提出了一种稳定性高、瞬态特性良好、无片外电容的低压差线性稳压器(LDO)。采用推挽式微分器检测负载瞬态变化引起的输出电压变化, 加大对功率管栅极寄生电容的充放电电流, 增强系统的瞬态响应能力; 在误差放大器后接入缓冲级, 将功率管栅极极点推向高频, 并采用密勒电容进行频率补偿, 使系统在全负载范围内稳定。基于TSMC 65 nm CMOS工艺进行流片, 核心电路面积为0035 mm2。测试结果表明, 最低供电电压为11 V时, 压降仅为100 mV, 负载电流1 μs内在1 mA和150 mA之间跳变时, LDO的最大输出过冲电压与下冲电压分别为200 mV和180 mV。

研究了网络约束下的组网运动体姿态估计问题。通过在运动体上固定多个组网节点构造基线矢量，利用节点间共享的位置信息和相对测距信息，建立基于基线矢量的非线性姿态测量模型。采用预测补偿策略处理丢包问题，根据随机最小二乘准则构造带有界不确定参数的代价函数，通过滚动求解约束min-max问题得到鲁棒滚动时域姿态估计器。最后，通过仿真验证了所提算法的有效性，并分析了丢包率对姿态测量精度的影响。

将近红外光谱技术与深度学习理论相结合,提出了一种基于Dropout深度信念网络(DBN)的棉涤混纺面料中各组分含量的快速检测方法。首先使用小波变换对原始光谱数据进行压缩处理,再构建以高斯受限玻尔兹曼机(GRBM)为核心的DBN模型,以保证输入数据信息的完整性;然后利用Dropout来防止模型过拟合,通过隐藏部分隐含层节点来减小节点之间的相互依赖,实现网络的稀疏化处理,提高了非线性建模和网络模型的泛化能力。实验结果表明:对于采用Dropout-DBN方法建立的棉涤混纺面料中各组分含量的分析模型,其棉、涤纶含量的预测集相关系数分别为0.9927和0.9903,预测集均方根误差分别为0.0792和0.0869。与其他建模方法相比,所建模型的精度和适应性显著提高,并有利于模型的传递与共享,提高了模型的智能化。

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

随机配置网络(SCN)通过引入不等式约束来限制输入权重和偏置的赋值,随着节点数量增加,网络能够逼近任意的数学函数和数据模型。在构建SCN的过程中,由于网络本身性质以及样本数据的不适定性和病态条件等问题会引起网络的过拟合,故提出一种基于Dropout技术的改进型SCN模型(Dropout-SCN)来自适应地约束输出权重分布和大小,以此来提高网络模型的识别精度。光纤数据验证的结果表明:与传统的SCN和L2范数正则化的SCN模型相比, Dropout-SCN模型具有更低的测试误差,有效地减缓了网络过拟合问题,提高了对光纤预警系统(OFPS)中光纤入侵信号的识别准确率。

为客观、 有效对古陶瓷进行无损断代, 提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。 耀州窑古陶瓷跨代较多, 且不同朝代之间具有物理相似性, 因此耀州窑的断代具有一定的挑战性。 以耀州窑为研究对象, 在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上, 提出基于分数阶微分对光谱数据进行预处理, 避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息, 同时压制并消除光谱数据中的背景信息和噪声干扰。 实验结果表明, 未进行微分处理（0阶）时, 耀州窑不同年代古陶瓷的分类准确率仅为84.8%, 而基于不同分数阶微分的分类准确率均较0阶明显高, 分数阶微分的最优阶数为0.7阶。 另外, 提出基于深度信念网络对不同朝代古陶瓷进行断代分类, 首先采用层叠的受限玻尔兹曼机(RBM)对深度网络进行预训练, 提取光谱数据高层特征以消除光谱数据中的冗余特征。 实验结果表明, 光谱数据经RBM降维之前特征间的相关系数为0.885 7, 经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5, 特征间的相关性明显下降, 冗余度明显减少。 然后将RBM预训练得到的权值参数对BP神经网络进行初始化, 并对深度信念网络进行微调, 在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时, 提升网络训练主动性。 实验可得, 深度信念网络的最优RBM数量为2, RBM隐藏层最优节点数为100。 最后, 为避免小样本数据基于深度信念网络进行训练易出现过拟合, 提出了一种Dropout随机丢弃策略, 在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作, 以减少网络训练过程特征之间的相互依赖性, 实验可得当Dropout丢弃比例为0.45时, 分类性能最高。 采用所提方法, 耀州窑不同朝代古陶瓷分类的平均准确率为93.5%, 而耀州窑五代时期的分类识别率最高为96.3%。 通过与同类古陶瓷断代分析方法的客观定量对比, 表明所提方法有效、 可行, 为古陶瓷的断代提供了新方法。

Near infrared spectroscopy (NIRS) analysis technology, combined with chemometrics, can be effectively used in quick and nondestructive analysis of quality and category. In this paper, an effective drug identification method by using deep belief network (DBN) with dropout mecha-nism (dropout-DBN) to model NIRS is introduced, in which dropout is employed to overcome the overfitting problem coming from the small sample. This paper tests proposed method under datasets of different sizes with the example of near infrared diffuse reflectance spectroscopy of erythromycin ethylsuccinate drugs and other drugs, aluminum and nonaluminum packaged. Meanwhile, it gives experiments to compare the proposed method's performance with back propagation (BP) neural network, support vector machines (SVMs) and sparse denoising auto-encoder (SDAE). The results show that for both binary classification and multi-classification, dropout mechanism can improve the classification accuracy, and dropout-DBN can achieve best classification accuracy in almost all cases. SDAE is similar to dropout-DBN in the aspects of classification accuracy and algorithm stability, which are higher than that of BP neural network and SVM methods. In terms of training time, dropout-DBN model is superior to SDAE model, but inferior to BP neural network and SVM methods. Therefore, dropout-DBN can be used as a modeling tool with effective binary and multi-class classification performance on a spectrum sample set of small size.

设计了一种片上集成的高精确度、低功耗、无片外电容的低压差线性稳压器( LDO)。采用一种新型高精确度、带隙基准电压源电路降低输出电压温漂系数；采用零功耗启动电路和支路较少的摆率增强模块降低功耗，该电路采用 CSMC 0.5 μm CMOS工艺。经过 Cadence Spectre仿真验证，输出电压为 3.3 V，在3.5~5.5 V范围内变化时，线性调整率小于 0.3 mV/V，负载调整率小于 0.09 mV/mA，输出电压在 -40~+150 ℃范围内温漂系数达 10 ppm/℃，整个 LDO消耗17.7 μA的电流。

提出了一种新型的应用于低压差线性稳压器(LDO)的斜坡软启动电路，其采用两路斜坡使能信号以及一路斜坡基准信号，消除了电源上电时产生的浪涌电流。该斜坡软启动电路已应用于一款LDO 中，并采用0.35 μm CMOS 工艺实现流片，其仅占LDO 有效面积的8.3%，消耗电流仅600 nA。仿真以及测试结果显示，采用该软启动电路之后，LDO 的上电浪涌电流得到有效抑制。LDO 在最差情况下的线性调整率为2.7 mV/V，负载调整率为0.064 mV/mA。

介绍了一种抗辐射加固型低压差线性稳压器(LDO)的电路设计，内部集成了精密基准源、误差放大器、输出调整管和上电复位时间控制等模块电路。重点介绍了采用总剂量、中子效应的器件参数变化预估方法进行仿真验证。芯片采用0.6 μm BiCMOS 工艺制造，测试验证结果表明，产品在满足使用要求的同时，具备抗电离总剂量3×103 Gy(Si)、抗中子注量0.6×1014 n·cm-2的性能，适用于核辐射环境。辐射测试结果证明了设计的正确性。