排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
碳化硅(SiC)具有宽禁带、高临界击穿电场、高热导率等优异特性,是制备高温、高频、大功率器件最理想的半导体材料之一。然而,制备良好的SiC欧姆接触尤其是p型SiC欧姆接触仍然是SiC器件研制中亟需攻克的关键技术难题。首先对p型SiC欧姆接触的形成机制及金属/SiC接触势垒理论进行了深入分析。然后,对近年来p型SiC欧姆接触的重要研究进展进行了综述,包括形成欧姆接触的金属体系,制备工艺条件,获得的比接触电阻率等,并重点讨论了p型SiC欧姆接触的形成机理。最后,对未来p型SiC欧姆接触的研究方向进行了展望。 相似文献
3.
4.
对结温进行精准预测和提取仍然是SiC MOSFET器件应用中需要攻克的技术难题,对此,结合粒子群优化-反向传播(PSO-BP)神经网络预测精度高以及径向基函数(RBF)神经网络函数逼近能力强等优点,提出了一种基于PSO-BP与RBF级联神经网络的SiC MOSFET结温预测模型。模型将SiC MOSFET的漏极电流和通态电压作为PSO-BP神经网络的输入,再将PSO-BP神经网络的结温预测值以及插值法得到的温度插值作为RBF神经网络的输入。基于LTspice仿真获取的数据集验证了模型对SiC MOSFET结温预测的有效性。结果表明,该模型对SiC MOSFET结温预测的绝对误差在0.005℃以内,均方根误差和平均绝对误差分别低至0.0082和0.0015,相比单一的BP、PSO-BP以及RBF神经网络模型,其预测精度得到了大大提高。该级联神经网络模型可实现对SiC MOSFET结温(> 75℃)的精准预测。 相似文献
5.
针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。 相似文献
1