三维扫描树叶子节点和TSVs数量的优化方法

扫描树结构能够有效地减少集成电路的测试数据量和测试时间,降低电路的测试成本.为减少三维电路中扫描树的叶子节点和硅通孔数量,首先得出了扫描树中叶子节点的最小数量为最大相容组中所含扫描单元数量的结论,然后进一步得到了叶子节点取得最小值的充分必要条件.并在此基础上,提出了一种启发式算法来确定扫描树中相容组的连接顺序,使得叶子节点数量取得最小值的同时能够优化硅通孔的数量.实验结果表明了所提方法的有效性.     

以腔室为终端的流体管路的传输特性(Ⅱ)

作为文章[1]的继续,本文给出了压力阶跃在以腔室为终端的流体管路中传输时,瞬态流量波形的排列规律,并举例说明所得结果在流体瞬态量测量及流体控制系统中的应用。文章[1]及本文主要结果的数学推导以附录形式附于本文之后。     

以腔室为终端的流体管路的传输特性(Ⅰ)

本文在文章[1]的基础上,进一步分析压力阶跃信号在以腔室为终端的均匀管路中的传输特性,指出压力阶跃信号在这种管路中传输时,需要经历一个由一系列高低不平的曲线波形组成的瞬态过渡过程之后,才逐渐趋于其稳态值。文章对差异最显著的前面三、四个压力曲线波形的排列规律作了详细的讨论。本文所得的理论结果与实验结果基本一致。     

關於單位圓上的單葉函數的係數

S表示單位圆|z|<1上單葉且正則的函數 f(z)=z+α_2z~2+α_3z~3+… (1.1)的全體所成之族。設S′是S的一個子族,S′中任一函數满足條件 R(α_3)>0,R(α_2)<0。對於S′中的函數,本文證明R(α_2+α_3)之最大值是可以達到的,其值是1.03…。達到此值的極值函數的一切係數都是實數,極值函數只有一個。舍勾和飛克得[6]謝缶和斯賓塞爾[3]以及沙拉烏洛夫先後用樓五納的參數表示法和變分法,求出 |a_3-αa_2~2|(0≤α<1)的值,並指出達到此值的極值函數的一切係數都是實數,而且極值函數只有一個。本篇僅用變分法来建立他們的定理。惜缶[4]指出使|a_n|達到最大值的函數(1.1),其映象區域的境界是一組伸展到無窮遠處的解析若當曲綫。謝缶和斯賓塞爾[3],戈魯辛[5]分別證明對於|a_4|和|a_5|的極值區域,其境界綫只有一根。本篇對於|a_6|和|a_7|證明同樣的事實。證明是靠着如下的引理:     

编码和提取过程中日语汉字和假名的差异比较

 为了解明中国人日语学习者记忆日语汉字和假名词汇时所关联的脑神经机制,本研究比较了日语汉字和假名在编码和提取过程中所诱发的ERP成分的差异。在学习阶段,汉字和假名条件的各ERPs成分的波幅-潜时之间存在着显著性差异,汉字条件的P300和N400的波幅都显著大于假名条件,潜时也比假名条件出现得更早,这些结果说明汉字的编码加工比假名更快更深刻。在提取阶段,相对于旧假名,旧汉字诱发了低波幅·短持续时间的FN400和高波幅·短持续时间的LPC(晚期阳性慢波)。这些结果显示了旧汉字的熟悉性效果更大,旧汉字能被更快更好地回忆起来。而且它们的编码和提取具有明显的半球优异性特征,说明了与汉字和假名的记忆相关联的脑神经机制不同。本文认为,由于假名的记忆加工比汉字复杂,增加了假名的记忆负荷,导致记忆成绩比汉字差,解明汉字和假名的记忆特征对日语学习具有重要的指导作用。     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多层感知机（MLP）的改进型Xception人脸表情识别网络.该模型将Xception网络提取的特征输入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到提升.首先将图像缩放为48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入本文所提网络模型中.消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为97.4829%、90.476%和74.0678%,Xception+2lay模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.04%、84.06%和75.593%.通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+2lay模型.与其他模型相比较也验证了本文模型的有效性.