为了满足集成微波器件进行高分辨率微波近场测量的需求,本论文提出了一种基于金刚石氮空位(Nitrogen-Vacancy,NV)色心的微波近场成像技术.该技术可用于查找芯片等集成微波器件的干扰源和信号串扰.此微波近场成像方法采用金刚石NV色心颗粒作为场传感器,其中金刚石颗粒固定在锥形光纤的末端.由于塞曼效应,NV色心的光探测磁共振(Optical Detection Magnetic Resonance,ODMR)谱在外部静磁场环境中会分裂成为8个峰,通过测量共振峰频点的Rabi振荡谱,能够得到Rabi频率,接着通过2.8MHz/Gauss换算得出该处的微波场强度,最后通过将所测得所有数据点进行二维图像处理即可得到所测芯片和集成微波器件的表面微波场近场图像.
微波毫米波芯片非破坏高分辨率近场分布成像对高频射频芯片的功能和失效分析至关重要.本实验基于金刚石NV(Nitrogen-Vacancy)色心这一独特的量子体系,选取直径约为14μm的金刚石样品,将其粘附于20μm直径的光纤锥形尖端,制备成高分辨、非破坏、微型化的探针,通过分析NV色心在微波场变化中的基态自旋演化规律,采用全光学的方法,一次性成像,获得芯片表面整体场分布.本文给出了氮化镓高电子迁移率晶体管的近场分布成像图,拟合出光学探测磁共振(Optically Detected Magnetic Resonance,ODMR)谱图以及Rabi谱图,并对成像结果进行了分析.这一系统具有高效、高分辨、高灵敏度、对近场干扰小等优势,有望为高集成度微波电路故障诊断、天线辐射剖面、微波集成电路电磁兼容测试等应用提供一种全新的方案.
数据集类别不平衡性是机器学习领域的常见问题,对迁移学习也不例外。本文针对迁移学习下数据集类别不平衡性的影响研究不足的问题,重点研究了以下几种不平衡性处理方法对迁移学习的影响效果分析:过采样、欠采样、加权随机采样、加权交叉熵损失函数、Focal Loss函数和基于元学习的L2RW(Learning to Reweight)算法。其中,前三种方法通过随机采样消除数据集的不平衡性,加权交叉熵损失函数和Focal Loss函数通过调整传统分类算法的损失函数以适应不平衡数据集的训练,L2RW算法则采用元学习机制动态调整样本权重以实现更好的泛化能力。大量实验结果表明,在上述各种不平衡性处理方法中,过采样处理和加权随机采样处理更适合迁移学习。
OSNet是一种有效的轻量级行人重识别网络,因其兼具有轻量化和高性能的优异特点引起了行人重识别领域的关注。最近的研究表明:多分支协作OSNet网络——BC-OSNet能取得更高的识别率。本文在此基础上继续研究网络微结构的调整对BC-OSNet模型性能的影响,重点通过通用池化GeM、连续高斯Dropout、注意力学习Batch DropBlock(BDB)/Relation-Aware Global Attention(RGA)等微结构的有效融入,研究微结构优化的BC-OSNet性能提升效果。实验结果表明:经微结构优化的BC-OSNet在四个行人重识别数据集Market1501,Duke,CUHK03_Labeled和CUHK03_Detected上的mAP分别达到了89.9%,82.1%,84.2%和81.5%,相比初始的BC-OSNet提高0.6%,1.4%,1.1%和1.7%。
暂无评论