在高能物理实验领域，与混合像素传感器(Hybrid pixel sensor, HPS)及电荷耦合器件(Charge coupled device, CCD)相比，CMOS有源像素传感器(Active pixel sensor, APS)更适合进行低成本、低功耗、高速读出、高分辨率和极小像素的设计，能够实现多功能集成，具有极大的吸引力[1]。然而，在辐射环境中，高能粒子入射到器件中引起的亚稳态缺陷或缺陷簇，会产生严重的暗信号随机电报噪声(Random telegraph signal, RTS)，使 CMOS APS 的粒子检测受到严重的影响。如图1所示，应用于欧洲大型粒子对撞机(Large hadron collider, LHC)的MIMOSA II[2]在进行中子(1013 cm−2)实验后，检测到像素的暗信号随时间发生波动，而当这些暗信号超过检测阈值时，就有可能被误认为是检测到了入射粒子。若单个像素中产生了高复杂结构的亚稳态缺陷簇，则该像素的RTS行为就会异常强烈，严重影响粒子探测的准确性。

(2) 各生境中,绿林地高保护价值植被群落(Ⅰ级、Ⅱ级)所占比例最高,为37.5%,接着依次是建筑周边、水边和路边,占比分别为22.5%、14.6%和9.5%。

图1 应用于LHC的MIMOSA II中的RTS噪声 Fig.1 RTS noise in MIMOSA II applied for LHC

像素器件中存在的缺陷导致 CMOS APS的暗信号产生二级或多级波动[3]。在现代工艺中，器件制造时产生的缺陷微乎其微，大量的缺陷来源于器件受到的辐射。 辐射效应主要包含总剂量效应和移位损伤效应，前者诱发的缺陷主要出现在 SiO2及Si/SiO2界面；后者所诱发的缺陷主要出现在硅衬底中。这些缺陷处于亚稳态，其能级乃至物理结构常发生变化，进而导致了像素暗信号的波动。RTS噪声一般采用时间常数和转换幅值两个关键参数进行描述。这两个关键参数与辐射类型、辐射剂量、工艺参数及工作温度相关。因此，要深入分析像素的RTS行为，并进一步研究辐射致器件RTS缺陷的物理特性，必须依靠有效检测和关键参数提取方法。

早期的研究者采用机器辅助方式记录 RTS的转换次数和幅值变化，进而计算关键参数[4]。这种检测方法有赖于稳定的观测设备和工作人员的耐心，几乎不可能实现长达数天乃至数周的检测。后来，研究者发现了一种基于标准阈值的检测方法，可以对 RTS的转换次数进行自动统计[5-6]，但由于像素之间存在个体差异，在对每个像素进行RTS检测前都必须进行一次阈值的调整。基于像素暗信号直方图的阈值检测，能够实现对每一个像素的RTS检测阈值进行自动计算和设置[7]，这种方法所计算出的阈值容差过大，难以识别低幅值的RTS信号。文献[8]提出了一种基于统计理论实现二级RTS（暗信号在两级幅值上下波动）的检测方法，前提是目标像素明确具有RTS行为，但此方法是否适用于多级RTS的检测，文献并未说明。基于RTS转换边沿检测的方法，文献[9]提出了一种自动检测算法。这一算法需要对像素输出的暗信号进行全程采样和记录，进而计算出暗信号的均值和RTS转换的检测阈值，之后才能对关键参数进行提取。如，对于一个二级的RTS信号，只要转换幅值大于1.15倍的高斯噪声标准差，就认为该转换是RTS行为，而非高斯波动。对于多级 RTS如何使用此方法进行检测，文献未作说明。此外，大部分RTS信号属于接近直流的低频信号，因此，观测其幅值转换需要较长的时间（几小时乃至几周）[8]，此方法必须在获取全部信号之后才能进行RTS分析和检测，其数据存储涉及巨大的硬件开销，而且，在长时间的工作状态下，器件自身发热引起的高斯噪声增强和RTS缺陷发生物理参数的退化，都会对局部时间段的RTS检测产生影响。

由于预紧力损失和护表情况的不同，加木垫板后锚杆支护预应力场的峰值与扩散范围与金属托盘相比出现一定差异。以100 kN预紧力下加木垫板前后锚杆支护预应力场为例，锚杆支护预应力场沿对称面切片分布情况如图7所示。其中，0～1 200 mm为自由段，1 200～2 400 mm为锚固段。

本研究提出了一种基于实时阈值的 RTS自动检测方法，能够实现RTS的检测、波形重建及关键参数提取。该方法采用实时高斯噪声标准差，而非全程记录的暗信号标准差作为阈值进行 RTS噪声的检测，提高了检测的灵敏度和可靠性。此外，由于采用了实时高斯噪声标准差作为判别阈值，即使在高斯噪声及RTS噪声发生严重退化的情况下，该方法依然可行。

1 基于实时阈值的RTS噪声检测方法

通常来讲，RTS噪声检测系统需要完成3个任务：第一，对暗信号进行滤波，获得RTS检测触发信号；第二，基于某一阈值对RTS转换（较大的暗信号跳变）进行识别；第三，重建RTS波形并提取时间常数和转换幅值等关键参数。

1.1 暗信号滤波

然而，对于多级RTS（级数大于2）来说，σsig可能因为信号中存在高幅值的RTS而大幅增加。如图3(b)所示的3级RTS噪声，为了便于分析，假定第一级和第三级波形的时间宽度相同，第二级的时间宽度小到可以忽略，那么能够达到 /4的水平（见公式(4)）。

式中：L代表滤波器长度（滤波因子的个数），为偶数。若L太长，滤波过程可能会受到下一个RTS跳变沿的影响，太短则滤波器的精度会变差，所以 L的长度需要根据具体的滤波对象特性来设置。图2(a)是一个高斯噪声上叠加了 RTS波形的示意图。图2(b)是滤波器的输出结果示意图。输出波形会在发生较大幅值跳变（疑似RTS转换）的位置输出三角波，三角波的高度Atn (n=1, 2, 3)与对应的跳变沿（疑似RTS转换）幅值相同。

图2 RTS和高斯噪声的暗信号波形示意(a)与滤波后的波形(b) Fig.2 Signal waveform with RTS and Gaussian noise (a) and filtered waveform (b)

1.2 基于实时阈值的RTS波形识别

文献[9]采用全程记录的暗信号标准差σsig作为RTS的检测阈值，令滤波后的跳变沿幅值 At与σsig相比较，若

由表7可知抽检的芯样的密度、孔隙率、稳定度和流值均符合实际设计要求，并进行了2m水头的渗透试验，发现均无渗透问题存在，说明沥青混合料的摊铺和碾压工艺是可行的。

采用σsig作为判别阈值，还存在另外一个问题：σsig只能在观测时间结束，全部数据被采集处理后才能获取。而在较长的暗信号观测时间内（几个小时到几周），很有可能发生高斯噪声及RTS噪声的进一步退化，并对 σsig的计算产生随机的难以预测的影响，进而影响到局部时间段的RTS探测结果。

依据ArcGIS Engine软件应用特点，批量处理后的地理空间数据会增加一个前缀，即分幅处理后成果格式均为*.img。据此，需采用批量名称更改软件，结合实际需要，对软件图幅名称进行统一处理。同时利用格式转换软件，如GlobalMapper软件、Geospatial Data Abstraction Library软件等，进行地理空间数据图幅批量格式更改。

——在财政投入上，通过财政支持、整合涉农资金、鼓励农民投入等方式，破解资金短缺难题。2017年省级以上农村饮水安全资金70%以上用于贫困县，2018年贫困县省级以上资金比例达86%以上。各市县结合实际，不断加大各类资金整合力度，2018年市县投资超过7亿元。

研究表明，在纤维化或局部缺血的创伤性损伤期间，一系列的NLRP3激动剂被释放出来[26]。Riteau等[65]利用博莱霉素诱导的小鼠肺损伤来模拟人类的肺纤维化，证实了该途径在气道炎症和组织重塑中的作用。此外，患有特发性肺纤维化的患者的支气管肺泡灌洗液含有高水平的ATP，为人类疾病提供体内相关性。

从公式(3)中不难看出，作为 RTS判别阈值的σsig直接受到高斯噪声和RTS噪声的影响。对于一个具有2级幅值的RTS信号来说，若上升、下降沿的时间宽度相同，此时可以获得σRTS的最大值At2/4（At表示上升沿的幅值）。那么结合式(2)和式(3)，只要At＞1.15σgau，这个2级RTS噪声就能够被检测和识别出来。因此，如图3(a)所示，采用σsig作为判别阈值，对于2级RTS来说是适用的。

暗信号随机电报噪声可以认为是叠加在高斯噪声背景上，连续存在的幅值较高的上升沿或下降沿。为了从高斯噪声背景中识别出RTS噪声，可以采用公式(1)所示的Z域滤波器，对暗信号进行滤波，检测其中的上升沿和下降沿。

因此，此值大于At3/2。因此，如果跳变幅值Atn (n=1,2)小于At3/2，那么对应的RTS波形就难以被检测和识别。

图3 采用σsig作为阈值检测2级RTS (a)与多级RTS (3级) (b) Fig.3 σsig as threshold to detect 2-level RTS (a) and multi-level RTS (3-level) (b)

式中：σgau和σRTS分别表示高斯噪声和RTS噪声的标准偏差。

为了应对这些问题，本文提出了一种基于实时计算阈值进行RTS 检测的方法。如图2(a)所示，暗信号的波动仅由高斯波动和RTS转换构成，其中高斯噪声是一种高频低幅值的噪声。如果一个信号跳变的幅值明显高于高斯噪声标准差的话，可以认为这个跳变就是暗信号发生了RTS转换，因此，本文采用σgau而非σsig作为RTS的检测阈值。

认真做好对农村财务会计的审查后续工作，审计工作结束后，针对审查结果写好审计报告，提出审计意见，做好记录，针对发展的问题，及时提供相关建议，并针对问题做好跟踪调查工作，确保问题真正得到重视，避免后期隐患。

因为高斯噪声容易受到如温度、电源线干扰、外部环境等诸多随时间变化的因素的影响。为了保证RTS检测的有效性，σgau作为检测阈值必须具有实时性。为了实现这一点，本文利用暗信号滤波后的三角波为触发信号，对相邻疑似RTS跳变沿之间的高斯噪声进行分析并计算σgau。如图4所示，Tr1、Tr2和Tr3是暗信号中的疑似RTS转换；W1、W2和W3是对暗信号滤波获得的三角波，分别对应于Tr1、Tr2和Tr3。采用W1和W2作为触发信号，可以计算出时间区间为P0内的信号标准差SP0，令其与随即到来的跳变沿幅值At2进行比较，如果At2＞k×SP0（k是一个略大于1的系数），Tr1就被判别是一个RTS转换，反之，则认为Tr2只是一个高斯波动。

受到Z域滤波延迟的影响，三角波的产生时间与实际的跳变沿相比，有一个延迟。图4中的虚线表示了实际三角波的位置。P0’才是实际进行高斯标准差计算的区间，可以看到暗信号在 P0’的末端不仅包含了高斯波动还包含了一个疑似RTS跳变沿，这势必会使计算出的高斯噪声标准差 SP0’较 SP0偏大，可能导致低转换幅值的RTS难以被成功识别。为了得到更准确的实时高斯噪声标准差，本文对滤波后得到的三角波进行求导，获得了一个导数波形，如图4所示。进一步利用导数波形的下降沿作为使能信号，对P1时间段内的高斯噪声求标准差Sp1。虽然这种标准差的计算方法减少了高斯样本的数量，但有效地避免了非高斯波动的干扰，因此，能够获得较为准确、可信的高斯标准差。按照前文的方法，如果At2＞k×Sp1则认为Tr2是一个RTS转换。同样的，如果 At3＞k×Sp2，Tr3就被判别为一个 RTS转换，其中，Sp2是利用导数波形中 P2段作为使能信号，从暗信号中计算出的高斯标准差。

图4 实时RTS阈值计算方法 Fig.4 Real-time RTS threshold calculation method

1.3 RTS波形重建和参数提取基于实时阈值的RTS波形识别

RTS波形重建的目的在于将高斯噪声从暗信号中剔除，只留下RTS信号。本文采用均值滤波方法来处理高斯噪声。以图4中的Tr2为例，一旦其被确定为RTS转换，在P2时间段内计算出的信号均值就可以作为Tr2的幅值。如果Tr2未被确定为RTS转换，那么在P1时间段计算出的信号均值将被继续作为Tr2的幅值（与Tr1的幅值相同），也就是说，重建的波形中认为Tr1和Tr3之间不存在RTS转换。

RTS产生的物理机制是RTS噪声研究的重要内容，这有赖于RTS关键参数的提取。时间常数和转换幅值与RTS缺陷的物理特性密切相关，是最为重要的分析参数[8-9]。图5显示了一个3级RTS波形，其中tm-n(r)，RTS波形第r次从m级跳变到n级前在m级持续的时间。Am-n(r)表示RTS波形第r次从m级跳变到n级的跳变幅值。时间常数τm-n及转换幅值Am-n可以通过公式(5)得到。

中国书画的经典之作都是古代的，现当代基本没有可以与古代相匹敌的作品，当下中国书画界牛人无数，但没有见谁斗胆说自己已经超过古典大家，除非神经不正常。中国书画是在古典社会、生活、文化、审美、器物环境中存在的，它的独特性在于它的古典性，失去了古典状态，谈不上中国传统书画。

那么，该跳变沿即为RTS跳变。考虑到高斯噪声与RTS噪声的不相关性，暗信号标准差σsig又可以写为式(3)。

式中：Nm-n为RTS波形从m级跳变到n级的总次数。

图5 3级RTS波形及其描述参数 Fig.5 3-level RTS wave with its characteristics

2 RTS检测系统设计和辐照实验结果

实验基于一个全定制自主设计的 CMOS APS芯片进行，该芯片采用标准0.35 μm CMOS工艺实现，像素面积为 25 μm2，阵列规模为32×32。图 6是本文采用的实验系统，主要包括了CMOS APS模组、现场可编程门阵列(Field-programmable gate array, FPGA)模组及用于数据处理的PC。实验进行时，CMOS APS被置于暗盒中进行暗信号采集，FPGA用于提供时序控制信号，并将数据从传感器模组传输到PC处理器，在PC中使用Simulink对数据进行算法处理，算法设计如图7所示。

辐照实验前，本文从像素阵列中按照不同空间位置随机选择100个像素作为测试对象，测试5 h后，发现其中3个像素产生了2级RTS波形，没有观测到大于2级的RTS波形。接下来，CMOS APS被置于钴源60Co (2 000 Gy/h)下，辐照1 h后，对先前的100个像素又观测5 h，发现43个像素表现出了RTS行为，其中8个像素的暗信号具有超过3级的RTS转换发生。更多的细节可参考表1和图8。这些信号的 RTS行为全部通过本文提出的检测方法检测得到，除此之外，超过3级的RTS像素还进行了人工确认。

为了证明所提出的检测方法及检测系统的有效性和正确性，本文采用几个具有代表性的像素——像素(10, 11)（代表阵列中处于第10行第11列的像素，下同）（2级RTS），像素(20, 14) (3级RTS)及像素(22, 26) (5级RTS)，对其RTS波形进行检测和重建，并与采用信号标准差作为检测阈值[9]的方法做了对比。

图6 RTS测试实验装置 Fig.6 Experimental setups of RTS testing

图7 基于Simulink实现的RTS检测、重建及参数提取系统 Fig.7 Proposed RTS detection method based on Simulink

表1 辐照前后具有RTS行为的像素统计（100个像素） Table 1 Number of RTS pixels before and after radiation (100 pixels)

测试条件Test condition RTS级数 RTS level 2 3 4 5 6 RTS像素数 Number of RTS pixels无辐照 No radiation 3 0 0 0 0 2 000 Gy (60Co) 35 4 2 1 1

图8 像素输出中具有不同级数RTS的暗信号，像素(m, n)指位于m行n列的像素 Fig.8 Output signals with different RTS level. Pixel(m, n)refers to the pixel located at row m column n

图9显示了两种算法的处理结果。对于2级RTS来说，两种方法的检测都没有出现误检和漏检。通过与其他具有2级RTS像素的检测结果对比，两种方法的检测正确率接近100%。但是从图9(b)和9(c)可以看到，对于3级和5级的RTS检测，本文所提出的基于实时阈值的检测正确率要高于采用信号标准差为阈值的检测方法[9]。

图9 基于实时阈值的检测方法与采用信号标准差为阈值的检测方法对2级(a)、3级(b)和5级(c)RTS的检测及重建结果 Fig.9 2-level (a), 3-level (b), and 5-level (c) RTS reconstruction using the detection method based on real-time threshold and signal standard deviation in Ref.[9]

经过人工核对，所有多级RTS像素的暗信号中发生RTS转换的次数为282次。采用信号标准差为阈值的检测[9]方法对所有多级RTS像素进行检测并统计，212个RTS转换被成功检测出来；而基于实时阈值的检测方法，则检测出了257个RTS转换。基于实时阈值的检测的方法检测效率达到91%，比采用信号标准差为阈值的检测方法高出16%。另外，从图9(b)和9(c)中不难发现，采用信号标准差为阈值对RTS进行检测重建后，个别同一级的RTS转换幅值计算结果有明显差异。这可能是由于RTS漏检，导致不同级别的RTS被判定为同一级别，经过幅值平均就形成了新的错误的转换幅值，这对于RTS参数的提取会产生严重影响。

3 讨论

当RTS噪声发生退化时，采用信号标准差作为RTS检测阈值进行局部时段的RTS检测可能出现一些问题。RTS来源于器件中的亚稳态缺陷，受其物理特性（激发能量、温度、缺陷结构）的影响，RTS的时间常数可以小于1 s，也可能长达几周，也就是说，RTS噪声可能在相当长一段时间保持在高幅值水平，这就是RTS退化的一种情况。它会引起信号标准差增加，进而使检测阈值增加，较低幅值的RTS波形就很难被检测出来，如图10所示。

图10 基于实时阈值的检测方法与采用信号标准差为阈值的检测方法[9]对发生RTS退化的波形进行检测的结果对比 Fig.10 Comparison of detection results between the detection method based on real-time threshold and signal standard deviation in Ref.[9], under the situation of RTS degradation

图 10(a)中，像素(15,18)输出的 RTS波形有大约2 h的时间处于高幅值的水平，使得信号的标准差大幅增加。图10(b)中，此时采用信号标准差为阈值无法检测出低幅值的RTS转换。基于实时阈值进行检测的结果如图10(c)所示，说明其对低幅值RTS转换的检测显然更加有效。

根据公式(3)可知，不仅RTS噪声的退化可引起低幅值RTS检测失败，高斯噪声若发生严重退化也会引起这一问题。遗憾的是，或许是由于测试时间过短，自热效应不明显，本次实验并未观测到严重的高斯噪声退化现象。为了验证高斯噪声退化可能引起的问题，及两种方法的检测效果，我们模拟出了一个发生了高斯噪声退化的暗信号波形，如图11(a)所示。图 11(b)和 11(c)表明，基于实时阈值进行的检测效果明显优于以信号标准差作为阈值进行的检测。

图11 基于实时阈值检测方法与采用信号标准差为阈值的检测方法[9]对发生高斯噪声退化的模拟波形进行检测 Fig.11 Comparison of detection results between the detection method based on real-time threshold and signal standard deviation in Ref.[9], under the situation of Gaussian noise degradation

4 总结

本文提出了一种基于实时计算阈值的 RTS噪声自动检测方法。采用实时高斯噪声的标准差作为紧随其后的疑似 RTS转换判别阈值。实验结果表明，针对选定的多级RTS目标像素，对于人工确认的282个RTS转换，本文提出的方法的检测成功率可以达到90%以上。即使在RTS噪声发生严重退化的情况下，基于实时阈值的检测依然能够保证低幅值RTS转换的检测成功率。

参考文献

1 Wei X, Gao D, Dorokhov A, et al. A radiation-hardened 2T-memory cell for monolithic active pixel sensors in STAR experiment[J]. Journal of Instrumentation, 2011,6(1): 71-77. DOI: 10.1088/1748-0221/6/01/C01071.

2 Deveaux M. Development of fast and radiation hard monolithic active pixel sensors (MAPS) optimized for open charm meson detection with the CBM -vertex detector[D]. Strasbourg, France: University Louis Pasteur Strasbourg, 2007.

3 BogaertsJ, Dierickx B, Meynants G, et al. Total dose and displacement damage effects in a radiation-hardened CMOS APS[J]. IEEE Transaction on Electron Devices,2003, 50(1): 84-90. DOI: 10.1109/TED.2002.807251.

4 Hopkins I H, Hopkinson G R. Further measurements of random telegraph signals in proton-irradiated CCDs[J].IEEE Transaction on Nuclear Science, 1995, 42(6): 2074-2081. DOI: 10.1109/23.489255.

5 Nuns T, Quadri G, David J P, et al. Measurements of random telegraph signal in CCDs irradiated with protons and neutrons[J]. IEEE Transaction on Nuclear Science,2006, 53(4): 1764-1771. DOI: 10.1109/TNS.2006.876509.

6 Bogaerts J, Dierickx B, Mertens R. Random telegraph signals in a radiation-hardened CMOS active pixel sensor[J]. IEEE Transaction on Nuclear Science, 2002,49(1): 249-257. DOI: 10.1109/TNS.2002.998649.

7 Yuzhelevski Y, Yuzhelevski M, Jung G. Random telegraph noise analysis in time domain[J]. Review of Scientific Instruments, 2000, 71(4): 1681-1688. DOI: 10.1063/1.1150519.

8 Hopkinson G R, Goiffon V, Mohammadzadeh A. Random telegraph signals in proton irradiated CCDs and APS[J].IEEE Transaction on Nuclear Science, 2008, 55(4): 2197-2204. DOI: 10.1109/TNS.2008.2000764.

9 Goiffon V, Hopkinson G R, Magnan P, et al. Multilevel RTS in proton irradiated CMOS image sensors manufactured in a deep submicron technology[J]. IEEE Transaction on Nuclear Science, 2009, 56(4): 2132-2141.DOI: 10.1109/TNS.2009.2014759.