-
公开(公告)号：CN112241042B
公开(公告)日：2023-08-15
申请号：CN202011245672.0
申请日：2020-11-10
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种低串扰的相交聚合物微纳光纤，其包括相交聚合物微纳光纤、相交角度、分离距离、纤芯、包层、直径，其特征在于所述两根聚合物微纳光纤在三维空间中以一定分离距离和角度相交，所述两根聚合物微纳光纤纤芯材料不相同，存在折射率差，包层材料相同，所述两根聚合物微纳光纤的直径不相同，存在直径差。在三维空间中，相交的聚合物微纳光纤由于倏逝波耦合产生串扰，通过改变相交聚合物微纳光纤间的折射率差和直径差来降低倏逝波耦合的效率，从而极大地降低串扰，同时聚合物微纳光纤具有较高的机械强度及优良的柔韧性和弹性。本发明有利于构筑超紧凑结构复杂的光子学器件和小型化集成光路。在光通信，传感和非线性光学领域具有极好的潜力。
-
公开(公告)号：CN116486176A
公开(公告)日：2023-07-25
申请号：CN202310520013.0
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/20 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法结合深度卷积神经网络(DCNN)和注意力空间金字塔池化(ESPP)构建多尺度特征融合深度学习模型用于晶圆图故障模式识别。本发明基于Pytorch框架实现对晶圆图故障模式的检测识别算法，提出一个新颖的深度学习模型用于检测识别晶圆图故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，ESPP能够很好的解决晶圆图故障模式的类间相似性和类内相异性问题，多尺度特征融合能够将DCNN所提取晶圆图故障的浅层特征与深层特征相融合，进而可以更加准确的识别晶圆图故障模式。本发明能够提高半导体芯片制造过程中晶圆图故障模式的识别准确率，有利于提高半导体芯片生产的良率，对于国家半导体制造技术的发展具有极大的现实意义。
-
公开(公告)号：CN115187500A
公开(公告)日：2022-10-14
申请号：CN202110356900.X
申请日：2021-04-01
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/12 , G06T7/136 , G06T7/62 , G06T5/00 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和自适应阈值分割的焊球缺陷检测方法，用于实现对BGA焊球空洞和焊球区域的快速定位与检测，其特征在于，通过深度学习的方法对BGA焊球区域进行精确分割提取，对目标焊球区域制作BGA标签数据集，并进行增强操作增加网络泛化能力，对X‑Ray的BGA原图进行平滑处理，与神经网络对BGA焊球区域分割的结果图进行逻辑与运算提取焊球内部的空洞，对噪声干扰区域进行区域填充运算，将填充后的空洞与神经网络得到的焊球区域轮廓进行边缘提取，计算焊球内部空洞与整个焊球面积占比并判断其合格率，本发明的方法能针对BGA焊球在X‑Ray检测中存在复杂背景干扰的情况，对BGA焊球空洞和焊球区域进行快速定位和检测，该方法具备强大的适应性。
-
公开(公告)号：CN113533946A
公开(公告)日：2021-10-22
申请号：CN202110776895.8
申请日：2021-07-09
Applicant: 桂林电子科技大学
IPC: G01R31/3167
Abstract: 一种基于KL(Kullback‑Leibler)距离的板级电路测点选择方法，首先对电路仿真测量各个故障类型各个测点某一时间段内时域电压数据并对数据进行核密度估计并保存得到的概率密度函数，引入离散KL距离实现计算出测点集的故障隔离率。利用故障隔离率和测试点数量构造多维适应度函数，故障隔离率越高测点选择数越少的测点集越优，搜索全局最优测试点集。本发明专利无需建立故障字典进行故障隔离度的计算，通过引入核密度估计和离散KL距离将故障隔离计算转换为概率分布情况差异计算，充分利用了时域电压数据，提高测点集隔离率，利用故障隔离率和测试点数量构造人工鱼算法的多维适应度函数实现最优测点集选择，并通过在人工鱼算法中引入繁衍行为改善陷入局部最优解的情况。
-
公开(公告)号：CN112380790A
公开(公告)日：2021-02-19
申请号：CN202011251946.7
申请日：2020-11-11
Applicant: 桂林电子科技大学
IPC: G06F30/28 , G06F30/20 , G06F17/11 , G06F113/08 , G06F119/14
Abstract: 本发明利用平衡态分子动力学（EMD）模拟计算不同形状纳米颗粒的纳米流体的粘度，该方法使用Green‑kubo计算纳米颗粒的粘度，通过改变颗粒的形状，计算不同形状的纳米颗粒下的粘度，得出纳米颗粒对纳米流体的粘度的影响。本发明方法的目的是为了将目前的纳米流体中的纳米颗粒由单一的球形转换为不同的形状的纳米颗粒，在体积分数相同的情况下，使纳米流体的粘度值发生变化。从而探讨在实际加工中将纳米颗粒转为不同形状是否具有可行性与必要性。
-
Patent Agency Ranking
公开(公告)号：CN111428923A
公开(公告)日：2020-07-17
申请号：CN202010200709.1
申请日：2020-03-20
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于大数据的智能化工厂工艺流程优化方法，涉及智能化工厂技术领域，针对历史工艺流程数据进行关联规则分析，通过大数据平台对历史工艺流程数据进行预处理，通过决策树算法对工艺数据进行训练学习生成工艺规则，导入历史工艺规则模型库中；通过对生产过程的监控，生成实时工艺流程数据，通过神经网络算法及工艺流程数据进行训练，建立实时工艺规则模型库；通过工艺模型比对分析模块进行比对分析生成工艺决策，通过决策分析对工艺流程形成优化。本发明针对智能化工厂工艺生产数据进行训练学习生成工艺规则，从而实现从智能化工厂的工艺生产数据中发现工艺决策的规律，解决了传统工厂的工艺数据量较大，工艺决策效率低下等问题。
-
公开(公告)号：CN118818254A
公开(公告)日：2024-10-22
申请号：CN202410613618.9
申请日：2024-05-17
Applicant: 桂林电子科技大学
Abstract: 本发明属于集成电路测试领域，具体涉及基于岭回归的单片层间通孔开路故障定位方法。以MIV中心导体出现的开路故障为研究对象建立故障模型，基于所建故障模型，提取MIV不同位置发生开路故障的S参数；以MIV开路故障位置高度为预测依据，设置标签；建立岭回归预测模型，基于内置交叉验证寻找最佳参数；实现通过不同位置开路故障的S参数，利用岭回归预测模型对其进行回归预测处理，预测发生开路故障的位置，提高了MIV故障检测准确率和效率。该故障位置定位方法避免了在开路故障位置定位过程中对MIV的二次损坏，解决了传统的MIV检测方法难以对MIV开路故障位置进行准确故障定位的问题，对于优化MIV的设计和制造过程中改进MIV故障具有一定的参考价值。
-
公开(公告)号：CN113533946B
公开(公告)日：2024-05-14
申请号：CN202110776895.8
申请日：2021-07-09
Applicant: 桂林电子科技大学
IPC: G01R31/3167
Abstract: 一种基于KL(Kullback‑Leibler)距离的板级电路测点选择方法，首先对电路仿真测量各个故障类型各个测点某一时间段内时域电压数据并对数据进行核密度估计并保存得到的概率密度函数，引入离散KL距离实现计算出测点集的故障隔离率。利用故障隔离率和测试点数量构造多维适应度函数，故障隔离率越高测点选择数越少的测点集越优，搜索全局最优测试点集。本发明专利无需建立故障字典进行故障隔离度的计算，通过引入核密度估计和离散KL距离将故障隔离计算转换为概率分布情况差异计算，充分利用了时域电压数据，提高测点集隔离率，利用故障隔离率和测试点数量构造人工鱼算法的多维适应度函数实现最优测点集选择，并通过在人工鱼算法中引入繁衍行为改善陷入局部最优解的情况。
-
公开(公告)号：CN115795366A
公开(公告)日：2023-03-14
申请号：CN202211662683.8
申请日：2022-12-23
Applicant: 桂林电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于多支路注意力机制的晶圆图故障模式识别方法，包括：以ResneXt基础残差块搭建ResneXt‑50用作特征提取主干网络；在ResneXt残差块后面融入多支路注意力机制，给晶圆图显著缺陷簇分配更大的权重以提升特征识别能力；将所述晶圆图数据集划分为训练集和测试集，对所述主干网络进行学习训练；在主干网络全连接层提取到的晶圆图缺陷特征信息输入到ECOC‑SVM进行最终分类。本发明通过多支路注意力机制给不同的晶圆图缺陷簇区域分配了不同的权重，提升了网络模型的特征提取能力，获得了更加全面的晶圆图缺陷簇特征信息，解决了不同类型晶圆图缺陷簇特征提取能力差异大、细节信息特征提取不全面的问题，提高了分类的准确率。
-
公开(公告)号：CN115271035A
公开(公告)日：2022-11-01
申请号：CN202210798988.5
申请日：2022-07-08
Applicant: 桂林电子科技大学
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法。采用具备若干支路网络的DCNN结构，且最后的全连接层可以连接多个卷积层的参数。本发明从增加DCNN模型宽度的角度出发，提出多路径DCNN(MP‑DCNN，Multi Path‑DCNN)模型，通过扩展网络的宽度，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，晶圆图的部分特征会存在丢失的情况，从不同的卷积层获取的晶圆图特征，存在相互补充的作用，使得最终的晶圆图特征更加完整。多路径DCNN是在原有的DCNN结构的基础上，增加支路网络，使最后的全连接层可以连接多个卷积层的参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DCNN网络的性能。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.03 seconds)
