-
公开(公告)号：CN119442888A
公开(公告)日：2025-02-14
申请号：CN202411541173.4
申请日：2024-10-31
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: G06F30/27 , G06F30/25 , G06N3/0464 , G06N3/084
Abstract: 基于人工神经网络的功率VDMOSFET单粒子效应预测方法，包括以下步骤；步骤1：基于TCAD建立功率Si基VDMOSFET器件模型，收集到Si基VDMOSFET的单粒子效应仿真数据；步骤2，基于TCAD仿真数据建立数据集，将数据集划分为训练集、交叉验证集和测试集；步骤3，建立基于卷积神经网络的深度学习预测模型；步骤4，将训练集输入深度学习预测模型，通过损失函数衡量预测值与真实值之间的差距，优化深度学习预测模型；步骤5，将测试集数据输入优化后的深度学习预测模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同参数以及不同工作条件下的Si基VDMOSFE器件的单粒子效应预测。本发明具有预测精度高，预测时间快的特点。
-
公开(公告)号：CN118627445A
公开(公告)日：2024-09-10
申请号：CN202410665084.4
申请日：2024-05-27
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: G06F30/367 , G06F30/373 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，包括以下步骤；步骤1，基于TCAD建立1200V沟槽型SiCMOSFET器件模型；步骤2，基于TCAD仿真建立数据集，获取数据集，将数据集分别划分为训练集，交叉验证集和测试集；步骤3，初步建立集成深度学习预测模型，进行后续器件电学特性预测和输出特性曲线预测；步骤4，将训练集输入预测模型，通过损失函数衡量预测值与真实值之间的差距，优化预测模型，同时将交叉验证集输入预测模型；步骤5，将测试集数据输入预测模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同参数以及不同工作条件下的SiCMOSFET器件电学特性预测。本发明提高了器件设计效率以及准确度，拓展了微电子器件预测的可能性。
-
公开(公告)号：CN117671194B
公开(公告)日：2024-12-17
申请号：CN202311610842.4
申请日：2023-11-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了光纤线包精细几何重构建模方法，具体为：通过工业CT设备对样品光纤线包进行扫描拍摄；将扫描拍摄的图像结合FDK三维重建算法重建出样品光纤线包的内部结构特征，得到样品光纤线包高分辨率的三维图像；将三维图像沿圆周方向均匀离散，并对离散后的图像进行增强、二值化处理，得到二值化的二维截面图像；计算二维截面图像中各连通域的形心，得到光纤纤芯截面的形心坐标；根据光纤连线重构算法，识别出光纤截面中的关联形心点并将其按次序连接，得到光纤线包精细几何重构模型；本发明建模方法，实现了光纤线包感兴趣区域的精细几何重构建模，能够准确重构出大尺寸复杂光纤线包内部的光纤真实缠绕结构。
-
公开(公告)号：CN117783170A
公开(公告)日：2024-03-29
申请号：CN202311564156.8
申请日：2023-11-22
Applicant: 西安电子科技大学
IPC: G01N23/046 , G06T7/00 , G06T7/62
Abstract: 本发明公开了一种光纤线包内部结构缺陷的无损检测方法，具体步骤如下：步骤1，采用工业CT设备对光纤线包拍摄后进行三维重建获得对应光纤线包的三维可视化图像；步骤2，将三维可视化图像离散为二维截面图像堆栈，对二维截面图像依次进行图像增强处理、二值化处理；步骤3，将二值化图像中各光纤纤芯截面的形心坐标转化为三维柱坐标并重构光纤线包的几何重构模型；步骤4，定义光纤线包内部各种结构缺陷，确定各种结构缺陷在几何重构模型中的判定方法；步骤5，根据步骤4获得的相关几何参数的异常来识别、检测光纤线包内部存在的各种结构缺陷。本发明解决了现有技术中存在的结构缺陷只能人为根据三维可视化图像进行观测、判定的问题。
-
公开(公告)号：CN114976632B
公开(公告)日：2023-07-21
申请号：CN202210675876.0
申请日：2022-06-15
Applicant: 西安电子科技大学
Abstract: 一种基于多共模差模的紧凑型宽频带MIMO天线，包括介质基板、系统地板、介质边框和天线对；系统地板印刷于介质基板的上表面；介质边框垂直设置于介质基板上，且与系统地板隔离，介质边框有多个，关于介质基板中心对称；每个天线对包含两个天线单元，分别为印刷于介质边框内侧的T形单极子天线和印刷于介质边框外侧的环天线，T形单极子天线的竖直部分投影于环天线的竖直对称线上，水平部分投影于环天线的范围内；每个天线对包含端口a和端口b，端口a位于介质基板上，与T形单极子天线相连，端口b位于环天线上，其中端口a激励共模模式，端口b激励差模模式。本发明天线对具有高隔离、宽频带、小尺寸、结构紧凑等优点。
-
Patent Agency Ranking
公开(公告)号：CN114976632A
公开(公告)日：2022-08-30
申请号：CN202210675876.0
申请日：2022-06-15
Applicant: 西安电子科技大学
Abstract: 一种基于多共模差模的紧凑型宽频带MIMO天线，包括介质基板、系统地板、介质边框和天线对；系统地板印刷于介质基板的上表面；介质边框垂直设置于介质基板上，且与系统地板隔离，介质边框有多个，关于介质基板中心对称；每个天线对包含两个天线单元，分别为印刷于介质边框内侧的T形单极子天线和印刷于介质边框外侧的环天线，T形单极子天线的竖直部分投影于环天线的竖直对称线上，水平部分投影于环天线的范围内；每个天线对包含端口a和端口b，端口a位于介质基板上，与T形单极子天线相连，端口b位于环天线上，其中端口a激励共模模式，端口b激励差模模式。本发明天线对具有高隔离、宽频带、小尺寸、结构紧凑等优点。
-
公开(公告)号：CN119997631A
公开(公告)日：2025-05-13
申请号：CN202510212140.3
申请日：2025-02-25
Applicant: 西安电子科技大学
IPC: H10F30/225 , H10F77/14 , H10F71/00
Abstract: 本发明公开了一种红外增强的单光子雪崩二极管器件，包括位于器件表面中心位置的P+光敏区，P+光敏区外侧包围P‑注入区，P‑注入区外侧包围深N阱，深N阱外侧包围P型衬底；所述P+光敏区、P‑注入区、深N阱和P型衬底上表面平齐；所述P+光敏区作为光敏面吸收光子，从表面处引出金属阳极，形成欧姆接触；P‑注入区中埋入一个P型电荷层，深N阱中埋入N埋层，N埋层位于P型电荷层下方，且所述P型电荷层和N埋层位于器件的中心位置；N埋层形成深度较深的主雪崩区。本发明能够有效提升硅基单光子雪崩二极管在近红外波段的探测效率。
-
公开(公告)号：CN117783170B
公开(公告)日：2025-02-18
申请号：CN202311564156.8
申请日：2023-11-22
Applicant: 西安电子科技大学
IPC: G01N23/046 , G06T7/00 , G06T7/62
Abstract: 本发明公开了一种光纤线包内部结构缺陷的无损检测方法，具体步骤如下：步骤1，采用工业CT设备对光纤线包拍摄后进行三维重建获得对应光纤线包的三维可视化图像；步骤2，将三维可视化图像离散为二维截面图像堆栈，对二维截面图像依次进行图像增强处理、二值化处理；步骤3，将二值化图像中各光纤纤芯截面的形心坐标转化为三维柱坐标并重构光纤线包的几何重构模型；步骤4，定义光纤线包内部各种结构缺陷，确定各种结构缺陷在几何重构模型中的判定方法；步骤5，根据步骤4获得的相关几何参数的异常来识别、检测光纤线包内部存在的各种结构缺陷。本发明解决了现有技术中存在的结构缺陷只能人为根据三维可视化图像进行观测、判定的问题。
-
公开(公告)号：CN117671194A
公开(公告)日：2024-03-08
申请号：CN202311610842.4
申请日：2023-11-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了光纤线包精细几何重构建模方法，具体为：通过工业CT设备对样品光纤线包进行扫描拍摄；将扫描拍摄的图像结合FDK三维重建算法重建出样品光纤线包的内部结构特征，得到样品光纤线包高分辨率的三维图像；将三维图像沿圆周方向均匀离散，并对离散后的图像进行增强、二值化处理，得到二值化的二维截面图像；计算二维截面图像中各连通域的形心，得到光纤纤芯截面的形心坐标；根据光纤连线重构算法，识别出光纤截面中的关联形心点并将其按次序连接，得到光纤线包精细几何重构模型；本发明建模方法，实现了光纤线包感兴趣区域的精细几何重构建模，能够准确重构出大尺寸复杂光纤线包内部的光纤真实缠绕结构。
-
公开(公告)号：CN117852475A
公开(公告)日：2024-04-09
申请号：CN202410015282.6
申请日：2024-01-04
Applicant: 西安电子科技大学
IPC: G06F30/39 , G06F30/27 , G06N3/0464 , G06N3/0499 , G06N3/09 , G06F119/02
Abstract: 基于神经网络的CMOS反相器电磁可靠性预测方法，其特征在于，包括以下步骤；步骤1：通过TCAD器件建模，完成CMOS反相器的物理模型搭建与基本特性的验证；步骤2：筛选影响CMOS反相器电磁可靠特性的参数；步骤3：通过控制变量法改变参数输入组合进行仿真实验，获得样本集；步骤4：建立神经网络预测CMOS反相器在不同条件之下的毁伤类型，针对不同毁伤类型的情况下分别预测步骤2中的两种电磁毁伤量化参数；步骤5：利用所述样本集数据训练神经网络；步骤6：最后利用测试集数据对训练完成的网络进行功能验证和效果评估。本发明通过神经网络预测的方式，能够很快获得CMOS反相器的电磁可靠特性预测，并且通过工作条件实现对CMOS反相器电磁损伤类型的分类。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.105 seconds)
