本课题通过分析MEMS与宏观设备可靠性要求的差异,从微结构本身和微系统的装配与封装等对寿命的影响,失效的主要原因等探讨MEMS传感器中特定可靠性因素和失效机理和失效模型。通过对电容式MEMS微型加速度计失效分析,结合数学统计和各项失效分析技术,掌握电容式MEMS微型加速度计在结构级失效的各种失效模式。在MATLAB7.0 环境下,先利用多尺度小波变换算法对实验所得的微悬臂梁加载力和挠度的原始数据进行了消噪预处理,接着建立了微悬臂梁加载力与挠度关系的BP神经网络模型,拟合和分析了微悬臂梁的加载力与挠度关系。用改进的BP神经网络与遗传算法对传感器测得的信号进行预测及模拟试验比较,经过一系列的解算处理,得到较可靠的预测结果。针对加速度型振动传感器工艺的不同结构进行分析,讨论工艺结构对传感器失效的影响, 提出各失效模式造成结构总体失效的因素。研究了车牌识别系统, 包括基于颜色特征和纹理特征的车牌定位,基于灰度处理、二值化和去除车牌的边框和上下铆钉的图像处理、基于改进的水平投影的字符分割、基于人工神经网络识别车牌字符的字符识别。这个系统行之有效地解决了汉字的不连通性、字符的粘连问题。
英文主题词MEMS reliability;data fusion;information procession;pattern recognition; neural network