一种电流型温度传感芯片设计

设计并实现了一种电流型温度传感芯片。分析了测温原理和厄利效应对测温精度的影响,提出了一种集电极-发射极电压补偿电路,利用一组电流镜和匹配电阻将输出电流和温度之间的传递函数线性化,提高了芯片的线性度和测温精度。设计了反向偏置保护电路,增大芯片可承受的反向电压。芯片采用40 V互补双极工艺设计并流片。测试结果表明,芯片在-55~150℃温度区间内的非线性误差为±0.2℃,测温精度小于±0.3℃。

具有寄生电阻消除功能的远端测温芯片

设计并流片实现了一款具有寄生电阻消除功能的远端测温芯片。分析了远端测温原理和寄生电阻对测温精度的影响,利用差分结构采集远端三极管产生的温度信号。采用一阶Σ-Δ模数转换器(ADC)将温度信号进行量化,并使用寄生电阻消除技术降低寄生电阻对测温精度的影响。该芯片采用0.18μm BCD工艺设计并流片,测试结果表明,当远端三极管在-40℃下,使用寄生电阻消除技术可以将1.5 kΩ寄生电阻对测温精度的影响降低到0.5℃以内;远端三极管在-40~125℃温度范围内,消除寄生电阻影响后远端测温芯片的3σ误差小于±0.6℃。

高光谱图像小样本分类的卷积神经网络方法

目的与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。