123,123,123

基于全物理模型的模塊級(jí)SRAM的SEU仿真方法[電子元件][工業(yè)自動(dòng)化]

隨著科學(xué)技術(shù)的發(fā)展和工藝尺寸的降低，單元器件的尺寸逐漸減小，使得單粒子電荷共享和單粒子翻轉(zhuǎn)等效應(yīng)日益嚴(yán)重，增加了抗輻射加固模塊級(jí)SRAM設(shè)計(jì)難度，因此需要一套更為完備的仿真方法對(duì)模塊級(jí)SRAM的單粒子效應(yīng)敏感性進(jìn)行預(yù)估，為電路加固設(shè)計(jì)提供依據(jù)和建議?；谀K級(jí)SRAM的單元結(jié)構(gòu)和電路版圖，利用Cogenda軟件構(gòu)建了模塊級(jí)SRAM單粒子翻轉(zhuǎn)效應(yīng)仿真方法，對(duì)其敏感性進(jìn)行分析，獲得其單粒子翻轉(zhuǎn)LET閾值，并與重離子實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，仿真誤差為13.3%。

發(fā)表于：2020/6/11 9:36:00

基于InP HBT工藝的50 Gb/s 1:4量化降速電路[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

基于南京電子器件研究所的0.7 μm InP HBT工藝設(shè)計(jì)了一種數(shù)據(jù)轉(zhuǎn)換速率達(dá)到50 Gb/s的1:4量化降速芯片。該芯片同時(shí)將前端高速高靈敏度比較器與一個(gè)1:4分接器集成到單芯片中，能夠直接一次性實(shí)現(xiàn)對(duì)2～18 GHz帶寬的模擬輸入信號(hào)的可靠接收和降速處理，輸入信號(hào)靈敏度在芯片最高工作速率下達(dá)到1 mV，工作電壓3.3 V，芯片功耗1.5 W，最高數(shù)據(jù)轉(zhuǎn)換速率達(dá)到50 Gb/s，輸出數(shù)據(jù)信號(hào)與時(shí)鐘信號(hào)幅值均達(dá)到200 mV。

發(fā)表于：2020/6/10 11:38:00

基于STT-MRAM的位邏輯運(yùn)算方案及靈敏放大器設(shè)計(jì)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

基于1T1MTJ的自旋轉(zhuǎn)移矩-磁隨機(jī)存儲(chǔ)器(STT-MRAM)提出了一種改進(jìn)型存內(nèi)位邏輯計(jì)算方案。該方案通過(guò)精簡(jiǎn)2T2MTJ存內(nèi)位邏輯運(yùn)算方案提升了存儲(chǔ)陣列密度，通過(guò)互補(bǔ)型讀出電路增加了“與非”和“或非”的運(yùn)算功能。此外，還通過(guò)增加支路電壓穩(wěn)定電路的方法，提出了一種適用于上述方案的改進(jìn)型高速靈敏放大器?；谥行緡?guó)際55 nm LL邏輯工藝的仿真結(jié)果表明，相較于傳統(tǒng)的靈敏放大器，該方案不僅讀取速度提升了33%，在適配大型存儲(chǔ)陣列(CB≥0.8 pF)時(shí)還擁有更強(qiáng)的讀取能力與更優(yōu)的功率積(PDP)。

發(fā)表于：2020/6/10 11:30:00

一種高效率的ACBC-C三級(jí)運(yùn)放的設(shè)計(jì)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

采用TSMC 180 nm的CMOS工藝，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)具有高效率、大的電容負(fù)載驅(qū)動(dòng)能力的三級(jí)運(yùn)算放大器。提出了一種基于共源共柵密勒補(bǔ)償(Cascode Miller Compensation，CMC)和交流升壓補(bǔ)償(AC Boosting Compensation，ACBC)的ACBC-C補(bǔ)償結(jié)構(gòu)，其中，ACBC通過(guò)增加一條交流通路的方式提高了GBW以及電容驅(qū)動(dòng)能力。輸出級(jí)采用AB類結(jié)構(gòu)以實(shí)現(xiàn)高效率。CMC可以適應(yīng)AB類輸出級(jí)結(jié)構(gòu)，在保證線性度的同時(shí)實(shí)現(xiàn)效率最大化，并且消除密勒電容帶來(lái)的零點(diǎn)，更好地對(duì)穩(wěn)定性進(jìn)行補(bǔ)償。電路仿真結(jié)果表明：當(dāng)設(shè)定相位裕度下限為45°時(shí)，最大可承受負(fù)載電容約為3 100 pF；當(dāng)在輸出端接1 000 Ω負(fù)載電阻時(shí)，電路效率為95.299%。

發(fā)表于：2020/6/9 9:36:00

基于上下文特征與單類支持向量機(jī)的人臉活體檢測(cè)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

非法入侵者通過(guò)偽裝人臉欺騙識(shí)別系統(tǒng)，給人臉識(shí)別應(yīng)用帶來(lái)嚴(yán)重威脅?，F(xiàn)有人臉活體檢測(cè)方法多為在同一數(shù)據(jù)集內(nèi)進(jìn)行訓(xùn)練和測(cè)試，當(dāng)應(yīng)用在跨數(shù)據(jù)集場(chǎng)景中時(shí)效果并不理想。針對(duì)這一問(wèn)題，提出了利用HOG等算法對(duì)上下文環(huán)境中的線索信息進(jìn)行提取，提取出來(lái)的特征送入單類支持向量機(jī)進(jìn)行訓(xùn)練、分類。將分類結(jié)果與上下文環(huán)境中異常線索的探測(cè)結(jié)果相結(jié)合。算法在公開(kāi)的數(shù)據(jù)集NUAA和CASIA-FASD上進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明在跨數(shù)據(jù)集檢測(cè)時(shí)該算法的泛化能力及檢測(cè)準(zhǔn)確率較已存在算法有所提高。

發(fā)表于：2020/6/9 9:27:00

基于HybridDL模型的文本相似度檢測(cè)方法[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

為了提高文本相似度檢測(cè)算法的準(zhǔn)確度，提出一種結(jié)合潛在狄利克雷分布(Latent Dirichlet Allocation，LDA)與Doc2Vec模型的文本相似度檢測(cè)方法，并把該算法得到的模型命名為HybridDL模型。該算法通過(guò)Doc2Vec對(duì)文檔訓(xùn)練得到文檔向量，再利用LDA模型得到文檔主題與各個(gè)主題下特征詞出現(xiàn)的概率，對(duì)文檔中各主題及特征詞計(jì)算概率加權(quán)和，映射到Doc2Vec文檔向量中。實(shí)驗(yàn)結(jié)果表明，新算法模型比傳統(tǒng)的Doc2Vec模型對(duì)相似文本的判斷更加敏感，在文本相似度檢測(cè)上具有更高的準(zhǔn)確度。

發(fā)表于：2020/6/8 13:32:00

大功率IGBT器件內(nèi)部載流子控制方法綜述[電子元件][工業(yè)自動(dòng)化]

絕緣柵雙極晶體管(IGBT)的內(nèi)部載流子控制方法對(duì)器件的導(dǎo)通狀態(tài)電壓降、關(guān)斷損耗、SOA、熱可靠性和瞬態(tài)穩(wěn)定性等器件性能至關(guān)重要。已經(jīng)報(bào)道的許多載流子控制方法都側(cè)重于發(fā)射極(或陰極)、集電極(或陽(yáng)極)和漂移區(qū)的設(shè)計(jì)。重點(diǎn)介紹了當(dāng)前和未來(lái)幾代IGBT的載流子控制方法?；仡櫚l(fā)射極、集電極和漂移區(qū)的設(shè)計(jì)如何影響正向壓降和關(guān)斷能量損耗之間的權(quán)衡。最后，總結(jié)展望未來(lái)大功率IGBT器件內(nèi)部載流子控制方法的發(fā)展趨勢(shì)。

發(fā)表于：2020/6/8 13:26:00

面向VR探視業(yè)務(wù)的5G SA醫(yī)療專網(wǎng)方案研究[模擬設(shè)計(jì)][醫(yī)療電子]

5G技術(shù)的開(kāi)發(fā)有助于醫(yī)療行業(yè)在遠(yuǎn)程應(yīng)用中加速發(fā)展，遠(yuǎn)程會(huì)診、遠(yuǎn)程診斷、遠(yuǎn)程急救、遠(yuǎn)程手術(shù)等業(yè)務(wù)也隨之逐漸趨于成熟。視頻業(yè)務(wù)作為5G三大應(yīng)用場(chǎng)景的主要業(yè)務(wù)之一，通過(guò)高分辨率、高幀率視頻的快速傳輸，為開(kāi)發(fā)醫(yī)療技術(shù)、優(yōu)化診斷結(jié)果、提高醫(yī)療效率提供了基礎(chǔ)。其中，虛擬現(xiàn)實(shí)（VR）是5G視頻業(yè)務(wù)的重要領(lǐng)域，可有效地與醫(yī)療結(jié)合，實(shí)現(xiàn)院內(nèi)院外VR直播和VR探視等功能。但是VR對(duì)承載網(wǎng)要求較高，傳統(tǒng)4G網(wǎng)絡(luò)構(gòu)架帶寬和時(shí)延均無(wú)法達(dá)到醫(yī)療領(lǐng)域中VR數(shù)據(jù)傳輸要求。以VR探視為例，提出基于5G SA智慧醫(yī)療專網(wǎng)的承載網(wǎng)方案，運(yùn)用Flex-E彈性切片技術(shù)將醫(yī)療資源與公共資源隔離，確保VR數(shù)據(jù)的高效傳輸，同時(shí)加入邊緣計(jì)算和基于云的VR技術(shù)增強(qiáng)VR場(chǎng)景的切片方案，為VR應(yīng)用在醫(yī)療業(yè)務(wù)數(shù)據(jù)傳輸中提供快速穩(wěn)定的網(wǎng)絡(luò)方案。

發(fā)表于：2020/6/5 13:39:00

基于MEC的邊緣CDN業(yè)務(wù)調(diào)度方案及測(cè)試分析[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

多接入邊緣計(jì)算(Multi-access Edge Computing，MEC)通過(guò)將計(jì)算存儲(chǔ)能力與業(yè)務(wù)服務(wù)能力向網(wǎng)絡(luò)邊緣遷移，使應(yīng)用、服務(wù)和內(nèi)容可以實(shí)現(xiàn)本地化部署，可以解決傳統(tǒng)內(nèi)容分發(fā)網(wǎng)絡(luò)(Content Delivery Network，CDN)中邊緣節(jié)點(diǎn)無(wú)法下沉到移動(dòng)網(wǎng)絡(luò)中的痛點(diǎn)問(wèn)題。但是，CDN節(jié)點(diǎn)下沉到網(wǎng)絡(luò)邊緣后，CDN需要網(wǎng)絡(luò)和終端輔助業(yè)務(wù)識(shí)別用戶位置，實(shí)現(xiàn)邊緣業(yè)務(wù)分流。提出了一種基于MEC的邊緣CDN業(yè)務(wù)調(diào)度方案，測(cè)試結(jié)果表明，所提方案可以極大地降低首包時(shí)延并提高下載速率，明顯改善用戶的業(yè)務(wù)體驗(yàn)。

發(fā)表于：2020/6/5 13:30:00

基于5G+MEC的數(shù)字化PaaS賦能平臺(tái) 在智慧安防的應(yīng)用研究[模擬設(shè)計(jì)][物聯(lián)網(wǎng)]

隨著5G時(shí)代的到來(lái)，邊緣計(jì)算和物聯(lián)網(wǎng)引領(lǐng)的新型應(yīng)用形態(tài)成為了全社會(huì)關(guān)注的焦點(diǎn)。視頻安防行業(yè)應(yīng)用因?yàn)槠浜诵臉I(yè)務(wù)發(fā)展趨勢(shì)及需求與5G、邊緣計(jì)算、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)以及人工智能等技術(shù)能力的深度匹配，成為了業(yè)界重點(diǎn)關(guān)注的應(yīng)用領(lǐng)域。主要介紹一種基于5G+MEC基礎(chǔ)設(shè)施的云邊協(xié)同數(shù)字化PaaS賦能平臺(tái)和相應(yīng)技術(shù)原型系統(tǒng)，以及該數(shù)字化PaaS賦能平臺(tái)在智慧安防領(lǐng)域的應(yīng)用實(shí)踐。

發(fā)表于：2020/6/4 13:52:00