研究于2008年12月至2009年10月按季度对大通湖水质及软体动物资源监测,并通过纵向比较,探讨了集约化养殖对大通湖水域环境及软体动物群落的影响,以期为其渔业可持续发展提供理论依据。结果显示,大通湖水质全年呈碱性(8.62±0.07),...研究于2008年12月至2009年10月按季度对大通湖水质及软体动物资源监测,并通过纵向比较,探讨了集约化养殖对大通湖水域环境及软体动物群落的影响,以期为其渔业可持续发展提供理论依据。结果显示,大通湖水质全年呈碱性(8.62±0.07),具有较高的还原性[(?88.40±9.10)mv],属富营养水体。软体动物共计5科15种,梨形环棱螺(Bellamya purificata)、河蚬(Corbicula fluminea)和圆顶珠蚌(Unio doug lasiae)是主要优势种。软体动物平均密度和生物量具有明显的时空差异,时间上呈现由春夏季到秋冬季逐渐升高的趋势,空间上整体呈现由东北向西南逐渐递减的趋势。典范对应分析表明氧化还原电位、pH、溶氧、水深、电导率和水温与大通湖软体动物时空变化的关系最显著。与1960年相比,大通湖水体碱性显著增强(7.0—7.5 vs 8.4—8.8),电导率增加了9倍(0.25—0.27 vs 2.17—2.56 mS/cm),环境类型由氧化型转变为还原型。湖区喜好水草(白旋螺、光亮隔扁螺、萝卜螺)与流水生境(德氏狭口螺、湖沼股蛤、橄榄蛏蚌)的物种消失,软体动物优势种群呈现由双壳类向腹足类演替的特征。生境破坏和过度捕捞是大通湖软体动物资源面临的最大威胁,也是湖区渔业可持续发展所面临的核心问题。展开更多
在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时...在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法—局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis,LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model,GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.展开更多
文摘研究于2008年12月至2009年10月按季度对大通湖水质及软体动物资源监测,并通过纵向比较,探讨了集约化养殖对大通湖水域环境及软体动物群落的影响,以期为其渔业可持续发展提供理论依据。结果显示,大通湖水质全年呈碱性(8.62±0.07),具有较高的还原性[(?88.40±9.10)mv],属富营养水体。软体动物共计5科15种,梨形环棱螺(Bellamya purificata)、河蚬(Corbicula fluminea)和圆顶珠蚌(Unio doug lasiae)是主要优势种。软体动物平均密度和生物量具有明显的时空差异,时间上呈现由春夏季到秋冬季逐渐升高的趋势,空间上整体呈现由东北向西南逐渐递减的趋势。典范对应分析表明氧化还原电位、pH、溶氧、水深、电导率和水温与大通湖软体动物时空变化的关系最显著。与1960年相比,大通湖水体碱性显著增强(7.0—7.5 vs 8.4—8.8),电导率增加了9倍(0.25—0.27 vs 2.17—2.56 mS/cm),环境类型由氧化型转变为还原型。湖区喜好水草(白旋螺、光亮隔扁螺、萝卜螺)与流水生境(德氏狭口螺、湖沼股蛤、橄榄蛏蚌)的物种消失,软体动物优势种群呈现由双壳类向腹足类演替的特征。生境破坏和过度捕捞是大通湖软体动物资源面临的最大威胁,也是湖区渔业可持续发展所面临的核心问题。
文摘在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法—局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis,LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model,GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.
