近年来，深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中，通过训练深度学习网络，可从单幅条纹图像中恢复高精度的相位信息。然而，为了训练神经网络模型，通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先，建立数字孪生条纹投影系统，并利用域随机化技术对虚拟照明光栅进行增强，使用计算机进行虚拟扫描，生成大量仿真光栅条纹图像；其次，利用仿真光栅图像对U-Net神经网络进行预训练；最后，引入迁移学习，采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性，提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明，采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果，神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练，所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。

为了准确、高效地分析电力客户需求, 从而降低电力企业成本, 提高电力服务的产品附加值, 基于层次分析法, 计算条件属性重要度, 构建优先关系矩阵, 结合模糊关系判断尺度, 确定电力客户需求权重。度量决策树节点纯度, 分别对离散型节点变量与连续型节点变量进行指标分析, 判断电力客户需求权重的准确性。建立电力客户需求关联抽取模型, 获取电力客户需求用户画像, 将信息区分值作为区分变量能力强弱的指标, 计算不同变量之间的相关系数, 设计关联抽取算法, 得到电力客户关联结果。该方法在高、中、低 3种频率中, 虽其平均绝对百分比误差(MAPE)值不断升高, 且随着关联层次的增加而逐渐递增, 但整体依旧较低, 判断电力客户需求权重的准确性较高。

系统级静电放电(ESD)效应仿真可以在电子系统进行测试之前进行有效的静电放电效应防护, 缩短研发周期。根据传输线脉冲测试(TLP)结果, 对瞬态电压抑制(TVS)二极管和芯片引脚进行spice行为建模, 结合ESD脉冲源的等效电路模型, PCB板的S参数模型, 采用场路协同技术完成了系统级静电放电效应的仿真。针对一个典型的电子系统, 在IEC 61000-4-2 ESD应力作用下, 完成了一款开关芯片防护电路的仿真, 并对电路进行了加工、放电测试, 仿真与测试芯片引脚的电压波形吻合良好, 验证了该仿真方法的有效性。

基于电磁场、半导体物理及热力学方程的半导体器件多物理场模型方程组共同描述了器件内部的电热特性。而半导体器件在反向电压作用下，会发生碰撞电离及雪崩击穿现象。采用多物理场计算方法仿真型号为HSMS-282C的肖特基二极管的雪崩击穿现象，仿真结果与实验测量结果吻合，表明该算法能准确表征二极管物理特性，并对效应现象给出物理机理解释。

针对半导体器件、电路、电子系统的高功率微波效应，提出了一套全新的多层次多物理场协同计算方法。该算法基于半导体器件的物理结构模型，联立并求解由电磁场、半导体物理和热力学方程构成的多物理场方程组，实现了器件级高功率微波效应的仿真; 通过器件多物理场仿真和电路仿真的协同计算完成电路级效应仿真; 最后进行电路效应和电磁环境的协同计算，获取由多个电路、外壳封装、孔缝和线缆等组成的电子系统的高功率微波效应数据。介绍了该算法的原理和流程，以商业PIN二极管为例，计算了该器件及组成限幅器电路的温度效应、正向恢复特性、半封闭腔体内空间微波辐射等效应，通过与实验测试的对比验证了算法的正确性，同时对效应现象给出了物理机理解释。