纳米器件质子在轨单粒子翻转率预计方法

研究了纳米器件在空间轨道中质子引起单粒子翻转(SEU)率的预计方法。以65 nm SRAM为样品,利用加速器进行了质子和重离子单粒子翻转试验,分别基于质子试验数据和重离子试验数据,预计了空间轨道中质子引起的单粒子翻转率。结果表明,用重离子试验数据预计的质子单粒子翻转率比用质子试验数据预计的低1.5个数量级。研究认为,为了评估纳米器件单粒子翻转敏感性,需进行质子单粒子翻转试验,并基于质子试验数据进行在轨质子翻转率预计。     

功率半导体器件辐射效应综述

功率半导体器件是航天器电源系统中的核心元件,太空环境中的粒子辐射会使其发生失效。首先,总结了硅功率半导体器件几种主要的辐射效应。然后,介绍了近年来一些新的研究成果和研究热点。最后,对第三代半导体功率器件中的辐射效应进行了简单介绍。     

时域注意力特征对齐的视频压缩感知重构网络

现有视频压缩感知神经网络重构算法采用的光流对齐和可变形卷积对齐的运动补偿方式存在误差积聚、信息感知范围有限等问题,极大地限制了其有效性和实用性.为了在不引入额外参数的条件下自适应提取参考帧的全局信息,本文提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想,并设计了时域注意力特征对齐网络（Temporal-Attention Feature Alignment Network,TAFA-Net）进行实现.在此基础上,提出了联合深度重构网络（Joint Deep Reconstruction Network Based on TAFA-Net,JDR-TAFA-Net）,实现非关键帧的高性能重构.先利用本文所提的TAFA-Net获得参考帧到当前帧的对齐帧;然后,利用基于自编码器架构的融合网络充分提取已有帧信息,增强非关键帧的重构质量.仿真结果表明,与最优的迭代优化算法SSIM-InterF-GSR相比,所提算法重构帧的峰值信噪比（Peak Signal to Noise Ratio,PSNR）最高提升了4.74 dB;与最优的深度学习算法STM-Net相比,所提算法...     

基于SPL迭代思想的图像压缩感知重构神经网络

由于神经网络强大的学习能力与快速的运行速度,近年来基于深度学习的图像压缩感知(Image Com-pressive Sensing,ICS)研究备受关注.然而,大多数现有ICS神经网络的结构设计忽略了传统迭代重构算法中的数学理论基础,无法有效利用信号中的先验结构知识,可解释性较差.为了保留优化算法核心思想并同时利用深度学习的高性能,本文使用可学习的卷积层替代了传统平滑投影Landweber算法(Smooth Projected Landweber,SPL)中的人工设计参数,提出一种新型ICS神经网络SPLNet.在SPLNet中,设计了一个独特的网络结构SPLBlock实现SPL迭代过程中的三个核心步骤:(1)去除块效应的维纳滤波器;(2)在凸投影集合上的近似操作;(3)实现稀疏表示及去噪的变换域双变量收缩.仿真实验结果表明:与现有最优的ICS优化迭代算法GSR相比,SPLNet的重构图像平均PSNR提升了0.78dB;与最优的神经网络框架SCSNet相比,SPLNet的重构图像平均PSNR提升了0.92dB.