电路提供了更优的器件选择。     

一种利用高介电常数薄膜改进的快速关断SOI-LIGBT

介绍了一种利用高介电常数薄膜改进的、制作于绝缘衬底上的横向绝缘栅双极型晶体管(SOI-LIGBT)。一方面,覆盖在硅表面的高介电常数薄膜具有引导电通量的作用,可优化器件漂移区的表面电场分布,在器件耐压等级不变的情况下,节约芯片面积,提高导电能力。另一方面,采用高介电常数薄膜有利于减少漂移区中存储的非平衡载流子,可缩短器件的关断时间,降低器件的关断损耗。仿真结果表明,相比于传统500 V等级的SOI-LIGBT,利用高介电常数薄膜改进的新器件可使器件长度缩短15%,导通压降降低10%,关断时间缩短42%,关断损耗减小61%。     

数据驱动的粮食产能组合预测模型

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对LSTM进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75％、19％,相较于其他优化LSTM的组合模型,RMSE大幅下降,该组合模型在粮食产能预测上具有更高的预测精度.     

基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法.该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题.又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用.     

灰色神经网络预测修正模型研究

简述灰色系统与人工神经网络各自的特点与应用,分析两者以及组合方式的优缺点和预测能力,结合灰色系统的"少数据,高精度"的特性和人工神经网络的"纠正"能力,提出一种新的组合模型:误差纠正网络模型,并通过数据初步验证,结果表明,新的组合模型对负荷预测是可行的。     

具SCGMmv(1,1)灰色预测器的变增益模糊控制系统

预测控制技术有其突出的优越性。提出将具SCGMmv(1，1)灰色预测器的变增益模糊控制系统方案用于大滞后且没有精确数学模型的被控对象。     

基于改进YOLOv5的碎米检测数据集

碎米检测是评估大米品质的重要环节,传统的碎米检测是由人工挑选完成的,这种方式耗时费力,误差率高,而且公开可用的碎米检测数据集并不多。为解决该问题,本文创建了一个大米碎米数据集,该数据集共由2435张图片和对应标签文件组成,其中包含3种类别;并提出了一个改进的YOLOv5碎米检测模型,该模型引入ShuffleNetv2轻量化结构作为特征提取结构,大大减少了模型的参数量,在此基础上,引入了BiFPN结构作为特征融合结构,使用α_IoU作为回归框损失对损失函数进行改进。实验表明,改进之后的模型精度可达98.9%,比原YOLOv5高0.3%,参数量和计算量也比原模型减少了85%以上,其中精度相比于YOLOv3、SSD、RestinaNet、FasterRCNN分别高了0.4%、33.3%、27.9%、27.2%。相关数据集将在https://github.com/THFrag/broken-rice-detection上提供。     

自动加氯控制系统的算法与实现

介绍水厂自动加氯控制系统的控制算法及实现方法，并就系统的可靠性进行分析，控制成品水余氯值基本稳定，提高水质，降低运行成本。