利用离子束辅助沉积技术在 Mo栅极上镀上并注入一层 Hf膜,对镀后的样品进行了形貌、结构、成份、膜厚及 Mo、Hf界面分析。将样品进行电子管模拟栅发射试验,栅极温度为 650℃,试验 1000h以上基本无栅发射电流,可以提高栅控管的可靠性和寿命。实验结果表明,阴极中的活性物质Ba蒸发到镀Hf的 Mo栅极表面,Ba,Hf和O2能形成化合物,从而有效抑制栅极发射电流。

可重构柔性网络链路失效将严重影响其上承载的可重构服务承载网(RSCN)的可靠性。文章基于路径备份策略着重解决时延敏感类型RSCN的可靠性问题，并提出分阶段处理方式进一步优化备份资源消耗。在拓扑预处理阶段，根据RSCN是否支持路径分裂分别提出分裂的最小备份拓扑生成(S-MBT-Gen)算法和最小备份生成树(MBST- Gen)算法，减小备份拓扑带宽约束总量；在拓扑映射阶段，提出主备拓扑协同映射(RNM-PBT)算法，协调利用底层网络资源。仿真结果表明，本文提出的算法降低了RSCN平均资源消耗，且具有较高的请求接受率和较低的平均执行时间。

为快速生成高质量混淆网络,该文提出一种最大后验弧主导的快速生成算法。它只需遍历一遍Lattice,具有线性时间复杂度。采用K-L散度(Kullback-Leibler Divergence,KLD)来度量弧标号之间的发音相似性,改善了混淆网络生成中弧对齐的准确性。实验结果显示,所提算法在生成速度上和Xue的快速算法是可比的,而生成质量更好。通过采用KLD作为弧标号相似性测度,生成混淆网络的质量得到了进一步提高。

在低成本电子标签中实现安全隐私功能是RFID研究领域需要解决的一项关键技术，该文采用部分ID，CRC校验以及ID动态更新的方法，提出一种新型RFID相互认证协议，该协议具有前向安全性，能够防止位置隐私攻击、重传攻击、窃听攻击和拒绝服务攻击，新协议有效地解决了RFID安全隐私问题，并且符合EPC Class1 Gen2标准，它的硬件复杂度较低，适用于低成本电子标签。

该文提出一种高性能硬件加密引擎阵列架构，为大数据应用提供了先进的安全解决方案。该模块架构包括一个高速接口、一个中央管理和监视模块(CMMM)、一组多通道驱动加密引擎阵列，其中CMMM将任务分配给加密引擎，经由专用算法处理后再将数据传回主机。由于接口吞吐量和加密引擎阵列规模会限制模块性能，针对PCIe高速接口，采用MMC/eMMC总线连接构建阵列，发现更多加密引擎集成到系统后，模块性能将会得到提升。为验证该架构，使用55 nm制程工艺完成了一个PCIe Gen2×4接口的ASIC加密卡，测试结果显示其平均吞吐量高达419.23 MB。

利用某些有机烷氧基金属化合物的热分解,可在玻璃、金属、陶瓷或半导体基片上沉积相应的金属氧化物次级发射膜。例如:由乙氧基镁(或铝)的热解制得MgO(或Al2O3)膜。本工作由自制乙氧基铝和五氯化钼,在玻璃基底上热解沉积制得合适电阻率的次级发射膜Al2O3∶Mo.膜厚1000,电阻率107-108cm,最大次级电子发射系数 max=3.1,热解条件为450℃,12min。

微波管电极表面涂复碳膜能改善管子性能。本文介绍了采用高频溅射热解石墨的方法在Mo基和Hf基上形成碳膜的一些研究情况。包括碳膜的制造、成分分析,次级发射性能和热辐射特性以及在真空系统中随温度上升释放气体的质谱分析等。主要结果有:(1)复碳钼有明显的吸氧效应;(2)钼、铪上复碳后次级发射系数降为max 0.7;(3)高温时(930℃)钼基上的碳膜会很快消失,但铪基上的碳膜到1050℃仍无明显变化;(4)复碳钼在高温时有一定量的CH4形成。

针对现有混合波束成形算法运行时间长、频谱效率低、误码率高的问题，该文提出一种基于有限内存拟牛顿法的混合波束成形算法(LBFGS)。该算法首先通过数字预编码器的最小二乘解构建单变量目标函数；然后采用目标函数的梯度近似黑塞矩阵的逆得到搜索方向并沿搜索方向更新模拟预编码器，直到满足停止条件；最后固定模拟预编码器得到数字预编码器。MATLAB仿真结果表明，LBFGS算法较现有MO算法减少了28%的运行时间，频谱效率提高了1.05%，误码率降低了1.06%。

相对于传统人工神经网络(ANN)，脉冲神经网络(SNN)具有生物可解释性、计算效率高等优势。然而，对于目标检测任务，SNN存在训练难度大、精度低等问题。针对上述问题，该文提出一种基于动态阈值LIF神经元(DT-LIF)与单镜头多盒检测器(SSD)的SNN目标检测方法。首先，设计了一种DT-LIF神经元模型，该模型可根据累积的膜电位动态调整神经元的阈值，以驱动深层网络的脉冲活动，提高推理速度。同时，以DT-LIF神经元为基元，构建了一种基于SSD的混合SNN。该网络以脉冲视觉几何群网络(Spiking VGG)和脉冲密集连接卷积网络(Spiking DenseNet)为主干(Backbone)，具有由批处理归一化(BN)层、脉冲卷积(SC)层与DT-LIF神经元构成的3个额外层和SSD预测框头(Head)。实验结果表明，相对于LIF神经元网络，DT-LIF神经元网络在Prophesee GEN1数据集上的目标检测精度提高了25.2%。对比AsyNet算法，所提方法的目标检测精度提高了17.9%。