一种高精度电流镜电路架构的设计

电流镜在模拟电路中是核心模块之一,在模拟电路要求较高的场合,精度是决定电流镜性能的重要参数之一;但随着工艺尺寸的减小,由于沟道长度调制效应,电流镜电流匹配精度变低;采用UMC 65 nm工艺,通过Cadence公司的Spectre进行仿真验证, 文章所提出的电流镜电路架构实现了较高的精度,使得随着工艺尺寸的减小所带来的偏差能够很大程度减小,满足了电路对高精度的要求.     

向量优化问题ε-弱有效解的Lagrange乘子定理

本文在邻近锥次似凸性假设下,建立了集值映射向量优化问题ε-弱有效解的Lagrange乘子定理。首先,利用择一性定理,给出了集值优化问题ε-弱有效解的一个必要性条件。进一步,建立了集值优化问题ε-弱有效解的充分必要条件。最后,在邻近次似凸性假设下,建立了集值映射向量优化问题ε-弱有效解的Lagrange乘子定理。本文的主要结果推广了已有文献中的相应结果到近似解的情形,同时将次似凸性条件减弱到邻近次似凸的假设下。     

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.      

非凸不可分离问题的广义交替方向乘子法的收敛性

交替方向乘子法（ADMM）是求解大规模优化问题和非凸非光滑问题的一种有效的方法,但当目标函数为非凸非光滑的情况时,原始ADMM算法的收敛性无法保证,且若目标函数中存在耦合函数,则算法的收敛性证明将更为复杂。在现实生活中存在的很多问题,其本质都是非凸的。因此,本文提出了一种改进的ADMM算法。与原始ADMM算法相比,该算法引入了一个松弛因子$\alpha $,构造了一种广义交替方向乘子法（GADMM）来求解具有线性约束的非凸不可分离优化问题。在一定的假设条件下,通过假设增广拉格朗日函数满足K-L不等式,证明了当惩罚参数足够大时,算法生成的序列收敛到增广拉格朗日函数的稳定点。     

动态超表面天线阵列混合发射波束成形

动态超表面天线(dynamic metasurface antenna, DMA)阵列是一种可实现模拟-数字混合波束成形的新型阵列结构, 其模拟波束成形部分由DMA实现, 系统实现的复杂度低。本文研究基于DMA阵列的混合发射波束成形, 核心问题是模拟与数字发射权值的联合优化。该文基于交替优化思想将模拟-数字权值联合优化问题分解为多个子问题, 提出一种基于交替方向乘子法(alternating direction multiplier method, ADMM)的求解方法。该方法首先引入辅助变量简化问题模型, 然后通过交替优化求解辅助变量、数字权值和模拟权值。其中, 辅助变量求解具有闭式表达式, 数字权值与模拟权值解耦合后利用ADMM分别求解。仿真结果表明, DMA阵列与典型的唯相混合阵列和恒模约束下的唯相阵列相比, 具有更好的混合发射波束成形性能。     

海底冷泉气体渗漏模拟观测系统设计与开发

由于海底冷泉声探测需要准确的气泡特征信息作为支撑，以真实海底冷泉气泡分布特征为依据，研制了控制精度高、功能全的海底冷泉气体渗漏模拟观测系统。通过模糊PID控制算法对气体流量进行精准控制，相比于常规控制方法流量误差率最高可降低1.5%,可以准确可控地模拟真实环境下的冷泉气泡；通过设计的以太网同步触发器驱动双相机同步拍摄，使拍摄同步误差范围降低1.1 ms,实现了对初始溢出阶段气泡形态的正交同步观测，能够为海底冷泉探测提供数据支持。     

对流扩散方程最优控制问题的重心插值配点格式

为了讨论对流扩散方程最优控制问题的重心插值配点格式，首先，借助Lagrange乘子法，推导出由状态方程、伴随方程、最优性方程构成的最优性条件.其次，在空间x,y方向均运用重心插值配点格式离散方程组，并给出该配点格式的相容性分析.最后，数值实验验证格式的有效性，与经典有限差分格式比较，重心插值配点格式用较少的节点数就能具有很高的精度.     

变分迭代法在多维抛物型方程反问题中的应用

通过抛物型方程反问题：ut=Δu＋p（t）u＋（x,t）,x∈,Ωt∈（0,T）,ΩRn的求解,阐述了变分迭代法在多维抛物型方程中的应用原理,变分迭代法在二维、三维抛物型方程的应用充分显示了对求一系列精确解具有很快的收敛速度,变分迭代法的应用范围更加广泛.     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。