本文提出了一种石墨烯场效应晶体管(Graphene Field Effect Transistors,GFET)的小信号等效电路模型,该模型考虑了金属-石墨烯界面的内部物理传输现象,即漏极与源极的接触电阻.提出了一种将接触电阻从等效电路中本征和寄生部分分离的方...本文提出了一种石墨烯场效应晶体管(Graphene Field Effect Transistors,GFET)的小信号等效电路模型,该模型考虑了金属-石墨烯界面的内部物理传输现象,即漏极与源极的接触电阻.提出了一种将接触电阻从等效电路中本征和寄生部分分离的方法,接触电阻有效且准确的分离能够模拟其对该器件截止频率fT和最大振荡频率fmax的影响.基于所建立的小信号等效电路,提出了GFET的高频等效噪声电路模型.噪声模型包括散粒噪声、热通道噪声和热噪声,基于这些噪声模型,在500 MHz~30 GHz的频率范围内通过噪声去嵌提取出本征噪声相关矩阵,利用其中的最小噪声系数(NFmin)得到接触电阻以及不同噪声源对高频噪声的影响.最终通过模拟数据与实测数据的验证分析,所提模型能够有效且准确的表征该器件的小信号特性以及高频噪声特性,并且接触电阻的影响不可忽略.展开更多
针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承...针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。展开更多
文摘针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。