基于矢量测量的射频微波器件非线性参数化行为建模技术评述

随着大功率射频微波器件的不断推广与应用,以及无线通信市场的迅猛发展,传统的小信号S参数线性系统理论既无法继续支持对大功率、高效率、复频谱利用率和超宽带等众多射频电子产品高效快速的研发,也不能满足无线系统前端——射频功率放大器、混频器、调制解调器和振荡器等部件的精确表征、建模、仿真、设计和应用的迫切要求,正是在这种大背景下,基于矢量测量的射频/微波器件非线性参数化行为建模技术也就应运而生。本文首先阐述非线性器件表征技术的发展背景与迫切性;然后介绍了该领域内逐渐成熟的两种矢量测量方案与核心技术的原理,并分析比较了两种方案的性能优劣;最后重点对三种非线性参数化行为模型的数学形式作了详细推演,介绍了参数提取方法和应用实例,展望了基于矢量测量的非线性行为建模技术的未来发展研究方向。

大信号网络分析——用于表征非线性器件和系统的测量概念

现在,有效地运用工作在非线性区域的器件已变得日益重要。这要归因于现代(便携式)通信系统中复杂调制方案的应用以及公众对低成本、高效率的要求。目前,表征器件或系统的大信号(非线性)特性存在着不同的测量方法。然而,这些测量方法一般都建立在信号分析的基础上,它侧重关注信号的特征,但并不关心被测器件(网络)。因此,安捷伦科技有限公司开发了一种大信号网络分析仪(LSNA),它是真正的网络分析仪而不是信号分析仪。本文将讨论大信号网络分析仪的基本概念及其应用。大信号网络分析仪能在时域和频域中测量在周期激励或周期调制激励下,任何二端口被测件的两个信号端口出现的入射和散射电压行波(或电压和电流)。在给定激励下,这类信息代表了被测器件的完整特性。它可以用来检验、改进甚至生成物理级、电路级或系统级的器件模型,这是用目前采用的测量方法所无法实现的。用户可以在以下几个方面从大信号网络分析仪的测量中受益:减小设计的反复次数(更好的器件模型)、降低制造成本(更优化的设计)、最高的产品效率(例如,功率增加效率(PAE)与谐波失真和增益的关系)、提高片上系统的集成度或规范竞争秩序。 大信号网络分析仪测量为非线性网络的大信号表征和模拟提供了新的前景,这与20世纪50年代为线性网络引入S参?

多晶金属材料超声无损表征方法研究综述

线性及非线性超声技术是多晶金属材料特性无损表征的主要研究方法。本文介绍了超声技术在多晶金属材料特性无损表征的研究与典型应用,包括对弹性模量、平均晶粒度、应力、力学性能退化等。通过超声表征结果探究金属材料的内部特性,对材料能否安全服役做出无损评价;阐述了与传统检测方法相比,超声表征方法在分析多晶金属材料的内部缺陷与特性方面具有的优势。最后介绍了本团队在超声与多晶微结构之间的相关性以及对多晶材料平均晶粒尺寸超声表征所展开的工作与研究,并提出了该领域需要进一步研究的方向与目标。

融合随机森林和SHAP方法的灌区用水调度经验分析--以淠史杭灌区瓦西干渠灌域为例

【目的】定量表征灌区积累丰富的用水调度经验,使其能够被其他管理人员复制和应用。【方法】本文基于淠史杭灌区瓦西干渠灌域的3个典型年实测数据样本,在充分考虑温度、降雨和土壤墒情等特征变量的空间变异基础上,通过融合随机森林模型和SHAP方法,构建有限数据样本下灌区用水调度目标流量与各特征变量之间的非线性定量表征。【结果】应用该方法可得到长时间序列以及不同典型年情境下各特征变量的重要性得分及变化情况,在找到适用于实际用水调度特征变量组合的同时,可分析得到不同调度情景下主要参考的特征变量指标;结合SHAP值正负情况分析,还可得到用水调度目标流量对各特征变量响应的正负方向。【结论】本文所用方法实现了灌区用水调度历史经验的定量知识化表征,为理性预测未来不同用水调度流量提供科学依据。

AN ADAPTIVELY TRAINED KERNEL-BASED NONLINEAR REPRESENTOR FOR HANDWRITTEN DIGIT CLASSIFICATION

In practice, retraining a trained classifier is necessary when novel data become available. This paper adopts an incremental learning procedure to adaptively train a Kernel-based Nonlinear Representor (KNR), a recently presented nonlinear classifier for optimal pattern representation, so that its generalization ability may be evaluated in time-variant situation and a sparser representation is obtained for computationally intensive tasks. The addressed techniques are applied to handwritten digit classification to illustrate the feasibility for pattern recognition.