Помощь в написании студенческих работ
Антистрессовый сервис

Идентификация изображений наноструктуры поверхности в сканирующем туннельном микроскопе

Диссертация: Идентификация изображений наноструктуры поверхности в сканирующем туннельном микроскопе
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Изображения, получаемые с помощью сканирующего туннельного микроскопа, обладают рядом недостатков, связанных с особенностями его работы и метода исследований: отсутствием строго-ограниченной шкалы координат, произвольным углом отображения наночастиц, а также наличием шумов и искажений различной природы. При этом осуществить идентификацию наночастиц прямым сравнением их теоретических… Читать ещё >

Идентификация изображений наноструктуры поверхности в сканирующем туннельном микроскопе (реферат, курсовая, диплом, контрольная)

Содержание

  • ПЕРЕЧЕНЬ ОСНОВНЫХ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
  • Глава 1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ИССЛЕДОВАНИЯ НАНОЧАСТИЦ КЛАСТЕРНЫХ МАТЕРИАЛОВ
    • 1. 1. Обзор основных принципов и методик сканирующей зондовой микроскопии
    • 1. 2. Обзор методов изготовления зондирующих острий сканирующего туннельного микроскопа
    • 1. 3. Обзор методик расчёта квантово-электронной структуры поверхности и моделирования СТМ-изображений
    • 1. 4. Обзор методов распознавания и анализа изображений объектов
    • 1. 5. Выводы, постановка цели и задач исследований
  • Глава 2. ФОРМИРОВАНИЕ ЗОНДИРУЮЩИХ ОСТРИЙ СКАНИРУЮЩЕГО ТУННЕЛЬНОГО МИКРОСКОПА
    • 2. 1. Влияние геометрических характеристик 30 на точность СТМ-эксперимента
      • 2. 1. 1. Необходимость создания 30 определенной формы
      • 2. 1. 2. Электрохимический метод изготовления
      • 2. 1. 3. Метод химического травления
      • 2. 1. 4. Вывод о необходимости комбинированного травления
    • 2. 2. Моделирование процесса электрохимического травления 30 СТМ
    • 2. 3. Моделирование процесса химического травления 30 СТМ
  • Выводы по главе 2
  • Глава 3. МОДЕЛИРОВАНИЕ ТОПОГРАФИЧЕСКИХ СТМ-ИЗОБРАЖЕНИЙ
    • 3. 1. Обзор методов расчёта электронной структуры поверхности
    • 3. 2. Метод Хартри-Фока для расчёта электронной структуры
    • 3. 3. Теория туннельного эффекта Бардина-Терсоффа-Хаманна
    • 3. 4. Расчёт туннельного тока без учёта электронной структуры зонда
    • 3. 5. Расчёт туннельного тока с учётом электронной структуры зонда
  • Выводы по главе 3
  • Глава 4. ИДЕНТИФИКАЦИЯ СТМ-ИЗОБРАЖЕНИЙ
    • 4. 1. Локализация частицы на СТМ-изображении
    • 4. 2. Обучение нейронной сети методом обратного распространения для распознавания типа наночастицы на характерных профилограммах
    • 4. 3. Обучение нейронной сети с помощью генетического алгоритма
  • Выводы по главе 4
  • Глава 5. ПРОГРАММНО-АППАРАТНОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СТМ ДЛЯ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ НАНОЧАСТИЦ
    • 5. 1. Структура и принципы функционирования интеллектуального ЦСТМ для автоматического распознавания наночастиц
    • 5. 2. Программно-методический комплекс для идентификации наноструктуры поверхности в СТМ
      • 5. 2. 1. Подсистема моделирования процесса изготовления зондирующих игл туннельного микроскопа
      • 5. 2. 2. Подсистема моделирования теоретических СТМ-изображений наночастиц
      • 5. 2. 3. Подсистема автоматического распознавания наночастиц
    • 5. 3. Оценка погрешности результатов моделирования процесса изготовления 30 и рекомендации для его формирования
    • 5. 4. Построение теоретических СТМ-изображений наночастиц с учетом атомной структуры 30 и оценка их достоверности
    • 5. 5. Распознавание СТМ-изображений с применением аппарата нейронных сетей
  • Выводы по главе 5

Актуальность темы

связана с необходимостью разработки методов и средств автоматического обнаружения, распознавания, классификации и анализа топографических изображений наночастиц (НЧ) кластерных материалов (КМ) с использованием сканирующего туннельного микроскопа (СТМ).

Следует отметить, что по своей физической сущности топографические СТМ-изображения при малых туннельных напряжениях представляют собой изоповерхности электронной плотности в окрестности энергии Ферми. В то же время важнейшие параметры топографии поверхности наночастиц — размеры и геометрия — имеют такую же физическую природу, так как образованы теми же электронными состояниями поверхности Ферми, локализованными в их окрестности.

Поэтому для автоматической идентификации СТМ-изображений наноструктуры исследуемой поверхности наиболее целесообразно построение ее теоретического СТМ-изображения, которое дает хорошее согласие с экспериментом и может быть использовано в качестве достаточно достоверной модели наноструктуры поверхности. Для построения теоретических СТМ-изображений наночастиц могут использоваться полуэмпирические и самосогласованные первопринципные методы расчета электронной структуры поверхности, при этом наиболее перспективными являются кластерные самосогласованные первопринципные методы расчета, позволяющие наиболее точно учитывать квантовую структуру поверхности изучаемых наночастиц. Однако, также необходимы и достоверные экспериментальные изображения наночастиц, что требует сравнительного анализа реальных факторов, влияющих на точность измерительной информации. ^.

Одним из основных элементов туннельного микроскопа, определяющих его пространственное разрешение, и, как следствие, достоверность получаемых СТМ-изображений наноструктуры поверхности, является зондирующее острие (30) требуемой формы и остроты. Поэтому исследование процессов изготовления и формирование технологических требований для получения такого острия являются актуальной задачей. В работах Кизнерцева С. Р., Тюри-кова A.B. и др. была предложена модель изготовления измерительных игл (ИИ) СТМ методом химического травления. Ее основными недостатками являются низкая дискретизация, не позволяющая осуществлять расчеты с необходимой точностью, а также отсутствие моделирования начального этапа изготовления 30 — электрохимического травления. Таким образом, необходимо разработать новую модель изготовления 30 с повышенной точностью, учитывающую электрохимическую составляющую процесса травления и динамическое изменение концентрации травящей жидкости при химическом травлении вблизи поверхности заготовки ИИ.

Для решения задачи идентификации наноструктуры поверхности необходимым является наличие инструмента построения достоверных теоретических СТМ-изображений наночастиц. Существующие методики построения таких изображений не учитывают атомно-электронное строение 30 и его влияние на результирующую картину численного эксперимента, что негативно сказывается на точности расчета нанотопографии поверхности. Поэтому актуальным является разработка и обоснование методов построения теоретических СТМ-изображений с учетом атомно-электронного строения как поверхности, так и зондирующего острия.

Изображения, получаемые с помощью сканирующего туннельного микроскопа, обладают рядом недостатков, связанных с особенностями его работы и метода исследований: отсутствием строго-ограниченной шкалы координат, произвольным углом отображения наночастиц, а также наличием шумов и искажений различной природы. При этом осуществить идентификацию наночастиц прямым сравнением их теоретических и экспериментальных СТМ-изображений практически невозможно. Возникает необходимость разработки специальных методов распознавания наночастиц на формируемых СТМ-изображениях. Анализ показал, что в этом случае наиболее перспективным представляется метод, основанный на применении аппарата нейронных сетей (НС), позволяющий автоматизировать процесс локализации и распознавания СТМ-изображений наночастиц с высокой степенью достоверности.

Таким образом, создание надёжного прецизионного инструмента на базе СТМ для идентификации наноструктуры поверхности является актуальной задачей. Для её решения необходимы разработка и исследования математических моделей, программно-аппаратных средств туннельного микроскопа, обеспечивающих автоматическое обнаружение, локализацию и идентификацию наночастиц исследуемых кластерных материалов.

Целью работы является разработка и обоснование физико-математических, алгоритмических, методических, а также программно-аппаратных средств автоматического обнаружения и идентификации наночастиц сканирующим туннельным микроскопом, внедрение которых имеет существенное значение для создания новых перспективных кластерных материалов.

Для достижения поставленной цели решались следующие задачи:

— создать расчетную модель процесса изготовления измерительных игл СТМ методом комбинированного (электрохимического и химического) травления;

— определить технологические параметры процесса химического травления заготовки измерительной иглы СТМ, существенно влияющие на профиль получаемых 30 и дать рекомендации для формирования острий оптимальной макроформы;

— разработать методику расчета теоретических СТМ-изображений, учитывающих атомно-электронную структуру исследуемой поверхности и 30;

— создать математическую модель распознавания характерных профило-грамм наночастиц КМ с применением аппарата НС, позволяющую производить их классификацию;

— сформировать обучающий набор для аппарата НС, состоящий из теоретических СТМ-изображений наночастиц КМ;

— разработать программно-аппаратные и методические средства СТМ для автоматического обнаружения и идентификации наночастиц КМ.

Объектом исследования является СТМ для изучения наночастиц КМ, зондирующее острие, программно-аппаратные средства выделения, обработки и визуализации измерительной информации, топографические СТМ-изображения наночастиц КМ.

Предметом исследования являются математические модели зондирующего острия и комбинированного процесса его изготовления, модели для построения теоретических СТМ-изображений наночастиц с учетом атомно-электронной структуры поверхности и ЗО, модели для распознавания наночастиц на основе аппарата нейронных сетей, программно-аппаратное обеспечение СТМ.

Методы исследования.

В диссертации использован комплексный метод, включающий теоретические исследования и экспериментальную проверку полученных результатов. Работа выполнялась с применением математического моделирования. В теоретических исследованиях использовались: методы расчета атомно-электронной структуры поверхности, численные методы, теоретические основы информатики и программирования, методы обработки графической информации, основы теории искусственного интеллекта и аппарата нейронных сетей. В экспериментальных исследованиях применялись: теория измерения электрических и механических величин, статистические методы обработки результатов исследований, теория точности измерительных систем.

Научная новизна работы состоит в следующих результатах:

— создана комплексная методика численного моделирования протекания процессов электрохимического и химического травления на поверхности заготовки измерительной иглы СТМ на основе уравнений математической физики и химической кинетики, позволяющая проводить численные исследования процессов травления измерительных игл и определять оптимальные параметры этих процессов с целью получения зондирующих острий оптимальной формы;

— разработана методика моделирования теоретических СТМ-изображений, учитывающая атомно-электронное строение исследуемой поверхности и зондирующего острия СТМ, позволяющая получать достоверные изображения для их дальнейшего использования при распознавании наноструктуры поверхности;

— создана методика идентификации СТМ-изображений наноструктуры поверхности с использованием математического аппарата нейронных сетей, включающая двухэтапный алгоритм обучения, а также алгоритмы локализации объектов на изображениях;

— разработан программно-методический комплекс для идентификации объектов наноструктуры поверхности в СТМ, позволяющий проводить теоретическое моделирование СТМ-изображений, моделирование процесса формирования зондирующих острий методом комбинированного травления, а также осуществлять идентификацию наночастиц туннельным микроскопом.

Основные положения, выносимые на защиту.

1. Комплексная методика моделирования процесса изготовления ЗО СТМ методами электрохимического и химического травления, позволяющая получать острия оптимальной макроформы.

2. Методика расчета теоретических СТМ-изображений, учитывающая атомно-электронную структуру поверхности и зондирующего острия измерительной иглы.

3. Теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита.

4. Метод локализации объектов наноструктуры поверхности на СТМ-изображениях.

5. Методика распознавания характерных СТМ-профилограмм для идентификации объектов наноструктуры поверхности.

6. Интеллектуальный цифровой СТМ, обеспечивающий расширение функциональных возможностей туннельного микроскопа посредством автоматического обнаружения и идентификации СТМ-изображений нанообъектов с повышенной надежностью;

7. Программно-методический комплекс с возможностью моделирования процесса изготовления измерительных игл СТМ, теоретических СТМ-топографий и автоматической локализации и идентификации изображений наноструктуры поверхности.

Достоверность полученных результатов основывается на данных натурных испытаний, использовании аттестованных измерительных средств, согласованности расчетных и экспериментальных данных.

Практическая ценность работы определяется ее прикладной направленностью, ориентированной на использование полученных результатов для идентификации наноструктуры поверхности сканирующим туннельным микроскопом.

Создан инструмент для идентификации наночастиц, в основе которого лежит аппарат нейронных сетей, позволяющий в реальном масштабе времени осуществлять распознавание наночастиц на СТМ-изображениях.

Для построения достоверных теоретических СТМ-изображений, применяемых при обучении нейронной сети, разработана система, использующая метод Бардина-Терсоффа-Хаманна, основанный на первопринципном расчете электронной структуры твердой поверхности. Предложенная система учитывает влияние атомно-электронной структуры 30 на формирование СТМ-изображений наноструктуры поверхности.

Разработаны рекомендации для технологии процесса изготовления измерительных игл оптимальной макроформы для СТМ-эксперимента с высокой разрешающей способностью.

Проведенные теоретические и экспериментальные исследования позволили решить задачу создания инструмента на базе СТМ для идентификации наночастиц. На их основе создан интеллектуальный цифровой СТМ для автоматического обнаружения и идентификации наночастиц.

Реализация результатов работы. Результаты диссертационной работы использованы при разработке и совершенствовании программно-аппаратных средств и методов для изучения наноструктуры поверхности сканирующим туннельным микроскопом и внедрены в ИМ УрО РАН, а также в учебном процессе ИжГТУ.

Работа выполнялась в соответствии с планами госбюджетных научно-исследовательских работ, проводимых ИМ УрО РАН:

— «Разработка прецизионных методов тестирования новых материалов и технических систем для энергетики, высокоэффективных химических процессов и нанотехнологий» (2007;2009г., № гос. per. 1 200 708 351);

— «Создание новых методов и средств диагностики материалов и изделий для нанотехнологий, энергетики и обеспечения техногенной безопасности» (2010;2012г., № гос. per. 1 201 000 907), а также в рамках:

— интеграционного проекта УрО РАН и СО РАН «Теория и технология формирования атомарно острых зондирующих острий сканирующего туннельного микроскопа» (2006;2008г.);

— гранта РФФИ 10−08−96 023-рурала «Исследование электрофизических процессов формирования нанозондов для электрохимического сканирующего туннельного микроскопа» (2010;2012г.);

— интеграционного проекта УрО РАН и СО РАН «Теория и технология создания и использования атомарно острых зондирующих игл гибридных сканирующих туннельных микроскопов» (2009;2011г.).

Апробация работы.

Основные положения и результаты работы докладывались и обсуждались на трех международных научно-технической конференциях «Измерения, контроль, информатизация» (Барнаул, 2009;2011), научно-технической конференциях «Приборостроение в XXI веке: Интеграция науки, образования и производства» (Ижевск, 2007), международной научно-технической конференции «EQ-2008» (Ижевск, 2008), двух научно-технических конференциях «Виртуальные и интеллектуальные системы» (Барнаул, 2010;2011), научно-технической конференции, посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ (Ижевск, 2009), научно-техническом форуме с международным участием (Ижевск, 2004).

Публикации.

Основной материал диссертации отражен в 21 научных публикациях, в том числе: 4 статьях в изданиях, рекомендованных ВАК РФ, 2 патентах РФ.

Структура и объем работы определяются общим замыслом и логикой проведения исследований. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 156 наименований и приложения. Работа содержит 153 стр. машинописного текста, включая 69 рис., 5 табл. и приложение.

Основные выводы и результаты:

1. Разработана комплексная методика моделирования процесса изготовления зондирующих острий СТМ на основе комбинации электрохимического и химического травления, позволяющая получать 30 заданной макроформы.

2. Выполнено моделирование процессов электрохимического и химического травления измерительных игл СТМ, в результате которого определены основные параметры, качественно влияющие на форму зондирующего острия. Даны рекомендации для их выбора с целью получения 30 оптимальной формы.

3. Создана методика расчета теоретических СТМ-изображений, учитывающая атомно-электронную структуру зондирующего острия. Учет влияния 30 на результирующую СТМ-топографию позволил существенно уменьшить погрешность моделирования (по сравнению с моделями без учета структуры острия).

4. С применением разработанной методики рассчитаны теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита. Погрешность расчета (в сравнении с экспериментальными данными для графита) составила -9%.

5. Предложена методика локализации и идентификации объектов наноструктуры поверхности на СТМ-изображениях, использующая математический аппарат нейронных сетей. Применение комплексной методики обучения нейронной сети, использующей генетический алгоритм и метод обратного распространения ошибок, позволило существенно увеличить точность идентификации наночастиц.

6. Разработан защищенный патентом РФ интеллектуальный цифровой СТМ с возможностью автоматического обнаружения и идентификации нано-объектов на СТМ-изображениях с повышенной надежностью, обеспечиваемой использованием эффективного метода распознавания на основе аппарата нейронных сетей.

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований разработаны научно обоснованные математические, программные и аппаратные средства автоматизированного анализа наночастиц КМ, а также комплексная структура СТМ-эксперимента, что способствует созданию новых перспективных кластерных материалов.

Показать весь текст

Список литературы

  1. Hwang J. Imaging phase-separated domains in conducting polymer blend films with near-field scanning optical microscopy / Goldner L.S., Karim A., Gettinger C. // Appl. Opt. 40(22) 3737−3745. 2001. P. 1−6.
  2. Hansma P.K. The scanning ion-conductance microscope / Drake B., Marti O., Gould S.A., Prater C.B. // Science, Vol. 243, Issue 4891. 1989. — P. 641−643.
  3. Gunther P. Scanning near-field acoustic microscopy / Fischer U.C., Dransfeld K. // Applied Physics B: Lasers and Optics. Vol. 48, № 1. — 1989. — P. 89−92.
  4. Yin Q.R. Near-field acoustic microscopy of ferroelectrics and related materials / Zenga H.R., Lia G.R., Xub Z.K. // Materials Science and Engineering B. -Vol. 99, Issues 1−3. 2003 — P. 2−5.
  5. Hamers R.J. Atomic-Resolution Surface Spectroscopy with the Scanning Tunneling Microscope // Annual Review of Physical Chemistry. Vol. 40. — 1989. -P. 531−559.
  6. Volcker M. Laser-driven scanning tunneling microscope / Krieger W., Walther H. // Phys. Rev. Lett. 66. 1991. — P. 1717−1720.
  7. Lai J. Thermal detection of device failure by atomic force microscopy / Chandrachood, M., Majumda, A., Carrejo, J.P. // Electron Device Letters. -Vol. 16 Issue 7.- 1995.-P. 312−315.
  8. Majumdar A. Scanning thermal microscopy // Annual Review of Materials Science. Vol. 29. — 1999. — P. 505−585.
  9. Zamborini F.P. In-Situ Electrochemical Scanning Tunneling Microscopy / Richard M. Crooks. // American Chemical Society. 1997. — P. 1−10.
  10. Moller R. Thermal noise in vacuum scanning tunneling microscopy at zerobias voltage / Esslinger A., Koslowski B. // J. Vac. Sci. Technol. Vol. 8, Issue 1.- 1990.-P. 590−593.
  11. Lanyi S. The resolution limit of scanning capacitance microscopes / Hruskovic M. // Journal of Physics. 36. — 2003. — P. 598−602.
  12. Kalinin U.A. Scanning Probe Microscopy / Sergei V., Gruverman A. // Springer. Vol. 2. — 2007. — P. 689−703.
  13. Dr. Dixon-Warren S.-J. Scanning Spreading Resistance Microscopy of MOCVD Grown InP and GaAs Optoelectronic and Microelectronic Structures // Electron Devices Society (EDS) and Lasers and Electro-Optics Society. -2007.-P. 34−65.
  14. Spence J.H. The Scanning Tunneling Atom Probe, and Lensless Point Reflection Microscopy // Journal of Surface. 1997. — Vol.3. — № 2. — P. 213−221.
  15. И. Приборы научных исследований, 1987. № 6. — С. 115.
  16. B.C. Сканирующий туннельный микроскоп // А.С. 1 797 149 СССР, МПК Н 01 J37/285.
  17. А. О. Исследование методических и инструментальных принципов построения вакуумного туннельного электронного микроскопа. -1988. 150-НИР-И.- №гос. регистрации 1 860 134 855.
  18. А. О. Сканирующий туннельный микроскоп при атмосферном давлении // Сборник Научное приборостроение. Выпуск Электронно-ионная оптика. Ленинград: Наука, 1989. — С. 72−76.
  19. А.О. А.С. 1 604 136 Н02 N 2/00 Н01 L 41/09 Давыдов Д. Н., Тимофеев В.А. и др. Пьезоманипулятор.
  20. В.А. Приборы и методы сканирующей зондовой микроскопии дляисследования и модификации поверхности: Дис. докт. техн. наук. М., 2000. 393 с.
  21. А.В. Новые приборы и разработки в сканирующей зондовой микроскопии // Материалы всероссийского совещания «Зондовая микроско-пия-98». Нижний Новгород, 1998. — С. 110−111.
  22. Bykov V. Test structure for SPM tip shape deconvolution / Golovanov A., She-vyakov V. // Appl. Phys. A. 1998. — V. 66. — P. 499−502.
  23. В.A. Электроника и программное обеспечение универсальных сканирующих зондовых микроскопов НТ-МДТ // Зондовая микроскопия-99. Материалы Всероссийского совещания. Нижний Новгород, 1999. С. 327−333.
  24. А.П. Сканирующий туннельный микроскоп с большим полем зрения, совместимый с растровым электронным микроскопом / Степанян Г. А., Хайкин М. С., Эдельман B.C. // ПТЭ. 1989. — № 5. — С. 185−187.
  25. А.С. 1 537 088 СССР, МПК H 01 L 41/08 H 02 N 11/00. Устройство для микроперемещений объекта / Волгунов Д. Г., Гудков А. А., Миронов B.JI.
  26. TersoffJ. Il Phys. Ref: В. — 1989.- 11 990 p.
  27. X. Усовершенствование иглы для растровых туннельных и атом-но-силовых микроскопов // Приборы для научных исследований.- 1990. -№ 10.-С. 35.
  28. Fink H. W. IBM Mathematical Methods // J. Res. Develop. 1986. — V. 30. — P. 190.
  29. Kelsey G.S.J. Electrochem. Soc., 1977. 124. — № 814.
  30. Muller E.W. Field Ion Microscopy, Principles and Applicftion/ Tsong T.T. Il
  31. Elsiver, Amsterdam, 1969. P. 1−84.
  32. M. Зондовый анализ в автоионной микроскопии: Пер. с англ. / Под ред. А. Л. Суворова / Смит. Г. // М.: Мир. 1993. — С. 52−75.
  33. Д. Изготовление игл для РТМ методом травления / Элекис Ф. // Приборы научных исследований, 1990. № 12. — С. 159−161.
  34. Thurstang R.E. Field Ion Microscopy and Relates Techniques: A Bibliography / Walls J.M. // Warwick Publishing Company, Birmingham, U. K., 1980. -№ 4.-P. 1951−1978.
  35. Л. Приборы научных исследований / Тундат Т. Т, Линдзи С. // 60(1989). -№ 10.-С. 3128−3130.
  36. С.И. Зондирующие эмиттеры для сканирующей туннельной микроскопии / Савинов С. В., Яминский И. В. //Электронная промышленность. 1991. — № 3. — С.42−45.
  37. Davis A. Optimization of Electrochemical Wet Etching of Silver STM Tips // University of California Irvine Department of Physics and Astronomy. 2006. -P. 1−12.
  38. A.M. Теоретические основы процессов электрохимической обработки металлов и сплавов: Учеб. пособие. Часть 2 / Анисимов А. П. // Наука М.: 1976. — 83 с.
  39. Tahmasebipour G. Optimization of STM/FIM nanotip aspect ratio based on the Taguchi method / Hojjat Y., Ahmadi V., Abdullah A. // The International Journal of Advanced Manufacturing Technology.- 2009.- Vol. 44.- 80−90.
  40. Sutton А.Р. The tight-binding bond model / Finnis M.W., Pettifor D.G., Ohta Y.//J. Phys. C. 1988.-V21.
  41. Slater J.C. Simplified LCAO Method for the Periodic Potential Problem / Koster G.F. // Phys. Rev. 94. 1954. — P. 1498−1524.
  42. Harrison W.A. Universal linear-combination-of-atomic-orbitals parameters for d-state solids / Froyen S. // Phys. Rev. Vol. 21. 1980. — P. 3214−3221.
  43. Krakauer U. Linearized augmented plane-wave method for the electronic band structure of thin films / Posternak O., Freeman A. J. // Phys. Rev. V. 19. 1979.-P. 1706−1719.
  44. Bardeen J. Tunnelling from a Many-Particle Point of View //Phys. Rev. Lett.-Vol. 6. Issue 2. — 1961. — P. 57−59.
  45. Richard E.P. Tunneling from a Many-Particle Point of View // Phys. Rev. 131.-Phys. Rev. 131, 1083−108. 1963. — P. 1083−1086.
  46. Tersoff J. Theory of the Scanning Tunneling Microscope //Phys. Ref. 1989. -V.40.-N.17.-P. 11 990−11 993.
  47. Tersoff J. Tip-dependent corrugation of graphite in scanning tunneling microscopy / Lang N.D. // Phys. Ref. Lett. 1990. — V.65. — N.9. — P. 1132−1135.
  48. Tersoff J. Theory of the Scanning Tunneling Microscope / Hamann D.R. //
  49. Phys. Ref. Lett. 1985. — V. 31. — № 2. — P. 805−813.
  50. Tersoff J. Theory and Application for the Scanning Tunneling Microscope / Hamann D.R. // Physical Review Letters. Vol. 50. — Issue 25. — 1983. — P. 1998−2001.
  51. В.К. Туннелирование пространственно локализованных частиц // Зондовая микроскопия-98: Материалы Всероссийского совещания.-Нижний Новгород. 2000. — С. 127−131.
  52. Chen C.J. Origin of atomic resolution on metal surfaces in scanning tunneling microscopy // Phys. Rev. Lett. 65. 1990. — P. 448−451.
  53. Biro L.P. A Possible Tool For Tip Characterization / Mark G.I., Balazs E. // Nanophase Materials: Synthesis Processes — Applications. — 1993. — P. 23−41.
  54. C.H. Сканирующая туннельная микроскопия наноразмерных систем: искажения и коррекция изображений / Васильев С. Ю. // Химия и компьютерное моделирование. Бутлеровские сообщения. 2001. — № 4. -С. 1−4.
  55. Bard A. J. Particle Chemistry // Ann. Chim.- 1997. V. 87. — P. 1531.
  56. Tersoff J. Theory of the Scanning Tunneling Microscope / Hamann D.R. // Phys. Ref. № 4. 1985. — V.38.- N.12. — P. 805−813.
  57. Lipanov A.M. Application of ab initio calculations for modeling STM images / Tyurikov A.V., Shelkovnikov E.Yu., Gulyaev P.V. // Scanning Probe Microscopy 2003, International Workshop, Nizhny Novgorod, IPM RAS, P. 243
  58. Hadjiiski L.T. Application of neural networks to a scanning probe microscopy system / Linnemann R., Stopka M., Oesterschulze E., Rangelow I., Kassing R. // Institute of Technical Physics, University of Kassel. 2000. — P. 1−12.
  59. Munster S. Neural network correction of nonlinearities in scanning probe microscope images / Oesterschulze E., Kassing R. // Journal of Vacuum Science & Technology B: Microelectronics and Nanometer Structures. 1996. — P. 1563−1568.
  60. Wang W.L. Application of neural networks to the reconstruction of scanning probe microscope images distorted by finite-size tips / Whitehouse D.J. // Nanotechnology V.6 C.45. 1996. — P. 12−24.
  61. Patan K. Stochastic learning methods for dynamic neural networks: simulated and real-data comparisons / Parisini T. // Proceedings of the American Control Conference. 2002. — P. 12−25.
  62. Korbicz J. Dynamic neural networks for process modelling in fault detection and isolation systems / Patan K., Obuchowicz A. // International Journal of Applied Mathematics and Computer Science. 1999. — № 9(3). — P. 519−546.
  63. Pham D.T. Training of Elman networks and dynamic system modelling / Liu X. // International Journal of Systems Science. 1996. — № 27. — P. 221−226.
  64. Spall J.C. Multivariate stochastic aproximation using a simultaneous perturbation gradient approximation // IEEE Trans. Automatic Control. 1992. — № 37. -P. 332−341.
  65. Martunez A.M. PCA versus LDA / Avinash C. Kak. // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. — Vol. 23. — № 2. — P. 228 233.
  66. Shlens J. A Tutorial on Principal Component Analysis // Proceeding of Institute for Nonlinear Science Coference. 2005. — P. 13−27.
  67. Miranda A.A. New Routes from Minimal Approximation Error to Principal Components / Le Borgne Y.A., Bontempi G. // Neural Processing Letters, Springer. 2008. — Vol. 27. — № 3. — P. 123−131.
  68. Roweis S. EM Algorithms for PCA and SPCA / Ed. Michael I. Jordan, Michael J. Kearns, Sara A. Solla. // Advances in Neural Information Processing Systems. 1998. — The MIT Press. — P. 1−16.
  69. Meyer G.G.L. Geometric Linear Discriminant Analysis For Pattern Recognition // Pattern Recognition. 2004. — Vol. 37. — № 3. — P. 421−428.
  70. Weiwei Y. Discriminant Locality Preserving Projections: A New Method to Face Representation and Recognition / Xiaolong, Chongqing Liu. // Proceedings of the 14th International Conference on Computer Communications and Networks.- 2005.- P. 201−207.
  71. Xiaofei H. Locality Preserving Projections / Partha Niyogi // Computer Science Department Computer Science Department The University of Chicago. -2002.-P. 1−8.
  72. Zhang L. Graph-optimized locality preserving projections / Qiao L., Chen S. // Pattern Recognition.- 2010.- P. 34−55.
  73. Wang Q. Eye Detection in Facial Images with Unconstrained Background / Jingyu Yang // Journal of Pattern Recognition Research. 2006. — Vol. 1. -№ 1.
  74. Ohba K. Detectability, Uniqueness, and Reliability of Eigen Windows for Stable Verification of Partially Occluded Objects / Ikeuchi K. // IEEE Transactions on Pattern Analysis and Machine Intelligenve. 1997. — Vol. 19. — № 9. -P. 1043−1048.
  75. Eckhardt M. Towards practical facial feature detection / Ian Fase, Javier Movellan // International Journal of Pattern Recognition and Artificial Intelligence (IJPRAI). 2009. — Vol. 23. — № 3. P. 379−400.
  76. Gong S. Dynamic Vision: From Images to Face Recognition // Imperial College Press. 2001. — P. 168−173.
  77. Kastleman K. Digital Image Processing // Proceeding of Prentice Hall Conference. 2000. — P. 36−41.
  78. Qi L. Adaptive appearance based face recognition / Jieping Ye, Min Lim Chandra Kambhamettu // International Journal on Artificial Intelligence Tools (I J AIT). 2008. — Vol. 17. — № 1. — P. 175−193.
  79. Michael J.J. Robust Real-Time Face Detection / Paul Viola // International Journal of Computer Vision. 2004. — Vol. 57. — P. 137−154.
  80. Jain A. Statistical Pattern Recognition: A Review / Duin R., Mao J. // IEEE
  81. Transactions on Pattern Analysis and Machine Intelligenve. 2000. — Vol. 22. — № 1. — P. 4−37.
  82. Freund Y. A Short Introduction to Boosting / Robert E. Schapire. // Journal of Japanese Society for Artificial Intelligence. 1999. — № 14(5). — P. 771−780.
  83. Rainer L. Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection / Alexander Kuranov // Pattern Recognition. 2003. -P. 297−304.
  84. Lienhart R. An extended set of Haar-like features for rapid object detection / Maydt, J. 11ICIP02. 2002. — P. 900−903.
  85. Crow F. Summed-area tables for texture mapping // in Proceedings of SIGGRAPH. 1984. Vol. 18(3). — P. 207−212.
  86. Messom C.H. Fast and Efficient Rotated Haar-like Features Using Rotated Integral Images / Barczak A.L.C. // Australian Conference on Robotics and Automation (ACRA2006). 2006. — P. 1−6.
  87. Papageorgiou F.R. A general framework for object detection / Oren G.R., Poggio D.K. // International Conference on Computer Vision. 1998. — P. 345 378.
  88. П.П. Быстрый поиск человеческих лиц на изображениях / Фо-менков С.А. // Вестник компьютерных и информационных технологий № 7.-2007.-С. 14−17.
  89. Turk M. Eigenfaces for Recognition / Pentland A. // Journal of Cognitive Neuroscience. 1991. — Vol. 3. — № 1. — P. 71−86.
  90. Murase H. Visual Learning and Recognition of 3D Objects from Appearance / Nayar S. // Interantional Journal of Computer Vision. 1995. — Vol. 14. — P. 524.
  91. Ricardo B.C.P. Neural Network Hybrid Learning: Genetic Algorithms & Levenberg-Marquardt / Teresa B. Ludermir // Center of Informatics, Federal University ofPernambuco. 2006. — P. 89−101.
  92. Omer B. Genetic Algorithms for Neural Network Training on Transputers // Department of Computing Science University of Newcastle upon Tyne. -2006.-P. 14−18.
  93. Sukanesh R. A Comparison of Genetic Algorithm & Neural Network (MLP) / Harikumar R. // Engineering Letters. 2007. — P. 1−9.
  94. Schmitt F.G. Theory of Genetic Algorithms / Lothar M. // Theoretical Computer Science. 2001. — Vol. 259. — P 1−61.
  95. Vose F. The Simple Genetic Algorithm: Foundations and Theory / Michael D. // MIT Press, Cambridge, MA. 1999. — P. 23−43.
  96. Eiben I.E. Introduction to Evolutionary Computing / Agoston E., Smith, James E. // Engeneering Letters. 2003. — Vol 31. — P. 45−49.
  97. Mallick S.P. Detecting Particles In Cryo-Em Micrographs Using Learned Features / Zhu Y., Kriegman D. // Journal, of Structural Biology. 2004. — Vol. 145.-№ 1−2.-P. 52−62.
  98. Ham F. Principles of Neurocomputing for Science and Engineering / Kostanic I. // Mathematical Foundation for Neurocomputing. 1999. — Vol. 3. — P. 342 355.
  99. A.B. Методика моделирования процесса травления зондирующих игл СТМ / Суворов A.C., Осипов Н. И. // Приборостроение в XXI веке. Интеграция науки, образование и производства. Ижевск. — 2007. — С. 34−42.
  100. Дику cap A.M. Термокинетические явления при высокоскоростных электродных процессах / Энгельгардт Г. Р., Молин А. Н. // Кишинев. 1989. -С. 143.
  101. A.JJ. Способ изготовления микроострий из металлической проволоки / Зайцев C.B., Бобков А. Ф. // А.с.№ 797 440 СССР, МПК H 01 J 1/30.
  102. Sauteta P. Calculation of the benzene on rhodium STM images / Joachim C. // Chemical Physics Letters. Vol. 185, Issues 1−2, 11. — 1991. — P. 23−30.
  103. A.M. Метод исследования химического травления заготовок измерительных игл туннельного микроскопа / Тюриков A.B., Суворов A.C. // Химическая физика и мезоскопия т. 9−2. Ижевск. — 2007. — С. 172−182.
  104. Т. Уравнения Навье-Стокса: теория и числовой анализ // L.: Oxford University Press, 2001. С. 424.
  105. Л.И. Маршевый и параллельный алгоритмы интегрирования уравнений Навье-Стокса для газа и жидкости // СПб.: Издательство СПбГУ. 2004.- С. 168.
  106. Д. Вычислительная гидродинамика и теплообмен / Таннехилл Д., Плетчер Р. // Т.2. 1990. — С. 392.
  107. С. Численные методы решения задач теплообмена и динамики жидкости. М.: Энергоиздат, 1984. — С. 151.
  108. Д. Квантово-химические модели // УФН. 2002. — Т. 173. — № 3. — С. 353.
  109. Pople J.A. Quadratic configuration interaction. A general technique for determining electron correlation energies / Head-Gordon M., Raghavachari K.J. // Chem. Phys. 1987. — V. 87. — P. 5968.
  110. В.А. Приборы и методы сканирующей зондовой микроскопии для исследования и модификации поверхности // Дис. докт. техн. наук. М., 2000.- С. 393.
  111. Tekman Е. Atomic Theory of scanning tunneling microscopy / Ciraci S. // Phys. Rev. B. 1989. — V. 40. — P. 10 286−10 293.
  112. Tekman E. Theory of anomalous of the corrugation Al (l 11) surface obtained from scanning tunneling microscopy / Ciraci S. // Phys. Rev. В.- 1990.- V. 42.- P. 18 601 863.
  113. Sutton A.P. The tight-binding bond model // Journal of Physics C. 1988. — V. 21.-P. 1432.
  114. S. Harrison W.A. // Phys. Rev. В.- 1979.- V. 20.- P. 2420.
  115. Hartree D.R. Proc. Camb. Philos. Soc. 1928.- V. 24. — P. 89.
  116. Fock V.Z. Naherungsmethode zur Losung des quantenmechanischen Mehrk5rperproblems // J. Phys.- 1930. V. 61. — P. 126.
  117. Raghavachari K. A Fifth-order Perturbation Comparison of Electron Correlation Theories / Trucks G. W., Pople J. A., Head-Gordon M. // Chem. Phys. Lett. 1989.-V. 157.-P. 479.
  118. Bardeen J. Tunneling from a many particle point of view // Phys. Rev. Lett. -1961.-V. 6.-P. 57.
  119. Ю.К. Построение изображений поверхности при многокадровом режиме сканирующего туннельного микроскопа / Гафаров М. Р., Гуляев П. В., Тюриков А. В., Кизнерцев С. Р. // Химическая физика и мезоскопия.- 2008. Т. 10. — № 4. — С. 514−520.
  120. Pareek Т.P. Magnetic scanning tunneling microscopy with a two-terminal nonmagnetic tip: Quantitative results / Bruno P. // Phys. Rev. B. 2001. — V. 63.-P. 165 424.
  121. В.А. Нейронные сети: обучение, организация и применение // М.: ИПР-ЖР. 2001. — С. 28−57.
  122. Novikoff А.В. On convergence proofs on perceptrons // Proceedings of the Symposium on the Mathematical Theory of Automata. Vol. 12. Polytechnic Institute of Brooklyn, 1962. P. 615−622.
  123. Stan Z.L. Statistical Learning of Multi-View Face Detection / Long Zhu, ZhenQiu Zhang, Blake A., HongJiang Zhang, Shum H. // In Proceedings of The 7th European Conference on Computer Vision.- 2002.- P. 132−156.
  124. Mohan A. Example-based object detection in images by components / Papa-georgiou C., Poggio T. // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, No. 4. 2001. — P. 349 -361.
  125. Lienhart R. An Extended Set of Haar-like Features for Rapid Object Detection / Maydt J. // IEEE ICIP. 2002. — Vol. 1. — P. 900−903.
  126. Viola P. Rapid Object Detection using a Boosted Cascade of Simple Features / Jones M.J. // IEEE CVPR.- 2001. P. 1−15.
  127. Freund Y. Experiments with a new boosting algorithm / Schapire R.E. // In Machine Learning: Proceedings of the Thirteenth International Conference, Morgan Kauman, San Francisco. 1996. — P. 148−156.
  128. Balakrishnan K. Honavar V. Properties of genetic representations of neural architectures // Proceedings of the World Congress on Neural Networks. -INNS Press. 1995. — P. 807−813.
  129. Rowley H. Neural network-based face detection / Baluja S., Kanade T. // In IEEE Patt. Vol. 20. — 1998. — P. 22−38.
  130. Holland J.H. Adaptation in natural and artificial systems // University of Michigan Press. 1975. — P. 34−45.
  131. Rummelhart D.E. Learning internal representations by error propagation / Hinton G.E., Williams R.J. // Computational models of cognition and perception. Vol. 1. № 8. — Cambridge, MA: MIT Press. — 1986. — P. 319−362.
  132. Kimura T. Synapse weight accuracy of analog neuro chip / Shima T. // Proceedings of International Joint Conference on Neural Networks. 1993. -Vol.1.-P. 891−894.
  133. Anguita D. Limiting the effects of weight errors in feed forward networks using interval arithmetic / Ridella S., Rovetta S. // Proceedings of International Conference on Neural Networks. 1996. — Vol.1. — P. 414−417.
  134. Bishop C.M. Neural Networks for Pattern Recognition // Oxford University Press. 1995.-P. 107−126.
  135. Edwards P. Modelling weight- and input-noise in MLP learning / Murray A. // Proceedings Of International Conference on Neural Networks .- 1996.- Vol.l.-P. 78−83.
  136. Bartlett P. The sample complexity of pattern classification with neural networks: the size of the weights is more important than the size of the network // IEEE Transactions on Information Theory. -1998. -Vol. 44. no. 2. — P. 525 536.
  137. Durbin R. Product units: A computationally powerful and biologically plausible extension to backpropagation networks / Rummelhart D.E. // Neural Computation. 1989. — Vol. 1, no. 4. — P. 133−142.
  138. Rummelhart D.E. Learning internal representations by error propagation / Hinton G.E., Williams R.J. // Vol. 1 of Computational models of cognition and perception, chap. 8. Cambridge, MA: MIT Press, 1986. — P. 319−362.
  139. A.H. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР. 1958.- Т. 114, № 5.- С. 953−956.
  140. Robbins P. Use of genetic algorithms for optimal topology determination in back propagation neural networks / Soper A., Rennolls K. // Proceedings of the International Conference on Artificial Neural Nets and Genetic Algorithms. 1993. — P. 726−730.
  141. Booker L.T. Improving Search in Genetic Algorithms // Genetic Algorithms and Simulating Annealing. 1987. — P.61−73.
  142. A.M. Применение аппарата прогнозирования в сканирующих устройствах растрового типа / Шелковников Ю. К., Гафаров М. Р. и др. // Приборы и системы: управление контроль диагностика.- № 7. 2010. — С. 59−64.1.hc,
  143. Belongie S. Color- and texture-based image segmentation using EM and its application to content-based image retrieval / Carson C., Greenspan H., Malik J. // Proc. of Intl. Conf. on Computer Vision. P. 675−82. — 1998.
  144. Lewis J.P. Fast Normalized Cross-Correlation // Industrial Light & Magic. -№ 1.- 1995. -P. 121−126.
  145. Seijfert U. Multiple Layer Perceptron Training Using Genetic Algorithms // European Symposium on Artificial Neural Networks, Bruges (Belgium). D-Facto public. — 2001. — P. 159−164.
  146. Van Rooij A.J.F. Neural network training using genetic algorithms / Jain L.C., Johnson R.P. // World Scientific. 1996. — P. 104−109.
Заполнить форму текущей работой

Сессия? Спокойно!