XiaoMi-AI文件搜索系统
World File Search System跨晶电
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。
零能耗建筑电–氢–热双层能量优化调控方法
零能源建设电力 - 热热双层能量优化控制方法Kong Lingguo 1，Wang Shibo 1，Cai Guowei 1，Liu Chuang 1，Guo Xiaoqiang 2
锌基液流电池中锌枝晶的抑制
锌基液流电池得到了广泛的关注，被认为是提高间歇性可持续能源利用率最有前途的大规模储能装置之一。然而，阳极锌枝晶的形成严重降低了其循环寿命、安全性、库仑效率和充电容量。因此，抑制锌枝晶是进一步提高锌基液流电池性能的瓶颈，但这仍然是一个重大挑战。考虑到最近的发展，这篇小型综述分析了锌枝晶的形成机理和生长过程，并提出和总结了通过调节阳极和电解质之间的界面来防止锌枝晶的策略。全面强调了四种典型的策略，即电解质改性、阳极工程、电场调节和离子转移控制。最后，概述并展望了锌基液流电池中锌枝晶的剩余挑战和有希望的方向。
跨域脑电情绪识别的多源多表示自适应
由于脑电图 (EEG) 的非侵入性和高精度，EEG 和人工智能 (AI) 的结合经常被用于情绪识别。然而，EEG 数据的内部差异已成为分类准确性的障碍。为了解决这个问题，考虑到来自性质相似但不同领域的标记数据，领域自适应通常提供一个有吸引力的选择。大多数现有研究将来自不同受试者和会话的 EEG 数据聚合为源域，忽略了源具有一定边际分布的假设。此外，现有方法通常仅对齐从单个结构中提取的表示分布，并且可能仅包含部分信息。因此，我们提出了用于跨域 EEG 情绪识别的多源和多表示自适应 (MSMRA)，它将来自不同受试者和会话的 EEG 数据划分为多个域，并对齐从混合结构中提取的多个表示的分布。使用两个数据集 SEED 和 SEED IV 在跨会话和跨主题传输场景中验证所提出的方法，实验结果证明我们的模型在大多数情况下比最先进的模型具有更优越的性能。
跨受试者脑电情绪分类的迁移判别词典对学习方法
脑电信号具有不易伪装、可携带、无侵入等特点，在情绪识别中被广泛应用。然而由于个体差异的存在，不同受试者的同一种情绪状态下的脑电信号数据分布会存在一定的差异。传统的情绪识别方法为了得到对新受试者分类效果良好的模型，需要收集大量新受试者的标记数据，但这往往不现实。本研究针对跨受试者脑电情绪分类提出了一种迁移判别字典对学习（TDDPL）方法。TDDPL方法将不同受试者的数据投影到领域不变子空间中，基于最大均值差异（MMD）策略构建迁移字典对学习。在子空间中，TDDPL学习共享的综合字典和分析字典，搭建从源域（SD）到目标域（TD）的判别知识桥梁。通过最小化每个子字典的重构误差和类间分离项，学习到的合成字典具有判别性，而学习到的低秩编码具有稀疏性。最后，在 TD 中，基于分类器参数、分析字典和投影矩阵构建判别分类器，而无需计算编码系数。在 SEED 和 SEED IV 数据集上验证了 TDDPL 方法的有效性。
晶圆粘结后的晶圆边缘平面化
使用Tencor的HRP-250来测量轮廓。使用了来自Cabot的SS12和来自AGC的CES-333F-2.5。在将晶片粘合到粘合之前（氧化物到氧化物和面对面），将顶部晶圆的边缘修剪（10毫米），并同时抛光新的斜角。这可以防止晶片边缘在磨/变薄后突破[1]。将晶圆粘合后，将散装硅研磨到大约。20 µm。之后，通过反应性离子蚀刻（RIE）将粘合晶片的剩余硅移到硅硅基（SOI） - 底物的掩埋氧化物层（盒子）上。另一个RIE过程卸下了2 µm的盒子。之后，粘合晶片的晶圆边缘处的台阶高为3 µm。随后沉积了200 nm的氮化物层，并使用光刻和RIE步骤来构建层。此外，罪被用作固定晶片的si层的固定。必须将设备晶圆边缘的剩余步骤平面化以进行进一步的标准处理。为此，将剩余的罪硬面膜（约180 nm）用作抛光止损层。在平面化之前，将4500 nm的Pe-Teos层沉积在罪恶上。这有助于填充晶圆的边缘。在第一种抛光方法中，将氧化物抛光至残留厚度约为。用SS12泥浆在罪过的500 nm。在这里，抛光是在晶片边缘没有压力的情况下进行的。然后将晶圆用CEO 2泥浆抛光到罪。用CEO 2浆料去除氧化物对罪有很高的选择性，并且抛光在罪恶层上停止。第一种抛光方法花费的时间太长，将氧化物层抛光至500 nm的目标厚度。此外，在抛光SIO 2直到停止层后，用SS12稍微抛光了罪。最后，高度选择性的首席执行官2 -lurry用于抛光罪。结果表明，步进高度很好，但是弹药范围很高（Wafer＃1）。第二种方法的抛光时间较小，并在500 nm上停在SIO 2上，而最终的抛光和首席执行官2 -slurry直至罪显示出良好的步进高度，并具有更好的罪恶晶圆范围（Wafer＃2）。
跨...
摘要：在电缆中的绝缘层的交联聚乙烯（XLPE）的广泛使用可能归因于其出色的机械和介电性能。为了定量评估热老化后XLPE的绝缘状态，建立了加速的热老化实验平台。极化和去极化电流（PDC）以及在不同老化持续时间下XLPE绝缘裂纹时的伸长率。XLPE绝缘状态取决于断裂保留率（ER％）的伸长率。基于扩展的Debye模型，本文提出了稳定的松弛电荷数量和0.1 Hz的耗散因子，以评估XLPE的绝缘状态。结果表明，XLPE绝缘的ER％随着衰老程度的增长而降低。XLPE绝缘的极化和去极化电流将随着热老化而明显增加。电导率和陷阱水平密度也将增加。扩展Debye模型的分支数量增加，并出现新的极化类型。在本文提出的0.1 Hz处的稳定的松弛电荷量和耗散因子与XLPE绝缘的ER％具有良好的拟合关系，可以有效地评估XLPE绝缘的热老化状态。
耐火混凝土中的裂纹：经晶或晶间？
混凝土是最常见的建筑材料。混凝土类型丰富，配方取决于特定用途。混凝土的微观结构通常是强烈的异质性，具有水泥，细和粗骨料，充满空气的毛孔和各种增援。混凝土的计算模型通常会大大降低以确保安全性。更精确的模型可以从材料和CO 2排放方面巨大节省。通过3D计算机断层扫描（CT）观察到的原位机械测试，特别是观察到3D的裂纹起始和生长可以帮助改善这些模型。 大规模的CT系统gulliver专用于研究分别为6 m和1 m的现实大型混凝土束和宽度的疲劳动力学。 分析在原位弯曲测试中生成的图像数据需要特别可靠的检测和正确分割薄裂纹。 因此，最近比较了裂纹分割的算法[1]，扩展到多尺度裂纹[2，3]，适用于纤维增强的混凝土[4，5]，甚至是新发明的[6，7]。 对于方法的公平定量比较以及机器学习模型的培训和开发，基于合成裂纹结构的半合成CT图像[8-10]至关重要。 首先，裂纹是作为分数布朗动作的实现[11]。 后来，由于其多功能性，首选由随机伏罗尼叶镶嵌物的小平面形成的最小表面[8]。 在[13，14]中研究了裂纹与混凝土微观结构之间的相互作用。通过3D计算机断层扫描（CT）观察到的原位机械测试，特别是观察到3D的裂纹起始和生长可以帮助改善这些模型。大规模的CT系统gulliver专用于研究分别为6 m和1 m的现实大型混凝土束和宽度的疲劳动力学。分析在原位弯曲测试中生成的图像数据需要特别可靠的检测和正确分割薄裂纹。因此，最近比较了裂纹分割的算法[1]，扩展到多尺度裂纹[2，3]，适用于纤维增强的混凝土[4，5]，甚至是新发明的[6，7]。对于方法的公平定量比较以及机器学习模型的培训和开发，基于合成裂纹结构的半合成CT图像[8-10]至关重要。首先，裂纹是作为分数布朗动作的实现[11]。后来，由于其多功能性，首选由随机伏罗尼叶镶嵌物的小平面形成的最小表面[8]。在[13，14]中研究了裂纹与混凝土微观结构之间的相互作用。这些合成的裂纹结构可以模仿多种裂纹形态，包括局部厚度分布和分支，并具有几个程度的表面粗糙度，因为[12]很好地证明了。到目前为止，合成裂纹并未与将CT图像用作背景的混凝土的微观结构相互作用。特别是，将裂缝分类为周围的混凝土组件。这是通过两步过程实现的。首先，通过模板匹配对裂纹结构进行了分割。然后，根据模板的方向上的灰色值对裂纹进行分类。在这里，我们提出了一种依赖于分割裂纹和聚集体的方法。然后将裂纹分配给两个可能的类别之一：经晶（通过聚集体）或晶间（聚集体之间）。然后，经晶裂纹体素的相对数量产生了一个度量，以量化裂纹行为的差异。在这里，我们研究了相同组成的难治性混凝土样品，但在不同温度下被后加工（烧结）。在压缩应力下扫描样品。他们清楚地表明，裂缝确实与混凝土的微观结构相互作用，请参见图1。裂纹可能沿聚集体，通过它们或通过周围的水泥矩阵传播。在失败之前，分析载荷步骤的经晶和晶间体素的分数进一步量化了烧结温度的影响。我们在两个圆柱形耐火混凝土样品的示例中演示了这一分析，分别在1.000°C和1.600°C下烧结。最近，我们为裂纹结构设计了一种多功能几何模型[8，9]，用于方法验证和比较以及机器学习方法的训练 - 由随机Voronoi Tessellation的相位形成的最小表面。最小表面计算的优化方法的改进版本可实现多标准优化[17]。在这里，我们利用了这种新的可能性来生成合成裂纹结构，该结构避免了聚集体或通过图1中的真实混凝土样品中观察到的。