高频MOS－CV特性的界面态形变及其测量

讨论了工艺过程中产生的界面态陷阱电荷Ｑ（ｉｔ）对高频ＭＯＳ－ＣＶ特性线的形变规律，提出了一种沿电压方向形变的数据处理方法，以此算出Ｑ（ｉｔ）密度在禁带中的分布，并对常规高频ＣＶ法的测量误差作了讨论和修正，由于数据的采集和处理可以由微机完成，使这种方法变得简便、准确并易于在工艺线上推广使用。     

非欧姆氧化锌陶瓷的界面态和晶界势垒模型的探讨

本文对非欧姆氧化锌(ZnO)陶瓷的界面态进行了探讨,提出了控制非线性电导特性的界面态是由于晶界的深能级电子陷阱,且深能级电子陷阱的形成是由于存在氧缺位缺陷和金属离子正电中心的观点.本文在实验分析的基础上提出了一种新的晶界势垒模型,认为晶界势垒分为主晶界势垒和次晶界势垒,两种势垒的物理性质相同,但形成和蜕变的温度不同。     

“变截面管中跨声速气流”一文引理的证明

本文对T·P·Liu教授关于“变截面管中跨声速气流”一文的关键性引理给出一个清楚的证明,以使这篇有影响的开创性论文更加完美。     

原子外层空轨道相对最稳定顺序及周期性规则

本文提出原子外层空轨道相对稳定性可作为电子填充的粗略判据;给出由中性原子轨道能数据直接导出原子外层轨道相对最稳定顺序的图表及周期性规则;用以简明、清晰、合理地推引解释元素基组态和解释元素周期律。提出在中心势场模型基础上推引全部元素基组态的方法。     

软土地基上桩-土-高层结构体系动力特性的振动台试验

为了研究软土地基上桩?土相互作用对高层结构动力特性的影响机理,设计了1：6比例的高层结构?桩?土动力相互作用体系,进行了软土地基上框架结构的模型振动台试验。试验采用层状剪切盒模拟土体的边界,锯末和砂土的混合物作为地基土、以12层钢筋混凝土框架结构模拟上部结构,基础采用3×3群桩基础。通过对比考虑土?结构相互作用（SSI）框架模型和刚性地基框架模型的结构动力特性,总结出本试验中SSI效应对高层框架结构的动力特性影响规律：土体对地震动存在显著的过滤作用,放大土体基频附近的振动,且放大幅度随地震动的加强而减小;小震时土体对加速度峰值起放大作用,而在大震时起减小峰值的作用;考虑SSI效应后,结构的频率降低,阻尼比提高,结构的损伤出现得更晚,发展也更慢。在土体频率处,SSI体系的振型受土体影响显著;在远离土体频率处,SSI体系振型与刚性地基一致。     

技能映射通过析取模型诱导的多分知识结构

基于程序性知识的评估,提出由项目自身的状态结构诱导多分知识结构的方法,以建立适用于问题解答的多分评估体系.首先,根据各项目的解答或操作步骤设定响应值集,通过项目状态转移函数定义项目状态空间;然后,用操作程序表示技能,由过程函数导出析取的技能映射;最后,讨论技能映射通过析取模型诱导的多分知识结构.结果表明：技能映射通过析取模型诱导的多分知识结构是多分知识空间.     

固定时间扩张状态观测器下的四旋翼飞行器滑模控制策略

针对滑模控制中系统状态接近滑模面后存在的抖颤现象,提出一种基于固定时间扩张状态观测器(FTESO)的二阶滑模控制策略.首先,设计全驱动子系统及欠驱动子系统的控制结构中的二阶滑模控制器;然后,通过FTESO对内部的参数不确定及外部扰动进行观测,在一定时间上限内收敛到观测值,利用观测值对控制器进行补偿,从而减少甚至消除抖颤现象;最后,通过李亚普诺夫函数保证设计的四旋翼飞行器系统的闭环稳定性,并进行仿真实验.结果表明：文中提出的控制策略具有优越性.     

基于变换域注意力机制的压缩伪影去除的方法

图像有损压缩过程往往会导致图像质量退化,使图像出现压缩伪影。针对现有基于深度学习的方法缺乏对联合图像专家组(Joint Photographic Experts Group,JPEG)压缩算法先验信息的利用,提出一种基于变换域注意力机制的去伪影方法。该方法利用卷积神经网络在像素域和离散余弦变换(discrete cosine transform,DCT)域分别提取特征,再将双域学习的特征信息进行融合。利用量化表设计了DCT注意力机制,该模块根据DCT系数的损失程度给予各频率系数不同的权值,使网络自适应补偿量化引起的误差。于此基础上,在像素域引入通道注意力机制,从而更好地利用量化表的先验信息。在主要数据集上,提出的去伪影方法以固定的模型参数对多种质量因子的压缩图像进行伪影去除实验。实验结果表明,所提出的方法在各评价指标和主观视觉上取得较好的效果。     

ORACLE SQL* FORMS主从块设计

介绍在ＯＲＡＣＬＥＳＱＬ＊ＦＯＲＭＳ中快捷且灵活地建立主从关系的一种方法．     

含时滞的m维非均匀分布生态模型平衡态的稳定性

在注意到含时滞的偏微分方程与含时滞常微分方程的差别的同时,指出一些值得注意的问题．其次,建立了两类含时滞的非均匀生态模型平衡态的稳定性判别的充分条件．