用于纳米级FinFET可靠性仿真的紧凑型负偏置温度不稳定性模型

资源包含相关研究文献及对应的matlab仿真程序，仅供参考。 本论文构造方法设计二阶迭代滑模面，将航向偏差的镇定转化为对滑模面的镇定，基于Ｌｙａｐｕｎｏｖ理论，推导出系统渐近稳定条件，进而可得到航向控制律。由于控制律中存在未知外界干扰项和系统不确定项，不能直接计算得到，本节将设计两种控制方法。 第一种方法是设计不含系统不确定项和未知外界干扰项的控制律将初步的控制律进一步推导，得到等效迭代滑模控制律，该控制律中设计参数较少，算法处理过程简单。 第二种方法是引入ＲＢＦ神经网络对系统不确定项进行逼近采用自适应控制技 术估计未知外界干扰项的界值，提出神经网络自适应迭代滑模控制律，该控制律能有效 地处理了模型不确定项和海况扰动的影响。

资源包含相关文献及对应的matlab仿真程序，仅供参考。 设计了欠驱动船舶神经网络自适应迭代滑模航向控制器，完成了在船舶部分模型不确定和外界海况未知情况下的航向控制目标。在本章中，基于上述条件，将解决欠驱动船舶的路径跟踪控制问题。由于欠驱动船舶在受到风浪流海洋环境扰动后会产生横向漂移，因此船首必须以与计划航向保持一定角度航行，如果不执行有效的控制，经海洋环境扰动后的欠驱动船舶路径跟踪控制的结果会产生稳态误差。本节结合Ｌｙａｐｕｎｏｖ稳定性条件构造思想，采用Ａｄａｌｉｎｅ单神经元和最小二乘法，提出一种神经元自适应迭代滑模控制器，经ＭＡＴＬＡＢ仿真验证了该控制器的有效性。

matlab开发-船舶静水稳定性。本书配套软件为“船舶静力学与稳定性”。

利用FLAC3D软件,对三种不同形态的岩质边坡在不同强度地震荷载作用下的坡面水平方向位移进行数值模拟研究,并将地震作用下坡面水平位移和对应的残余剪切应变增量云图进行了对比分析。结果表明:在较小地震荷载作用下凹型坡在坡脚处的稳定性最好,而凸型和顺直型坡在坡高约1/5的部位变形较大;随着地震荷载和坡高的增加,凹型坡在坡高约3/5的地方位移出现最大值;而凸型和顺直型坡则在坡脚处出现剪应变区沿坡面向上延伸的现象。

DAVIS2016数据集论文中提供的视频对象分割（VOS）评价指标（区域相似度J，边界准确度F，时间稳定性T）的计算代码（python），可以直接调用。

信息系统稳定保障体系概述 两个总体原则:平衡取舍、积极防御 三个关键要素:人员、管理、技术 保障系统长期稳定运行的四项核心能力 关键时期稳定性保障的五项重要工作 稳定性保障工作评估的六个重点方向等等

考虑到LDO应用在无分立器件的情况下，针对在无片外电容和无片外电阻的情况下对LDO进行研究设计，在无外接电容的情况下，LDO同样能够输出稳定电压，以应用在DC-DC转换器中为内部电路模块进行供电。并通过调整LDO内部运算放大器结构以及对运算放大器进行米勒补偿来调整其零极点，同时在运算放大器内部进行电源隔离的处理，可以显著提高其电源抑制比。最后利用华虹0.18 μm的BCD工艺进行仿真。仿真结果表明，此结构具有高稳定性，可以输出稳定电压。

函数1“anisotropic_Directional_derivative_filter.m”用于一组各向异性方向导数滤波器。过滤器的空间支持是[-20,20]×[-20,20]并且取向角均匀分布在区间[0,π]上。 函数2“Canny-detector.m”是对比度均衡配备的Canny检测器和噪声相关的较低阈值。 参考J. Canny, “A computational approach to edge detection,” 函数 3“FOM_measure.m”是边缘图的 Pratt 品质因数。 W. K. Pratt，“数字图像处理”，Wiley Interscience Publications，1978 年。 函数 4 “non_maxima_suppression.m” 用于提取梯度的最大值通过使用图像的两个偏导数来获得图像的大小。 “SMED.m” is the edge detector based on scale multiplication. Refer to P. Bao, L. Zhang, and X-L Wu, “Canny edge detecti

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。